CN115314395B - 一种nr信号覆盖路测优化的方法 - Google Patents
一种nr信号覆盖路测优化的方法 Download PDFInfo
- Publication number
- CN115314395B CN115314395B CN202210808125.1A CN202210808125A CN115314395B CN 115314395 B CN115314395 B CN 115314395B CN 202210808125 A CN202210808125 A CN 202210808125A CN 115314395 B CN115314395 B CN 115314395B
- Authority
- CN
- China
- Prior art keywords
- coverage
- wireless network
- probability
- network coverage
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000005457 optimization Methods 0.000 title claims description 23
- 230000007704 transition Effects 0.000 claims abstract description 73
- 230000002159 abnormal effect Effects 0.000 claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000013145 classification model Methods 0.000 claims abstract description 6
- 230000005856 abnormality Effects 0.000 claims abstract description 4
- 241000257303 Hymenoptera Species 0.000 claims description 12
- 239000003016 pheromone Substances 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 5
- 230000008901 benefit Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 239000000725 suspension Substances 0.000 claims description 3
- 230000003313 weakening effect Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 4
- 101150071746 Pbsn gene Proteins 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 125000006850 spacer group Chemical group 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- 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
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- 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)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种NR信号覆盖路测优化的方法，采用帕累托分析法Pareto构建无线网络覆盖分类模型，并结合NR覆盖数据进行2次Pareto最优解获得影响无线网络覆盖的主要因素分类数据；将影响无线网络覆盖的主要因素分类数据通过马尔可夫链算法构建的NR无线覆盖异常转移概率模型预测下次路测发生无线覆盖异常转移的概率，并生成智能路测流程标识；本发明通过蚁群算法影响无线网络覆盖的主要因素分类数据中发生异常概率最高的概率添加到智能路测流程标识中。本发明NR信号覆盖路测优化方法给NR覆盖优化流程提供更加智能、高效的依据，同时也为NR覆盖路测分析预测提供了前瞻性预测及快速的故障根源定位。
Description
技术领域
本发明属于6G网络通信技术领域，具体地，涉及一种NR信号覆盖路测优化的方法。
背景技术
由于6G无线网络在功能上将比5G复杂得多，在成本最低原则下，新应用、新要求、新指标都给空口设计带来了巨大挑战。因此，6G空口亟须革新。相比NR,6G的空口框架要更智能、更节能，才能满足6G在部署效率、成本、功耗、复杂度等方面的需求。为了实现这些目标， 6G空口框架在设计之初就必须要考虑到相关空口使能技术，包括人工智能、新频诸、非地面通信系统和感知通信等。
发明内容
鉴于此，本发明提供了一种NR信号覆盖路测优化的方法，针对新空口框架下AI/ML在无线通讯领域中MAC层的控制器中波束管理与干扰方面进行应用。
为实现上述目的，本发明采用如下技术方案：一种NR信号覆盖路测优化的方法，包括如下步骤：
步骤一、访问存储在gNB上的日志数据结合NR覆盖问题的告警特征对应的数据输入通过帕累托分析法Pareto构建的无线网络覆盖分类模型中，获得影响无线网络覆盖的主要因素对应的优先级顺序；
步骤二、依次根据影响无线网络覆盖的主要因素对应的优先级顺序，访问存储在gNB上的日志数据，获得影响无线网络覆盖的主要因素分类数据；
步骤三、将影响无线网络覆盖的主要因素分类数据通过马尔可夫链算法构建的NR无线覆盖异常转移概率模型预测下次路测发生无线覆盖异常转移的概率；
步骤四、将影响无线网络覆盖的主要因素对应的优先级顺序、影响无线网络覆盖的主要因素分类数据以及预测下次路测发生无线覆盖异常转移的概率生成智能路测流程标识；
步骤五、将影响无线网络覆盖的主要因素对应的优先级顺序、影响无线网络覆盖的主要因素分类数据通过蚁群算法进行数据分析，将影响无线网络覆盖的主要因素分类数据中发生异常概率最高的概率添加到智能路测流程标识中。
进一步地，所述影响无线网络覆盖的主要因素有五类，其对应的优先级顺序分别为：第一类、先优化SSB RSRP，后优化SSB SINR；第二类、先消除弱覆盖，后消除交叉覆盖；第三类、优先弱化弱覆盖、越区覆盖，再优化导频污染；第四类、在工程优化阶段按照规划方案优先开展工程质量整改，先进行权值功率优化，再进行物理天馈调整优化；第五类、发挥智能天线权值优化优势，解决网络覆盖问题。
进一步地，所述影响无线网络覆盖的主要因素分类数据包括：网络规划不合理数据、工程质量问题数据、设备异常数据、工程参数配置问题数据。
进一步地，所述网络规划不合理数据包括：站址规划不合理、站高规划不合理、方位角规划不合理、下倾规划不合理、主方向有障碍物、无线环境发生变化、新增覆盖需求；所述工程质量问题数据包括：线缆接口施工质量不合格、天线物理参数未按规划方案脑工、对且未按规划方案实施、GPS安装位置不符合规范、光缆接反；所述设备异常数据包括：电源不稳定、GPS故障、光模块故障、主设备运行异常、版本错误、容器吊死、AUU功率异常；所述工程参数配置问题数据包括天馈物理参数、频率配置、功率参数、PCI配置、邻区配置。
进一步地，所述NR无线覆盖异常转移概率模型的构建过程为：
X(k+1)＝X(k)×P
其中，X(k)表示在k时刻的状态转移概率，P表示转移概率矩阵，X(k+1)表示在k+1时刻的状态转移概率。
进一步地，所述转移概率矩阵由异常转移正常概率和正常转移异常概率组成。
进一步地，步骤五包括如下子步骤：
步骤51、确定起始点，初始化各待测点的信息素；
步骤52、在起始点处放置M只蚂蚁，计算每只蚂蚁进入影响无线网络覆盖的主要因素对应的优先级顺序中各待测点的第一状态转移概率，并通过所述状态转移概率计算对应蚂蚁进入影响无线网络覆盖的主要因素分类数据中各待测点的第二状态转移概率；
步骤53、当所有蚂蚁均到达影响无线网络覆盖的主要因素分类数据中各待测点后完成一次搜索，更新各处待测点的信息素；
步骤54、重复步骤52-53，直至达到最大迭代次数，将所有的第二状态转移概率由大到小进行排序，将最大的第二状态转移概率作为影响无线网络覆盖的主要因素分类数据中发生异常概率最高的概率，添加到智能路测流程标识中。
进一步地，所述第一状态转移概率、第二状态转移概率的计算过程相同，均为：
其中，i为第k只蚂蚁当前所在的待测点，j为第k只蚂蚁下一站达到的待测点，为 t时刻下第k只蚂蚁从当前所在待测点到下一站到达的待测点的状态转移概率，α为信息素的重要程度，β为启发因子的相对重要程度，nij为启发因子,/>dij为第k只蚂蚁从当前所在待测点到下一站到达的待测点的距离，Jk(i)为第k中蚂蚁当前所在待测点的总数量，τij(t)为t 时刻下第k只蚂蚁从当前所在待测点到下一站到达的待测点的信息素。
与现有技术相比，本发明具有如下有益效果：本发明NR信号覆盖路测优化方法采用帕累托分析法Pareto构建无线网络覆盖分类模型，并结合NR覆盖数据进行2次Pareto最优解获得影响无线网络覆盖的主要因素分类数据，通过将海量路测数据进行精确分类并实现优先级排序，尽可能的发现隐藏未知的路测隐匿分类，从而使数据分类更加清晰、高效；将影响无线网络覆盖的主要因素分类数据通过马尔可夫链算法构建的NR无线覆盖异常转移概率模型预测下次路测发生无线覆盖异常转移的概率，并生成智能路测流程标识，马尔可夫链算法特点是当前路测信息数据分析得到下次路测信息的异常概率值，避免了访问历史路测信息进行大规模数据分析的减少模型运算资源消耗；本发明通过蚁群算法影响无线网络覆盖的主要因素分类数据中发生异常概率最高的概率添加到智能路测流程标识中，提高了NR信号覆盖路测优化方法的准确性。本发明NR信号覆盖路测优化方法给NR覆盖优化流程提供更加智能、高效的依据，同时也为NR覆盖路测分析预测提供了前瞻性预测及快速的故障根源定位。
具体实施方式
下面对本发明的技术方案作进一步地解释说明。
本发明提供了一种NR信号覆盖路测优化的方法，具体包括如下步骤：
步骤一、访问存储在gNB上的日志数据结合NR覆盖问题的告警特征对应的数据输入通过帕累托分析法Pareto构建的无线网络覆盖分类模型中，获得影响无线网络覆盖的主要因素对应的优先级顺序；由于路测实际业务NR覆盖问题优化原则的分类，需遵循每个大类的优先级，通过无线网络覆盖分类模型直接将符合优先级条件的数据进行分类。
本发明中影响无线网络覆盖的主要因素有五类，其对应的优先级顺序分别为：第一类1-1、先优化SSB RSRP1-1-1，后优化SSB SINR1-1-2；第二类1-2、先消除弱覆盖1-2-1，后消除交叉覆盖1-2-2；第三类1-3、优先弱化弱覆盖1-3-1、越区覆盖1-3-2，再优化导频污染1-3-3；第四类1-4、在工程优化阶段按照规划方案优先开展工程质量整改，先进行权值功率优化1-4-1，再进行物理天馈调整优化1-4-2；第五类1-5、发挥智能天线权值优化优势1-5-1，解决网络覆盖问题1-5-2。
步骤二、依次根据影响无线网络覆盖的主要因素对应的优先级顺序，访问存储在gNB上的日志数据，获得影响无线网络覆盖的主要因素分类数据，避免从全部数据中获取当前大类下子类，大幅度缩小了计算数据的范围。
本发明中影响无线网络覆盖的主要因素分类数据包括：网络规划不合理数据2-1、工程质量问题数据2-2、设备异常数据2-3、工程参数配置问题数据2-4；网络规划不合理数据包括：站址规划不合理、站高规划不合理、方位角规划不合理、下倾规划不合理、主方向有障碍物、无线环境发生变化、新增覆盖需求；工程质量问题数据包括：线缆接口施工质量不合格、天线物理参数未按规划方案脑工、对且未按规划方案实施、GPS安装位置不符合规范、光缆接反；设备异常数据包括：电源不稳定、GPS故障、光模块故障、主设备运行异常、版本错误、容器吊死、AUU功率异常；工程参数配置问题数据包括天馈物理参数、频率配置、功率参数、PCI配置、邻区配置。
步骤三、将影响无线网络覆盖的主要因素分类数据通过马尔可夫链算法构建的NR无线覆盖异常转移概率模型预测下次路测发生无线覆盖异常转移的概率；本发明中NR无线覆盖异常转移概率模型的构建过程为：
X(k+1)＝X(k)×P
其中，X(k)表示在k时刻的状态转移概率，P表示转移概率矩阵，X(k+1)表示在k+1时刻的状态转移概率，转移概率矩阵由异常转移正常概率和正常转移异常概率组成。
以网络规划不合理这类数据为例预测下次路测发生无线覆盖异常转移的概率，5G行业中 NR无线覆盖干扰异常标准为-105dBm。
1、获取k时刻的状态转移概率：通过获取gNB上的RRU日志数据，历史日志中的网络规划不合理分类下的路测覆盖数据分析，得到该分类总条数以及异常干扰大于-105dBm个数，由异常个数大于-105dBm个数与该分类总条数的比值，得到k时刻的状态转移概率，在本案例下，k时刻的状态转移概率为[0.3 0.7]；
2、转移概率矩阵由异常转移正常概率和正常转移异常概率组成，异常转移正常概率通过以下方式获得：将网络规划不合理的子分类分别指定一个波束干扰监控数据，按照PRB平均统计干扰，每个RB是一个值，每秒上报一次；若RB的干扰高于5G行业标准-105dBm，则认为此RB存在干扰，得到每个子分类一段时间内的所有异常个数和总数。在对比上次路测子分类一段时间内的所有异常个数，并进行相减运算，从而得出本次路测异常转正常转移概率。在本案例下异常转移正常概率为[0.6、0.4]；正常转移异常概率通过以下方式或得：将网络规划不合理的子分类分别指定一个波束干扰监控数据，按照PRB平均统计干扰，每个RB是一个值，每秒上报一次；若RB的干扰高于5G行业标准-105dBm，则认为此RB存在干扰，得到每个子分类一段时间内的所有正常个数和总数，在对比上次路测子分类一段时间内的所有正常个数，并进行相减运算，从而得出本次路测正常转异常转移概率。在本案例下正常转异常转移概率为[0.3、0.7]。
通过本发明NR无线覆盖异常转移概率模型计算，预测下次路测发生无线覆盖异常转移的概率：
步骤四、将影响无线网络覆盖的主要因素对应的优先级顺序、影响无线网络覆盖的主要因素分类数据以及预测下次路测发生无线覆盖异常转移的概率生成智能路测流程标识；通过生成的智能流程标识快速定位故障发生环节及故障溯源，而不是现有技术的通过告警表及数据分析，提高了故障发现及处理效率。
步骤五、将影响无线网络覆盖的主要因素对应的优先级顺序、影响无线网络覆盖的主要因素分类数据通过蚁群算法进行数据分析，将影响无线网络覆盖的主要因素分类数据中发生异常概率最高的概率添加到智能路测流程标识中，通过蚁群算法获得唯一Pareto最优解，从而提高NR信号覆盖路测优化方法的准确性。具体包括如下子步骤：
步骤51、确定起始点，初始化各待测点的信息素；
步骤52、在起始点处放置M只蚂蚁，计算每只蚂蚁进入影响无线网络覆盖的主要因素对应的优先级顺序中各待测点的第一状态转移概率，并通过所述状态转移概率计算对应蚂蚁进入影响无线网络覆盖的主要因素分类数据中各待测点的第二状态转移概率；第一状态转移概率、第二状态转移概率的计算过程相同，均为：
其中，i为第k只蚂蚁当前所在的待测点，j为第k只蚂蚁下一站达到的待测点，为 t时刻下第k只蚂蚁从当前所在待测点到下一站到达的待测点的状态转移概率，α为信息素的重要程度，β为启发因子的相对重要程度，nij为启发因子,/>dij为第k只蚂蚁从当前所在待测点到下一站到达的待测点的距离，Jk(i)为第k中蚂蚁当前所在待测点的总数量，τij(t)为t 时刻下第k只蚂蚁从当前所在待测点到下一站到达的待测点的信息素。
步骤53、当所有蚂蚁均到达影响无线网络覆盖的主要因素分类数据中各待测点后完成一次搜索，更新各处待测点的信息素；
步骤54、重复步骤52-53，直至达到最大迭代次数，将所有的第二状态转移概率由大到小进行排序，将最大的第二状态转移概率作为影响无线网络覆盖的主要因素分类数据中发生异常概率最高的概率，添加到智能路测流程标识中。
表1智能路测数据分析表
智能路测流程标识格式：#号线路间隔符、@号代表层级及子模块间隔符逗号代表间隔每个子类路测异常发生概率。
由表1智能路测流程标识可知，无线网络覆盖的主要因素为SSB RSRP中网络规划不合理数据发生异常概率为60％，预测到下次路测发生无线覆盖异常转移的概率为59％。根据表 1智能路测标识中能够迅速找出影响无线网络覆盖的主要因素分类数据中发生异常概率最高的数据，本发明NR信号覆盖路测优化的方法做为NR覆盖优化流程更加智能、高效的依据，同时也为NR覆盖路测分析预测提供了前瞻性预测及快速的故障根源定位。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施方式，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。
Claims (6)
1.一种NR信号覆盖路测优化的方法，其特征在于，包括如下步骤：
步骤一、访问存储在gNB上的日志数据结合NR覆盖问题的告警特征对应的数据输入通过帕累托分析法Pareto构建的无线网络覆盖分类模型中，获得影响无线网络覆盖的主要因素对应的优先级顺序；
步骤二、依次根据影响无线网络覆盖的主要因素对应的优先级顺序，访问存储在gNB上的日志数据，获得影响无线网络覆盖的主要因素分类数据；
步骤三、将影响无线网络覆盖的主要因素分类数据通过马尔可夫链算法构建的NR无线覆盖异常转移概率模型预测下次路测发生无线覆盖异常转移的概率；
步骤四、将影响无线网络覆盖的主要因素对应的优先级顺序、影响无线网络覆盖的主要因素分类数据以及预测下次路测发生无线覆盖异常转移的概率生成智能路测流程标识；
步骤五、将影响无线网络覆盖的主要因素对应的优先级顺序、影响无线网络覆盖的主要因素分类数据通过蚁群算法进行数据分析，将影响无线网络覆盖的主要因素分类数据中发生异常概率最高的概率添加到智能路测流程标识中；包括如下子步骤：
步骤51、确定起始点，初始化各待测点的信息素；
步骤52、在起始点处放置M只蚂蚁，计算每只蚂蚁进入影响无线网络覆盖的主要因素对应的优先级顺序中各待测点的第一状态转移概率，并通过所述状态转移概率计算对应蚂蚁进入影响无线网络覆盖的主要因素分类数据中各待测点的第二状态转移概率；
所述第一状态转移概率、第二状态转移概率的计算过程相同，均为：
其中，i为第k只蚂蚁当前所在的待测点，j为第k只蚂蚁下一站达到的待测点，为t时刻下第k只蚂蚁从当前所在待测点到下一站到达的待测点的状态转移概率，α为信息素的重要程度，β为启发因子的相对重要程度，nij为启发因子,/>dij为第k只蚂蚁从当前所在待测点到下一站到达的待测点的距离，Jk(i)为第k中蚂蚁当前所在待测点的总数量，τij(t)为t时刻下第k只蚂蚁从当前所在待测点到下一站到达的待测点的信息素；
步骤53、当所有蚂蚁均到达影响无线网络覆盖的主要因素分类数据中各待测点后完成一次搜索，更新各处待测点的信息素；
步骤54、重复步骤52-53，直至达到最大迭代次数，将所有的第二状态转移概率由大到小进行排序，将最大的第二状态转移概率作为影响无线网络覆盖的主要因素分类数据中发生异常概率最高的概率，添加到智能路测流程标识中。
2.根据权利要求1所述NR信号覆盖路测优化的方法，其特征在于，所述影响无线网络覆盖的主要因素有五类，其对应的优先级顺序分别为：第一类、先优化SSB RSRP，后优化SSBSINR；第二类、先消除弱覆盖，后消除交叉覆盖；第三类、优先弱化弱覆盖、越区覆盖，再优化导频污染；第四类、在工程优化阶段按照规划方案优先开展工程质量整改，先进行权值功率优化，再进行物理天馈调整优化；第五类、发挥智能天线权值优化优势，解决网络覆盖问题。
3.根据权利要求1所述NR信号覆盖路测优化的方法，其特征在于，所述影响无线网络覆盖的主要因素分类数据包括：网络规划不合理数据、工程质量问题数据、设备异常数据、工程参数配置问题数据。
4.根据权利要求3所述NR信号覆盖路测优化的方法，其特征在于，所述网络规划不合理数据包括：站址规划不合理、站高规划不合理、方位角规划不合理、下倾规划不合理、主方向有障碍物、无线环境发生变化、新增覆盖需求；所述工程质量问题数据包括：线缆接口施工质量不合格、天线物理参数未按规划方案脑工、对且未按规划方案实施、GPS安装位置不符合规范、光缆接反；所述设备异常数据包括：电源不稳定、GPS故障、光模块故障、主设备运行异常、版本错误、容器吊死、AUU功率异常；所述工程参数配置问题数据包括天馈物理参数、频率配置、功率参数、PCI配置、邻区配置。
5.根据权利要求1所述NR信号覆盖路测优化的方法，其特征在于，所述NR无线覆盖异常转移概率模型的构建过程为：
X(k+1)＝X(k)×P
其中，X(k)表示在k时刻的状态转移概率，P表示转移概率矩阵，X(k+1)表示在k+1时刻的状态转移概率。
6.根据权利要求5所述NR信号覆盖路测优化的方法，其特征在于，所述转移概率矩阵由异常转移正常概率和正常转移异常概率组成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210808125.1A CN115314395B (zh) | 2022-07-11 | 2022-07-11 | 一种nr信号覆盖路测优化的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210808125.1A CN115314395B (zh) | 2022-07-11 | 2022-07-11 | 一种nr信号覆盖路测优化的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115314395A CN115314395A (zh) | 2022-11-08 |
| CN115314395B true CN115314395B (zh) | 2024-01-19 |
Family
ID=83856240
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210808125.1A Active CN115314395B (zh) | 2022-07-11 | 2022-07-11 | 一种nr信号覆盖路测优化的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115314395B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117408496B (zh) * | 2023-12-12 | 2024-03-26 | 深圳市道格恒通科技有限公司 | 巡检方法及智能无线巡检仪 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103002520A (zh) * | 2012-06-06 | 2013-03-27 | 北京邮电大学 | 多模终端选择能够保证服务质量的目标网络的方法 |
| CN107766245A (zh) * | 2017-10-18 | 2018-03-06 | 浙江理工大学 | 基于ott策略的可变力度组合测试用例优先级在线排序方法 |
| CN109142946A (zh) * | 2018-06-29 | 2019-01-04 | 东华大学 | 基于蚁群算法优化随机森林的变压器故障检测方法 |
| CN111913859A (zh) * | 2020-07-13 | 2020-11-10 | 北京天空卫士网络安全技术有限公司 | 一种异常行为检测方法和装置 |
| CN113490226A (zh) * | 2021-07-05 | 2021-10-08 | 华中科技大学 | 5G新空口与WiFi网络在未授权频段共存优化方法及系统 |
| CN113703391A (zh) * | 2021-08-11 | 2021-11-26 | 广东省科学院智能制造研究所 | 一种基于随机信息素优化精英蚁群算法的加工路径规划方法 |
| WO2021244029A1 (zh) * | 2020-05-30 | 2021-12-09 | 北京航空航天大学 | 一种可靠性、弹性、脆性的系统状态评估方法 |
-
2022
- 2022-07-11 CN CN202210808125.1A patent/CN115314395B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103002520A (zh) * | 2012-06-06 | 2013-03-27 | 北京邮电大学 | 多模终端选择能够保证服务质量的目标网络的方法 |
| CN107766245A (zh) * | 2017-10-18 | 2018-03-06 | 浙江理工大学 | 基于ott策略的可变力度组合测试用例优先级在线排序方法 |
| CN109142946A (zh) * | 2018-06-29 | 2019-01-04 | 东华大学 | 基于蚁群算法优化随机森林的变压器故障检测方法 |
| WO2021244029A1 (zh) * | 2020-05-30 | 2021-12-09 | 北京航空航天大学 | 一种可靠性、弹性、脆性的系统状态评估方法 |
