CN115866623A - 一种基于无aoa的规划站覆盖预测方法 - Google Patents
一种基于无aoa的规划站覆盖预测方法 Download PDFInfo
- Publication number
- CN115866623A CN115866623A CN202211514131.2A CN202211514131A CN115866623A CN 115866623 A CN115866623 A CN 115866623A CN 202211514131 A CN202211514131 A CN 202211514131A CN 115866623 A CN115866623 A CN 115866623A
- Authority
- CN
- China
- Prior art keywords
- station
- coverage
- planning
- cell
- planning station
- 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
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于无AOA的规划站覆盖预测方法,涉及无线通信数据分析技术领域。本发明基于无AOA参数的MR、现网LTE小区工参两类数据,通过搜索渐进算法、方向角判定算法、无线环境真实传播模型等,实现对规划站的覆盖预测评估。本发明能够实现在网络建设成熟期阶段规划站的智能规划及覆盖预测,能够综合获取规划站站址及方向角、站高、下倾角,能准确可靠的预测规划站的无线覆盖状态,且预测过程能够有效适应各种环境场景,同时是一种长远发展的LTE网络站点规划方法,确保网络资源投入效益。
Description
技术领域
本发明涉及无线通信数据分析技术领域,特别是指一种基于无AOA(Angle-of-Arrival,信号到达角)的规划站覆盖预测方法。
背景技术
在移动通信领域中,随着LTE网络的逐渐发展和成熟,LTE网络覆盖已经实现连续覆盖,但LTE网络用户对网络质量的诉求也随之提升。为了给LTE网络用户提供更好的服务质量,需要挖掘潜在的LTE网络问题,更快、更准地找到LTE网络覆盖问题,并提出规划和建站方案,这些成了当前工作任务的重点。
在LTE网络建设初期,主要是通过仿真工具进行仿真,这种方法适合与连续的大范围区域。在当前LTE网络成熟阶段,这种方法的缺点为:一是工作量大,需要输入大量的参数以及地理环境信息,二是准确率低,仿真结果只能呈现覆盖的基本面,不能完全真实反映LTE网络的实际情况,三是不适用,在目前LTE网络成熟阶段,为少量不连续插花式的位置使用该方法已经不适用。
在LTE建设中后期,主要是通过道路测试及用户投诉信息,针对个别问题提出规划和建站方案,这种方式也同样存在一些缺点:一是人员、车辆、测试设备等投入成本高、效率低,且挖掘潜在覆盖差区域不全面问题,二是通过用户投诉信息进行网络规划和建站的方式,处于被动状态情况下的LTE网络建设和优化,导致用户对LTE网络的满意度低,从而容易造成客户流失。
发明内容
有鉴于此,本发明提出一种基于无AOA的规划站覆盖预测方法,本发明基于无AOA参数的MR(Measurement Report,测量报告)、现网LTE小区工参两类数据源,能够综合获取规划站站址及方向角、站高、下倾角等,能准确可靠的预测规划站的无线覆盖状态,且预测过程能够有效适应各种环境场景。
为了实现上述目的,本发明提供的技术方案是:
一种基于无AOA的规划站覆盖预测方法,包括以下步骤:
步骤一,以地市为单位,提取地市下所有小区的MR信息,将MR信息分为两部分,第一部分为含经纬度的MR信息,第二部分为不含经纬度的MR信息;对第一部分MR信息进行栅格化,获取每个栅格的RSRP覆盖值,基于搜索渐进方法对弱覆盖栅格进行聚类以生成簇,得到弱覆盖区域的范围,同时计算簇的面积Areai、周长Perimeteri以及重心Focusi(cx',cy'):
Areai=∑s[i]
Perimeteri=∑l[i]
Focusi(cx',cy')=((∑cx[i]*s[i])/∑s[i]/3,(∑cy[i]*s[i])/∑s[i]/3)
其中,s[i]是将簇所划分的第i个三角形的面积,l[i]为簇的第i个边的长度,(cx[i],cy[i])是将簇所划分的第i个三角形的重心坐标;
以重心Focusi(cx',cy')作为规划站的站址位置Locationi,同时以重心Focusi(cx',cy')为圆心,以正北方向为0度,计算其正负Anglebandwidth度夹角范围内弱覆盖栅格数Grid0,并计算顺时针1度方向上正负Anglebandwidth度夹角范围内弱覆盖栅格数Grid1,以此类推,最后计算顺时针359度方向上正负Anglebandwidth度夹角范围内弱覆盖栅格数Grid359;按照弱覆盖栅格数大小排序,选取弱覆盖栅格数较大的前K个Gridn所对应的方向角Bearingn作为规划站小区的方向角Azimuthi-n,规划站小区方向角之间的夹角大于最小阈值夹角Anglemin;
以规划站位置Locationi为圆心,获取周围相邻的基站,并提取相应基站中覆盖方向不背向规划站位置Locationi的小区及其MR信息;获取周围相邻小区的工参信息,以周围相邻小区的平均站高、平均下倾角作为规划站的站高Highti、下倾角Downtilti-n,从而得到规划站初始方案;其中:
式中,Hightt和Downtiltt分别标识第t个相邻小区的站高和下倾角;
步骤二,以规划站周围相邻小区的MR信息为基础,对第一部分MR信息进行数据清洗、转换后得到两部分特征向量,第一部分为MR原有特征向量,第二部分为在原有特征向量的基础上经清洗变形处理后的特征向量;利用管道模型Pipeline对特征向量在模型分析中的重要性,根据特征向量重要性的分值,选取其中最重要的前N个特征向量作为建模的基础;
对选取的特征向量进行归一化处理,减小个别特征向量对建模的影响,然后基于随机森林方法进行模型训练,结合网格搜素方法GridSearchCV选取随机森林方法中的3个重要参数n_estimators,max_depth,min_samples_split的最优组合,从而最终生成MR方向角预测模型;
将第二部分MR信息输入到MR方向角预测模型中,得到第二部分MR信息的方向角Downtiltj,结合MR信息中修正的TADV时间提前量,最终得到MR经纬度(Lonj,Latj),从而实现现网小区全量MR的覆盖呈现;MR经纬度(Lonj,Latj)计算函数如下:
(Lonj,Latj)=getLocation(loncell,latcell,Directionj,TADVj)
其中,loncell,latcell,Directionj,TADVj分别为小区的经度、小区纬度、第j个无AOA参数且不含经纬度的MR预测方向角、第j个无AOA参数且不含经纬度的MR上报TADV的修正值;
步骤三,根据周围相邻小区全量MR,通过支持向量机和交叉验证方法得到得到规划站周围场景环境的实际无线传播模型:
Best_model=getmodel(gpid,df)
其中,gpid为簇的标签,df为周围相邻小区全量MR集合;
结合天线水平方向图、天线垂直方向图,根据规划站覆盖半径Distancei、站高Highti、方向角Azimuthi-n、下倾角Downtilti-n,预测规划站覆盖半径范围内的栅格RSRP覆盖情况;RSRP计算函数为:RSRP_value=cal(gpid,Best_model,center_lon,center_lat,azmuth s,tilts,lon_lst,lat_lst,height)
其中,gpid为簇的标签,Best_model为规划站周围环境真实无线传播模型,center_lon为规划站经度,center_lat为规划站纬度,azmuths为规划站小区方向角集合,tilts为规划站小区下倾角集合,lon_lst为规划站覆盖范围内栅格经度,lat_lst为规划站覆盖范围内栅格纬度,height为规划站站高;
调整站高Hightt、下倾角Downtilti-n,然后与周围相邻现网LTE小区的全量MR进行合并,取相同栅格中RSRP最大值所对应的小区作为主覆盖小区,得到规划站开通后的覆盖预测结果。
从上面的叙述可以看出,本发明技术方案的有益效果在于:
1、解决了在LTE网络建设成熟期,采用传统仿真工具预测规划站覆盖情况的不适用性问题。在目前LTE网络成熟阶段,为不连续少量的位置使用该方法已经不适用,一是工作量大,需要输入大量的参数以及地理环境信息,二是准确率低,仿真结果只能呈现覆盖的基本面,不能完全真实反映LTE网络的实际情况。
2、不仅提升了LTE网络规划站方案输出的效率,而且解决了在LTE网络建设成熟期采用路测方式挖掘LTE网络覆盖问题投入人员、车辆、测试设备等成本高,且挖掘潜在覆盖差区域不全面的问题。
3、变被动为主动,避免用户流失,解决在LTE网络建设成熟期通过用户投诉信息方式被动的进行网络建设,导致用户对LTE网络的满意度低,从而容易造成客户流失的问题。
4、解决MR中无AOA参数及测量邻区信息较少情况下,通过常规三角定位和指纹定位方法计算MR位置的准确率低的问题。实现各种环境场景下对规划站无线覆盖的准确可靠全面的预测。
5、本发明算法复杂度低,运行速度快,本发明仅基于无AOA参数的MR、现网LTE小区工参两类数据,通过搜索渐进算法、方向角判定算法、无线环境真实传播模型等,实现对规划站的覆盖预测评估。
6、应用性好,本发明仅需要结合上述两类数据,通过程序调用相关算法模块即可实现规划站方案的输出,无需过多的指标数据和复杂计算规则,能更好的用于实际工作中。
总之,本发明基于无AOA参数的MR、现网LTE小区工参两类数据,通过搜索渐进算法、方向角判定算法、无线环境真实传播模型等,实现对规划站的覆盖预测评估。
附图说明
为了更加清楚地描述本专利,下面提供了多幅附图,这些附图旨在对本专利的背景技术、技术原理和/或某些具体实施方案做出辅助说明。
图1本发明实施例中用于实现本发明方法的基本流程图。
图2本发明实施例中基础数据预处理流程。
图3本发明实施例中搜索渐进挖掘潜在覆盖问题流程。
图4本发明实施例中规划站初始方案流程。
图5本发明实施例中基于实际环境无线传播模型的覆盖预测流程。
图6本发明实施例中簇的重心及面积计算示例。
图7本发明实施例中规划站初始方案效果示例。
图8本发明实施例中特征选择。
图9本发明实施例中MR方向角预测偏差效果示例。
图10本发明实施例中规划站周围真实环境无线传播模型示例。
图11本发明实施例中规划站覆盖预测效果示例。
图12本发明实施例中规划站及现网小区整体栅格覆盖效果示例。
具体实施方式
为了便于本领域技术人员对本专利技术方案的理解,同时,为了使本专利的技术目的、技术方案和有益效果更加清楚,并使权利要求书的保护范围得到充分支持,下面以具体案例的形式对本专利的技术方案做出进一步的、更详细的说明。
下面将结合本发明的实施例的附图,对本发明的实施例中的技术方案进行完整、清楚的描述,显然,所描述的实施例仅仅是本发明的实施例中的一部分,而不是全部实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有实施例都属于本发明的保护范围。
一种基于无AOA的规划站覆盖预测方法,该方法有以下四个主要目的:
目的一:解决在LTE网络建设成熟期使用仿真工具进行规划站覆盖预测不适用的问题。
目的二,解决在LTE网络建设成熟期采用路测方式挖掘LTE网络覆盖问题投入人员、车辆、测试设备等成本高、效率低,且挖掘潜在覆盖差区域不全面的问题。
目的三,解决在LTE网络建设成熟期通过用户投诉信息方式被动的进行网络建设和优化,导致用户对LTE网络的满意度低,从而容易造成客户流失的问题。
目的四,解决MR中无AOA参数及邻区测量信息较少情况下通过常规三角定位和指纹定位方法计算MR位置的准确率低的问题。通过本发明算法,基于无AOA参数的MR不仅能实现快速、高效的挖掘LTE网络潜在覆盖问题,并能输出规划方案,且可实现各种环境场景下对规划站无线覆盖的准确可靠全面的预测,确保网络资源投入效益。
该方法首先将MR分为两部分,第一部分为无AOA参数的含经纬度的MR,第二部分为无AOA参数的不含经纬度的MR,该部分不能直观的地理化呈现,无法直接进行区域性覆盖评估。基于第一部分无AOA参数含经纬度的MR进行规划站站址Locationi及规划小区方向角Azimuthi-n、覆盖半径Distancei的计算,其中i表示第i个规划站的位置,n表示第i个规划站第n个小区。同时,通过对第一部分无AOA参数含经纬度的MR进行数据清洗、转换后得到两部分特征向量,第一部分为MR原有特征向量,第二部分为在原有特征向量的基础上经清洗变形处理后的特征向量。利用管道模型Pipeline对特征在模型分析中的重要性,根据特征重要性的分值,选取其中最重要的前N个特征作为建模的基础,然后基于随机森林算法进行模型训练,结合网格搜素算法GridSearchCV选取随机森林算法中的3个重要参数n_estimators,max_depth,min_samples_split的最优组合,从而最终生成MR方向角预测模型。将第二部分不含经纬度的MR输入预测模型得到MR的方向角Directionj,结合修正的TADV计算MR经纬度(Lonj,Latj),从而得到现网LTE小区的全面覆盖分布情况,便于直观的地理化呈现小区覆盖,更好的进行覆盖分析,输出规划站各小区覆盖预测情况,从而实现对规划站全面的评估,其中j表示现网LTE小区下第j个无AOA参数的不含经纬度的MR,修正的TADV为MR上报的TADVmr的转换,其表达式如下:
TADV=(TADVmr+1)*78+random.randint(-39,39)
该方法具体包括以下步骤:
步骤一,以地市为单位,提取地市下所有小区的MR信息,由于采集的MR没有AOA参数,且测量到的邻区信息较少,无法通过正常的三角定位算法、指纹定位算法实现对MR的准确定位。为了更好更准确的实现对MR的定位,需建立模型对无经纬度MR的位置进行预测。将MR分为两部分,第一部分为含经纬度的MR,第二部分为不含经纬度的MR。通过对第一部分MR进行栅格化,获取每个栅格RSRP覆盖值,基于搜索渐进算法对弱覆盖栅格进行聚类生成簇,得到弱覆盖区域的范围,同时计算簇的面积Areai、周长Perimeteri以及重心Focusi(cx',cy')。其中Areai、Perimeteri、Focusi(cx',cy')的计算公式分别为:
Areai=∑s[i]
Perimeteri=∑l[i]
Focusi(cx',cy')=((∑cx[i]*s[i])/∑s[i]/3,(∑cy[i]*s[i])/∑s[i]/3)
其中s[i]是将簇所划分的第i个三角形的面积,l[i]为簇的第i个边的长度,例如l[1]为顶点A1到顶点A2的长度,l[2]为顶点A2到顶点A3的长度,以此类推等。(cx[i],cy[i])是将簇所划分的第i个三角形的重心坐标。
以重心Focusi(cx',cy')作为规划站的站址位置Locationi,同时以重心Focusi(cx',cy')为圆心,以正北方向为0度,计算其正负Anglebandwidth度夹角范围内弱覆盖栅格数Grid0,顺时针计算1度方向上正负Anglebandwidth度夹角范围内弱覆盖栅格数Grid1,以此类推,最后计算359度方向上正负Anglebandwidth度夹角范围内弱覆盖栅格数Grid359。按照弱覆盖栅格数大小排序,选取弱覆盖栅格数较大的前K个Gridn所对应的方向角Bearingn作为规划站小区的方向角Azimuthi-n,为保证规划方案的合理性,规划站小区方向角之间的夹角大于最小阈值夹角Anglemin。
以规划站位置Locationi为圆心,获取周围相邻的基站,并提取相应基站中覆盖方向不背向规划站位置Locationi的小区及其MR。获取周围相邻小区的工参信息,以周围相邻小区的平均站高、平均下倾角作为规划站的站高Highti、下倾角Downtilti-n,从而得到规划站初始方案。其计算公式如下:
其中Hightt和Downtiltt分别标识第t个相邻小区的站高和下倾角。
步骤二,以规划站周围相邻小区的MR为基础,通过对第一部分MR进行数据清洗、转换后得到两部分特征向量,第一部分为MR原有特征向量,第二部分为在原有特征向量的基础上经清洗变形处理后的特征向量。利用管道模型Pipeline对特征在模型分析中的重要性,根据特征重要性的分值,选取其中最重要的前N个特征作为建模的基础。
为保证预测模型的准确性,在建模前需对特征进行归一化处理,减小个别特征对建模的影响,然后基于随机森林算法进行模型训练,结合网格搜素算法GridSearchCV选取随机森林算法中的3个重要参数n_estimators,max_depth,min_samples_split的最优组合,从而最终生成MR方向角预测模型。将第二部分MR输入到预测模型中,即可得到第二部分MR的方向角Directionj,结合MR中修正的TADV值最终得到MR经纬度(Lonj,Latj),从而实现了现网小区全量MR的覆盖呈现。MR经纬度(Lonj,Latj)计算函数如下:
(Lonj,Latj)=getLocation(loncell,latcell,Directionj,TADVj)
其中loncell,latcell,Directionj,TADVj分别为小区的经度、小区纬度、第j个无AOA参数且不含经纬度的MR预测方向角,第j个无AOA参数且不含经纬度的MR上报TADV的修正值。
步骤三,根据周围相邻小区全量MR,通过支持向量机算法和交叉验证算法得到得到规划站周围场景环境的实际无线传播模型,避免采用传统传播模型不适用于具体环境的问题,其效果如图10所示,函数表达式如下:
Best_model=getmodel(gpid,df)
其中gpid为簇的标签,df为周围相邻小区全量MR集合。
同时,结合天线水平方向图、天线垂直方向图,根据规划站覆盖半径Distancei、站高Highti、方向角Azimuthi-n、下倾角Downtilti-n,预测规划站覆盖半径范围内的栅格RSRP覆盖情况,RSRP计算函数表达式为:
RSRP_value=cal(gpid,Best_model,center_lon,center_lat,azmuths,tilts,lon_lst,lat_lst,height)
其中gpid为簇的标签,Best_model为规划站周围环境真实无线传播模型,center_lon为规划站经度,center_lat为规划站纬度,azmuths为规划站小区方向角集合,tilts为规划站小区下倾角集合,lon_lst为规划站覆盖范围内栅格经度,lat_lst为规划站覆盖范围内栅格纬度,height为规划站站高。
为保证规划站的覆盖能达到预期效果,可调整站高Highti、下倾角Downtilti-n。然后与周围相邻现网LTE小区的全量MR进行合并,取相同栅格中RSRP最大值所对应的小区作为主覆盖小区,从而最终得到规划站开通后的覆盖预测结果。
下面为一个更具体的例子:
如图1所示,一种基于无AOA的规划站覆盖预测方法,该方法基于以下模块实现:
基础数据获取和预处理模块101,用于从MR服务器、LTE网络小区工参网管分别获取现网小区无AOA参数的全量MR、LTE网络小区工参信息,通过解析、清洗后得到其相关关键字段,并导入Oracle数据库
搜索渐进法挖掘潜在覆盖问题模块102,通过对第一部分含经纬度的MR进行栅格化,获取每个栅格RSRP覆盖值,基于搜索渐进算法对弱覆盖栅格进行聚类生成簇,得到弱覆盖区域的范围,同时计算簇的面积Areai、周长Perimeteri以及重心Focusi(cx',cy'),其中面积和周长用于判断不同规划站方案的建设优先级。
规划站初始方案输出模块103,以弱覆盖簇的重心Focusi(cx',cy')作为规划站的站址位置Locationi,以规划站位置Locationi为圆心,计算簇内弱覆盖栅格分布情况,选取弱覆盖栅格较集中的前K个方向,作为规划站小区的方向角Azimuthi-n,且保证规划站小区方向角之间的夹角大于最小阈值夹角Anglemin。同时以规划站位置Locationi为圆心,获取周围相邻的基站,并提取相应基站中覆盖方向不背向规划站位置Locationi的小区。结合周围小区的工参信息,以周围相邻小区的平均站高、平均下倾角作为规划站的站高Highti、下倾角Downtilti-n,从而得到规划站初始方案。
基于实际环境无线传播模型预测规划站覆盖模块104,以规划站周围相邻小区的MR为基础,通过对第一部分MR进行训练、建模,得到MR方向角预测模型,将第二部分MR输入到预测模型中,即可得到第二部分MR的方向角Directionj,结合修正的TADV值最终得到MR经纬度(Lonj,Latj),从而实现了现网小区全量MR的覆盖呈现。根据周围相邻小区全量MR,可以得到规划站周围场景环境的实际无线传播模型,避免传统传播模型不适用于具体环境的问题。同时,结合天线水平方向图、天线垂直方向图,根据规划站覆盖半径Distancei、站高Highti、方向角Azimuthi-n、下倾角Downtilti-n,预测规划站覆盖半径范围内的栅格RSRP覆盖情况,为保证规划站的覆盖能达到预期效果,可调整站高Highti、下倾角Downtilti-n。然后与周围相邻现网LTE小区的全量MR进行合并,取相同栅格中RSRP最大值所对应的小区作为主覆盖小区,从而最终得到规划站开通后的覆盖预测结果。
本实施例中,如图2所示,基础数据获取和预处理101,包括无AOA参数的MR、LTE网络小区工参两部分。
步骤10101,用于从MR服务器、LTE网络小区工参网管分别获取现网小区无AOA参数的全量MR、LTE网络小区工参信息。
步骤10102,用于解析无AOA参数的MR、LTE网络小区工参数据,并经清洗处理后导入Oracle数据库。
其中解析清洗后的无AOA参数的MR主要关键字段如下表所示。
解析清洗后的LTE网络小区工参关键字段如下:
字段 | 类型 | 说明 | 示例 |
CITY | NVARchar2(10) | 地市 | 沧州 |
ENB | INT | 基站标识 | 95874 |
CELLID | INT | 小区标识 | 50 |
BAND | INT | 频段 | 1800 |
DLEARFCN | INT | 下行频点 | 1850 |
PCI | INT | 物理小区标识 | 61 |
LONGITUDE | FLOAT | 经度 | 116.4362 |
LATITUDE | FLOAT | 纬度 | 38.03946 |
AZIMUTH | FLOAT | 方向角 | 150 |
HEIGHT | FLOAT | 站高 | 35 |
MACHINE_TITLE | FLOAT | 机械下倾角 | 3 |
ELECTRICAL_TILTE | FLOAT | 电子下倾角 | 4 |
COVER_TYPE | NVARchar2(5) | 基站类型 | 宏站 |
本实施例中,如图3所示,搜索渐进法挖掘潜在覆盖问题模块102,通过对第一部分含经纬度的MR进行栅格化,获取每个栅格RSRP覆盖值,基于搜索渐进算法对弱覆盖栅格进行聚类生成簇,得到弱覆盖区域的范围,同时计算簇的面积Areai、周长Perimeteri以及重心Focusi(cx',cy'),包括如下具体步骤:
步骤10201,以无AOA参数的第一部分MR为基础,计算栅格RSRP均值,如果栅格RSRP均值小于阈值门限RSRPTHR,则标记为弱覆盖栅格,通过循环迭代,最终得到所有弱覆盖栅格的集合。
步骤10202,对弱覆盖栅格集合内的每个栅格设置检索标签SID和簇标签CID,并初始化为0,便于后续循环迭代判断。检索标签SID表示是否以该栅格为中心搜索过周围的弱覆盖栅格,其取值范围为0或1,0表示没有以该栅格为中心搜索过周围的弱覆盖栅格,1表示已经以该栅格为中心搜索过周围的弱覆盖栅格。簇标签CID用于标识簇的一个唯一值,其取值方式为以当前时间毫秒级字符串表示,格式如yyyymmddHHmissffffff,示例如20220318094216101631。
步骤10203,基于上述步骤10202的结果,依次对每个弱覆盖栅格进行处理,读取其检索标签SID并判断是否以该栅格为中心搜索过周围的弱覆盖栅格,如果检索标签SID为0,则通过步骤10204搜索周围的弱覆盖栅格,如果检索标签SID为1,则读取下一条栅格进行判断。
步骤10204,步骤10203中如果读取到的搜索标签ID为0,首先将值修改为1,将簇标签CID的值设置为精确到毫秒级的当前时间字符串,格式如yyyymmddHHmissffffff,示例如20220318094216101631。并以该弱覆盖栅格位置为搜索中心,阈值R为半径搜索其范围内的弱覆盖栅格,并将搜索到的弱覆盖栅格的CID设置为与之相同的标签。
步骤10205,判断簇内栅格集合数是否增加,目的是判断簇是否收敛,如果簇内栅格数增加,说明簇尚未收敛,仍然存在可达栅格未被划分到该簇内,此时要经过步骤10206进一步迭代处理。如果簇内栅格数没有新增的栅格,则退出本次迭代,经步骤10203从弱覆盖栅格集合表中读取下一条新的栅格数据进行处理。
步骤10206,以步骤10204中搜索到的可达栅格为中心,按照步骤10203至10205进行迭代循环处理。
步骤10207,经上述步骤最终得到所有的弱覆盖簇,弱覆盖簇的示例如图7所示,闭合区域为弱覆盖簇的边界,闭合区域内的点为覆盖栅格。对每个弱覆盖簇计算其面积Areai、周长Perimeteri以及重心Focusi(cx',cy'),为网络建设提供重要参考依据。
如图6所示,假设弱覆盖簇的边界有k个顶点,按照逆时针方向排序坐标分别为A1(x1,y1)、A2(x2,y2)、A3(x3,y3)…Ak(xk,yk),以A1(x1,y1)为基准,分别与其他所有非相邻顶点的线段,将多边形(k条边)分为k-2个三角形,计算每个三角形的面积和重心
设其中一个三角形的重心为G(cx,cy),顶点坐标分别为A1(x1,y1),A2(x2,y2),A3(x3,y3),则重心为:
cx=(x1+x2+x3)/3
cy=(y1+y2+y3)/3
面积为:
S=((x2-x1)*(y3-y1)-(x3-x1)*(y2-y1))/2
则簇的重心Focusi(cx',cy')为:
cx'=(∑cx[i]*s[i])/∑s[i]/3
cy'=(∑cy[i]*s[i])/∑s[i]/3
其中(cx[i],cy[i]),s[i]分别是所划分的第i个三角形的重心坐标和面积。
则簇的面积Areai分别为:
Areai=∑s[i]
则簇的周长Perimeteri为:
Perimeteri=∑l[i]
其中l[i]为簇的第i个边的长度,例如l[1]为顶点A1到顶点A2的长度,l[2]为顶点A2到顶点A3的长度,以此类推等。
本实施例中,如图4所示,规划站初始方案输出模块103,包括如下具体步骤:
步骤10301,以弱覆盖簇的重心Focusi(cx',cy')作为规划站的站址位置Locationi,以规划站位置Locationi为圆心,计算簇内弱覆盖栅格分布情况,选取弱覆盖栅格较集中的前K个方向,作为规划站小区的方向角Azimuthi-n,且保证规划站小区方向角之间的夹角大于最小阈值夹角Anglemin。
以规划站位置Locationi为圆心,以正北方向为0度,计算其正负Anglebandwidth度夹角范围内弱覆盖栅格数Grid0,顺时针计算1度方向上正负Anglebandwidth度夹角范围内弱覆盖栅格数Grid1,以此类推,最后计算359度方向上正负Anglebandwidth度夹角范围内弱覆盖栅格数Grid359。按照弱覆盖栅格数大小排序,选取弱覆盖栅格数最大的一个作为首选天线方向角Bearing1,其次选出弱覆盖栅格数排序第二的方向角,与首选天线方向角Bearing1比较,判断两者之间的夹角是否大于最小阈值夹角Anglemin,如果大于,则弱覆盖栅格数排序第二的方向角做为第二个确定的天线方向角Bearing2,以此类推,计算第n个确定的天线方向角Bearingn。最后,按照方向角从小到大的顺序编号,从而确定规划站的第一、第二、第三等小区方向角。
步骤10302,以规划站位置Locationi为圆心,获取周围相邻的基站,并提取相应基站中覆盖方向不背向规划站位置Locationi的小区。结合周围小区的工参信息,以周围相邻小区的平均站高、平均下倾角作为规划站的站高Highti、下倾角Downtilti-n,从而得到规划站初始方案,其计算公式如下:
其中Hightt和Downtiltt分别标识第t个相邻小区的站高和下倾角。
本实施例中,如图5所示,规划站初始方案输出模块104,包括如下具体步骤:
步骤10401,基于步骤10302中得到的相邻小区的MR,通过预处理得到相邻小区的有效MR,其基本过程如下所述。
针对每个小区计算其MR在各个TADV的累计占比F(X),如果TADV的累计占比F(X)大于阈值门限CDFTHR,则此时对应的TADV值作为现网小区的覆盖半径其表示第i个规划站对应的第j个相邻小区的覆盖半径,累计占比F(X)表达式如下:
其中f(xk)为TADV=k时的MR占比,k的取值范围为大于等于零的整数,其表达式为:
以半径内的MR作为有效MR,将其分为两部分,第一部分为无AOA参数的含经纬度的MR,第二部分为无AOA参数的不含经纬度的MR。通过对第一部分无AOA参数的含经纬度的MR进行训练、建模,得到MR方向角预测模型,然后将第二部分无AOA参数的不含经纬度的MR输入MR方向角预测模型,即可得到第二部分每个MR的预测方向角,其中建模过程包括如下几个关键部分:
a)计算第一部分MR位置相对于其所属小区的方向角,计算函数为:
dir=getDegree(loncell,latcell,lonmr,latmr)
其中loncell,latcell,lonmr,latmr分别为小区的经度、小区的纬度、MR的经度、MR的纬度。
b)特征向量筛选及处理,将筛选的特征作为自变量用于模型的训练及建立,其中特征包括两大部分特征,第一部分为原有特征向量,第二部分为在原有特征向量的基础上经清洗变形处理后的特征向量,能更好的统计MR在各种组合情况下的分布情况,有利于提升机器学习建模的效果。第一部分特征向量主要为服务小区参考信号功率(LTESCRSRP)、邻区参考信号功率(LTENCRSRP)、服务小区参考信号质量(LTESCRSRQ)、邻区参考信号质量(LTENCRSRQ)、服务小区频点号(LTESCEARFCN)、服务小区PCI(LTESCPCI)、邻区频点号(LTENCEARFCN)、邻区PCI(LTENCPCI)、时间提前量(LTESCTADV)、UE发射功率余量(LTESCPHR)、上行信噪比(LTESCSINRUL)等。第二部分特征向量为相同时间提前量、服务小区参考信号功率、服务小区参考信号质量时的MR个数(LTESCRSRP_Q_TA_CNT),相同时间提前量和服务小区参考信号功率时的MR个数(LTESCRSRP_TA_CNT),相同时间提前量和服务小区参考信号质量时的MR个数(LTESCRSRQ_TA_CNT),相同服务小区参考信号功率时的MR个数(LTESCRSRP_CNT)、相同服务小区参考信号质量时的MR个数(LTESCRSRQ_CNT)等。
特征选择,是基于特征工程根据特征在模型分析中的重要性,选取其中最重要的前N个特征进行机器学习建模,本实例中,以随机森林算法RandomForestRegressor为例进行建模训练,其实例如下:rf=RandomForestRegressor(n_estimators=100,ax_depth=None)
然后,通过管道模型Pipeline进行分析,对特征重要性分值进行计算,按照由大到小的顺序排序,选取前N个重要的特征,其计算方法示例如下,其中importance为每个特征重要性的分值列表,对应的特征重要性的直观呈现如图8所示:
rf_pipe=Pipeline([('imputer',
SimpleImputer(strategy='median')),('standardize',
StandardScaler()),('rf',rf)])
rf_pipe.fit(X_train,y_train)
importance=rf.feature_importances
c)通过对特征向量进行归一化处理后,基于网格搜素算法选取最优随机森林模型,建立对MR方向角预测模型,通过图9可以看到预测角度误差在正负5之间的占比在70%以上。
由于特征数字化后,其取值大小不同,造成特征空间中样本点的距离会被个别特征值所主导,而受其它特征的影响比较小,从而会影响建模的预测的准确性,因此在建模前需对特征进行归一化处理,减小个别特征对建模的影响,本实例中,以特征数据的均值和标准差进行数据处理。经过处理的数据符合正态分布,即μ=0,σ=1,转换函数为:
其中x为每个特征的值,μ为特征均值,σ为特征标准差,x*为特征归一化后的值。
步骤10402,将第二部分无AOA参数的不含经纬度的MR输入到预测模型中,可得到第二部分MR的方向角Directionj,其取值范围为[0,360)。其中模型训练通过网格搜索GridSearchCV对随机森林模型参数进行计算分析,选择最优组合参数作为随机森林模型的参数,本实例中,其表达式如下:
clf=GridSearchCV(RandomForestRegressor(random_state=720),params,cv=5,scoring=score)
其中params为以下96种参数组合:
params={
'n_estimators':range(500,2000,500),
'max_depth':[None,100,200,300],
'min_samples_split':[2,4,6,8,10,12,14,16]
}
本实例中,通过上述分析得到最优组合参数为:
{'max_depth':None,
'min_samples_split':8,
'n_estimators':500
}
最优组合参数确定后,即可建立MR方向角预测模型,然后将第二部分MR输入预测模型,即可得到第二部分MR的预测方向角Directionj。
步骤10403,基于步骤10402输出的结果,结合修正的TADV值最终得到MR经纬度(Lonj,Latj),从而实现了现网小区全量MR的覆盖呈现,计算函数为:
(Lonj,Latj)=getLocation(loncell,latcell,Directionj,TADVj)
其中loncell,latcell,Directionj,TADVj分别为小区的经度、小区纬度、第j个无AOA参数且不含经纬度的MR预测方向角,第j个无AOA参数且不含经纬度的MR上报TADV的修正值。
步骤10404,根据周围相邻小区全量MR,通过支持向量机算法和交叉验证算法得到得到规划站周围场景环境的实际无线传播模型,避免传统传播模型不适用于具体环境的问题,其效果如图10所示,函数表达式如下:
Best_model=getmodel(gpid,df)
其中gpid为簇的标签,df为周围相邻小区全量MR集合。
步骤10405,基于步骤10404得到的实际环境无线传播模型,结合天线水平方向图、天线垂直方向图,根据规划站覆盖半径Distancei、站高Highti、方向角Azimuthi-n、下倾角Downtilti-n,预测规划站覆盖半径范围内的栅格RSRP覆盖情况,示例效果如图11所示。RSRP计算函数表达式为:
RSRP_value=cal(gpid,Best_model,center_lon,center_lat,azmuths,tilts,lon_lst,lat_lst,height)
其中gpid为簇的标签,Best_model为步骤10404中得到的规划站周围环境真实无线传播模型,center_lon为规划站经度,center_lat为规划站纬度,azmuths为规划站小区方向角集合,tilts为规划站小区下倾角集合,lon_lst为规划站覆盖范围内栅格经度,lat_lst为规划站覆盖范围内栅格纬度,height为规划站站高。
步骤10406,基于规划站的初始方案,判断规划站的覆盖预测是否能达到预期效果,如果未达到预期,可调整站高Highti、下倾角Downtilti-n。
步骤10407,基于步骤10406的得到的规划站覆盖预测结果,与周围相邻现网LTE小区的全量MR进行合并,取相同栅格中RSRP最大值所对应的小区作为主覆盖小区,从而最终得到规划站开通后的覆盖预测结果,如图12所示。
本实例不仅实现了在LTE网络建设成熟期阶段规划站的精准规划补盲,而且实现了在规划站建成后周围无线环境的评估,相比与《基于覆盖、价值关联的多维评定及精准建设投资评估方法》与《基于聚类的站点规划方法、装置、电子设备和存储介质》来说,规划方案更完整,而且有规划站建成后的无线环境评估,弥补行业内的空白。
一、发明人认为要保护的发明内容的技术要点
本发明的技术要点包括但不限于以下几点:
技术要点一,搜索渐进挖掘潜在覆盖问题的算法;
技术要点二,基于无AOA参数的MR进行MR定位的算法;
技术要点三,规划站全工参信息分析计算算法;
技术要点四,规划站覆盖预测算法;
总之,本发明提供了一种基于无AOA的规划站覆盖预测方法,能够实现在网络建设成熟期阶段规划站的智能规划及覆盖预测,能够综合获取规划站站址及方向角、站高、下倾角,能准确可靠的预测规划站的无线覆盖状态,且预测过程能够有效适应各种环境场景,同时是一种长远发展的LTE网络站点规划方法,确保网络资源投入效益。
需要理解的是,上述对于本专利具体实施方式的叙述仅仅是为了便于本领域普通技术人员理解本专利方案而列举的示例性描述,并非暗示本专利的保护范围仅仅被限制在这些个例中。本领域普通技术人员完全可以在对本专利技术方案做出充分理解的前提下,以不付出任何创造性劳动的形式,通过对本专利所列举的各个例采取组合技术特征、替换部分技术特征、加入更多技术特征等等方式,得到更多的具体实施方式,所有这些具体实施方式均在本专利权利要求书的涵盖范围之内,因此,这些新的具体实施方式也应在本专利的保护范围之内。
Claims (1)
1.一种基于无AOA的规划站覆盖预测方法,其特征在于,包括以下步骤:
步骤一,以地市为单位,提取地市下所有小区的MR信息,将MR信息分为两部分,第一部分为含经纬度的MR信息,第二部分为不含经纬度的MR信息;对第一部分MR信息进行栅格化,获取每个栅格的RSRP覆盖值,基于搜索渐进方法对弱覆盖栅格进行聚类以生成簇,得到弱覆盖区域的范围,同时计算簇的面积Areai、周长Perimeteri以及重心Focusi(cx',cy'):
Areai=∑s[i]
Perimeteri=∑l[i]
Focusi(cx',cy')=((∑cx[i]*s[i])/∑s[i]/3,(∑cy[i]*s[i])/∑s[i]/3)
其中,s[i]是将簇所划分的第i个三角形的面积,l[i]为簇的第i个边的长度,(cx[i],cy[i])是将簇所划分的第i个三角形的重心坐标;
以重心Focusi(cx',cy')作为规划站的站址位置Locationi,同时以重心Focusi(cx',cy')为圆心,以正北方向为0度,计算其正负Anglebandwidth度夹角范围内弱覆盖栅格数Grid0,并计算顺时针1度方向上正负Anglebandwidth度夹角范围内弱覆盖栅格数Grid1,以此类推,最后计算顺时针359度方向上正负Anglebandwidth度夹角范围内弱覆盖栅格数Grid359;按照弱覆盖栅格数大小排序,选取弱覆盖栅格数较大的前K个Gridn所对应的方向角Bearingn作为规划站小区的方向角Azimuthi-n,规划站小区方向角之间的夹角大于最小阈值夹角Anglemin;
以规划站位置Locationi为圆心,获取周围相邻的基站,并提取相应基站中覆盖方向不背向规划站位置Locationi的小区及其MR信息;获取周围相邻小区的工参信息,以周围相邻小区的平均站高、平均下倾角作为规划站的站高Highti、下倾角Downtilti-n,从而得到规划站初始方案;其中:
式中,Hightt和Downtiltt分别标识第t个相邻小区的站高和下倾角;
步骤二,以规划站周围相邻小区的MR信息为基础,对第一部分MR信息进行数据清洗、转换后得到两部分特征向量,第一部分为MR原有特征向量,第二部分为在原有特征向量的基础上经清洗变形处理后的特征向量;利用管道模型Pipeline对特征向量在模型分析中的重要性,根据特征向量重要性的分值,选取其中最重要的前N个特征向量作为建模的基础;
对选取的特征向量进行归一化处理,减小个别特征向量对建模的影响,然后基于随机森林方法进行模型训练,结合网格搜素方法GridSearchCV选取随机森林方法中的3个重要参数n_estimators,max_depth,min_samples_split的最优组合,从而最终生成MR方向角预测模型;
将第二部分MR信息输入到MR方向角预测模型中,得到第二部分MR信息的方向角Directionj,结合MR信息中修正的TADV时间提前量,最终得到MR经纬度(Lonj,Latj),从而实现现网小区全量MR的覆盖呈现;MR经纬度(Lonj,Latj)计算函数如下:
(Lonj,Latj)=getLocation(loncell,latcell,Directionj,TADVj)
其中,loncell,latcell,Directionj,TADVj分别为小区的经度、小区纬度、第j个无AOA参数且不含经纬度的MR预测方向角、第j个无AOA参数且不含经纬度的MR上报TADV的修正值;
步骤三,根据周围相邻小区全量MR,通过支持向量机和交叉验证方法得到得到规划站周围场景环境的实际无线传播模型:
Best_model=getmodel(gpid,df)
其中,gpid为簇的标签,df为周围相邻小区全量MR集合;
结合天线水平方向图、天线垂直方向图,根据规划站覆盖半径Distancei、站高Highti、方向角Azimuthi-n、下倾角Downtilti-n,预测规划站覆盖半径范围内的栅格RSRP覆盖情况;RSRP计算函数为:
RSRP_value=cal(gpid,Best_model,center_lon,center_lat,azmuths,tilts,lon_lst,lat_lst,height)
其中,gpid为簇的标签,Best_model为规划站周围环境真实无线传播模型,center_lon为规划站经度,center_lat为规划站纬度,azmuths为规划站小区方向角集合,tilts为规划站小区下倾角集合,lon_lst为规划站覆盖范围内栅格经度,lat_lst为规划站覆盖范围内栅格纬度,height为规划站站高;
调整站高Highti、下倾角Downtilti-n,然后与周围相邻现网LTE小区的全量MR进行合并,取相同栅格中RSRP最大值所对应的小区作为主覆盖小区,得到规划站开通后的覆盖预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211514131.2A CN115866623A (zh) | 2022-11-30 | 2022-11-30 | 一种基于无aoa的规划站覆盖预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211514131.2A CN115866623A (zh) | 2022-11-30 | 2022-11-30 | 一种基于无aoa的规划站覆盖预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115866623A true CN115866623A (zh) | 2023-03-28 |
Family
ID=85667982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211514131.2A Pending CN115866623A (zh) | 2022-11-30 | 2022-11-30 | 一种基于无aoa的规划站覆盖预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115866623A (zh) |
-
2022
- 2022-11-30 CN CN202211514131.2A patent/CN115866623A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110557716B (zh) | 一种基于对数正态模型的室内定位方法 | |
US6711404B1 (en) | Apparatus and method for geostatistical analysis of wireless signal propagation | |
CN110418354A (zh) | 一种基于机器学习的免传播模型无线网络规划方法 | |
CN103068035A (zh) | 一种无线网络定位方法、装置及系统 | |
CN114501530B (zh) | 基于深度强化学习的天线参数的确定方法和装置 | |
US20220191818A1 (en) | Method and Apparatus for Obtaining Emission Probability, Method and Apparatus for Obtaining Transition Probability, and Sequence Positioning Method and Apparatus | |
CN107027148A (zh) | 一种基于UE速度的Radio Map分类定位方法 | |
CN111866912B (zh) | 基于时间-空间的业务量区域分类和分析方法 | |
CN110798804A (zh) | 一种室内定位方法和装置 | |
CN115712845A (zh) | 一种基于半径参数优化的雷电时空聚类方法及系统 | |
CN114828026A (zh) | 基站规划方法、装置、设备、存储介质及程序产品 | |
CN113573321B (zh) | 小区的网络相关性确定方法、装置、介质及电子设备 | |
Shakir et al. | Position location based on measurement reports in LTE cellular networks | |
CN108574927B (zh) | 一种移动终端定位方法及装置 | |
CN113141570B (zh) | 地下场景定位方法、装置、计算设备及计算机存储介质 | |
Li et al. | Outdoor location estimation using received signal strength feedback | |
WO2013174013A1 (zh) | 一种确定站址的方法、服务器及系统 | |
Konak | A kriging approach to predicting coverage in wireless networks | |
CN115018014B (zh) | 基于多源信息的机器学习辅助的通信场景分类方法 | |
CN114339913B (zh) | 无线网络的邻小区更新方法、装置、介质及电子设备 | |
Cui et al. | A novel iterative positioning method based on difference rss model with 5g field experiments | |
CN115866623A (zh) | 一种基于无aoa的规划站覆盖预测方法 | |
Zheng et al. | RSS-based indoor passive localization using clustering and filtering in a LTE network | |
CN108540926B (zh) | 一种无线信号指纹的构建方法及装置 | |
Li et al. | Validation of a probabilistic approach to outdoor localization |
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 |