CN115038040A - 一种小区定位方法、装置、设备、系统及介质 - Google Patents

一种小区定位方法、装置、设备、系统及介质 Download PDF

Info

Publication number
CN115038040A
CN115038040A CN202210748145.4A CN202210748145A CN115038040A CN 115038040 A CN115038040 A CN 115038040A CN 202210748145 A CN202210748145 A CN 202210748145A CN 115038040 A CN115038040 A CN 115038040A
Authority
CN
China
Prior art keywords
cell
longitude
latitude
acquiring
predicted
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.)
Granted
Application number
CN202210748145.4A
Other languages
English (en)
Other versions
CN115038040B (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 CN202210748145.4A priority Critical patent/CN115038040B/zh
Publication of CN115038040A publication Critical patent/CN115038040A/zh
Application granted granted Critical
Publication of CN115038040B publication Critical patent/CN115038040B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/025—Services making use of location information using location based information parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W8/00—Network data management
    • H04W8/22—Processing or transfer of terminal data, e.g. status or physical capabilities
    • H04W8/24—Transfer of terminal data
    • 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)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Databases & Information Systems (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请提供一种小区定位方法、装置、设备、系统及介质，包括：获取小区的定位请求，小区的定位请求包括待定位的小区的标识；根据小区的定位请求，获取待定位的小区的标识对应的小区内的每个终端设备对应的特征数据；采用预设的小区经纬度预测模型对所述每个终端设备对应的特征数据进行分析处理，获取小区的基础工参数据，并基于基础工参数据，获取待定位的小区对应经纬度信息，解决了需要借助人工测试或者安装定位设备的方法获得小区的准确经纬度而导致的效率低下、严重影响了网络维护优化的顺利进行的技术问题。

Description

一种小区定位方法、装置、设备、系统及介质
技术领域
本申请涉及移动通信技术，尤其涉及一种小区定位方法、装置、设备、系统及介质。
背景技术
随着第五代移动通信技术(5th generation，简称5G)时代的到来，移动网络小区的数量爆发式增长，网络维护优化工作对移动网络小区经纬度基础数据的精确度要求越来越来高。因此，在实际应用中，在网络规划和网络优化中需要准确定位出小区的具体位置，以获得良好的信号覆盖效果和提高用户感知。
现有技术中，可以通过人工现场测试或安装定位设备(Global positioningsystem，简称GPS)的方式获取小区的准确经纬度，但是这种方式效率低下、严重影响了网络维护优化的顺利进行。
发明内容
本申请提供一种小区定位方法、装置、设备、系统及介质，用以解决现有技术需要借助人工测试或者安装定位设备的方法获得小区的准确经纬度而导致的效率低下、严重影响了网络维护优化的顺利进行的技术问题。
第一方面，本申请提供一种小区定位方法，包括：
获取小区的定位请求，所述小区的定位请求包括待定位的小区的标识；
根据所述小区的定位请求，获取所述待定位的小区的标识对应的小区内的每个终端设备对应的特征数据；
采用预设的小区经纬度预测模型对所述每个终端设备对应的特征数据进行分析处理，获取所述小区的基础工参数据，并基于所述基础工参数据，获取所述待定位的小区对应经纬度信息。
在一种具体实施方式中，所述预设的小区经纬度预测模型的获取方式为：
采集待预测小区内每个终端设备在预定时间内对应的特征数据；
采集所述待预测小区的基础工参数据，并获取所述待预测小区的经纬度信息；
将所述待预测小区内每个终端设备在预定时间内对应的特征数据和所述待预测小区的基础工参数据作为待训练的输入数据，并将所述待预测小区的经纬度信息作为待训练的输出数据，以根据所述输入数据和输出数据，对构建的初始小区经纬度预测模型进行训练，以获取所述预设的小区经纬度预测模型。
在一种具体实施方式中，所述特征数据包括：测量报告、终端用户感知关键质量指标和上行信号电平。
在一种具体实施方式中，所述基础工参数据包括但不限于：小区方位角、小区下倾角、小区天线挂高和小区场景。
在一种具体实施方式中，所述测量报告包含但不限于小区唯一标识、终端设备所在经纬度、参考信号接收功率、信噪比等参数；所述终端用户感知关键质量指标包含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速率等指标；所述上行信号电平包含但不限于探测参考信号、解调参考信号、物理上行共享信道、物理上行控制信道等的电平值。
第二方面，本申请提供一种小区定位装置，包括：
获取模块，用于获取小区的定位请求，所述小区的定位请求包括待定位的小区的标识；
所述获取模块，还用于根据所述小区的定位请求，获取所述待定位的小区的标识对应的小区内的每个终端设备对应的特征数据；
处理模块，用于采用预设的小区经纬度预测模型对所述每个终端设备对应的特征数据进行分析处理，获取所述小区的基础工参数据，并基于所述基础工参数据，获取所述待定位的小区对应经纬度信息。
在一种具体实施方式中，所述获取模块，具体用于：
采集待预测小区内每个终端设备在预定时间内对应的特征数据；
采集所述待预测小区的基础工参数据，并获取所述待预测小区的经纬度信息；
所述处理模块，还用于将所述待预测小区内每个终端设备在预定时间内对应的特征数据和所述待预测小区的基础工参数据作为待训练的输入数据，并将所述待预测小区的经纬度信息作为待训练的输出数据，以根据所述输入数据和输出数据，对构建的初始小区经纬度预测模型进行训练，以获取所述预设的小区经纬度预测模型。
在一种具体实施方式中，所述获取模块，具体用于：
所述特征数据包括：测量报告、用户感知关键质量指标和上行信号电平。
在一种具体实施方式中，所述获取模块，具体用于：
所述基础工参数据包括但不限于：小区方位角、小区下倾角、小区天线挂高和小区场景。
在一种具体实施方式中，所述获取模块，具体用于：
所述测量报告包括如下一种或者几种参数的组合：小区唯一标识、终端设备所在经纬度、参考信号接收功率和信噪比；
和/或，
所述终端用户感知关键质量指标包括如下一种或者几种指标的组合：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和视频流媒体有效下载速率；
和/或，
所述上行信号电平包括如下一种或者几种电平值的组合：探测参考信号、解调参考信号、物理上行共享信道和物理上行控制信道。
第三方面，本申请提供一种小区定位设备，包括：
处理器，存储器，通信接口：
所述存储器用于存储所述处理器的可执行指令；
其中，所述处理器配置为经由执行所述可执行指令来执行第一方面所述的小区定位方法。
第四方面，本申请提供一种小区定位系统，包括：处理器，以及第二方面所述的小区定位装置。
第五方面，本申请提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的小区定位方法。
本申请提供的一种小区定位方法、装置、设备、系统及介质，通过获取小区的定位请求，该定位请求包括待定位的小区的标识；根据定位请求，获取待定位的小区的标识对应的小区内的每个终端设备对应的特征数据；采用预设的小区经纬度预测模型对每个终端设备对应的特征数据进行分析处理，获取小区的基础工参数据，并基于所述基础工参数据，获取所述待定位的小区对应经纬度信息，相较于现有技术中需要人工现场测试或者安装定位设备来获取小区实际经纬度信息，效率低下，本申请采用预设的小区经纬度预测模型对小区内每个终端设备对应的特征数据进行分析处理，由此能够自动，且精准地获取小区的经纬度信息，进而有效地提高了小区网络进行精确维护优化的效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种小区定位方法的系统结构图；
图2为本申请实施例提供的一种小区定位方法实施例一的流程示意图；
图3为本申请实施例提供的一种小区定位方法实施例二的流程示意图；
图4为本申请实施例提供的一种小区定位装置的结构示意图；
图5为本申请提供的一种电子设备的结构示意图。
具体实施方式
为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。基于本申请中的实施例，本领域普通技术人员在根据本实施例的启示下作出的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)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。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先对本申请所涉及的名词进行解释：
小区，也称蜂窝小区，是指在蜂窝移动通信系统中，其中的一个基站或基站的一部分(扇形天线)所覆盖的区域，在这个区域内移动台可以通过无线信道与基站进行通信。
参考信号接收功率(Reference Signal Receiving Power，简称RSRP)，又称参考信号接收电平，是指LTE(Long Term Evolution，长期演进技术)网络中可以代表无线信号强度的关键参数以及物理层测量需求之一，是在某个符号内承载参考信号的所有资源粒子(Resource Element，简称RE)上接收到的信号功率的平均值。
信噪比(Signal to Interference plus Noise Ratio，简称SINR)，也称信号信干比，是指接收到的有用信号的强度与接收到的干扰信号(噪声和干扰)的强度的比值。
探测参考信号(Sounding Reference Signal，简称SRS)是指在无线通信中，用于估计上行信道频域信息，做频率选择性调度；用于估计下行信道，做下行波束赋形。
解调参考信号(modulation Reference Signal，简称DMRS)指在LTE中用于PUSCH和PUCCH信道的相关解调。
物理上行共享信道(Physical Uplink Shared Channel，简称PUSCH)用于LTE中的传输信道，可以传输控制信息和业务。
物理上行控制信道(Physical Uplink Control Channel，简称PUCCH)是物理上行链路控制信道。
支持向量机(Support Vector Machine，SVM)是一类按监督学习(supervisedlearning)方式对数据进行二元分类的广义线性分类器(generalized linearclassifier)，其决策边界是对学习样本求解的最大边距超平面(maximum-marginhyperplane)。
随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定。
本申请实施例中的终端设备也可以称作：用户设备(User equipment，UE)、移动终端(Mobile terminal，MT)、移动台(Mobile station，MS)移动设备、用户终端、无线通信设备、终端等。
随着5G网络的发展，移动网络小区数量爆发式增长，这给网络维护优化工作带来了严峻挑战。在网络维护优化人员作业时，往往需要精确识别出待优化的小区，准确的位置信息对网络规划建设、参数优化、用户定位等具体使用场景有重要作用，因此这就对小区的经纬度位置信息精准度要求越来越高。例如，在网络规划时，为了获得良好的覆盖效果，需要准确描述小区的经纬度位置，以提高网络建设的投入产出比；在网络优化中，邻区参数优化离不开小区的经纬度位置，如果邻区优化失误导致用户感知不佳时有发生；当发生用户投诉时，服务人员需要准确定位出用户所在的小区，使得能够根据小区位置制定出合理有效的解决方案。
在现有技术中需要人工现场测试或者安装定位设备来获取小区实际经纬度信息，效率低下，耗时耗力，此外现有技术中仅对小区的经纬度是否存在偏差进行判断，通过判断结果无法得出小区的精确经纬度信息，导致对小区经纬度预测结果不准确，进而无法对小区网络进行精确维护优化。
基于上述技术问题，本申请的技术构思过程如下：如何对小区真实经纬度进行预测，以提高小区经纬度预测的效率和精确度。
下面对本申请的小区定位方法进行详细的说明。
图1为本申请提供的一种小区定位方法的系统结构图，如图1所示，该系统结构包括：基站101、终端设备以及小区。示例性的，图1示出三个小区，分别是小区102、小区103、小区104，小区102可以是居民区，小区103可以是商业区，小区104可以是工业区，这些小区的类型可以相同也可以不完全相同，并且小区102、小区103、小区104可以都在或者不全都在基站101的覆盖范围内；该系统结构还包括每个小区内的全部终端设备，分别是终端设备105、终端设备106、终端设备107。
需要说明的是，图1仅是本申请实施例提供的一种小区定位方法的系统的结构示意图，本申请实施例不对图1中包括的各种设备的实际形态进行限定，也不对图1中设备之间的交互方式进行限定，在方案的具体应用中，可以根据实际需求设定。
下面，通过具体实施例对本申请的技术方案进行详细说明。需要说明的是，下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图2为本申请提供的一种小区定位方法实施例一的示意图，如图2所示，该小区定位方法具体包括以下步骤：
步骤S201、获取小区定位请求，小区定位请求包括待定位的小区的标识。
步骤S202、根据该小区的定位请求，获取待定位的小区的标识对应的小区内的每个终端设备对应的特征数据。
在本实施例中，待定位的小区的标识对应的小区内的每个终端设备对应的特征数据包括测量报告(Measurement result，简称MR)、用户感知关键质量指标(Key QualityIndicators，简称KQI)和上行信号电平。
其中，测量报告包括但不限于小区唯一标识ID、终端设备所在经纬度、参考信号接收功率、信噪比等参数；终端用户感知KQI指标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速率等指标；终端上行信号电平包括但不限于探测参考信号、解调参考信号、物理上行共享信道、物理上行控制信道等的电平值。
步骤S203、采用预设的小区经纬度预测模型对每个终端设备对应的特征数据进行分析处理，获取该小区的基础工参数据，通过基础工数据获取待定位小区对应的经纬度信息。
在本实施例中，小区的基础工参数包括但不限于：小区方位角、小区下倾角、小区天线挂高和小区场景。小区场景为当前小区的使用类型，包括但不限于居民区、商业区、工业区等。
在本实施例中，通过获取小区的定位请求，该定位请求包括待定位的小区的标识；根据定位请求，获取待定位的小区的标识对应的小区内的每个终端设备对应的特征数据；采用预设的小区经纬度预测模型对每个终端设备对应的特征数据进行分析处理，获取小区的基础工参数据，并基于基础工参数据，获取待定位的小区对应经纬度信息，相较于现有技术中需要人工现场测试或者安装定位设备来获取小区实际经纬度信息，这种方式效率低下、严重影响了网络维护优化的顺利进行。本申请采用预设的小区经纬度预测模型对小区内每个终端设备对应的特征数据进行分析处理，由此能够自动，且精准地获取小区的经纬度信息，进而有效地提高了小区网络进行精确维护优化的效率。
图3为本申请提供的一种小区定位方法实施例二的示意图，在上图2所示实施例的基础上，参见图3，该步骤203中小区经纬度预测模型的实现方式为：
步骤301、采集已知真实经纬度小区内所有终端设备在预定时间内的特征数据。
在本实施例中已知经纬度小区的经纬度获取方式可以是人工上站现场测量，也可以是利用安装在小区的GPS设备得到部分已知小区的准确经纬度数据，本申请中不做限定。
将这些已知真实经纬度的小区称为第一类小区，对任意第i个第一类小区Ci，获取在特定时间T内该小区下的第j个终端设备UEj的特征数据，包括：测量报告、用户KQI指标和上行信号电平，三者联合构成特征样本Xi,j，i＝1，2，3，…，I；j＝1,2,3，…，J，其中I为第一类小区的个数，J为每个第一类小区下的终端个数。
其中，测量报告反映了基站至终端的信号传输能力，包括但不限于小区唯一标识IDi、UEj所在经纬度UE_Lngj/UE_Latj、参考信号接收功率RSRPj、信噪比SINRj等参数；终端用户感知KQI指标反映了用户在当前网络小区下的业务使用感，包括但不限于用户页面响应成功率PSj、初始页面缓冲时长PTj、视频流媒体初始缓冲播放时长SLj、视频流媒体有效下载速率SVj等指标；终端上行信号反映了终端至基站的信号传输能力，包括但不限于探测参考信号SRSj、解调参考信号DMRSj、物理上行共享信道PUSCHj、物理上行控制信道PUCCHj等的电平值。因此，第一类小区Ci下的终端UEj的特征样本Xi,j＝{UE_Lngj，UE_Latj，RSRPj，SINRj，PSj，PTj，SLj，SVj，SRSj，DMRSj，PUSCHj、PUCCHj}。
此外，以上特征数据的采集方式可以通过基站小区网管系统进行采集，也可以通过其他方式进行采集，本申请不做限定。
步骤S302、采集第一类小区的基础工参数据，与第一类小区内所有终端设备在预定时间内的特征数据合并，并以该小区的经纬度信息作标签。
在本实施例中，第一类小区的基础工参数据包括但不限于小区方位角、小区下倾角、小区天线挂高和小区场景等维度。小区场景为当前小区的使用类型，包括但不限于居民区、商业区、工业区等。在本实施例中基础工参数据的获取方式可以通过路测、实地测量或者其他方式得到，本申请中不做限定。
将第一类小区的基础工参数据与第一类小区预设时间内所有终端设备的特征数据进行合并，并以该小区的真实经纬度作为标签。
步骤S303、将该待预测小区内每个终端设备在预定时间内对应的特征数据和该待预测小区的基础工参数据作为待训练的输入数据，并将该待预测小区的经纬度信息作为待训练的输出数据，以根据该输入数据和输出数据，对构建的初始小区经纬度预测模型进行训练，以获取该预设的小区经纬度预测模型。
在本实施例中，利用机器学习模型构建初始小区经纬度预测模型。这里的机器学习模型可以是支持向量机(Support Vector Machine，简称SVM)、随机森林(RandomForest)、梯度提升树(Gradient Boosting Decision Tree，简称GBDT)或深度学习模型，本申请对此不做限定。另外，建模过程包括数据清洗、特征工程、超参数调优、模型融合等必要的流程，本申请不做限定。
进一步的，可以通过合并的第一类小区预设时间内所有终端设备的特征数据与第一类小区的基础工参数据，以及构成该小区的真实经纬度的标签，对采用上述方式构建的模型进行训练，以获取训练后的小区经纬度预测模型，从而使得接收到小区定位请求后，将获取的小区定位请求中的待定位的小区的标识对应的小区内预设时间内的每个终端设备对应的特征数据，输入至该训练后的小区经纬度预测模型，该小区经纬度预测模型可以基于第一类小区预设时间内所有终端设备的特征数据，获取对应的该小区的基础工参数据，并通过该小区的基础工参数据进一步获取待定位小区对应的经纬度信息。
在本实施例中，通过获取已知真实经纬度的第一类小区内每个终端设备在预定时间内的特征数据和小区的基础工参数据，选择一个或多个机器学习模型，以终端设备的特征数据和小区的基础工参数据作为输入数据，以小区经纬度信息作为输出数据，通过对已知真实经纬度的第一类小区不断进行经纬度训练，得到小区经纬度的预测模型，以通过该预测模型对基于小区内每个终端设备对应的特征数据进行分析，以精确地获取小区对应的经纬度信息。
下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
图4为本申请提供的一种小区定位装置实施例的结构示意图；如图4所示，该小区定位装置40包括：获取模块401，用于获取小区的定位请求，小区的定位请求包括待定位的小区的标识；获取模块401，还用于根据小区的定位请求，获取待定位的小区的标识对应的小区内的每个终端设备对应的特征数据；处理模块402，用于采用预设的小区经纬度预测模型对每个终端设备对应的特征数据进行分析处理，获取小区的基础工参数据，并基于基础工参数据，获取待定位的小区对应经纬度信息。
在一种可能的实施方案中，处理模块402，具体用于：
采集待预测小区内每个终端设备在预定时间内对应的特征数据；
采集待预测小区的基础工参数据，并获取待预测小区的经纬度信息；
将待预测小区内每个终端设备在预定时间内对应的特征数据和待预测小区的基础工参数据作为待训练的输入数据，并将待预测小区的经纬度信息作为待训练的输出数据，以根据输入数据和输出数据，对构建的初始小区经纬度预测模型进行训练，以获取预设的小区经纬度预测模型。
本申请实施例提供的小区定位装置可以执行上述方法实施例所示的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。
图5为本申请提供的一种电子设备结构示意图，如图5所示，该电子设备50包括：处理器501、存储器502、以及通信接口503；其中，存储器502用于存储处理器501的可执行指令，处理器501配置为经由执行可执行指令来执行前述任一方法实施例中的技术方案。
可选的，存储器502既可以是独立的，也可以与处理器501集成在一起的。
该电子设备50还包括通信部件503。其中，处理器501、存储器502以及通信部件503通过总线504连接。
该电子设备用于执行前述任一方法实施例中的技术方案，其实现原理和技术效果类似，在此不再赘述。
本申请实施例还提供一种小区定位系统，包括：用户终端，以及前述任一项提供的小区定位装置。
本申请实施例提供的一种小区定位系统可以执行上述方法实施例所示的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。
本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现前述任一方法实施例提供的技术方案。
本申请实施例还提供一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时用于实现前述任一方法实施例提供的技术方案。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：只读储存器(Read-Only Memory；简称ROM)、随机存取存储器(Random Access Memory；简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或对其中部分或全部技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (10)

1.一种小区定位方法，其特征在于，包括：
获取小区的定位请求，所述小区的定位请求包括待定位的小区的标识；
根据所述小区的定位请求，获取所述待定位的小区的标识对应的小区内的每个终端设备对应的特征数据；
采用预设的小区经纬度预测模型对所述每个终端设备对应的特征数据进行分析处理，获取所述小区的基础工参数据，并基于所述基础工参数据，获取所述待定位的小区对应经纬度信息。
2.根据权利要求1所述的小区定位方法，其特征在于，所述预设的小区经纬度预测模型，包括：
采集待预测小区内每个终端设备在预定时间内对应的特征数据；
采集所述待预测小区的基础工参数据，并获取所述待预测小区的经纬度信息；
将所述待预测小区内每个终端设备在预定时间内对应的特征数据和所述待预测小区的基础工参数据作为待训练的输入数据，并将所述待预测小区的经纬度信息作为待训练的输出数据，以根据所述输入数据和输出数据，对构建的初始小区经纬度预测模型进行训练，以获取所述预设的小区经纬度预测模型。
3.根据权利要求2所述的小区定位方法，其特征在于，所述特征数据包括：测量报告、终端用户感知关键质量指标和上行信号电平。
4.根据权利要求2所述的小区定位方法，其特征在于，所述基础工参数据包括但不限于：小区方位角、小区下倾角、小区天线挂高和小区场景。
5.根据权利要求3所述的小区定位方法，其特征在于，所述测量报告包括如下一种或者几种参数的组合：小区唯一标识、终端设备所在经纬度、参考信号接收功率和信噪比；
和/或，
所述终端用户感知关键质量指标包括如下一种或者几种指标的组合：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和视频流媒体有效下载速率；
和/或，
所述上行信号电平包括如下一种或者几种电平值的组合：探测参考信号、解调参考信号、物理上行共享信道和物理上行控制信道。
6.一种小区定位装置，其特征在于，包括：
获取模块，用于获取小区的定位请求，所述小区的定位请求包括待定位的小区的标识；
所述获取模块，还用于根据所述小区的定位请求，获取所述待定位的小区的标识对应的小区内的每个终端设备对应的特征数据；
处理模块，用于采用预设的小区经纬度预测模型对所述每个终端设备对应的特征数据进行分析处理，获取所述小区的基础工参数据，并基于所述基础工参数据，获取所述待定位的小区对应经纬度信息。
7.根据权利要求6所述的装置，其特征在于，所述获取模块，还用于：
采集待预测小区内每个终端设备在预定时间内对应的特征数据；
以及采集所述待预测小区的基础工参数据，并获取所述待预测小区的经纬度信息；
所述处理模块，还用于将所述待预测小区内每个终端设备在预定时间内对应的特征数据和所述待预测小区的基础工参数据作为待训练的输入数据，并将所述待预测小区的经纬度信息作为待训练的输出数据，以根据所述输入数据和输出数据，对构建的初始小区经纬度预测模型进行训练，以获取所述预设的小区经纬度预测模型。
8.一种小区定位设备，其特征在于，包括：至少一个处理器、存储器；
所述存储器用于存储所述处理器的可执行指令；
所述至少一个处理器执行所述存储器存储的可执行指令，使得所述至少一个处理器执行如权利要求1至5任一项所述的小区定位方法。
9.一种小区定位系统，其特征在于，包括：处理器，以及如权利要求6或7所述的小区定位装置。
10.一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中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至5任一项所述的小区定位方法。
CN202210748145.4A 2022-06-29 2022-06-29 一种小区定位方法、装置、设备、系统及介质 Active CN115038040B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210748145.4A CN115038040B (zh) 2022-06-29 2022-06-29 一种小区定位方法、装置、设备、系统及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210748145.4A CN115038040B (zh) 2022-06-29 2022-06-29 一种小区定位方法、装置、设备、系统及介质

Publications (2)

Publication Number Publication Date
CN115038040A true CN115038040A (zh) 2022-09-09
CN115038040B CN115038040B (zh) 2024-07-30

Family

ID=83127134

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210748145.4A Active CN115038040B (zh) 2022-06-29 2022-06-29 一种小区定位方法、装置、设备、系统及介质

Country Status (1)

Country Link
CN (1) CN115038040B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103002502A (zh) * 2012-12-04 2013-03-27 广州瀚信通信科技股份有限公司 一种在cdma中基于测量报告实现定位的方法及系统
CN108882292A (zh) * 2017-05-15 2018-11-23 中兴通讯股份有限公司 测量报告定位方法和装置
WO2019134549A1 (zh) * 2018-01-02 2019-07-11 中兴通讯股份有限公司 基于深度学习的定位方法、装置、计算机设备及存储介质
CN111417143A (zh) * 2019-01-07 2020-07-14 中国移动通信有限公司研究院 小区上报方法及网络设备
CN111901750A (zh) * 2020-09-11 2020-11-06 中国联合网络通信集团有限公司 一种定位方法、装置、电子设备以及存储介质
US20210028832A1 (en) * 2017-09-13 2021-01-28 Sony Corporation Electronic device and communication method
CN112867147A (zh) * 2021-01-19 2021-05-28 中国联合网络通信集团有限公司 定位方法和定位装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103002502A (zh) * 2012-12-04 2013-03-27 广州瀚信通信科技股份有限公司 一种在cdma中基于测量报告实现定位的方法及系统
CN108882292A (zh) * 2017-05-15 2018-11-23 中兴通讯股份有限公司 测量报告定位方法和装置
US20210028832A1 (en) * 2017-09-13 2021-01-28 Sony Corporation Electronic device and communication method
WO2019134549A1 (zh) * 2018-01-02 2019-07-11 中兴通讯股份有限公司 基于深度学习的定位方法、装置、计算机设备及存储介质
CN111417143A (zh) * 2019-01-07 2020-07-14 中国移动通信有限公司研究院 小区上报方法及网络设备
CN111901750A (zh) * 2020-09-11 2020-11-06 中国联合网络通信集团有限公司 一种定位方法、装置、电子设备以及存储介质
CN112867147A (zh) * 2021-01-19 2021-05-28 中国联合网络通信集团有限公司 定位方法和定位装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
罗伟华;许盛宏: "基于MR大数据的基站小区定位方案", 移动通信, vol. 44, no. 010, 31 December 2020 (2020-12-31) *

Also Published As

Publication number Publication date
CN115038040B (zh) 2024-07-30

Similar Documents

Publication Publication Date Title
CN107113634B (zh) 用于优化小区专用天线配置参数的方法和设备
CN108307427B (zh) 一种lte网络覆盖分析、预测方法及系统
JP6556356B2 (ja) 無線ネットワーク監視方法及びこの方法を実施するネットワークノード
US9756518B1 (en) Method and apparatus for detecting a traffic suppression turning point in a cellular network
CN110493720B (zh) 终端的定位方法、装置及存储介质
CN113382477B (zh) 应用于无线网络用户间上行干扰建模的方法
CN111817868A (zh) 一种网络质量异常的定位方法与装置
Turkka et al. An approach for network outage detection from drive‐testing databases
Raida et al. Crowdsensed performance benchmarking of mobile networks
CN102957572B (zh) 一种系统性能评估方法及装置
Bejarano-Luque et al. A data-driven algorithm for indoor/outdoor detection based on connection traces in a LTE network
EP3849231B1 (en) Configuration of a communication network
CN116866205A (zh) 网络服务动态优化方法、系统、电子设备及介质
Hu et al. A study of LTE network performance based on data analytics and statistical modeling
Luo et al. SRCON: A data-driven network performance simulator for real-world wireless networks
US10405203B2 (en) Establishing usefulness of remote antenna units in a wireless communications system
CN112910699A (zh) 电力物联网的智能故障检测方法及装置
Bejarano-Luque et al. A context-aware data-driven algorithm for small cell site selection in cellular networks
CN115038040B (zh) 一种小区定位方法、装置、设备、系统及介质
CN114745289A (zh) 网络性能数据的预测方法、装置、存储介质及设备
US20240080686A1 (en) Classification of indoor-to-outdoor traffic and user equipment distribution
EP4150861B1 (en) Determining cell upgrade
CN115226125A (zh) 一种nb网络传感器通信质量计算方法、装置及存储介质
Saleh et al. Probabilistic path loss predictors for mmWave networks
Ide et al. Forecasting cellular connectivity for cyber-physical systems: A machine learning approach

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