CN114554535B - 共覆盖小区对智能识别方法、装置、设备及存储介质 - Google Patents
共覆盖小区对智能识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114554535B CN114554535B CN202011326870.XA CN202011326870A CN114554535B CN 114554535 B CN114554535 B CN 114554535B CN 202011326870 A CN202011326870 A CN 202011326870A CN 114554535 B CN114554535 B CN 114554535B
- Authority
- CN
- China
- Prior art keywords
- cell
- area
- coverage
- cells
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 102
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000005070 sampling Methods 0.000 claims abstract description 94
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000010845 search algorithm Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000013450 outlier detection Methods 0.000 claims description 5
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 11
- 230000009471 action Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Abstract
本公开实施例公开了一种共覆盖小区对智能识别方法、装置、设备及存储介质,方法包括获取对若干个小区区域的采样数据,形成样本集,采样数据包括基站工参和MDT数据;对样本集中对应的小区区域进行格网划分,并将样本集中的MDT数据采样点聚类到格网中;根据样本集中的小区基站工参,构造小区对数据集;根据格网内的采样点得到各小区覆盖范围;根据小区覆盖范围,计算构造的小区对的重复覆盖面积,并进行共覆盖识别;本公开能够通过算法智能识别手段,可批量计算所有小区对的共覆盖属性,相比人工经验判断更高效;本公开通过计算两个小区的重叠覆盖区域面积识别共覆盖属性,相比传统人工凭经验判断,能够得到更为精准的判断结果。
Description
技术领域
本公开属于网络通信技术领域,尤其涉及一种共覆盖小区对智能识别方法和装置。
背景技术
MDT(inimization Drive Test,最小化路测)数据是UE(User Equipment,用户设备)主动上报的GPS(Global Positioning System,全球定位系统)经纬度数据,用于据此进行共覆盖小区的覆盖识别。
传统共覆盖小区覆盖识别采用MDT数据进行简单的地图展示,由人工分析两小区是否共覆盖,这种方案存在以下不足:
效率低下:传统方式需要大量网络优化工程师对小区覆盖情况进行识别,效率低,一天1人只能判断100对小区;
准确率低,传统方法过度依赖于工程师经验,难以得到一个准确结果;
智能化程度低,这种传统的人工识别方式,无法做到自动化批量识别共覆盖小区对。
有鉴于此,特提出本公开。
发明内容
本公开实施例提供一种共覆盖小区对智能识别方法、装置、设备及计算机存储介质,能够实现对共覆盖小区的智能识别。
一方面,本公开实施例提供一种共覆盖小区对智能识别方法,方法包括步骤:
获取对若干个小区区域的采样数据,形成样本集,采样数据包括基站工参和MDT数据;
对样本集中对应的小区区域进行格网划分,并将样本集中的MDT数据采样点聚类到格网中;
根据样本集中的小区基站工参,构造小区对数据集;
根据格网内的采样点得到各小区覆盖范围;
根据小区覆盖范围,计算构造的小区对的重复覆盖面积,并进行共覆盖识别。
在一个具体实施例中,获取的MDT数据中至少包括小区经度、纬度、小区标识以及参考信号接收功率;基站工参至少包括基站号和基站小区号。
在一个具体实施例中,对样本集中对应的小区区域进行格网划分,并将样本集中的MDT数据采样点聚类到格网中,包括:
确定聚类尺寸:设置小区覆盖压缩尺寸,将小区区域划分为若干该尺寸长宽的格网;
将样本集中MDT数据对应的采样点聚类压缩,根据样本集中采样点的经纬度坐标、小区边界经纬度坐标以及格网编码的初始化坐标,聚类得出任意采样点映射到格网中的坐标,得到关于小区覆盖的格网信息数据。
在一个具体实施例中,将样本集中MDT数据对应的采样点聚类压缩时,其聚类函数为:
其中(xi,yi)为采样点经纬度坐标,(xmax,ymax)、(xmin,ymin)为小区的边界经纬度,(r0,l0)为格网编码的初始坐标,(ri,li)为采样点i映射的格网坐标;
循环遍历小区MDT数据的采样点,得到关于小区覆盖的格网信息数据。
在一个具体实施例中,根据样本集中的小区基站工参,构造小区对数据集,包括:
采用穷举式搜索算法,对样本集中所有基站号相同的小区构造小区对,得到小区对数据集。
在一个具体实施例中,根据格网内的采样点得到各小区覆盖范围,包括:
根据单个小区内的采样点分布,采用凸包算法构造各小区的最大凸多边形;
采用切分法计算各小区的面积;
基于小区对的共有边界点搜索算法计算两个小区的重叠区域;
