CN114970081A - 空分复用流数优化方法、装置、设备及计算机存储介质 - Google Patents
空分复用流数优化方法、装置、设备及计算机存储介质 Download PDFInfo
- Publication number
- CN114970081A CN114970081A CN202210319676.1A CN202210319676A CN114970081A CN 114970081 A CN114970081 A CN 114970081A CN 202210319676 A CN202210319676 A CN 202210319676A CN 114970081 A CN114970081 A CN 114970081A
- Authority
- CN
- China
- Prior art keywords
- rank
- configuration data
- simulation
- cell
- grids
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/02—CAD in a network environment, e.g. collaborative CAD or distributed simulation
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Remote Sensing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请公开了一种空分复用流数优化方法、装置、设备及计算机存储介质。其中,方法包括:获取预设区域的三维电子地图与P组配置数据,预设区域包括Q个小区,配置数据用于配置小区,Q个小区关联有K个栅格,且每一小区关联有至少一个栅格;基于P组配置数据,在三维电子地图中进行多径信道仿真,得到RANK仿真结果,RANK仿真结果包括与K个栅格对应的K个第一RANK值;基于K个第一RANK值对K个栅格进行聚类,得到目标区域,目标区域包括至少一个栅格;对目标区域对应的小区进行配置,以优化目标区域的RANK。本申请实施例可以高效确定出可进行RANK优化的目标区域,针对目标区域对应的小区进行配置,可以实现区域整体RANK的有效优化。
Description
技术领域
本申请属于通信技术领域,尤其涉及一种空分复用流数优化方法、装置、设备及计算机存储介质。
背景技术
在5G通信系统中,终端根据无线参考信号进行信号估计,可以得到空分复用流数(5G RANK,以下简称RANK)。RANK可以指终端下行信道相干性最小的最大流数,其通常是影响5G业务体验的关键因素之一。
相关技术中,通常基于路测方式获取终端的RANK,以进一步对RANK进行优化。然而,由于实际无线环境较为复杂,相关技术难以实现对区域内整体RANK的有效优化。
发明内容
本申请实施例提供一种空分复用流数优化方法、装置、设备及计算机存储介质,以解决相关技术难以实现对区域内整体RANK的有效优化的问题。
第一方面,本申请实施例提供一种空分复用流数优化方法,方法包括:
获取预设区域的三维电子地图与P组配置数据,预设区域包括Q个小区,配置数据用于配置小区,Q个小区关联有K个栅格,且每一小区关联有至少一个栅格,P与K均为大于1的整数,Q为正整数;
基于P组配置数据,在三维电子地图中进行多径信道仿真,得到 RANK仿真结果,RANK仿真结果包括与K个栅格对应的K个第一RANK 值;
基于K个第一RANK值对K个栅格进行聚类,得到目标区域,目标区域包括至少一个栅格;
对目标区域对应的小区进行配置,以优化目标区域的RANK。
第二方面,本申请实施例提供了一种空分复用流数优化装置,装置包括:
第一获取模块,用于获取预设区域的三维电子地图与P组配置数据,预设区域包括Q个小区,配置数据用于配置小区,Q个小区关联有K个栅格,且每一小区关联有至少一个栅格,P与K均为大于1的整数,Q为正整数;
仿真模块,用于基于P组配置数据,在三维电子地图中进行多径信道仿真,得到空分复用流数RANK仿真结果,RANK仿真结果包括与K个栅格对应的K个第一RANK值;
聚类模块,用于基于K个第一RANK值对K个栅格进行聚类,得到目标区域,目标区域包括至少一个栅格;
配置优化模块,用于对目标区域对应的小区进行配置,以优化目标区域的RANK。
第三方面,本申请实施例提供了一种电子设备,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第一方面所示的空分复用流数优化方法。
第四方面,本申请实施例提供了一种计算机存储介质,计算机可读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第一方面所示的空分复用流数优化方法。
第五方面,本申请实施例提供了一种计算机程序产品,其特征在于,计算机程序产品中的指令由电子设备的处理器执行时,使得电子设备执行如第一方面所示的空分复用流数优化方法。
本申请实施例提供的空分复用流数优化方法,获取预设区域的三维电子地图与P组配置数据,预设区域包括Q个小区,配置数据用于配置小区, Q个小区关联有K个栅格,且每一小区关联有至少一个栅格,基于P组配置数据,在三维电子地图中进行多径信道仿真,得到空分复用流数RANK 仿真结果,RANK仿真结果包括与K个栅格对应的K个第一RANK值;基于K个第一RANK值对K个栅格进行聚类,得到目标区域,目标区域包括至少一个栅格;对目标区域对应的小区进行配置,以优化目标区域的 RANK。本申请实施例基于三维电子地图、多径信道仿真以及聚类算法的应用,可以比较方便准确地确定出可进行RANK优化的目标区域,针对目标区域对应的小区进行配置,可以实现区域整体RANK的有效优化。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请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是本申请实施例提供的空分复用流数优化方法的流程示意图;
图2是传播模型仿真与修正的原理图;
图3是在一具体应用例中空分复用流数优化方法的一个流程示意图;
图4是在一具体应用例中空分复用流数优化方法的又一流程示意图;
图5是本申请实施例提供的空分复用流数优化装置的结构示意图;
图6是本申请实施例提供电子设备的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例,为了使本申请的目的、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,对本申请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申请,而不是限定本申请。对于本领域技术人员来说,本申请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申请的示例来提供对本申请更好的理解。
