CN107770783B - 一种基站扩容改造方案设计方法及相关设备 - Google Patents
一种基站扩容改造方案设计方法及相关设备 Download PDFInfo
- Publication number
- CN107770783B CN107770783B CN201710924326.7A CN201710924326A CN107770783B CN 107770783 B CN107770783 B CN 107770783B CN 201710924326 A CN201710924326 A CN 201710924326A CN 107770783 B CN107770783 B CN 107770783B
- Authority
- CN
- China
- Prior art keywords
- scheme
- candidate
- base station
- subset
- designed
- 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.)
- Active
Links
Images
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本申请公开了一种基站扩容改造方案设计方法及相关设备,用于提升待设计基站方案设计的速度、效率及准确性。本申请实施例方法包括:获取现网基站信息、待设计基站信息及历史方案集;对现网基站信息及待设计基站信息进行数据处理,得到待使用特征;对历史方案集进行算法训练学习,得到方案演进路径模型及器件连接知识图谱;根据待使用特征,通过逆向减法算法从历史方案集中选择出候选方案子集;根据方案演进路径模型对候选方案子集中的所有候选方案进行推荐度排序处理,得到推荐结果;当推荐结果中存在不完善的候选方案时,根据器件连接知识图谱对不完善的候选方案进行自完善处理,得到待设计基站方案集。
Description
技术领域
本申请涉及通信技术领域,尤其涉及一种基站扩容改造方案设计方法及相关设备。
背景技术
随着全球网络逐步向4G和5G演进,纯新建场景越来越少,扩容改造已成为主流,基站设计的投入和难度也越来越大。
基站扩容改造场景下的部署方案,需要基于现网存量来设计,设计过程全部由人工完成,差异在于出图方式。方式一、为纯人工制作PPT(PowerPoint),具体为:基于客户要求、工程量清单(Bill Of Quotation,BOQ)及现网存量配置数据,依据专家经验,由人工制作PPT。方式二、为工具自动出图,具体为:导入现网存量配置数据,工具完成现网基站部署方案还原;基于现网方案和售前产品配置信息,依靠专家经验,由人工设计满足射频(RadioFrequency,RF)规划的目标网方案;基于设计结果填写并导入主设备连线规则表和站点信息表(BOQ和RF规划信息),工具读取参数,并基于内置硬件规则自动生成主设备规划图。
以上方式一和方式二存在缺点如下:1、正向方式下进行扩容改造,在方案设计中,器件种类较多,数量选择不固定,器件的槽位选择及器件之间端口连接方式选择较多,出现组合***,即排列组合数目过大,可生成的候选方案数量巨大,人工难以从众多组合设计中判断和选择最终方案;2、扩容改造场景的部署方案设计需要参照现网方案,设计过程复杂,对技术人员的经验要求比新建场景更高;3、设计环节完全依赖专家经验完成,耗时且出错率高;4、当前方案没有实现云化存储,全球范围无法共享最优方案。以上四点,导致基站扩容改造方案设计的速度与效率低下。
发明内容
本申请提供了一种基站扩容改造方案设计方法及相关设备,用于提升待设计基站方案设计的速度、效率及准确性。
本申请第一方面提供一种基站扩容改造方案设计方法,包括:
获取现网基站信息、待设计基站信息及历史方案集;
对所述现网基站信息及所述待设计基站信息进行数据处理,得到待使用特征;
对所述历史方案集进行算法训练学习,得到方案演进路径模型及器件连接知识图谱;
根据所述待使用特征,通过逆向减法算法从所述历史方案集中选择出候选方案子集;
根据所述方案演进路径模型对所述候选方案子集中的所有候选方案进行推荐度排序处理,得到推荐结果;
当所述推荐结果中存在不完善的候选方案时,根据所述器件连接知识图谱对所述不完善的候选方案进行自完善处理,得到待设计基站方案集。
当需要对一个基站进行扩容改造时,基站设计交付人员将现网基站信息以及待设计基站信息输入到基站扩容改造方案设计装置,基站扩容改造方案设计装置可以获取到基站设计交付人员输入的现网基站信息及待设计基站信息,并且通过基站设计交付人员的输入、从网络获取或者从该装置的数据库获取到历史方案集,对历史方案集进行算法训练学习,得到方案演进路径模型及器件连接知识图谱,根据待使用特征,通过逆向减法算法对历史方案集进行待使用特征的特征匹配,从而选择出候选方案子集,在方案演进路径模型基础上,可以推演得到待设计基站的扩容改造方案的演进路径,从而计算出候选方案子集中的每一个候选方案的推荐度,按照得到推荐度的大小,对候选方案子集中的候选方案进行排序,得到推荐结果,当推荐结果中存在不完善的候选方案时,根据器件连接知识图谱能够了解到器件之间的连接规则,按照器件之间的连接规则实现对不完善的候选方案进行自完善处理,使得不完善的候选方案能够完全匹配待设计基站,将自完善处理后的不完善的候选方案,以及原本就是完善的候选方案合并到一个集合中,得到待设计基站方案集。通过使用逆向减法算法获取候选方案子集,可以避免正向演进逻辑中场景过多造成的组合***问题,明显的减少了候选方案的数量;根据方案演进路径模型对候选方案子集中的所有候选方案进行推荐度排序处理,得到推荐结果,能够更加精准、快速地得到候选方案;根据器件连接知识图谱对不完善的候选方案进行自完善处理,能够给出更加符合客户需求的候选方案。因此,提升了待设计基站方案设计的速度、效率及准确性。
结合本申请第一方面,本申请第一方面第一实施方式中,所述对所述历史方案集进行算法训练学习,得到演进知识图谱及器件连接知识图谱,包括:
通过社交图挖掘算法对所述历史方案集进行演进路径训练学习,得到方案演进路径模型;
通过频繁项挖掘算法对所述历史方案集进行连接知识图谱训练学习,得到器件连接知识图谱。
方案演进路径模型的训练学习算法具体可以是通过社交图挖掘算法得到,而方案演进路径模型主要是用于可以推演得到历史方案集中各扩容改造方案的器件的连接关系的过程。器件连接知识图谱的训练学习算法重点是学习器件之间的基本连接规则、深层连接关系以及概率图模型的网络结构与参数。通过频繁项挖掘算法得到频繁关联序列,并且得到概率图模型,在频繁关联序列和概率图模型的基础上就能得到器件连接知识图谱。
结合本申请第一方面第一实施方式,本申请第一方面第二实施方式中,所述根据所述待使用特征,通过逆向减法算法从所述历史方案集中选择出候选方案子集,包括:
根据所述待使用特征,得到RF特征、新BOQ特征、现网BOQ特征及硬件替换条件特征;
根据所述RF特征和所述新BOQ特征,对所述历史方案集中的所有候选方案进行特征匹配,得到第一子集;
根据所述硬件替换条件特征判断是否为硬件可替换;
若所述硬件替换条件特征不是硬件可替换,则根据所述现网BOQ特征,对所述第一子集中的所有候选方案进行特征匹配,得到第二子集;
计算所述第二子集中每一个候选方案的特征匹配度,根据所述特征匹配度对所述第二子集中的方案进行排序,得到候选方案子集;
若所述硬件替换条件特征是硬件可替换,则根据所述新BOQ特征,对所述第一子集中的所有候选方案进行删选,得到第三子集,所述第三子集中的所有候选方案中均不包含所述新BOQ特征;
根据所述现网BOQ特征,对所述第三子集中的所有候选方案进行特征匹配,得到第四子集;
计算所述第四子集中每一个候选方案的特征匹配度,根据所述特征匹配度对所述第四子集中的候选方案进行排序,得到候选方案子集。
根据待使用特征,得到RF特征、新BOQ特征、现网BOQ特征及硬件替换条件特征,RF特征和新BOQ是对待设计基站进行扩容改造的一个重要数据,硬件替换条件特征是由基站设计交付人员预先设置的,分为硬件可替换和硬件不可替换,根据RF特征与新BOQ特征与历史方案库中所有方案进行匹配得到第一子集,根据硬件替换条件特征判断是否为硬件可替,若硬件替换条件特征不是硬件可替换,则根据现网BOQ特征,对第一子集中的所有候选方案进行特征匹配,得到第二子集,计算第二子集中每一个候选方案的特征匹配度,根据特征匹配度对第二子集中的方案进行排序,得到候选方案子集;若硬件替换条件特征是硬件可替换,则根据新BOQ特征,对第一子集中的所有候选方案进行删选,得到第三子集,第三子集中的所有候选方案中均不包含新BOQ特征,根据现网BOQ特征,对第三子集中的所有候选方案进行特征匹配,得到第四子集,计算第四子集中每一个候选方案的特征匹配度,根据特征匹配度对第四子集中的候选方案进行排序,得到候选方案子集。逆向减法算可以避免正向演进逻辑中场景过多造成的组合***问题,得到候选方案子集的数量明显的减少了,因此,可以明显的提高待设计基站方案设计的速度。