利用二维象限法计算两个小区是否共覆盖。
在一个具体实施例中,采用切分法计算各小区的面积,包括:
以格网中小区对应的凸多边形中的一个角点为顶点,把凸多边形切分成多个不相交的三角形;
按照以下公式计算每个三角形的面积:
其中ΔABC表示设当前三角形顶点分别是A、B、C时的面积,A顶点在格网中的坐标为(x1,y1),B点在格网中的坐标为(x2,y2),C点在格网中的坐标为(x3,y3)。
在一个具体实施例中,基于小区对的共有边界点搜索算法计算两个小区的重叠区域,包括
获取小区对中,第一小区和第二小区的凸外轮廓;
获取当前两个小区的轮廓交点;
获取当前两个小区轮廓上的共有顶点,该共有顶点为位于当前小区对的其中一个小区轮廓上、并且属于另一个小区覆盖范围内的采样点;
根据轮廓交点和共有顶点,确定重叠区域,并计算重叠区域的面积。
在一个具体实施例中,利用二维象限法计算两个小区是否共覆盖,包括
预设指标限值,根据小区对重叠区域的面积计算结果,利用该指标限值进行共覆盖识别,则:
设置用于判定发生共覆盖的第一门限值,和用于判定覆盖范围一致的第二门限值;
当小区对中,(重叠区域面积/第一小区面积)≤第一门限值,且(重叠区域面积/第二小区面积)≤第一门限值,则两小区不共覆盖;
当小区对中,(重叠区域面积/第一小区面积)≥第二门限值,且(重叠区域面积/第二小区面积)≥第二门限值,则两小区覆盖范围一致;
当小区对中,(重叠区域面积/第一小区面积)≥第二门限值,且第一门限值<(重叠区域面积/第二小区面积)<第二门限值,则两小区覆盖方向一致且第二小区面积大于第一小区面积;
当小区对中,第一门限值<((重叠区域面积/第一小区面积)<第二门限值,且重叠区域面积/第二小区面积)≥第二门限值,则两小区覆盖方向一致且第一小区面积大于第二小区面积。
在一个具体实施例中,第一门限值为50%,第二门限值为70%。
在一个具体实施例中,在对样本集中对应的小区区域进行格网划分之前,还包括:
对样本集进行数据预处理,包括数据清洗和异常值处理;
其中异常值处理包括经纬度数据异常检测处理和/或RSRP异常值检测处理:
通过三倍标准差方法,对经纬度异常点和/或RSRP异常值进行数据筛选处理,剔除样本集中超出三倍标准差范围的采样点。
另一方面,本公开实施例提供了一种共覆盖小区对智能识别装置,装置包括
数据采集模块,用于获取对若干个小区区域的采样数据,形成样本集,采样数据包括基站工参和MDT数据;
格网划分模块,用于对样本集中对应的小区区域进行格网划分,并将样本集中的MDT数据采样点聚类到格网中;
小区构造模块,用于根据样本集中的小区基站工参,构造小区对数据集;
面积计算模块,用于根据格网内的采样点得到各小区覆盖范围;
共覆盖判定模块,用于根据小区覆盖范围,计算构造的小区对的重复覆盖面积,并进行共覆盖识别。
再一方面,本公开实施例提供了一种共覆盖小区对智能识别设备,设备包括:处理器以及存储有计算机程序指令的存储器;
处理器执行计算机程序指令时实现如上述任意实施例中的在共覆盖小区对智能识别方法。
再一方面,本公开实施例提供了一种计算机存储介质,计算机存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现如如上述任意实施例中的在共覆盖小区对智能识别方法
本公开实施例的共覆盖小区对智能识别方法、装置、设备及计算机存储介质,能够通过算法智能识别手段,可批量计算所有小区对的共覆盖属性,相比人工经验判断更高效;本公开通过计算两个小区的重叠覆盖区域面积识别共覆盖属性,相比传统人工凭经验判断,能够得到更为精准的判断结果。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对本公开实施例中所需要使用的附图作简单的介绍,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本公开一个实施例提供的共覆盖小区对智能识别方法的流程示意图;
图2是本公开一个具体示例中进行数据异常值处理的效果示意图;其中图2a为未进行经纬度数据剔除前的示意图,图2b为对图2a中的经纬度异常点剔除后的示意图;
图3是本公开一个具体示例中对样本集中部分小区进行格网划分的示意图;
图4是本公开一个具体示例中小区对应的凸多边形中切分三角形的示意图;
图5是本公开一个具体示例中一个小区对的覆盖情况示意图;
图6是图5中所示小区对的共覆盖识别的二维象限分析图;
图7是另一个实施例提供的共覆盖小区对智能识别装置的结构示意图;
图8是本公开又一个实施例提供的共覆盖小区对智能识别设备的结构示意图。
具体实施方式
下面将详细描述本公开的各个方面的特征和示例性实施例,为了使本公开的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本公开进行进一步详细描述。应理解,此处所描述的具体实施例仅意在解释本公开,而不是限定本公开。对于本领域技术人员来说,本公开可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本公开的示例来提供对本公开更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
现有技术中通过采用MDT(inimization Drive Test,最小化路测)数据进行简单的地图展示,然后人工对展示的地图分析判断两个小区是否发生共覆盖的方式,识别效率和准确率都很低,准确率差的识别结果在为小区网络优化方面的数据贡献也十分具有局限性。
为了解决现有技术问题,本公开实施例提供了一种共覆盖小区对智能识别方法、装置、设备及计算机存储介质,能够实现对共覆盖小区的智能识别,利于为小区网络优化提供有效技术支撑。下面首先对本公开实施例所提供的一种共覆盖小区对智能识别方法进行介绍。
