CN107318114A - 一种邻区规划的方法及装置 - Google Patents

Abstract

本发明提供了一种邻区规划的方法及装置，涉及通信领域，解决现有技术中人工规划方法存在维度单一，准确性不足，人力物力耗费大，效率低，且邻区规划片面、被动的问题。该方法包括：获取预定区域范围内每个小区的预设多维数据信息；根据所述多维数据信息，构建每个小区与对应历史邻区间的多维干扰矩阵；根据所述多维干扰矩阵及预设规则参数，为每个小区规划对应的邻区。本发明的方案基于多维数据进行邻区规划优化分析，达到了范围全面、重点清晰的目的，实现了数据之间的相互印证和补充，提高了规划的准确性；且实现了邻区规划优化的精准自动化分析，节省了人力物力资源，提高了工作效率。

Description

一种邻区规划的方法及装置

技术领域

本发明涉及通信领域，特别涉及一种邻区规划的方法及装置。

背景技术

随着LTE(Long Term Evolution，长期演进)网络的规划、建立和运营，网络规模不断发展，网络结构也愈加复杂。尤其当前2、3、4G网络同时存在，在业务上相互补充，互为依托，使得整张通信网络不断成熟。与此同时，多制式之间邻区配置等互操作相关参数优化也愈加复杂。

但目前规划人员主要还是依靠主观经验，基于人工操作调整对邻区进行规划优化和跨制式间复杂的网络配置，没有很好的方法来克服。

如上所述，目前并没有切实可行的办法对邻区规划存在的问题进行解决，按照通常所行的人工规划方法，主要存在如下的缺点：

1、维度单一、准确性不足：由于网络规模比较大，数据庞杂，主要依赖工参进行规划，准确性无法保证，而且伴随着后续各种因素导致的覆盖变化，工程期的邻区配置已不能满足网络质量提升的需要。

2、人力物力耗费大，效率低：由于跨制式间网络配置的复杂性，使目前工作量巨大，由于目前邻区规划优化依靠人工操作调整，因此造成巨大的人力费用，并且效率比较低。

3、邻区优化的片面和被动：当前的邻区优化都是问题驱动被动型，只解决了点(投诉)和线(路测)的问题，不能发现整网邻区的合理性问题。

发明内容

本发明要解决的技术问题是提供一种邻区规划的方法及装置，解决现有人工规划方法存在维度单一，准确性不足，人力物力耗费大，效率低，且邻区规划片面、被动的问题。

为解决上述技术问题，本发明的实施例提供一种邻区规划的方法，包括：

获取预定区域范围内每个小区的预设多维数据信息；

根据所述多维数据信息，构建每个小区与对应历史邻区间的多维干扰矩阵；

根据所述多维干扰矩阵及预设规则参数，为每个小区规划对应的邻区。

其中，所述获取预定区域范围内每个小区的预设多维数据信息的步骤包括：

获取预定区域范围内每个小区的基础数据、测量报告MR数据、扫频数据和话务量数据，所述基础数据包括工参配置数据、切换数据、历史邻区关系数据。

其中，所述根据所述多维数据信息，构建每个小区与对应历史邻区间的多维干扰矩阵的步骤包括：

采用预设大小的栅格对所述预定区域进行划分，并对每个栅格中归属于不同网络制式的多维数据信息进行汇聚处理；

根据经过汇聚处理的所述多维数据信息，构建不同网络制式下每个小区与对应历史邻区间的MR干扰矩阵、扫频干扰矩阵和工参配置干扰矩阵；

对所述MR干扰矩阵、所述扫频干扰矩阵和所述工参配置干扰矩阵进行加权融合，得到第一融合干扰矩阵。

其中，所述根据经过汇聚处理的所述多维数据信息，构建不同网络制式下每个小区与对应历史邻区间的MR干扰矩阵、扫频干扰矩阵和工参配置干扰矩阵的步骤包括：

在经过汇聚处理的所述MR数据中，获取每个小区与对应历史邻区在不同网络制式对应MR电平类型的MR电平参数，并根据所述MR电平参数，获取每个小区与对应历史邻区间的第一相关性；

根据所述第一相关性，构建每个小区与对应历史邻区间的MR干扰矩阵；

在经过汇聚处理的所述扫频数据中，获取每个小区与对应历史邻区在不同网络制式对应扫频电平类型的扫频电平参数，并根据所述扫频电平参数，获取每个小区与对应历史邻区间的第二相关性；

根据所述第二相关性，构建每个小区与对应历史邻区间的扫频干扰矩阵；

根据经过汇聚处理的所述工参配置数据，获取每个小区与对应历史邻区在不同网络制式的配置结构下的理想覆盖范围，并根据所述理想覆盖范围，获取每个小区与对应历史邻区间的第三相关性；