结合本申请第一方面第二实施方式,本申请第一方面第三实施方式中,所述根据所述方案演进路径模型对所述候选方案子集中的所有候选方案进行推荐度排序处理,得到推荐结果,包括:
根据所述方案演进路径模型,通过演进路径优选算法计算得到所述候选方案子集中每一个候选方案的演进优选值;
根据所述演进优先值及所述演进优选值对应的候选方案的特征匹配度,得到所述候选方案子集中每一个候选方案的推荐度;
根据所述推荐度,对所述候选方案子集中的所有候选方案进行排序,得到推荐结果。
而在已知方案演进路径模型的基础上,采用演进路径优选算法进行处理之后,可以得到候选方案子集中每一个候选方案的演进优选值,在候选方案的演进优选值计算出之后,又已知该候选方案的特征匹配度,将演进优选值与特征匹配度进行归一化处理后得到推荐度,根据每一个候选方案的推荐度,按照从大到小的方式,对候选方案子集中的所有候选方案进行排序,得到推荐结果。
结合本申请第一方面第三实施方式,本申请第一方面第四实施方式中,所述方法还包括:
判断所述推荐结果中的候选方案属于所述第二子集或所述第四子集;
若所述推荐结果中的候选方案属于所述第二子集,则确定所述推荐结果中的所有候选方案均为完善的候选方案;
若所述推荐结果中的候选方案属于所述第四子集,则根据所述待使用特征确定待设计基站的器件特征;
逐一判断所述推荐结果中的候选方案与所述待设计基站的器件特征是否完全匹配;
若第一候选方案与所述待设计基站的器件特征不完全匹配,则确定所述第一候选方案为不完善的候选方案;
若第二候选方案与所述待设计基站的器件特征完全匹配,则确定所述第二候选方案为完善的候选方案。
由于推荐结果只可能是第二子集或者第四子集,如果推荐结果对应的是第二子集,那么表示推荐结果中所有的候选方案都是硬件不可替换的条件下得到的,那么表示推荐结果中所有的候选方案的器件类型或数目与待设计基站的扩容改造的器件类型或数据是一致,则推荐结果中的所有候选方案均为完善的候选方案;如果推荐结果中的候选方案属于第四子集,则根据待使用特征确定待设计基站的器件特征,逐一判断推荐结果中的候选方案与待设计基站的器件特征是否完全匹配,如果第一候选方案与待设计基站的器件特征不完全匹配,则确定第一候选方案为不完善的候选方案,如果第二候选方案与待设计基站的器件特征完全匹配,则确定第二候选方案为完善的候选方案。完善的候选方案都是按照推荐结果直接推荐给客户的,不需要进行修改了,但是如果是不完善的候选方案,则不能直接推荐给客户,因此,在得到推荐结果之后,还需要判断出推荐结果中的候选方案是否存在不完善的候选方案。
结合本申请第一方面第四实施方式,本申请第一方面第五实施方式中,所述根据所述器件连接知识图谱对所述不完善的候选方案进行自完善处理,得到待设计基站方案集,包括:
确定所述不完善的候选方案中的待调整端口槽位;
根据所述器件连接知识图谱,通过连线规则挖掘算法生成频繁连线集合;
根据所述频繁连线集合确定所述待调整端口槽位的设置信息;
根据所述设置信息调整所述不完善的候选方案中的待调整端口槽位,得到自完善候选方案;
根据所述自完善候选方案及所述完善的候选方案得到所述待设计基站方案集。
在确定了不完善的候选方案之后,首先确定不完善的候选方案中的待调整端口槽位,已知了器件连接知识图谱的情况下,通过连线规则挖掘算法生成频繁连线集合,从而确定了待调整端口槽位的频繁连线集合,再采用概率图模型(这里主要运用贝叶斯网络),将已匹配的端口槽位作为条件信息,在待调整端口槽位的频繁连线集合中推荐出待调整端口槽的设置信息,使得提供给客户的待设计基站方案集中的待设计基站方案都是完善的,无需在进行设计和改进,更加符合客户需求。
结合本申请第一方面、第一方面第一实施方式、第一方面第二实施方式、第一方面第三实施方式、第一方面第四实施方式或第一方面第五实施方式,本申请第一方面第六实施方式中,所述对所述现网基站信息及所述待设计基站信息进行数据处理,得到待使用特征,包括:
对所述现网基站信息及所述待设计基站信息进行数据清洗处理及数据映射处理;
将处理后的所述现网基站信息及所述待设计基站信息转换为待使用特征。
先对现网基站信息及待设计基站信息进行数据清洗处理,数据清洗处理主要手段是选取有效信息、剔除无用字段(如注释等),再进行数据映射处理,例如从器件标识号码(ID)可以解析出器件类型和名称等,现网基站信息及待设计基站信息进行数据清洗处理及数据映射处理,再通过改变文件格式的形式提取出待使用特征。
结合本申请第一方面第六实施方式,本申请第一方面第七实施方式中,所述方法还包括:
将所述历史方案集、所述方案演进路径模型、所述器件连接知识图谱及所述待设计基站方案集存储至知识库。
为了增强基站扩容改造方案设计装置的性能,需要加强历史方案库的数据量,从而得到更加完整的方案演进路径模型及器件连接知识图谱,那么可以在每次获取到历史方案集、方案演进路径模型、器件连接知识图谱及待设计基站方案集之后,都可以将其存储至知识库中,知识库为数据库或者云存储器等等。
本申请第二方面提供一种基站扩容改造方案设计装置,包括:
获取模块,用于获取现网基站信息、待设计基站信息及历史方案集;
特征提取模块,用于对所述现网基站信息及所述待设计基站信息进行数据处理,得到待使用特征;
训练学习模块,用于对所述历史方案集进行算法训练学习,得到方案演进路径模型及器件连接知识图谱;
方案筛选模块,用于根据所述待使用特征,通过逆向减法算法从所述历史方案集中选择出候选方案子集;
方案推荐模块,用于根据所述方案演进路径模型对所述候选方案子集中的所有候选方案进行推荐度排序处理,得到推荐结果;
自完善模块,用于当所述推荐结果中存在不完善的候选方案时,根据所述器件连接知识图谱对所述不完善的候选方案进行自完善处理,得到待设计基站方案集。
当需要对一个基站进行扩容改造时,基站设计交付人员将现网基站信息以及待设计基站信息输入到基站扩容改造方案设计装置,获取模块可以获取到基站设计交付人员输入的现网基站信息及待设计基站信息,特征提取模块对现网基站信息及待设计基站信息进行数据处理,得到待使用特征,并且通过基站设计交付人员的输入、从网络获取或者从该装置的数据库获取到历史方案集,训练学习模块对历史方案集进行算法训练学习,得到方案演进路径模型及器件连接知识图谱,根据待使用特征,方案筛选模块通过逆向减法算法对历史方案集进行待使用特征的特征匹配,从而选择出候选方案子集,方案推荐模块在方案演进路径模型基础上,可以推演得到待设计基站的扩容改造方案的演进路径,从而计算出候选方案子集中的每一个候选方案的推荐度,按照得到推荐度的大小,对候选方案子集中的候选方案进行排序,得到推荐结果,当推荐结果中存在不完善的候选方案时,自完善模块根据器件连接知识图谱能够了解到器件之间的连接规则,按照器件之间的连接规则实现对不完善的候选方案进行自完善处理,使得不完善的候选方案能够完全匹配待设计基站,将自完善处理后的不完善的候选方案,以及原本就是完善的候选方案合并到一个集合中,得到待设计基站方案集。通过使用逆向减法算法获取候选方案子集,可以避免正向演进逻辑中场景过多造成的组合***问题,明显的减少了候选方案的数量;根据方案演进路径模型对候选方案子集中的所有候选方案进行推荐度排序处理,得到推荐结果,能够更加精准、快速地得到候选方案;根据器件连接知识图谱对不完善的候选方案进行自完善处理,能够给出更加符合客户需求的候选方案。因此,提升了待设计基站方案设计的速度、效率及准确性。
结合本申请第二方面,本申请第二方面第一实施方式中,
所述训练学习模块,具体用于通过社交图挖掘算法对所述历史方案集进行演进路径训练学习,得到方案演进路径模型;
所述训练学习模块,还用于通过频繁项挖掘算法对所述历史方案集进行连接知识图谱训练学习,得到器件连接知识图谱。
方案演进路径模型的训练学习算法具体可以是训练学习模块通过社交图挖掘算法得到,而方案演进路径模型主要是用于可以推演得到历史方案集中各扩容改造方案的器件的连接关系的过程。器件连接知识图谱的训练学习算法重点是训练学习模块学习器件之间的基本连接规则、深层连接关系以及概率图模型的网络结构与参数。通过频繁项挖掘算法得到频繁关联序列,并且得到概率图模型,在频繁关联序列和概率图模型的基础上就能得到器件连接知识图谱。