图1示出了本公开一个实施例提供的一种共覆盖小区对智能识别方法的流程示意图。如图1所示,该方法包括步骤:
S001.获取对若干个小区区域的采样数据,形成样本集,采样数据包括基站工参和MDT数据;
S003.对样本集中对应的小区区域进行格网划分,并将样本集中的MDT数据采样点聚类到格网中;
S004.根据样本集中的小区基站工参,构造小区对数据集;
S005.根据格网内的采样点得到各小区覆盖范围;
S006.根据小区覆盖范围,计算构造的小区对的重复覆盖面积,并进行共覆盖识别。
具体的,步骤S001.进行数据选取和采集,即准备建模基础数据以用于后续共覆盖识别的计算。其中选取的数据包括MDT数据和基站工参数据(也即厂家工参数据)两大类数据,其中MDT数据中至少包括的数据字段有:小区经度、纬度、小区标识以及参考信号接收功率,如表1所示,表1
字段名称 | 数据类型 |
小区标识 | String |
参考信号接收功率 | Int |
小区经度 | float |
小区纬度 | float |
本实施例由于在智能识别过程中,后续自动构建小区对时,按照业务逻辑,小区对必须共基站号,这样可以快速匹配出所有有可能存在共覆盖的小区对,利于提高共覆盖识别效率。因此本实施例中在数据选取阶段还获取基站工参提供的基站号与其对应的基站小区号,可通过穷举式计算出共基站号的所有小区对,然后在基于MDT数据对这些小区对进行共覆盖分析。
S001.中对三万个小区采样,获取这三万个小区区域一个月的MDT数据,数据总量为4亿条,形成样本集;基站工参包括但不限于华为(华为技术有限公司)、中兴(中兴通讯股份有限公司)、爱立信(爱立信公司)等提供商的基站工参。
本实施例方法中还包括步骤S002.对样本集进行数据预处理,清洗不规范的异常符号、对有偏数据的异常值处理和缺失值处理,为进一步建模做好预处理工作。本步骤中包括:
S201.数据清洗:查找样本集数据中包含部分错误的值。例如某些数值数据中包含“#N/A”、“#VALUE!”、“NIL”等特殊字符,需要把这些字符设置为空。由于实测上报数据中,也有大量重复数据,因此也需要对数据进行全局重复筛选处理,剔除重复数据。
S202.异常值处理包括:
1).经纬度数据异常检测处理
通过数据可视化可以找出样本集数据中经纬度数据偏离实际小区距离过远的采样点,以一个小区为例,其采样点分布如图2a所示,三角形符号标记的采样点100与采样点101明显偏离该小区的其他MDT数据采样点;因此本实施例中采用三倍标准差方法,对这些经纬度异常点进行数据初次筛选处理,获得更为准确可用的基础数据用于后续计算。该三倍标准差公式为:
其中σ为样本集xi的标准差;在对每个小区的经纬度异常筛选时,样本集为采样点集(xi,yi),n表示当前小区的采样点数,(n为正整数,n=1,2,3…i…n),为当前小区采样点的经度均值,计算每个小区的采样点集的标准差σ,最后筛选该采样点集±3σ外的坐标点,进行剔除;该小区剔除异常点后如图2b所示。
2).RSRP异常值检测处理
同理,也通过三倍标准差方法,对经纬度RSRP异常值进行数据筛选处理,剔除样本集中超出三倍标准差范围的采样点;根据MDT数据中获取的参考信号接收功率(ReferenceSignal Receiving Power,简称RSRP)字段;与经纬度坐标可视化方式查找剔除相同,经过数据可视化查找数据中存在的采样点RSRP值偏离整个小区RSRP值,通过三倍标准差对采样点RSRP值以及全小区采样点RSRP均值进行计算,超出±3σ外的的RSRP值对应的采样点进行剔除。
步骤S003.对样本集中对应的所有小区区域进行格网划分,并将样本集中的MDT数据采样点聚类到格网中,包括:
S301.确定聚类尺寸:设置小区覆盖压缩尺寸为m米,将小区区域划分为长宽m*m的格网,如图3所示;m根据需要可取10m,20m等,不唯一限定。
S302.将样本集中MDT数据对应的采样点聚类压缩,根据样本集中采样点的经纬度坐标、小区边界经纬度坐标以及格网编码的初始化坐标,聚类得出任意采样点映射到格网中的坐标,得到关于小区覆盖的格网信息数据。
在对采样点聚类压缩时,一个格网中可能会包含很多采样点;该步骤的目的是,将一个格网内的每个小区的多个采样点进行平均化处理,将很多MDT数据采样点变为少量的栅格,便于后续勾勒小区覆盖边界用。
将样本集中MDT数据对应的采样点聚类压缩时,其聚类函数为:
其中(xi,yi)为采样点经纬度坐标,(xmax,ymax)、(xmin,ymin)为小区的边界经纬度,(r0,l0)为格网编码的初始坐标,(ri,li)为采样点i映射的格网坐标。
S303.循环遍历小区MDT数据的采样点,得到关于小区覆盖的格网信息数据,即将样本集中所有采样点聚类到当前所有小区区域对应格网中之后的数据。本实施例中,获取小区的MDT数据,经过格网聚类形成二维向量的形式,方便以平面图形方式计算小区覆盖范围,继而利于提高计算处理效率。
步骤S004.根据样本集中的小区基站工参,构造小区对数据集,包括:
采用穷举式搜索算法,对样本集中所有基站号相同的小区构造小区对,得到小区对数据集。
步骤S005.根据格网内的采样点得到各小区覆盖范围,包括:
S501.根据单个小区内的采样点分布,采用凸包算法构造各小区的最大凸多边形;
本实施例中优选采用凸包Graham算法对每个小区构造最大凸多边形,该凸多边形恰好能围住对应小区内所有的采样点。
S502.根据得到的小区凸多边形,采用切分法计算各小区的面积;
切分法即直接将格网中勾勒出的不规则凸多边形分成若干个可求面积的规则图形,然后通过计算规则图形的面积来求原图形的面积。