根据所述第三相关性，构建每个小区与对应历史邻区间的工参配置干扰矩阵。

其中，所述根据所述多维数据信息，构建每个小区与对应历史邻区间的多维干扰矩阵的步骤还包括：

根据经过汇聚处理的所述切换数据，构建不同网络制式下每个小区与对应历史邻区间的切换干扰矩阵；

对所述切换干扰矩阵和所述第一融合干扰矩阵进行加权融合，得到第二融合干扰矩阵。

其中，所述对所述MR干扰矩阵、所述扫频干扰矩阵和所述工参配置干扰矩阵进行加权融合，得到第一融合干扰矩阵之前，所述方法还包括：

根据经过汇聚处理的所述话务量数据，对所述MR干扰矩阵、所述扫频干扰矩阵和所述工参配置干扰矩阵分别进行话务量加权。

其中，所述根据所述多维数据信息，构建每个小区与对应历史邻区间的多维干扰矩阵之前，所述方法还包括：

对扫频不完整的数据、缺少经纬度的数据及电平值低于预设阈值的数据进行舍弃处理；

获取所述MR数据和所述扫频数据中属于同经纬度的电平数据的平均值。

其中，所述根据所述多维干扰矩阵及预设规则参数，为每个小区规划对应的邻区的步骤包括：

根据所述工参配置数据，获取每个小区的实际覆盖范围；

根据所述多维干扰矩阵、预设规则参数及每个小区的实际覆盖范围，采用遗传算法为每个小区规划对应的邻区。

为解决上述技术问题，本发明的实施例还提供一种邻区规划的装置，包括：

获取模块，用于获取预定区域范围内每个小区的预设多维数据信息；

构建模块，用于根据所述多维数据信息，构建每个小区与对应历史邻区间的多维干扰矩阵；

规划模块，用于根据所述多维干扰矩阵及预设规则参数，为每个小区规划对应的邻区。

其中，所述获取模块包括：

第一获取单元，用于获取预定区域范围内每个小区的基础数据、测量报告MR数据、扫频数据和话务量数据，所述基础数据包括工参配置数据、切换数据、历史邻区关系数据。

其中，所述构建模块包括：

栅格化单元，用于采用预设大小的栅格对所述预定区域进行划分，并对每个栅格中归属于不同网络制式的多维数据信息进行汇聚处理；

第一构建单元，用于根据经过汇聚处理的所述多维数据信息，构建不同网络制式下每个小区与对应历史邻区间的MR干扰矩阵、扫频干扰矩阵和工参配置干扰矩阵；

第二融合单元，用于对所述MR干扰矩阵、所述扫频干扰矩阵和所述工参配置干扰矩阵进行加权融合，得到第一融合干扰矩阵。

其中，所述构建模块还包括：

第二构建单元，用于根据经过汇聚处理的所述切换数据，构建不同网络制式下每个小区与对应历史邻区间的切换干扰矩阵；

第二融合单元，用于对所述切换干扰矩阵和所述第一融合干扰矩阵进行加权融合，得到第二融合干扰矩阵。

其中，所述规划模块包括：

第二获取单元，用于根据所述工参配置数据，获取每个小区的实际覆盖范围；

规划单元，用于根据所述多维干扰矩阵、预设规则参数及每个小区的实际覆盖范围，采用遗传算法为每个小区规划对应的邻区。

本发明的上述技术方案的有益效果如下：

本发明实施例的邻区规划的方法，首先获取预定区域范围内每个小区的预设多维数据信息；然后根据多维数据信息，构建每个小区与对应历史邻区间的多维干扰矩阵；最后根据多维干扰矩阵及预设规则参数，为每个小区规划对应的邻区。该方法基于多维数据进行邻区规划优化分析，达到了范围全面、重点清晰的目的，实现了数据之间的相互印证和补充，提高了规划的准确性；且该方法实现了邻区规划优化的精准自动化分析，节省了人力物力资源，提高了工作效率；解决了现有人工规划方法存在维度单一，准确性不足，人力物力耗费大，效率低，且邻区规划片面、被动的问题。

附图说明

图1为本发明邻区规划的方法流程图；

图2为本发明邻区规划的装置的结构示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

如图1所示，本发明实施例的邻区规划的方法，包括：

步骤101，获取预定区域范围内每个小区的预设多维数据信息；

步骤102，根据所述多维数据信息，构建每个小区与对应历史邻区间的多维干扰矩阵；

步骤103，根据所述多维干扰矩阵及预设规则参数，为每个小区规划对应的邻区。

本发明实施例的邻区规划的方法，基于多维数据进行邻区规划优化分析，达到了范围全面、重点清晰的目的，实现了数据之间的相互印证和补充，提高了规划的准确性；且实现了邻区规划优化的精准自动化分析，节省了人力物力资源，提高了工作效率；解决了现有人工规划方法存在维度单一，准确性不足，人力物力耗费大，效率低，且邻区规划片面、被动的问题。

