TWI708195B - 基於類神經網路之基地台涵蓋異常的查測系統和方法 - Google Patents
基於類神經網路之基地台涵蓋異常的查測系統和方法 Download PDFInfo
- Publication number
- TWI708195B TWI708195B TW108103314A TW108103314A TWI708195B TW I708195 B TWI708195 B TW I708195B TW 108103314 A TW108103314 A TW 108103314A TW 108103314 A TW108103314 A TW 108103314A TW I708195 B TWI708195 B TW I708195B
- Authority
- TW
- Taiwan
- Prior art keywords
- base station
- data
- information
- user equipment
- neural network
- Prior art date
Links
Images
Landscapes
- Mobile Radio Communication Systems (AREA)
- Alarm Systems (AREA)
Abstract
本發明揭露一類神經網路學習模型,根據一歷史資料關聯一群眾資料資料庫與一基地台資料庫,以塑模出一類神經網路的至少一權重及至少一偏權值;一輸入資料模組,蒐集至少一使用者設備資料,該使用者設備資料至少包含該使用者設備所在的一經緯度資料以及和該使用者設備連結之一基地台編號;以及一預測資料運算模組,根據該權重及該偏權值,對該使用者設備資料進行運算,以產生一基地台涵蓋異常的查測結果。
Description
本發明揭露一種基地台涵蓋異常的查測系統和方法,尤其是一種基於類神經網路之基地台涵蓋異常的查測系統和方法。
隨著近年來行動通訊領域的蓬勃發展,隨身裝置的應用由傳統2G時代的語音、文字;到3G時代的圖片、網頁;演變為4G時代的影音串流等服務。隨著行動通訊應用的演進,使用者與例如智慧型行動電話等各種使用者設備( User Equipment,下文簡稱UE)對於行動網路的要求越來越高,如何運用珍貴的無線頻寬與有限的基地台資源,提供最高品質的無線通訊服務,成為全球電信業者共同面對的困難議題。
為了維持UE能有良好的傳輸品質,查測基地台實際的運作狀態,並根據基地台實際的運作狀態調整基地台為既有之技術方法。第一圖為現有基地台訊號之涵蓋範圍的示意圖,如第一圖所示,當基地台中的天線在預期之發射角度時,預期訊號之涵蓋範圍為100,在預期訊號之涵蓋範圍100內,UE之使用者連線至基地台進行通話與網路相關服務時,UE將獲得較高的傳輸品質,但實際上基地台之天線由於天線設備之參數設定錯誤或者異常等問題,造成涵蓋之訊號範圍改變為涵蓋範圍102,此時,反而無法提供在預期訊號之涵蓋範圍100內之使用者高品質之無線通訊服務。
天線涵蓋超出預期範圍為基地台涵蓋異常類型的其中一種,而基地台涵蓋異常類型還包括線接錯以及環境因素等其它異常類型,為了查測基地台涵蓋異常類型,電信營運商之工程師通常將利用專業場測手機或場測車測量基地台天線訊號以進一步確認異常類型並加以改善。
但隨著天線設備之佈線複雜,電信營運商之工程師不容易即時確認異常類型並即時改善,以現有之長期演進技術(Long Term Evolution,下文簡稱LTE)天線設備為例,為提供高品質且高速之無線通訊服務,LTE天線設備具有多頻率多天線,因此其無線射頻模組/天線(Sector)之接線複雜,再加上無線頻率陸續釋出,現有之基地台將持續疊加對應之設備,這都將提高天線之接頭誤接的機率,因此,若單純只利用專業場測手機或場測車測量基地台天線訊號並進行查驗,將花費大量的人力的時間以及金錢。
因此,習知技術需要一種基地台涵蓋異常的查測系統和方法,其一方面能使電信營運商之工程師有效率地找出基地台涵蓋異常類型,另一方面又能節省電信營運商之運營成本。
本發明的目的在於提供一種基於類神經網路之基地台涵蓋異常的查測系統和方法,其一方面能使電信營運商之工程師有效率地找出基地台涵蓋異常類型,另一方面又能節省電信營運商之運營成本。
為達到發明目的,本發明揭露一類神經網路學習模型,根據一歷史資料關聯一群眾資料資料庫與一基地台資料庫,以塑模出一類神經網路的至少一權重及至少一偏權值;一輸入資料模組,蒐集至少一使用者設備資料,該使用者設備資料至少包含該使用者設備所在的一經緯度資料以及和該使用者設備連結之一基地台編號;以及一預測資料運算模組,根據該權重及該偏權值,對該使用者設備資料進行運算,以產生一基地台涵蓋異常的查測結果。
根據本發明之目的,本發明還揭露一種基於類神經網路之基地台涵蓋異常的查測方法,包含以下步驟:蒐集一歷史資料;根據該歷史資料關聯一群眾資料資料庫與一基地台資料庫,以塑模出一類神經網路的至少一權重及至少一偏權值;蒐集至少一使用者設備資料,該使用者設備資料至少包含該使用者設備所在的一經緯度資料以及和該使用者設備連結之一基地台編號;以及根據該權重及該偏權值,對該使用者設備資料進行運算,以產生一基地台涵蓋異常的查測結果。