因此,以格网中小区对应的凸多边形中的一个角点为顶点,把凸多边形切分成多个不相交的三角形;
如图4所示为凸多边形中相邻的两个三角形示意,按照以下公式计算每个三角形的面积:
其中ΔABC表示设当前三角形顶点分别是A、B、C时的面积,A顶点在格网中的坐标为(x1,y1),B点在格网中的坐标为(x2,y2),C点在格网中的坐标为(x3,y3)。
把凸多边形内的所有三角形的面积相加得到该多边形的面积,即得到对应小区的覆盖范围。
据此,得到所有小区各自的覆盖范围。
S006.根据小区覆盖范围,计算构造的小区对的重复覆盖面积,并进行共覆盖识别,如图5所示:
S601.基于小区对的共有边界点搜索算法计算两个小区的重叠区域:
S611.获取小区对中,第一小区E和第二小区F的凸外轮廓;
S612.根据得到的凸外轮廓,获取当前两个小区E、F的轮廓交点;
S613.获取当前两个小区轮廓上的共有顶点,该共有顶点为位于当前小区对的其中一个小区轮廓上、并且属于另一个小区覆盖范围内的采样点;例如落在小区E的凸外轮廓上,但同时属于小区F的覆盖范围内,或者落在小区F的凸外轮廓上,但同时属于小区E的覆盖范围内;获取小区对内所有的共有顶点,共有顶点(即共有边界点)的连线即为小区对中覆盖区域的共有边界。
S614.根据轮廓交点和共有顶点,确定重叠区域H;计算得到第一小区E和第二小区F的同时,还要采用切分法计算重叠区域H的面积。
S602.利用二维象限法计算两个小区是否共覆盖。
在一个具体实施例中,利用二维象限法计算两个小区是否共覆盖,包括
预设指标限值,根据小区对重叠区域的面积计算结果,利用该指标限值进行共覆盖识别,则:
设置用于判定发生共覆盖的第一门限值,和用于判定覆盖范围一致的第二门限值;
当小区对中,(重叠区域面积/第一小区面积)≤第一门限值,且(重叠区域面积/第二小区面积)≤第一门限值,则两小区不共覆盖;
当小区对中,(重叠区域面积/第一小区面积)≥第二门限值,且(重叠区域面积/第二小区面积)≥第二门限值,则两小区覆盖范围一致;
当小区对中,(重叠区域面积/第一小区面积)≥第二门限值,且第一门限值<(重叠区域面积/第二小区面积)<第二门限值,则两小区覆盖方向一致且第二小区面积大于第一小区面积;
当小区对中,第一门限值<((重叠区域面积/第一小区面积)<第二门限值,且重叠区域面积/第二小区面积)≥第二门限值,则两小区覆盖方向一致且第一小区面积大于第二小区面积。
如图6所示,在该实施例中,第一门限值为50%,第二门限值为70%。当小区对中,如果(重叠区域H面积/小区E面积)≤50%,且(重叠区域H面积/小区F面积)≤50%,则E和F小区不共覆盖;
如果(重叠区域H面积/小区E面积)≥70%,且(重叠区域H面积/小区F面积)≥70%,则E和F小区覆盖范围完全一致;
如果(重叠区域H面积/小区E面积)≥70%,且50%<(重叠区域H面积/小区F面积)<70%,则两小区共覆盖,覆盖方向一致且小区F的面积大于小区E;
如果50%<(重叠区域H面积/小区E面积)<70%并且(重叠区域H面积/小区F面积)>70%,则两小区共覆盖,覆盖方向一致且小区E的面积大于小区F。
通过二维象限法分析出的小区对共覆盖识别结果,可用于小区网络优化场景;本公开中智能识别算法,可以对大量小区MDT数据进行采集和计算处理,经过格网聚类形成二维向量的形式,勾勒小区平面凸多边形,通过切分法精确计算各种不规则覆盖范围,识别共有边界得到重叠区域,继而分析出共覆盖属性,相对于人工经验识别手段,本公开的方法在小区对共覆盖识别中,能够实现批量、智能计算,效率大大提升,且解决了人工识别时由于自身经验水平不一导致的分析结果不精确的局限,实现高准确度的共覆盖识别,能够为网络优化提供良好的技术支撑。
本公开实施例提供了一种共覆盖小区对智能识别装置,如图7所示,装置包括
数据采集模块,用于获取对若干个小区区域的采样数据,形成样本集,采样数据包括基站工参和MDT数据;
格网划分模块,用于对样本集中对应的小区区域进行格网划分,并将样本集中的MDT数据采样点聚类到格网中;
小区构造模块,用于根据样本集中的小区基站工参,构造小区对数据集;
面积计算模块,用于根据格网内的采样点得到各小区覆盖范围;
共覆盖判定模块,用于根据小区覆盖范围,计算构造的小区对的重复覆盖面积,并进行共覆盖识别。
其中数据采集模块进行数据采集时,可实现上述共覆盖小区对智能识别方法中的步骤S001.,获取MDT数据和基站工参数据(也即厂家工参数据)两大类数据,其中MDT数据中至少包括的数据字段有:小区经度、纬度、小区标识以及参考信号接收功率,同时获取基站工参提供的基站号与其对应的基站小区号,可通过穷举式计算出共基站号的所有小区对,然后在基于MDT数据对这些小区对进行共覆盖分析。
本公开的共覆盖小区对智能识别装置还包括预处理模块,用于对样本集进行数据预处理,实现上述共覆盖小区对智能识别方法中的步骤S002.,清洗不规范的异常符号、对有偏数据的异常值处理和缺失值处理,为进一步建模做好预处理工作。其中
数据清洗:查找样本集数据中包含部分错误的值。例如某些数值数据中包含“#N/A”、“#VALUE!”、“NIL”等特殊字符,需要把这些字符设置为空。由于实测上报数据中,也有大量重复数据,因此也需要对数据进行全局重复筛选处理,剔除重复数据。
异常值处理包括:经纬度数据异常检测处理和RSRP异常值检测处理,通过三倍标准差方法,对经纬度异常点和/或RSRP异常值进行数据筛选处理,剔除样本集中超出三倍标准差范围的采样点。
对数据进行清洗后的样本集,剔除了重复、缺失或明显异常的数据,避免了这类个别特殊数据对计算结果产生的影响,使样本集用于共覆盖识别计算时,利于得到更为准确的计算结果。
