一种基于无AOA的规划站覆盖预测方法技术

本发明专利技术公开了一种基于无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。本发明专利技术基于无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。本发明专利技术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。确保网络资源投入效益。确保网络资源投入效益。

【技术实现步骤摘要】
一种基于无AOA的规划站覆盖预测方法


[0001]本专利技术涉及无线通信数据分析
，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。

技术介绍

[0002]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。
[0003]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。
[0004]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。

技术实现思路

[0005]有鉴于此，本专利技术提出一种基于无AOA的规划站覆盖预测方法，本专利技术基于无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。
[0006]为了实现上述目的，本专利技术提供的技术方案是：
[0007]一种基于无AOA的规划站覆盖预测方法，包括以下步骤：
[0008]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Area
i
、周长Perimeter
i
以及重心Focus
i
(cx',cy')：
[0009]Area
i
＝∑s[i][0010]Perimeter
i
＝∑l[i][0011]Focus
i
(cx',cy')＝((∑cx[i]*s[i])/∑s[i]/3，(∑cy[i]*s[i])/∑s[i]/3)
[0012]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；
[0013]以重心Focus
i
(cx',cy')作为规划站的站址位置Location
i
，同时以重心Focus
i
(cx',cy')为圆心，以正北方向为0度，计算其正负Angle
bandwidth
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Angle
bandwidth
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Angle
bandwidth
度夹角范围内弱覆盖栅格数Grid
359
；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Grid
n
所对应的方向角Bearing
n
作为规划站小区的方向角Azimuth
i
‑
n
，规划站小区方向角之间的夹角大于最小阈值夹角Angle
min
；
[0014]以规划站位置Location
i
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Location
i
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Hight
i
、下倾角Downtilt
i
‑
n
，从而得到规划站初始方案；其中：
[0015][0016][0017]式中，Hight
t
和Downtilt
t
分别标识第t个相邻小区的站高和下倾角；
[0018]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；
[0019]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；
[0020]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Downtilt
j
，结合MR信息中修正的TADV时间提前量，最终得到MR经纬度(Lon
j
,Lat
j
)，从而实现现网小区全量MR的覆盖呈现；MR经纬度(Lon
j
,Lat
j
)计算函数如下:
[0021](Lon
j
,Lat
j
)＝getLocation(lon
cell
,lat
cell
,Direction
j
,TADV
j
)
[0022]其中，lon
cell
,lat
cell
,Direction
j
,TADV
j
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；
[0023]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：
[0024]Best_model＝getmodel(gpid,df)
[0025]其中，gpid为簇的标签，df为周围相邻小区全量MR集合；
...

【技术保护点】

【技术特征摘要】
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Area
i
、周长Perimeter
i
以及重心Focus
i
(cx',cy')：Area
i
＝∑s[i]Perimeter
i
＝∑l[i]Focus
i
(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Focus
i
(cx',cy')作为规划站的站址位置Location
i
，同时以重心Focus
i
(cx',cy')为圆心，以正北方向为0度，计算其正负Angle
bandwidth
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Angle
bandwidth
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Angle
bandwidth
度夹角范围内弱覆盖栅格数Grid
359
；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Grid
n
所对应的方向角Bearing
n
作为规划站小区的方向角Azimuth
i
‑
n
，规划站小区方向角之间的夹角大于最小阈值夹角Angle
min
；以规划站位置Location
i
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Location
i
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Hight
i
、下倾角Downtilt
i
‑
n
，从而得到规划站初始方案；其中：站初始方案；其中：式中，Hight
t
和Downtilt
t
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...

【专利技术属性】
技术研发人员：安新朝，刘瑞强，范明明，赵敏，卢云鹏，蔡俊青，霍琼，
申请(专利权)人：中国电信股份有限公司河北分公司，
类型：发明
国别省市：