CN114698006A - 一种故障检测方法、装置及可读存储介质 - Google Patents
一种故障检测方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN114698006A CN114698006A CN202210325790.5A CN202210325790A CN114698006A CN 114698006 A CN114698006 A CN 114698006A CN 202210325790 A CN202210325790 A CN 202210325790A CN 114698006 A CN114698006 A CN 114698006A
- Authority
- CN
- China
- Prior art keywords
- floor
- signal parameter
- preset
- resident
- building
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000005070 sampling Methods 0.000 claims description 76
- 230000006870 function Effects 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 12
- 238000007667 floating Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 abstract description 17
- 238000010586 diagram Methods 0.000 description 8
- 238000010295 mobile communication Methods 0.000 description 8
- 238000013024 troubleshooting Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining operational condition
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Alarm Systems (AREA)
Abstract
本申请提供了一种故障检测方法、装置及可读存储介质，涉及通信领域。该方法包括：确定楼宇内每个楼层的常驻用户；基于历史数据，采用时间序列模型预测楼宇内第一楼层的常驻用户在预设第一时段内的信号参数的门限；基于采集到的第一楼层的常驻用户在预设第一时段内的信号参数，以及第一楼层在预设第一时段内信号参数的门限，确定第一楼层出现故障。基于本申请提供的方法，服务器可以通过第一楼层常驻用户的信号参数判断第一楼层是否有室分小区的隐性故障。因此，可以实现高效排查室分小区的隐性故障。
Description
技术领域
本申请涉及通信领域，尤其涉及一种故障检测方法、装置及可读存储介质。
背景技术
随着移动通信技术的发展，移动通信网络的规模越来越大，相应的无线网络结构也越来越复杂。
室内信号分布系统是利用室内天线分布系统将基站信号均匀分布在室内每个角落，从而保证室内每个区域都能达到理想的信号覆盖，进而改善建筑物内的移动通信环境。室内信号分布系统也称为室分系统，室分系统覆盖的小区称为室分小区。传统的室分小区故障检测方法，是通过网络管理系统来检测，只能检测出小区的显性故障。而对隐性故障的检测，目前主要依赖人工排查，对隐性故障的发现不及时，故障检测效率较低。
发明内容
本申请提供了一种故障检测方法、装置及可读存储介质，能够实现高效排查室分小区的隐性故障。
第一方面，本申请提供了一种故障检测方法，该方法包括：确定楼宇内每个楼层的常驻用户；基于历史数据，采用时间序列模型预测楼宇内第一楼层的常驻用户在预设第一时段内的信号参数的门限，门限包括第一楼层的常驻用户在预设第一时段内的信号参数的预测的上界和下界，第一楼层是楼宇内多个楼层中的任意一个，信号参数为信号参数集合中的任意一项参数；基于采集到的第一楼层的常驻用户在预设第一时段内的信号参数，以及第一楼层在预设第一时段内信号参数的门限，确定第一楼层是否出现故障。
基于上述故障检测方法，服务器可以基于采集到的楼宇内每个常驻用户的信号参数集合，识别出不同楼层的常驻用户，有利于使采样的范围更加准确；再利用时间序列模型预测第一楼层的常驻用户在预设第一时段内的信号参数的门限，即信号参数的正常区间范围，有利于判断真实的信号参数是否处于正常范围；最后将预设第一时段内真实的信号参数与预测的信号参数的门限进行对比，即可判断出该第一楼层是否有室分小区的隐性故障。因此，可以实现高效排查室分小区的隐性故障，从而便于工作人员快速及时地排查故障，提高用户的网络使用体验，并且节约工作人员现场排查的人力成本。
结合第一方面，在第一方面的某些可能的实现方式中，确定楼宇内每个楼层的常驻用户，包括：基于楼宇内每个楼层的指纹库，以及采集到的楼宇内每个常驻用户的信号参数集合，确定每个楼层的常驻用户，每个楼层的指纹库包括楼层所属小区的小区标识和信号参数集合，以及邻区标识和信号参数集合。
结合第一方面，在第一方面的某些可能的实现方式中，基于楼宇内每个楼层的指纹库，以及采集到的楼宇内每个常驻用户的信号参数集合，确定每个楼层的常驻用户，包括：获取楼宇内每个楼层的指纹库；将采集到的楼宇内每个常驻用户的信号参数集合与多个楼层中每个楼层的指纹库中的信号参数集合进行匹配，确定与每个常驻用户的信号参数集合匹配度最高的指纹库，匹配度最高的指纹库对应的楼层为每个常驻用户的常驻楼层；基于楼宇内的每个常驻用户的常驻楼层，确定每个楼层的常驻用户。
其中，信号参数集合包括以下一项或多项参数：在该楼宇内的每个小区采集到的参考信号接收功率(reference signal receiving power，RSRP)、参考信号接收质量(reference signal receiving quality，RSRQ)、时间提前量(timing advance，TA)、功率余量上报(power headroom report，PHR)、到达角(angle of arrival，AOA)、信噪比和信干噪比。