格网划分模块对经过预处理模块输出的样本集,进行对应的所有小区区域的格网划分,并将样本集中的MDT数据采样点聚类到格网,实施上述共覆盖小区对智能识别方法中的步骤S003.,确定聚类尺寸:设置小区覆盖压缩尺寸为m米,将小区区域划分为长宽m*m的格网,将样本集中MDT数据对应的采样点聚类压缩,根据样本集中采样点的经纬度坐标、小区边界经纬度坐标以及格网编码的初始化坐标,聚类得出任意采样点映射到格网中的坐标,得到关于小区覆盖的格网信息数据。
小区构造模块采用穷举式搜索算法,对样本集中所有基站号相同的小区构造小区对,得到小区对数据集。
面积计算模块根据单个小区内的采样点分布,采用凸包算法构造各小区的最大凸多边形;根据得到的小区凸多边形,采用切分法计算各小区的面积;实现实施上述共覆盖小区对智能识别方法中的步骤S005.。
共覆盖判定模块,用于根据小区覆盖范围,基于小区对的共有边界点搜索算法计算两个小区的重叠区域并得出重叠区域的面积,计算方式也采用切分法;最终根据小区对中两个小区的面积以及重叠区域的面积,采用二维象限法进行小区对共覆盖识别;实现实施上述共覆盖小区对智能识别方法中的步骤S006.。
其中,参考图5:基于小区对的共有边界点搜索算法计算两个小区的重叠区域,包括:
获取小区对中,第一小区E和第二小区F的凸外轮廓;
根据得到的凸外轮廓,获取当前两个小区E、F的轮廓交点;
获取当前两个小区轮廓上的共有顶点,该共有顶点为位于当前小区对的其中一个小区轮廓上、并且属于另一个小区覆盖范围内的采样点;例如落在小区E的凸外轮廓上,但同时属于小区F的覆盖范围内,或者落在小区F的凸外轮廓上,但同时属于小区E的覆盖范围内;获取小区对内所有的共有顶点,共有顶点(即共有边界点)的连线即为小区对中覆盖区域的共有边界。
预设指标限值,根据小区对重叠区域的面积计算结果,利用该指标限值进行共覆盖识别,则:
设置用于判定发生共覆盖的第一门限值,和用于判定覆盖范围一致的第二门限值;
当小区对中,(重叠区域面积/第一小区面积)≤第一门限值,且(重叠区域面积/第二小区面积)≤第一门限值,则两小区不共覆盖;
当小区对中,(重叠区域面积/第一小区面积)≥第二门限值,且(重叠区域面积/第二小区面积)≥第二门限值,则两小区覆盖范围一致;
当小区对中,(重叠区域面积/第一小区面积)≥第二门限值,且第一门限值<(重叠区域面积/第二小区面积)<第二门限值,则两小区覆盖方向一致且第二小区面积大于第一小区面积;
当小区对中,第一门限值<((重叠区域面积/第一小区面积)<第二门限值,且重叠区域面积/第二小区面积)≥第二门限值,则两小区覆盖方向一致且第一小区面积大于第二小区面积。
在该实施例中,如图6所示,第一门限值为50%,第二门限值为70%。
再一方面,本公开实施例提供了一种共覆盖小区对智能识别设备,设备包括:处理器301以及存储有计算机程序指令的存储器302;
具体地,如图8所示,上述处理器301可以包括中央处理器(Central ProcessingUnit,CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器302可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器302可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在一个实例中,存储器302可以包括可移除或不可移除(或固定)的介质,或者存储器302是非易失性固态存储器。存储器302可在综合网关容灾设备的内部或外部。
处理器301通过读取并执行存储器302中存储的计算机程序指令,以实现图1所示实施例中的方法/步骤S001.至S006.,并达到图1所示实例执行其方法/步骤达到的相应技术效果,为简洁描述在此不再赘述。
所述处理器执行所述计算机程序指令时实现上述示例中共覆盖小区对智能识别方法中的各步骤。
再一方面,本发明实施例提供了一种计算机存储介质,所述计算机存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述示例中聚焦业务感知的干扰识别方法中的各步骤。
另外,结合上述实施例中的共覆盖小区对智能识别方法,本发明实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种共覆盖小区对智能识别方法。
需要明确的是,本公开并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本公开的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。
以上所述,仅为本发明的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (11)
1.一种共覆盖小区对智能识别方法,其特征在于,包括步骤:
获取对若干个小区区域的采样数据,形成样本集,采样数据包括基站工参和MDT数据;
对样本集中对应的小区区域进行格网划分,并将样本集中的MDT数据采样点聚类到格网中;
根据样本集中的小区基站工参,构造小区对数据集;
根据格网内的采样点得到各小区覆盖范围;
根据小区覆盖范围,计算构造的小区对的重复覆盖面积,并进行共覆盖识别;
所述根据格网内的采样点得到各小区覆盖范围,包括:
根据单个小区内的采样点分布,采用凸包算法构造各小区的最大凸多边形;
采用切分法计算各小区的面积;
所述根据小区覆盖范围,计算构造的小区对的重复覆盖面积,并进行共覆盖识别,包括:
基于小区对的共有边界点搜索算法计算两个小区的重叠区域;
利用二维象限法计算两个小区是否共覆盖;
所述基于小区对的共有边界点搜索算法计算两个小区的重叠区域,包括:
获取小区对中,第一小区和第二小区的凸外轮廓;