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,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
为了解决现有技术问题,本申请实施例提供了一种空分复用流数优化方法、装置、设备及计算机存储介质。下面首先对本申请实施例所提供的空分复用流数优化方法进行介绍。
图1示出了本申请一个实施例提供的空分复用流数优化方法的流程示意图。如图1所示,该方法包括:
步骤101,获取预设区域的三维电子地图与P组配置数据,预设区域包括Q个小区,配置数据用于配置小区,Q个小区关联有K个栅格,且每一小区关联有至少一个栅格,P与K均为大于1的整数,Q为正整数;
步骤102,基于P组配置数据,在三维电子地图中进行多径信道仿真,得到空分复用流数(以下简称RANK)仿真结果,RANK仿真结果包括与 K个栅格对应的K个第一RANK值;
步骤103,基于K个第一RANK值对K个栅格进行聚类,得到目标区域,目标区域包括至少一个栅格;
步骤104,对目标区域对应的小区进行配置,以优化目标区域的 RANK。
本申请实施例提供的空分复用流数优化方法可以应用于电子设备中,该电子设备可以是可移动式的电子设备,例如智能移动终端或者便携式电脑等,也可以是固定式的电子设备,例如服务器或者工业计算机等。
在步骤101中,预设区域的范围可以根据实际需要进行设定,该预设区域可以具有对应的三维电子地图。
结合一些举例,三维电子地图可以包括预设区域中典型建筑物特征信息,如海拔、建筑物宽度和高度等。
在实际应用中,还可以结合一些路测数据,对三维电子地图进行更新,比如,可以通过激光雷达对街道两侧的广告牌或者交通设施等物体进行扫描,将扫描的结果映射到三维电子地图中,实现三维电子地图的更新。
预设区域可以包括Q个小区。一般来说,针对预设区域,可以进行栅格的划分,比如,在一些示例中,可以将预设区域对应的空间划分成多个预设尺寸的栅格,比如5m×5m×5m尺寸的栅格。当然,实际应用中,栅格的尺寸可以根据需要进行调整。
每一个栅格可以与至少一个小区存在关联关系,比如,该关联关系可以表现为位于一个栅格中的终端可以与关联的小区的基站进行通信。
本实施例中,上述的Q个小区可以关联有K个栅格,每个小区可以关联至少一个栅格。在实际应用中,一个栅格可能关联一个小区,也可以关联多个小区。
配置数据可以用于配置小区。结合一些举例,配置数据可以用于对小区基站的工作频段或者最大发射功率等进行配置,或者,对小区基站天线的倾角或者天线权值等进行配置等。
当然,在一些应用场景中,配置数据也可以包括其他的小区工参,比如,小区基站经纬度、天线挂高等,这些小区工参也可以用于对小区进行配置,以便对小区基站进行选址等内容的优化。
在步骤102中,电子设备可以基于P组配置数据,在三维电子地图中进行多径信道仿真。
结合一些举例,根据配置数据,可以在三维电子地图中对小区经纬度、方位角、天线挂高、下倾角以及天线权值等参数进行配置,进而建立三维射线传播模型。结合三维电子地图中建筑物海拔、宽度、高度以及朝向角度等信息,通过三维射线追踪技术实现多径信道仿真。
容易理解的是,针对各组配置数据,通过多径信道仿真可以得到对应的仿真结果。仿真结果可以包括上述的RANK仿真结果。比如,RANK仿真结果可以在各组配置数据下,各个栅格的RANK值。而在一些可能的实施方式中,仿真结果也可以包括例如参考信号接收功率(Reference Signal Received Power,RSRP)等参数的仿真值,当然,本实施例中,对于仿真结果中除RANK值以外的参数的仿真值可以不做具体限定。
本实施例中,RANK仿真结果可以包括K个栅格对应的K个第一 RANK值。
在一些举例中,在P组配置数据中的一组配置数据下,可以使得K个栅格的RANK值的均值最大,则可以将均值最大时的各个栅格的RANK值作为各个栅格对应的第一RANK值。
而在另一些举例中,可以以小区为单位进行第一RANK值的确定,比如,针对一个小区,在P组配置数据中的一个配置数据下,可以使得该小区关联的全部栅格的RANK值的均值最大,则可以将均值最大时,该小区关联的各个栅格的RANK值,确定为该小区关联的各个栅格的第一RANK 值。对于其他的小区,也可以按照类似的方式,来确定小区关联的栅格的第一RANK值。
当然,K个栅格对应的K个第一RANK值也可以通过其他方式来从上述的RANK仿真结果中获得。总的来说,第一RANK值可以反映出,在P 个配置参数对应的小区配置下,栅格能够获得的最优或接近最优的RANK 值。
而RANK优化的目的,在一定程度上可以认为是能够通过对小区的配置,使得各个栅格能够获取最优或接近最优的RANK值。
在步骤103中,电子设备可以基于K个第一RANK值对K个栅格进行聚类,得到目标区域。
结合一些举例,电子设备可以采用基于密度的聚类算法,比如基于密度的噪声应用空间聚类(Density-Based Spatial Clustering of Applications with Noise,DBSCAN),或者均值漂移聚类等。当然,实际应用中,也可以采用其他的聚类算法,来对K个栅格进行聚类。
实际应用中,电子设备可以直接基于K个第一RANK值进行聚类,得到的目标区域可以是RANK相对较高或者相对较低的连续区域。对于 RANK相对较低的目标区域,后续可以通过对目标区域对应的小区进行配置优化,例如提升硬件配置或者对小区基站位置进行调整,实现目标区域的RANK的优化。
或者,电子设备也可以是将K个第一RANK值和K个栅格实际的 RANK值进行差值计算,根据差值进行聚类,得到具有优化潜力的目标区域,后续可以通过对目标区域对应的小区进行配置优化,实现目标区域的RANK的优化。
如上文所示的,目标区域可以是基于聚类算法得到的比较连续的区域,相较于针对零散的栅格进行RANK优化,针对连续的目标区域进行RANK 优化,更为符合实际场景中RANK优化需求。
在步骤104中,可以对目标区域对应的小区进行配置,以优化目标区域的RANK。
在一些举例中,可以结合上述的P组配置数据中的全部或部分配置数据,或者选择的新的配置数据,在上述的三维电子地图进行多径信道仿真,获取使得目标区域中所有栅格的RANK值达到最优的配置数据,并基于该配置数据来配置目标区域对应的小区,实现目标区域的RANK优化。
当然,实际应用中,电子设备也可以结合路测数据进行目标区域对应的小区进行配置,比如,使用终端在实际的栅格位置进行RANK值的测量,基于测量的RANK值来优化小区的配置,进而实现目标区域的RANK优化。