结合第一方面，在第一方面的某些可能的实现方式中，该方法还包括：获取历史数据，历史数据包括：基于预定义的多个信号参数区间，由在至少一个采样时段内采集到的信号参数确定的落在不同的信号参数区间的采样点数量；对于每个采样时段，落在每个信号参数区间的采样点数量为信号参数落在每个信号参数区间的常驻用户的数量。
结合第一方面，在第一方面的某些可能的实现方式中，基于历史数据，采用时间序列模型预测楼宇内第一楼层的常驻用户在预设第一时段内的信号参数的门限，包括：对于多个信号参数区间中的每个信号参数区间对应的采样点数量，执行如下步骤，以确定楼宇内第一楼层的常驻用户在预设第一时段内的信号参数的门限：采用时间序列模型，确定历史数据的趋势项、周期项和误差项，以及在预设第一时段的趋势项和周期项；其中，趋势项是表示采样点数量的变化趋势的函数，周期项是用于表示采样点数量在指定的周期内的变化规律的函数，误差项是表示由历史数据确定的采样点数量与由历史数据的趋势项和周期项计算得到的采样点数量之间误差的函数；基于预设第一时段的趋势项和周期项，以及允许的浮动范围，确定目标函数；通过目标函数计算在预设第一时段内信号参数的门限。
可选地，浮动范围基于至少一个采样时段分别对应的差值确定。
结合第一方面，在第一方面的某些可能的实现方式中，基于采集到的第一楼层的常驻用户在预设第一时段内的信号参数，以及第一楼层在预设第一时段内信号参数的门限，确定第一楼层是否出现故障，包括：在采集到的第一楼层的常驻用户在预设第一时段内的信号参数超出的门限的时长大于第一预设门限的情况下，确定第一楼层出现故障；和/或在采集到的第一楼层的常驻用户在预设第一时段内的信号参数超出的门限的次数大于第二预设门限的情况下，确定第一楼层出现故障。
第二方面，本申请提供了一种故障检测装置，该装置包括：第一确定模块，用于基于楼宇内每个楼层的指纹库，以及采集到的楼宇内每个常驻用户的信号参数集合，确定每个楼层的常驻用户，每个楼层的指纹库包括楼层所属小区的小区标识和信号参数集合，以及邻区标识和信号参数集合；预测模块，用于基于历史数据，采用时间序列模型预测楼宇内第一楼层的常驻用户在预设第一时段内的信号参数的门限，门限包括第一楼层的常驻用户在预设第一时段内的信号参数的预测的上界和下界，第一楼层是楼宇内多个楼层中的任意一个，信号参数为信号参数集合中的任意一项参数；第二确定模块，用于基于采集到的第一楼层的常驻用户在预设第一时段内的信号参数，以及第一楼层在预设第一时段内信号参数的门限，确定第一楼层是否出现故障。
第三方面，本申请提供了一种故障检测装置，包括存储器和处理器，存储器用于存储计算机程序，该处理器用于调用并执行计算机程序，以使得该装置执行第一方面以及第一方面任意一种可能实现方式中的方法。
第四方面，本申请提供了一种计算机可读存储介质，包括计算机程序，当该计算机程序在计算机上运行时，使得计算机执行第一方面以及第一方面任一种可能实现方式中的方法。
应当理解的是，本申请的第二方面至第四方面与本申请的第一方面的技术方案相对应，各方面及对应的可行实施方式所取得的有益效果相似，不再赘述。
附图说明
图1是本申请实施例提供的故障检测方法的场景示意图；
图2是本申请实施例提供的故障检测方法的示意性流程图；
图3是本申请实施例提供的确定第一楼层出现故障的参数示意图；
图4是本申请实施例提供的故障检测装置的示意性框图；
图5是本申请实施例提供的故障检测装置的另一示意性框图。
具体实施方式
使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本申请实施例中，术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。此外，术语“包括”以及任何变形，意图在于覆盖不排他的包含。
本申请提供的技术方案可以应用于各种通信系统，例如：全球移动通讯(globalsystem for mobile communications，GSM)系统、码分多址(code division multipleaccess，CDMA)系统、宽带码分多址(wideband code division multiple access，WCDMA)系统、通用分组无线业务(general packet radio service，GPRS)、无线局域网(wirelesslocal area network，WLAN)、长期演进技术(long term evolution，LTE)系统、LTE频分双工(frequency division duplex，FDD)系统、LTE时分双工(time division duplex，TDD)、通用移动通信系统(universal mobile telecommunication system，UMTS)、全球互联微波接入(worldwide interoperability for microwave access，WiMAX)通信系统、5G移动通信系统或新无线接入技术(new radio access technology，NR)。其中，5G移动通信系统可以包括非独立组网(non-standalone，NSA)和/或独立组网(standalone，SA)。
本申请提供的技术方案还可以应用于未来的通信系统，如第六代(6thgeneration，6G)移动通信系统等。本申请对此不作限定。
在本申请实施例中，用户设备(user equipment，UE)也可以称为终端设备、接入终端、用户单元、用户站、移动站、移动台、远方站、远程终端、移动设备、用户终端、终端、无线通信设备、用户代理或用户装置。