获取当前两个小区的轮廓交点;
获取当前两个小区轮廓上的共有顶点,该共有顶点为位于当前小区对的其中一个小区轮廓上、并且属于另一个小区覆盖范围内的采样点;
根据所述轮廓交点和共有顶点,确定重叠区域,并计算重叠区域的面积;
所述利用二维象限法计算两个小区是否共覆盖,包括:
预设指标限值,根据所述小区对重叠区域的面积计算结果,利用该指标限值进行共覆盖识别,则:
设置用于判定发生共覆盖的第一门限值,和用于判定覆盖范围一致的第二门限值;
当小区对中,(重叠区域面积/第一小区面积)≤第一门限值,且(重叠区域面积/第二小区面积)≤第一门限值,则两小区不共覆盖;
当小区对中,(重叠区域面积/第一小区面积)≥第二门限值,且(重叠区域面积/第二小区面积)≥第二门限值,则两小区覆盖范围一致;
当小区对中,(重叠区域面积/第一小区面积)≥第二门限值,且第一门限值<(重叠区域面积/第二小区面积)<第二门限值,则两小区覆盖方向一致且第二小区面积大于第一小区面积;
当小区对中,第一门限值<((重叠区域面积/第一小区面积)<第二门限值,且重叠区域面积/第二小区面积)≥第二门限值,则两小区覆盖方向一致且第一小区面积大于第二小区面积。
2.根据权利要求1所述的共覆盖小区对智能识别方法,其特征在于,获取的所述MDT数据中至少包括小区经度、纬度、小区标识以及参考信号接收功率;所述基站工参至少包括基站号和基站小区号。
3.根据权利要求1所述的共覆盖小区对智能识别方法,其特征在于,所述对样本集中对应的小区区域进行格网划分,并将样本集中的MDT数据采样点聚类到格网中,包括:
确定聚类尺寸:设置小区覆盖压缩尺寸,将小区区域划分为若干该尺寸长宽的格网;
将样本集中MDT数据对应的采样点聚类压缩,根据样本集中采样点的经纬度坐标、小区边界经纬度坐标以及格网编码的初始化坐标,聚类得出任意采样点映射到格网中的坐标,得到关于小区覆盖的格网信息数据。
4.根据权利要求3所述的共覆盖小区对智能识别方法,其特征在于,所述将样本集中MDT数据对应的采样点聚类压缩时,其聚类函数为:
其中(xi,yi)为采样点经纬度坐标,(xmax,ymax)、(xmin,ymin)为小区的边界经纬度,(r0,l0)为格网编码的初始坐标,(ri,li)为采样点i映射的格网坐标;
循环遍历小区MDT数据的采样点,得到关于小区覆盖的格网信息数据。
5.根据权利要求1所述的共覆盖小区对智能识别方法,其特征在于,所述根据样本集中的小区基站工参,构造小区对数据集,包括:
采用穷举式搜索算法,对样本集中所有基站号相同的小区构造小区对,得到小区对数据集。
6.根据权利要求1所述的共覆盖小区对智能识别方法,其特征在于,所述采用切分法计算各小区的面积,包括:
以格网中小区对应的凸多边形中的一个角点为顶点,把凸多边形切分成多个不相交的三角形;
按照以下公式计算每个三角形的面积:
其中ΔABC表示设当前三角形顶点分别是A、B、C时的面积,A顶点在格网中的坐标为(x1,y1),B点在格网中的坐标为(x2,y2),C点在格网中的坐标为(x3,y3)。
7.根据权利要求1所述的共覆盖小区对智能识别方法,其特征在于,所述第一门限值为50%,第二门限值为70%。
8.根据权利要求1-6任一项所述的共覆盖小区对智能识别方法,其特征在于,在对样本集中对应的小区区域进行格网划分之前,还包括:
对样本集进行数据预处理,包括数据清洗和异常值处理;
其中异常值处理包括经纬度数据异常检测处理和/或RSRP异常值检测处理:
通过三倍标准差方法,对经纬度异常点和/或RSRP异常值进行数据筛选处理,剔除样本集中超出三倍标准差范围的采样点。
9.一种共覆盖小区对智能识别装置,其特征在于,包括
数据采集模块,用于获取对若干个小区区域的采样数据,形成样本集,采样数据包括基站工参和MDT数据;
格网划分模块,用于对样本集中对应的小区区域进行格网划分,并将样本集中的MDT数据采样点聚类到格网中;
小区构造模块,用于根据样本集中的小区基站工参,构造小区对数据集;
面积计算模块,用于根据格网内的采样点得到各小区覆盖范围;
共覆盖判定模块,用于根据小区覆盖范围,计算构造的小区对的重复覆盖面积,并进行共覆盖识别;
所述面积计算模块,具体用于根据单个小区内的采样点分布,采用凸包算法构造各小区的最大凸多边形;采用切分法计算各小区的面积;
所述共覆盖判定模块,具体用于基于小区对的共有边界点搜索算法计算两个小区的重叠区域;利用二维象限法计算两个小区是否共覆盖;所述基于小区对的共有边界点搜索算法计算两个小区的重叠区域,包括:获取小区对中,第一小区和第二小区的凸外轮廓;获取当前两个小区的轮廓交点;获取当前两个小区轮廓上的共有顶点,该共有顶点为位于当前小区对的其中一个小区轮廓上、并且属于另一个小区覆盖范围内的采样点;根据所述轮廓交点和共有顶点,确定重叠区域,并计算重叠区域的面积;所述利用二维象限法计算两个小区是否共覆盖,包括:预设指标限值,根据所述小区对重叠区域的面积计算结果,利用该指标限值进行共覆盖识别,则:设置用于判定发生共覆盖的第一门限值,和用于判定覆盖范围一致的第二门限值;当小区对中,(重叠区域面积/第一小区面积)≤第一门限值,且(重叠区域面积/第二小区面积)≤第一门限值,则两小区不共覆盖;当小区对中,(重叠区域面积/第一小区面积)≥第二门限值,且(重叠区域面积/第二小区面积)≥第二门限值,则两小区覆盖范围一致;当小区对中,(重叠区域面积/第一小区面积)≥第二门限值,且第一门限值<(重叠区域面积/第二小区面积)<第二门限值,则两小区覆盖方向一致且第二小区面积大于第一小区面积;当小区对中,第一门限值<((重叠区域面积/第一小区面积)<第二门限值,且重叠区域面积/第二小区面积)≥第二门限值,则两小区覆盖方向一致且第一小区面积大于第二小区面积。