结合本申请第二方面第一实施方式,本申请第二方面第二实施方式中,
所述方案筛选模块,具体用于根据所述待使用特征,得到RF特征、新BOQ特征、现网BOQ特征及硬件替换条件特征;
所述方案筛选模块,还用于根据所述RF特征和所述新BOQ特征,对所述历史方案集中的所有候选方案进行特征匹配,得到第一子集;
所述方案筛选模块,还用于根据所述硬件替换条件特征判断是否为硬件可替换;
所述方案筛选模块,还用于当所述硬件替换条件特征不是硬件可替换时,则根据所述现网BOQ特征,对所述第一子集中的所有候选方案进行特征匹配,得到第二子集;
所述方案筛选模块,还用于计算所述第二子集中每一个候选方案的特征匹配度,根据所述特征匹配度对所述第二子集中的方案进行排序,得到候选方案子集;
所述方案筛选模块,还用于当所述硬件替换条件特征是硬件可替换时,则根据所述新BOQ特征,对所述第一子集中的所有候选方案进行删选,得到第三子集,所述第三子集中的所有候选方案中均不包含所述新BOQ特征;
所述方案筛选模块,还用于根据所述现网BOQ特征,对所述第三子集中的所有候选方案进行特征匹配,得到第四子集;
所述方案筛选模块,还用于计算所述第四子集中每一个候选方案的特征匹配度,根据所述特征匹配度对所述第四子集中的候选方案进行排序,得到候选方案子集。
方案筛选模块根据待使用特征,得到RF特征、新BOQ特征、现网BOQ特征及硬件替换条件特征,RF特征和新BOQ是对待设计基站进行扩容改造的一个重要数据,硬件替换条件特征是由基站设计交付人员预先设置的,分为硬件可替换和硬件不可替换,根据RF特征与新BOQ特征与历史方案库中所有方案进行匹配得到第一子集,根据硬件替换条件特征判断是否为硬件可替,若硬件替换条件特征不是硬件可替换,则根据现网BOQ特征,对第一子集中的所有候选方案进行特征匹配,得到第二子集,计算第二子集中每一个候选方案的特征匹配度,根据特征匹配度对第二子集中的方案进行排序,得到候选方案子集;若硬件替换条件特征是硬件可替换,则根据新BOQ特征,对第一子集中的所有候选方案进行删选,得到第三子集,第三子集中的所有候选方案中均不包含新BOQ特征,根据现网BOQ特征,对第三子集中的所有候选方案进行特征匹配,得到第四子集,计算第四子集中每一个候选方案的特征匹配度,根据特征匹配度对第四子集中的候选方案进行排序,得到候选方案子集。逆向减法算可以避免正向演进逻辑中场景过多造成的组合***问题,得到候选方案子集的数量明显的减少了,因此,可以明显的提高待设计基站方案设计的速度。
结合本申请第二方面第二实施方式,本申请第二方面第三实施方式中,
所述方案推荐模块,具体用于根据所述方案演进路径模型,通过演进路径优选算法计算得到所述候选方案子集中每一个候选方案的演进优选值;
所述方案推荐模块,还用于根据所述演进优先值及所述演进优选值对应的候选方案的特征匹配度,得到所述候选方案子集中每一个候选方案的推荐度;
所述方案推荐模块,还用于根据所述推荐度,对所述候选方案子集中的所有候选方案进行排序,得到推荐结果。
而在已知方案演进路径模型的基础上,方案推荐模块采用演进路径优选算法进行处理之后,可以得到候选方案子集中每一个候选方案的演进优选值,在候选方案的演进优选值计算出之后,又已知该候选方案的特征匹配度,方案推荐模块将演进优选值与特征匹配度进行归一化处理后得到推荐度,根据每一个候选方案的推荐度,按照从大到小的方式,对候选方案子集中的所有候选方案进行排序,得到推荐结果。
结合本申请第二方面第三实施方式,本申请第二方面第四实施方式中,
所述自完善模块,还用于判断所述推荐结果中的候选方案属于所述第二子集或所述第四子集;
所述自完善模块,还用于当所述推荐结果中的候选方案属于所述第二子集时,则确定所述推荐结果中的所有候选方案均为完善的候选方案;
所述自完善模块,还用于当所述推荐结果中的候选方案属于所述第四子集时,则根据所述待使用特征确定待设计基站的器件特征;
所述自完善模块,还用于逐一判断所述推荐结果中的候选方案与所述待设计基站的器件特征是否完全匹配;
所述自完善模块,还用于当第一候选方案与所述待设计基站的器件特征不完全匹配时,则确定所述第一候选方案为不完善的候选方案;
所述自完善模块,还用于当第二候选方案与所述待设计基站的器件特征完全匹配时,则确定所述第二候选方案为完善的候选方案。
由于推荐结果只可能是第二子集或者第四子集,如果推荐结果对应的是第二子集,那么表示推荐结果中所有的候选方案都是硬件不可替换的条件下得到的,那么表示推荐结果中所有的候选方案的器件类型或数目与待设计基站的扩容改造的器件类型或数据是一致,则推荐结果中的所有候选方案均为完善的候选方案;如果推荐结果中的候选方案属于第四子集,则自完善模块根据待使用特征确定待设计基站的器件特征,逐一判断推荐结果中的候选方案与待设计基站的器件特征是否完全匹配,如果第一候选方案与待设计基站的器件特征不完全匹配,则自完善模块确定第一候选方案为不完善的候选方案,如果第二候选方案与待设计基站的器件特征完全匹配,则确定第二候选方案为完善的候选方案。完善的候选方案都是按照推荐结果直接推荐给客户的,不需要进行修改了,但是如果是不完善的候选方案,则不能直接推荐给客户,因此,在得到推荐结果之后,还需要判断出推荐结果中的候选方案是否存在不完善的候选方案。
结合本申请第二方面第四实施方式,本申请第二方面第五实施方式中,
所述自完善模块,还用于确定所述不完善的候选方案中的待调整端口槽位;
所述自完善模块,还用于根据所述器件连接知识图谱,通过连线规则挖掘算法生成频繁连线集合;
所述自完善模块,还用于根据所述频繁连线集合确定所述待调整端口槽位的设置信息;
所述自完善模块,还用于根据所述设置信息调整所述不完善的候选方案中的待调整端口槽位,得到自完善候选方案;
所述自完善模块,还用于根据所述自完善候选方案及所述完善的候选方案得到所述待设计基站方案集。
在自完善模块确定了不完善的候选方案之后,首先确定不完善的候选方案中的待调整端口槽位,已知了器件连接知识图谱的情况下,通过连线规则挖掘算法生成频繁连线集合,从而确定了待调整端口槽位的频繁连线集合,再采用概率图模型(这里主要运用贝叶斯网络),将已匹配的端口槽位作为条件信息,在待调整端口槽位的频繁连线集合中推荐出待调整端口槽的设置信息,使得提供给客户的待设计基站方案集中的待设计基站方案都是完善的,无需在进行设计和改进,更加符合客户需求。
结合本申请第二方面、第二方面第一实施方式、第二方面第二实施方式、第二方面第三实施方式、第二方面第四实施方式或第二方面第五实施方式,本申请第二方面第六实施方式中,
所述特征提取模块,具体用于对所述现网基站信息及所述待设计基站信息进行数据清洗处理及数据映射处理;
所述特征提取模块,还用于将处理后的所述现网基站信息及所述待设计基站信息转换为待使用特征。
特征提取模块先对现网基站信息及待设计基站信息进行数据清洗处理,数据清洗处理主要手段是选取有效信息、剔除无用字段(如注释等),再进行数据映射处理,例如从器件标识号码(ID)可以解析出器件类型和名称等,现网基站信息及待设计基站信息进行数据清洗处理及数据映射处理,特征提取模块再通过改变文件格式的形式提取出待使用特征。
结合本申请第二方面第六实施方式,本申请第二方面第七实施方式中,所述装置还包括:
知识库存储模块,用于将所述历史方案集、所述方案演进路径模型、所述器件连接知识图谱及所述待设计基站方案集存储至知识库。
为了增强基站扩容改造方案设计装置的性能,需要加强历史方案库的数据量,从而得到更加完整的方案演进路径模型及器件连接知识图谱,那么可以在每次获取到历史方案集、方案演进路径模型、器件连接知识图谱及待设计基站方案集之后,知识库存储模块都可以将其存储至知识库中,知识库为数据库或者云存储器等等。
本申请第三方面提供一种服务器,包括:
处理器、收发器及存储器,其中,所述存储器可以用于存储所述处理器执行的代码;
所述处理器、所述收发器及所述存储器通过总线***连接;
所述收发器,用于获取现网基站信息、待设计基站信息及历史方案集;
所述处理器,用于对所述现网基站信息及所述待设计基站信息进行数据处理,得到待使用特征;
所述处理器,用于对所述历史方案集进行算法训练学习,得到方案演进路径模型及器件连接知识图谱;
所述处理器,用于根据所述待使用特征,通过逆向减法算法从所述历史方案集中选择出候选方案子集;
所述处理器,用于根据所述方案演进路径模型对所述候选方案子集中的所有候选方案进行推荐度排序处理,得到推荐结果;
所述处理器,用于当所述推荐结果中存在不完善的候选方案时,根据所述器件连接知识图谱对所述不完善的候选方案进行自完善处理,得到待设计基站方案集。
当需要对一个基站进行扩容改造时,基站设计交付人员将现网基站信息以及待设计基站信息输入到基站扩容改造方案设计装置,收发器可以获取到基站设计交付人员输入的现网基站信息及待设计基站信息,处理器对现网基站信息及待设计基站信息进行数据处理,得到待使用特征,并且通过基站设计交付人员的输入、从网络获取或者从该装置的数据库获取到历史方案集,处理器对历史方案集进行算法训练学习,得到方案演进路径模型及器件连接知识图谱,根据待使用特征,处理器通过逆向减法算法对历史方案集进行待使用特征的特征匹配,从而选择出候选方案子集,处理器在方案演进路径模型基础上,可以推演得到待设计基站的扩容改造方案的演进路径,从而计算出候选方案子集中的每一个候选方案的推荐度,按照得到推荐度的大小,对候选方案子集中的候选方案进行排序,得到推荐结果,当推荐结果中存在不完善的候选方案时,处理器根据器件连接知识图谱能够了解到器件之间的连接规则,按照器件之间的连接规则实现对不完善的候选方案进行自完善处理,使得不完善的候选方案能够完全匹配待设计基站,将自完善处理后的不完善的候选方案,以及原本就是完善的候选方案合并到一个集合中,得到待设计基站方案集。通过使用逆向减法算法获取候选方案子集,可以避免正向演进逻辑中场景过多造成的组合***问题,明显的减少了候选方案的数量;根据方案演进路径模型对候选方案子集中的所有候选方案进行推荐度排序处理,得到推荐结果,能够更加精准、快速地得到候选方案;根据器件连接知识图谱对不完善的候选方案进行自完善处理,能够给出更加符合客户需求的候选方案。因此,提升了待设计基站方案设计的速度、效率及准确性。
本申请第四方面提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行上述的基站扩容改造方案设计方法。
本申请第五方面提供一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述的基站扩容改造方案设计方法。
附图说明
为了更清楚地说明本申请实施例技术方案,下面将对实施例和现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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它的附图。
图1为本申请提供的应用场景示意图;
图2为本申请提供的一个基站扩容改造方案设计方法的流程示意图;
图3为本申请提供的器件频繁关联序列示意图;
图4为本申请提供的概率图模型示意图;
图5为本申请提供的逆向减法算法的流程示意图;
图6为本申请提供的现网基站信息及待设计基站信息的xml格式的实例;
图7为本申请提供的特征表达式的JSON格式的实例;
图8为本申请提供的一个基站扩容改造方案设计装置的结构示意图;
图9为本申请提供的另一个基站扩容改造方案设计装置的结构示意图;
图10为本申请提供的一个服务器的结构示意图。
具体实施方式
本申请提供了一种基站扩容改造方案设计方法及相关设备,用于提升待设计基站方案设计的速度、效率及准确性。
下面将结合本申请中的附图,对本申请中的技术方案进行清楚、完整地描述,显然,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。基于本申请中的实施例,本领域技术人员在没有作出创造性劳动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。
首先简单介绍本申请应用的***构架或场景。
在目前的基站主设备扩容改造场景下的部署方案,需要基于现网存量来设计,设计过程全部由人工完成,差异在于出图方式。
出图方式一、为纯人工制作PPT。具体为:基于客户要求、BOQ及现网存量配置数据,依据专家经验,由人工制作PPT。
出图方式二、为工具自动出图。具体为:导入现网存量配置数据,工具完成现网基站部署方案还原;基于现网方案和售前产品配置信息,依靠专家经验,由人工设计满足RF规划的目标网方案;基于设计结果填写并导入主设备连线规则表和站点信息表(BOQ和RF规划信息),工具读取参数,并基于内置硬件规则自动生成主设备规划图。
针对以上的出图方式一和出图方式二存在的如下缺点:1、正向方式下进行扩容改造,在方案设计中,器件种类较多,数量选择不固定,器件的槽位选择及器件之间端口连接方式选择较多,出现组合***,即排列组合数目过大,可生成的候选方案数量巨大,人工难以从众多组合设计中判断和选择最终方案;2、扩容改造场景的部署方案设计需要参照现网方案,设计过程复杂,对技术人员的经验要求比新建场景更高;3、设计环节完全依赖专家经验完成,耗时且出错率高;4、当前方案没有实现云化存储,全球范围无法共享最优方案。以上四点,导致基站扩容改造方案设计的速度与效率低下。
为了提高基站扩容改造方案设计的速度和效率,本申请提出了一种基站扩容改造方案设计方法及相关装置,用于提高基站扩容改造方案设计时的速度和效率,应用的***架构或场景如图1所示,本申请主要应用于基站扩容改造设计交付场景,基站设计交付人员将现网基站信息与待设计基站信息(包括待设计基站器件类型和数量等),通过基站扩容改造方案设计装置(可能的形态是手机上的APP或者处于网络上服务器等),将原始信息输出成基站设计图,从而交付给客户。需要说明的是,本申请的方法不限定于基站扩容改造方案设计,也可以应用于需要进行场景扩容改造的其它设备场合,包括应用到其他工业图纸设计业务中,如建筑、电力及机械等。
如图2所示,本申请实施例提供了一种基站扩容改造方案设计方法,包括:
201、获取现网基站信息、待设计基站信息及历史方案集;
本实施例中,当需要对一个基站进行扩容改造时,基站设计交付人员将现网基站信息以及待设计基站信息输入到基站扩容改造方案设计装置,基站扩容改造方案设计装置可以获取到基站设计交付人员输入的现网基站信息及待设计基站信息,并且通过基站设计交付人员的输入、从网络获取或者从该装置的数据库获取到历史方案集,该历史方案集是已有基站的历史扩容改造时的扩容改造方案。
202、对现网基站信息及待设计基站信息进行数据处理,得到待使用特征;
本实施例中,对获取到的现网基站信息及待设计基站信息进行数据处理,包括数据清洗及特征抽取等等,得到待使用特征,待使用特征一般包括器件特征,器件特征包括器件类型、器件数量、器件槽位、器件端口及器件连接关系等等。
203、对历史方案集进行算法训练学习,得到方案演进路径模型及器件连接知识图谱;
本实施例中,对历史方案集进行算法训练学习,得到方案演进路径模型及器件连接知识图谱,由于基站扩容改造的过程不是一蹴而就的,而是一个逐步增加/替换器件以及增加/修改器件之间连接关系的过程,因此,从方案演进路径模型中可以推演得到历史方案集中各扩容改造方案的器件的连接关系的过程,而且可以从器件连接知识图谱中了解到各器件之间的连接规则,器件之间的连接规则具体包括器件的端口槽位之间的连接规则等。
204、根据待使用特征,通过逆向减法算法从历史方案集中选择出候选方案子集;
本实施例中,根据待使用特征,通过逆向减法算法对历史方案集进行待使用特征的特征匹配,从而选择出候选方案子集。
205、根据方案演进路径模型对候选方案子集中的所有候选方案进行推荐度排序处理,得到推荐结果;
本实施例中,在步骤203得到的方案演进路径模型基础上,可以推演得到待设计基站的扩容改造方案的演进路径,从而计算出候选方案子集中的每一个候选方案的推荐度,按照得到推荐度的大小,对候选方案子集中的候选方案进行排序,得到推荐结果。
206、当推荐结果中存在不完善的候选方案时,根据器件连接知识图谱对不完善的候选方案进行自完善处理,得到待设计基站方案集。
本实施例中,推荐结果中的候选方案与待设计基站可能会存在器件类型或者数量等不一致的情况,那么该候选方案的器件之间的连接规则可能不匹配待设计基站的实际器件的情况,这样的候选方案称作不完善的候选方案,此时根据器件连接知识图谱能够了解到器件之间的连接规则,按照器件之间的连接规则实现对不完善的候选方案进行自完善处理,使得不完善的候选方案能够完全匹配待设计基站,将自完善处理后的不完善的候选方案,以及原本就是完善的候选方案合并到一个集合中,得到待设计基站方案集。
本申请实施例中,通过使用逆向减法算法获取候选方案子集,可以避免正向演进逻辑中场景过多造成的组合***问题,明显的减少了候选方案的数量;根据方案演进路径模型对候选方案子集中的所有候选方案进行推荐度排序处理,得到推荐结果,能够更加精准、快速地得到候选方案;根据器件连接知识图谱对不完善的候选方案进行自完善处理,能够给出更加符合客户需求的候选方案。因此,提升了待设计基站方案设计的速度、效率及准确性。
可选的,本申请的一些实施例中,对历史方案集进行算法训练学习,得到演进知识图谱及器件连接知识图谱,包括:
通过社交图挖掘算法对历史方案集进行演进路径训练学习,得到方案演进路径模型;
通过频繁项挖掘算法对历史方案集进行连接知识图谱训练学习,得到器件连接知识图谱。
本申请实施例中,方案演进路径模型的训练学习算法具体可以是通过社交图挖掘算法得到,而方案演进路径模型主要是用于可以推演得到历史方案集中各扩容改造方案的器件的连接关系的过程,而且基于方案演进路径模型所采用的是演进路径优选算法,演进路径优选算法是网络最大流、最小费用流问题的一类具体问题,关于网络最大流、最小费用流问题有许多经典的算法及其改进算法,如Ford-Fulkerson算法、Dijkstra算法、负回路算法等。而得到方案演进路径模型的社交图挖掘算法主要采用基于图论的分析方法,把整个社交网络表示成图的形式,其中,节点代表社交网络中的个体,边代表个体之间的连接。研究成果有小世界理论、中心性分析、社区分析等。应用在基站主设备扩容改造中,以节点表示器件,以边代表器件间的连线;
器件连接知识图谱的训练学习算法重点是学习器件之间的基本连接规则、深层连接关系以及概率图模型的网络结构与参数。如图3所示表示的是器件频繁关联序列的示意图,ABCD分别表示不同器件及端口信息,如A:BBU_1-Port0,B:RXU_2-Port1,则AB表示BBU_1的端口0与RXU_2的端口1相连接,其他情况以此类推。频繁项挖掘算法具体可以是关联规则挖掘算法(Association rule mining),关联规则挖掘算法是数据挖掘中最活跃的研究方法之一,可以用来发现事情之间的联系,最早是为了发现超市交易数据库中不同的商品之间的关系,最经典的案例是沃尔玛超市的尿布与啤酒。常用算法有Apriori算法、FP-Growth算法等。其中FP-Growth算法是韩家炜等人在2000年提出的关联分析算法,将提供频繁项集的数据库压缩到一棵频繁模式树(FP-tree),但仍保留项集关联信息。关联规则挖掘主要用于学习器件之间的基本连接规则,如BBU_1可以与RXU_2连接,BBU_1无法与Cabinet相连等;
基站扩容改造过程中,涉及到器件之间的连线添加及修改,在这种情况下,仅仅根据器件之间的基本连接规则会得到很多冗余连线,从而降低方案的有效性。如图4所示的概率图模型是一个有效学习深层连接关系的方法,其中A、B、C和D分表代表不同器件的端口信息,如A:BBU_1-Port0,B:RXU_2-Port1,C:BBU_2-Port1,D:RRU_1-Port2。P(AD)表示A与D相连的概率,P(AB|BC)表示B与C相连的条件下,A与B相连的概率。概率图模型可以大致分为两个类别:贝叶斯网络(Bayesian Network)和马尔可夫随机场(Markov Random Field)。它们的主要区别在于采用不同类型的图来表达变量之间的关系,贝叶斯网络采用有向无环图(Directed Acyclic Graph)来表达因果关系,马尔可夫随机场则采用无向图(UndirectedGraph)来表达变量间的相互作用。由于马尔可夫场的参数估计困难,因此我们主要采用贝叶斯网络。贝叶斯网络中每一个节点都对应于一个先验概率分布或者条件概率分布,因此整体的联合分布可以直接分解为所有单个节点所对应的分布的乘积。深层连接关系能够给出在某种条件下,例如图4中B与C已经连接的情况下,A与B相连的概率,即条件概率,由此及其他信息即可得到条件概率分布,从而得到联合分布获取深层连接关系,并根据历史方案训练概率图模型的网络结构与参数,其中,网络结构即器件连线关系图,参数为器件之间有边相连的概率。那么在频繁关联序列和概率图模型的基础上就能得到器件连接知识图谱。
可选的,本申请的一些实施例中,根据待使用特征,通过逆向减法算法从历史方案集中选择出候选方案子集,包括:
根据待使用特征,得到RF特征、新BOQ特征、现网BOQ特征及硬件替换条件特征;
根据RF特征和新BOQ特征,对历史方案集中的所有候选方案进行特征匹配,得到第一子集;
根据硬件替换条件特征判断是否为硬件可替换;
若硬件替换条件特征不是硬件可替换,则根据现网BOQ特征,对第一子集中的所有候选方案进行特征匹配,得到第二子集;
计算第二子集中每一个候选方案的特征匹配度,根据特征匹配度对第二子集中的方案进行排序,得到候选方案子集;
若硬件替换条件特征是硬件可替换,则根据新BOQ特征,对第一子集中的所有候选方案进行删选,得到第三子集,第三子集中的所有候选方案中均不包含新BOQ特征;
根据现网BOQ特征,对第三子集中的所有候选方案进行特征匹配,得到第四子集;
计算第四子集中每一个候选方案的特征匹配度,根据特征匹配度对第四子集中的候选方案进行排序,得到候选方案子集。
本申请实施例中,假设历史方案库的信息的通过三层合集的方式进行表示,第一层集合代表方案库全体,第二层集合代表方案库中的某一基站方案信息,第三层集合分别代表每一个基站方案包含的三部分不同类型信息,那么对待设计基站进行扩容改造时,采用的也是三层合集的方式,通过逆向减法算法从历史方案集中选择出候选方案子集的具体过程为:
(1)、根据待使用特征,得到RF特征、新BOQ特征、现网BOQ特征及硬件替换条件特征;
其中,RF特征表示的是生成高频交流变化电磁波的能力,是对待设计基站进行扩容改造的一个重要数据,新BOQ特征表示的是扩容改造后的待设计基站的拟建工程的分部分项工程项目、措施项目、其他项目名称和对应数量的明细清单,现网BOQ特征表示的是扩容改造的现网基站的拟建工程的分部分项工程项目、措施项目、其他项目名称和对应数量的明细清单,硬件替换条件特征是由基站设计交付人员预先设置的,分为硬件可替换和硬件不可替换。
(2)、根据RF特征和新BOQ特征,对历史方案集中的所有候选方案进行特征匹配,得到第一子集;
结合图5所示,根据扩容改造基站的RF特征与新BOQ特征(其中RF与新BOQ属于第三层集合,属于不同的子集)与历史方案库U中所有方案进行匹配得到第一子集,即集合S。
(3)、根据硬件替换条件特征判断是否为硬件可替;
(4)、若硬件替换条件特征不是硬件可替换,则根据现网BOQ特征,对第一子集中的所有候选方案进行特征匹配,得到第二子集;
若所有硬件不可替换,则比较简单,直接用现网BOQ特征与第一子集(S)中的方案进行匹配,得到符合要求的第二子集(A)。
(5)、计算第二子集中每一个候选方案的特征匹配度,根据特征匹配度对第二子集中的方案进行排序,得到候选方案子集;
将第二子集(A)与待改造基站根据端口槽位等其余特征计算特征匹配度d,再按匹配度从高到低进行排序,得到候选方案子集。特征匹配度d的计算公式如下:
其中,d的下标1指待改造基站,2指第二子集(A)中的第2个方案;x1k即待改造基站n项特征中的第k项,指端口、槽位等特征中的一项;x2k即第二子集(A)中第2个方案n项特征中个的第k项,指端口、槽位等特征中的一项。
(6)、若硬件替换条件特征是硬件可替换,则根据新BOQ特征,对第一子集中的所有候选方案进行删选,得到第三子集,第三子集中的所有候选方案中均不包含新BOQ特征;
若硬件可替换,则在第一子集(S)中先减去与新BOQ特征匹配的方案,得到第三子集(B)。
(7)、根据现网BOQ特征,对第三子集中的所有候选方案进行特征匹配,得到第四子集;
用现网BOQ特征与第三子集(B)中的方案进行匹配,得到符合要求的第四子集(C)。
(8)、计算第四子集中每一个候选方案的特征匹配度,根据特征匹配度对第四子集中的候选方案进行排序,得到候选方案子集。
具体的计算特征匹配度的方式与第(5)步中的相同,不做赘述。
从以上(1)至(8)中可以看出,逆向减法算可以避免正向演进逻辑中场景过多造成的组合***问题,得到候选方案子集的数量明显的减少了,因此,可以明显的提高待设计基站方案设计的速度。
可选的,本申请的一些实施例中,根据方案演进路径模型对候选方案子集中的所有候选方案进行推荐度排序处理,得到推荐结果,包括:
根据方案演进路径模型,通过演进路径优选算法计算得到候选方案子集中每一个候选方案的演进优选值;
根据演进优先值及演进优选值对应的候选方案的特征匹配度,得到候选方案子集中每一个候选方案的推荐度;
根据推荐度,对候选方案子集中的所有候选方案进行排序,得到推荐结果。
