CN117715086A - 一种基于mdt数据的网络覆盖分析方法、装置、设备及介质 - Google Patents
一种基于mdt数据的网络覆盖分析方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117715086A CN117715086A CN202410117421.6A CN202410117421A CN117715086A CN 117715086 A CN117715086 A CN 117715086A CN 202410117421 A CN202410117421 A CN 202410117421A CN 117715086 A CN117715086 A CN 117715086A
- Authority
- CN
- China
- Prior art keywords
- base station
- cell
- coverage
- station cell
- mdt
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 68
- 238000005070 sampling Methods 0.000 claims abstract description 105
- 230000002159 abnormal effect Effects 0.000 claims abstract description 36
- 230000005484 gravity Effects 0.000 claims abstract description 32
- 230000000903 blocking effect Effects 0.000 claims abstract description 24
- 238000004891 communication Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 48
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 abstract description 19
- 238000012360 testing method Methods 0.000 description 20
- 238000012545 processing Methods 0.000 description 10
- 238000007405 data analysis Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000005856 abnormality Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000004445 quantitative analysis Methods 0.000 description 4
- 101100182248 Caenorhabditis elegans lat-2 gene Proteins 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000006855 networking Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 101100182247 Caenorhabditis elegans lat-1 gene Proteins 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000003012 network analysis Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 101100511466 Caenorhabditis elegans lon-1 gene Proteins 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Classifications
-
- 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
- Mobile Radio Communication Systems (AREA)
Abstract
本申请涉及网络通信技术领域,尤其涉及一种基于MDT数据的网络覆盖分析方法、装置、设备及介质,确定出待核查越区覆盖小区,并通过待核查越区覆盖小区与本基站小区及其邻区的MDT采样点电平值及数量进行对比,确定出越区覆盖小区;获取基站小区有效覆盖范围内的栅格集中区域,并计算出该区域的重心,且利用该重心和基站小区的坐标计算出基站小区主覆盖半径,通过与基站对应场景的平均覆盖半径进行对比,确定出覆盖阻挡小区;计算出基站小区的预测方位角,且通过工参数据中该基站小区的方位角与所述预测方位角进行对比,确定出方位角异常小区;从而快速挖掘网络存在的问题,高效提升网络优化效率,减少优化成本。
Description
技术领域
本申请涉及网络通信技术领域,尤其涉及一种基于MDT数据的网络覆盖分析方法、装置、设备及介质。
背景技术
无线网络覆盖的挖掘与分析对提高网络质量、网络稳定性、网络口碑和用户满意度方面具有重要意义。传统的无线网络覆盖分析的方法包括DT(Driver Test,路测)\CQT(Call Quality Test,通话质量测试)测试数据分析、用户投诉数据分析、MR数据分析三种方式。但是该三种网络分析方法分别存在以下缺点和不足:
DT/CQT测试是评估网络覆盖的重要方法,能够比较客观的反映网络覆盖的问题,但在数据分析方面存在范围有限、数据量不足、耗时耗力、智能化分析程度低等问题。DT测试通常是在特定路线上进行的,而CQT测试则是在特定区域内进行的。因此,这两种测试方法只能评估特定区域内的网络覆盖情况,无法全面反映整个网络的覆盖情况,存在测试范围有限,数据量不足的明显缺点。另外网络测试需要耗费大量的人力、物力、财力,DT和CQT测试产生大量的数据,需要专业的测试人员、测试终端,目前缺乏有效的数据分析工具和方法,导致数据分析难度大,效率低下,智能化程度低;