本申请实施例提供的空分复用流数优化方法,获取预设区域的三维电子地图与P组配置数据,预设区域包括Q个小区,配置数据用于配置小区, Q个小区关联有K个栅格,且每一小区关联有至少一个栅格,基于P组配置数据,在三维电子地图中进行多径信道仿真,得到空分复用流数RANK 仿真结果,RANK仿真结果包括与K个栅格对应的K个第一RANK值;基于K个第一RANK值对K个栅格进行聚类,得到目标区域,目标区域包括至少一个栅格;对目标区域对应的小区进行配置,以优化目标区域的 RANK。本申请实施例基于三维电子地图、多径信道仿真以及聚类算法的应用,可以比较方便准确地确定出可进行RANK优化的目标区域,针对目标区域对应的小区进行配置,可以实现区域整体RANK的有效优化。
在一些实施方式中,步骤101中获取的三维电子地图与配置数据可以包括以下内容。
三维电子地图可以包含了预设区域内典型建筑物特征信息,如海拔、建筑物宽度和高度等。
每组配置数据可以包括新空口(New Radio,NR)小区工参、基站配置数据以及天线文件中的至少一项。
其中,NR小区工参可以包括基站经纬度、天线挂高、方位角、下倾角以及站址类型、覆盖场景等。
基站配置数据可以包括5G毫米频段、最大发射功率及切换/重选参数配置、邻区配置等关键信息。
以64TR天线为例,天线文件可以包括5G毫米天线17组典型广播波束权值、12种电下倾角可调(-2°~+9°)和95种电子方位角可调(-47°~+47°),共5091种天线权值组合。
如上文所示的,电子设备还可以应用到路测数据,本实施方式中,路测数据可以是NR路测数据,其可以包括测试终端经纬度、同步信号和广播物理信道块-RSRP(Synchronization Signal and Physical Broadcast CHannel block-RSRP,SSB-RSRP)、信号与干扰加噪声比(Signal to Interference plus Noise Ratio,SINR)、RANK实测值、传输模式(Transmission Mode, TM)、调制与编码策略(Modulation and Coding Scheme,MCS)等采样点信息。
可选地,上述步骤101,基于P组配置数据,在三维电子地图中进行多径信道仿真,得到RANK仿真结果,包括:
根据三维电子地图与配置数据,建立基于三维射线追踪的传播模型;
基于传播模型与预设的多入多出(Multiple Input Multiple Output, MIMO)信道模型进行多径信道仿真,得到RANK仿真结果。
结合一些举例,本实施例中,三维电子地图可以认为是通过三维地理化建模得到的预设区域的模型。
在三维地理化建模基础上,结合各组配置数据中的内容,比如上述合 NR小区经纬度、方位角、天线挂高、下倾角以及天线权值等,可以建立基于三维射线追踪的传播模型(以下简称3D射线追踪传播模型)。
如上文所示的,三维电子地图可以包括预设区域中典型建筑物特征信息,例如建筑物海拔、朝向角度等信息等。3D射线追踪传播模型结合这些信息,可以通过三维射线追踪技术仿真小区的多径效果。
具体来说,本实施例中,小区的多径效果可以通过MIMO信道模型来实现。基于传播模型与MIMO信道模型可以实现多径信道仿真,进而得到 RANK仿真结果。
在一些实施方式中,传播模型与MIMO信道模型的多径信道仿真,可以得到MIMO信道模型所需的多径参数,并计算得到MIMO信道矩阵,通过MIMO信道矩阵中MIMO信道的相关性评估,可以得到每个栅格的RANK值。
比如,电子设备可以对MIMO信道矩阵进行奇异值分解(Singular ValueDecomposition,SVD),得到MIMO信道矩阵的特征值,MIMO信道矩阵的特征值大小,可以反映信道相关性大小。而根据相关性大小,可以确定各个栅格与任意小区基站之间的RANK值。
结合以上举例可以,电子设备可以根据三维电子地图中的建筑物海拔、朝向角度等信息进行三维地理化建模,结合NR小区经纬度、方位角、天线挂高、下倾角以及天线权值建立3D射线追踪传播模型,仿真5G小区的多径效果,能够有效提升仿真结果的准确性。
可选地,基于传播模型与预设的MIMO信道模型进行多径信道仿真,得到RANK仿真结果之前,方法还包括:
获取在至少一组预设配置数据下,目标参数在K个栅格中多个栅格中的实测值,目标参数包括RANK值与RSRP中的至少一项;
获取在至少一组预设配置数据下,基于多径信道仿真得到的目标参数在K个栅格中多个栅格中的仿真值;
基于目标参数在K个栅格中多个栅格中的实测值与仿真值,修正传播模型的模型参数。
预设配置数据可以是上述P组配置数据中的一组或多组配置数据,也可以是P组配置数据之外的数据,比如,可以是预设区域中的小区的实际的配置数据等,此处不做具体限定。
目标参数可以是RANK值与RSRP中的至少一项。
在预设配置数据下,通过路测终端可以在K个栅格中的多个栅格中采集例如RANK或者RSRP等目标参数的实测值。
与实测值相对应地,在上述的预设配置数据下,通过多径信道仿真,也可以得到多个栅格中的目标参数的仿真值。
容易理解的是,实测值与仿真值越接近,说明多径信道仿真的仿真效果越好。因此,基于目标参数在K个栅格中多个栅格中的实测值与仿真值,可以对多径信道仿真中所采用的模型进行修正,以使得修正后的模型能够输出更为精准的仿真值。
实测值采集所涉及的多个栅格,可以是与仿真值所涉及的多个栅格一一对应的,通过修正传播模型的模型参数,可以使得目标参数在同一个栅格的实测值与仿真值相等或近似。
或者,实测值采集所涉及的多个栅格,可以是与仿真值所涉及的多个栅格也可以并非是一一对应的,通过修正传播模型的模型参数,使得目标参数在多个栅格中的实测值与仿真值的统计学参数相等或近似。该统计学参数可以是均方误差(Mean Square Error,MSE)、平均值或者其他参数等,此处不做具体限定。
本实施例基于目标参数的实测值与仿真值对上述传播模型中的模型参数进行修正,能够使得基于修正后的传播模型得到的相关仿真值能够与实际情况更加贴近,进而提高针对预设区域或目标区域的多径信道仿真的仿真精度。
如图2所示,以下结合一个具体实施方式,对基于实测值与仿真值对传播模型的模型参数进行修正的过程进行说明。
在接收到预设配置数据的情况下,上述的传播模型可以根据预设配置数据输出MIMO信道模型所需的多径参数,以及多个栅格的RSRP仿真值。多径参数输入到MIMO信道模型中,可以进一步得到RANK仿真结果,其中包括了多个栅格的RANK仿真值。
类似地,在预设配置数据,基于路测的方式,可以得到预设区域中多个栅格的RSRP实测值与RANK实测值。
电子设备可以针对多个栅格的RSRP仿真值以及多个栅格的RSRP实测值分别求取MSE,基于两个MSE可以对传播模型的模型参数进行修正。
类似地,电子设备还可以针对多个栅格的RANK仿真值以及多个栅格的RANK实测值分别求取MSE,基于两个MSE可以对传播模型的模型参数进行修正,实现模型参数校准。
基于以上实施方式可见,本申请实施例可以结合三维射线追踪技术、 MIMO信道模型建模完成RANK精准仿真,利用射线追踪技术仿真多径环境,并结合实测RSRP/RANK数据修正仿真中所使用的模型参数,可更加精准地反映实际的无线环境,提高5G小区多径效果的仿真精度,较现有依赖路测数据的技术有更丰富、更全面的评估手段。
可选地,基于P组配置数据,在三维电子地图中进行多径信道仿真,得到空分复用流数RANK仿真结果,包括:
基于多径信道仿真,分别获取在每一组配置数据下,与K个栅格对应的K个RANK仿真值;
获取在P组配置数据下,第一小区对应的P个RANK均值,第一小区为Q个小区中的任一小区,一个RANK均值为在一组配置数据下,第一小区所关联的全部栅格对应的RANK仿真值的平均值;
在第一小区对应P个RANK均值中的最大值的情况下,第一小区关联的各个栅格对应的RANK仿真值确定为第一RANK值。
以下结合一个具体应用例对本实施例进行说明。
该应用例中,多径信道仿真可以是在包括上述的传播模型与MIMO信道模型的仿真模型来实现的,每一组配置数据可以对应为一组无线射频信号+立体覆盖波束(以下简称RF+Pattern)调整方案。
比如,如上文所示的,一组配置数据可以包括基站配置数据与天线文件等内容,通过对这些内容的设置,可以实现RF+Pattern的设置。相应地,一组配置数据可以对应一组RF+Pattern调整方案。
本申请实施例在进行多径信道仿真时,使用了多组配置数据,相当于在仿真模型中存在模拟调整天线(例如大规模MIMO天线等)的 RF+Pattern调整方案的过程。
本应用例可以仿真出预设区域的Q个小区在每组RF+Pattern调整方案下,对应的多径传播效果。由于预设区域可以预先划分成若干个三维立体栅格(例如上文中提到的5m×5m×5m尺寸的栅格),在仿真出多径传播效果的情况下,可以得到每个栅格的RANK仿真值,记为Rij,其中,Rij可以具体解释为在第i个小区中的第j个栅格的RANK仿真值,i为小于或等于Q的正整数,j为正整数。
其中,n为第i个小区覆盖范围内栅格的总数,或者称为第i个小区关联的全部栅格的数量。
在本应用例中,可以确定P个中的最大值,P个中的最大值可以对应有相应的RF+Pattern调整方案,该RF+Pattern调整方案下获得的第i 个小区覆盖的各个栅格的RANK仿真值,可以作为上述的第一RANK值。
基于以上应用例可见,本实施例可以通过配置数据的调整,使得每个小区整体产生较高的RANK环境,在此基础上再对各个栅格的第一RANK 值进行确定,以便在预设区域整体具有较优的RANK环境的情况下,进一步寻求对局部区域的RANK优化方案,提高预设区域的RANK优化效果。
在一些实施方式中,当一个栅格同时被多个小区所覆盖时,基于上文中提到的第一RANK值的确定方式,该栅格可以得到与多个小区分别对应的多个初始的第一RANK值。在一些实施方式中,可以将这多个初始的第一RANK中最大的第一RANK值,作为该栅格最终的第一RANK值。
由于第一RANK值可以用于反映对应的栅格理论上能够通过优化到达的RANK值,将关联有多个小区的栅格最终的第一RANK,确定为最大的初始的第一RANK,有助于更好地确定可进行RANK优化的栅格。
可选地,获取在P组配置数据下,第一小区对应的P个RANK均值之后,方法还包括:
获取与第一小区关联的目标配置数据集,目标配置数据集包括M组配置数据,在M组配置数据下,第一小区对应的M个RANK均值,为P个 RANK均值中最大的M个RANK均值,M为小于或等于P的正整数;
步骤104,对目标区域对应的小区进行配置,具体包括:
基于目标区域对应的小区所关联的目标配置数据集,对目标区域对应的小区进行配置。
即第i个小区关联的目标配置数据集Si可以包括M个RANK均值,这 M个RANK均值可以是全部P个RANK均值中最大的M个RANK均值。
容易理解的是,上述的第一小区可以是任一小区,对于其他的小区,也可以按照类似的方式确定关联的目标配置数据集。换而言之,Si中的i值可以是小于或等于Q的正整数中的任一个值,针对Q个小区,可以确定关联的Q个目标配置数据集。
在获得与Q个小区关联的Q个目标配置数据集的基础上,步骤104中,在确定目标区域对应的小区的情况下,可以确定目标区域对应的小区所关联的各个目标配置数据集,并在这些目标配置数据集中选择配置数据,用于对小区进行配置。
目标配置数据集中的配置数据可以认为是能够使得至少一个小区能够获得较优的RANK环境的配置数据,因此,步骤104中,选用这些目标配置数据集中的配置数据进行小区的配置,一方面,有助于使得经过小区配置后的目标区域依然能够具有相对较好的整体RANK环境,另一方面,也可以减少寻求较优RANK环境对应的配置数据所需要遍历的配置数据的数量,提高RANK优化效率。
可选地,基于目标区域对应的小区所关联的目标配置数据集,对目标区域对应的小区进行配置,包括:
获取L组配置数据,L组配置数据为P组配置数据中的全部或部分配置数据,L为大于1,且小于或等于P的整数;
基于L组配置数据,在三维电子地图中进行多径信道仿真,获取与L 组配置数据对应的L个仿真结果,每一仿真结果均包括目标区域所包括的各个栅格的第一仿真参数,第一仿真参数包括RANK仿真值、RSRP、 SINR以及重叠覆盖结果中的至少一项;
分别针对每一仿真结果中的第一仿真参数进行加权处理,得到与L组配置数据对应的L个第一加权处理结果;
基于对应最优的第一加权处理结果的配置数据配置目标区域对应的小区。
结合一些举例,L组配置数据,可以是上述目标区域对应的小区关联的目标配置数据集中的配置数据。当然,在一些可行的实施方式中,L组配置数据也可以是全部的P组配置数据。
上文实施例中,对基于配置数据在三维电子地图中进行多径信道仿真的方式进行了详细说明,此处不再赘述。
通过多径信道仿真,可以得到L组配置数据对应的L个仿真结果。每一仿真结果均包括目标区域所包括的各个栅格的第一仿真参数,这些第一仿真参数可以包括RANK仿真值、RSRP、SINR以及重叠覆盖结果中的至少一项。
结合一个具体应用例,第一仿真参数可以包括RANK仿真值、RSRP、 SINR以及重叠覆盖结果这些子参数,这些子参数可以分别记为X1、X2、 X3以及X4,为体现第一仿真参数与栅格之间的关系,可以将第j个栅格对应的各个子参数分别记为以及
针对第一仿真参数中的各个参数,可以分别赋予相应的权值,并分别记为WRANK、WRSRP、WSINR以及Woverlap,针对每一仿真结果中的第一仿真参数进行加权处理,相应得到的第一加权处理结果记为V,则有:
其中,n′对目标区域所包括的栅格的总数。
每一组配置数据,可以对应获得一第一加权处理结果V,第一加权处理结果V为量化值,因此,电子设备可以确定出值最高的第一加权处理结果V以及对应的配置数据,并可以进一步使用该配置数据配置目标区域对应的小区,从而实现目标区域的RANK优化。
可选地,基于对应最优的加权处理结果的配置数据配置目标区域对应的小区之后,方法还包括:
获取预设类型栅格,预设类型栅格为关联有多个小区的栅格;
分别获取预设类型栅格与每一第二小区之间的第二仿真参数,第二小区为预设类型栅格关联的小区,第二仿真参数包括RANK仿真值、RSRP、 SINR以及通信距离中的至少一项;
分别针对第二仿真参数进行加权处理,得到与全部第二小区分别对应的多个第二加权处理结果;
将对应最优的第二加权处理结果的第二小区配置为预设类型栅格的主服小区。
在上一实施例中,可以认为是针对小区进行配置,从而便于产生高 RANK的网络环境。而本实施例中,可以认为是让栅格通过选择主服小区来占用高RANK,实现RANK智能寻优。
结合一个具体应用例,第二仿真参数可以包括RANK仿真值、RSRP、 SINR以及通信距离这些子参数。为便于与上文中的第一仿真参数进行区分,第二仿真参数中的各个子参数可以分别记为Rank、Rsrp、Sinr以及 Distance。同时,针对这些子参数,可以分别赋予相应的权重,分别记为k、 r、s以及d。第二加权处理结果可以记为Z,则有:
Z=Rank×k+Rsrp×r+Sinr×s+Distance×d
任一预设类型栅格可以关联多个小区(即上述的第二小区),针对每个第二小区,可以求得相应的第二加权处理结果Z,而对应有最优的第二加权处理结果Z的第二小区,则可以配置为该预设类型栅格的主服小区。
如下表所示,以下结合一个具体应用例,对一个预设类型栅格关联的第二小区的得分(对应第二加权处理结果)以及小区类型的确定进行说明。
其中,表中的Cell Name可以对应为各个第二小区的编号,至于各个权重以及主服得分Z的计算过程,均可以根据需要进行设置,此处不做详细说明。
在一些实施方式中,根据主服得分Z确定最佳主服务小区分布结果,依据小区基站配置数据,输出含切换、重选、最大发射功率在内的参数调整方案,促使终端成功占用高RANK小区,达到提升用户感知的目的。
在一些实施方式中,可以根据第二仿真参数中的RSRP(对应于 Rsrp),来确定第二仿真参数中RANK仿真值(对应于Rank)、SINR (对应于Sinr)以及Rsrp的权重。
具体来说,当Rsrp小于预设阈值时,Rsrp的权重、Rank的权重以及 Sinr的权重依次降低;当Rsrp大于预设阈值时,Rank的权重、Sinr的权重以及Rsrp的权重依次降低
比如,根据Rsrp划分两类权重因子组合:1)Rsrp<-90dBm时,Rsrp 权重高,Rank次之,Sinr权重较小;2)Rsrp≥-90dBm时,Rank权重高, Sinr次之,Rsrp权重较小。Distance权重可以不随Rsrp变化而改变。
在一些实施方式中,为了使目标区域达到更好的5G网络体验,可在第一轮RANK优化方案实施后,更新三维电子地图等数据,开展第二轮迭代寻优。
可选地,基于K个第一RANK值对K个栅格进行聚类,包括:
获取与K个栅格对应的K个现网RANK值,任一栅格对应的现网 RANK值,为任一栅格在现网下的RANK值;
根据K个第一RANK值与K个现网RANK值,得到与K个栅格对应的K个RANK差值;
根据K个RANK差值,对K个栅格进行基于密度的DBSCAN。
在获得K个栅格的K个第一RANK值的情况下,电子设备可以获取现网RANK数据,现网RANK数据可以是在现网环境下各个栅格中的RANK 值,即现网RANK数据可以包括K个栅格对应的K个现网RANK值。
在一些实施方式中,现网RANK值可以通过路测的方式进行获取,或者,也可以基于现网对应的配置数据进行多径信道仿真,得到现网RANK 值。此处可以不对现网RANK值的具体获取方式进行限定。
根据K个第一RANK值与K个现网RANK值,得到与K个栅格对应的K个RANK差值。
结合一些举例,每个RANK差值可以对应有具体的数值,DBSCAN聚类算法,可以基于各个栅格对应的RANK差值进行聚类,得到聚类结果,该聚类结果可以反映出各个层次的RANK差值的分布情况。
上述的层次可以根据对RANK差值阈值的设置关联的。结合一个具体应用例,一个栅格对应的RANK差值可以认为是该栅格的RANK提升潜力值,网络优化目标设置RANK潜力值门限(对应于RANK差值阈值),假设以RANK提升潜力值0.6、0.3、0.1划分高、中、低潜力三类。RANK提升高潜力判断标准为栅格RANK提升潜力值大于等于0.6。根据不同栅格的RANK提升潜力值分布,采用DBSCAN聚类算法将RANK提升高潜力值的栅格形成聚类簇,从而识别出RANK高潜力区域。该RANK高潜力区域可以对应为上述的目标区域。
在一些实施方式中,电子设备可以通过AlphaShape算法对RANK高潜力区域提取,确定待优化区域的三维边界形状AlphaShape(x,y,z),获取到高潜力区域分布三维空间特征。之后可通过关联RANK仿真结果锁定高潜力区域周边的小区,这些小区可以是上述的目标区域对应的小区。
当然,实际应用中,对K个栅格进行基于密度的DBSCAN时,采用的阈值等数据可以根据需要进行设置。
本实施例基于DBSCAN聚类的结果,可以得到具有较高优化潜力的目标区域,进而有助于后续针对性地对目标区域关联的小区进行配置,实现目标区域的RANK优化。相较于独立识别RANK环境较差的小区并进行优化的方案,本实施例可以实现目标区域整体RANK环境的大幅提升,且更容易识别潜在的通信风险。
如图3和图4所示,在一些具体应用例中,本申请实施例提供的空分复用流数优化方法可以包括步骤301至步骤304。
步骤301,数据输入与校正。
以三维电子地图、NR小区工参、路测数据、基站配置数据、天线文件等作为输入,完成数据的解析、关联与入库,同时将三维电子地图通过地图编辑修正、点云数据重构建筑物模型,得到高精度的三维电子地图。
步骤302,多径仿真及RANK仿真结果获取。
基于3D射线追踪传模完成多径仿真,结合现场实测数据完成3D射线追踪传播模型校正,基于校正后的传播模型仿真输出MIMO模型所需的多径参数,生成MIMO信道矩阵,基于SVD完成信道相关性评估,得到高精度栅格化的RANK仿真结果。基于RANK仿真结果,可以得到最优 RANK方案集合(对应于上述的目标配置数据集)。
步骤303,潜力值评估。
根据RANK仿真结果,计算每个栅格的RANK提升潜力值,利用 DBSCAN聚类算法识别出高潜力区域,通过关联RANK仿真结果锁定周边的5G小区。
步骤304,优化方案输出。
基于小区的RANK仿真结果,综合主小区和邻小区的RSRP、SINR、 RANK(通信矩阵的秩)、重叠覆盖仿真结果,通过投票算法输出 RF+Pattern调整方案(对应于上文实施例中基于第一加权处理结果确定配置数据的过程),使网络产生高RANK;通过主服小区建模,输出含切换、重选、发射功率在内的参数调整方案,使终端占用高RANK小区。
基于以上应用例可见,本申请实施例提供的空分复用流数优化方法,基于三维电子地图、3D射线追踪技术及MIMO信道建模的RANK精准仿真策略,基于DBSCAN聚类算法的RANK提升潜力值评估方法,基于投票+主服小区建模输出RANK优化方案,三大关键算法最终实现5G RANK 流智能寻优,有效提升5G网络速率。
通过3D射线追踪技术、MIMO信道模型建模完成RANK精准仿真,利用射线追踪技术仿真多径环境,并结合实测RSRP/RANK数据校正仿真参数,可更加精准地反映现网的无线环境,提高5G小区多径效果的仿真精度,较现有依赖路测数据的技术有更丰富、更全面的评估手段。
针对高潜力区域进行最优RANK方案确定时,将高潜力区域对应小区的每组RF+Pattern调整方案的RANK值降序排列,取前M个仿真出的最优RANK值所对应的调整方案,作为当前多径环境下5G小区可实现的最优RANK方案集合S,以优化区域内整体性能最优为目标,综合了流数、覆盖、质量、重叠覆盖的投票算法,将遍历每个小区的最优RANK方案集合,最终输出整体区域的优化方案,大幅减少需要遍历的方案,同时杜绝了RANK提升其他性能下降的可能。
在小区整体RANK仿真结果最优的前提下,利用DBSCAN聚类算法识别高潜力栅格聚集明显的区域,从而关联周边5G小区,协同提升高潜力区域的终端RANK流,该方法打破现有技术“识别差小区、优化差小区”的思路,整体提升幅度更大,更容易识别潜在风险。
基于主服务小区与邻区信息及信道质量的多维投票寻优算法和主服小区建模算法,使得网络先产生出高RANK值环境,再令终端占用高RANK,即基于RF+Pattern优化方案使网络产生高RANK,通过调整切换、重选、发射功率等参数方案使终端有效占用高RANK,实现RANK智能寻优方案的自动输出,分离了“产生高RANK”、“占用高RANK”两种优化方案,基于主服务小区加相邻小区的主服小区建模,以先明确主服务小区、后输出占用主服小区方案的方式,逻辑清晰、稳步推动整体RANK的提升。
如图5所示,本申请实施例还提供了一种空分复用流数优化装置,装置包括:
第一获取模块501,用于获取预设区域的三维电子地图与P组配置数据,预设区域包括Q个小区,配置数据用于配置小区,Q个小区关联有K 个栅格,且每一小区关联有至少一个栅格,P与K均为大于1的整数,Q 为正整数;
仿真模块502,用于基于P组配置数据,在三维电子地图中进行多径信道仿真,得到RANK仿真结果,RANK仿真结果包括与K个栅格对应的 K个第一RANK值;
聚类模块503,用于基于K个第一RANK值对K个栅格进行聚类,得到目标区域,目标区域包括至少一个栅格;
配置优化模块504,用于对目标区域对应的小区进行配置,以优化目标区域的RANK。
可选地,仿真模块502,包括:
第一获取单元,用于基于多径信道仿真,分别获取在每一组配置数据下,与K个栅格对应的K个RANK仿真值;
第二获取单元,用于获取在P组配置数据下,第一小区对应的P个 RANK均值,第一小区为Q个小区中的任一小区,一个RANK均值为在一组配置数据下,第一小区所关联的全部栅格对应的RANK仿真值的平均值;
第一确定单元,用于在第一小区对应P个RANK均值中的最大值的情况下,第一小区关联的各个栅格对应的RANK仿真值确定为第一RANK值。
可选地,上述装置还可以包括:
第二获取模块,用于获取与第一小区关联的目标配置数据集,目标配置数据集包括M组配置数据,在M组配置数据下,第一小区对应的M个 RANK均值,为P个RANK均值中最大的M个RANK均值,M为小于或等于P的正整数;
配置优化模块504,可具体用于:
基于目标区域对应的小区所关联的目标配置数据集,对目标区域对应的小区进行配置。
可选地,配置优化模块504,包括:
第三获取单元,用于获取L组配置数据,L组配置数据为P组配置数据中的全部或部分配置数据,L为大于1,且小于或等于P的整数;
第四获取单元,用于基于L组配置数据,在三维电子地图中进行多径信道仿真,获取与L组配置数据对应的L个仿真结果,每一仿真结果均包括目标区域所包括的各个栅格的第一仿真参数,第一仿真参数包括RANK 仿真值、RSRP、SINR以及重叠覆盖结果中的至少一项;
第一加权处理单元,用于分别针对每一仿真结果中的第一仿真参数进行加权处理,得到与L组配置数据对应的L个第一加权处理结果;
第一配置单元,用于基于对应最优的第一加权处理结果的配置数据配置目标区域对应的小区。
可选地,上述装置还可以包括:
第五获取单元,用于获取预设类型栅格,预设类型栅格为关联有多个小区的栅格;
第六获取单元,用于分别获取预设类型栅格与每一第二小区之间的第二仿真参数,第二小区为预设类型栅格关联的小区,第二仿真参数包括 RANK仿真值、RSRP、SINR以及通信距离中的至少一项;
第二加权处理单元,用于分别针对第二仿真参数进行加权处理,得到与全部第二小区分别对应的多个第二加权处理结果;
第二配置单元,用于将对应最优的第二加权处理结果的第二小区配置为预设类型栅格的主服小区。
可选地,聚类模块503,包括:
第七获取单元,用于获取与K个栅格对应的K个现网RANK值,任一栅格对应的现网RANK值,为任一栅格在现网下的RANK值;
第八获取单元,用于根据K个第一RANK值与K个现网RANK值,得到与K个栅格对应的K个RANK差值;
聚类单元,用于根据K个RANK差值,对K个栅格进行DBSCAN。
可选地,仿真模块502,包括:
建立单元,用于根据三维电子地图与配置数据,建立基于三维射线追踪的传播模型;
仿真单元,用于基于传播模型与预设的多入多出MIMO信道模型进行多径信道仿真,得到RANK仿真结果。
可选地,上述装置还可以包括:
第九获取单元,用于获取在至少一组预设配置数据下,目标参数在K 个栅格中多个栅格中的实测值,目标参数包括RANK值与RSRP中的至少一项;
第十获取单元,用于获取在至少一组预设配置数据下,基于多径信道仿真得到的目标参数在K个栅格中多个栅格中的仿真值;
修正单元,用于基于目标参数在K个栅格中多个栅格中的实测值与仿真值,修正传播模型的模型参数。
可选地,配置数据包括以下至少一项:小区位置、小区方位角、天线挂高、天线倾角、天线权值。
需要说明的是,该空分复用流数优化装置是与上述空分复用流数优化方法对应的装置,上述方法实施例中所有实现方式均适用于该装置的实施例中,也能达到相同的技术效果。
图6示出了本申请实施例提供的电子设备的硬件结构示意图。
电子设备可以包括处理器601以及存储有计算机程序指令的存储器602。
具体地,上述处理器601可以包括中央处理器(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申请实施例的一个或多个集成电路。
存储器602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602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。在合适的情况下,存储器602可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器602可在综合网关容灾设备的内部或外部。在特定实施例中,存储器602 是非易失性固态存储器。
在特定实施例中,存储器602可包括只读存储器(ROM),随机存取存储器(RAM),磁盘存储介质设备,光存储介质设备,闪存设备,电气、光学或其他物理/有形的存储器存储设备。因此,通常,存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如,存储器设备),并且当该软件被执行(例如,由一个或多个处理器)时,其可操作来执行参考根据本公开的一方面的方法所描述的操作。
处理器601通过读取并执行存储器602中存储的计算机程序指令,以实现上述实施例中的任意一种空分复用流数优化方法。
在一个示例中,电子设备还可包括通信接口603和总线610。其中,如图6所示,处理器601、存储器602、通信接口603通过总线610连接并完成相互间的通信。
通信接口603,主要用于实现本申请实施例中各模块、装置、单元和/ 或设备之间的通信。
总线610包括硬件、软件或两者,将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数 (LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连 (PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA) 总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线610可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
另外,结合上述实施例中的空分复用流数优化方法,本申请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空分复用流数优化方法。
需要明确的是,本申请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,本申请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申请的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上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,本申请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。
还需要说明的是,本申请中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本申请不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
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,仅为本申请的具体实施方式,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,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (13)
1.一种空分复用流数优化方法,其特征在于,包括:
获取预设区域的三维电子地图与P组配置数据,所述预设区域包括Q个小区,所述配置数据用于配置所述小区,所述Q个小区关联有K个栅格,且每一所述小区关联有至少一个所述栅格,P与K均为大于1的整数,Q为正整数;
基于所述P组配置数据,在所述三维电子地图中进行多径信道仿真,得到空分复用流数RANK仿真结果,所述RANK仿真结果包括与所述K个栅格对应的K个第一RANK值;
基于所述K个第一RANK值对所述K个栅格进行聚类,得到目标区域,所述目标区域包括至少一个所述栅格;
对所述目标区域对应的小区进行配置,以优化所述目标区域的RANK。
2.根据权利要求1所述的方法,其特征在于,所述基于所述P组配置数据,在所述三维电子地图中进行多径信道仿真,得到空分复用流数RANK仿真结果,包括:
基于多径信道仿真,分别获取在每一组所述配置数据下,与所述K个栅格对应的K个RANK仿真值;
获取在所述P组配置数据下,第一小区对应的P个RANK均值,所述第一小区为所述Q个小区中的任一小区,一个所述RANK均值为在一组配置数据下,所述第一小区所关联的全部栅格对应的RANK仿真值的平均值;
在所述第一小区对应所述P个RANK均值中的最大值的情况下,所述第一小区关联的各个栅格对应的RANK仿真值确定为所述第一RANK值。
3.根据权利要求2所述的方法,其特征在于,所述获取在所述P组配置数据下,第一小区对应的P个RANK均值之后,所述方法还包括:
获取与所述第一小区关联的目标配置数据集,所述目标配置数据集包括M组配置数据,在所述M组配置数据下,所述第一小区对应的M个RANK均值,为所述P个RANK均值中最大的M个RANK均值,M为小于或等于P的正整数;
所述对所述目标区域对应的小区进行配置,具体包括:
基于所述目标区域对应的小区所关联的目标配置数据集,对所述目标区域对应的小区进行配置。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述基于所述目标区域对应的小区所关联的目标配置数据集,对所述目标区域对应的小区进行配置,包括:
获取L组配置数据,所述L组配置数据为所述P组配置数据中的全部或部分配置数据,L为大于1,且小于或等于P的整数;
基于所述L组配置数据,在所述三维电子地图中进行多径信道仿真,获取与所述L组配置数据对应的L个仿真结果,每一所述仿真结果均包括所述目标区域所包括的各个栅格的第一仿真参数,所述第一仿真参数包括RANK仿真值、参考信号接收功率RSRP、信号与干扰加噪声比SINR以及重叠覆盖结果中的至少一项;
分别针对每一所述仿真结果中的第一仿真参数进行加权处理,得到与所述L组配置数据对应的L个第一加权处理结果;
基于对应最优的第一加权处理结果的配置数据配置所述目标区域对应的小区。
5.根据权利要求4所述的方法,其特征在于,所述基于对应最优的加权处理结果的配置数据配置所述目标区域对应的小区之后,所述方法还包括:
获取预设类型栅格,所述预设类型栅格为关联有多个所述小区的栅格;
分别获取所述预设类型栅格与每一第二小区之间的第二仿真参数,所述第二小区为所述预设类型栅格关联的小区,所述第二仿真参数包括RANK仿真值、RSRP、SINR以及通信距离中的至少一项;
分别针对所述第二仿真参数进行加权处理,得到与全部所述第二小区分别对应的多个第二加权处理结果;
将对应最优的第二加权处理结果的第二小区配置为所述预设类型栅格的主服小区。
6.根据权利要求1所述的方法,其特征在于,基于所述K个第一RANK值对所述K个栅格进行聚类,包括:
获取与所述K个栅格对应的K个现网RANK值,任一所述栅格对应的现网RANK值,为任一所述栅格在现网下的RANK值;
根据所述K个第一RANK值与所述K个现网RANK值,得到与所述K个栅格对应的K个RANK差值;
根据所述K个RANK差值,对所述K个栅格进行基于密度的噪声应用空间聚类DBSCAN。
