CN114867033B - 一种小区位置的确定方法和装置 - Google Patents

一种小区位置的确定方法和装置 Download PDF

Info

Publication number
CN114867033B
CN114867033B CN202210590901.5A CN202210590901A CN114867033B CN 114867033 B CN114867033 B CN 114867033B CN 202210590901 A CN202210590901 A CN 202210590901A CN 114867033 B CN114867033 B CN 114867033B
Authority
CN
China
Prior art keywords
cell
characteristic data
longitude
latitude
characteristic
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
Application number
CN202210590901.5A
Other languages
English (en)
Other versions
CN114867033A (zh
Inventor
李张铮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China United Network Communications Group Co Ltd
Original Assignee
China United Network Communications Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN202210590901.5A priority Critical patent/CN114867033B/zh
Publication of CN114867033A publication Critical patent/CN114867033A/zh
Application granted granted Critical
Publication of CN114867033B publication Critical patent/CN114867033B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H04W16/22—Traffic simulation tools or models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • H04W64/003—Locating users or terminals or network equipment for network management purposes, e.g. mobility management locating network equipment
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

提供一种小区位置的确定方法和装置，涉及移动通信技术领域。该方法包括：获取待预测位置的小区中多个终端的特征数据，每个终端的特征数据包括终端的测量报告、终端的用户关键质量指标KQI和终端发送的上行信号的电平；将多个终端的特征数据输入预测模型中，得到小区的经纬度，该预测模型基于回归算法对已知位置的多个小区的特征样本进行机器学习得到，已知位置的多个小区中每个小区的特征样本包括小区中多个终端的特征数据和小区的经纬度。通过基于回归算法对已知位置的多个小区的特征样本进行机器学习，从而使得训练得到的预测模型能够基于待预测的位置的小区中各终端的特征数据，来预测小区经纬度，提高了小区位置的确定效率。