UE可以是一种向用户提供语音/数据连通性的设备，例如，具有无线连接功能的手持式设备、车载设备等。目前，一些终端设备的举例可以为：手机(mobile phone)、平板电脑(pad)、带无线收发功能的电脑(如笔记本电脑、掌上电脑等)、移动互联网设备(mobileinternet device，MID)、虚拟现实(virtual reality，VR)设备、增强现实(augmentedreality，AR)设备、工业控制(industrial control)中的无线终端、无人驾驶(selfdriving)中的无线终端、远程医疗(remote medical)中的无线终端、智能电网(smartgrid)中的无线终端、运输安全(transportation safety)中的无线终端、智慧城市(smartcity)中的无线终端、智慧家庭(smart home)中的无线终端、蜂窝电话、无绳电话、会话启动协议(session initiation protocol，SIP)电话、无线本地环路(wireless local loop，WLL)站、个人数字助理(personal digital assistant，PDA)、具有无线通信功能的手持设备、计算设备或连接到无线调制解调器的其它处理设备、车载设备、可穿戴设备，5G网络中的终端设备或者未来演进的公用陆地移动通信网络(public land mobile network，PLMN)中的终端设备等。此外，终端设备还可以是物联网(internet of things，IoT)系统中的终端设备。IoT是未来信息技术发展的重要组成部分，其主要技术特点是将物品通过通信技术与网络连接，从而实现人机互连，物物互连的智能化网络。
室内信号分布系统是利用室内天线分布系统将基站信号均匀分布在室内每个角落，从而保证室内每个区域都能达到理想的信号覆盖，进而改善建筑物内的移动通信环境。室内信号分布系统也称为室分系统，室分系统覆盖的小区称为室分小区。
图1是本申请实施例提供的故障检测方法的场景示意图。如图1所示，该场景可以包括故障检测装置110、基站120、室内天线131至133和UE 141至143。其中，故障检测装置110可以与基站120连接。故障检测装置110通过基站120获取常驻用户的信号参数；室内天线131至133可以与基站120连接，将基站的信号引入到室内天线131至133所覆盖的室分小区。如图1所示，室内天线131可以将基站的信号引入室分小区1，为室分小区1内的UE 141提供通信覆盖。应理解，每一个室分小区的室内天线并不限定于只为本室分小区的UE提供通信覆盖，如图1中，室分小区2的室内天线132可以为UE 142提供通信覆盖，也可以为UE 141与UE 143提供通信覆盖。
应理解，图1示例性地在每个室分小区内示出了一个室内天线和一个UE，但这不应对本申请构成任何限定。该场景中的每个室分小区中还可以有更多的室内天线和/或更多的UE。
还应理解，图1中所示的故障检测装置110和基站120虽为两个独立的设备，但这并不应对本申请构成任何限定，故障检测装置110和基站120可以分立部署，也可以合一部署在同一物理设备中。
传统的室分小区故障检测方法，是通过网络管理系统来检测，只能检测出小区的显性故障。而对隐性故障的检测，目前主要依赖人工排查，对隐性故障的发现不及时，故障检测效率较低。
鉴于此，本申请提供了一种故障检测方法，通过预测某一时段各楼层常驻用户的信号参数可能达到的上界和下界，将该上界和下界作为允许的范围，将检测到的同时段内各楼层常驻用户真实的信号参数与之进行对比，即可判断出该第一楼层是否有室分小区的隐性故障。因此，可以实现高效排查室分小区的隐性故障。
下文中，将楼层作为室分小区的一例来描述了本申请实施例提供的方法，但这不应对本申请构成任何限定，室分小区也可以不以楼层为粒度来划分。
图2是本申请实施例提供的故障检测方法的示意性流程图。如图2所示，该方法可以包括步骤210至230，可以由故障检测装置来执行，例如可以是图1中的故障检测装置110。下面对方法200中的各个步骤做详细说明。
在步骤210中，确定楼宇内每个楼层的常驻用户。
每个楼层的常驻用户例如可以通过预先统计获得，比如由工作人员统计获得后输入至故障检测装置内，或者也可以由故障检测装置自行确定，比如基于每个楼层的指纹库，以及采集到的各用户的信号参数集合来确定，本申请包含但不限于此。
下面详细说明故障检测装置基于每个楼层的指纹库，以及采集到的各常驻用户的信号参数集合如何确定每个楼层的常驻用户。
可选地，步骤210具体包括：基于楼宇内每个楼层的指纹库，以及采集到的楼宇内每个常驻用户的信号参数集合，确定每个楼层的常驻用户。
其中，每个楼层的指纹库包括楼层所属小区的小区标识和信号参数集合，以及邻区标识和信号参数集合。
其中，小区标识包括：演进的通用移动通信系统陆地无线接入网小区唯一标识(evolved universal mobile telecommunications system terrestrial radio accessnetwork cell identifier，ECI)和/或物理小区标识(physical cell identifier，PCI)。换言之，ECI和PCI可单独用于标识小区，也可以结合使用来标识小区。本申请对此不做限定。
其中，信号参数集合包括以下一项或多项参数：在该楼宇内的每个小区采集到的RSRP、RSRQ、TA、PHR、AOA、信噪比和信干噪比。
要确定每个楼层的常驻用户，可以先确定该楼宇内的常驻用户，然后确定每个常驻用户的常驻楼层，最后根据每个常驻用户的常驻楼层确定每个楼层的常驻用户。下面先对确定楼宇内的常驻用户、确定每个常驻用户的常驻楼层的具体实现方式做详细说明。
示例性地，故障检测装置可以通过以下两个条件判断每个用户是否该楼宇内的常驻用户：
条件1，通过采集的每个用户的信号参数集合，判断在预先规定的时间段内，每个用户在该楼宇内的时间占预先规定的时间段是否超过一定的比例；
条件2，针对同一用户，一周内是否有足够的天数满足条件1。
一示例，假设预先规定9时至11时与14时至17时为采样时间，在采样时间内每10秒采集一次某用户的信号，该用户在该楼宇内的采样点数量占总采样点数量的比例超过80％，则该用户满足条件1；若该用户一周内有三天满足条件1，则该用户满足条件2。由于该用户同时满足条件1与条件2，该用户是该楼宇内的常驻用户。
另一示例，假设预先规定9时至11时与14时至17时为采样时间，在采样时间内每10秒采集一次某用户的信号，该用户在该楼宇内的采样点数量占总采样点数量的比例超过80％，则该用户满足条件1；该用户一周内只有两天满足条件1，则该用户不满足条件2。由于该用户满足条件1，但不满足条件2，该用户不是该楼宇内的常驻用户。