對於相關領域一般技術者而言這些與其他的觀點與實施例在參考後續詳細描述與伴隨圖示之後將變得明確。
現在將參考本發明之伴隨圖式詳細描述實施例。在該伴隨圖式中,相同及/或對應元件系以相同參考符號所表示。
在此將揭露各種實施例;然而,要瞭解到所揭露之實施例只用於作為可體現為各種形式之例證。此外,連接各種實施例所給予之每一範例都預期作為例示,而非用於限制。進一步的,該圖式並不一定符合尺寸比例,某些特徵係被放大以顯示特定元件之細節(且該圖式中所示之任何尺寸、材料與類似細節都預期僅為例示而非限制)。因此,在此揭露之特定結構與功能細節並不被解釋做為限制,而只是用於教導相關領域技術人員實作所揭露之實施例的基礎。
在以下多個示例具體實施例的詳細敘述中,對該等隨附圖式進行參考,該等圖式形成本發明之一部分。且係以範例說明的方式顯示,藉由該範例可實作該等所敘述之具體實施例。提供足夠的細節以使該領域技術人員能夠實作該等所述具體實施例,而要瞭解到在不背離其精神或範圍下,也可以使用其他具體實施例,並可以進行其他改變。此外,雖然可以如此,但對於「一實施例」的參照並不需要屬於該相同或單數的具體實施例。因此,以下詳細敘述並不具有限制的想法,而該等敘述具體實施例的範圍係僅由該等附加申請專利範圍所定義。
本發明提出一種基於類神經網路之基地台涵蓋異常的查測系統,係利用類神經網路具有在不需要提供轉換的數學函示條件下,即可學習輸入資料與輸出資料之關係的特性,先以大量歷史資料對類神經網路進行訓練,以塑模出各個輸入節點與各個隱藏層神經元的權重、各個隱藏層神經元與輸出節點之權重,及各個節點的偏權值,而後配合即時蒐集至少一使用者設備資料作為各個輸入節點的輸入資料,以以產生基地台涵蓋異常的查測結果。以下將配合圖示進一步說明。
第二圖為一般類神經網路系統的示意圖。本發明基於類神經網路之基地台涵蓋異常的查測系統,係利用如圖示之類神經網路系統200進行訓練,以塑模出各個權重及各個偏權值,於圖示中,該類神經網路系統200在第一層具有輸入節點S1、輸入節點S2,在第二層具有隱藏層神經元S3、隱藏層神經元S4、隱藏層神經元S5,在第三層具有輸出節點S6。
應了解類神經網路系統200在此僅為例示,本發明並不限於使用單層的隱藏層神經元,而係可視需求使用一至多層的隱藏層神經元。類神經網路系統200之輸入節點個數、隱藏層神經元個數、輸出節點個數,亦非可限制本發明,本發明之輸入節點個數、隱藏層神經元個數、輸出節點個數可視情況調整為任意個數。
請繼續參考第二圖,類神經網路系統200的各個輸入節點與各個隱藏層神經元均有相對應的權重,例如輸入節點S1與隱藏層神經元S5具有一權重W15,輸入節點S2與隱藏層神經元S5具有一權重W25。同時,類神經網路系統200的各個隱藏層神經元與輸出節點亦有相對應的權重,例如隱藏層神經元S3與輸出節點S6具有一權重W36,隱藏層神經元S5與輸出節點S6具有一權重W56。而各個輸入節點、隱藏層神經元及輸出節點均具有各自的偏權值,例如輸入節點S2具有偏權值θ2,隱藏層神經元S5具有偏權值θ5,輸出節點S6具有偏權值θ6。而一節點傳輸至下個節點的傳輸數值之計算方式如下,假設共有n個節點將各自的傳輸數值傳輸至該節點Y,則節點Y傳輸至下一節點的傳輸數值y之公式為:其中, Wi為將傳輸數值傳輸至節點Y的n個節點中之第i個節點與節點Y所對應的權重,Xi為該第i個節點傳輸至節點Y的傳輸數值,θ為節點Y的偏權值。
以節點S5為例,輸入節點S1與隱藏層神經元S5所對應的權重為W15,輸入節點S2與隱藏層神經元S5所對應的權重為W25,而隱藏層神經元S5的偏權值為θ5。設輸入節點S1傳輸至隱藏層神經元S5的傳輸數值為X1,而輸入節點S2傳輸至隱藏層神經元S5的傳輸數值為X2,則隱藏層神經元S5傳輸至輸出節點S6的傳輸數值為:
在訓練類神經網路系統200的過程中,首先以大量已知的輸入資料及輸出資料作為訓練用的輸入資料與輸出資料,對類神經網路系統200進行訓練,藉此塑模出各個權重及各個偏權值。傳統上可採用傳統梯度下降演算法以修正各個權重。在塑模出各個權重及各個偏權值後,即可利用類神經網路系統200,以即時的輸入資料,進行輸出資料的預測。
第三圖為依據本發明一實施例之基於類神經網路之基地台涵蓋異常的查測系統之架構圖。如圖所示,基於類神經網路之基地台涵蓋異常的查測系統300包含:類神經網路學習模型310、輸入資料模組320以及預測資料運算模組330。
在本實施中,類神經網路學習模型310利用群眾資料資料庫340、基地台資料庫342以及行政區資料庫344建構,類神經網路學習模型310之輸入資料包括天線發射資訊、天線與使用者設備位置相關資訊以及行政區資訊。
在本實施例中,根據歷史資料關聯群眾資料資料庫340、基地台資料庫342以及行政區資料庫344,以塑模出類神經網路學習模型310中類神經網路的至少一權重及至少一偏權值。群眾資料資料庫340以及基地台資料庫342提供至少一天線發射資訊以及至少一天線與使用者設備位置相關資訊,該天線發射資訊包括至少一發射角度資訊、至少一發射頻段資訊以及至少一基地台設置資訊,行政區資料庫344提供至少一基地台所在之行政區資訊。
具體來說,基地台資料庫342具有例如經緯度等位置資訊再結合該基地台所有經緯度樣本,即可計算對於基地台的角度,並取絕對值加總,計算群眾資料資料庫340中所有樣本的平均角度,並利用所有樣本的經緯度與所計算出的角度產生天線發射資訊以及天線與使用者設備位置相關資訊。行政區資訊可為基地台所在行政區的人口密度,其由行政區資料庫344取得之行政區人口與面積進行計算行政區的人口密度。在其它的實施例中,行政區資訊也可為基地台所在行政區的建築物密度,其可由行政區資料庫344取得之建築物資訊計算。
在本實施例中,歷史資料可為至少一實際場測資料以及至少一實際場測結果,或者利用其它方法查測之資料以及查測之結果,並且根據實際場測資料以及實際場測結果或者查測之資料以及查測之結果,塑模出類神經網路的權重及偏權值。
當歷史資料為至少一實際場測資料以及至少一實際場測結果時,歷史資料包含實際場測的經緯度資料及連結之基地台編號,並以該實際場測的經緯度資料及基地台編號關聯群眾資料資料庫340、基地台資料庫342以及行政區資料庫344,以獲得天線發射資訊、天線與實際場測位置相關資訊以及基地台所在之行政區資訊來塑模出該類神經網路。
當群眾外包作為利用實際場測以外的查測資料方法時,歷史資料則為至少一群眾外包資料以及至少一群眾外包資料結果。具體來說,群眾外包是由一群非特定人士所組成的志願者或是兼職人員一同完成工作,例如透過各種不同的應用程式(下文簡稱App),例如:Speedtest 這種網路測量App, 使用者設備只要安裝該種APP,於測速結束後,即可獲得使用者設備所連結之基站編號與使用者設備所在的經緯度資訊,而這些資料都被記錄於App提供者的資料庫,例如本實施例中的群眾資料資料庫340中,App提供者可定期出示包含基站編號與使用者設備所在的經緯度資訊之測速報表並提供電信業者參考或販售。
在本實施例中,為了訓練類神經網路學習模型,將預先蒐集根據實際場測資料以及群眾外包資料為訓練資料(Training Data),從訓練資料中擷取出資料的特徵(Features)幫助類神經網路學習模型判讀出目標,再告訴類神經網路學習模型每一個實際場測資料所對應到的實際場測結果或者每一個群眾外包資料所對應到的外包資料結果,由此讓類神經網路學習模型知道基地台涵蓋異常的類型。隨著訓練的資料量變大,當一筆新資料輸入類神經網路學習模型中,類神經網路學習模型即會自動判斷基地台涵蓋異常的查測結果。由於此方法訓練過程中告知答案,此為「監督式學習」(Supervised Learning)。
在其它實施例中,還可利用「非監督式學習」(Unsupervised Learning),訓練資料沒有標準答案、不需要事先輸入標籤,類神經網路學習模型在學習時並不知道其分類結果是否正確。訓練時僅須對類神經網路學習模型提供輸入範例,它會自動從這些範例中找出潛在的規則。
輸入資料模組320蒐集至少一使用者設備資料,使用者設備資料至少包含使用者設備所在的經緯度資料以及和使用者設備連結之基地台編號。在本實施例中,使用者設備可為可為智慧型行動電話等行動裝置,亦可具現為其它範例,例如筆記型電腦、機動車輛中的內置裝置、平板電腦等其它終端裝置。
預測資料運算模組330根據該權重及該偏權值,對該使用者設備資料進行運算以產生基地台涵蓋異常的查測結果,基地台涵蓋異常的查測結果至少包括天線接錯之異常類型、天線涵蓋超出預期範圍之異常類型、環境因素之異常類型以及正常類型。
下文將舉一個具體範例說明如何對該使用者設備資料進行運算以產生基地台涵蓋異常的查測結果:
預測資料運算模組330透過該經緯度資料與該基地台編號取得至少一天線發射資訊以及至少一天線與使用者設備位置相關資訊,並透過該基地台編號取得至少一基地台所在之行政區資訊。
接著,將該天線發射資訊、該天線與使用者設備位置相關資訊、該基地台所在之行政區資訊輸入類神經網路學習模型310中的類神經網路
最後,將類神經網路的輸出結果作為該基地台涵蓋異常的查測結果。
第四圖為依據本發明一實施例之基於類神經網路之基地台涵蓋異常的查測方法之流程圖,第五圖為依據本發明一實施例之基於類神經網路之基地台涵蓋異常的查測系統中的類神經網路的示意圖,下文請同時參考第四圖並配合參考第五圖。
雖然第四圖中顯示這些步驟具有順序性,但本發明所屬領域中具有通常知識者應可瞭解,在其他實施例中,某些步驟可以交換或者同時執行。
如第四圖所示,在步驟S402,蒐集歷史資料並建構類神經網路學習模型。在本實施例中,歷史資料可為至少一實際場測資料以及至少一實際場測結果,或者利用其它方法查測之資料以及查測之結果,並且根據實際場測資料以及實際場測結果或者查測之資料以及查測之結果。在本實施例中,將由使用者先建構類神經網路模型,並決定各個輸入節點的輸入資料為何,其中該類神經網路模型可為單層類神經網路模型或多層類神經網路模型。
於本實施例中,在步驟S402處,所建構之類神經網路學習模型中的類神經網路可為第五圖所示之類神經網路500。如圖所示,類神經網路500為兩層之類神經網路,其中第一隱藏層504的神經元個數可為13個,分別為節點504a~504m,第二隱藏層506的神經元個數可為8個,分別為節點506a~506h。
應了解,類神經網路500在此僅為例示,本發明並不限於使用兩層之類神經網路,而係可視需求使用一至多層的隱藏層神經元。各層類神經網路的神經元個數在此僅為例示,本發明並不限於使用多少個神經元,而係可視需求設置任意個數的神經元。
另外,於本實施例中,在步驟S402處,係以26個節點502a~502z做為作為第一層類神經網路504的輸入節點502,輸入節點502中包含三類資訊:天線發射資訊、天線與使用者設備位置相關資訊以及行政區資訊。
輸入節點502中15個包含天線發射資訊,其分別為節點502a~502o,節點502a~502o中所包含的天線發射資訊則分別為天線半功率角度、天線傾角-機械、天線傾角-電子、最大功率、發射功率、天線增益、水平波寬、垂直波寬、最小接入電頻、頻段為高頻、頻段為中頻、頻段為低頻、所屬基站Cell數、基站高度、最近鄰站距離。
輸入節點502中10個包含天線與使用者設備位置相關資訊,其分別為節點502p~502y,節點502p~502y中所包含的天線與使用者設備位置相關資訊則分別為涵蓋範圍與Cell射向夾角、該Cell涵蓋地點數、最多用戶地點與基站距離、同站Cell中,與用戶地點偏移角度最大值、同站Cell中,與用戶地點偏移角度最小值、200公尺範圍內、射向±30度有用戶的地點數、200~400公尺範圍內、射向±30度有用戶的地點數、400~600公尺範圍內、射向±30度有用戶的地點數、600~800公尺範圍內、射向±30度有用戶的地點數、800~1000公尺範圍內、射向±30度有用戶的地點數。
輸入節點502中1個包含行政區資訊,其為節點502z,節點502z中所包含的行政區資訊則為基地台所在行政區的人口密度資訊。
此外,於本實施例中,在步驟S402處,第二層類神經網路506的輸出節點508則為基地台涵蓋異常的查測結果包含5個節點508a~508e,分別為基站資料庫錯誤、天線接錯、天線涵蓋超出預期範圍、環境因素等4個異常類型以及1個正常類型。
應了解,輸入節點502以及輸出節點508的數目在此僅為例示,本發明並不限於使用多少個輸入節點以及輸出節點,而係可視需求設置任意個數的輸入節點以及輸出節點。
回到第四圖,於本實施例中,在步驟S402處,所建構之類神經網路可位於第三圖中之類神經網路學習模型310中,因此,下文請同時參考第四圖並配合參考第三圖。
在步驟S404,根據歷史資料關聯群眾資料資料庫340、基地台資料庫342以及行政區資料庫344,以塑模出類神經網路的至少一權重及至少一偏權值。在本實施例中,群眾資料資料庫340以及基地台資料庫342提供至少一天線發射資訊以及至少一天線與使用者設備位置相關資訊,該天線發射資訊包括至少一發射角度資訊、至少一發射頻段資訊以及至少一基地台設置資訊,行政區資料庫344提供至少一基地台所在之行政區資訊。
具體來說,基地台資料庫342具有例如經緯度等位置資訊再結合該基地台所有經緯度樣本,即可計算對於基地台的角度,並取絕對值加總,計算群眾資料資料庫340中所有樣本的平均角度,並利用所有樣本的經緯度與所計算出的角度產生天線發射資訊以及天線與使用者設備位置相關資訊。行政區資訊可為基地台所在行政區的人口密度,其由行政區資料庫344取得之行政區人口與面積進行計算行政區的人口密度。在其它的實施例中,行政區資訊也可為基地台所在行政區的建築物密度,其可由行政區資料庫344取得之建築物資訊計算。
在本實施例中,當歷史資料為至少一實際場測資料以及至少一實際場測結果時,歷史資料包含實際場測的經緯度資料及連結之基地台編號,並以該實際場測的經緯度資料及基地台編號關聯群眾資料資料庫340、基地台資料庫342以及行政區資料庫344,以獲得天線發射資訊、天線與實際場測位置相關資訊以及基地台所在之行政區資訊來塑模出該類神經網路。
當群眾外包作為利用實際場測以外的查測資料方法時,歷史資料則為至少一群眾外包資料以及至少一群眾外包資料結果。具體來說,群眾外包是由一群非特定人士所組成的志願者或是兼職人員一同完成工作,例如透過各種不同的App,例如:Speedtest 這種網路測量App, 使用者設備只要安裝該種APP,於測速結束後,即可獲得使用者設備所連結之基站編號與使用者設備所在的經緯度資訊,而這些資料都被記錄於App提供者的資料庫,例如本實施例中的群眾資料資料庫340中,App提供者可定期出示包含基站編號與使用者設備所在的經緯度資訊之測速報表並提供電信業者參考或販售。
在本實施例中,為了訓練類神經網路學習模型,將預先蒐集根據實際場測資料以及群眾外包資料為訓練資料,從訓練資料中擷取出資料的特徵幫助類神經網路學習模型判讀出目標,再告訴類神經網路學習模型每一個實際場測資料所對應到的實際場測結果或者每一個群眾外包資料所對應到的外包資料結果,由此讓類神經網路學習模型知道基地台涵蓋異常的類型。隨著訓練的資料量變大,當一筆新資料輸入類神經網路學習模型中,類神經網路學習模型即會自動判斷基地台涵蓋異常的查測結果。由於此方法訓練過程中告知答案,此為「監督式學習」。
在其它實施例中,還可利用「非監督式學習」,訓練資料沒有標準答案、不需要事先輸入標籤,類神經網路學習模型在學習時並不知道其分類結果是否正確。訓練時僅須對類神經網路學習模型提供輸入範例,它會自動從這些範例中找出潛在的規則。
在步驟S406,蒐集至少一使用者設備資料,其中使用者設備資料至少包含使用者設備所在的經緯度資料以及和使用者設備連結之基地台編號。
在步驟S408,根據權重及偏權值,對使用者設備資料進行運算,以產生基地台涵蓋異常的查測結果。下文舉一個具體範例說明如何對該使用者設備資料進行運算以產生基地台涵蓋異常的查測結果。
第六圖為依據本發明一實施例之對該使用者設備資料進行運算以產生基地台涵蓋異常的查測結果之流程圖,請同時參考第六圖並配合參考上述第三圖及第五圖。
如第六圖所示,在步驟S602,對該使用者設備資料進行運算先取得天線發射資訊、天線與使用者設備位置相關資訊以及行政區資訊。由於類神經網路500的輸入節點502中包含三類資訊:天線發射資訊、天線與使用者設備位置相關資訊以及行政區資訊,因此,需要先對該使用者設備資料進行運算先取得天線發射資訊、天線與使用者設備位置相關資訊以及行政區資訊。
具體來說,由於輸入節點502中15個包含天線發射資訊,輸入節點502中10個包含天線與使用者設備位置相關資訊,因此,需先透過該經緯度資料與該基地台編號取得至少一天線發射資訊以及至少一天線與使用者設備位置相關資訊。舉例來說,基地台資料庫342具有例如經緯度等位置資訊再結合該基地台所有經緯度樣本,即可計算對於基地台的角度,並取絕對值加總,計算群眾資料資料庫340中所有樣本的平均角度,並利用所有樣本的經緯度與所計算出的角度產生天線發射資訊以及天線與使用者設備位置相關資訊。
具體來說,由於輸入節點502中1個包含行政區資訊,將透過該基地台編號取得至少一基地台所在之行政區資訊。舉例來說,行政區資訊可為基地台所在行政區的人口密度,其由行政區資料庫344取得之行政區人口與面積進行計算行政區的人口密度。在其它的實施例中,行政區資訊也可為基地台所在行政區的建築物密度,其可由行政區資料庫344取得之建築物資訊計算。
在步驟S604,將天線發射資訊、天線與使用者設備位置相關資訊以及行政區資訊輸入類神經網路。取得天線發射資訊、天線與使用者設備位置相關資訊以及行政區資訊後,將天線發射資訊、天線與使用者設備位置相關資訊以及行政區資訊輸入類神經網路500。
在步驟S606,將類神經網路的輸出結果作為該基地台涵蓋異常的查測結果。將天線發射資訊、天線與使用者設備位置相關資訊以及行政區資訊輸入類神經網路500後,類神經網路506的輸出節點508即為基地台涵蓋異常的查測結果,其分別為基站資料庫錯誤、天線接錯、天線涵蓋超出預期範圍、環境因素等4個異常類型以及1個正常類型。
綜上所述,本發明的特點在於提供一種基於類神經網路之基地台涵蓋異常的查測系統和方法,其一方面能使電信營運商之工程師有效率地找出基地台涵蓋異常類型,另一方面又能節省電信營運商之運營成本。
100、102:涵蓋範圍200:神經網路系統S1、S2:輸入節點S3、S4 、S5:隱藏層神經元S6:輸出節點300:基地台涵蓋異常的查測系統310:類神經網路學習模型320:輸入資料模組330:預測資料運算模組340:群眾資料資料庫342:基地台資料庫344:行政區資料庫S402:步驟S404:步驟S406:步驟S408:步驟502:輸入節點502a~502z:節點504:第一隱藏層504a~504m:節點506:第二隱藏層506a~506h:節點508:輸出節點508a~508e:節點500:類神經網路S602:步驟S604:步驟S606:步驟
參照下列圖式與說明,可更進一步理解本發明。非限制性與非窮舉性實例系參照下列圖式而描述。在圖式中的構件並非必須為實際尺寸;重點在於說明結構及原理。 第一圖為現有基地台訊號之涵蓋範圍的示意圖。 第二圖為一般類神經網路系統的示意圖。 第三圖為依據本發明一實施例之基於類神經網路之基地台涵蓋異常的查測系統之架構圖。 第四圖為依據本發明一實施例之基於類神經網路之基地台涵蓋異常的查測方法之流程圖。 第五圖為依據本發明一實施例之基於類神經網路之基地台涵蓋異常的查測系統中的類神經網路的示意圖。 第六圖為依據本發明一實施例之對該使用者設備資料進行運算以產生基地台涵蓋異常的查測結果之流程圖。
300:基地台涵蓋異常的查測系統
310:類神經網路學習模型
320:輸入資料模組
330:預測資料運算模組
340:群眾資料資料庫
342:基地台資料庫
344:行政區資料庫
Claims (19)
- 一種基於類神經網路之基地台涵蓋異常的查測系統,包含:一類神經網路學習模型,根據一歷史資料關聯一群眾資料資料庫與一基地台資料庫,以塑模出一類神經網路的至少一權重及至少一偏權值;一輸入資料模組,蒐集至少一使用者設備資料,該使用者設備資料至少包含該使用者設備所在的一經緯度資料以及和該使用者設備連結之一基地台編號;以及一預測資料運算模組,根據該權重及該偏權值,對該使用者設備資料進行運算,以產生一基地台涵蓋異常的查測結果。
- 如申請專利範圍第1所述之基地台涵蓋異常的查測系統,其中該群眾資料資料庫以及該基地台資料庫提供至少一天線發射資訊以及至少一天線與使用者設備位置相關資訊。
- 如申請專利範圍第2所述之基地台涵蓋異常的查測系統,其中該天線發射資訊包括至少一發射角度資訊、至少一發射頻段資訊以及至少一基地台設置資訊。
- 如申請專利範圍第1所述之基地台涵蓋異常的查測系統,其中該類神經網路學習模型根據該歷史資料進一步關聯一行政區資料庫,以塑模出該類神經網路。
- 如申請專利範圍第4所述之基地台涵蓋異常的查測系統,其中該行政區資料庫提供至少一基地台所在之行政區資訊。
- 如申請專利範圍第5所述之基地台涵蓋異常的查測系統,其中該行政區資訊包含人口密度及/或建築物密度。
- 如申請專利範圍第5所述之基地台涵蓋異常的查測系統,其中該預測資料運算模組透過該經緯度資料與該基地台編號取得至少一天線發射資訊以及至少一天線與使用者設備位置相關資訊,並透過該基地台編號取得至少一基地台所在之行政區資訊;將該天線發射資訊、該天線與該使用者設備位置相關資訊、該基地台所在之行政區資訊輸入該類神經網路;及將該類神經網路的一輸出結果作為該基地台涵蓋異常的查測結果。
- 如申請專利範圍第5所述之基地台涵蓋異常的查測系統,其中該歷史資料包含實際場測的經緯度資料及連結之基地台編號,並以該實際場測的經緯度資料及該基地台編號關聯該群眾資料資料庫、該基地台資料庫與該行政區資料庫,以獲得天線發射資訊、天線與實際場測位置相關資訊以及該基地台所在之行政區資訊來塑模出該類神經網路。
- 如申請專利範圍第1所述之基地台涵蓋異常的查測系統,其中該基地台涵蓋異常的查測結果選自以下其中之一:一天線接錯之異常類型、一天線涵蓋超出預期範圍之異常類型、一環境因素之異常類型以及一正常類型。
- 如申請專利範圍第1所述之基地台涵蓋異常的查測系統,其中該歷史資料包括至少一群眾外包資料以及至少一群眾外包資料結果。
- 一種基於類神經網路之基地台涵蓋異常的查測方法,包含以下步驟:蒐集一歷史資料;根據該歷史資料關聯一群眾資料資料庫與一基地台資料庫,以塑模出一類神經網路的至少一權重及至少一偏權值; 蒐集至少一使用者設備資料,該使用者設備資料至少包含該使用者設備所在的一經緯度資料以及和該使用者設備連結之一基地台編號;以及根據該權重及該偏權值,對該使用者設備資料進行運算,以產生一基地台涵蓋異常的查測結果。
- 如申請專利範圍第11所述之基地台涵蓋異常的查測方法,其中該群眾資料資料庫以及該基地台資料庫提供至少一天線發射資訊以及至少一天線與使用者設備位置相關資訊。
- 如申請專利範圍第12所述之基地台涵蓋異常的查測方法,其中該天線發射資訊包括至少一發射角度資訊、至少一發射頻段資訊以及至少一基地台設置資訊。
- 如申請專利範圍第12所述之基地台涵蓋異常的查測方法,更包括:蒐集該歷史資料包含實際場測的經緯度資料及連結之基地台編號;以及以該實際場測的經緯度資料及該連結之基地台編號關聯該群眾資料資料庫與該基地台資料庫,以獲得該天線發射資訊、該天線與實際場測位置相關資訊來塑模出該類神經網路。
- 如申請專利範圍第11所述之基地台涵蓋異常的查測方法,更包括:根據該歷史資料關聯一行政區資料庫,該行政區資料庫包括至少一基地台所在之行政區資訊,以塑模出該類神經網路。
- 如申請專利範圍第11所述之基地台涵蓋異常的查測方法,更包括:蒐集該歷史資料包含至少一群眾外包資料以及至少一群眾外包資料結果,關聯該群眾資料資料庫與該基地台資料庫,以塑模出該類神經網路。
- 如申請專利範圍第11所述之基地台涵蓋異常的查測方法,其中該基地台涵蓋異常的查測結果選自以下其中之一:一天線接錯之異常類型、一天線涵蓋超出預期範圍之異常類型、一環境因素之異常類型以及一正常類型。
- 如申請專利範圍第11所述之基地台涵蓋異常的查測方法,其中根據該權重及該偏權值,對該使用者設備資料進行運算,以產生一基地台涵蓋異常的查測結果的步驟更包括:透過該使用者設備所在的經緯度資料與該使用者設備連結之基地台編號從該群眾資料資料庫與該基地台資料庫取得至少一天線發射資訊以及至少一天線與使用者設備位置相關資訊;將該天線發射資訊、該天線與該使用者設備位置相關資訊輸入該類神經網路;及將該類神經網路的一輸出結果作為該基地台涵蓋異常的查測結果。
- 如申請專利範圍第18所述之基地台涵蓋異常的查測方法,更包括:透過該基地台編號從一行政區資料庫取得至少一基地台所在之行政區資訊;以及將該行政區資訊輸入該類神經網路。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108103314A TWI708195B (zh) | 2019-01-29 | 2019-01-29 | 基於類神經網路之基地台涵蓋異常的查測系統和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108103314A TWI708195B (zh) | 2019-01-29 | 2019-01-29 | 基於類神經網路之基地台涵蓋異常的查測系統和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202029069A TW202029069A (zh) | 2020-08-01 |
TWI708195B true TWI708195B (zh) | 2020-10-21 |
Family
ID=73002670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108103314A TWI708195B (zh) | 2019-01-29 | 2019-01-29 | 基於類神經網路之基地台涵蓋異常的查測系統和方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI708195B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201216673A (en) * | 2010-10-07 | 2012-04-16 | Chunghwa Telecom Co Ltd | Real-time traffic information collection system and method based on the mobile phone network signal analysis |
TW201236493A (en) * | 2011-02-23 | 2012-09-01 | Chunghwa Telecom Co Ltd | Method of recording and measuring data for use in CPE of mobile communication system |
TWI469664B (zh) * | 2008-03-27 | 2015-01-11 | Qualcomm Inc | 功率高效的小型基地台掃描和探測 |
CN104573216A (zh) * | 2014-12-31 | 2015-04-29 | 深圳职业技术学院 | 一种天线性能的优化方法及装置 |
CN107222867A (zh) * | 2017-06-22 | 2017-09-29 | 刘诗楠 | 无线信号检测的方法、装置及无线信号检测设备 |
US20180210425A1 (en) * | 2016-05-09 | 2018-07-26 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for the industrial internet of things |
TW201839607A (zh) * | 2017-04-24 | 2018-11-01 | 美商英特爾股份有限公司 | 用於深神經網路之計算最佳化機制 |
-
2019
- 2019-01-29 TW TW108103314A patent/TWI708195B/zh active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI469664B (zh) * | 2008-03-27 | 2015-01-11 | Qualcomm Inc | 功率高效的小型基地台掃描和探測 |
TW201216673A (en) * | 2010-10-07 | 2012-04-16 | Chunghwa Telecom Co Ltd | Real-time traffic information collection system and method based on the mobile phone network signal analysis |
TW201236493A (en) * | 2011-02-23 | 2012-09-01 | Chunghwa Telecom Co Ltd | Method of recording and measuring data for use in CPE of mobile communication system |
CN104573216A (zh) * | 2014-12-31 | 2015-04-29 | 深圳职业技术学院 | 一种天线性能的优化方法及装置 |
US20180210425A1 (en) * | 2016-05-09 | 2018-07-26 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for the industrial internet of things |
TW201839607A (zh) * | 2017-04-24 | 2018-11-01 | 美商英特爾股份有限公司 | 用於深神經網路之計算最佳化機制 |
CN107222867A (zh) * | 2017-06-22 | 2017-09-29 | 刘诗楠 | 无线信号检测的方法、装置及无线信号检测设备 |
Also Published As
Publication number | Publication date |
---|---|
TW202029069A (zh) | 2020-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103068035B (zh) | 一种无线网络定位方法、装置及系统 | |
Alimpertis et al. | City-wide signal strength maps: Prediction with random forests | |
US11729631B2 (en) | System and method of automatic outdoor small cell planning | |
US20140171104A1 (en) | Mobile Communication System | |
KR20160133716A (ko) | 측위 환경 분석 장치, 이를 이용한 단말기의 위치 결정 성능 예측 방법 및 시스템 | |
Chou et al. | A REM-enabled diagnostic framework in cellular-based IoT networks | |
CN113498095A (zh) | 用于预测无线通信链路的未来服务质量的方法、装置和计算机程序 | |
CN117082547A (zh) | 小区异常检测方法、装置、电子设备和可读存储介质 | |
Fernandes et al. | Comparison of artificial intelligence and semi-empirical methodologies for estimation of coverage in mobile networks | |
Fortes et al. | Location-based distributed sleeping cell detection and root cause analysis for 5G ultra-dense networks | |
WO2023103598A1 (zh) | 基站开站方法、装置、电子设备和计算机可读存储介质 | |
Ingabire et al. | Performance evaluation of propagation models for lorawan in an urban environment | |
TWI708195B (zh) | 基於類神經網路之基地台涵蓋異常的查測系統和方法 | |
Wang et al. | Mobile device localization in 5G wireless networks | |
CN116528282B (zh) | 覆盖场景识别方法、装置、电子设备和可读存储介质 | |
Alves et al. | A novel approach for user equipment indoor/outdoor classification in mobile networks | |
Megnafi et al. | Creation of an application under MapBasic for the drive test reports automation in cellular networks | |
Ekpenyong et al. | Intelligent Test Bed Tuning for Improved Wireless Local Area Network Service Quality in Academic Environments | |
Asaad et al. | Novel integrated matching algorithm using a deep learning algorithm for Wi-Fi fingerprint-positioning technique in the indoors-IoT era | |
Wang et al. | Configurations and diagnosis for ultra-dense heterogeneous networks: From empirical measurements to technical solutions | |
Dahi et al. | Models and solvers for coverage optimisation in cellular networks: Review and analysis | |
JP7431415B2 (ja) | 情報処理装置および情報処理方法 | |
Azoulay et al. | Machine learning techniques for received signal strength indicator prediction | |
EP3783925B1 (en) | Determination of indoor/outdoor in mobile networks using deep learning | |
Fathi Alshweihdi et al. | Location Prediction in Mobile Cellular Networks: Machine Learning Approach |