Description

一种小区位置的确定方法和装置
技术领域
本申请涉及移动通信技术领域，尤其涉及一种小区位置的确定方法和装置。
背景技术
随着移动网络小区数量的爆发式增长，网络维护优化人员在日常生活中对小区经纬度基础数据的依赖度越来越高。例如，在网络规划时，为了获得良好的覆盖效果，需要知道小区的经纬度位置。在网络优化中，邻区关系的优化也离不开小区的经纬度位置。
目前，通常采用人工勘测的方式来确定小区的位置。然而，人工勘测的方式需要运维人员在现场进行测量，耗时耗力且效率低下。
因此，如何提高小区位置的确定效率，成为一项亟待解决的技术问题。
发明内容
本申请提供了一种小区位置的确定方法和装置，以期能够高效地确定出小区的位置。
第一方面，本申请提供一种小区位置的确定方法，该方法包括：获取待预测位置的小区中多个终端的特征数据，每个终端的特征数据包括每个终端的测量报告、每个终端的用户关键质量指标(key quality indicators，KQI)和每个终端发送的上行信号的电平；将多个终端的特征数据输入预测模型中，以得到该小区的经纬度，该预测模型基于回归算法对已知位置的多个小区的特征样本进行机器学习得到，其中，该已知位置的多个小区中每个小区的特征样本包括每个小区中多个终端的特征数据和每个小区的经纬度。
基于上述方案，通过利用回归算法对已知位置的多个小区的特征样本进行机器学习，学习到各小区内终端的特征数据到相应小区经纬度的映射关系，从而能够基于待预测位置的小区中各终端的特征数据，来预测小区经纬度。在预测小区的位置时，只需要将待预测位置的小区中多个终端的特征数据输入训练好的预测模型中，就可得到小区的经纬度，提高了小区位置的确定效率。
可选地，每个终端的测量报告包括每个终端的标识、每个终端所处位置的经纬度、每个终端的参考信号接收功率(reference signal receiving power，RSRP)和信号与干扰加噪声比(signal to interference plus noise ratio，SINR)。
可选地，该已知位置的多个小区为处于预设范围内的已知位置的多个小区，该多个小区的经纬度由为多个小区提供通信覆盖的基站的经纬度确定。
可选地，该预测模型包括K个子模型，每个子模型用于基于输入的特征数据确定小区的经纬度的预测值，K为大于1的自然数；所述将多个终端的特征数据输入预测模型中，以得到该小区的经纬度，包括：对多个终端的特征数据进行处理，得到K个等级的特征数据，每个等级对应于一个子模型；将K个等级的特征数据分别输入至对应的子模型中，以通过K个子模型分别确定该小区的经纬度的预测值；对K个子模型分别确定的该小区的经纬度的预测值进行融合，得到该小区的经纬度。
可选地，所述对多个终端的特征数据进行处理，得到K个等级的特征数据，包括：基于聚类算法，将多个终端的特征数据划分为K组特征数据；基于K组特征数据中的每组特征数据的统计值，得到K个特征数据；按照预设规则，对K个特征数据进行排序，得到K个等级的特征数据。
可选地，该方法还包括：对已知位置的多个小区的特征样本进行处理，得到K个等级的特征样本，每个等级的特征样本用于训练所对应的一个子模型，每个等级的特征样本包括处于每个等级的特征数据及其对应小区的经纬度；将K个等级的特征样本分别输入对应的子模型中，以通过所对应的子模型学习K个等级的特征样本中的特征数据与小区的经纬度的映射关系，得到K个子模型。
可选地，所述对已知位置的多个小区的特征样本进行处理，得到K个等级的特征样本，包括：对于多个小区中的每个小区的特征样本，执行如下操作，以得到对应于每个小区的K个等级的特征样本：基于聚类算法，将每个小区中终端的特征数据划分为K组特征数据；基于K组特征数据中的每组特征数据的统计值，得到K个特征数据；按照预设规则，对K个特征数据进行排序，得到对应于每个小区的K个等级的特征数据；基于对应于每个小区的K个等级的特征数据，以及每个小区的经纬度，得到对应于每个小区的K个等级的特征样本。
可选地，该统计值包括：平均值、中位数、最大值、最小值或分位数。
第二方面，本申请提供了一种小区位置的确定装置，该装置包括：获取模块和处理模块，该获取模块用于获取待预测位置的小区中多个终端的特征数据，每个终端的特征数据包括每个终端的测量报告、每个终端的用户KQI和每个终端发送的上行信号的电平；该处理模块用于将多个终端的特征数据输入预测模型中，以得到该小区的经纬度，该预测模型基于回归算法对已知位置的多个小区的特征样本进行机器学习得到，其中，该已知位置的多个小区中每个小区的特征样本包括每个小区中多个终端的特征数据和每个小区的经纬度。
第三方面，本申请提供了一种小区位置的确定装置，该装置包括处理器，该处理器与存储器耦合，可用于执行存储器中的计算机程序，以实现第一方面以及第一方面中任一种可能实现方式中的方法。
可选地，该装置还可以包括存储器，用于存储计算机可读指令，该处理器读取计算机可读指令使得该装置可以实现上述第一方面以及第一方面任一种可能实现方式中所述的方法。
可选地，该装置还可以包括通信接口，该通信接口用于该装置与其它设备进行通信，示例性地，通信接口可以是收发器、电路、总线、模块或其它类型的通信接口。
第四方面，本申请提供了一种芯片系统，该芯片系统包括至少一个处理器，用于支持实现上述第一方面以及第一方面任一种可能实现方式中所涉及的功能，例如，例如处理上述方法中所涉及的特征数据。
在一种可能的设计中，所述芯片系统还包括存储器，该存储器用于保存程序指令和数据，存储器位于处理器之内或处理器之外。
该芯片系统可以由芯片构成，也可以包含芯片和其它分立器件。
第五方面，本申请提供了一种计算机可读存储介质，该存储介质中存储有计算机可读指令，当计算机可读指令被计算机执行时，使得计算机实现第一方面以及第一方面任一种可能实现方式中的方法。
第六方面，本申请提供了一种计算机程序产品，该计算机程序产品包括：计算机程序(也可以称为代码，或指令)，当计算机程序被运行时，使得上述第一方面以及第一方面中任一种可能实现方式中的方法被执行。
应当理解的是，本申请的第二方面至第六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为适用于本申请实施例提供的小区位置的确定方法的系统架构示意图；
图2为本申请实施例提供的模型构建方法的示意性流程图；
图3为本申请实施例提供的栅格划分示意图；
图4为本申请实施例提供的小区位置的确定方法的示意性流程图；
图5为本申请实施例提供的通过预测模型确定小区经纬度的示意性流程图；
图6为本申请实施例提供的小区位置的确定装置的示意性框图；
图7为本申请实施例提供的小区位置的确定装置的另一示意性框图。
具体实施方式
下面将结合附图，对本申请中的技术方案进行描述。
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
为便于理解本申请实施例，以下对本申请中涉及到的一些术语或词汇作简单说明。
1、基站(base station)：基站即公共移动通信基站，是终端接入互联网的接口设备，也是无线电台站的一种形式，是指在一定的无线电覆盖区域中，通过移动通信交换中心，与终端(如移动电话)之间进行信息传递的无线电收发信电台。
2、小区(cell)：为用户提供服务的无线逻辑区域，在系统侧通常用小区标识同一基站下的唯一小区。
3、栅格(grid)：根据位置数据确定的区域，如将某个市区划分为大小均匀紧密相连的单元格列阵，每个单元格作为一个像元或像素，由行、列定义，不同的像元或像素代表不同的区域范围。因此，栅格结构是以规则的阵列来表示空间地物或现象分布的数据组织，组织中的每个数据表示地物或现象的非集合属性特征。
4、地址编码：为特定地理要素或位置制定唯一的标识码的过程。比如，可通过地址编码来为上述各像元或像素进行标识。因此，通过地址编码就可确定对应的区域范围。
5、GeoHash：地址编码方法，能够把二维的空间经纬度数据编码成一个字符串。以为地球的划分为例，经度范围是东经180°到西经180°，纬度范围是南纬90°到北纬90°。可设定西经为负、南纬为负，所以地球上的经度范围就是[-180°，180°]，纬度范围为[-90°，90°]。如果以本初子午线、赤道为界，地球可分为4个部分。若纬度范围[-90°，0°)用二进制0表示，则(0°，90°]用二进制1表示，经度范围[-180°，0°)用二进制0表示，(0°，180°]用二进制1表示。那么，地球可分为四个部分，每部分可用二进制表示为：00、10、01和11。如果将每个部分进一步对半划分，可得到八个区域，每个区域可分别用二进制表示为：0101、0111、1101、1111、0100、0110、1100、1110、0001、0011、1001、1011、0000、0010、1000和1010。即，GeoHash算法就是基于这种思想，将一定的区域划分为多个小的区域，通过将每个小区域的经纬度编码，从而给地理位置分区。每个区域对应的二进制编码可转换为Base32码，即每个区域对应一个Base32码。
6、K-means聚类分析算法：一种聚类方法，该算法是一个重复移动类中心点的过程，把类的中心点，也称为重心(centroids)，移动到其包含成员的平均位置，然后重新划分其内部成员。其算法流程如下：1)首先确定一个k值，即希望将数据集经过聚类得到k个集合；2)从数据集中随机选择k个数据点作为质心；3)对数据集中每一个点，计算其与每一个质心的距离，离哪个质心近，就划分到哪个质心所属的集合；4)把所有数据归好集合后，一共有k个集合。然后重新计算每个集合的质心；5)如果新计算出来的质心与原来的质心之间的距离小于某一个设置的阈值(表示重新计算的质心的位置变化不大，区域稳定，或者说收敛)，则可认为聚类已经达到期望的结果，算法终止；6)如果新质心与原质心距离变化很大，则继续迭代3)～5)步骤。
图1为适用于本申请实施例提供的小区位置确定方法的系统架构的示意图。如图1所示，该系统100可以包括服务器110、基站121和122，以及终端141至146。
基站可以为特定地理区域中的小区提供通信覆盖，并且可以与位于覆盖范围内的小区中的终端进行通信，基站也可以接收到其覆盖范围内的小区中的终端的信号。如图1所示，终端141至144处于基站121服务的小区#1中，终端145和146处于基站122服务的小区#2中。基站121可以与小区#1中的终端141至144中的任意一个或多个终端通信，基站122可以与小区#2中的终端145和/或146通信。例如，在本申请实施例中，基站121可以分别从终端141、142、143和144接收终端上报的特征数据，基站122也可以分别从终端145和146接收终端上报的特征数据。
服务器110可以通过基站获取小区中各终端上报的特征数据，并基于预先建立的预测模型和获取到的各终端的特征数据，确定出小区的位置。如图1所示，服务器110可以与具有通信连接的基站121、122进行通信。例如，在本申请实施例中，服务器110可以从基站121获取终端141至144上报的特征数据，还可以从基站122获取终端145和146上报的特征数据。
应理解，图1所示的服务器仅为示例性说明，也可以为具有相同功能的其它设备，本申请对此不加以限制。
应理解，图1中所示的各设备的数量仅为示例性说明，图1所示的系统中还可以包括其他数量的服务器、基站和终端，每个基站所覆盖的小区也可以为一个或多个，本申请对此不加以限制。
还应理解，服务器可以与基站合一部署，也可以作为一个独立的设备和基站分立部署。
目前，在确定小区的位置时，通常采用人工勘测的方法来确定小区的位置，如运维人员使用全球定位卫星系统(global positioning system，GPS)测量设备来确定小区的经纬度。然而，这种方式效率低下，耗时耗力。
鉴于此，本申请提供一种小区位置的确定方法和装置。基于回归算法对已知位置的多个小区的特征样本进行机器学习，学习到各小区内终端的特征数据到相应小区经纬度的映射关系，从而能够基于待预测位置的小区中各终端的特征数据，来预测小区经纬度。在预测小区位置时，只需要将待预测位置的小区中多个终端的特征数据输入训练好的预测模型中，就可得到小区的经纬度，提高了小区位置的确定效率。
下面将结合附图对本申请实施例提供的小区位置的确定方法做详细说明。
为便于理解本申请实施例所提供的方法，下文先结合图2至图3对本申请实施例提供的模型构建方法进行详细说明，然后结合图4至图5对本申请实施例提供的小区位置的确定方法进行详细说明。
图2为本申请实施例提供的模型构建方法的示意性流程图。应理解，该模型构建方法可以由模型构建设备来执行，该模型构建设备可以是服务器，也可以是其他设备。本申请对此不作限定。为了便于说明，本申请以服务器为例来进行说明。还应理解，该模型构建方法可以是离线构建，或者，也可以是在线构建，或者，先离线构建再在线构建，以对模型进行实时地更新。本申请对此不作限定。
图2所示的模型构建方法可以包括：
步骤201，获取已知位置的多个小区的特征样本；和
步骤202，基于回归算法，对多个小区的特征样本进行学习，得到预测模型。
其中，已知位置的多个小区为处于预设范围内的已知位置的多个小区，该多个小区的经纬度由为该多个小区提供通信覆盖的基站的经纬度确定，该基站的经纬度可通过人工测量得到例如，图1中的小区#2的经纬度可以为基站122的经纬度，小区#1的经纬度可以为基站121的经纬度。
已知位置的小区，也即该小区的经纬度为已知的。
小区的特征样本具体可以包括：小区中一个或多个终端的特征数据和小区的经纬度。其中，每个终端的特征数据可以包括终端的测量报告、终端的用户KQI和终端发送的上行信号的电平。
其中，测量报告包括但不限于：终端所在小区的标识(identity document，ID)、终端所处位置的经纬度、RSRP和SINR。
终端的用户KQI包括但不限于：用户页面响应成功率、初始页面缓冲时长、视频流媒体初始缓冲播放时长、视频流媒体有效下载效率。
终端发送的上行信号的电平包括但不限于：探测参考信号(sounding refererncesignal，SRS)的电平值、解调参考信号(demodulation reference signal，DMRS)的电平值、物理上行共享信道(physical uplink shared channel，PUSCH)的电平值和物理上行控制信道(physical uplink control channel，PUCCH)的电平值。
下文示例性地给出了获取特征样本的过程。
首先，服务器基于预设的地址编码方式，将预设范围划分为特定大小的多个栅格。
其中，预设范围可以市区所在范围、县区所在范围、或街道所在范围等进行划分，本领域技术人员可根据实际需求划定预设范围。为了便于理解，本申请均以市区所在范围为例来进行说明。
栅格的大小可由本领域技术人员根据实际需求设置。比如，可以200米(meter，m)×200m的范围来将某个市区划分为多个200m×200m的栅格。
服务器可基于预设范围内不同的地址范围进行GeoHash地址编码，从而得到多个栅格，该地址范围对应相应的经纬度范围。应理解，GeoHash地址编码的原理可参见前述说明，在此不再赘述。
应理解，本领域技术人员可根据实际需求来使用不同的地址编码方式来将预设范围划分为多个栅格，本申请对地址编码方式不作限定，均在本申请保护范围之内。
下面结合图3进行举例说明。
图3为本申请实施例提供的栅格划分示意图。如图3所示，假设本领域技术人员设定预设范围为A市，设定的栅格大小为200m×200m，则服务器可基于GeoHash地址编码将A市划分为多个200m×200m大小的栅格。以栅格310为例，服务器通过采用GeoHash来对栅格310所在的经纬度范围进行编码，得到该经纬度范围下对应的GeoHash地址编码为“wx4g0ec1”。
由于每个栅格占据有对应的地理范围，因此每个栅格中可存在多个小区的信号，每个小区中也可包括多个终端。比如，栅格310中存在三个小区的信号，分别为小区A、小区B和小区C。小区A至小区C中均包括多个终端，小区A包括有终端A1、终端A2、终端A3、终端A4、终端A5和终端A6，小区B包括有终端B1、终端B2、终端B3和终端B4，小区C包括有终端C1、终端C2和终端C3。
其次，对于已知位置的小区，服务器可从基站处获取到该小区中多个终端所上报的特征数据。由于该小区的位置已知，服务器也就可确定出该小区的经纬度。如此，服务器就可获知每个栅格中已知位置的多个小区的特征样本。
例如，如图3所示，服务器将A市划分为多个栅格后，需要获取每个栅格中已知位置小区的特征样本。
以服务器获取栅格310中已知经纬度小区的特征样本为例。假设栅格310中的小区A、小区B和小区C的经纬度都已知，则小区A中的终端A1至终端A6可向基站上报各自的特征数据，小区B中的终端B1至终端B4可向基站上报各自的特征数据，小区C中的终端C1至C3可向基站上报各自的特征数据。服务器就可从基站处获取到终端A1至终端A6、终端B1至终端B4，以及终端C1至终端C3各自的特征数据。由于小区A、小区B和小区C的位置已知，服务器就可确定出这三个小区的经纬度。因此，服务器可得到小区A的特征样本包括：终端A1至终端A6的特征数据和小区A的经纬度，小区B的特征样本包括：终端B1至终端B3的特征数据和小区B的经纬度，小区C的特征样本包括：终端C1至终端C2的特征样本和小区C的经纬度。
应理解，图3中的栅格310包含了三个小区的信号，即小区A至小区C的信号，且这三个小区均为已知经纬度的小区仅为示例性说明。栅格310中也可以包含更多或更少的小区的信号，且所包含的小区的信号中也可以存在未知经纬度的小区的信号，本申请对此不加以限制。
应理解，图3中的小区A至小区C下的终端的数量仅为示例性说明，各小区可包含更多或更少的终端，本申请对此不加以限制。
可选地，由于终端所上报的特征数据中会携带终端所处位置的经纬度，则服务器可同样采用GeoHash地址编码来对终端所在的经纬度进行编码，得到各个终端所在位置对应的Base32码。
服务器在获取到已知位置的多个小区的特征样本时，可执行如下步骤：
对已知位置的多个小区的特征样本进行处理，得到K个等级的特征样本。
服务器在获取到每个栅格中的已知位置小区的特征样本后，就可以小区为粒度，对每个已知位置的小区的特征样本进行处理，从而得到每个小区所对应的K个等级的特征样本。
其中，不同等级的特征样本可表征不同的通信质量。
可选地，对于多个小区中的每个小区的特征样本，服务器可通过执行如下1)～4)的操作，来得到对应于每个小区的K个等级的特征样本。
1)、基于聚类算法，将每个小区中终端的特征数据划分为K组特征数据。
服务器在获取到每个栅格中已知位置的小区的特征数据后，对每个栅格中的每个已知位置的小区的特征数据进行聚类，从而得到每个已知位置小区的K组特征数据。
聚类算法可以为k-means聚类分析算法，本领域技术人员也可根据实际需求设置其它聚类算法。为了便于理解，本申请均以k-means聚类分析算法为例来进行说明。
应理解，在采用k-means聚类分析算法时，K值可由本领域技术人员预先设定。
下面以k-means算法为例，结合图3举例说明。如图3所示，以服务器对栅格310中的小区中终端的特征数据进行聚类为例。
假设小区A至小区C均为已知位置的小区，且本领域技术人员预先设定好采用k-means聚类分析算法时，K＝2。
服务器在获取到小区A中的终端A1至终端A6各自的特征数据、小区B中的终端B1至B4各自的特征数据，以及小区C中的终端C1至终端C3各自的特征数据后，对这三个小区中终端的特征数据分别采用k-means聚类分析算法。对于小区A：通过k-means聚类分析算法可得到终端A1、终端A2和终端A3构成a1组，则这三个终端所上报的各自的特征数据共同构成a1组的特征数据。而终端A4、终端A5和终端A6构成a2组，则这三个终端所上报的各自的特征数据可共同构成a2组的特征数据。同理，对于小区B，通过k-means聚类分析算法可得到终端B1、终端B2和终端B3构成b1组，这三个终端的特征数据共同构成的b1组的特征数据，以及由终端B4的特征数据构成的b2组，终端B4的特征数据即为b2组的特征数据。对于小区C，也可通过k-means聚类分析算法得到由终端C1和终端C2构成的c1组，这两个终端的特征数据共同构成的c1组的特征数据，以及由终端C3构成的c2组，终端C3的特征数据即为c2组的特征数据。
可以理解，每个小区的每组特征数据可包括至少一个终端的特征数据。每组特征数据中同样包含终端所在小区的ID、终端所处位置的经纬度、RSRP、SINR、用户页面响应成功率、初始页面缓冲时长、视频流媒体初始缓冲播放时长、视频流媒体有效下载效率、SRS的电平值、DMRS的电平值、PUSHC的电平值和PUCCH的电平值这几种不同维度的数据。
2)、基于K组特征数据中的每组特征数据的统计值，得到K个特征数据。
服务器在确定出每个栅格中每个已知经纬度的小区所对应的K组特征数据后，针对每个小区中的每组特征数据，通过统计值，就可得到每个小区所对应的K个特征数据。
其中，统计值包括：平均值、中位数、最大值、最小值或分位数。
下面以统计值为例，结合图3进行举例说明。
如图3所示，对于小区A中a1组的特征数据，服务器可根据终端A1、终端A2和终端A3分别上报的特征数据，计算出特征数据中每种类型数据的平均值，也就是计算出这三个终端的经纬度平均值、RSRP平均值、SINR平均值、用户页面响应成功平均率、初始页面缓冲平均时长、视频流媒体初始缓冲播放平均时长、视频流媒体有效下载平均效率、SRS的电平平均值、DMRS的电平平均值、PUSHC的电平平均值和PUCCH的电平平均值，这些不同类型的平均值共同构成小区A的一个特征数据，该特征数据所对应的位置点为a11。对于小区A中a2组的特征数据，服务器同样可根据终端A4、终端A5和终端A6分别上报的特征数据，计算各类型数据的平均值，得到小区A的另一个特征数据，该特征数据所对应的位置点为a22。
同理，采用相同方式，服务器可得到小区B的两个特征数据，其中一个特征数据由b1组中的终端B2、终端B3和终端B4的特征数据通过平均值算法确定得到，所对应的位置点为b11；另一个特征数据由b2组中的终端B4确定，所对应的位置点即为终端B4所在的位置点。服务器也可得到小区C的两个特征数据，其中一个特征数据由c1组中的终端C1和终端C2的特征数据通过平均值算法确定得到，所对应的位置点为c11；另一个特征数据由c2组中的终端C3确定，所对应的位置点即为终端C3所在的位置点。
应理解，服务器也可根据小区中K个聚类组的中心点确定小区对应的K个特征数据。比如，服务器在采用k-means聚类算法对小区A中的终端进行聚类时，所确定的中心点为位置点a11和位置点a22，则位置点a11处所对应的特征数据就可作为小区A的一个特征数据，位置点a22处所对应的特征数据就可作为小区A的另一个特征数据。
3)、按照预设规则，对K个特征数据进行排序，得到对应于每个小区的K个等级的特征数据。
服务器在得到每个栅格中每个已知位置的小区所对应的K个特征数据后，就可针对每个小区的K个特征数据，按照预设规则对每个小区中的K个特征数据排序，从而得到每个小区所对应的排序后的K个特征数据。
其中，预设规则可以为根据用户KQI指标、或上行信号的电平值中的一个或多个指标，以从大到小、或从小到大的顺序对K个特征数据排序。
应理解，不同等级的特征数据可对应不同等级的通信质量，特征数据的等级越高，通信质量越好。
下面以预设规则为根据电平值(如，SRS的电平值)从大到小的顺序对K个特征数据进行排序为例，结合图3举例说明。
如图3，对于小区A，服务器在得到位置点a11处的特征数据和位置点a22处的特征数据后，由于终端上报的特征数据中，包括有SRS的电平值。因此，服务器就可确定出位置点a11对应的SRS的电平值和位置点a22对应的SRS的电平值。假设位置点a11对应的SRS电平值大于位置点a22对应的SRS电平值，则可得到小区A的排序后的两个特征数据为：(位置点a11所对应的特征数据，位置点a22所对应的特征数据)。同理，对于小区B，假设位置点b11对应的SRS的电平值小于终端B4对应的SRS的电平值，则可得到小区B的排序后的两个特征数据为：(终端B4所对应的特征数据，位置点b11所对应的特征数据)。对于小区C，假设位置点c11对应的SRS的电平值大于终端C3对应的SRS的电平值，则可得到小区C排序后的两个特征数据为：(位置点c11所对应的特征数据，终端C3所对应的特征数据)。