优选的，上述步骤101的步骤可以包括：

步骤1011，获取预定区域范围内每个小区的基础数据、测量报告MR数据、扫频数据和话务量数据，所述基础数据包括工参配置数据、切换数据、历史邻区关系数据。

此时，基于MR数据、扫频数据、工参配置数据和切换数据等构建多维干扰矩阵，并基于多维干扰矩阵实现邻区规划优化分析，达到了范围全面、重点清晰的目的，实现了数据之间的相互印证和补充，提高了规划的准确性。

其中，基础数据还可以包括小区标识、小区类型、经纬度、频点、码等。基础数据是实现邻区干扰分析最基础的部分，其准确性、有效性直接影响分析结果。

具体的，可采集小区一周早晚忙时的MR数据，并采集MR时期内的扫频数据。

其中，切换数据反映了小区间的切换关系，在基于切换分析小区间干扰关系时，可采集小区连续一周内忙时的切换数据；在基于其他方式分析小区间干扰关系时，可采集小区2-3天内忙时的切换数据。切换数据的小区标识Cell Id、邻区标识Neighbor Cell Id与基础数据中的同类字段相对应。

采集的切换数据格式可如下表1所示：

表1

历史邻区关系数据反映了小区间的邻区关系，作为现网配置数据，邻区关系是分析小区间干扰所需的主要内容，一般可根据基础数据中的小区相关信息来获取。历史邻区关系数据的Cell Id、Neighbor Cell Id也与基础数据中的同类字段相对应。

以GSM(Global System for Mobile Communication，全球移动通信***)为基准，采集的历史邻区关系数据的格式可如下表2所示：

表2

获取到小区的MR数据、扫频数据、工参配置数据、切换数据等数据之后，可综合考虑权重因素构建小区间干扰矩阵。其中可基于工参配置数据考虑经纬度、方位角、倾角、站高、小区发射功率；基于切换数据考虑切换尝试次数与成功次数；基于扫频数据考虑扫频邻区电平及时延；基于MR数据考虑MR测量电平；基于话务量数据考虑话务量及业务流量。

为适应不同分析场景，需要分别生成扫频干扰矩阵、MR干扰矩阵、工参配置干扰矩阵等。下面对不同干扰矩阵的获取步骤进行详细介绍。

优选的，上述步骤102的步骤可以包括：

步骤1021，采用预设大小的栅格对所述预定区域进行划分，并对每个栅格中归属于不同网络制式的多维数据信息进行汇聚处理。

这里，通过栅格化能对不同网络制式的多维数据信息进行汇聚，以进行不同网络制式数据的综合分析，保证了数据分析的准确性和高效性。其中，不同网络制式可包括GSM、TD-SCDMA(Time Division-Synchronous Code DivisionMultiple Access，时分同步码分多址)和LTE这3种网络制式。

以扫频数据为例，由于扫频数据是G/T/L分别输出，不同设备可能输出不同形式的结果，导致同一采样点在同一经纬度只存在单网数据，所以需要进行栅格化数据汇聚。

其中，栅格大小可根据实际情况调整，如初始可设置为20m*20m。对于栅格内归属于G/T/L的电平数据均可通过如下公式取均值：

栅格平均电平＝∑采样点电平/采样点个数。

步骤1022，根据经过汇聚处理的所述多维数据信息，构建不同网络制式下每个小区与对应历史邻区间的MR干扰矩阵、扫频干扰矩阵和工参配置干扰矩阵。

这里，通过构建不同网络制式下每个小区与历史邻区间的MR干扰矩阵、扫频干扰矩阵、工参配置干扰矩阵，实现了基于多维干扰矩阵对小区间干扰关系的多维深度融合分析，从而能精准地为每个小区规划对应的邻区。

步骤1023，对所述MR干扰矩阵、所述扫频干扰矩阵和所述工参配置干扰矩阵进行加权融合，得到第一融合干扰矩阵。

这里，基于多维干扰矩阵得到融合干扰矩阵，便于对邻区规划的综合分析和使用，提高了规划的准确性和高效性。

此时，通过构建不同网络制式下的多维干扰矩阵及对应的融合干扰矩阵，实现了邻区规划优化的精准自动化分析，保证了邻区规划的准确性和高效性。

进一步的，上述步骤1022的步骤可以包括：

步骤10221，在经过汇聚处理的所述MR数据中，获取每个小区与对应历史邻区在不同网络制式对应MR电平类型的MR电平参数，并根据所述MR电平参数，获取每个小区与对应历史邻区间的第一相关性；