又一示例，假设预先规定9时至11时与14时至17时为采样时间，在采样时间内每10秒采集一次某用户的信号，该用户在该楼宇内的采样点数量占总采样点数量的比例不足80％。由于该用户不满足条件1，该用户不是该楼宇内的常驻用户。
应理解，以上判断条件仅作示例，本申请对此不作任何限定。本申请并不限定确定楼宇内的常驻用户的具体方法。
可选地，步骤210具体包括：获取楼宇内每个楼层的指纹库；将采集到的楼宇内每个常驻用户的信号参数集合与多个楼层中每个楼层的指纹库中的信号参数集合进行匹配，确定与每个常驻用户的信号参数集合匹配度最高的指纹库，匹配度最高的指纹库对应的楼层为每个常驻用户的常驻楼层；基于楼宇内的每个常驻用户的常驻楼层，确定每个楼层的常驻用户。
其中，该楼宇内每个楼层的指纹库可以由测试人员前往该楼宇的每个楼层开展扫楼测试获得，测试人员可以使用专用测试终端或应用程序(application，APP)记录每个楼层的指纹库。
故障检测装置可以将采集到的楼宇内每个常驻用户的信号参数集合与多个楼层中每个楼层的指纹库中的信号参数集合进行匹配，具体匹配的过程示例如下：
在本实施例中，信号参数以RSRP和RSRQ为例，在表1至表4中，RSRP的单位为分贝毫瓦(decibel relative to one milliwatt，dBm)，RSRQ的单位为分贝(decibel，dB)。
该楼宇每个楼层的指纹库中的信号参数集合如表1所示。
表1
某常驻用户的信号参数集合如表2所示。
表2
将该常驻用户的信号参数集合各项参数的值与指纹库中的信号参数集合中各项参数的值相减后求平方和，得到欧氏距离的平方。首先计算得该楼宇每个楼层的指纹库中的信号参数集合与该常驻用户的信号参数集合的差值，如表3所示。
表3
以楼层1为例，求得的楼层1的RSRP欧氏距离的平方为：22+12+12＝6，楼层1的RSRQ欧氏距离的平方为：12+02+(-1)2＝2，楼层1的欧氏距离的平方为上述两项之和，即为：62+22＝40。
以此类推，得到表4。
表4
如表4中所示，楼层1欧氏距离的平方最小，则常驻用户的信号参数集合与楼层1的指纹库中的信号参数集合的匹配度最高，则该常驻用户的常驻楼层是楼层1。
不断重复上述过程，直到确定每一个常驻用户的常驻楼层。然后基于每个常驻用户的常驻楼层，确定每个楼层的常驻用户。
应理解，信号参数集合中的参数不限于RSRP与RSRQ，也可以是RSRP、或RSRQ、或RSRP、RSRQ、TA、PHR、AOA、信噪比和信干噪比等参数中的一项或多项；将采集到的楼宇内每个常驻用户的信号参数集合与多个楼层中每个楼层的指纹库中的信号参数集合进行匹配，匹配度的比较方法并不限于通过计算欧氏距离来比较，也可以是通过计算闵氏距离、切比雪夫距离、曼哈顿距离等来比较，本申请对此不作任何限定。
在步骤220中，基于历史数据，采用时间序列模型预测楼宇内第一楼层的常驻用户在预设第一时段内的信号参数的门限。
其中，预设第一时段内的信号参数的门限包括第一楼层的常驻用户在预设第一时段内的信号参数的预测的上界和下界。
其中，第一楼层是楼宇内多个楼层中的任意一个，例如上文示例中的楼层1、楼层2、楼层3或楼层4，信号参数为信号参数集合中的任意一项参数。
预设第一时段是未来的某一时段，可以预先设定，且随着时间的推移，该预设第一时段也可以随之变化。比如，该预设第一时段可以是，将当前时间点往后推移N(N＞1)个小时的时间点作为起点，以预设时长为时长而确定的时段。本申请包含但不限于此。
预设第一时段内的信号参数的预测的上界和下界，具体是指对未来的第一时段的信号参数进行预测，以得到相应的上界和下界，此处的上界和下界是指通过预测得到的，该第一时段内信号参数可能达到的上界和下界，也就是说，若信号参数在此上界和下界的范围内浮动，是正常的，可允许的。
可选地，步骤220还包括：获取历史数据，该历史数据包括：基于预定义的多个信号参数区间，由在至少一个采样时段内采集到的信号参数确定的落在不同的信号参数区间的采样点数量；对于每个采样时段，落在每个信号参数区间的采样点数量为信号参数落在每个信号参数区间的常驻用户的数量。
一示例，对于第一楼层的第一常驻用户，获得信号参数的原始数据如表5所示。在本实施例中，信号参数以RSRP为例，RSRP的单位为dBm。应理解，信号参数也可以为RSRQ、TA、PHR、AOA、信噪比或信干噪比等，本申请对此不作限定。
表5
表5表示的是第一楼层的第一常驻用户从时间点14:25:10到时间点14:26:30，每隔10秒记录一次RSRP的值。
预定义6个RSRP的区间：(-95dBm，+∞)、(-100dBm，-95dBm]、(-105dBm，-100dBm]、(-110dBm，-105dBm]、(-115dBm，-110dBm]、(-∞，-115dBm]。
如表5所示，该常驻用户在14:25:10时，RSRP的值为-75dBm，属于(-95dBm，+∞)的区间内；该常驻用户在14:26:20时，RSRP的值为-102dBm，属于(-105dBm，-100dBm]的区间内；该常驻用户在14:26:30时，RSRP的值为-99dBm，属于(-100dBm，-95dBm]的区间内。
示例性地，具体判断方式可以是，首先统计出(-95dBm，+∞)的采样点，如表6所示。
表6
然后统计出(-100dBm，+∞)的采样点，如表7所示。
表7
然后统计出(-105dBm，+∞)的采样点，如表8所示。
表8
然后统计出(-110dBm，+∞)的采样点，如表9所示。
表9
然后统计出(-115dBm，+∞)的采样点，如表10所示。
表10
最后统计出所有采样点，如表11所示。
表11
表11中去除与表10中相同的元素，得到的就是属于(-∞，-115dBm]区间内的采样点，本示例中没有属于(-∞，-115dBm]区间内的采样点；
表10中去除与表9中相同的元素，得到的就是属于(-115dBm，-110dBm]区间内的采样点，本示例中没有属于(-115dBm，-110dBm]区间内的采样点；
表9中去除与表8中相同的元素，得到的就是属于(-110dBm，-105dBm]区间内的采样点，本示例中没有属于(-110dBm，-105dBm]区间内的采样点；