4)、基于对应于每个小区的K个等级的特征数据，以及每个小区的经纬度，得到对应于每个小区的K个等级的特征样本。
服务器在得到每个栅格中每个已知位置的小区的不同等级的特征数据后，就可将每个小区中的每个等级的特征数据与所在小区的经纬度关联起来，从而得到每个小区的不同等级的特征样本。
例如，如图3，服务器在得到小区A的排序后的两个特征数据，即(位置点a11所对应的特征数据，位置点a22所对应的特征数据)，可将小区A的经纬度与这两个特征数据关联起来，得到两个特征样本。即，较高等级的特征样1包括：位置点a11所对应的特征数据和小区A的经纬度，较低等级的特征样本2包括：位置点a22所对应的特征数据和小区A的经纬度。
同理，小区B的较高等级的特征样本3包括：终端B4所对应的特征数据和小区B的经纬度，较低等级的特征样本4包括：位置点b11所对应的特征数据和小区B的经纬度。小区C的较高等级的特征样本5包括：位置点c11所对应的特征数据和小区C的经纬度，较低等级的特征样本6包括：终端C3所对应的特征数据和小区C的经纬度。
可选地，服务器在得到所有栅格中每个已知位置的小区的K个等级的特征样本后，可将所有小区的同一等级的特征样本筛选出来，得到K个不同等级的特征样本集。换言之，每个特征样本集中包括了来自多个不同小区的同一等级的特征样本。
例如，如图3，服务器可将小区A的特征样本1、小区B的特征样本3和小区C的特征样本5筛选出来，放进较高等级的特征样本集中，将小区A的特征样本2、小区B的特征样本4和小区C的特征样本6也筛选出来，放进较低等级的特征样本集中。
最后，服务器可基于回归算法，对每个栅格中已知位置的多个小区的特征样本进行学习，从而得到预测模型。
可选地，预测模型包括K个子模型，每个子模型用于基于输入的特征数据确定所述小区的经纬度的预测值，K为大于1的自然数。
示例性地，服务器将K个等级的特征样本分别输入对应的子模型中，以通过所对应的子模型学习K个等级的特征样本中的特征数据与小区的经纬度的映射关系，得到K个子模型。
在本申请中，所采用的子模型可以包括但不限于随机森林模型、支持向量机、梯度提升树或深度学习模型。该子模型可基于回归算法来学习特征数据与小区经纬度的映射关系。每个子模型可用于基于输入的特征数据确定小区的经纬度的预测值。
服务器可将每个栅格中已知位置的小区的不同等级的特征样本分别输入进不同等级的子模型，或者，也可以将不同等级的特征样本集分别输入对应的子模型中，使得各个子模型基于回归算法对相应等级的特征样本中的特征数据与小区的经纬度的映射关系进行机器学习，从而得到多个不同等级的训练后的子模型。
服务器在得到K个子模型后，可将K个子模型进行融合，从而得到预测模型。其中，对子模型进行融合的方式包括但不限于自举汇聚法(bootstrap aggregating，bagging)、提升方法(boosting)和元模型(stacking)。
由于本申请的预测模型是由不同通信质量的多个不同等级的子模型融合得到的，也就是该预测模型是根据不同通信质量等级的特征样本训练得到的。因此，该预测模型对小区位置的预测精度更高。
以上介绍了预测模型的构建过程，下面结合图4介绍小区位置的确定方法。
图4是本申请实施例提供的小区位置的确定方法的示意性流程图。图4所示的方法可以应用于服务器。图4所示的方法可以包括步骤401至步骤402。下面详细说明各个步骤。
步骤401，获取待预测位置的小区中多个终端的特征数据，每个终端的特征数据包括每个终端的测量报告、每个终端的用户KQI和每个终端发送的上行信号的电平。
对于预设范围内，任一栅格中经纬度位置未知的小区，均可作为待预测位置的小区。在需要确定待预测位置的小区的经纬度时，该小区中的多个终端同样可将各自的特征数据上报给基站，由服务器从基站处获取到该小区的多个终端中每个终端所上报的特征数据。应理解，对于特征数据的相关介绍可参照前述说明，在此不再赘述。
步骤402，将多个终端的特征数据输入预测模型中，以得到小区的经纬度。
服务器在获取到待预测位置的小区中多个终端所上报的特征数据，对这些特征数据进行处理后，输入进预测模型中，预测模型就可输出预测的该小区的经纬度。
可选地，参看附图5，上述步骤402可进一步包括步骤501至步骤503。
步骤501，对多个终端的特征数据进行处理，得到K个等级的特征数据，每个等级对应于一个子模型。
服务器在获取到待预测位置的小区中多个终端所上报的特征数据后，可通过执行如下(i)～(iii)的过程得到K个等级的特征数据。
(i)、基于聚类算法，将多个终端的特征数据划分为K组特征数据。
(ii)、基于K组特征数据中的每组特征数据的统计值，得到K个特征数据。
(iii)、按照预设规则，对K个特征数据进行排序，得到K个等级的特征数据。
应理解，(i)～(iii)的执行过程与前述1)～)3的执行过程类似，具体实现过程可参照前述说明，在此不再赘述。
步骤502，将K个等级的特征数据分别输入至对应的子模型中，以通过K个子模型分别确定小区的经纬度的预测值。
如前所述，由于训练得到的K个子模型对应处理不同等级的特征数据。因此，服务器可按照待预测位置的小区的每个特征数据的级别，分别输入对应的子模型中，每个子模型就可基于输入的特征数据确定小区的经纬度的预测值。即，每个子模型均可输出一个该小区的经纬度的预测值。
步骤503，对K个子模型分别确定的小区的经纬度的预测值进行融合，得到小区的经纬度。
服务器同样可采用预设的融合算法将各个子模型预测的小区的经纬度进行融合，得到待预测小区的最终经纬度，从而确定出该小区的位置，将小区的位置反馈给用户即可。
基于上述方案，通过基于回归算法对已知位置的多个小区的特征样本进行机器学习，学习到各小区内终端的特征数据到相应小区经纬度的映射关系，从而能够基于待预测位置的小区中各终端的特征数据，来预测小区经纬度。在预测小区位置时，只需要将待预测位置的小区中多个终端的特征数据输入训练好的预测模型中，就可得到小区的经纬度，提高了小区位置的确定效率。同时，由于训练预测模型的特征样本中不止包含了终端的测量报告，还包含了终端的用户KQI和终端发送的上行信号的电平等其它纬度的特征数据，从而使得用于训练预测模型的特征样本更加多样化，训练得到的预测模型的预测精度更高。
以上，结合图2至图5详细描述了本申请实施例提供的方法。以下，结合图6至图7详细说明本申请实施例提供的装置。
图6是本申请实施例提供的小区位置的确定装置的示意性框图。如图6所示，该装置600可以包括：获取模块610和处理模块620。该装置600中的各模块可用于实现上文方法中服务器的相应流程。
具体地，获取模块610，可以用于获取待预测位置的小区中多个终端的特征数据，每个终端的特征数据包括每个终端的测量报告、每个终端的用户KQI和每个终端发送的上行信号的电平；处理模块620，可以用于将多个终端的特征数据输入预测模型中，以得到该小区的经纬度，该预测模型基于回归算法对已知位置的多个小区的特征样本进行机器学习得到，其中，该已知位置的多个小区中每个小区的特征样本包括每个小区中多个终端的特征数据和每个小区的经纬度。
可选地，该已知位置的多个小区为处于预设范围内的已知位置的多个小区，该多个小区的经纬度由为该多个小区提供通信覆盖的基站的经纬度确定。
可选地，该预测模型包括K个子模型，每个子模型用于基于输入的特征数据确定小区的经纬度的预测值，K为大于1的自然数；所述将多个终端的特征数据输入预测模型中，以得到该小区的经纬度，包括：对多个终端的特征数据进行处理，得到K个等级的特征数据，每个等级对应于一个子模型；将K个等级的特征数据分别输入至对应的子模型中，以通过K个子模型分别确定该小区的经纬度的预测值；对K个子模型分别确定的该小区的经纬度的预测值进行融合，得到该小区的经纬度。
可选地，所述对多个终端的特征数据进行处理，得到K个等级的特征数据，包括：基于聚类算法，将多个终端的特征数据划分为K组特征数据；基于K组特征数据中的每组特征数据的统计值，得到K个特征数据；按照预设规则，对K个特征数据进行排序，得到K个等级的特征数据。
可选地，该方法还包括：对已知位置的多个小区的特征样本进行处理，得到K个等级的特征样本，每个等级的特征样本用于训练所对应的一个子模型，每个等级的特征样本包括处于每个等级的特征数据及其对应小区的经纬度；将K个等级的特征样本分别输入对应的子模型中，以通过所对应的子模型学习K个等级的特征样本中的特征数据与小区的经纬度的映射关系，得到K个子模型。
可选地，所述对已知位置的多个小区的特征样本进行处理，得到K个等级的特征样本，包括：对于多个小区中的每个小区的特征样本，执行如下操作，以得到对应于每个小区的K个等级的特征样本：基于聚类算法，将每个小区中终端的特征数据划分为K组特征数据；基于K组特征数据中的每组特征数据的统计值，得到K个特征数据；按照预设规则，对K个特征数据进行排序，得到对应于每个小区的K个等级的特征数据；基于对应于每个小区的K个等级的特征数据，以及每个小区的经纬度，得到对应于每个小区的K个等级的特征样本。
可选地，该统计值包括：平均值、中位数、最大值、最小值或分位数。
应理解，图6中的小区位置的确定装置的模块划分只是示例性的，在实际应用中可以根据不同的功能需求，划分出不同的功能模块，本申请对实际应用中的功能模块的划分形式和数量不作任何限定，并且图6不能对本申请产生任何限定。
图7是本申请实施例提供的小区位置的确定装置的另一示意性框图。
该装置700可用于实现上述图2、图4中服务器的功能。该装置700可以为芯片系统。本申请实施例中，芯片系统可以由芯片构成，也可以包含芯片和其他分立器件。
如图7所示，该装置700可以包括至少一个处理器710，用于实现上述方法实施例中服务器的功能。
示例性地，当该装置700用于实现上文方法实施例中服务器的功能时，处理器710可以用于获取待预测位置的小区中多个终端的特征数据，每个终端的特征数据包括每个终端的测量报告、每个终端的用户KQI和每个终端发送的上行信号的电平；将多个终端的特征数据输入预测模型中，以得到该小区的经纬度，该预测模型基于回归算法对已知位置的多个小区的特征样本进行机器学习得到，其中，该已知位置的多个小区中每个小区的特征样本包括每个小区中多个终端的特征数据和每个小区的经纬度。具体参见方法示例中的详细描述，此处不做赘述。
该装置700还可以包括至少一个存储器720，可以用于保存程序指令和数据等。存储器720和处理器710耦合。本申请实施例中的耦合是装置、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710可能和存储器720协同操作。处理器710可能执行存储器720中存储的程序指令。该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700还可以包括通信接口730，用于通过传输介质和其它设备进行通信，从而使得该装置700可以和其它设备进行通信。所述通信接口730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710可利用通信接口730收发数据和/或信息，并用于实现上文方法实施例中服务器的功能。
本申请实施例中不限定上述处理器710、存储器720以及通信接口730之间的具体连接介质。本申请实施例在图7中以处理器710、存储器720以及通信接口730之间通过总线740连接。总线740在图7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7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。
本申请还提供了一种芯片系统，所述芯片系统包括至少一个处理器，用于实现上述图2、图4和图5所示实施例中所述服务器执行的方法中所涉及的功能。
在一种可能的设计中，所述芯片系统还包括存储器，所述存储器用于保存程序指令和数据，存储器位于处理器之内或处理器之外。
该芯片系统可以由芯片构成，也可以包含芯片和其他分立器件。
本申请还提供一种计算机程序产品，所述计算机程序产品包括：计算机程序(也可以称为代码，或指令)，当所述计算机程序被运行时，使得计算机执行如图2、图4和图5所示实施例的方法。
本申请还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序(也可以称为代码，或指令)。当所述计算机程序被运行时，使得计算机执行如图2、图4和图5所示实施例的方法。
应理解，本申请实施例中的处理器可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(digitalsignal processor，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现场可编程门阵列(field programmable gate array，FPGA)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实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
还应理解，本申请实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，ROM)、可编程只读存储器(programmable ROM，PROM)、可擦除可编程只读存储器(erasable PROM，EPROM)、电可擦除可编程只读存储器(electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(static RAM，SRAM)、动态随机存取存储器(dynamic RAM，DRAM)、同步动态随机存取存储器(synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(double data rateSDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(directrambus RAM，DR RAM)。应注意，本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
本说明书中使用的术语“单元”、“模块”等，可用于表示计算机相关的实体、硬件、固件、硬件和软件的组合、软件、或执行中的软件。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各种说明性逻辑块(illustrative logical block)和步骤(step)，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。在本申请所提供的几个实施例中，应该理解到，所揭露的装置、设备和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上单元集成在一个模块中。
在上述实施例中，各功能模块的功能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(程序)。在计算机上加载和执行所述计算机程序指令(程序)时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、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能够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，数字通用光盘(digital video disc，DVD))、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
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 (8)