7.根据权利要求1所述的方法,其特征在于,所述基于所述P组配置数据,在所述三维电子地图中进行多径信道仿真,得到空分复用流数RANK仿真结果,包括:
根据所述三维电子地图与所述配置数据,建立基于三维射线追踪的传播模型;
基于所述传播模型与预设的多入多出MIMO信道模型进行多径信道仿真,得到所述RANK仿真结果。
8.根据权利要求7所述的方法,其特征在于,所述基于所述传播模型与预设的多入多出MIMO信道模型进行多径信道仿真,得到所述RANK仿真结果之前,所述方法还包括:
获取在至少一组预设配置数据下,目标参数在所述K个栅格中多个栅格中的实测值,所述目标参数包括RANK值与RSRP中的至少一项;
获取在至少一组预设配置数据下,基于多径信道仿真得到的所述目标参数在所述K个栅格中多个栅格中的仿真值;
基于目标参数在所述K个栅格中多个栅格中的实测值与仿真值,修正所述传播模型的模型参数。
9.根据权利要求7所述的方法,其特征在于,所述配置数据包括以下至少一项:小区位置、小区方位角、天线挂高、天线倾角、天线权值。
10.一种空分复用流数优化装置,其特征在于,所述装置包括:
第一获取模块,用于获取预设区域的三维电子地图与P组配置数据,所述预设区域包括Q个小区,所述配置数据用于配置所述小区,所述Q个小区关联有K个栅格,且每一所述小区关联有至少一个所述栅格,P与K均为大于1的整数,Q为正整数;
仿真模块,用于基于所述P组配置数据,在所述三维电子地图中进行多径信道仿真,得到空分复用流数RANK仿真结果,所述RANK仿真结果包括与所述K个栅格对应的K个第一RANK值;
聚类模块,用于基于所述K个第一RANK值对所述K个栅格进行聚类,得到目标区域,所述目标区域包括至少一个所述栅格;
配置优化模块,用于对所述目标区域对应的小区进行配置,以优化所述目标区域的RANK。
11.一种电子设备,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1-9任意一项所述的空分复用流数优化方法。
12.一种计算机可读存储介质,其特征在于,所述计算机可读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1-9任意一项所述的空分复用流数优化方法。
13.一种计算机程序产品,其特征在于,所述计算机程序产品中的指令由电子设备的处理器执行时,使得所述电子设备执行如权利要求1-9任意一项所述的空分复用流数优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210319676.1A CN114970081A (zh) | 2022-03-29 | 2022-03-29 | 空分复用流数优化方法、装置、设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210319676.1A CN114970081A (zh) | 2022-03-29 | 2022-03-29 | 空分复用流数优化方法、装置、设备及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114970081A true CN114970081A (zh) | 2022-08-30 |
Family
ID=82975403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210319676.1A Pending CN114970081A (zh) | 2022-03-29 | 2022-03-29 | 空分复用流数优化方法、装置、设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114970081A (zh) |
-
2022
- 2022-03-29 CN CN202210319676.1A patent/CN114970081A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109379752B (zh) | Massive MIMO的优化方法、装置、设备及介质 | |
CN109996279B (zh) | 过覆盖小区定位方法、装置、设备及介质 | |
CN108064075B (zh) | 调整一个或多个小区的参考信号发射功率的方法和装置 | |
CN111147163A (zh) | 一种基于dnn神经网络的无线通信链路损耗预测方法 | |
CN110602741A (zh) | 网络弱覆盖的识别方法、装置、设备及存储介质 | |
Alimpertis et al. | City-wide signal strength maps: Prediction with random forests | |
CN111062466B (zh) | 基于参数和神经网络预测天线调整后小区场强分布的方法 | |
CN108207009B (zh) | 轨道网络质量测试方法及装置 | |
CN108632849B (zh) | 一种天馈参数的调整方法、装置及设备 | |
WO2022017012A1 (zh) | 一种网络配置方法及装置 | |
CN114095856B (zh) | 用于基站节能的处理方法和处理装置 | |
CN114520997A (zh) | 定位5g网络干扰源的方法、装置、设备及存储介质 | |
Fraile et al. | Mobile radio bi‐dimensional large‐scale fading modelling with site‐to‐site cross‐correlation | |
JP2018032939A (ja) | 品質推定装置及び品質推定方法 | |
CN114828026A (zh) | 基站规划方法、装置、设备、存储介质及程序产品 | |
CN114710747A (zh) | 通导融合系统的室分节点布局方法及装置 | |
CN110621025B (zh) | 一种设备选型方法和装置 | |
CN102164379B (zh) | 频率调整方法和装置 | |
CN109994832B (zh) | 一种天馈调整方法、装置及系统 | |
CN114970081A (zh) | 空分复用流数优化方法、装置、设备及计算机存储介质 | |
CN112243242B (zh) | 大规模天线波束配置方法和装置 | |
CN116324803A (zh) | 一种数据处理方法及相关设备 | |
CN110650483B (zh) | 一种设备选型方法和装置 | |
CN115378521A (zh) | 一种无线信道多径信息的确定方法、装置及相关设备 | |
CN115734264A (zh) | 5g网络覆盖评估方法、装置、计算机可读介质及电子设备 |
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 |