使用用户投诉数据进行网络覆盖分析,能够真实掌握用户体验,及时发现网络存在的某些问题以及不同用户群体的业务需求差异情况,但存在主观性强、数据量有限、缺乏定量分析等缺点。用户投诉数据往往基于用户的个人感受和经验,主观性较强。不同用户对网络覆盖的期望和要求可能存在差异,因此投诉数据可能无法全面反映网络覆盖的真实情况。用户投诉数据通常是有限的,可能无法覆盖所有用户和所有区域,导致分析结果存在偏差,无法准确反映整体的网络覆盖情况。同时用户投诉数据通常是描述性的,缺乏定量分析,可能导致分析结果不够精确和客观,无法为网络优化提供科学依据;
MR数据分析网络覆盖的方法是目前比较常见的方法之一。其具有数据样本量大,采集方便,相对能够全面反映网络整体覆盖情况。MR数据本身不带有经纬度信息,其经纬度的测算方法主要是基于测距的空间几何定位方法,常见的有三角定位算法、TOA(Time ofArrival)定位技术,TDOA定位技术(Time Difference of Arrival)、AOA(Angle ofArrival)定位技术等等,但由于MR数据受外界影响变化较大,导致定位精确度不高,从而导致对网络覆盖问题的定位会出现一定的偏差,尤其在农村区域,偏差会更大。
发明内容
为克服现有技术中的不足,本申请提供一种基于MDT数据的网络覆盖分析方法、装置、设备及介质,能够提升网络优化效率,减少优化成本。
第一方面,本申请提供一种基于MDT数据的网络覆盖分析方法,所述方法包括以下步骤:
基于提取的MDT采样点数据计算基站小区有效覆盖范围,以及基于工参数据计算不同场景下的基站平均覆盖半径;其中,通过栅格表示所述基站小区有效覆盖范围;
利用工参数据中的邻区PCI和基站小区唯一标识与基站小区有效覆盖范围进行匹配,确定出待核查越区覆盖小区,并通过所述待核查越区覆盖小区与本基站小区及其邻区的MDT采样点电平值及数量进行对比,确定出越区覆盖小区;
获取基站小区有效覆盖范围内的栅格集中区域,并计算出该区域的重心,且利用该重心和基站小区的坐标计算出基站小区主覆盖半径,通过所述基站小区主覆盖半径与对应场景下的所述基站平均覆盖半径进行对比,确定出覆盖阻挡小区;
将基站小区所在位置视为一个二维圆平面,并计算出基站小区的预测方位角,且通过工参数据中该基站小区的方位角与所述预测方位角进行对比,确定出方位角异常小区;
将确定出的所述越区覆盖小区、所述覆盖阻挡小区和所述方位角异常小区进行汇总得到网络覆盖的分析数据。
在一种可能的实施方式中,所述基于提取的MDT采样点数据计算基站小区有效覆盖范围,包括以下步骤:
提取MDT采样点数据,并对该MDT采样点数据进行过滤清洗,以使每个MDT采样点数据包括经度、纬度、基站ID、CELLID、RSRP和PCI信息;
对过滤清洗后的MDT采样点数据进行栅格化处理;
基于设定的RSRP阈值确定MDT有效采样点数据,并根据栅格内各个基站小区的MDT有效采样点数量与采样点总数量计算出有效覆盖采样点占比;
若所述有效覆盖采样点占比大于设定的有效覆盖采样点占比阈值,将该栅格归属为相应的基站小区有效覆盖范围。
在一种可能的实施方式中,所述工参数据包括经度、纬度、基站ID、CELLID、方位角、场景和邻区PCI信息;所述基于工参数据计算不同场景下的基站平均覆盖半径,包括以下步骤:
针对每一基站计算其与其他所有基站之间的站间距,并按照大小排序得到最近站间距;
对每一类场景的所有基站的最近站间距求算术平均值,得到分场景站间距,且根据所述分场景站间距与设定的参数相除,得到不同场景下的基站平均覆盖半径。
在一种可能的实施方式中,通过所述待核查越区覆盖小区与本基站小区及其邻区的MDT采样点数量MDT采样点电平值及数量进行对比,确定出越区覆盖小区,包括以下步骤:
将大于本基站小区及其邻区的MDT采样点数量之和、且MDT采样点数量排名靠前的多个基站小区作为疑似越区覆盖小区;
将每个所述疑似越区覆盖小区与本基站小区及其邻区的MDT采样点在同一栅格内进行逐个RSRP值对比,统计大于本基站小区或其邻区MDT采样点RSRP值的数量;
将统计的数量与本基站小区及其邻区的MDT采样点数量之和相比,得到覆盖数量占比,若所述覆盖占比大于设定的覆盖数量占比阈值,将对应的基站小区确定为越区覆盖小区。
在一种可能的实施方式中,采用DBSCAN算法判定基站小区有效覆盖范围内的栅格集中区域,并采用离散点重心算法得到该区域的重心,且将该重心与基站小区之间的距离作为基站小区主覆盖半径,若所述基站小区主覆盖半径与不同场景下的基站平均覆盖半径的比值小于设定的覆盖距离比例阈值,将该基站小区确定为覆盖阻挡小区。
在一种可能的实施方式中,将基站小区所在位置视为一个二维圆平面,并计算出基站小区的预测方位角,且通过工参数据中该基站小区的方位角与所述预测方位角进行对比,确定出方位角异常小区,包括以下步骤:
将基站小区所在位置视为一个二维圆平面,并均匀分割成多个扇形区间;
通过RSRP均值法计算基站小区的第一预测方位角,以及通过RSRP集中度法计算出基站小区的第二预测方位角,并根据所述第一预测方位角和所述第二预测方位角形成的夹角的法线得到基站小区的预测方位角;
若所述预测方位角与工参数据中该基站小区的方位角的差值小于设定的方位角异常阈值,将该基站小区确定为方位角异常小区。
在一种可能的实施方式中,将基站ID和CELLID的合并信息作为基站小区唯一标识。
第二方面,本申请提供一种基于MDT数据的网络覆盖分析装置,所述装置包括:
数据预处理模块,用于基于提取的MDT采样点数据计算基站小区有效覆盖范围,以及基于工参数据计算不同场景下的基站平均覆盖半径;其中,通过栅格表示所述基站小区有效覆盖范围;
越区覆盖小区分析模块,用于利用工参数据中的邻区PCI和基站小区唯一标识与基站小区有效覆盖范围进行匹配,确定出待核查越区覆盖小区,并通过所述待核查越区覆盖小区与本基站小区及其邻区的MDT采样点电平值及数量进行对比,确定出越区覆盖小区;
覆盖阻挡小区分析模块,获取基站小区有效覆盖范围内的栅格集中区域,并计算出该区域的重心,且利用该重心和基站小区的坐标计算出基站小区主覆盖半径,通过所述基站小区主覆盖半径与对应场景下的所述基站平均覆盖半径进行对比,确定出覆盖阻挡小区;
方位角异常小区分析模块,用于将基站小区所在位置视为一个二维圆平面,并计算出基站小区的预测方位角,且通过工参数据中该基站小区的方位角与所述预测方位角进行对比,确定出方位角异常小区;
汇总模块,用于将确定出的所述越区覆盖小区、所述覆盖阻挡小区和所述方位角异常小区进行汇总得到网络覆盖的分析数据。
第三方面,本申请提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如第一方面任一所述的基于MDT数据的网络覆盖分析方法的步骤。
第四方面,本申请提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如第一方面任一所述的基于MDT数据的网络覆盖分析方法的步骤。
本实施例提供的一种基于MDT数据的网络覆盖分析方法、装置、设备及介质,提出三种定量分析判断模型自动输出网络覆盖存在的覆盖遮挡、越区覆盖、方位角异常等网络覆盖问题,具有实现简单、复杂度低、省时省力、准确度高、效率高等方面的优点,能够为网络覆盖评估、网络优化、精准规划、异常事件处理等方面的问题定位提供数据支撑,高效提升网络优化效率,减少优化成本。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本申请一实施例所述基于MDT数据的网络覆盖分析方法的流程图;
图2示出了本申请一实施例在GIS地图上显示有效覆盖范围图层的示意图;
图3示出了本申请一实施例确定出越区覆盖小区的流程示意图;
图4示出了本申请一实施例所述基站小区主覆盖半径的示意图;
图5示出了本申请一实施例确定出方位角异常小区的流程示意图;
图6示出了本申请一实施例将基站小区所在位置视为一个二维圆平面,并均匀分割成多个扇形区间的示意图;
图7示出了本申请一实施例所述预测方位角示意图;
图8示出了本申请一实施例所述基于MDT数据的网络覆盖分析装置的结构示意图;
图9示出了本申请一实施例所述电子设备的结构框图。
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,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请实施例中将会用到术语“包括”,用于指出其后所声明的特征的存在,但并不排除增加其它的特征。
传统的网络覆盖分析方法一般依靠网络优化人员大量的DT\CQT测试,结合用户投诉、MR数据等方法分析发现网络存在的问题,以上方法存在人员经验化、耗费大量人力物力以及网络问题定位不精准等缺点。鉴于此,本申请提供一种基于MDT数据的网络覆盖分析方法、装置、设备及介质,能够通过对MDT数据的深度挖掘,结合工参数据,智能化确定基站小区是否存在覆盖阻挡、越区覆盖、方位角异常等网络覆盖问题,高效提升网络优化效率,减少优化成本。
在一实施例中,参见说明书附图1,本申请提供的一种基于MDT数据的网络覆盖分析方法,所述方法包括以下步骤:
S1、基于提取的MDT采样点数据计算基站小区有效覆盖范围,以及基于工参数据计算不同场景下的基站平均覆盖半径;其中,通过栅格表示所述基站小区有效覆盖范围;
S2、利用工参数据中的邻区PCI和基站小区唯一标识与基站小区有效覆盖范围进行匹配,确定出待核查越区覆盖小区,并通过所述待核查越区覆盖小区与本基站小区及其邻区的MDT采样点电平值及数量进行对比,确定出越区覆盖小区;
S3、获取基站小区有效覆盖范围内的栅格集中区域,并计算出该区域的重心,且利用该重心和基站小区的坐标计算出基站小区主覆盖半径,通过所述基站小区主覆盖半径与对应场景下的所述基站平均覆盖半径进行对比,确定出覆盖阻挡小区;
S4、将基站小区所在位置视为一个二维圆平面,并计算出基站小区的预测方位角,且通过工参数据中该基站小区的方位角与所述预测方位角进行对比,确定出方位角异常小区;
S5、将确定出的所述越区覆盖小区、所述覆盖阻挡小区和所述方位角异常小区进行汇总得到网络覆盖的分析数据。
为了清楚地了解本发明实施例的技术方案,可以先对MDT进行说明。MDT(Minimization Drive Test,最小化路测)是4G LTE/5G NR引入的一种通过用户终端进行测量数据采集、上报、预处理的自动化路测技术;只要用户终端开启GPS并支持MDT功能,终端就能向基站自动上报MDT数据。MDT和MR有相似部分,都包含RSRP、RSRQ等字段;但由于MDT数据同时含有较为精准的真实GPS经纬度信息,而不是各种算法测算的经纬度信息,因此具有更高的定位精准性,能够准确定位网络问题区域,更适合用于对网络覆盖的分析。
在步骤S1中,一方面是对MDT采样点数据进行预处理,以获取基站小区有效覆盖范围;另一方面是对工参数据进行处理,以获取不同场景下的基站平均覆盖半径。
具体的,对MDT采样点数据进行预处理,以获取基站小区有效覆盖范时:
可以从网管相关平台提取某地市原始MDT数据,由于部分MDT数据存在字段不完整、空值等情况,需要进行初步过滤清洗,过滤掉无效数据,以确保每个MDT采样点数据中包含经度、纬度、基站ID、CELLID、RSRP、PCI等关键信息列数据,为下一步数据分析做准备;然后对过滤清洗后的MDT采样点数据进行栅格化处理,在一实施例中可以采用GeoHash算法将MDT采样点归集到GeoHash码栅格,栅格大小为38m*19m;
其中,所述GeoHash算法是空间索引的一种方式,其基本原理是将地球理解为一个二维平面,通过把二维的空间经纬度数据编码为一个字符串,可以把平面递归分解成更小的子块,每个子块在一定经纬度范围内拥有相同的编码,以GeoHash方式建立空间索引,可以提高对空间POI数据进行经纬度检索的效率,编码规则为:先将纬度范围(-90,90)平分成两个区间(-90,0)和(0,90),如果目标维度位于前一个区间,则编码为0,否则编码为1,然后根据目标纬度所落的区间再平均分成两个区间进行编码,以此类推,直到精度满足要求;经度也用同样的算法,对(-180,180)依次细分,然后合并经度和纬度的编码,奇数位放纬度,偶数位放经度,组成一串新的二进制编码,按照Base32进行编码;
进一步的,定义“RSRP值大于-105dBm的采样点”为MDT有效采样点数据,将“基站ID+CELLID”合并字段作为基站小区的唯一识别字段,计算MDT映射的栅格内各个基站小区的有效覆盖采样点占栅格内本小区的采样点总数的比例,作为有效覆盖采样点占比;其中需要说明的是,栅格内某小区的采样点不足10个则认为是零星信号,不参与有效计算;进而,根据某小区有效覆盖采样点占比判断本栅格是否属于该小区的覆盖范围。
例如,设定有效覆盖采样点占比阈值为60%,若该小区在某个栅格内有效覆盖采样点占比大于60%,则认为此栅格归属该小区的有效覆盖范围。据此根据所在栅格经纬度信息,可在GIS地图上给每个小区显示一个有效覆盖范围图层(参见说明书附图2)。
对工参数据进行处理,以获取不同场景下的基站平均覆盖半径时:
首先获取对应MDT地市的工参数据,其中要求工参数据中至少包含“经度、纬度、基站ID、CELLID、方位角、场景、邻区PCI”等基本信息。通过工参数据中的“基站ID“字段对应的经纬度信息将该基站与其他所有基站进行距离比对。如基站A经纬度为(lon1,lat1)和基站B经纬度为(lon2,lat2),参考公式如下:
D=R*arccos[sin(lat1)*sin(lat2)+cos(lat1)*cos(lat2)*cos(lon2-lon1)]
式中,R为地球半径,取值6371;经纬度数应转换为弧度,弧度=度数*π/180;D单位为km;此距离为球面距离;
接着对基于该基站计算出的距离进行排序,以获取排名前三位为例,排名前三位的分别为第一近点基站,第二近点基站,第三近点基站,然后求此三距离的平均值,作为基于此基站的最近站间距。依次类推,计算出所有基站的最近站间距;再利用工参数据中每个基站ID对应的“场景”列数据,对每一类场景的所有基站最近站间距求算术平均值,归集出该地市分场景站间距。可分为市区、县城、乡镇、农村四类场景,计列为D1、D2、D3、D4;
最后,利用上一步计算出的分场景站间距D1、D2、D3、D4,按照公式R=Di/1.5,得出市区、县城、乡镇、农村四类场景的基站平均覆盖半径,根据所述分场景站间距与设定的参数相除,得到不同场景下的基站平均覆盖半径,分别计列为R1、R2、R3、R4。
在步骤S2中,首先根据步骤S1中的方法方法确定该小区覆盖范围所涉及的栅格,然后利用工参数据中该小区的邻区PCI以及“基站ID+CELLID”合并字段作为本小区的唯一识别字段,匹配以上栅格中所有MDT采样点数据,找出本小区以及邻区以外的小区信息(基站ID+CELLID),定义为待核查越区覆盖小区1、待核查越区覆盖小区2、待核查越区覆盖小区3……。接着,参见说明书附图3,通过所述待核查越区覆盖小区的MDT采样点数量与本基站小区及其邻区的MDT采样点数量进行对比,确定出越区覆盖小区,包括以下步骤:
S201、将大于本基站小区及其邻区的MDT采样点数量之和、且MDT采样点数量排名靠前的多个待核查越区覆盖小区作为疑似越区覆盖小区;
S202、将每个所述疑似越区覆盖小区与本基站小区及其邻区的MDT采样点在同一栅格内进行逐个RSRP值对比,统计大于本基站小区或其邻区MDT采样点RSRP值的数量;
S203、将统计的数量与本基站小区及其邻区的MDT采样点数量之和相比,得到覆盖数量占比,若所述覆盖数量占比大于设定的覆盖数量占比阈值,将对应的基站小区确定为越区覆盖小区。
具体的,在步骤S201中,分别统计待核查越区覆盖小区1、待核查越区覆盖小区2、待核查越区覆盖小区3……的MDT采样点电平值及数量,并将待核查越区覆盖小区1、待核查越区覆盖小区2、待核查越区覆盖小区……的MDT采样点数量分别与本小区及其邻区采样点之和做初步对比,保留大于本小区及其邻区采样点之和,且总采样点数排名前三的小区定义为疑似越区覆盖小区N1、疑似越区覆盖小区N2、疑似越区覆盖小区N3;在步骤S202中,将排名前三疑似越区覆盖小区采样点分别与该小区及其邻区采样点在同一栅格内进行逐个RSRP值对比,统计大于本小区或邻区采样点RSRP值的数量;在步骤S203中,将以上统计数量与本小区及其邻区采样点总数做对比,若其中采样点数有60%比例大于即判断为越区覆盖小区,其中,设定的覆盖数量占比阈值为60%,并且依此,遍历所有小区即可判断出全网越区覆盖小区。
在步骤S3中,即在判断覆盖阻挡小区时,可以利用DBSCAN算法实现小区管辖范围内栅格最集中区域的判定。其中,DBSCAN(Density-BasedSpatial Clustering ofApplications with Noise)是一个比较有代表性的基于密度的聚类算法。与划分和层次聚类方法不同,它将簇定义为密度相连的点的最大集合,能够把具有足够高密度的区域划分为簇,并可在噪声的空间数据库中发现任意形状的聚类,在此不做赘述;
根据上述算法得的栅格集中区域之后,使用凹凸聚合边界算法计算出边界,形成凹凸多边形,多边形是由若干个顶点和边组成的平面图形。运用离散点重心算法得出该区域的重心。根据顶点的个数,多边形可以分为三角形、四边形、五边形等不同类型。而重心则是多边形内部所有点的平均位置,可以看作是多边形的中心点。在求解重心时,使用到每个顶点的坐标。假设多边形有n个顶点,分别记为A1x1,y1)、A2(x2,y2)……An(xn,yn)。则多边形的重心坐标可以通过以下公式计算得出:
重心横坐标:(x1+×2+……+xn)/n;
重心纵坐标:(y1+y2+……+yn)/n;
重心的横坐标是所有顶点横坐标的平均值,纵坐标是所有顶点纵坐标的平均值。这个公式的原理在于,重心是多边形内部所有点的平均位置,因此我们可以将所有顶点的坐标进行累加,再除以顶点的个数n来求得平均值,即为重心的坐标;然后利用上述计算得到的重心坐标与基站小区坐标得出基站小区与重心的距离,此距离视为基站小区主覆盖半径,计列为R,具体参见说明书附图4;
最后,对比该小区所在场景的平均覆盖半径Rx(R1、R2、R3、R4),若R/Rx<0.5,视为覆盖阻挡,需要进行调整方位角、提升挂高等网络优化措施。
进而在判断完成后,输出覆盖存在问题的小区,并对问题小区进行覆盖情况判断结果标注,供网络优化人员和规划设计人员快速定位网络问题,制定有针对性的网络覆盖优化解决措施。
参见说明书附图5,在步骤S4中,将基站小区所在位置视为一个二维圆平面,并计算出基站小区的预测方位角,且通过工参数据中该基站小区的方位角与所述预测方位角进行对比,确定出方位角异常小区,包括以下步骤:
S401、将基站小区所在位置视为一个二维圆平面,并均匀分割成多个扇形区间;
S402、通过RSRP均值法计算基站小区的第一预测方位角,以及通过RSRP集中度法计算出基站小区的第二预测方位角,并根据所述第一预测方位角和所述第二预测方位角形成的夹角的法线得到基站小区的预测方位角;
S403、若所述预测方位角与工参数据中该基站小区的方位角的差值小于设定的方位角异常阈值,将该基站小区确定为方位角异常小区。
具体的,判断方位角异常小区时,在步骤S401中,将基站小区所在位置视为一个二维圆平面,可以以平面正北方向为起点,每10°分割为一个扇形区间,共计分为36个区间,区间编号计列为IN1、IN2、IN3、┉IN36,对应的方位角区间分别为[0,10)、[10,20)、[20,30)、┉、[350,360),参见说明书附图6;另外,参见说明书附图7,在步骤S402中,为能够精确判断小区方位角,本申请采用两种方法进行综合评判,第一种是采用RSRP均值法计算基站小区的第一预测方位角:
统计每个扇形区间内MDT采样点RSRP的均值;
将每个区间内RSRP均值进行排序,得出RSRP均值最大的区间;
RSRP均值最大的区间对应的方位角区间的法线方向与正北方形成的角度即为第一预测方位角AZ1(区间对应方位角区间的首值加5°);
第二种采用RSRP集中度法计算基站小区的第二预测方位角:
统计每个扇形区间内MDT采样点RSRP值集中在[-60,-80]的数量;
将上述统计结果进行排序,得出RSRP值最集中的区间;
RSRP值最集中区间对应的方位角区间的法线方向与正北方形成的角度即为第二预测方位角AZ2(区间对应方位角区间的首值加5°;
将以上两种方法得到的预测方位角AZ1和AZ2射线形成的夹角再求法线方向即可得出最终预测方位角AZ;然后将预测方位角与工参中该小区方位角做对比,差值大于30视为方位角异常,其中,设定的方位角异常阈值为30。
在步骤S5中,则是将判断出的网络问题小区汇总输出即可得到某地市全网网络覆盖的分析数据。
可见,本申请提供一种基于MDT数据的网络覆盖分析方法,提出三种定量分析判断模型自动输出网络覆盖存在的覆盖遮挡、越区覆盖、方位角异常等网络覆盖问题,高效提升网络优化效率,减少优化成本。体现如下:
(1)节省人工成本显著;
采用传统的DT/CQT测试分析网络的方法,按照一个中等地市基站规模约3000个核算,每天派出6组网优测试人员,1组2人,每天每组按最多能够测试分析25个基站核算,预计需要40天测试完成,根据目前网优测试人员成本1200元/人,车费油费按每辆车每天500元,在不考虑网优测试软件费、流量卡费、电脑费用情况下,预计全网拉网测试需要测试成本:(1200*2+500)*6*40=348000元。采用本方法,在不考虑编程成本的情况下,从工程师开始提取数据(按提取数据需要耗时等待3天核算),到导入数据输出结果,最多耗时4天,且1个人即可独立完成,按人工成本1200*4=4800元核算,采用本方法分析全网网络问题,预计节省成本98.6%。
(2)智能化程度高,处理效率高;
MDT数据目前国内各运营商都已经实现智能提取,一般网管都是自动收集保存历史一周的数据,提取方便快捷;提取一个中等地市累计三天的历史MDT数据,约需要0.5个小时;采用本方法将导出的MDT数据进行清洗预处理需要0.5个小时,同时本申请采用的数据统计基本以基础数理统计为主,数据处理方法相对简单易懂,因此分析处理过程快捷,约3个小时即可输出处理结果,整个处理流程仅需要4个小时,处理流程中除需要提取和导入两个动作为人工外,其余全部是软件平台自动分析处理,智能化程度高,处理效率高。
(3)问题分析准确率高;
选取某市全部区域4620个基站,22515个基站小区采用本申请的方法进行分析,共发现全网越区覆盖小区1519个,覆盖遮挡212处,方位角异常78处,经过地市网优现场测试与后台数据分析对比,本申请整体准确率较高,各项分析准确率如下:
(4)网络分析涵盖范围广;
本申请采用的MDT数据是所有用户实时上报的全量数据,数据收集范围包括分析区域内所有区域(无人区除外),因此本发明具有涵盖范围广,能够确保对全网进行全量分析。
5、操作简便,人员投入少;
本申请只需要提取MDT数据,然后将MDT数据、工参等数据导入软件平台,即可输出结果,1个人即可独立完成全部工作,操作简便。
基于同一发明构思,本申请实施例中还提供了一种基于MDT数据的网络覆盖分析装置,由于本申请实施例中的装置解决问题的原理与本申请实施例上述一种基于MDT数据的网络覆盖分析方法相似,因此装置的实施可以参见方法的实施,重复之处不再赘述。
如说明书附图8所示,本申请实施例提供的一种基于MDT数据的网络覆盖分析装置,所述装置包括:
数据预处理模块801,用于基于提取的MDT采样点数据计算基站小区有效覆盖范围,以及基于工参数据计算不同场景下的基站平均覆盖半径;其中,通过栅格表示所述基站小区有效覆盖范围;
越区覆盖小区分析模块802,用于利用工参数据中的邻区PCI和基站小区唯一标识与基站小区有效覆盖范围进行匹配,确定出待核查越区覆盖小区,并通过所述待核查越区覆盖小区与本基站小区及其邻区的MDT采样点电平值及数量进行对比,确定出越区覆盖小区;
覆盖阻挡小区分析模块803,获取基站小区有效覆盖范围内的栅格集中区域,并计算出该区域的重心,且利用该重心和基站小区的坐标计算出基站小区主覆盖半径,通过所述基站小区主覆盖半径与对应场景下的所述基站平均覆盖半径进行对比,确定出覆盖阻挡小区;
方位角异常小区分析模块804,用于将基站小区所在位置视为一个二维圆平面,并计算出基站小区的预测方位角,且通过工参数据中该基站小区的方位角与所述预测方位角进行对比,确定出方位角异常小区;
汇总模块805,用于将确定出的所述越区覆盖小区、所述覆盖阻挡小区和所述方位角异常小区进行汇总得到网络覆盖的分析数据。
在一实施例中,所述数据预处理模块801基于提取的MDT采样点数据计算基站小区有效覆盖范围,包括:
提取MDT采样点数据,并对该MDT采样点数据进行过滤清洗,以使每个MDT采样点数据包括经度、纬度、基站ID、CELLID、RSRP和PCI信息;
对过滤清洗后的MDT采样点数据进行栅格化处理;
基于设定的RSRP阈值确定MDT有效采样点数据,并根据栅格内各个基站小区的MDT有效采样点数量与采样点总数量计算出有效覆盖采样点占比;
若所述有效覆盖采样点占比大于设定的有效覆盖采样点占比阈值,将该栅格归属为相应的基站小区有效覆盖范围。
在一实施例中,所述工参数据包括经度、纬度、基站ID、CELLID、方位角、场景和邻区PCI信息,所述数据预处理模块801基于工参数据计算不同场景下的基站平均覆盖半径,包括:
针对每一基站计算其与其他所有基站之间的站间距,并按照大小排序得到最近站间距;
对每一类场景的所有基站的最近站间距求算术平均值,得到分场景站间距,且根据所述分场景站间距与设定的参数相除,得到不同场景下的基站平均覆盖半径。
在一实施例中,所述越区覆盖小区分析模块802通过所述待核查越区覆盖小区与本基站小区及其邻区的MDT采样点数量MDT采样点电平值及数量进行对比,确定出越区覆盖小区,包括:
将大于本基站小区及其邻区的MDT采样点数量之和、且MDT采样点数量排名靠前的多个待核查越区覆盖小区作为疑似越区覆盖小区;
将每个所述疑似越区覆盖小区与本基站小区及其邻区的MDT采样点在同一栅格内进行逐个RSRP值对比,统计大于本基站小区或其邻区MDT采样点RSRP值的数量;
将统计的数量与本基站小区及其邻区的MDT采样点数量之和相比,得到覆盖数量占比,若所述覆盖占比大于设定的覆盖数量占比阈值,将对应的基站小区确定为越区覆盖小区。
在一实施例中,所述覆盖阻挡小区分析模块803采用DBSCAN算法判定基站小区有效覆盖范围内的栅格集中区域,并采用离散点重心算法得到该区域的重心,且将该重心与基站小区之间的距离作为基站小区主覆盖半径,若所述基站小区主覆盖半径与不同场景下的基站平均覆盖半径的比值小于设定的覆盖距离比例阈值,将该基站小区确定为覆盖阻挡小区。
在一实施例中,所述方位角异常小区分析模块804将基站小区所在位置视为一个二维圆平面,并计算出基站小区的预测方位角,且通过工参数据中该基站小区的方位角与所述预测方位角进行对比,确定出方位角异常小区,包括:
将基站小区所在位置视为一个二维圆平面,并均匀分割成多个扇形区间;
通过RSRP均值法计算基站小区的第一预测方位角,以及通过RSRP集中度法计算出基站小区的第二预测方位角,并根据所述第一预测方位角和所述第二预测方位角形成的夹角的法线得到基站小区的预测方位角;
若所述预测方位角与工参数据中该基站小区的方位角的差值小于设定的方位角异常阈值,将该基站小区确定为方位角异常小区。
本申请提供的一种基于MDT数据的网络覆盖分析装置,通过越区覆盖小区分析模块确定越区覆盖小区,通过覆盖阻挡小区分析模块确定覆盖阻挡小区,通过方位角异常小区分析模块确定方位角异常小区,从而能够自动输出网络覆盖存在的覆盖遮挡、越区覆盖、方位角异常等网络覆盖问题,高效提升网络优化效率,减少优化成本。
基于本发明的同一构思,说明书附图9所示,本申请实施例提供的一种电子设备900的结构,该电子设备900包括:至少一个处理器901,至少一个网络接口904或者其他用户接口903,存储器905,至少一个通信总线902。通信总线902用于实现这些组件之间的连接通信。该电子设备900可选的包含用户接口903,包括显示器(例如,触摸屏、LCD、CRT、全息成像(Holographic)或者投影(Projector)等),键盘或者点击设备(例如,鼠标,轨迹球(trackball),触感板或者触摸屏等)。
存储器905可以包括只读存储器和随机存取存储器,并向处理器901提供指令和数据。存储器905的一部分还可以包括非易失性随机存取存储器(NVRAM)。
在一些实施方式中,存储器905存储了如下的元素,可执行模块或者数据结构,或者他们的子集,或者他们的扩展集:
操作系统9051,包含各种系统程序,用于实现各种基础业务以及处理基于硬件的任务;
应用程序模块9052,包含各种应用程序,例如桌面(launcher)、媒体播放器(MediaPlayer)、浏览器(Browser)等,用于实现各种应用业务。
在本申请实施例中,通过调用存储器905存储的程序或指令,处理器901用于执行如一种基于MDT数据的网络覆盖分析方法中的步骤,能够高效提升网络优化效率,减少优化成本。
本申请还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如基于MDT数据的网络覆盖分析方法中的步骤。
具体地,该存储介质能够为通用的存储介质,如移动磁盘、硬盘等,该存储介质上的计算机程序被运行时,能够执行上述基于MDT数据的网络覆盖分析方法。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,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,又例如,多个单元或组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通信接口,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。
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,在本申请提供的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。
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,本申请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)执行本申请各个实施例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-OnlyMemory)、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。
最后应说明的是:以上实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述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:任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于MDT数据的网络覆盖分析方法,其特征在于,所述方法包括以下步骤:
基于提取的MDT采样点数据计算基站小区有效覆盖范围,以及基于工参数据计算不同场景下的基站平均覆盖半径;其中,通过栅格表示所述基站小区有效覆盖范围;
利用工参数据中的邻区PCI和基站小区唯一标识与基站小区有效覆盖范围进行匹配,确定出待核查越区覆盖小区,并通过所述待核查越区覆盖小区的与本基站小区及其邻区的MDT采样点电平值及数量进行对比,确定出越区覆盖小区;
获取基站小区有效覆盖范围内的栅格集中区域,并计算出该区域的重心,且利用该重心和基站小区的坐标计算出基站小区主覆盖半径,通过所述基站小区主覆盖半径与对应场景下的所述基站平均覆盖半径进行对比,确定出覆盖阻挡小区;
将基站小区所在位置视为一个二维圆平面,并计算出基站小区的预测方位角,且通过工参数据中该基站小区的方位角与所述预测方位角进行对比,确定出方位角异常小区;
将确定出的所述越区覆盖小区、所述覆盖阻挡小区和所述方位角异常小区进行汇总得到网络覆盖的分析数据。
2.根据权利要求1所述一种基于MDT数据的网络覆盖分析方法,其特征在于,所述基于提取的MDT采样点数据计算基站小区有效覆盖范围,包括以下步骤:
提取MDT采样点数据,并对该MDT采样点数据进行过滤清洗,以使每个MDT采样点数据包括经度、纬度、基站ID、CELLID、RSRP和PCI信息;
对过滤清洗后的MDT采样点数据进行栅格化处理;
基于设定的RSRP阈值确定MDT有效采样点数据,并根据栅格内各个基站小区的MDT有效采样点数量与采样点总数量计算出有效覆盖采样点占比;
若所述有效覆盖采样点占比大于设定的有效覆盖采样点占比阈值,将该栅格归属为相应的基站小区有效覆盖范围。
3.根据权利要求2所述一种基于MDT数据的网络覆盖分析方法,其特征在于,其中,所述工参数据包括经度、纬度、基站ID、CELLID、方位角、场景和邻区PCI信息;所述基于工参数据计算不同场景下的基站平均覆盖半径,包括以下步骤:
针对每一基站计算其与其他所有基站之间的站间距,并按照大小排序得到最近站间距;
对每一类场景的所有基站的最近站间距求算术平均值,得到分场景站间距,且根据所述分场景站间距与设定的参数相除,得到不同场景下的基站平均覆盖半径。
4.根据权利要求3所述一种基于MDT数据的网络覆盖分析方法,其特征在于,通过所述待核查越区覆盖小区与本基站小区及其邻区的MDT采样点数量MDT采样点电平值及数量进行对比,确定出越区覆盖小区,包括以下步骤:
将大于本基站小区及其邻区的MDT采样点数量之和、且MDT采样点数量排名靠前的多个待核查越区覆盖小区作为疑似越区覆盖小区;
将每个所述疑似越区覆盖小区与本基站小区及其邻区的MDT采样点在同一栅格内进行逐个RSRP值对比,统计大于本基站小区或其邻区MDT采样点RSRP值的数量;
将统计的数量与本基站小区及其邻区的MDT采样点数量之和相比,得到覆盖数量占比,若所述覆盖数量占比大于设定的覆盖数量占比阈值,将对应的基站小区确定为越区覆盖小区。
5.根据权利要求4所述一种基于MDT数据的网络覆盖分析方法,其特征在于,其中,采用DBSCAN算法判定基站小区有效覆盖范围内的栅格集中区域,并采用离散点重心算法得到该区域的重心,且将该重心与基站小区之间的距离作为基站小区主覆盖半径,若所述基站小区主覆盖半径与不同场景下的基站平均覆盖半径的比值小于设定的覆盖距离比例阈值,将该基站小区确定为覆盖阻挡小区。
6.根据权利要求5所述一种基于MDT数据的网络覆盖分析方法,其特征在于,将基站小区所在位置视为一个二维圆平面,并计算出基站小区的预测方位角,且通过工参数据中该基站小区的方位角与所述预测方位角进行对比,确定出方位角异常小区,包括以下步骤:
将基站小区所在位置视为一个二维圆平面,并均匀分割成多个扇形区间;
通过RSRP均值法计算基站小区的第一预测方位角,以及通过RSRP集中度法计算出基站小区的第二预测方位角,并根据所述第一预测方位角和所述第二预测方位角形成的夹角的法线得到基站小区的预测方位角;
若所述预测方位角与工参数据中该基站小区的方位角的差值小于设定的方位角异常阈值,将该基站小区确定为方位角异常小区。
7.根据权利要求1-6任一所述一种基于MDT数据的网络覆盖分析方法,其特征在于,其中,将基站ID和CELLID的合并信息作为基站小区唯一标识。
8.一种基于MDT数据的网络覆盖分析装置,其特征在于,所述装置包括:
数据预处理模块,用于基于提取的MDT采样点数据计算基站小区有效覆盖范围,以及基于工参数据计算不同场景下的基站平均覆盖半径;其中,通过栅格表示所述基站小区有效覆盖范围;
越区覆盖小区分析模块,用于利用工参数据中的邻区PCI和基站小区唯一标识与基站小区有效覆盖范围进行匹配,确定出待核查越区覆盖小区,并通过所述待核查越区覆盖小区与本基站小区及其邻区的MDT采样点电平值及数量进行对比,确定出越区覆盖小区;
覆盖阻挡小区分析模块,获取基站小区有效覆盖范围内的栅格集中区域,并计算出该区域的重心,且利用该重心和基站小区的坐标计算出基站小区主覆盖半径,通过所述基站小区主覆盖半径与对应场景下的所述基站平均覆盖半径进行对比,确定出覆盖阻挡小区;
方位角异常小区分析模块,用于将基站小区所在位置视为一个二维圆平面,并计算出基站小区的预测方位角,且通过工参数据中该基站小区的方位角与所述预测方位角进行对比,确定出方位角异常小区;
汇总模块,用于将确定出的所述越区覆盖小区、所述覆盖阻挡小区和所述方位角异常小区进行汇总得到网络覆盖的分析数据。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的基于MDT数据的网络覆盖分析方法的步骤。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至7任一所述的基于MDT数据的网络覆盖分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410117421.6A CN117715086A (zh) | 2024-01-29 | 2024-01-29 | 一种基于mdt数据的网络覆盖分析方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410117421.6A CN117715086A (zh) | 2024-01-29 | 2024-01-29 | 一种基于mdt数据的网络覆盖分析方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117715086A true CN117715086A (zh) | 2024-03-15 |
Family
ID=90155594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410117421.6A Pending CN117715086A (zh) | 2024-01-29 | 2024-01-29 | 一种基于mdt数据的网络覆盖分析方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117715086A (zh) |
-
2024
- 2024-01-29 CN CN202410117421.6A patent/CN117715086A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110677859B (zh) | 弱覆盖区域的确定方法、装置和计算机可读存储介质 | |
CN108181607B (zh) | 基于指纹库的定位方法、装置及计算机可读存储介质 | |
WO2020107712A1 (zh) | 基于用户数据实现天线方位角纠偏的方法 | |
CN105472644B (zh) | 基于用户行为特征的深度覆盖网络质量评估方法和系统 | |
WO2022198963A1 (zh) | 基于大数据的商业空间品质评价方法、系统、设备及介质 | |
CN108271171B (zh) | 建筑物网络状况统计方法及装置 | |
CN110956412B (zh) | 基于实景模型的洪灾动态评估方法、装置、介质和设备 | |
CN113139760B (zh) | 基于风雨大数据的台风风险综合评估方法及系统 | |
CN114173356A (zh) | 网络质量的检测方法、装置、设备及存储介质 | |
CN111475746B (zh) | 兴趣点位置挖掘方法、装置、计算机设备和存储介质 | |
CN110727752B (zh) | 位置指纹库处理方法、设备及计算机可读存储介质 | |
CN114662774A (zh) | 一种城市街区活力预测方法、存储介质和终端 | |
CN110716998B (zh) | 一种精细尺度人口数据空间化方法 | |
CN110348483B (zh) | 基于空间信息与统计学习的空间信息变化检测与分类方法 | |
CN116401879B (zh) | 一种溃决尾矿砂下游演进模拟方法 | |
CN117151800A (zh) | 一种农村土地基准地价评估方法 | |
Zhao et al. | Urban spatial structure analysis: quantitative identification of urban social functions using building footprints | |
CN117715086A (zh) | 一种基于mdt数据的网络覆盖分析方法、装置、设备及介质 | |
CN114885369A (zh) | 网络覆盖质量检测处理方法、装置、电子设备和存储介质 | |
CN113780880A (zh) | 一种基于空间代表性的pm2.5观测站点布局评价方法 | |
CN114153899A (zh) | 一种获取不同用地类型单位建筑面积就业岗位数的方法、电子设备 | |
CN116193369B (zh) | 一种基于手机信令数据的居住人口生成率估算方法 | |
CN113873431A (zh) | 楼宇网络质量呈现方法和装置 | |
CN111475598A (zh) | 一种电力工程设计中的配电网综合规划系统及方法 | |
Hilario et al. | Forecasting urban population distribution of Iloilo City using GIS and spatial autocorrelation models |
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 |