1.一种小区位置的确定方法，其特征在于，包括：
获取待预测位置的小区中多个终端的特征数据，每个终端的特征数据包括所述每个终端的测量报告、所述每个终端的用户关键质量指标KQI和所述每个终端发送的上行信号的电平；
将所述多个终端的特征数据输入预测模型中，以得到所述小区的经纬度，所述预测模型基于回归算法对已知位置的多个小区的特征样本进行机器学习得到，其中，所述已知位置的多个小区中每个小区的特征样本包括所述每个小区中多个终端的特征数据和所述每个小区的经纬度；
所述预测模型包括K个子模型，每个子模型用于基于输入的特征数据确定所述小区的经纬度的预测值，K为大于1的自然数；
所述将所述多个终端的特征数据输入预测模型中，以得到所述小区的经纬度，包括：
对所述多个终端的特征数据进行处理，得到K个等级的特征数据，每个等级对应于一个子模型；
将所述K个等级的特征数据分别输入至对应的子模型中，以通过所述K个子模型分别确定所述小区的经纬度的预测值；
对所述K个子模型分别确定的所述小区的经纬度的预测值进行融合，得到所述小区的经纬度；
所述对所述多个终端的特征数据进行处理，得到K个等级的特征数据，包括：
基于聚类算法，将所述多个终端的特征数据划分为K组特征数据；
基于所述K组特征数据中的每组特征数据的统计值，得到K个特征数据；
按照预设规则，对所述K个特征数据进行排序，得到所述K个等级的特征数据。
2.如权利要求1所述的方法，其特征在于，所述已知位置的多个小区为处于预设范围内的已知位置的多个小区，所述多个小区的经纬度由为所述多个小区提供通信覆盖的基站的经纬度确定。
3.如权利要求1所述的方法，其特征在于，所述方法还包括：
对已知位置的多个小区的特征样本进行处理，得到K个等级的特征样本，每个等级的特征样本用于训练所对应的一个子模型，每个等级的特征样本包括处于所述每个等级的特征数据及其对应小区的经纬度；
将所述K个等级的特征样本分别输入对应的子模型中，以通过所对应的子模型学习所述K个等级的特征样本中的特征数据与小区的经纬度的映射关系，得到所述K个子模型。
4.如权利要求3所述的方法，其特征在于，所述对已知位置的多个小区的特征样本进行处理，得到K个等级的特征样本，包括：
对于所述多个小区中的每个小区的特征样本，执行如下操作，以得到对应于所述每个小区的K个等级的特征样本：
基于聚类算法，将所述每个小区中终端的特征数据划分为K组特征数据；
基于所述K组特征数据中的每组特征数据的统计值，得到K个特征数据；
按照预设规则，对所述K个特征数据进行排序，得到对应于所述每个小区的K个等级的特征数据；
基于对应于所述每个小区的K个等级的特征数据，以及所述每个小区的经纬度，得到对应于所述每个小区的K个等级的特征样本。
5.如权利要求1或4所述的方法，其特征在于，所述统计值包括：平均值、中位数、最大值、最小值或分位数。
6.一种小区位置的确定装置，其特征在于，包括：
获取模块，用于获取待预测位置的小区中多个终端的特征数据，每个终端的特征数据包括所述每个终端的测量报告、所述每个终端的用户关键质量指标KQI和所述每个终端发送的上行信号的电平；
处理模块，用于将所述多个终端的特征数据输入预测模型中，以得到所述小区的经纬度，所述预测模型基于回归算法对已知位置的多个小区的特征样本进行机器学习得到，其中，所述已知位置的多个小区中每个小区的特征样本包括所述每个小区中多个终端的特征数据和所述每个小区的经纬度；
所述预测模型包括K个子模型，每个子模型用于基于输入的特征数据确定所述小区的经纬度的预测值，K为大于1的自然数；
所述处理模块，具体用于对所述多个终端的特征数据进行处理，得到K个等级的特征数据，每个等级对应于一个子模型；
将所述K个等级的特征数据分别输入至对应的子模型中，以通过所述K个子模型分别确定所述小区的经纬度的预测值；
对所述K个子模型分别确定的所述小区的经纬度的预测值进行融合，得到所述小区的经纬度；
所述处理模块，还具体用于基于聚类算法，将所述多个终端的特征数据划分为K组特征数据；
基于所述K组特征数据中的每组特征数据的统计值，得到K个特征数据；
按照预设规则，对所述K个特征数据进行排序，得到所述K个等级的特征数据。
7.一种小区位置的确定装置，其特征在于，包括处理器，所述处理器用于执行计算机程序，以实现如权利要求1至5中任一项所述的方法。
8.一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5中任一项所述的方法。
CN202210590901.5A 2022-05-27 2022-05-27 一种小区位置的确定方法和装置 Active CN114867033B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210590901.5A CN114867033B (zh) 2022-05-27 2022-05-27 一种小区位置的确定方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210590901.5A CN114867033B (zh) 2022-05-27 2022-05-27 一种小区位置的确定方法和装置

