CN116546521A - 一种基于数字孪生技术的移动通信网络覆盖优化方法 - Google Patents
一种基于数字孪生技术的移动通信网络覆盖优化方法 Download PDFInfo
- Publication number
- CN116546521A CN116546521A CN202310354118.3A CN202310354118A CN116546521A CN 116546521 A CN116546521 A CN 116546521A CN 202310354118 A CN202310354118 A CN 202310354118A CN 116546521 A CN116546521 A CN 116546521A
- Authority
- CN
- China
- Prior art keywords
- coverage
- data
- model
- cell
- antenna
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000005516 engineering process Methods 0.000 title claims abstract description 25
- 238000010295 mobile communication Methods 0.000 title claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 52
- 230000002068 genetic effect Effects 0.000 claims abstract description 15
- 238000007637 random forest analysis Methods 0.000 claims abstract description 8
- 238000004088 simulation Methods 0.000 claims abstract description 6
- 238000012800 visualization Methods 0.000 claims abstract description 5
- 230000000694 effects Effects 0.000 claims abstract description 4
- 238000012163 sequencing technique Methods 0.000 claims abstract 2
- 210000004027 cell Anatomy 0.000 claims description 89
- 210000000349 chromosome Anatomy 0.000 claims description 22
- 230000035772 mutation Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000012790 confirmation Methods 0.000 claims description 10
- 230000003068 static effect Effects 0.000 claims description 9
- 108090000623 proteins and genes Proteins 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000005553 drilling Methods 0.000 claims description 5
- 238000013145 classification model Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000013213 extrapolation Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 2
- 238000012795 verification Methods 0.000 claims 1
- 238000004891 communication Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- 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
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- 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
本发明涉及一种基于数字孪生技术的移动通信网络优化方法，该方法主要获取目标区域地理信息数据以及覆盖率，利用数字孪生技术结合人工智能算法对目标区域进行建模，实现目标区域网络覆盖场景的全面可视化,基于指标重构无线网络数字孪生模型；计算孪生层覆盖率与实际进行对比，确保模型准确性；在孪生模型中对目标区域内小区的网络覆盖率进行计算，根据结果对覆盖强度进行排序；通过最大化累计和得到遗传算法的最优参数，根据覆盖率级别利用遗传算法对小区覆盖进行优化，得出调整天线方位角、下倾角与天线发射功率所需参数；在构建好的数字孪生模型中输入调整后参数并利用随机森林预测算法进行覆盖率预测，将预测结果与实际结果进行对比，验证有效性，实现自动调整方案推送，并通过数据孪生技术实现调整前后覆盖仿真效果模拟演练。
Description
技术领域
本发明涉及数字孪生技术、网络通信技术领域，具体涉及一种基于数字孪生技术的移动通信网络覆盖优化方法。
背景技术
随着5G网络逐步规模商用，其超高速率、超大连接和超低时延的三大特性无疑将会给用户带来前所未有的体验。目前对于5G移动通信关键技术的研究逐渐成熟，但是5G网络规模持续扩大、结构日益复杂、网络场景日益复杂，使得网络负载不断增加，关于移动通信网络的覆盖、时延、容量等方面的要求越来越高，传统的网络规划与优化技术效率较低、这会导致后续网络运行过程中会出现许多问题而带来不可忽视的损失，因此亟需更加高效智能的网络优化方法来满足用户的需求，其中，覆盖问题是移动通信网络需要解决的重要问题之一。
目前在实际工程中，覆盖问题的问题定位还是以人工为主，测试人员将对数据进行分析，根据数据分析情况和工作经验对覆盖相关参数进行反复调整，以达到覆盖优化的目的，该方法时间、人力成本较高且优化效果不佳；此外，研究人员还借助人工智能相关算法对覆盖参数进行优化，但是由于参数的选择以及算法复杂度较高，不能确保得到全局最优解，实际应用效果并不显著。
数字孪生技术是充分利用物理模型、传感器技术、通信和计算机技术，运行历史数据，集成多学科、多物理量、多尺度、多概览的仿真过程，它是一个超高保真度的虚拟模型，在虚拟空间中模拟、镜像、预测相应物理实体的全生命周期过程。构建出数据模型库和知识模型库，并向物理空间以及服务提供开放的API接口，实现各空间的实时交互与数据共享。网络覆盖优化调整是日常网络优化重点工作之一，利用数字孪生模型其将繁杂的分析要素和步骤基于AI算法固化，利用人工智能算法对覆盖优化场景进行建模，可以大大减少人力成本，更能提升方案准确性，保障网络稳定性。同时，基于覆盖问题重构无线网络数字孪生模型，结合仿真规划能力，输出寻优解决方案，辅助网规网优人员更直观精准地开展规划工作，实现辅助通信网络全生命周期管理，提升网络管理质量，降低网络风险和成本。
发明内容
本发明目的针对现有技术存在的不足，提供了一种基于数字孪生技术的移动通信网络覆盖优化方法，用于解决现有网络覆盖优化方法存在的优化效率低、人力成本高、精确度低等问题。具体由以下技术方案实现：
所述基于数字孪生技术的移动通信网络覆盖优化方法，具体包括：
智能锁定有效优化目标区域，精准网络数据决策优化目标区域的有效性；获取目标区域的地理信息数据构建3D可视化孪生模型，实现目标区域网络覆盖场景的全面可视化；通过预测算法计算孪生层覆盖率与实际进行对比，确保模型准确性；
在孪生模型中对目标区域内小区的网络覆盖率进行计算，根据覆盖率强度进行排级别；通过最大化累计和得到算法的最优参数；根据覆盖率级别利用遗传算法对小区覆盖进行优化，得出调整天线方位角、下倾角与天线发射功率所需参数；
在构建好的数字孪生模型中输入调整后参数并利用随机森林算法进行覆盖率预测，将预测结果与实际结果进行对比，验证有效性。
所述处理包括：
(01)确定目标区域，将目标区域内天线覆盖的所有5G小区作为网络优化的区域；
(02)获取目标区域内小区的覆盖率；
(03)借助地理化分析技术获取小区地理信息位置信息，包括小区经纬度、小区面积、小区道路数据、楼宇POI信息、楼宇高度等地理信息数据，存入数据库；
(04)确定区域宏基站信息、基站配置参数，存入数据库；
(05)利用传感器实时获取基站位置信息(经度、纬度)，接入终端位置信息(经度、纬度)，基站和基站与接入终端的距离信息，天线方位角，天线下倾角，基站站高，将数据存储进入数据库；
(06)数字孪生模型包含数据接收模块、数据确认模块、数据处理模块、数据抽象模块以及迭代调整模块、优化模块、演练模块；
(07)根据获取的数据，对目标区域进行数字孪生建模：确定优化区域，一比一还原优化区域，构建一个3D可视化孪生模型；模型包括小区实体建模、动态建模，在数字孪生模型中可以实现模拟真实网络环境的覆盖预测模型；
(08)其中，实体建模指的是小区的面积、楼宇以及道路、基站等物理实体信息；
(09)动态建模为区域内天线高度、方位角、仰俯角、数据业务流量信息变化；
(10)模型构建具体如下：
(11)步骤一：模型数据进行实时采集：即数据的接收模块，数据是构建数字孪生模型的基础，要实现对目标区域内基站信息、天线信息数据的实时接收，因此利用传感器对区域网络性能指标数据采集存入数据库后，并通过向物理小区空间以及服务提供开放的API接口，实现孪生小区数据与物理小区同步；
(12)步骤二：模型数据确定：在数据确认模块对接收的目标区域数据进行实体确定，包含物理区域中所包含的属性数据；
(13)步骤三：数据处理模块与数据确认模块连接，在该模块进行模型数据处理，即对属性数据进行数据处理；
(14)步骤四：数据抽象模块与数据确认模块连接，在该模块对模型数据提取，在目标区域属性数据中提取出静态数据和动态数据，其中静态数据包括小区的经纬度信息、优化区域的二维、三维GIS数据、小区基站位置、小区楼宇信息等等；动态数据为天线高度、方位角、俯仰角、数据业务流量等；
(15)步骤五：根据所得静态数据和动态数据构建目标区域的数字孪生模型；
(16)覆盖率计算：在构建好的孪生层计算目标小区的覆盖率；
(17)覆盖率计算算法：利用DBSCAN聚类算法，对基站数据进行自动分析，自动计算覆盖率；
(18)验证模型有效性：通过预测算法计算孪生层覆盖率与实际进行对比，确保模型准确性；
(19)定义弱覆盖判断标准：
在移动通信网络中，RSRP(参考信号接收功率)是衡量覆盖程度的核心参数，弱覆盖的评定标准为：终端从其服务小区接收到的信号小于阈值K，则认为该终端处于弱覆盖。其中，阈值K为-107d Bm。若假设用户设备位置为d，则评价弱覆盖的公式为：
W＝-107-RSRP(d)
(20)根据计算的覆盖率结果，根据对弱覆盖判断标准对弱覆盖小区进行判断；
(21)根据覆盖情况对弱覆盖小区优化进行优先级排序：覆盖率越低优先级越高；
(22)在构建好的数字孪生模型优化模块中，对小区覆盖场景进行匹配；其中，每次迭代前DBSCAN聚类算法计算各个小区的覆盖率，并根据覆盖率维护一个优先级列表，覆盖率越低的小区会被设定越高的优化优先级；
(23)确定影响网络覆盖的重要参数为：天线方位角、下倾角与天线发射功率
(24)在模型迭代模块，对所述调整参数组的参数值进行多轮迭代调整，最大化累计和得到遗传算法的最优参数；
(25)确立覆盖场景与覆盖优化规则，根据规则在孪生层模型中对小区天线进行调整：根据优先级列表，通过遗传算法计算并给出该小区的天线方位角、下倾角与天线发射功率的调整幅度；
(26)基于覆盖率对在数字孪生模型中对该小区的天线方位角、下倾角与天线发射功率参数进行调整；调整天线方位角、下倾角与天线发射功率作为优化手段提升覆盖率；
(27)在数字孪生模型的演练模块进行覆盖率预测，利用随机森林算法预测优化后的网络覆盖率；
(28)与调整前覆盖率相比；
(29)给出不同的网络状况下的最优参数配置方案：输出天线方位角、下倾角与天线发射功率建议值；
附图说明
图1为一种基于数字孪生技术的移动通信网络覆盖优化方法的流程示意图。
图2为一种基于数字孪生技术的移动通信网络覆盖优化方法的覆盖优化流程的示意图。
具体实施方式
下面结合附图对本申请进一步说明。
本发明公开提出一种基于数字孪生技术的移动通信网络覆盖优化方法，其中包含智能锁定有效优化目标区域，精准网络数据决策优化目标区域的有效性；获取目标区域的地理信息数据构建3D可视化孪生模型，实现目标区域网络覆盖场景的全面可视化；通过预测算法计算孪生层覆盖率与实际进行对比，确保模型准确性；在孪生模型中对目标区域内小区的网络覆盖率进行计算，根据覆盖率强度进行排级别；通过最大化累计和得到算法的最优参数；根据覆盖率级别利用遗传算法对小区覆盖进行优化，得出调整天线方位角、下倾角与天线发射功率所需参数；在构建好的数字孪生模型中输入调整后参数并利用随机森林算法进行覆盖率预测，将预测结果与实际结果进行对比，验证有效性。
具体的，一种基于数字孪生技术的移动通信网络覆盖优化方法具体包括以下步骤：
(01)下面结合本发明中的实施案例中的附图，对本发明实施案例中的技术方案进行清楚、完整的描述：
(02)确定目标区域A，将目标区域A内天线覆盖的所有5G小区作为网络优化的区域，小区数量为N；
(03)获取目标区域内小区的覆盖率，为第i个小区的覆盖率；
(04)借助地理化分析技术获取小区地理信息位置信息，包括小区经纬度、小区面积、小区道路数据、楼宇POI信息、楼宇高度等地理信息数据，将数据存储进入数据库；
(05)确定区域宏基站信息、基站配置参数，基站经纬度信息，将数据存储进入数据库；
(06)利用传感器实时获取基站位置信息(经度、纬度)，接入终端位置信息(经度、纬度)，基站和基站与接入终端的距离信息，天线方位角，天线下倾角，基站站高度，将数据存储进入数据库；
(07)数字孪生模型包含数据接收模块、数据确认模块、数据处理模块、数据抽象模块以及迭代调整模块、优化模块、演练模块；
(08)根据定义好的数字孪生模型结构，根据获取的数据，对目标区域进行数字孪生建模：确定优化区域，一比一还原优化区域，构建一个3D可视化孪生模型；模型包括小区实体建模、动态建模，在数字孪生模型中可以实现模拟真实网络环境的覆盖预测模型；
(09)其中，实体建模指的是小区的面积、楼宇以及道路、基站等物理实体信息；
(10)动态建模为区域内基站位置信息(经度、纬度)，接入终端位置信息(经度、纬度)，基站和基站与接入终端的距离信息，天线方位角，天线下倾角，基站站高数据业务流量信息变化；
(11)模型构建具体如下：
(12)步骤一：模型数据进行输入、实时采集：即数据的接收模块，数据是构建数字孪生模型的基础，要实现对目标区域内基站信息、天线信息数据的实时接收，基站位置信息(经度、纬度)，接入终端位置信息(经度、纬度)，基站和基站与接入终端的距离信息，天线方位角，天线下倾角，基站站高等数据；因此利用传感器对区域网络性能指标数据采集存入数据库后，通过向物理小区空间以及服务提供开放的API接口，实现孪生小区数据与物理小区同步；
(13)步骤二：模型数据确定：在数据确认模块对接收的目标区域数据进行实体确定，包含物理区域中所包含的属性数据；
(14)步骤三：数据处理模块与数据确认模块连接，在该模块进行模型数据处理，即对属性数据进行数据处理；
(15)步骤四：数据抽象模块与数据确认模块连接，在该模块对模型数据提取，在目标区域属性数据中提取出静态数据和动态数据，其中静态数据包括小区的经纬度信息、优化区域的二维、三维GIS数据、小区基站位置、小区楼宇信息等等；动态数据基站位置信息(经度、纬度)，接入终端位置信息(经度、纬度)，基站和基站与接入终端的距离信息，天线方位角，天线下倾角，基站站高度、7X24小时的数据业务流量等；
(16)步骤五：根据所得静态数据和动态数据构建目标区域的数字孪生模型；
(17)覆盖率计算：在构建好的孪生层计算目标小区的覆盖率；
(18)覆盖率计算：单个小区的网络覆盖率表示为该小区内正常接入的终端采样点与总终端采样点的比值，
若用mess表示小区内的采样点,则有公式：
其中，messwhole为目标区域全局覆盖率，表示第i个小区的覆盖率，N表示小区总数；
(19)结合覆盖率计算公式，利用DBSCAN聚类算法，在孪生模型中对基站数据进行自动分析，自动计算覆盖率；
(20)验证模型有效性：通过预测算法计算孪生层覆盖率与实际进行对比，确保模型准确性；
(21)定义弱覆盖判断标准：
在移动通信网络中，RSRP(参考信号接收功率)是衡量覆盖程度的核心参数，弱覆盖的评定标准为：终端从其服务小区接收到的信号小于阈值K，则认为该终端处于弱覆盖。其中，阈值K为-107d Bm。若假设用户设备位置为d，则评价弱覆盖的公式为：
W＝-107-RSRP(d)
(22)根据计算的覆盖率结果，根据对弱覆盖判断标准对弱覆盖小区进行判断；
(23)正常覆盖标记为0，将处于弱覆盖标记为1，处于重叠覆盖点标记为2；
(24)根据计算的覆盖率结果，根据对弱覆盖判断标准对弱覆盖小区进行判断；
(25)根据覆盖情况对弱覆盖小区优化进行优先级排序：覆盖率越低优先级越高；
(26)在构建好的数字孪生模型优化模块中，对小区覆盖场景进行匹配；其中，每次迭代前DBSCAN聚类算法计算各个小区的覆盖率，并根据覆盖率维护一个优先级列表，覆盖率最低的小区会被定位本轮需要优化的小区；
(27)确定影响网络覆盖的重要参数为：天线方位角、下倾角与天线发射功率；
(28)在模型迭代模块，对所述调整参数组的参数值进行多轮迭代调整，最大化累计和得到遗传算法的最优参数；
(29)确立覆盖场景与覆盖优化规则，根据规则在孪生层模型中对小区天线进行调整：通过遗传算法计算并给出该小区的天线方位角、下倾角与天线发射功率的调整幅度；
附图2为在实施过程中遗传算法的具体操作流程，按照此流程，具体操作如下：
(30)步骤一：根据天线方位角、下倾角与天线发射功率的取值范围，分别将三个变量设置为8位二进制编码、9位二进制编码和4位二进制编码；
(31)步骤二：确定适应度函数；
(32)步骤三：遗传算法使用了最优选择策略的思想。首先计算每个染色体对应的适应度函数值。然后以染色体的个数作为迭代次数，在每轮迭代周期中，随机选择三个染色体，每三个染色体的索引组成一个索引数组。迭代结束以后，挑选出每个索引数组中适应度函数最大的染色体，进入下一轮的交叉操作。
(33)步骤四：选择双点交叉方式。双点交叉是指在个体染色体中随机选择两个基因位n1,n2,然后将两个染色体中位于n1,n2,之间的基因值交换；
(34)步骤五：在变异操作中，利用随机函数随机产生变异点，具体操作方法为：利用随机函数产生0-1之间的数值，数值个数与染色体基因数相同，如果生成的数值小于设定的变异参数，则染色体中对应的基因值需要进行变异操作，否则不进行变异操作，而且不同染色体的变异点不同。
(35)步骤六：初始化遗传算法，设置迭代参数T，如果没有达到最大迭代次数T，则重复进行步骤二、三、四、五操作，适应度值最高的染色体，经过解码后，即可输出区域内能够降低弱覆盖的最优的天线方位角、下倾角与天线发射功率的部署值。
(36)基于覆盖率对在数字孪生模型中对该小区的天线方位角、下倾角与天线发射功率参数进行调整；调整天线方位角、下倾角与天线发射功率作为优化手段提升覆盖率；
(37)在数字孪生模型的演练模块进行覆盖率预测，利用随机森林算法预测优化后的网络覆盖率；
(38)其中，随机森林算法通过构建不同的训练子集合增加不同决策树之间的差异，这种策略可以增加组合分类模型的外推预测能力。通过若干轮训练得到一个分类模型
{h1(X)，h2(X)，....，(X)},在使用这些序列构建一个多分类系统，其最终输出决策如下：
其中，hi(X)表示一个决策树，公式表示最终的结果采用投票的方式得出。
(39)与调整前覆盖率进行对比；
(40)最后给出不同的网络状况下的最优参数配置方案：输出天线方位角、下倾角与天线发射功率建议值。
(41)经验证，相较于传统方式，利用本实施优化后总覆盖率提升。
本发明具有以下优点及有益效果：
本发明通过利用数字孪生技术进行建模，所建模型是一个超高保真度的虚拟模型，在虚拟空间中模拟、镜像、预测相应物理实体的全生命周期过程，可是实现对目标区域网络覆盖情况实时监控预测；
本发明提供的解决了传统以人工为主根据数据分析情况和工作经验对覆盖相关参数进行反复调整的方法造成的优化效率低、人工成本高的问题，具有更高的实用性；利用数字孪生模型其将繁杂的分析要素和步骤基于AI算法固化，利用人工智能算法对覆盖优化场景进行建模，可以大大减少人力成本，更能提升方案准确性，保障网络稳定性。
以上所述，仅为本发明较佳的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (2)
1.一种基于数字孪生技术的移动通信网络覆盖优化方法，其具体包括：
智能锁定有效优化目标区域，精准网络数据决策优化目标区域的有效性；
获取目标区域的地理信息数据构建3D可视化孪生模型，实现目标区域网络覆盖场景的全面可视化；
通过预测算法计算孪生层覆盖率与实际进行对比，确保模型准确性；
在孪生模型中对目标区域内小区的网络覆盖率进行计算，根据覆盖率强度进行排级别；
通过最大化累计和得到算法的最优参数；根据覆盖率级别利用遗传算法对小区覆盖进行优化，得出调整天线方位角、下倾角与天线发射功率所需参数；
在构建好的数字孪生模型中输入调整后参数并利用预测算法进行覆盖率预测，将预测结果与实际结果进行对比，验证有效性。
所述处理包括：
1)获取目标区域地理信息数据以及覆盖率；
2)利用数字孪生技术结合人工智能算法对目标区域进行建模，实现目标区域网络覆盖场景的全面可视化,基于指标重构无线网络数字孪生模型；
3)通过预测算法计算孪生层覆盖率与实际进行对比，确保模型准确性；
4)在孪生模型中对目标区域内小区的网络覆盖率进行计算，根据结果对覆盖强度进行排序；
5)通过最大化累计和得到优化算法的最优参数，根据覆盖率级别利用优化算法对小区覆盖进行优化，得出调整天线方位角、下倾角与天线发射功率所需参数；
6)在构建好的数字孪生模型中输入调整后参数并利用预测算法进行覆盖率预测，将预测结果与实际结果进行对比，验证有效性，实现自动调整方案推送，并通过数据孪生技术实现调整前后覆盖仿真效果模拟演练。
2.根据权利要求1所述的重构无线网络数字孪生模型，其特征在于步骤1)目标区域信息数据的获取，步骤2)模型的构建与步骤3)模型的验证，具体包括如下：
步骤1)中具体包括如下步骤：
(1-1)确定目标区域，将目标区域内天线覆盖的所有5G小区作为网络优化的区域；
(1-2)获取目标区域内小区的覆盖率；
(1-3)借助地理化分析技术获取小区地理信息位置信息，包括小区经纬度、小区面积、小区道路数据、楼宇POI信息、楼宇高度等地理信息数据，存入数据库；
(1-4)确定区域宏基站信息、基站配置参数，存入数据库；
(1-5)利用传感器实时获取基站位置信息(经度、纬度)，接入终端位置信息(经度、纬度)，基站和基站与接入终端的距离信息，天线方位角，天线下倾角，基站站高，将数据存储进入数据库；
步骤2)中具体包括如下步骤：
(2-1)数字孪生模型包含数据接收模块、数据确认模块、数据处理模块、数据抽象模块以及迭代调整模块、优化模块、演练模块；
(2-2)根据获取的数据，对目标区域进行数字孪生建模：确定优化区域，一比一还原优化区域，构建一个3D可视化孪生模型；模型包括小区实体建模、动态建模，在数字孪生模型中可以实现模拟真实网络环境的覆盖预测模型；
(2-3)其中，实体建模指的是小区的面积、楼宇以及道路、基站等物理实体信息；
(2-4)动态建模为区域内天线高度、方位角、仰俯角、数据业务流量信息变化；
(2-5)模型构建具体如下：
(2-6)步骤一：模型数据进行实时采集：即数据的接收模块，数据是构建数字孪生模型的基础，要实现对目标区域内基站信息、天线信息数据的实时接收，因此利用传感器对区域网络性能指标数据采集存入数据库后，并通过向物理小区空间以及服务提供开放的API接口，实现孪生小区数据与物理小区同步；
(2-7)步骤二：模型数据确定：在数据确认模块对接收的目标区域数据进行实体确定，包含物理区域中所包含的属性数据；
(2-8)步骤三：数据处理模块与数据确认模块连接，在该模块进行模型数据处理，即对属性数据进行数据处理；
(2-9)步骤四：数据抽象模块与数据确认模块连接，在该模块对模型数据提取，在目标区域属性数据中提取出静态数据和动态数据，其中静态数据包括小区的经纬度信息、优化区域的二维、三维GIS数据、小区基站位置、小区楼宇信息等等；动态数据为天线高度、方位角、俯仰角、数据业务流量等；
(2-10)步骤五：根据所得静态数据和动态数据构建目标区域的数字孪生模型；
步骤3)中具体包括如下步骤：
(3-1)覆盖率计算：在构建好的孪生层计算目标小区的覆盖率；
(3-2)覆盖率计算算法：利用DBSCAN聚类算法，对基站数据进行自动分析，自动计算覆盖率；
(3-3)验证模型有效性：通过预测算法计算孪生层覆盖率与实际进行对比，确保模型准确性；
根据权利要求1所述的覆盖优化与模型预测方法，其特征在于所述步骤4)覆盖率计算及优先级的确认、步骤5)中影响覆盖率的参数调整以及覆盖预测，具体为：
步骤4)中具体包括如下步骤：
(4-1)定义弱覆盖判断标准：
在移动通信网络中，RSRP(参考信号接收功率)是衡量覆盖程度的核心参数，弱覆盖的评定标准为：终端从其服务小区接收到的信号小于阈值K，则认为该终端处于弱覆盖。其中，阈值K为-107d Bm。若假设用户设备位置为d，则评价弱覆盖的公式为：
W＝-107-RSRP(d)
(4-2)根据计算的覆盖率结果，根据对弱覆盖判断标准对弱覆盖小区进行判断；
(4-3)根据覆盖情况对弱覆盖小区优化进行优先级排序：覆盖率越低优先级越高；
(4-4)在构建好的数字孪生模型优化模块中，对小区覆盖场景进行匹配；其中，每次迭代前DBSCAN聚类算法计算各个小区的覆盖率，并根据覆盖率维护一个优先级列表，覆盖率越低的小区会被设定越高的优化优先级；
步骤5)中具体包括如下步骤：
(5-1)确定影响网络覆盖的重要参数为：天线方位角、下倾角与天线发射功率
(5-2)在模型迭代模块，对所述调整参数组的参数值进行多轮迭代调整，最大化累计和得到遗传算法的最优参数；
(5-3)确立覆盖场景与覆盖优化规则，根据规则在孪生层模型中对小区天线进行调整：根据优先级列表，通过遗传算法计算并给出该小区的天线方位角、下倾角与天线发射功率的调整幅度；
(5-4)步骤一：根据天线方位角、下倾角与天线发射功率的取值范围，分别将三个变量设置为8位二进制编码、9位二进制编码和4位二进制编码；
(5-5)步骤二：确定适应度函数；
(5-6)步骤三：遗传算法使用了最优选择策略的思想。首先计算每个染色体对应的适应度函数值。然后以染色体的个数作为迭代次数，在每轮迭代周期中，随机选择三个染色体，每三个染色体的索引组成一个索引数组。迭代结束以后，挑选出每个索引数组中适应度函数最大的染色体，进入下一轮的交叉操作。
(5-7)步骤四：选择双点交叉方式。双点交叉是指在个体染色体中随机选择两个基因位n1,n2,然后将两个染色体中位于n1,n2,之间的基因值交换；
(5-8)步骤五：在变异操作中，利用随机函数随机产生变异点，具体操作方法为：利用随机函数产生0-1之间的数值，数值个数与染色体基因数相同，如果生成的数值小于设定的变异参数，则染色体中对应的基因值需要进行变异操作，否则不进行变异操作，而且不同染色体的变异点不同。
(5-9)步骤六：初始化遗传算法，设置迭代参数T，如果没有达到最大迭代次数T，则重复进行步骤二、三、四、五操作，适应度值最高的染色体，经过解码后，即可输出区域内能够降低弱覆盖的最优的天线方位角、下倾角与天线发射功率的部署值。
步骤6)中具体包括如下步骤：
(6-1)基于覆盖率对在数字孪生模型中对该小区的天线方位角、下倾角与天线发射功率参数进行调整；调整线天线方位角、下倾角与天线发射功率作为优化手段提升覆盖率；
(6-2)在数字孪生模型的演练模块进行覆盖率预测，利用随机森林算法预测优化后的网络覆盖率；
其中，随机森林算法通过构建不同的训练子集合增加不同决策树之间的差异，这种策略可以增加组合分类模型的外推预测能力。通过若干轮训练得到一个分类模型{h1(X)，h2(X)，...，(X)},
在使用这些序列构建一个多分类系统，其最终输出决策如下：
其中，hi(X)表示一个决策树，公式表示最终的结果采用投票的方式得出。
(6-3)与调整前覆盖率相比，寻找最优方案；
(6-4)给出不同的网络状况下的最优参数配置方案：输出天线方位角、下倾角与天线发射功率建议值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310354118.3A CN116546521A (zh) | 2023-04-04 | 2023-04-04 | 一种基于数字孪生技术的移动通信网络覆盖优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310354118.3A CN116546521A (zh) | 2023-04-04 | 2023-04-04 | 一种基于数字孪生技术的移动通信网络覆盖优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116546521A true CN116546521A (zh) | 2023-08-04 |
Family
ID=87451380
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310354118.3A Pending CN116546521A (zh) | 2023-04-04 | 2023-04-04 | 一种基于数字孪生技术的移动通信网络覆盖优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116546521A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117320024A (zh) * | 2023-10-08 | 2023-12-29 | 香港中文大学（深圳） | 一种基于数字孪生的低空网络覆盖优化方法 |
| CN117391310A (zh) * | 2023-12-04 | 2024-01-12 | 南京瀚元科技有限公司 | 基于数字孪生技术的电网设备运行状态预测及优化方法 |
| CN117793754A (zh) * | 2023-11-28 | 2024-03-29 | 山东大学 | 一种基于数字孪生的智能反射表面通信系统推演优化方法及系统 |
| CN117835286A (zh) * | 2024-03-06 | 2024-04-05 | 四川楚信科技有限公司 | 一种umts无线网络负荷自动优化系统 |
-
2023
- 2023-04-04 CN CN202310354118.3A patent/CN116546521A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117320024A (zh) * | 2023-10-08 | 2023-12-29 | 香港中文大学（深圳） | 一种基于数字孪生的低空网络覆盖优化方法 |
| CN117793754A (zh) * | 2023-11-28 | 2024-03-29 | 山东大学 | 一种基于数字孪生的智能反射表面通信系统推演优化方法及系统 |
| CN117391310A (zh) * | 2023-12-04 | 2024-01-12 | 南京瀚元科技有限公司 | 基于数字孪生技术的电网设备运行状态预测及优化方法 |
| CN117391310B (zh) * | 2023-12-04 | 2024-03-08 | 南京瀚元科技有限公司 | 基于数字孪生技术的电网设备运行状态预测及优化方法 |
| CN117835286A (zh) * | 2024-03-06 | 2024-04-05 | 四川楚信科技有限公司 | 一种umts无线网络负荷自动优化系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116546521A (zh) | 一种基于数字孪生技术的移动通信网络覆盖优化方法 | |
| CN104239556B (zh) | 基于密度聚类的自适应轨迹预测方法 | |
| CN102332210B (zh) | 基于手机定位数据的实时城市道路交通流数据提取方法 | |
| CN106780089B (zh) | 基于神经网络元胞自动机模型的永久性基本农田划定方法 | |
| CN102404756B (zh) | 一种基于手机测量报告的天线参数优化系统 | |
| CN110636515B (zh) | 电力无线专网的网络规划评估方法 | |
| CN107920362A (zh) | 一种基于微区域的lte网络性能评估方法 | |
| US7844698B2 (en) | Wireless network modification support system and radio network modification support method | |
| CN113112068A (zh) | 一种村镇公共设施选址布局的方法及其系统 | |
| CN107241743B (zh) | 电网专网布局建设方法 | |
| CN109933901B (zh) | 一种生态系统服务价值最优化的mcr城市扩张模拟方法 | |
| CN108632832B (zh) | 网络覆盖分析方法及系统 | |
| CN105188030A (zh) | 一种移动网络数据进行地理栅格映射的方法 | |
| CN113642699A (zh) | 一种江河洪水智能预报系统 | |
| CN116437291A (zh) | 一种基于手机信令的文化圈规划方法和系统 | |
| CN117077922A (zh) | 一种基于bp神经网络智能电网配电方法 | |
| EP3657841A1 (en) | Method and device for obtaining emission probability, transfer probability and sequence positioning | |
| CN116976702A (zh) | 基于大场景gis轻量化引擎的城市数字孪生平台及方法 | |
| Keke et al. | STGA-CBR: a case-based reasoning method based on spatiotemporal trajectory similarity assessment | |
| CN116720750B (zh) | 综合能源站设备容量规划方法、装置、终端及存储介质 | |
| CN116911507A (zh) | 基于空间投影寻踪的城市街区活力评价方法及存储介质 | |
| CN115879652A (zh) | 能源网络分级协同规划方法、装置、电子设备及存储介质 | |
| CN115841042A (zh) | 一种基于韧性理论构建的城市生态韧性三维评价方法 | |
| AU2021104004A4 (en) | Double-layer Domain-oriented Intelligent Optimal Allocation Method for Rural Residential Areas | |
| CN115496253A (zh) | 一种基于多目标遗传算法的输电线路路径优化方法及系统 |
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 |