10.一种共覆盖小区对智能识别设备,其特征在于,所述设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现如权利要求1-8任意一项所述的在共覆盖小区对智能识别方法。
11.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-8任意一项所述的在共覆盖小区对智能识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011326870.XA CN114554535B (zh) | 2020-11-24 | 2020-11-24 | 共覆盖小区对智能识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011326870.XA CN114554535B (zh) | 2020-11-24 | 2020-11-24 | 共覆盖小区对智能识别方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114554535A CN114554535A (zh) | 2022-05-27 |
CN114554535B true CN114554535B (zh) | 2024-04-19 |
Family
ID=81659937
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011326870.XA Active CN114554535B (zh) | 2020-11-24 | 2020-11-24 | 共覆盖小区对智能识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114554535B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115442814B (zh) * | 2022-11-10 | 2023-04-07 | 浪潮通信信息系统有限公司 | 连续弱覆盖识别方法、装置、电子设备及存储介质 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101459916A (zh) * | 2009-01-05 | 2009-06-17 | 普天信息技术研究院有限公司 | 一种确定邻区优先级的方法 |
CN105407502A (zh) * | 2015-10-30 | 2016-03-16 | 中国联合网络通信集团有限公司 | 一种确定存在重叠覆盖的小区的方法及装置 |
CN105828365A (zh) * | 2016-06-01 | 2016-08-03 | 武汉虹信技术服务有限责任公司 | 一种基于mr数据的lte小区重叠覆盖分析方法 |
CN106714192A (zh) * | 2015-11-17 | 2017-05-24 | 华为技术有限公司 | 网络调整方法及装置 |
CN108668293A (zh) * | 2017-03-27 | 2018-10-16 | 中兴通讯股份有限公司 | 计算服务小区与邻区的重叠覆盖度的方法和装置 |
CN109743743A (zh) * | 2018-11-28 | 2019-05-10 | 中通服建设有限公司 | 网络性能的栅格化监测方法、电子设备、存储介质及系统 |
CN109996279A (zh) * | 2017-12-31 | 2019-07-09 | 中国移动通信集团湖北有限公司 | 过覆盖小区定位方法、装置、设备及介质 |
CN109996244A (zh) * | 2017-12-31 | 2019-07-09 | 中国移动通信集团贵州有限公司 | 基站共覆盖评测方法、装置、设备及介质 |
CN110572831A (zh) * | 2018-06-06 | 2019-12-13 | 中国移动通信集团吉林有限公司 | 一种共覆盖扇区确定与扇区资源均衡判定方法及装置 |
CN111010725A (zh) * | 2019-12-12 | 2020-04-14 | 中国移动通信集团内蒙古有限公司 | 小区的节能控制方法、装置、设备及介质 |
CN111328102A (zh) * | 2018-12-14 | 2020-06-23 | 中国移动通信集团广西有限公司 | 一种共覆盖关系识别的方法及装置 |
CN111565415A (zh) * | 2020-05-29 | 2020-08-21 | 中国联合网络通信集团有限公司 | 小区性能的评估方法及设备 |
CN111818537A (zh) * | 2020-07-02 | 2020-10-23 | 中国联合网络通信集团有限公司 | 小区覆盖情况确定方法、装置、设备及可存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2399990B (en) * | 2003-03-28 | 2005-10-26 | Motorola Inc | Method for determining a coverage area in a cell-based communication system |
-
2020
- 2020-11-24 CN CN202011326870.XA patent/CN114554535B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101459916A (zh) * | 2009-01-05 | 2009-06-17 | 普天信息技术研究院有限公司 | 一种确定邻区优先级的方法 |
CN105407502A (zh) * | 2015-10-30 | 2016-03-16 | 中国联合网络通信集团有限公司 | 一种确定存在重叠覆盖的小区的方法及装置 |
CN106714192A (zh) * | 2015-11-17 | 2017-05-24 | 华为技术有限公司 | 网络调整方法及装置 |
CN105828365A (zh) * | 2016-06-01 | 2016-08-03 | 武汉虹信技术服务有限责任公司 | 一种基于mr数据的lte小区重叠覆盖分析方法 |
CN108668293A (zh) * | 2017-03-27 | 2018-10-16 | 中兴通讯股份有限公司 | 计算服务小区与邻区的重叠覆盖度的方法和装置 |
CN109996279A (zh) * | 2017-12-31 | 2019-07-09 | 中国移动通信集团湖北有限公司 | 过覆盖小区定位方法、装置、设备及介质 |
CN109996244A (zh) * | 2017-12-31 | 2019-07-09 | 中国移动通信集团贵州有限公司 | 基站共覆盖评测方法、装置、设备及介质 |
CN110572831A (zh) * | 2018-06-06 | 2019-12-13 | 中国移动通信集团吉林有限公司 | 一种共覆盖扇区确定与扇区资源均衡判定方法及装置 |
CN109743743A (zh) * | 2018-11-28 | 2019-05-10 | 中通服建设有限公司 | 网络性能的栅格化监测方法、电子设备、存储介质及系统 |
CN111328102A (zh) * | 2018-12-14 | 2020-06-23 | 中国移动通信集团广西有限公司 | 一种共覆盖关系识别的方法及装置 |
CN111010725A (zh) * | 2019-12-12 | 2020-04-14 | 中国移动通信集团内蒙古有限公司 | 小区的节能控制方法、装置、设备及介质 |
CN111565415A (zh) * | 2020-05-29 | 2020-08-21 | 中国联合网络通信集团有限公司 | 小区性能的评估方法及设备 |
CN111818537A (zh) * | 2020-07-02 | 2020-10-23 | 中国联合网络通信集团有限公司 | 小区覆盖情况确定方法、装置、设备及可存储介质 |
Non-Patent Citations (2)
Title |
---|
Fixed Rank Kriging for Cellular Coverage Analysis;Hajer Braham;《IEEE》;全文 * |
基于精准位置的网络覆盖智能监控与提升;范琨等;《邮电涉及技术》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114554535A (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107547633B (zh) | 一种用户常驻点的处理方法、装置和存储介质 | |
CN107484240B (zh) | 一种基于指纹进行定位的方法及装置 | |
CN103476115B (zh) | 一种基于AP集相似度的Wi-Fi指纹定位方法 | |
CN101692734B (zh) | 一种小区的干扰预测方法及装置 | |
CN112218330B (zh) | 定位方法及通信装置 | |
CN111918298B (zh) | 基于聚类的站点规划方法、装置、电子设备和存储介质 | |
CN105933294A (zh) | 网络用户定位方法、装置及终端 | |
CN102186239A (zh) | 射频指纹定位方法、装置及网络设备 | |
WO2016070673A1 (zh) | 用户属性分析方法及装置 | |
CN109936820B (zh) | 一种用户终端定位方法及装置 | |
CN114501530B (zh) | 基于深度强化学习的天线参数的确定方法和装置 | |
CN110428386B (zh) | 地图网格合并方法、装置、存储介质、电子装置 | |
CN111328102B (zh) | 一种共覆盖关系识别的方法及装置 | |
CN114554535B (zh) | 共覆盖小区对智能识别方法、装置、设备及存储介质 | |
CN112598724B (zh) | 一种改进的基于tin的矢量数据中心线提取方法 | |
CN105916202A (zh) | 一种概率性的WiFi室内定位指纹库构建方法 | |
CN112990098A (zh) | 区域划分方法和装置、存储介质、电子装置 | |
CN108416514B (zh) | 基于地理信息系统的邻区规划方法及装置 | |
CN114398691B (zh) | 一种轮胎模具二维视图智能设计方法及设备 | |
CN114581473A (zh) | 一种适用于多种场景的点云降采样方法及装置 | |
CN113055927B (zh) | 基站经纬度定位方法、装置、计算设备及计算机存储介质 | |
CN106922017A (zh) | 定位方法以及终端 | |
CN115379479B (zh) | 小区覆盖类型确定方法、装置、设备及存储介质 | |
CN114360255B (zh) | 一种流量确定方法、装置、存储介质及电子装置 | |
CN111143639A (zh) | 用户亲密度计算方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |