CN115426666B - 小区测量数据生成方法、装置、设备及介质 - Google Patents

小区测量数据生成方法、装置、设备及介质 Download PDF

Info

Publication number
CN115426666B
CN115426666B CN202211054954.1A CN202211054954A CN115426666B CN 115426666 B CN115426666 B CN 115426666B CN 202211054954 A CN202211054954 A CN 202211054954A CN 115426666 B CN115426666 B CN 115426666B
Authority
CN
China
Prior art keywords
measurement data
image
cell
grid
real
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
CN202211054954.1A
Other languages
English (en)
Other versions
CN115426666A (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 CN202211054954.1A priority Critical patent/CN115426666B/zh
Publication of CN115426666A publication Critical patent/CN115426666A/zh
Application granted granted Critical
Publication of CN115426666B publication Critical patent/CN115426666B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供一种小区测量数据生成方法、装置、设备及介质。该方法包括：根据真实测量数据集，得到测量图像，所述真实测量数据集包括多个小区测量数据，每个小区测量数据对应所述测量图像中的一个有效像素；根据所述真实测量数据集对生成对抗网络进行训练，获取训练完成的生成对抗网络的生成器输出的假图像；根据所述假图像中的每个有效像素，获取每个有效像素对应的虚拟测量数据，并确定所述虚拟测量数据所归属的主服务小区。本申请的方法通过将小区测量数据映射为测量图像的方式，训练生成对抗网络，生成准确有效的数据，避免浪费资源，避免人工主观性。

Description

小区测量数据生成方法、装置、设备及介质
技术领域
本申请涉及无线通信领域，尤其涉及一种小区测量数据生成方法、装置、设备及介质。
背景技术
小区测量数据，指的是运营商在运营过程中能够测量的小区数据，该小区为基站覆盖的服务小区，采集小区测量数据进行分析，根据分析结果进行网络优化，能够了解网络在各个服务小区的无线覆盖情况。
网元是小区测量数据采集和存储的节点，随着网络高带宽和大连接的发展，给小区测量数据的应用质量和小区测量数据所对应的网元的维护增加了压力；现有技术中有的方法通过实际测量方式获取真实的小区测量数据，该方法在实际测量过程中可能经常遇到数据缺失导致，小区测量数据不完整而降低小区测量数据的应用质量，或者因为长期开启测量功能给网元造成压力；现有技术中还有的方法通过链路报告节点获取小区测量数据，该方法需要事先假设参数，依赖于专家经验，存在不客观性。故现在需要提出新的方法来克服上述问题。
发明内容
本申请提供一种小区测量数据生成方法、装置、设备及介质，用以解决现有技术中数据实际测量效果差、资源耗费大、离不开人工经验的问题。
第一方面，本申请提供一种小区测量数据生成方法，包括：
根据真实测量数据集，得到测量图像，所述真实测量数据集包括多个小区测量数据，每个小区测量数据对应所述测量图像中的一个有效像素；
根据所述真实测量数据集对生成对抗网络进行训练，获取训练完成的生成对抗网络的生成器输出的假图像；
根据所述假图像中的每个有效像素，获取每个有效像素对应的虚拟测量数据，并确定所述虚拟测量数据所归属的主服务小区。
在一种可能的实现方式中，所述根据真实测量数据集，得到测量图像，包括：
根据每个小区测量数据中的位置信息，将所述每个小区测量数据映射到网格图像中对应网格中；
根据每个小区测量数据，得到所述对应网格的有效像素，每个所述小区测量数据包括多种测量数据，每种测量数据属于所述位置信息或信道测量信息；
将所述网格图像中未映射到的网格的像素设置为无效像素，所述网格图像中的有效像素和无效像素，形成了所述测量图像。
在一种可能的实现方式中，所述根据每个小区测量数据，得到所述对应网格的有效像素，包括：
将每个小区测量数据中的多种测量数据映射到不同的图像通道，得到每个图像通道的值，每种测量数据对应一种图像通道；
根据所述不同的图像通道的值，得到所述对应网格的有效像素，其中，每个有效像素对应的图像通道数与所述测量数据的种类相同。
在一种可能的实现方式中，所述将每个小区测量数据中的多种测量数据映射到不同的图像通道，得到每个图像通道的值，包括：
针对每个网格，若所述网格对应至少两个小区测量数据，则将所述至少两个小区测量数据中的同种测量数据进行归一化处理，得到归一化处理后的每种测量数据；
将归一化处理后的每种测量数据映射到不同的图像通道，得到每个图像通道的值。
在一种可能的实现方式中，所述确定所述虚拟测量数据所归属的主服务小区，包括：
根据所述真实测量数据集中的每个真实测量数据中的位置信息和真实测量小区所归属的主服务小区，确定每个主服务小区的覆盖范围；
根据每个主服务小区的覆盖范围和所述虚拟测量数据中的位置信息，确定所述虚拟测量数据所归属的主服务小区。
在一种可能的实现方式中，所述根据所述真实测量数据集对生成对抗网络进行训练，获取训练完成的生成对抗网络的生成器输出的假图像，包括：
获取所述生成对抗网络的生成器输出的假图像；
将所述测量图像作为真图像和所述假图像输入至所述生成对抗网络的判别器中，根据所述判别器的输出结果，对所述生成器和所述判别器交替进行训练，直至得到训练完成的生成对抗网络，并获取所述训练完成的生成对抗网络的生成器输出的假图像。
在一种可能的实现方式中，所述判别器为孪生网络，所述将所述测量图像作为真图像和所述假图像输入至所述生成对抗网络的判别器中，根据所述判别器的输出结果，对所述生成器和所述判别器交替进行训练，包括：
将所述真图像和所述假图像进行合并，得到新图像，所述新图像的每个像素的图像通道数量为所述真图像的每个像素的图像通道数量和所述假图像每个像素的图像通道数量之和；
将所述新图像输入至所述孪生网络中，根据所述孪生网络输入的图像相似度，对所述生成器和所述孪生网络交替进行训练。
第二方面，本申请提供一种小区测量数据生成装置，包括：
第一获取模块，用于根据真实测量数据集，得到测量图像，所述真实测量数据集包括多个小区测量数据，每个小区测量数据对应所述测量图像中的一个有效像素；
第二获取模块，用于根据所述真实测量数据集对生成对抗网络进行训练，获取训练完成的生成对抗网络的生成器输出的假图像；
处理模块，用于根据所述假图像中的每个有效像素，获取每个有效像素对应的虚拟测量数据，并确定所述虚拟测量数据所归属的主服务小区。
第三方面，本申请提供一种小区测量数据生成设备，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上所述的小区测量数据生成方法。
第四方面，本申请提供一种计算机可读存储介质，其上储存有计算机程序，该计算机程序被处理器执行时实现如上所述的小区测量数据生成方法的步骤。
本申请提供的一种小区测量数据生成方法、装置、设备及介质，根据真实测量数据集，得到测量图像，所述真实测量数据集包括多个小区测量数据，每个小区测量数据对应所述测量图像中的一个有效像素；根据所述真实测量数据集对生成对抗网络进行训练，获取训练完成的生成对抗网络的生成器输出的假图像；根据所述假图像中的每个有效像素，获取每个有效像素对应的虚拟测量数据，并确定所述虚拟测量数据所归属的主服务小区。
上述方法中，通过将真实的小区测量数据映射为测量图像，并将有实际数据的小区测量数据映射成测量图像的有效像素的方式，将数据问题变换成图像问题进行处理，并通过获取真实测量数据集训练生成对抗网络，将训练完的生成对抗网络用于数据生成，最终在生成的数据中确定主服务小区；经过生成对抗网络训练生成的数据，比起现有的直接使用实时测量的数据，在保证足够的准确率的同时，可以因为数据的可靠性加长数据更新周期，不再需要时不时跑到现场进行勘测。
附图说明
为了更清楚地说明本发明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简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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为本发明实施例提出的一种小区测量数据生成示意图；
图2为本发明实施例提出的一种小区测量数据生成方法流程图一；
图3为本发明实施例提出的一种小区测量数据生成方法流程图二；
图4为本发明实施例提出的一种小区测量数据生成方法流程图三；
图5为本发明实施例提出的一种孪生网络结构图；
图6为本发明实施例提供的一种小区测量数据生成装置图；
图7为本发明实施例提供的小区测量数据生成设备的硬件示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
现有技术中一般通过直接获取真实的小区测量数据来反应小区测量数据所对应的主服务小区所在位置；直接获取真实的小区测量数据，存在以下缺点：真实小区测量数据中存在大量的数据缺失，数据缺失完整性影响了测量数据的应用质量；测量数据的采集存储涉及到多个网元，这些网元的建设维护成本对网络运营提质增效构成一定压力；真实测量数据需要长期将网元测量功能开启，影响网元性能；并且对于这些真实的小区测量数据，检测人员需要实时跑去现场进行采集，加上数据的更新周期短，十分耗费人力资源。
又或者通过网络仿真的方式，获取小区对应的链路传播损耗和基站信息，计算接收功率来确定各个数据对应的主服务小区，在仿真的过程，需要参考专家规则，导致最终仿真出来的结果出现偏差，缺乏准确性。
于是本发明实施例提出一种在无线环境下的小区测量数据生成方法，该方法可以准确和有效的确定主服务小区。
下面结合图1和图2说明本发明实施例提出的小区测量数据生成方法可以如何实现。
图1为本发明实施例提出的一种小区测量数据生成示意图。如图1所示，该系统包括：真实测量数据集和生成对抗网络；
在实际工程中，利用无线网络，对小区的位置信息和信道信息进行现场勘测，可以获取小区的实际测量数据，通过该实际测量数据，可以构建真实测量数据集；该真实测量数据集包括位置信息和信道信息，信道信息包括：小区信号电平(Reference SignalReceiving Power，RSRP)、小区信号质量(Reference Signal Receiving Quality，RSRQ)、小区信号干扰噪声比(Signal to Interference plus Noise Ratio，SINR)、小区时间提前量(Timing Advance，TADV)；该真实测量数据集的位置信息包括：信道信息产生的经度和信道信息产生的纬度。
小区为基站所覆盖的地方，在一定的地理区域范围内，基站以及其覆盖的小区可能都不止一个；将一定的地理区域范围划分成多个网格，那么这些网格中，有的可能存在被基站覆盖的小区，也可能存在不被覆盖的地方；地理区域的每个网格都有其对应的经度和纬度，可以根据经纬度获取各个网格的信道信息；由于每个网格中不止一个经纬度所在位置存在信道信息，可以对每个网格的某一种数据进行归一化处理，例如某个网格中A位置下测得4个信道信息，B位置下测得4个信道信息，分别对两个位置的两个经度取平均值或中位数，分别对两个位置的两个RSRP值取平均值或中位数，依次完成6个数据的归一化；不被网络覆盖的网格，可以进行取0处理，作为无效像素，将有效像素与无效像素按照划分的位置进行排列，组合成测量图像，得到真实测量数据集。
根据真实测量数据集对生成对抗网络进行训练，获取训练完成的生成对抗网络的生成器输出的假图像，对假图像中的有效像素进行数据还原，可以得到虚拟测量数据，最终可以通过该虚拟测量数据确定虚拟测量数据所归属的主服务小区；该虚拟测量数据相当于一个虚拟数据库，对于该虚拟数据库无需像人工测量那样频繁进行更新，也无需向网络仿真那样依赖于人工经验，最终节约资源，能够获得准确有效的虚拟测量数据。
图2为本发明实施例提出的一种小区测量数据生成方法流程图一。如图2所示，该方法包括：
S201、根据真实测量数据集，得到测量图像，所述真实测量数据集包括多个小区测量数据，每个小区测量数据对应所述测量图像中的一个有效像素。
真实测量数据集由多个真实情况下测量获取的数据构成，其包括由多个真实情况下测量获取的数据映射得到的测量图像；其中真实测量数据集所包含的小区测量数据用于测量图像的映射；一个小区测量数据映射为测量图像上的一个有效像素。
一个小区测量数据，相当于一个数组；一个数组包括多种可以衡量基站覆盖小区的实际通信质量的数据值，实际通信质量可以用信道信息表达，故数据值可以是信道信息值，仅由单个的信道信息值表达小区的通信质量一般不够准确，故选择多个信道信息值进行表达；该数组还包括位置信息，该位置信息与信道信息对应，可以用于获取发生通信质量问题的用户所在位置；一个小区测量数据可以映射为一个有效像素，对多个地方进行测量，可以得到多个小区测量数据，即多个有效像素，并将有效像素用于构建测量图像。
S202、根据所述真实测量数据集对生成对抗网络进行训练，获取训练完成的生成对抗网络的生成器输出的假图像。
在进行网络模型训练的时候，需要构建数据集对网络模型进行训练，例如构建真实测量数据集；利用真实测量数据集中的测量图像作为真图像，可以训练生成对抗网络，直到完成训练；
生成对抗网络包括生成器和判别器；对于该生成对抗网络在训练后的实际使用过程中，主要利用生成器生成数据，即假图像。
S203、根据所述假图像中的每个有效像素，获取每个有效像素对应的虚拟测量数据，并确定所述虚拟测量数据所归属的主服务小区。
测量图像的有效像素中包含信道信息和位置信息，那么由该测量图像训练出来的生成对抗网络生成的假图像，也携带信道信息和位置信息，并且这些信息都对应在假图像的有效像素点位上。
获得假图像后，可以根据假图像中的每个有效像素还原假图像中携带的携带信道信息和位置信息，即虚拟测量数据；根据该虚拟测量数据表达出的数据可以确定该虚拟测量数据所归属的主服务小区。
在实际工程中，根据所述真实测量数据集中的每个真实测量数据中的位置信息和真实测量小区所归属的主服务小区，确定每个主服务小区的覆盖范围。
示例的，获取小区测量数据时，可以先在地理位置上进行范围划分，确定一个待划分区域，再将待划分区域分割成多个子区域，即将一个大格子划分成多个小的网格，而一个小区测量数据映射在一个网格上。
在真实测量数据集中，包含了多个小区测量数据，这些小区测量数据中，包含了位置信息，位置信息包括经度和纬度信息，对于每一个网格中映射的一个小区测量数据，实际上如果一个网格对应着不止一个小区测量数据，可以事先对小区测量数据经过归一化处理，例如将一个网格对应的多个小区测量数据进行取均值处理，对于该网格的多个小区测量数据，其位置信息和信道信息并不是完全一致的，在取均值之前，可以将该网格的多个小区测量数据所包含的经纬度最外围的值作为该小区的真实覆盖范围；其中可以将信道信息最强的小区作为主服务小区，同时也确定了主服务小区的范围大小。
根据每个主服务小区的覆盖范围和所述虚拟测量数据中的位置信息，确定所述虚拟测量数据所归属的主服务小区。
在通过真实测量的数据确定每个主服务小区的覆盖范围后，通过比对生成对抗网络获取的虚拟测量数据中的位置信息，可以确定虚拟测量数据所归属的主服务小区。
本发明实施例中，根据真实测量数据集，得到测量图像，所述真实测量数据集包括多个小区测量数据，每个小区测量数据对应所述测量图像中的一个有效像素；根据所述真实测量数据集对生成对抗网络进行训练，获取训练完成的生成对抗网络的生成器输出的假图像；根据所述假图像中的每个有效像素，获取每个有效像素对应的虚拟测量数据，并确定所述虚拟测量数据所归属的主服务小区。上述方法中，通过将真实的小区测量数据映射为测量图像，并将有实际数据的小区测量数据映射成测量图像的有效像素的方式，将数据问题变换成图像问题进行处理，并通过获取真实测量数据集训练生成对抗网络，将训练完的生成对抗网络用于数据生成，最终在生成的数据中确定主服务小区；经过生成对抗网络训练生成的数据，比起现有的直接使用实时测量的数据，在保证足够的准确率的同时，可以因为数据的可靠性加长数据更新周期，不再需要时不时跑到现场进行勘测。
下面结合图3说明本发明实施例提出的小区测量数据生成方法中测量图像的获取可以如何实现。
图3为本发明实施例提出的一种小区测量数据生成方法流程图二。如图3所示，该方法包括：
S301、根据每个小区测量数据中的位置信息，将所述每个小区测量数据映射到网格图像中对应网格中。
根据上述描述，一个小区测量数据是一个数组包含通信信息和位置信息，而一个小区测量数据可以根据其位置信息映射到网格图像对应的网格上；该网格图像与上述的地理区域相对应，图像的网格与地理区域的子区域相对应，都可以被称作网格。
S302、针对每个网格，若所述网格对应至少两个小区测量数据，则将所述至少两个小区测量数据中的同种测量数据进行归一化处理，得到归一化处理后的每种测量数据。其中，每个所述小区测量数据包括多种测量数据，每种测量数据属于所述位置信息或信道测量信息。
一个网格中只需要一个像素信息；当一个网格中包含多个小区测量数据时，则可以对多个小区测量数据中同种测量数据进行归一化处理，同种测量数据指的是数据类型相同，例如上述举例的4种信道信息，对于同一种信道信息例如RSRP值，可以进行取均值或者取中位数的方式进行归一化，对应的，将RSRP值所在的数组中其他同种数据各自进行归一化，得到归一化处理后的每种测量数据。
S303、将归一化处理后的多种测量数据映射到不同的图像通道，得到每个图像通道的值，每种测量数据对应一种图像通道。
一个网格映射有一个小区测量数据，一个小区测量数据包含多种数据分别为RSRP值、RSRQ值、SINR值、TADV值、经度值、纬度值，各自完成归一化，将归一化处理后的多种测量数据映射到不同的图像通道，6种数据对应6个通道，6种数据的值对应6个图像通道的值。
S304、根据所述不同的图像通道的值，得到所述对应网格的有效像素，其中，每个有效像素对应的图像通道数与所述测量数据的种类相同。
将不同的图像通道的值映射到对应的网格中，获得有效像素；一个网格上的有效像素由6个图像通道的值构成，该有效像素对应的图像通道数与所述测量数据的种类相同。
S305、将所述网格图像中未映射到的网格的像素设置为无效像素，所述网格图像中的有效像素和无效像素，形成了所述测量图像。
在地理区域上不一定存在每个网格都存在基站覆盖的小区，即用上述映射的有效像素构建通道图像，并不一定在各个网格上都存在有效像素，对于没有有效像素的网格，可以将其进行无效像素填充，构成完整的网格图像，最终构成测量图像。在图像上来说，对没有具体有效数据的地方进行填充，一般是将其全设置为白色或者全设置为黑色，全设置为黑色即将6个图像通道的值全设置为0。
本发明实施例中，根据每个小区测量数据中的位置信息，将所述每个小区测量数据映射到网格图像中对应网格中。针对每个网格，若所述网格对应至少两个小区测量数据，则将所述至少两个小区测量数据中的同种测量数据进行归一化处理，得到归一化处理后的每种测量数据。其中，每个所述小区测量数据包括多种测量数据，每种测量数据属于所述位置信息或信道测量信息。将归一化处理后的多种测量数据映射到不同的图像通道，得到每个图像通道的值，每种测量数据对应一种图像通道。根据所述不同的图像通道的值，得到所述对应网格的有效像素，其中，每个有效像素对应的图像通道数与所述测量数据的种类相同。将所述网格图像中未映射到的网格的像素设置为无效像素，所述网格图像中的有效像素和无效像素，形成了所述测量图像。上述方法中，具体说明如何将小区测量数据映射成测量图像，以便于后续通过图像处理的方式获取虚拟测量数据，这样做的好处是，避免人工勘测的资源浪费或者避免依赖于人工经验，并且在映射过程中，充分考虑多种数据，可以比较全面的表达信道信息，对最后的数据生成的准确性起积极作用。
下面结合图4和图5说明本发明实施例提出的小区测量数据生成方法中网络训练过程可以如何实现。
图4为本发明实施例提出的一种小区测量数据生成方法流程图三。图5为本发明实施例提出的一种孪生网络结构图。如图4所示，该方法包括：
S401、获取所述生成对抗网络的生成器输出的假图像。
生成对抗网络包括依次连接的生成器和判别器；其中生成器用于进行数据生成，一开始生成器通过一个随机函数或者随机向量，随机生成一个假图像，用于和真图像进行对抗；在本实施例中，真图像为测量图像。
示例的，获取一个长度为100的随机向量，将其转换成1×1×100的张量，并依次通过生成器中的转置卷积层，增加图像高宽尺寸降低图像通道数量，其中每个卷积层中间都有一个批归一化层来提高训练的稳定性，最终获得高度×宽度×通道数为64×64×6的假图像，这里的假图像的大小与真图像保持一致。
S402、将所述真图像和所述假图像进行合并，得到新图像。所述新图像的每个像素的图像通道数量为所述真图像的每个像素的图像通道数量和所述假图像每个像素的图像通道数量之和。
在生成器和判别器之间，将真图像和生成器生成的假图像沿着通道方向进行合并，即在通道方向上，将真图像和假图像叠加在一起，例如把两张6通道图像合并成一张12通道的新图像。
S403、将所述新图像输入至所述孪生网络中，根据所述孪生网络输入的图像相似度，对所述生成器和所述孪生网络交替进行训练，直至得到训练完成的生成对抗网络。
这里的孪生网络是生成对抗网络的判别器，该孪生网络是改进后的孪生网络，如图5所示，其结构包括：依次连接的输入通道RF、多个卷积神经网络层CNN、决策层；其中R表示真图像，F表示假图像，现在它们被叠加到一起输入到只有一个输入口的孪生网络。
在训练过程中，孪生网络计算图像相似度，可以表示图像训练情况，当图像相似度满足预设值，可以停止训练，训练过程中是生成器和孪生网络交替进行训练。
在孪生网络训练过程中，其用到的损失函数LSia为：
式中，w为孪生网络的权值，||·||2为L2范数运算，λ为真假图像之间的欧式距离，yi为网络输出层第i对训练图片的标签值，为网络输出层第i对训练图片的输出，N为测量图像数，min表示取最小值，max表示取最大值。
在生成器训练过程中，其用到的损失函数LBu为：
式中，为对生成器的梯度下降运算，Εz为对z取期望值，Gφ(z)为随机函数，即生成器的输出，z为随机变量，Dθ为判别器的输出，log为对数函数。
示例的，获取所述训练完成的生成对抗网络的生成器输出的假图像。
最后训练完的生成对抗网络可以用于小区测量数据生成，输出假图像，关于该数据生成和假图像的使用在上述过程中已进行具体说明，此处不再赘述。
本发明实施例中，获取所述生成对抗网络的生成器输出的假图像。将所述真图像和所述假图像进行合并，得到新图像。所述新图像的每个像素的图像通道数量为所述真图像的每个像素的图像通道数量和所述假图像每个像素的图像通道数量之和。将所述新图像输入至所述孪生网络中，根据所述孪生网络输入的图像相似度，对所述生成器和所述孪生网络交替进行训练，直至得到训练完成的生成对抗网络。上述过程中，主要描述如何训练出可以用来获取假图像的生成对抗网络，在训练过程中将生成对抗网络判别器替换成孪生网络，并且使用的是单图像输入的孪生网络，其网络结构相较于传统孪生网络更加简单，故其计算量也更少，在训练过程中，可以减少计算量，并且训练出优秀的生成对抗网络。
图6为本发明实施例提供的一种小区测量数据生成装置图，如图7所示，该装置包括：第一获取模块601、第二获取模块602和处理模块603；
第一获取模块601，用于根据真实测量数据集，得到测量图像，所述真实测量数据集包括多个小区测量数据，每个小区测量数据对应所述测量图像中的一个有效像素。
第一获取模块601，还用于根据每个小区测量数据中的位置信息，将所述每个小区测量数据映射到网格图像中对应网格中；
根据每个小区测量数据，得到所述对应网格的有效像素，每个所述小区测量数据包括多种测量数据，每种测量数据属于所述位置信息或信道测量信息；
将所述网格图像中未映射到的网格的像素设置为无效像素，所述网格图像中的有效像素和无效像素，形成了所述测量图像。
第一获取模块601，还用于将每个小区测量数据中的多种测量数据映射到不同的图像通道，得到每个图像通道的值，每种测量数据对应一种图像通道；
根据所述不同的图像通道的值，得到所述对应网格的有效像素，其中，每个有效像素对应的图像通道数与所述测量数据的种类相同。
第一获取模块601，还用于针对每个网格，若所述网格对应至少两个小区测量数据，则将所述至少两个小区测量数据中的同种测量数据进行归一化处理，得到归一化处理后的每种测量数据；
将归一化处理后的每种测量数据映射到不同的图像通道，得到每个图像通道的值。
第二获取模块602，用于根据所述真实测量数据集对生成对抗网络进行训练，获取训练完成的生成对抗网络的生成器输出的假图像。
处理模块603，用于根据所述假图像中的每个有效像素，获取每个有效像素对应的虚拟测量数据，并确定所述虚拟测量数据所归属的主服务小区。
处理模块603，还用于根据所述真实测量数据集中的每个真实测量数据中的位置信息和真实测量小区所归属的主服务小区，确定每个主服务小区的覆盖范围；
根据每个主服务小区的覆盖范围和所述虚拟测量数据中的位置信息，确定所述虚拟测量数据所归属的主服务小区。
本申请还提供一种小区测量数据生成设备，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行小区测量数据生成方法。
图7为本发明实施例提供的小区测量数据生成设备的硬件示意图。如图7所示，本实施例提供的小区测量数据生成设备70包括：至少一个处理器701和存储器702。该设备70还包括通信部件703。其中，处理器701、存储器702以及通信部件703通过总线704连接。
在具体实现过程中，至少一个处理器701执行所述存储器702存储的计算机执行指令，使得至少一个处理器701执行如上小区测量数据生成方法。
处理器701的具体实现过程可参见上述方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
在上述的图7所示的实施例中，应理解，处理器可以是中央处理单元(英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：Application SpecificIntegrated Circuit，简称：ASIC)等。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。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块个合执行完成。
存储器可能包含高速存储器(Random Access Memory，RAM)，也可能还包括非易失性存储器(Non-volatile Memory，NVM)，例如至少一个磁盘存储器。
总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component，PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
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中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上所述的小区测量数据生成方法。
上述的计算机可读存储介质，上述可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的个合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的个成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits，简称：ASIC)中。当然，处理器和可读存储介质也可以作为分立个件存在于设备中。
所述单元的划分，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，例如多个单元或个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，装置或单元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单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
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，本发明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)执行本发明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、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
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：ROM、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：本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段，并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求书来限制。

Claims (8)

1.一种小区测量数据生成方法，其特征在于，包括：
根据真实测量数据集，得到测量图像，所述真实测量数据集包括多个小区测量数据，每个小区测量数据对应所述测量图像中的一个有效像素；
根据所述真实测量数据集对生成对抗网络进行训练，获取训练完成的生成对抗网络的生成器输出的假图像；
根据所述假图像中的每个有效像素，获取每个有效像素对应的虚拟测量数据，并确定所述虚拟测量数据所归属的主服务小区；
所述根据真实测量数据集，得到测量图像，包括：
根据每个小区测量数据中的位置信息，将所述每个小区测量数据映射到网格图像中对应网格中；
根据每个小区测量数据，得到所述对应网格的有效像素，每个所述小区测量数据包括多种测量数据，每种测量数据属于所述位置信息或信道测量信息；
将所述网格图像中未映射到的网格的像素设置为无效像素，所述网格图像中的有效像素和无效像素，形成了所述测量图像；
所述确定所述虚拟测量数据所归属的主服务小区，包括：
根据所述真实测量数据集中的每个真实测量数据中的位置信息和真实测量小区所归属的主服务小区，确定每个主服务小区的覆盖范围；
根据每个主服务小区的覆盖范围和所述虚拟测量数据中的位置信息，确定所述虚拟测量数据所归属的主服务小区。
2.根据权利要求1所述的方法，其特征在于，所述根据每个小区测量数据，得到所述对应网格的有效像素，包括：
将每个小区测量数据中的多种测量数据映射到不同的图像通道，得到每个图像通道的值，每种测量数据对应一种图像通道；
根据所述不同的图像通道的值，得到所述对应网格的有效像素，其中，每个有效像素对应的图像通道数与所述测量数据的种类相同。
3.根据权利要求2所述的方法，其特征在于，所述将每个小区测量数据中的多种测量数据映射到不同的图像通道，得到每个图像通道的值，包括：
针对每个网格，若所述网格对应至少两个小区测量数据，则将所述至少两个小区测量数据中的同种测量数据进行归一化处理，得到归一化处理后的每种测量数据；
将归一化处理后的每种测量数据映射到不同的图像通道，得到每个图像通道的值。
4.根据权利要求1所述的方法，其特征在于，所述根据所述真实测量数据集对生成对抗网络进行训练，获取训练完成的生成对抗网络的生成器输出的假图像，包括：
获取所述生成对抗网络的生成器输出的假图像；
将所述测量图像作为真图像和所述假图像输入至所述生成对抗网络的判别器中，根据所述判别器的输出结果，对所述生成器和所述判别器交替进行训练，直至得到训练完成的生成对抗网络，并获取所述训练完成的生成对抗网络的生成器输出的假图像。
5.根据权利要求4所述的方法，其特征在于，所述判别器为孪生网络，所述将所述测量图像作为真图像和所述假图像输入至所述生成对抗网络的判别器中，根据所述判别器的输出结果，对所述生成器和所述判别器交替进行训练，包括：
将所述真图像和所述假图像进行合并，得到新图像，所述新图像的每个像素的图像通道数量为所述真图像的每个像素的图像通道数量和所述假图像每个像素的图像通道数量之和；
将所述新图像输入至所述孪生网络中，根据所述孪生网络输入的图像相似度，对所述生成器和所述孪生网络交替进行训练。
6.一种小区测量数据生成装置，其特征在于，包括：
第一获取模块，用于根据真实测量数据集，得到测量图像，所述真实测量数据集包括多个小区测量数据，每个小区测量数据对应所述测量图像中的一个有效像素；
第二获取模块，用于根据所述真实测量数据集对生成对抗网络进行训练，获取训练完成的生成对抗网络的生成器输出的假图像；
处理模块，用于根据所述假图像中的每个有效像素，获取每个有效像素对应的虚拟测量数据，并确定所述虚拟测量数据所归属的主服务小区；
第一获取模块，还用于根据每个小区测量数据中的位置信息，将所述每个小区测量数据映射到网格图像中对应网格中；
根据每个小区测量数据，得到所述对应网格的有效像素，每个所述小区测量数据包括多种测量数据，每种测量数据属于所述位置信息或信道测量信息；
将所述网格图像中未映射到的网格的像素设置为无效像素，所述网格图像中的有效像素和无效像素，形成了所述测量图像；
处理模块，还用于根据所述真实测量数据集中的每个真实测量数据中的位置信息和真实测量小区所归属的主服务小区，确定每个主服务小区的覆盖范围；
根据每个主服务小区的覆盖范围和所述虚拟测量数据中的位置信息，确定所述虚拟测量数据所归属的主服务小区。
7.一种小区测量数据生成设备，其特征在于，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1-5任一项所述的小区测量数据生成方法。
8.一种计算机可读存储介质，其上储存有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1-5任意一项所述的小区测量数据生成方法的步骤。
CN202211054954.1A 2022-08-30 2022-08-30 小区测量数据生成方法、装置、设备及介质 Active CN115426666B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211054954.1A CN115426666B (zh) 2022-08-30 2022-08-30 小区测量数据生成方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211054954.1A CN115426666B (zh) 2022-08-30 2022-08-30 小区测量数据生成方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN115426666A CN115426666A (zh) 2022-12-02
CN115426666B true CN115426666B (zh) 2024-04-30

Family

ID=84200523

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211054954.1A Active CN115426666B (zh) 2022-08-30 2022-08-30 小区测量数据生成方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN115426666B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101448239A (zh) * 2007-11-06 2009-06-03 华为技术有限公司 一种移动性管理的方法、测量方法、系统及设备
CN110770761A (zh) * 2017-07-06 2020-02-07 华为技术有限公司 深度学习系统和方法以及使用深度学习的无线网络优化
CN111428761A (zh) * 2020-03-11 2020-07-17 深圳先进技术研究院 图像特征可视化方法、图像特征可视化装置及电子设备
WO2021107608A1 (ko) * 2019-11-25 2021-06-03 삼성전자 주식회사 무선 통신 시스템에서 핸드오버를 수행하기 위한 장치 및 방법
CN113052308A (zh) * 2019-12-26 2021-06-29 中国移动通信集团北京有限公司 训练目标小区识别模型的方法及目标小区识别方法
CN113644996A (zh) * 2021-10-13 2021-11-12 华中师范大学 基于深度学习的小区级rsrp估计方法
WO2021237463A1 (en) * 2020-05-26 2021-12-02 Telefonaktiebolaget Lm Ericsson (Publ) Method and apparatus for position estimation
CN113763452A (zh) * 2020-06-01 2021-12-07 三星电子株式会社 斜度估计装置及其操作方法
CN114765789A (zh) * 2021-01-13 2022-07-19 北京三星通信技术研究有限公司 无线通信网络中数据处理方法和装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101448239A (zh) * 2007-11-06 2009-06-03 华为技术有限公司 一种移动性管理的方法、测量方法、系统及设备
CN110770761A (zh) * 2017-07-06 2020-02-07 华为技术有限公司 深度学习系统和方法以及使用深度学习的无线网络优化
WO2021107608A1 (ko) * 2019-11-25 2021-06-03 삼성전자 주식회사 무선 통신 시스템에서 핸드오버를 수행하기 위한 장치 및 방법
CN113052308A (zh) * 2019-12-26 2021-06-29 中国移动通信集团北京有限公司 训练目标小区识别模型的方法及目标小区识别方法
CN111428761A (zh) * 2020-03-11 2020-07-17 深圳先进技术研究院 图像特征可视化方法、图像特征可视化装置及电子设备
WO2021237463A1 (en) * 2020-05-26 2021-12-02 Telefonaktiebolaget Lm Ericsson (Publ) Method and apparatus for position estimation
CN113763452A (zh) * 2020-06-01 2021-12-07 三星电子株式会社 斜度估计装置及其操作方法
CN114765789A (zh) * 2021-01-13 2022-07-19 北京三星通信技术研究有限公司 无线通信网络中数据处理方法和装置
CN113644996A (zh) * 2021-10-13 2021-11-12 华中师范大学 基于深度学习的小区级rsrp估计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Bo Ma ; Bowei Yang ; Zitian Zhang ; Jie Zhang.Modelling Mobile Traffic Patterns Using A Generative Adversarial Neural Networks.《NOMS 2020 - 2020 IEEE/IFIP Network Operations and Management Symposium》.2020,全文. *
基于生成对抗网络优化模型的行人再识别关键技术研究;余坤宏;《中国优秀硕士学位论文辑》;20191215;全文 *

Also Published As

Publication number Publication date
CN115426666A (zh) 2022-12-02

Similar Documents

Publication Publication Date Title
Xu et al. Incentive mechanism for multiple cooperative tasks with compatible users in mobile crowd sensing via online communities
CN104821013A (zh) 基于大地坐标系数字高程模型的地表面积提取方法及系统
CN112218330B (zh) 定位方法及通信装置
Zhang et al. TrafficGAN: Off-deployment traffic estimation with traffic generative adversarial networks
Berentsen et al. Recognizing and visualizing departures from independence in bivariate data using local Gaussian correlation
CN112446397A (zh) 基于遥感和随机森林的产草量估算方法、装置及存储介质
CN111797190A (zh) 一种图斑提取方法及装置
Cervilla et al. Total 3D‐Viewshed Map: Quantifying the Visible Volume in Digital Elevation Models
CN115426666B (zh) 小区测量数据生成方法、装置、设备及介质
CN105682039B (zh) 一种rf指纹定位方法及系统
Ghasemi et al. Deep learning based localization of LTE eNodeBs from large crowdsourced smartphone datasets
CN112423337B (zh) 网络覆盖诊断模型构建方法、网络覆盖诊断方法及装置
Zhang et al. Accuracy assessments and uncertainty analysis of spatially explicit modeling for land use/cover change and urbanization: A case in Beijing metropolitan area
CN109657907B (zh) 地理国情监测数据的质量控制方法、装置和终端设备
Tennekes et al. A Bayesian approach to location estimation of mobile devices from mobile network operator data
CN114118719A (zh) 基于分区加权Voronoi和协同推荐的共享机房选址定容方法
CN115239156A (zh) 城镇化指标对水系结构的影响警示方法
Sanjuan et al. Determining map partitioning to accelerate wind field calculation
CN114529834A (zh) 小目标对象的检测方法和检测装置
CN113141570A (zh) 地下场景定位方法、装置、计算设备及计算机存储介质
Aithal et al. Measuring urban sprawl in Tier II cities of Karnataka, India
CN117607817B (zh) 基于雷达高度计载荷的在轨性能检测方法、装置及设备
CN116824157B (zh) 采样点确定、遥感产品真实性校验方法、装置及电子设备
Mashhadi et al. An Auditing Framework for Analyzing Fairness of Spatial-Temporal Federated Learning Applications
Yücer et al. Investigation of the effects of socio-economic indicators on the urban area by spatial and nonspatial techniques

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