表8中去除与表7中相同的元素，得到的就是(-105dBm，-100dBm]区间内的采样点，即时间为14:26:20，RSRP为-102dBm的采样点；
表7中去除与表6中相同的元素，得到的就是(-100dBm，-95dBm]区间内的采样点，即时间为14:26:30，RSRP为-99dBm的采样点；
表6中的元素就是(-95dBm，+∞)区间内的采样点。
以此类推，统计出第一楼层的每个常驻用户在每个采样时段内，在每个RSRP区间内的采样点的数量；再统计出第一楼层，在每个采样时段内每个RSRP区间的常驻用户的数量，即第一楼层，在每个采样时段，落在每个信号参数区间的采样点的数量。
应理解，得到每个信号区间采样点数量的方法不限于上述方法，也可以直接测得每个信号区间采样点数量，本申请对此不做限定。
还应理解，上文列举的区间范围仅为示例，实际作业中，可以使用更多或更少的区间范围来统计，且各区间范围的粒度可以更小或更大，本申请对此不作限定。
可选地，步骤220包括：对于多个信号参数区间中的每个信号参数区间对应的采样点数量，执行如下步骤，以确定楼宇内第一楼层的常驻用户在预设第一时段内的信号参数的门限：
采用时间序列模型，确定历史数据的趋势项、周期项和误差项，以及在预设第一时段的趋势项和周期项；其中，趋势项是表示采样点数量的变化趋势的函数，周期项是用于表示采样点数量在指定的周期内的变化规律的函数，误差项是表示由历史数据确定的采样点数量与由历史数据的趋势项和周期项计算得到的采样点数量之间误差的函数；基于预设第一时段的趋势项和周期项，以及允许的浮动范围，确定目标函数；通过目标函数计算在预设第一时段内信号参数的门限。
下文以先知(prophet)模型作为时间序列模型的一个示例来说明。prophet模型本质上是一种可分解的加法回归模型，即可以按照时序特征将历史数据分解为非周期性变化的趋势项、周期性变化的周期项以及误差项。因此，prophet模型可以灵活地对各时序特征的参数进行设置，这些参数值的大小分别表示各个特征对模型预测结果的贡献度。通过分析模型的训练结果，可以调节各特征的参数，以便进一步提升预测精确度。
应理解，prophet模型仅为示例，时间序列模型并不仅限于prophet模型，也可以为自回归移动平均(autoregressive integrated moving average，ARIMA)模型、长短期记忆(long-short term memory，LSTM)模型等，本申请对此不作限定。
其中，趋势项可以表示为trendt，周期项可以分为以天为周期的周期项dailyt和以周为周期的周期项weeklyt，误差项可以表示为ε。则历史指标参数St＝trendt+dailyt+weeklyt+ε。其中，t表示历史指标参数所对应的采样时段的天数。
进一步地，根据趋势项trendt、周期项dailyt和weeklyt以及prophet模型，获得预设第一时段内的趋势项trendt+n、周期项dailyt+n和weeklyt+n。其中，n表示预设第一时段的天数。
进一步地，根据预设第一时段内的趋势项trendt+n、周期项dailyt+n和weeklyt+n和误差项ε，确定预测指标参数St+n＝trendt+n+dailyt+n+weeklyt+n+ε。
可选地，允许的浮动范围为[-σ1,σ2](σ1>0，σ2＞0)，则目标函数为：St+n±σ。
进一步地，预设第一时段内信号参数的门限包括：第一楼层的常驻用户在预设第一时段内的信号参数可能到达的上界，即St+n+σ，以及第一楼层的常驻用户在预设第一时段内的信号参数可能到达的下界，即St+n﹣σ。
可选地，允许的浮动范围为[-σ1,σ2](σ1>0，σ2>0)，则目标函数为St+n+σ1与St+n﹣σ2。进一步地，预设第一时段内信号参数的门限包括：第一楼层的常驻用户在预设第一时段内的信号参数可能到达的上界，即St+n+σ1，以及第一楼层的常驻用户在预设第一时段内的信号参数可能到达的下界，St+n﹣σ2。
其中，σ1与σ2可以相同，也可以不同。假设σ1＝σ2＝σ，则目标函数为：St+n±σ。与之对应，预设第一时段内信号参数的门限包括：第一楼层的常驻用户在预设第一时段内的信号参数可能到达的上界，即St+n+σ，以及第一楼层的常驻用户在预设第一时段内的信号参数可能到达的下界，即St+n﹣σ。
可选地，浮动范围为预定义值。
即，浮动范围所对应的数值σ1与σ2的值可以为预定义的，比如人为定义。
可选地，浮动范围基于至少一个采样时段分别对应的差值确定。
在一个采样时段内，每个采样点的值与其对应的历史指标参数的值并不完全相等，记xi为采样点的值与其对应的历史指标参数的值的差值。
一示例，则目标函数为：St+n±σ，浮动范围所对应的数值σ为上述差值xi的标准差。
其中，N为该采样时段内采样点的个数，μ为上述差值xi的平均数。
应理解，浮动范围所对应的数值σ不限于差值xi的标准差，也可以是差值xi的标准差的平方，或者，差值xi的平均数等，本申请对此不作任何限定。
在步骤230中，基于采集到的第一楼层的常驻用户在预设第一时段内的信号参数，以及第一楼层在预设第一时段内信号参数的门限，确定第一楼层是否出现故障。
图3是本申请实施例提供的确定第一楼层出现故障的参数示意图。如图3所示，图中纵坐标为：第一楼层常驻用户的信号参数RSRP处于(-95dBm，+∞)区间内采样点的数量；图中横坐标为：时间。由图中实际测得的信号参数是否超出信号参数门限，可以确定第一楼层是否出现故障。
可选地，步骤230包括：在采集到的第一楼层的常驻用户在预设第一时段内的信号参数超出信号参数的门限的时长大于第一预设门限的情况下，确定第一楼层出现故障；和/或在采集到的第一楼层的常驻用户在预设第一时段内的信号参数超出信号参数的门限的次数大于第二预设门限的情况下，确定第一楼层出现故障。
应理解，上述超出信号参数的门限的次数是以一个采样周期为时间范围来计的。
一示例，第一预设门限为2小时。如图3所示，6月13日之前，信号参数没有连续2小时超出信号参数的门限，6月13日之后，信号参数连续2小时超出信号参数门限，所以可以确定6月13日第一楼层出现了故障。
另一示例，第二预设门限为5次。如图3所示，6月13日之前，信号参数没有连续5次超出信号参数的门限，6月13日之后，信号参数连续5次超出信号参数门限，所以可以确定6月13日第一楼层出现了故障。
本申请提出的故障检测方法，基于采集到的楼宇内每个常驻用户的信号参数集合，识别出不同楼层的常驻用户，再利用时间序列模型预测第一楼层的常驻用户在预设第一时段内的信号参数的门限，最后将预设第一时段内真实的信号参数与预测的信号参数的门限进行对比，即可判断出该第一楼层是否有室分小区的隐性故障。因此，可以实现高效排查室分小区的隐性故障，从而便于工作人员快速及时地排查故障，提高用户的网络使用体验，并且节约工作人员现场排查的人力成本。
图4是本申请实施例提供的故障检测装置的示意性框图。如图4所示，该故障检测装置400可以包括第一确定模块410、预测模块420、第二确定模块430。
其中，第一确定模块410可用于，确定楼宇内每个楼层的常驻用户；预测模块420可用于基于历史数据，采用时间序列模型预测楼宇内第一楼层的常驻用户在预设第一时段内的信号参数的门限，门限包括第一楼层的常驻用户在预设第一时段内的信号参数的预测的上界和下界，第一楼层是该楼宇内多个楼层中的任意一个，信号参数为信号参数集合中的任意一项参数；第二确定模块430可用于基于采集到的第一楼层的常驻用户在预设第一时段内的信号参数，以及第一楼层在预设第一时段内信号参数的门限，确定第一楼层是否出现故障。
可选地，第一确定模块410可用于，基于该楼宇内每个楼层的指纹库，以及采集到的楼宇内每个常驻用户的信号参数集合，确定每个楼层的常驻用户；其中，每个楼层的指纹库包括该楼层所属小区的小区标识和信号参数集合，以及邻区标识和信号参数集合。
其中，信号参数集合包括以下一项或多项参数：在楼宇内的每个小区采集到的RSRP、RSRQ、TA、PHR、AOA、信噪比和信干噪比。
可选地，该故障检测装置400还可以包括获取模块440，获取模块440可用于，获取楼宇内每个楼层的指纹库。
可选地，第一确定模块410可用于，将采集到的楼宇内每个常驻用户的信号参数集合与多个楼层中每个楼层的指纹库中的信号参数集合进行匹配，确定与每个常驻用户的信号参数集合匹配度最高的指纹库，匹配度最高的指纹库对应的楼层为每个常驻用户的常驻楼层；基于楼宇内的每个常驻用户的常驻楼层，确定每个楼层的常驻用户。
可选地，获取模块440还可用于，获取历史数据，该历史数据包括：基于预定义的多个信号参数区间，由在至少一个采样时段内采集到的信号参数确定的落在不同的信号参数区间的采样点数量；对于每个采样时段，落在每个信号参数区间的采样点数量为信号参数落在每个信号参数区间的常驻用户的数量。
可选地，预测模块420可用于，对于多个信号参数区间中的每个信号参数区间对应的采样点数量，执行如下步骤，以确定楼宇内第一楼层的常驻用户在预设第一时段内的信号参数的门限：采用时间序列模型，确定历史数据的趋势项、周期项和误差项，以及在预设第一时段的趋势项和周期项；其中，趋势项是表示采样点数量的变化趋势的函数，周期项是用于表示采样点数量在指定的周期内的变化规律的函数，误差项是表示由历史数据确定的采样点数量与由历史数据的趋势项和周期项计算得到的采样点数量之间误差的函数；基于预设第一时段的趋势项和周期项，以及允许的浮动范围，确定目标函数；通过目标函数计算在预设第一时段内信号参数的门限。
其中，浮动范围基于至少一个采样时段分别对应的差值确定。
可选地，第二确定模块430可用于，在采集到的第一楼层的常驻用户在预设第一时段内的信号参数超出信号参数的门限的时长大于第一预设门限的情况下，确定第一楼层出现故障；和/或在采集到的第一楼层的常驻用户在预设第一时段内的信号参数超出信号参数的门限的次数大于第二预设门限的情况下，确定第一楼层出现故障。
图5是本申请实施例提供的故障检测装置的另一示意性框图。如图5所示，该装置500可以包括至少一个处理器510，可以用于实现本申请提供的方法中故障检测的功能。具体功能参见方法示例中的详细描述，此处不做赘述。
该装置500还可以包括一个存储器520，用于存储程序指令和/或数据。存储器520和处理器510耦合。本申请中的耦合是装置、单元或模块之间的间接耦合或通信连接，可以是电性，机械或其它的形式，用于装置、单元或模块之间的信息交互。处理器510可能和存储器520协同操作。处理器510可能执行存储器520中存储的程序指令。所述至少一个存储器中的至少一个可以包括于处理器中。
该装置500还可以包括一个通信接口530，用于通过传输介质和其它设备进行通信，从而用于装置500中的装置可以和其它设备进行通信。所述通信接口530例如可以是收发器、接口、总线、电路或者能够实现收发功能的装置。处理器510可利用通信接口530收发数据和/或信息，并用于实现图2对应的实施例中所述的故障检测方法。
本申请中不限定上述处理器510、存储器520以及通信接口530之间的具体连接介质。本申请在图5中以处理器510、存储器520以及通信接口530之间通过总线540连接。总线540在图5中以粗线表示，其它部件之间的连接方式，仅是进行示意性说明，并不引以为限。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
在本申请实施例中，处理器可以是通用处理器、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
根据本申请提供的方法，本申请还提供一种计算机可读存储介质，该计算机可读存储介质存储有程序代码，当该程序代码在计算机上运行时，使得该计算机执行图2所示实施例中的故障检测方法。
根据本申请提供的方法，本申请还提供一种计算机程序产品，该计算机程序产品包括：计算机程序代码。当该计算机程序代码在计算机上运行时，使得该计算机执行图2所示实施例中的故障检测方法。
本申请提供的技术方案可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、网络设备、终端设备或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线，例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机可以存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质例如，数字视频光盘(digital video disc，DVD)、或者半导体介质等。
以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (11)
1.一种故障检测方法，其特征在于，包括：
确定楼宇内每个楼层的常驻用户；
基于历史数据，采用时间序列模型预测所述楼宇内第一楼层的常驻用户在预设第一时段内的信号参数的门限，所述门限包括第一楼层的常驻用户在所述预设第一时段内的信号参数的预测的上界和下界，所述第一楼层是所述楼宇内多个楼层中的任意一个，所述信号参数为所述信号参数集合中的任意一项参数；
基于采集到的所述第一楼层的常驻用户在所述预设第一时段内的信号参数，以及所述第一楼层在所述预设第一时段内信号参数的门限，确定所述第一楼层是否出现故障。
2.根据权利要求1所述的方法，其特征在于，所述确定楼宇内每个楼层的常驻用户，包括：
基于所述楼宇内每个楼层的指纹库，以及采集到的所述楼宇内每个常驻用户的信号参数集合，确定每个楼层的常驻用户，所述每个楼层的指纹库包括所述楼层所属小区的小区标识和信号参数集合，以及邻区标识和信号参数集合。
3.根据权利要求2所述的方法，其特征在于，所述基于楼宇内每个楼层的指纹库，以及采集到的所述楼宇内每个常驻用户的信号参数集合，确定每个楼层的常驻用户，包括：
获取所述楼宇内每个楼层的指纹库；
将采集到的所述楼宇内每个常驻用户的信号参数集合与多个楼层中每个楼层的指纹库中的信号参数集合进行匹配，确定与所述每个常驻用户的信号参数集合匹配度最高的指纹库，所述匹配度最高的指纹库对应的楼层为所述每个常驻用户的常驻楼层；
基于所述楼宇内的每个常驻用户的常驻楼层，确定每个楼层的常驻用户。
4.如权利要求2或3所述的方法，其特征在于，
所述信号参数集合包括以下一项或多项参数：在所述楼宇内的每个小区采集到的参考信号接收功率、参考信号接收质量、时间提前量、功率余量上报、到达角、信噪比和信干噪比。
5.如权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述历史数据，所述历史数据包括：基于预定义的多个信号参数区间，由在所述至少一个采样时段内采集到的信号参数确定的落在不同的信号参数区间的采样点数量；对于每个采样时段，落在每个信号参数区间的采样点数量为信号参数落在所述每个信号参数区间的常驻用户的数量。
6.如权利要求5所述的方法，其特征在于，所述基于历史数据，采用时间序列模型预测所述楼宇内第一楼层的常驻用户在预设第一时段内的信号参数的门限，包括：
对于所述多个信号参数区间中的每个信号参数区间对应的采样点数量，执行如下步骤，以确定所述楼宇内第一楼层的常驻用户在预设第一时段内的信号参数的门限：
采用所述时间序列模型，确定所述历史数据的趋势项、周期项和误差项，以及在所述预设第一时段的趋势项和周期项；其中，所述趋势项是表示所述采样点数量的变化趋势的函数，所述周期项是用于表示所述采样点数量在指定的周期内的变化规律的函数，所述误差项是表示由所述历史数据确定的采样点数量与由所述历史数据的趋势项和周期项计算得到的采样点数量之间误差的函数；
基于所述预设第一时段的趋势项和周期项，以及允许的浮动范围，确定目标函数；
通过所述目标函数计算在所述预设第一时段内信号参数的门限。
7.如权利要求6所述的方法，其特征在于，所述浮动范围基于所述至少一个采样时段分别对应的差值确定。
8.如权利要求1所述的方法，其特征在于，所述基于采集到的所述第一楼层的常驻用户在所述预设第一时段内的信号参数，以及所述第一楼层在所述预设第一时段内信号参数的门限，确定所述第一楼层是否出现故障，包括：
在采集到的所述第一楼层的常驻用户在所述预设第一时段内的信号参数超出所述门限的时长大于第一预设门限的情况下，确定所述第一楼层出现故障；和/或
在采集到的所述第一楼层的常驻用户在所述预设第一时段内的信号参数超出所述门限的次数大于第二预设门限的情况下，确定所述第一楼层出现故障。
9.一种故障检测装置，其特征在于，包括：
第一确定模块，用于确定楼宇内每个楼层的常驻用户；
预测模块，用于基于历史数据，采用时间序列模型预测所述楼宇内第一楼层的常驻用户在预设第一时段内的信号参数的门限，所述门限包括第一楼层的常驻用户在预设第一时段内的信号参数的预测的上界和下界，所述第一楼层是所述楼宇内多个楼层中的任意一个，所述信号参数为所述信号参数集合中的任意一项参数；
第二确定模块，用于基于采集到的所述第一楼层的常驻用户在所述预设第一时段内的信号参数，以及所述第一楼层在所述预设第一时段内信号参数的门限，确定所述第一楼层是否出现故障。
10.一种故障检测装置，其特征在于，包括存储器和处理器，其中，
所述存储器用于存储计算机程序；
所述处理器用于调用执行所述计算机程序，以使得所述装置执行权利要求1至8中任一项所述的方法。
11.一种计算机可读存储介质，其特征在于，包括计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行权利要求1至8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210325790.5A CN114698006A (zh) | 2022-03-30 | 2022-03-30 | 一种故障检测方法、装置及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210325790.5A CN114698006A (zh) | 2022-03-30 | 2022-03-30 | 一种故障检测方法、装置及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114698006A true CN114698006A (zh) | 2022-07-01 |
Family
ID=82140810