步骤10222，根据所述第一相关性，构建每个小区与对应历史邻区间的MR干扰矩阵；

步骤10223，在经过汇聚处理的所述扫频数据中，获取每个小区与对应历史邻区在不同网络制式对应扫频电平类型的扫频电平参数，并根据所述扫频电平参数，获取每个小区与对应历史邻区间的第二相关性；

步骤10224，根据所述第二相关性，构建每个小区与对应历史邻区间的扫频干扰矩阵；

步骤10225，根据经过汇聚处理的所述工参配置数据，获取每个小区与对应历史邻区在不同网络制式的配置结构下的理想覆盖范围，并根据所述理想覆盖范围，获取每个小区与对应历史邻区间的第三相关性；

步骤10226，根据所述第三相关性，构建每个小区与对应历史邻区间的工参配置干扰矩阵。

此时，通过小区与对应历史邻区间的相关性分析，能够准确构建小区与对应历史邻区间的相关干扰矩阵，进而根据干扰矩阵实现精确地邻区规划。

下面对不同网络制式下获取第一相关性的具体实现步骤举例说明如下。

GSM网络制式-MR干扰矩阵：

上述步骤10221的步骤可以包括：获取主小区s的一个历史邻区i在主小区s的测量报告中出现且与主小区s的Rxlev接收信号码功率强度差大于第一门限值a的样本点数MR_si(_a)，并获取主小区s的MR测量的样本点总数MR_all；

通过如下公式获取主小区s与历史邻区i间的第一相关性GMR_rsi：

GMR_rsi＝MR_si(a)/MR_all*100％；

其中，可通过如下公式获取MR_si(a)：

其中，(MR_j.GSMNc_iRxlev-MR_j.GSMScRxlev)＞a表示第j个采样点邻区i的Rxlev接收信号码功率与主小区s的Rxlev接收信号码功率强度差大于第一门限值a的采样点属性。m为主小区s的历史邻区数量，m为大于或等于1的整数，1≤j≤m。第一门限值a为可调参数，如可为-12dB。

主小区s与每个历史邻区通过上述方式分别计也可算一次小区间相关性。

针对GSM的MR数据而言，上述MR_si(a)和MR_all也可不从采样点得出，从已有的设备输出的邻区干扰电平测量统计结果即可。

TD网络制式-MR干扰矩阵：

类似上述GSM网络制式的MR干扰矩阵获取方式，上述步骤10221的步骤可以包括：获取主小区s的一个历史邻区i在主小区s的测量报告中出现且与主小区s的P-CCPCH接收信号码功率强度差大于第二门限值b的样本点数MR_si(b)，并获取主小区s的MR测量的样本点总数MR_all；

通过如下公式获取主小区s与历史邻区i间的第一相关性TMR_rsi：

TMR_rsi＝MR_si(b)/MR_all*100％；

其中，可通过如下公式获取MR_si(b)：

其中，(MR_j.TDNc_iPccpchRscp-MR_j.TDScPccpchRscp)＞b表示第j个采样点邻区i的P-CCPCH接收信号码功率与主小区s的P-CCPCH接收信号码功率强度差大于第二门限值b的采样点属性。第二门限值b为可调参数，如可为-6dB。

LTE网络制式-MR干扰矩阵：

类似上述GSM和TD网络制式的MR干扰矩阵获取方式，上述步骤10221的步骤可以包括：获取主小区s的一个历史邻区i在主小区s的测量报告中出现且与主小区s的RSRP接收信号码功率强度差大于第三门限值c的样本点数MR_si(c)，并获取主小区s的MR测量的样本点总数MR_all；

通过如下公式获取主小区s与历史邻区i间的第一相关性LMR_rsi：

LMR_rsi＝MR_si(c)/MR_all*100％；

其中，可通过如下公式获取MR_si(c)：

其中，(MR_j.LTENc_iRSRP-MR_j.LTEScRSRP)＞c表示第j个采样点邻区i的RSRP接收信号码功率与主小区s的RSRP接收信号码功率强度差大于第三门限值c的采样点属性。第三门限值c为可调参数，如可为-6dB。

获取第二相关性时可参考上述第一相关性的方式，在此不作进一步说明。

下面对不同网络制式下获取第三相关性的具体实现步骤举例说明如下。

GSM网络制式-工参配置干扰矩阵：

上述步骤10225的步骤可以包括：获取主小区s与一个历史邻区i的覆盖重叠面积CF_si，即主小区s的理想覆盖范围与历史邻区i的理想覆盖范围的交集；并获取主小区s的理想覆盖面积CF_sall；

通过如下公式获取主小区s与历史邻区i的第三相关性GCF_rsi：

GCF_rsi＝CF_si/CF_sall*100％；

其中，理想覆盖范围的半径指小区覆盖方向角范围内的最近的3个基站的平均距离值的预设多倍，如1.6倍。理想覆盖面积CF_sall可通过理想覆盖范围的半径画圆，截取小区覆盖角度所占的面积，即：

理想覆盖范围的半径圆*小区覆盖方向角/360；

小区覆盖方向角默认取120度，全向取360度。

TD、TD-GSM、LTE、LTE-GSM及LTE-TD网络制式下获取第三相关性时可采用与上述GSM网络制式相同的方式，在此不作赘述。

在进行小区冗余等相关分析时，还需要参考小区间切换的干扰关系，因此，优选的，上述步骤102的步骤还可以包括：

步骤1024，根据经过汇聚处理的所述切换数据，构建不同网络制式下每个小区与对应历史邻区间的切换干扰矩阵；

步骤1025，对所述切换干扰矩阵和所述第一融合干扰矩阵进行加权融合，得到第二融合干扰矩阵。

此时，通过获取切换干扰矩阵，丰富了数据参考类型，满足了不同业务需求，实现了数据之间的相互印证和补充，提高了规划的准确性。

与上述MR干扰矩阵、扫频干扰矩阵、工参配置干扰矩阵类似，获取切换干扰矩阵时也可首先根据切换数据，获取每个小区与对应历史邻区间的第四相关性，然后根据第四相关性，构建切换干扰矩阵。

下面对不同网络制式下获取第四相关性的具体实现步骤举例说明如下。

GSM网络制式-切换干扰矩阵：

获取T₁个小时内主小区s的一个历史邻区i与该主小区s的切换次数包括邻区i到主小区s的切换次数和主小区s到邻区i的切换次数；并获取T₁个小时内主小区s的切换总数包括切入总次数和切出总次数；

通过如下公式获取主小区s与邻区i的第四相关性GHO_rsi：

LTE网内切换、LTE-TD网间切换获取第四相关性时可采用与上述GSM切换相同的方式，在此不作赘述。

优选的，上述步骤1023之前，所述方法还可以包括：

步骤1026，根据经过汇聚处理的所述话务量数据，对所述MR干扰矩阵、所述扫频干扰矩阵和所述工参配置干扰矩阵分别进行话务量加权。

此时，通过对矩阵进行话务量加权，进一步实现了数据之间的相互印证和补充，丰富了数据架构，提高了邻区规划的准确性和高效性。

优选的，上述步骤102之前，所述方法还可以包括：

步骤104，对扫频不完整的数据、缺少经纬度的数据及电平值低于预设阈值的数据进行舍弃处理。

这里，通过对扫频不完整、缺少经纬度及电平值低于预设阈值的无用数据进行舍弃，避免了对无用数据的进一步处理，减少了数据负担，提高了运行效率，且避免了无用数据对分析的干扰，保证了分析的准确性。

其中，对于扫频数据，由于扫频仪的灵敏度较高，电平低于-120dBm的信号能够接收到，但这些数据对手机终端来说是解析不了的，数据对分析起不到作用，因此可直接舍弃。基于此，预设阈值可设为-120dBm。

步骤105，获取所述MR数据和所述扫频数据中属于同经纬度的电平数据的平均值。

这里，通过获取电平数据平均值，提高了后续基于电平数据分析的准确性和有效性。

其中，对扫频数据处理时，可首先根据扫频数据中的频点和小区ID确定扫频数据对应的小区，以便于基于小区对扫频数据进行分析处理。

优选的，上述步骤103的步骤可以包括：

步骤1031，根据所述工参配置数据，获取每个小区的实际覆盖范围；

步骤1032，根据所述多维干扰矩阵、预设规则参数及每个小区的实际覆盖范围，采用遗传算法为每个小区规划对应的邻区。

这里，遗传算法基于小区间干扰关系模型，可综合用户指定邻区关系、共站小区、正向室分、正向干扰关系、背向干扰关系、正向第一圈邻区及背向第一圈邻区等多种算法，实现邻区规划及优化的兼容性。

此时，通过遗传算法的分析方式为小区规划邻区，实现了邻区规划及优化的兼容性，提高了规划优化的准确性。且本发明实施例的方法支持用户自主设置规则参数。针对最终生成的多维干扰矩阵，结合自定义设置规则，给出最佳的邻区配置建议，使分配的邻区可以应用到现网，提高了优化效率。

具体的，本发明实施例的方法可根据预先设置的GIS(GeographicInformation System，地理信息***)图层设置界面、干扰矩阵参数设置界面、小区间重叠覆盖参数设置界面、邻区规划参数设置界面等来获取预设规则参数。

优选的，上述步骤1031一具体实现流程如下：

首先以接收或测量电平-95dBm为小区覆盖边缘；

然后以覆盖边缘至小区经纬度直线距离为小区覆盖半径；

再以测量边缘采样点顺时针起点至终点确定覆盖扇区方位角及波瓣宽度；

最后根据工参中小区经纬度、站高、倾角、方位角、发射功率套入传播模型计算小区实际覆盖范围。

进一步的，上述步骤103之后，本发明实施例的方法还可以包括：根据接收的对至少一小区的邻区规划输出指令，将对应小区的邻区规划显示给用户。

此时，用户可选定多个或全部小区查看邻区规划。具体可根据用户输入的一组小区名称、通过GIS选择的一个区域范围内的所有小区或者按照BSC(Base Station Controller，基站控制器)、基站、规划区、分公司等过滤小区来确定用户选定的小区。

另外，将对应小区的邻区规划显示给用户时，还可根据预设显示规则进行显示。下面将一些预设显示规则举例说明如下：

可预先设定必选邻区类型，即在规划的结果中包含符合必选邻区特性的邻区配置。必选邻区如可包括：同站小区、近距离覆盖小区、近距离被覆盖小区、指定特定小区对等。

可预先设定邻区选取的优先程度的计算公式。

可预先设定邻区个数上限。

可预先设定计算场景并进行存储。初始计算场景如可为：室外场景、室内场景、重点道路场景等。

进一步的，输出时可通过GIS渲染小区的邻区关系，并通过颜色、大小及连线进行明显区分，地图可兼容搜素引擎呈现、卫星图呈现等。输出时还可将结果进行表格输出，表格信息可至少包括：服务小区(即主小区)名称及标识、邻区名称及标识、距离、优先程度、添加原因(如必选-同站小区，优先程度排名)等。

综上，本发明实施例的邻区规划的方法，全面支持三网多维深度融合分析，并结合多维数据进行科学建模，实现了数据之间的相互印证和补充，提高了规划的准确性；且通过小区栅格化，在业内率先实现基于可调栅格粒度的综合数据分析，在栅格维度对小区之间关系进行建模，对邻区规划及优化提供良好的自动分析基础；且通过遗传算法分析方式，实现了邻区规划及优化的兼容性。

本发明实施例的邻区规划的方法，支持数据包括扫频和MR，其中扫频支持主流扫频仪厂家的2/3/4G扫频数据，MR数据支持2/3/4G主流设备的接口数据；利用MR、扫频数据收集到当前位置点各小区间的电平关系，基于此电平关系构建干扰矩阵，与纯粹的工参仿真预测相比更贴近现网实际；针对最终生成的多维干扰矩阵，并结合自定义邻区设置规则，给出最佳的邻区配置建议，使其分配的邻区可以应用到现网，提高了优化效率。不仅解决了由于网络规模日益巨大，造成的邻区规划优化规范性差、准确性较低的问题，而且提升了全网邻区规划优化效率，真正实现了邻区规划优化的科学精准分析。

如图2所示，本发明的实施例还提供了一种邻区规划的装置，包括：

获取模块，用于获取预定区域范围内每个小区的预设多维数据信息；

构建模块，用于根据所述多维数据信息，构建每个小区与对应历史邻区间的多维干扰矩阵；

规划模块，用于根据所述多维干扰矩阵及预设规则参数，为每个小区规划对应的邻区。

本发明实施例的邻区规划的装置，基于多维数据进行邻区规划优化分析，达到了范围全面、重点清晰的目的，实现了数据之间的相互印证和补充，提高了规划的准确性；且实现了邻区规划优化的精准自动化分析，节省了人力物力资源，提高了工作效率；解决了现有人工规划方法存在维度单一，准确性不足，人力物力耗费大，效率低，且邻区规划片面、被动的问题。

优选的，所述获取模块可以包括：

第一获取单元，用于获取预定区域范围内每个小区的基础数据、测量报告MR数据、扫频数据和话务量数据，所述基础数据包括工参配置数据、切换数据、历史邻区关系数据。

优选的，所述构建模块可以包括：

栅格化单元，用于采用预设大小的栅格对所述预定区域进行划分，并对每个栅格中归属于不同网络制式的多维数据信息进行汇聚处理；

第一构建单元，用于根据经过汇聚处理的所述多维数据信息，构建不同网络制式下每个小区与对应历史邻区间的MR干扰矩阵、扫频干扰矩阵和工参配置干扰矩阵；

第二融合单元，用于对所述MR干扰矩阵、所述扫频干扰矩阵和所述工参配置干扰矩阵进行加权融合，得到第一融合干扰矩阵。

优选的，所述第一构建单元可以包括：

第一获取子单元，用于在经过汇聚处理的所述MR数据中，获取每个小区与对应历史邻区在不同网络制式对应MR电平类型的MR电平参数，并根据所述MR电平参数，获取每个小区与对应历史邻区间的第一相关性；

第一构建子单元，用于根据所述第一相关性，构建每个小区与对应历史邻区间的MR干扰矩阵；

第二获取子单元，用于在经过汇聚处理的所述扫频数据中，获取每个小区与对应历史邻区在不同网络制式对应扫频电平类型的扫频电平参数，并根据所述扫频电平参数，获取每个小区与对应历史邻区间的第二相关性；

第二构建子单元，用于根据所述第二相关性，构建每个小区与对应历史邻区间的扫频干扰矩阵；

第三获取子单元，用于根据经过汇聚处理的所述工参配置数据，获取每个小区与对应历史邻区在不同网络制式的配置结构下的理想覆盖范围，并根据所述理想覆盖范围，获取每个小区与对应历史邻区间的第三相关性；

第三构建子单元，用于根据所述第三相关性，构建每个小区与对应历史邻区间的工参配置干扰矩阵。

优选的，所述构建模块还可以包括：

第二构建单元，用于根据经过汇聚处理的所述切换数据，构建不同网络制式下每个小区与对应历史邻区间的切换干扰矩阵；

第二融合单元，用于对所述切换干扰矩阵和所述第一融合干扰矩阵进行加权融合，得到第二融合干扰矩阵。

优选的，所述装置还可以包括：

加权模块，用于根据经过汇聚处理的所述话务量数据，对所述MR干扰矩阵、所述扫频干扰矩阵和所述工参配置干扰矩阵分别进行话务量加权。

优选的，所述装置还可以包括：

舍弃模块，用于对扫频不完整的数据、缺少经纬度的数据及电平值低于预设阈值的数据进行舍弃处理；

第二获取模块，用于获取所述MR数据和所述扫频数据中属于同经纬度的电平数据的平均值。

优选的，所述规划模块可以包括：

第二获取单元，用于根据所述工参配置数据，获取每个小区的实际覆盖范围；

规划单元，用于根据所述多维干扰矩阵、预设规则参数及每个小区的实际覆盖范围，采用遗传算法为每个小区规划对应的邻区。

本发明实施例的邻区规划的装置，全面支持三网多维深度融合分析，并结合多维数据进行科学建模，实现了数据之间的相互印证和补充，提高了规划的准确性；且通过小区栅格化，在业内率先实现基于可调栅格粒度的综合数据分析，在栅格维度对小区之间关系进行建模，对邻区规划及优化提供良好的自动分析基础；且通过遗传算法分析方式，实现了邻区规划及优化的兼容性。

本发明实施例的邻区规划的装置，支持数据包括扫频和MR，其中扫频支持主流扫频仪厂家的2/3/4G扫频数据，MR数据支持2/3/4G主流设备的接口数据；利用MR、扫频数据收集到当前位置点各小区间的电平关系，基于此电平关系构建干扰矩阵，与纯粹的工参仿真预测相比更贴近现网实际；针对最终生成的多维干扰矩阵，并结合自定义邻区设置规则，给出最佳的邻区配置建议，使其分配的邻区可以应用到现网，提高了优化效率。不仅解决了由于网络规模日益巨大，造成的邻区规划优化规范性差、准确性较低的问题，而且提升了全网邻区规划优化效率，真正实现了邻区规划优化的科学精准分析。

需要说明的是，该邻区规划的装置是与上述邻区规划的方法相对应的装置，其中上述方法实施例中所有实现方式均适用于该装置的实施例中，也能达到同样的技术效果。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (13)

1.一种邻区规划的方法，其特征在于，包括：

获取预定区域范围内每个小区的预设多维数据信息；

根据所述多维数据信息，构建每个小区与对应历史邻区间的多维干扰矩阵；

根据所述多维干扰矩阵及预设规则参数，为每个小区规划对应的邻区。

2.根据权利要求1所述的方法，其特征在于，所述获取预定区域范围内每个小区的预设多维数据信息的步骤包括：

获取预定区域范围内每个小区的基础数据、测量报告MR数据、扫频数据和话务量数据，所述基础数据包括工参配置数据、切换数据、历史邻区关系数据。

3.根据权利要求2所述的方法，其特征在于，所述根据所述多维数据信息，构建每个小区与对应历史邻区间的多维干扰矩阵的步骤包括：

采用预设大小的栅格对所述预定区域进行划分，并对每个栅格中归属于不同网络制式的多维数据信息进行汇聚处理；

根据经过汇聚处理的所述多维数据信息，构建不同网络制式下每个小区与对应历史邻区间的MR干扰矩阵、扫频干扰矩阵和工参配置干扰矩阵；

对所述MR干扰矩阵、所述扫频干扰矩阵和所述工参配置干扰矩阵进行加权融合，得到第一融合干扰矩阵。

4.根据权利要求3所述的方法，其特征在于，所述根据经过汇聚处理的所述多维数据信息，构建不同网络制式下每个小区与对应历史邻区间的MR干扰矩阵、扫频干扰矩阵和工参配置干扰矩阵的步骤包括：

在经过汇聚处理的所述MR数据中，获取每个小区与对应历史邻区在不同网络制式对应MR电平类型的MR电平参数，并根据所述MR电平参数，获取每个小区与对应历史邻区间的第一相关性；

根据所述第一相关性，构建每个小区与对应历史邻区间的MR干扰矩阵；

在经过汇聚处理的所述扫频数据中，获取每个小区与对应历史邻区在不同网络制式对应扫频电平类型的扫频电平参数，并根据所述扫频电平参数，获取每个小区与对应历史邻区间的第二相关性；

根据所述第二相关性，构建每个小区与对应历史邻区间的扫频干扰矩阵；

根据经过汇聚处理的所述工参配置数据，获取每个小区与对应历史邻区在不同网络制式的配置结构下的理想覆盖范围，并根据所述理想覆盖范围，获取每个小区与对应历史邻区间的第三相关性；

根据所述第三相关性，构建每个小区与对应历史邻区间的工参配置干扰矩阵。

5.根据权利要求3所述的方法，其特征在于，所述根据所述多维数据信息，构建每个小区与对应历史邻区间的多维干扰矩阵的步骤还包括：

根据经过汇聚处理的所述切换数据，构建不同网络制式下每个小区与对应历史邻区间的切换干扰矩阵；

对所述切换干扰矩阵和所述第一融合干扰矩阵进行加权融合，得到第二融合干扰矩阵。

6.根据权利要求3所述的方法，其特征在于，所述对所述MR干扰矩阵、所述扫频干扰矩阵和所述工参配置干扰矩阵进行加权融合，得到第一融合干扰矩阵之前，所述方法还包括：

根据经过汇聚处理的所述话务量数据，对所述MR干扰矩阵、所述扫频干扰矩阵和所述工参配置干扰矩阵分别进行话务量加权。

7.根据权利要求2所述的方法，其特征在于，所述根据所述多维数据信息，构建每个小区与对应历史邻区间的多维干扰矩阵之前，所述方法还包括：

对扫频不完整的数据、缺少经纬度的数据及电平值低于预设阈值的数据进行舍弃处理；

获取所述MR数据和所述扫频数据中属于同经纬度的电平数据的平均值。

8.根据权利要求2所述的方法，其特征在于，所述根据所述多维干扰矩阵及预设规则参数，为每个小区规划对应的邻区的步骤包括：

根据所述工参配置数据，获取每个小区的实际覆盖范围；

根据所述多维干扰矩阵、预设规则参数及每个小区的实际覆盖范围，采用遗传算法为每个小区规划对应的邻区。

9.一种邻区规划的装置，其特征在于，包括：

获取模块，用于获取预定区域范围内每个小区的预设多维数据信息；

构建模块，用于根据所述多维数据信息，构建每个小区与对应历史邻区间的多维干扰矩阵；

规划模块，用于根据所述多维干扰矩阵及预设规则参数，为每个小区规划对应的邻区。

10.根据权利要求9所述的装置，其特征在于，所述获取模块包括：

第一获取单元，用于获取预定区域范围内每个小区的基础数据、测量报告MR数据、扫频数据和话务量数据，所述基础数据包括工参配置数据、切换数据、历史邻区关系数据。

11.根据权利要求10所述的装置，其特征在于，所述构建模块包括：

栅格化单元，用于采用预设大小的栅格对所述预定区域进行划分，并对每个栅格中归属于不同网络制式的多维数据信息进行汇聚处理；

第一构建单元，用于根据经过汇聚处理的所述多维数据信息，构建不同网络制式下每个小区与对应历史邻区间的MR干扰矩阵、扫频干扰矩阵和工参配置干扰矩阵；

第二融合单元，用于对所述MR干扰矩阵、所述扫频干扰矩阵和所述工参配置干扰矩阵进行加权融合，得到第一融合干扰矩阵。

12.根据权利要求11所述的装置，其特征在于，所述构建模块还包括：

第二构建单元，用于根据经过汇聚处理的所述切换数据，构建不同网络制式下每个小区与对应历史邻区间的切换干扰矩阵；

第二融合单元，用于对所述切换干扰矩阵和所述第一融合干扰矩阵进行加权融合，得到第二融合干扰矩阵。

13.根据权利要求10所述的装置，其特征在于，所述规划模块包括：

第二获取单元，用于根据所述工参配置数据，获取每个小区的实际覆盖范围；

规划单元，用于根据所述多维干扰矩阵、预设规则参数及每个小区的实际覆盖范围，采用遗传算法为每个小区规划对应的邻区。