本申请实施例中,在以上描述的(5)或(8)中已经得到候选方案子集中每一个候选方案的特征匹配度了,而在已知方案演进路径模型的基础上,采用演进路径优选算法进行处理之后,可以得到候选方案子集中每一个候选方案的演进优选值,具体计算过程如下:针对项目/地区/国家级别,根据候选方案间的扩容改造/演进路径,计算候选方案子集中各候选方案的优选值,以网页排名(PageRank)为例,PageRank是一种由根据网页之间相互的超链接计算的技术,而作为网页排名的要素之一,用它来体现网页的相关性和重要性,将PageRank应用到基站主设备扩容改造中,以PageRank值体现器件的相关性与重要性。演进优选值通过方案演进路径计算获取,公式如下:
上面公式中,PR(pi)表示候选方案i中的器件pi的PageRank值,即演进优选值;pi、pj是代表不同的器件,pj是候选方案j中器件;d是一个大于0小于1的系数;L(j)表示pj连接的器件数,由于d是预先设置的,pi、pj及L(j)可以通过方案演进路径模型得到,那么演进优选值PR(pi)可以计算得出;
在候选方案i的演进优选值PR(pi)计算出之后,又已知该候选方案i的特征匹配度di,将演进优选值PR(pi)与特征匹配度di进行归一化处理,归一化公式如下:
Ri=(1-α)PRi+α*di
其中,α是一个大于0小于1的常数,那么可以得到候选方案i的推荐度Ri;
根据每一个候选方案的推荐度,按照从大到小的方式,对候选方案子集中的所有候选方案进行排序,得到推荐结果。
可选的,本申请的一些实施例中,
判断推荐结果中的候选方案属于第二子集或第四子集;
若推荐结果中的候选方案属于第二子集,则确定推荐结果中的所有候选方案均为完善的候选方案;
若推荐结果中的候选方案属于第四子集,则根据待使用特征确定待设计基站的器件特征;
逐一判断推荐结果中的候选方案与待设计基站的器件特征是否完全匹配;
若第一候选方案与待设计基站的器件特征不完全匹配,则确定第一候选方案为不完善的候选方案;
若第二候选方案与待设计基站的器件特征完全匹配,则确定第二候选方案为完善的候选方案。
本申请实施例中,由于推荐结果只可能是对应以上实施例(4)中的第二子集或者(7)中的第四子集,如果推荐结果对应的是第二子集,那么表示推荐结果中所有的候选方案都是硬件不可替换的条件下得到的,那么表示推荐结果中所有的候选方案的器件类型或数目与待设计基站的扩容改造的器件类型或数据是一致,则推荐结果中的所有候选方案均为完善的候选方案;如果推荐结果中的候选方案属于第四子集,则根据待使用特征确定待设计基站的器件特征,逐一判断推荐结果中的候选方案与待设计基站的器件特征是否完全匹配,如果第一候选方案与待设计基站的器件特征不完全匹配,则确定第一候选方案为不完善的候选方案,如果第二候选方案与待设计基站的器件特征完全匹配,则确定第二候选方案为完善的候选方案。完善的候选方案都是按照推荐结果直接推荐给客户的,不需要进行修改了,但是如果是不完善的候选方案,则不能直接推荐给客户,因此,在得到推荐结果之后,还需要判断出推荐结果中的候选方案是否存在不完善的候选方案。
可选的,本申请的一些实施例中,根据器件连接知识图谱对不完善的候选方案进行自完善处理,得到待设计基站方案集,包括:
确定不完善的候选方案中的待调整端口槽位;
根据器件连接知识图谱,通过连线规则挖掘算法生成频繁连线集合;
根据频繁连线集合确定待调整端口槽位的设置信息;
根据设置信息调整不完善的候选方案中的待调整端口槽位,得到自完善候选方案;
根据自完善候选方案及完善的候选方案得到待设计基站方案集。
本申请实施例中,在确定了不完善的候选方案之后,首先确定不完善的候选方案中的待调整端口槽位,已知了器件连接知识图谱的情况下,通过连线规则挖掘算法生成频繁连线集合,从而确定了待调整端口槽位的频繁连线集合,再采用概率图模型(这里主要运用贝叶斯网络),将已匹配的端口槽位作为条件信息,在待调整端口槽位的频繁连线集合中推荐出待调整端口槽位取值,如表1和表2所示,为最终推荐出来的候选方案的端口连接和槽位布置表样例,表1中给出了单板(RXU_1)上端口(Self-port 0和1)和端口(Head-type-port)的连接关系,即单板RXU_1上的端口port0连接BBU_1port2、BBU_2port0及BBU_3port4这三个端口的推荐度分别是0.7、0.2和0.1,按照最大推荐度原则,则最终方案中将单板RXU_1的port0端口连接单板BBU_1的端口port2,依次类推。表2中给出了单板RXU_1在槽位0、1、2及3的布置的推荐度,分别为0.5、0.3、0.1及0.1,按照最大推荐度原则,则最终方案中RXU_1摆放在槽位0中。因此,在存在不完善的候选方案时,能够给出待调整端口槽位的设置信息,使得提供给客户的待设计基站方案集中的待设计基站方案都是完善的,无需在进行设计和改进,更加符合客户需求。
表1
表2
可选的,本申请的一些实施例中,对现网基站信息及待设计基站信息进行数据处理,得到待使用特征,包括:
对现网基站信息及待设计基站信息进行数据清洗处理及数据映射处理;
将处理后的现网基站信息及待设计基站信息转换为待使用特征。
本申请实施例中,先对现网基站信息及待设计基站信息进行数据清洗处理,数据清洗处理主要手段是选取有效信息、剔除无用字段(如注释等),再进行数据映射处理,例如从器件标识号码(ID)可以解析出器件类型和名称等,现网基站信息及待设计基站信息进行数据清洗处理及数据映射处理,再通过改变文件格式的形式提取出待使用特征,如图6所示,为现网基站信息及待设计基站信息的xml格式的实例,图7为转换为特征表达式的JSON格式的实例。如图7中的BBUtype1表示一种特定类型的BBU,其他器件类型的表达如BBU_type2,…,RXU_type1,AAU_type1,Antenna_type1,TMA_type1,Combiner_type1,RCU_type1,SBT_type1,Spliter_type1等,器件数量、器件槽位(sectorNo)、器件端口(ports)及器件连线关系等特征数据。特征表示的实例如图7所示。
可选的,本申请的一些实施例中,方法还包括:
将历史方案集、方案演进路径模型、器件连接知识图谱及待设计基站方案集存储至知识库。
本申请实施例中,为了增强基站扩容改造方案设计装置的性能,需要加强历史方案库的数据量,从而得到更加完整的方案演进路径模型及器件连接知识图谱,那么可以在每次获取到历史方案集、方案演进路径模型、器件连接知识图谱及待设计基站方案集之后,都可以将其存储至知识库中,知识库为数据库或者云存储器等等。
上述实施例中描述的是基站扩容改造方案设计方法,下面通过实施例对基站扩容改造方案设计装置进行说明。
如图8所示,本申请实施例提供一种基站扩容改造方案设计装置,包括:
获取模块801,用于获取现网基站信息、待设计基站信息及历史方案集;
特征提取模块802,用于对现网基站信息及待设计基站信息进行数据处理,得到待使用特征;
训练学习模块803,用于对历史方案集进行算法训练学习,得到方案演进路径模型及器件连接知识图谱;
方案筛选模块804,用于根据待使用特征,通过逆向减法算法从历史方案集中选择出候选方案子集;
方案推荐模块805,用于根据方案演进路径模型对候选方案子集中的所有候选方案进行推荐度排序处理,得到推荐结果;
自完善模块806,用于当推荐结果中存在不完善的候选方案时,根据器件连接知识图谱对不完善的候选方案进行自完善处理,得到待设计基站方案集。
本申请实施例中,当需要对一个基站进行扩容改造时,基站设计交付人员将现网基站信息以及待设计基站信息输入到基站扩容改造方案设计装置,获取模块801可以获取到基站设计交付人员输入的现网基站信息及待设计基站信息,特征提取模块802对现网基站信息及待设计基站信息进行数据处理,得到待使用特征,并且通过基站设计交付人员的输入、从网络获取或者从该装置的数据库获取到历史方案集,训练学习模块803对历史方案集进行算法训练学习,得到方案演进路径模型及器件连接知识图谱,根据待使用特征,方案筛选模块804通过逆向减法算法对历史方案集进行待使用特征的特征匹配,从而选择出候选方案子集,方案推荐模块805在方案演进路径模型基础上,可以推演得到待设计基站的扩容改造方案的演进路径,从而计算出候选方案子集中的每一个候选方案的推荐度,按照得到推荐度的大小,对候选方案子集中的候选方案进行排序,得到推荐结果,当推荐结果中存在不完善的候选方案时,自完善模块806根据器件连接知识图谱能够了解到器件之间的连接规则,按照器件之间的连接规则实现对不完善的候选方案进行自完善处理,使得不完善的候选方案能够完全匹配待设计基站,将自完善处理后的不完善的候选方案,以及原本就是完善的候选方案合并到一个集合中,得到待设计基站方案集。通过使用逆向减法算法获取候选方案子集,可以避免正向演进逻辑中场景过多造成的组合***问题,明显的减少了候选方案的数量;根据方案演进路径模型对候选方案子集中的所有候选方案进行推荐度排序处理,得到推荐结果,能够更加精准、快速地得到候选方案;根据器件连接知识图谱对不完善的候选方案进行自完善处理,能够给出更加符合客户需求的候选方案。因此,提升了待设计基站方案设计的速度、效率及准确性。