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210325790.5A Pending CN114698006A (zh) | 2022-03-30 | 2022-03-30 | 一种故障检测方法、装置及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114698006A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111328012A (zh) * | 2018-12-14 | 2020-06-23 | 中国移动通信集团广东有限公司 | 一种基于楼宇WiFi立体分层定位方法及装置 |
| CN111356147A (zh) * | 2018-12-05 | 2020-06-30 | 中国移动通信集团广西有限公司 | 一种室分小区故障定位方法及装置 |
| CN112702194A (zh) * | 2020-12-16 | 2021-04-23 | 中国联合网络通信集团有限公司 | 室分小区故障定位方法、装置及电子设备 |
| CN114007188A (zh) * | 2022-01-04 | 2022-02-01 | 深圳市优网科技有限公司 | 一种目标用户定位方法、系统及存储介质 |
-
2022
- 2022-03-30 CN CN202210325790.5A patent/CN114698006A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111356147A (zh) * | 2018-12-05 | 2020-06-30 | 中国移动通信集团广西有限公司 | 一种室分小区故障定位方法及装置 |
| CN111328012A (zh) * | 2018-12-14 | 2020-06-23 | 中国移动通信集团广东有限公司 | 一种基于楼宇WiFi立体分层定位方法及装置 |
| CN112702194A (zh) * | 2020-12-16 | 2021-04-23 | 中国联合网络通信集团有限公司 | 室分小区故障定位方法、装置及电子设备 |
| CN114007188A (zh) * | 2022-01-04 | 2022-02-01 | 深圳市优网科技有限公司 | 一种目标用户定位方法、系统及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 王天晓;: "基于MRO的室分隐性故障排查方法", 福建电脑, no. 03, 25 March 2016 (2016-03-25) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110430583B (zh) | 一种ssb波束优化配置方法及装置 | |
| CN108990078A (zh) | Lte网络下行干扰的优化方法、系统、设备及存储介质 | |
| CN102905278A (zh) | 覆盖优化的管理方法、装置和系统 | |
| US11711154B2 (en) | Method of reporting RSSI measurements in an unlicensed band and related apparatus | |
| CN111325561A (zh) | 智能投诉处理方法、装置、电子设备及存储介质 | |
| CN111263389B (zh) | 一种Volte语音质量问题的自动化定位的方法及装置 | |
| Bejarano-Luque et al. | A data-driven algorithm for indoor/outdoor detection based on connection traces in a LTE network | |
| CN110461005B (zh) | 小区优化方法、装置、设备和存储介质 | |
| CN114363946B (zh) | 室分小区网络质量监测方法、装置、设备及存储介质 | |
| CN103702343A (zh) | 一种同频干扰小区的检测方法及装置 | |
| CN106954256B (zh) | 一种室内场景识别方法和设备 | |
| CN110475277B (zh) | 一种识别使用私装直放站的用户终端的方法及装置 | |
| WO2023103995A1 (zh) | 小区测量方法、装置、终端、存储介质及程序产品 | |
| CN114698006A (zh) | 一种故障检测方法、装置及可读存储介质 | |
| CN104064198A (zh) | 一种评估语音质量的方法及装置 | |
| CN115379476A (zh) | 确定小区干扰类型的方法、装置、设备及存储介质 | |
| CN111787584B (zh) | 一种基于物联网的数据采集方法及系统 | |
| US20230071942A1 (en) | Cellular network indoor traffic auto-detection | |
| CN109993388B (zh) | 劣化小区主因判断方法、装置、设备及介质 | |
| CN107734525B (zh) | 一种基于扫频的lte系统rs平衡确定方法及装置 | |
| CN114158086B (zh) | 小区干扰评估方法、通信装置、计算设备及存储介质 | |
| CN113015224B (zh) | 小区重选方法及装置、终端设备及存储介质 | |
| US20240080686A1 (en) | Classification of indoor-to-outdoor traffic and user equipment distribution | |
| CN112449369B (zh) | 识别问题小区的方法、装置、设备及计算机存储介质 | |
| CN112217586B (zh) | 一种步进宽带频谱认知方法和系统 |
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 |