Publications (2)

Publication Number Publication Date
CN114867033A CN114867033A (zh) 2022-08-05
CN114867033B true CN114867033B (zh) 2023-07-11

Family

ID=82641073

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210590901.5A Active CN114867033B (zh) 2022-05-27 2022-05-27 一种小区位置的确定方法和装置

Country Status (1)

Country Link
CN (1) CN114867033B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107231649A (zh) * 2016-03-25 2017-10-03 中国移动通信有限公司研究院 一种室内弱覆盖的确定方法及装置
CN109451532A (zh) * 2018-11-16 2019-03-08 中国联合网络通信集团有限公司 一种基站位置的核查方法及装置
CN110881191A (zh) * 2019-11-20 2020-03-13 中国联合网络通信集团有限公司 小区经纬度的获取方法、装置、系统及存储介质
CN114173351A (zh) * 2021-11-29 2022-03-11 中国联合网络通信集团有限公司 基站部署位置的确定方法、装置、设备及可读存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ATE548665T1 (de) * 2006-12-04 2012-03-15 Ericsson Telefon Ab L M Verfahren und anordnung für erweiterte zellenidentifikation und zellenpositionsbestimmung
US11310676B2 (en) * 2019-04-23 2022-04-19 Spectrum Effect Inc. Methods for mitigating interference and maximizing capacity for time division duplex cellular networks

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107231649A (zh) * 2016-03-25 2017-10-03 中国移动通信有限公司研究院 一种室内弱覆盖的确定方法及装置
CN109451532A (zh) * 2018-11-16 2019-03-08 中国联合网络通信集团有限公司 一种基站位置的核查方法及装置
CN110881191A (zh) * 2019-11-20 2020-03-13 中国联合网络通信集团有限公司 小区经纬度的获取方法、装置、系统及存储介质
CN114173351A (zh) * 2021-11-29 2022-03-11 中国联合网络通信集团有限公司 基站部署位置的确定方法、装置、设备及可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于采样点聚类和切换象限划分核查小区方位角;高峰;雷蕾;杜日览;黎峰;徐钽;李银;左修玉;;电信科学(第05期);全文 *

Also Published As

Publication number Publication date
CN114867033A (zh) 2022-08-05

Similar Documents

Publication Publication Date Title
CN108271165B (zh) 一种基站网络信号覆盖状态的预测方法及系统
JP2002057614A (ja) 無線通信システム中のｒｆ伝播評価方法と装置
CN109413661B (zh) 一种计算站距的方法及装置
CN111107556B (zh) 一种移动通信网络的信号覆盖质量评估方法和装置
WO2021259372A1 (zh) 无线信号传播预测方法及装置
JP2023535841A (ja) 基地局の省エネルギー処理方法及び処理装置
CN112566143B (zh) 负载均衡方法、装置及计算设备
CN112867147A (zh) 定位方法和定位装置
CN114828026A (zh) 基站规划方法、装置、设备、存储介质及程序产品
CN113141570A (zh) 地下场景定位方法、装置、计算设备及计算机存储介质
CN111143639A (zh) 用户亲密度计算方法、装置、设备及介质
CN114430530A (zh) 空间划分方法、装置、设备、介质和程序产品
CN112469116B (zh) 定位方法、装置、电子设备和计算机可读存储介质
CN116528282B (zh) 覆盖场景识别方法、装置、电子设备和可读存储介质
CN113961780A (zh) 常驻小区的获取方法、装置、电子设备以及存储介质
CN114867033B (zh) 一种小区位置的确定方法和装置
CN112613530A (zh) 基于自适应密度聚类算法的小区住户识别方法和系统
US20230075690A1 (en) Reduction and geo-spatial distribution of training data for geolocation prediction using machine learning
CN113269379A (zh) 房屋资产等级的确定方法、装置、存储介质和计算机设备
CN113890833B (zh) 网络覆盖预测方法、装置、设备及存储介质
CN111935772A (zh) 一种确定业务区域的价值的方法和装置
US20230403575A1 (en) Cell Similarity Indicator Based on Coverage Area Morphology
CN117240329A (zh) 一种天线选择方法、装置及系统
CN118803853A (zh) 用户接入数的确定方法、装置、设备及可读存储介质
CN118158615A (zh) 测量报告mr数据回填方法、装置、设备及存储介质

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