| CN111913859A (zh) * | 2020-07-13 | 2020-11-10 | 北京天空卫士网络安全技术有限公司 | 一种异常行为检测方法和装置 |
| CN113490226A (zh) * | 2021-07-05 | 2021-10-08 | 华中科技大学 | 5G新空口与WiFi网络在未授权频段共存优化方法及系统 |
| CN113703391A (zh) * | 2021-08-11 | 2021-11-26 | 广东省科学院智能制造研究所 | 一种基于随机信息素优化精英蚁群算法的加工路径规划方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115314395A (zh) | 2022-11-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3975048A1 (en) | Method for constructing cloud network alarm root cause relational tree model, device, and storage medium | |
| CN111405585B (zh) | 一种基于卷积神经网络的邻区关系预测方法 | |
| CN108540330A (zh) | 一种异构网络环境下的基于深度学习的网络故障诊断方法 | |
| CN112243249B (zh) | 5g nsa组网下lte新入网锚点小区参数配置方法和装置 | |
| CN115314395B (zh) | 一种nr信号覆盖路测优化的方法 | |
| WO2022057321A1 (zh) | 异常链路检测方法、装置及存储介质 | |
| US11953874B2 (en) | Industrial internet of things systems for inspection operation management of inspection robots and methods thereof | |
| CN113709779A (zh) | 一种蜂窝网络故障诊断方法 | |
| US11716240B2 (en) | Method, device and computer program product for anomaly detection | |
| WO2023029654A1 (zh) | 一种故障根因确定方法、装置、存储介质及电子装置 | |
| CN110555058A (zh) | 基于改进决策树的电力通信设备状态的预测方法 | |
| CN117767250B (zh) | 基于故障监测的直流微电网协调控制方法及系统 | |
| Li et al. | Research and application of intelligent antenna feeder optimization system based on big data | |
| CN112584407B (zh) | 一种基于时空联合的lte用户投诉定性方法及装置 | |
| CN113740666A (zh) | 一种数据中心电力系统告警风暴根源故障的定位方法 | |
| Wang et al. | Intelligent fault diagnosis method for mobile cellular networks | |
| CN114337810B (zh) | 一种全光网通信系统及通信方法 | |
| Ming et al. | Ensemble learning based sleeping cell detection in cloud radio access networks | |
| EP3836599B1 (en) | Method for detecting permanent failures in mobile telecommunication networks | |
| Sicheng et al. | Abnormal line loss data detection and correction method | |
| CN115460633B (zh) | 6g网络ai信号优化的方法、系统、设备和存储介质 | |
| WO2023245620A1 (en) | Handover failure cause classification | |
| Majzoobi et al. | An Energy-Efficient Cell Outage Detection Algorithm for Self-Organizing Networks | |
| CN112801815B (zh) | 一种基于联邦学习的电力通信网络故障预警方法 | |
| CN109816276B (zh) | 一种配电网可靠性指标评价方法、装置和设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |