【技术实现步骤摘要】
本专利技术属于5g规划，具体涉及基于连续聚类算法的5g站址规划和区域聚类方法。
技术介绍
1、随着5g技术的快速发展，对基站建设的需求越来越大，移动通信网络的规划特别是站址选择难度越来越大，因此基站站点的布局规划尤为重要，5g虽可大量共址原有4g站址，但由于5g-nr发射功率提升，波束赋形、3d-mimo天线技术和抗干扰技术的应用，使得nr覆盖性能与lte完全不同，再加上5g新业务需加大站点部署密度，因此不能完全按现有站址1:1建设5g，仍需部分共址部分新建；目前5g站址规划方法主要基于人工规划或者简单的密度聚类算法输出，人工规划方法虽然准确度较高，但是需投人大量人力资源，较大程度依赖规划设计人员的经验和学识等，耗时长且过程繁琐，因此人工规划方法只能适用于小范围(补点)的站址规划，无法适用于5g大范围及全网的站址规划；因此，提供一种采用基于栅格密度连续聚类算法、提升站址规划精准性、对弱覆盖点群合理聚类的基于连续聚类算法的5g站址规划和区域聚类方法是非常有必要的。
技术实现思路
1、本专利技术的目的是为了克服现有技术的不足，而提供一种采用基于栅格密度连续聚类算法、提升站址规划精准性、对弱覆盖点群合理聚类的基于连续聚类算法的5g站址规划和区域聚类方法。
2、本专利技术的目的是这样实现的：基于连续聚类算法的5g站址规划和区域聚类方法，所述方法包括以下步骤：
3、步骤1：采用基于栅格密度的连续聚类算法的5g站址敏捷规划方法，快速识别弱覆盖区域，并通过连续聚类算法给出
4、步骤2：分析弱覆盖点与基站的几何距离关系，并在基站建设种类的判断下，找出弱覆盖点的最优建设基站群，对弱覆盖点群进行合理的聚类；
5、步骤3：采用粒子群迭代算法将5g基站规划站址各参数进行迭代运算，选取基站覆盖面积、基站话务量以及建设成本关键因素作为子目标函数，最终确定5g最佳站址的总目标函数。
6、步骤1具体包括以下步骤：
7、步骤1.1：弱覆盖栅格数据前置处理；
8、步骤1.2：dbscan密度聚类；
9、步骤1.3：k-means聚类；
10、步骤1.4：规划站址输出；
11、步骤1.5：小区初始工参规划。
12、所述步骤1.1中的弱覆盖栅格数据前置处理，具体包括以下步骤：
13、步骤1.11：筛选rsrp_0小于弱覆盖阈值n的栅格数据；
14、步骤1.12：筛选弱覆盖栅格距离主控小区(antenna_0)的距离大于弱覆盖距离阈值d的栅格数据；
15、步骤1.13：协同过滤后的数据将同一栅格不同高度的rsrp_0取平均值。
16、所述步骤1.2中的dbscan密度聚类，具体包括以下步骤：
17、步骤1.21：输入数据源集(主要涉及5g站址初始化数据)记为d；
18、步骤1.22：标记集合d所有对象为unvisited状态；
19、步骤1.23：在集合d内随机选择1个unvisited状态的对象为d；
20、步骤1.24：预设参数eps为指定圆半径及参数minpts，如果以p为圆心，eps的邻域内至少有minpts个对象，则创建一个新簇c；
21、步骤1.25：令n为p的eps邻域的对象集合，对于n中的每个点都重复(4)步骤，所有满足条件的对象形成同一聚类c′；
22、步骤1.26：如果通过上述步骤，仍有对象不属于任何簇群，则标记为噪点，最终输出以参数eps与minpts为约束条件的密度聚类结果。
23、所述步骤1.3中的k-means聚类，具体包括以下步骤：
24、步骤1.31：输入数据源，数据集d以及预设聚类簇数k；
25、步骤1.32：在数据集d内随机取k个对象作为初始聚类中心；
26、步骤1.33：计算每个对象与各个种子聚类中心之间的距离，将每个对象分配给距离其最近的聚类中心；聚类中心及分配给它们的对象就为一个聚类簇群；
27、步骤1.34：每分配一个样本，聚类的聚类中心就会根据聚类中现有对象重新计算，这个过程将循环重复，直到没有对象被重新分配给不同簇群或没有聚类中心发生变化为止；
28、步骤1.35：根据上述步骤可最终得出k-means第2次聚类结果。
29、所述步骤3中的基站覆盖面积子目标函数，具体为：基站可覆盖范围用目标值f1可表示为：其中，λ为盲区损失调整系数；s为基站优化区域的总面积；si代表某个基站的覆盖面积；cij代表基站间覆盖重叠区面积；m代表共址站数量；n代表新址站数量。
30、所述步骤3中的基站话务量子目标函数，具体为：将变量与目标值呈反比关系，将话务容量放置在分母中，因此将话务容量的目标函数修正为：式中，α表示修正值；ami代表共址站原有lte日均总流量；ani代表新址站周边站点的平均日均总流量。
31、所述步骤3中的建设成本子目标函数，具体为：目标函数为：式中，cmi代表共址站建站成本；cni代表新址站建设成本。
32、所述步骤3中的5g最佳站址总目标函数，具体为：采用层次分析法将3个子目标函数归一化处理，最终将3个子目标函数变量转化为同一度量下的值；最终，总体优化目标函数为：f＝ω1f1′+ω2f2′+ω3f3′，其中，ωi代表各子目标函数的权重；fi′代表归一化后的值。
33、本专利技术的有益效果：本专利技术为基于连续聚类算法的5g站址规划和区域聚类方法，在使用中，本专利技术通过聚类算法结合地图信息快速地识别弱覆盖区域，并通过连续聚类算法给出合理的加站建议和初始工参规划建议，从而弥补现有人工规划效率较低和单次聚类准确性不佳等缺点；本专利技术分析弱覆盖点与基站的几何距离关系，并在基站建设种类的判断下，找出使弱点总业务量达到90％的最优建设基站群，对弱覆盖点群进行合理的聚类；本专利技术采用粒子群迭代优化算法将5g基站规划站址各参数进行迭代运算，选取基站覆盖面积、基站话务量以及建站成本3个关键因素作为子目标函数，最终确定5g最佳站址的总目标函数；本专利技术具有采用基于栅格密度连续聚类算法、提升站址规划精准性、对弱覆盖点群合理聚类的优点。。
本文档来自技高网...【技术保护点】
1.基于连续聚类算法的5G站址规划和区域聚类方法，其特征在于：所述方法包括以下步骤：
2.如权利要求1所述的基于连续聚类算法的5G站址规划和区域聚类方法，其特征在于：所述步骤1具体包括以下步骤：
3.如权利要求2所述的基于连续聚类算法的5G站址规划和区域聚类方法，其特征在于：所述步骤1.1中的弱覆盖栅格数据前置处理，具体包括以下步骤：
4.如权利要求2所述的基于连续聚类算法的5G站址规划和区域聚类方法，其特征在于：所述步骤1.2中的DBSCAN密度聚类，具体包括以下步骤：
5.如权利要求2所述的基于连续聚类算法的5G站址规划和区域聚类方法，其特征在于：所述步骤1.3中的K-Means聚类，具体包括以下步骤：
6.如权利要求1所述的基于连续聚类算法的5G站址规划和区域聚类方法，其特征在于：所述步骤3中的基站覆盖面积子目标函数，具体为：基站可覆盖范围用目标值f1可表示为：其中，λ为盲区损失调整系数；S为基站优化区域的总面积；Si代表某个基站的覆盖面积；Cij代表基站间覆盖重叠区面积；m代表共址站数量；n代表新址站数量。>
7.如权利要求6所述的基于连续聚类算法的5G站址规划和区域聚类方法，其特征在于：所述步骤3中的基站话务量子目标函数，具体为：将变量与目标值呈反比关系，将话务容量放置在分母中，因此将话务容量的目标函数修正为：式中，α表示修正值；AMi代表共址站原有LTE日均总流量；ANi代表新址站周边站点的平均日均总流量。
8.如权利要求7所述的基于连续聚类算法的5G站址规划和区域聚类方法，其特征在于：所述步骤3中的建设成本子目标函数，具体为：目标函数为：式中，CMi代表共址站建站成本；CNi代表新址站建设成本。
9.如权利要求8所述的基于连续聚类算法的5G站址规划和区域聚类方法，其特征在于：所述步骤3中的5G最佳站址总目标函数，具体为：采用层次分析法将3个子目标函数归一化处理，最终将3个子目标函数变量转化为同一度量下的值；最终，总体优化目标函数为：F＝ω1f1′+ω2f2′+ω3f3′，其中，ωi代表各子目标函数的权重；fi′代表归一化后的值。
...【技术特征摘要】
1.基于连续聚类算法的5g站址规划和区域聚类方法，其特征在于：所述方法包括以下步骤：
2.如权利要求1所述的基于连续聚类算法的5g站址规划和区域聚类方法，其特征在于：所述步骤1具体包括以下步骤：
3.如权利要求2所述的基于连续聚类算法的5g站址规划和区域聚类方法，其特征在于：所述步骤1.1中的弱覆盖栅格数据前置处理，具体包括以下步骤：
4.如权利要求2所述的基于连续聚类算法的5g站址规划和区域聚类方法，其特征在于：所述步骤1.2中的dbscan密度聚类，具体包括以下步骤：
5.如权利要求2所述的基于连续聚类算法的5g站址规划和区域聚类方法，其特征在于：所述步骤1.3中的k-means聚类，具体包括以下步骤：
6.如权利要求1所述的基于连续聚类算法的5g站址规划和区域聚类方法，其特征在于：所述步骤3中的基站覆盖面积子目标函数，具体为：基站可覆盖范围用目标值f1可表示为：其中，λ为盲区损失调整系数；s为基站优化区域的总面积；si代表某个基站的覆盖面积；cij代表基站...
【专利技术属性】
技术研发人员：闫好霖，王婷婷，李文征，马鸿君，尚典，李梦悦，孙辉，董捷，
申请(专利权)人：国网河南省电力公司南阳供电公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。