可选的,本申请的一些实施例中,
训练学习模块803,具体用于通过社交图挖掘算法对历史方案集进行演进路径训练学习,得到方案演进路径模型;
训练学习模块803,还用于通过频繁项挖掘算法对历史方案集进行连接知识图谱训练学习,得到器件连接知识图谱。
本申请实施例中,方案演进路径模型的训练学习算法具体可以是训练学习模块803通过社交图挖掘算法得到,而方案演进路径模型主要是用于可以推演得到历史方案集中各扩容改造方案的器件的连接关系的过程。器件连接知识图谱的训练学习算法重点是训练学习模块803学习器件之间的基本连接规则、深层连接关系以及概率图模型的网络结构与参数。通过频繁项挖掘算法得到频繁关联序列,并且得到概率图模型,在频繁关联序列和概率图模型的基础上就能得到器件连接知识图谱。
可选的,本申请的一些实施例中,
方案筛选模块804,具体用于根据待使用特征,得到RF特征、新BOQ特征、现网BOQ特征及硬件替换条件特征;
方案筛选模块804,还用于根据RF特征和新BOQ特征,对历史方案集中的所有候选方案进行特征匹配,得到第一子集;
方案筛选模块804,还用于根据硬件替换条件特征判断是否为硬件可替换;
方案筛选模块804,还用于当硬件替换条件特征不是硬件可替换时,则根据现网BOQ特征,对第一子集中的所有候选方案进行特征匹配,得到第二子集;
方案筛选模块804,还用于计算第二子集中每一个候选方案的特征匹配度,根据特征匹配度对第二子集中的方案进行排序,得到候选方案子集;
方案筛选模块804,还用于当硬件替换条件特征是硬件可替换时,则根据新BOQ特征,对第一子集中的所有候选方案进行删选,得到第三子集,第三子集中的所有候选方案中均不包含新BOQ特征;
方案筛选模块804,还用于根据现网BOQ特征,对第三子集中的所有候选方案进行特征匹配,得到第四子集;
方案筛选模块804,还用于计算第四子集中每一个候选方案的特征匹配度,根据特征匹配度对第四子集中的候选方案进行排序,得到候选方案子集。
本申请实施例中,方案筛选模块804根据待使用特征,得到RF特征、新BOQ特征、现网BOQ特征及硬件替换条件特征,RF特征和新BOQ是对待设计基站进行扩容改造的一个重要数据,硬件替换条件特征是由基站设计交付人员预先设置的,分为硬件可替换和硬件不可替换,根据RF特征与新BOQ特征与历史方案库中所有方案进行匹配得到第一子集,根据硬件替换条件特征判断是否为硬件可替,若硬件替换条件特征不是硬件可替换,则根据现网BOQ特征,对第一子集中的所有候选方案进行特征匹配,得到第二子集,计算第二子集中每一个候选方案的特征匹配度,根据特征匹配度对第二子集中的方案进行排序,得到候选方案子集;若硬件替换条件特征是硬件可替换,则根据新BOQ特征,对第一子集中的所有候选方案进行删选,得到第三子集,第三子集中的所有候选方案中均不包含新BOQ特征,根据现网BOQ特征,对第三子集中的所有候选方案进行特征匹配,得到第四子集,计算第四子集中每一个候选方案的特征匹配度,根据特征匹配度对第四子集中的候选方案进行排序,得到候选方案子集。逆向减法算可以避免正向演进逻辑中场景过多造成的组合***问题,得到候选方案子集的数量明显的减少了,因此,可以明显的提高待设计基站方案设计的速度。
可选的,本申请的一些实施例中,
方案推荐模块805,具体用于根据方案演进路径模型,通过演进路径优选算法计算得到候选方案子集中每一个候选方案的演进优选值;
方案推荐模块805,还用于根据演进优先值及演进优选值对应的候选方案的特征匹配度,得到候选方案子集中每一个候选方案的推荐度;
方案推荐模块805,还用于根据推荐度,对候选方案子集中的所有候选方案进行排序,得到推荐结果。
本申请实施例中,在已知方案演进路径模型的基础上,方案推荐模块805采用演进路径优选算法进行处理之后,可以得到候选方案子集中每一个候选方案的演进优选值,在候选方案的演进优选值计算出之后,又已知该候选方案的特征匹配度,方案推荐模块805将演进优选值与特征匹配度进行归一化处理后得到推荐度,根据每一个候选方案的推荐度,按照从大到小的方式,对候选方案子集中的所有候选方案进行排序,得到推荐结果。
可选的,本申请的一些实施例中,
自完善模块806,还用于判断推荐结果中的候选方案属于第二子集或第四子集;
自完善模块806,还用于当推荐结果中的候选方案属于第二子集时,则确定推荐结果中的所有候选方案均为完善的候选方案;
自完善模块806,还用于当推荐结果中的候选方案属于第四子集时,则根据待使用特征确定待设计基站的器件特征;
自完善模块806,还用于逐一判断推荐结果中的候选方案与待设计基站的器件特征是否完全匹配;
自完善模块806,还用于当第一候选方案与待设计基站的器件特征不完全匹配时,则确定第一候选方案为不完善的候选方案;
自完善模块806,还用于当第二候选方案与待设计基站的器件特征完全匹配时,则确定第二候选方案为完善的候选方案。
本申请实施例中,由于推荐结果只可能是第二子集或者第四子集,如果推荐结果对应的是第二子集,那么表示推荐结果中所有的候选方案都是硬件不可替换的条件下得到的,那么表示推荐结果中所有的候选方案的器件类型或数目与待设计基站的扩容改造的器件类型或数据是一致,则推荐结果中的所有候选方案均为完善的候选方案;如果推荐结果中的候选方案属于第四子集,则自完善模块805根据待使用特征确定待设计基站的器件特征,逐一判断推荐结果中的候选方案与待设计基站的器件特征是否完全匹配,如果第一候选方案与待设计基站的器件特征不完全匹配,则自完善模块805确定第一候选方案为不完善的候选方案,如果第二候选方案与待设计基站的器件特征完全匹配,则自完善模块805确定第二候选方案为完善的候选方案。完善的候选方案都是按照推荐结果直接推荐给客户的,不需要进行修改了,但是如果是不完善的候选方案,则不能直接推荐给客户,因此,在得到推荐结果之后,还需要判断出推荐结果中的候选方案是否存在不完善的候选方案。
可选的,本申请的一些实施例中,
自完善模块805,还用于确定不完善的候选方案中的待调整端口槽位;
自完善模块805,还用于根据器件连接知识图谱,通过连线规则挖掘算法生成频繁连线集合;
自完善模块805,还用于根据频繁连线集合确定待调整端口槽位的设置信息;
自完善模块805,还用于根据设置信息调整不完善的候选方案中的待调整端口槽位,得到自完善候选方案;
自完善模块805,还用于根据自完善候选方案及完善的候选方案得到待设计基站方案集。
本申请实施例中,在自完善模块805确定了不完善的候选方案之后,首先确定不完善的候选方案中的待调整端口槽位,已知了器件连接知识图谱的情况下,通过连线规则挖掘算法生成频繁连线集合,从而确定了待调整端口槽位的频繁连线集合,再采用概率图模型(这里主要运用贝叶斯网络),将已匹配的端口槽位作为条件信息,在待调整端口槽位的频繁连线集合中推荐出待调整端口槽的设置信息,使得提供给客户的待设计基站方案集中的待设计基站方案都是完善的,无需在进行设计和改进,更加符合客户需求。
可选的,本申请的一些实施例中,
特征提取模块801,具体用于对现网基站信息及待设计基站信息进行数据清洗处理及数据映射处理;
特征提取模块801,还用于将处理后的现网基站信息及待设计基站信息转换为待使用特征。
本申请实施例中,特征提取模块801先对现网基站信息及待设计基站信息进行数据清洗处理,数据清洗处理主要手段是选取有效信息、剔除无用字段(如注释等),再进行数据映射处理,例如从器件标识号码(ID)可以解析出器件类型和名称等,现网基站信息及待设计基站信息进行数据清洗处理及数据映射处理,特征提取模块801再通过改变文件格式的形式提取出待使用特征。
可选的,如图9所示,本申请的一些实施例中,装置还包括:
知识库存储模块901,用于将历史方案集、方案演进路径模型、器件连接知识图谱及待设计基站方案集存储至知识库。
本申请实施例中,为了增强基站扩容改造方案设计装置的性能,需要加强历史方案库的数据量,从而得到更加完整的方案演进路径模型及器件连接知识图谱,那么可以在每次获取到历史方案集、方案演进路径模型、器件连接知识图谱及待设计基站方案集之后,知识库存储模块901都可以将其存储至知识库中,知识库为数据库或者云存储器等等。
以上实施例中介绍了基站扩容改造方案设计方法和装置,而本申请的基站扩容改造方案设计装置可以在以服务器为实体装置的设备上运行,具体如下:
请参阅图10,本申请实施例提供一种服务器,包括:
处理器1001、收发器1002及存储器1003,其中,存储器1003可以用于存储处理器1001执行的代码;
处理器1001、收发器1002及存储器1003通过总线***1004连接;
收发器1002,用于获取现网基站信息、待设计基站信息及历史方案集;
处理器1001,还用于对现网基站信息及待设计基站信息进行数据处理,得到待使用特征;
处理器1001,还用于对历史方案集进行算法训练学习,得到方案演进路径模型及器件连接知识图谱;
处理器1001,还用于根据待使用特征,通过逆向减法算法从历史方案集中选择出候选方案子集;
处理器1001,还用于根据方案演进路径模型对候选方案子集中的所有候选方案进行推荐度排序处理,得到推荐结果;
处理器1001,还用于当推荐结果中存在不完善的候选方案时,根据器件连接知识图谱对不完善的候选方案进行自完善处理,得到待设计基站方案集。
本申请实施例中,当需要对一个基站进行扩容改造时,基站设计交付人员将现网基站信息以及待设计基站信息输入到基站扩容改造方案设计装置,收发器1002可以获取到基站设计交付人员输入的现网基站信息及待设计基站信息,处理器1001对现网基站信息及待设计基站信息进行数据处理,得到待使用特征,并且通过基站设计交付人员的输入、从网络获取或者从该装置的数据库获取到历史方案集,处理器1001对历史方案集进行算法训练学习,得到方案演进路径模型及器件连接知识图谱,根据待使用特征,处理器1001通过逆向减法算法对历史方案集进行待使用特征的特征匹配,从而选择出候选方案子集,处理器1001在方案演进路径模型基础上,可以推演得到待设计基站的扩容改造方案的演进路径,从而计算出候选方案子集中的每一个候选方案的推荐度,按照得到推荐度的大小,对候选方案子集中的候选方案进行排序,得到推荐结果,当推荐结果中存在不完善的候选方案时,处理器1001根据器件连接知识图谱能够了解到器件之间的连接规则,按照器件之间的连接规则实现对不完善的候选方案进行自完善处理,使得不完善的候选方案能够完全匹配待设计基站,将自完善处理后的不完善的候选方案,以及原本就是完善的候选方案合并到一个集合中,得到待设计基站方案集。通过使用逆向减法算法获取候选方案子集,可以避免正向演进逻辑中场景过多造成的组合***问题,明显的减少了候选方案的数量;根据方案演进路径模型对候选方案子集中的所有候选方案进行推荐度排序处理,得到推荐结果,能够更加精准、快速地得到候选方案;根据器件连接知识图谱对不完善的候选方案进行自完善处理,能够给出更加符合客户需求的候选方案。因此,提升了待设计基站方案设计的速度、效率及准确性。
本申请还提供了一种计算机可读存储介质,计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行以上实施例所描述的基站扩容改造方案设计方法。
本申请还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行以上实施例所描述的基站扩容改造方案设计方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (18)
1.一种基站扩容改造方案设计方法,其特征在于,包括:
获取现网基站信息、待设计基站信息及历史方案集;
对所述现网基站信息及所述待设计基站信息进行数据处理,得到待使用特征;
对所述历史方案集进行算法训练学习,得到方案演进路径模型及器件连接知识图谱;
根据所述待使用特征,通过逆向减法算法从所述历史方案集中选择出候选方案子集;
根据所述方案演进路径模型对所述候选方案子集中的所有候选方案进行推荐度排序处理,得到推荐结果;
当所述推荐结果中存在不完善的候选方案时,根据所述器件连接知识图谱对所述不完善的候选方案进行自完善处理,得到待设计基站方案集;
所述根据所述待使用特征,通过逆向减法算法从所述历史方案集中选择出候选方案子集,包括:
根据所述待使用特征,得到射频RF特征、新工程量清单BOQ特征、现网BOQ特征及硬件替换条件特征;
根据所述RF特征和所述新BOQ特征,对所述历史方案集中的所有候选方案进行特征匹配,得到第一子集;
根据所述硬件替换条件特征判断所述硬件替换条件特征是否为硬件可替换;
若所述硬件替换条件特征不是硬件可替换,则根据所述现网BOQ特征,对所述第一子集中的所有候选方案进行特征匹配,得到第二子集;
计算所述第二子集中每一个候选方案的特征匹配度,根据所述特征匹配度对所述第二子集中的方案进行排序,得到候选方案子集。
2.根据权利要求1所述的方法,其特征在于,所述对所述历史方案集进行算法训练学习,得到演进知识图谱及器件连接知识图谱,包括:
通过社交图挖掘算法对所述历史方案集进行演进路径训练学习,得到方案演进路径模型;
通过频繁项挖掘算法对所述历史方案集进行连接知识图谱训练学习,得到器件连接知识图谱。
3.根据权利要求2所述的方法,其特征在于,所述根据所述待使用特征,通过逆向减法算法从所述历史方案集中选择出候选方案子集,包括:
若所述硬件替换条件特征是硬件可替换,则根据所述新BOQ特征,对所述第一子集中的所有候选方案进行删选,得到第三子集,所述第三子集中的所有候选方案中均不包含所述新BOQ特征;
根据所述现网BOQ特征,对所述第三子集中的所有候选方案进行特征匹配,得到第四子集;
计算所述第四子集中每一个候选方案的特征匹配度,根据所述特征匹配度对所述第四子集中的候选方案进行排序,得到候选方案子集。
4.根据权利要求3所述的方法,其特征在于,所述根据所述方案演进路径模型对所述候选方案子集中的所有候选方案进行推荐度排序处理,得到推荐结果,包括:
根据所述方案演进路径模型,通过演进路径优选算法计算得到所述候选方案子集中每一个候选方案的演进优选值;
根据所述演进优选值及所述演进优选值对应的候选方案的特征匹配度,得到所述候选方案子集中每一个候选方案的推荐度;
根据所述推荐度,对所述候选方案子集中的所有候选方案进行排序,得到推荐结果。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
判断所述推荐结果中的候选方案属于所述第二子集或所述第四子集;
若所述推荐结果中的候选方案属于所述第二子集,则确定所述推荐结果中的所有候选方案均为完善的候选方案;
若所述推荐结果中的候选方案属于所述第四子集,则根据所述待使用特征确定待设计基站的器件特征;
逐一判断所述推荐结果中的候选方案与所述待设计基站的器件特征是否完全匹配;
若第一候选方案与所述待设计基站的器件特征不完全匹配,则确定所述第一候选方案为不完善的候选方案;
若第二候选方案与所述待设计基站的器件特征完全匹配,则确定所述第二候选方案为完善的候选方案。
6.根据权利要求5所述的方法,其特征在于,所述根据所述器件连接知识图谱对所述不完善的候选方案进行自完善处理,得到待设计基站方案集,包括:
确定所述不完善的候选方案中的待调整端口槽位;
根据所述器件连接知识图谱,通过连线规则挖掘算法生成频繁连线集合;
根据所述频繁连线集合确定所述待调整端口槽位的设置信息;
根据所述设置信息调整所述不完善的候选方案中的待调整端口槽位,得到自完善候选方案;
根据所述自完善候选方案及所述完善的候选方案得到所述待设计基站方案集。
7.根据权利要求1至6中任一项所述的方法,其特征在于,所述对所述现网基站信息及所述待设计基站信息进行数据处理,得到待使用特征,包括:
对所述现网基站信息及所述待设计基站信息进行数据清洗处理及数据映射处理;
将处理后的所述现网基站信息及所述待设计基站信息转换为待使用特征。
8.根据权利要求7所述的方法,其特征在于,所述方法还包括:
将所述历史方案集、所述方案演进路径模型、所述器件连接知识图谱及所述待设计基站方案集存储至知识库。
9.一种基站扩容改造方案设计装置,其特征在于,包括:
获取模块,用于获取现网基站信息、待设计基站信息及历史方案集;
特征提取模块,用于对所述现网基站信息及所述待设计基站信息进行数据处理,得到待使用特征;
训练学习模块,用于对所述历史方案集进行算法训练学习,得到方案演进路径模型及器件连接知识图谱;
方案筛选模块,用于根据所述待使用特征,通过逆向减法算法从所述历史方案集中选择出候选方案子集;
方案推荐模块,用于根据所述方案演进路径模型对所述候选方案子集中的所有候选方案进行推荐度排序处理,得到推荐结果;
自完善模块,用于当所述推荐结果中存在不完善的候选方案时,根据所述器件连接知识图谱对所述不完善的候选方案进行自完善处理,得到待设计基站方案集;
所述方案筛选模块,具体用于根据所述待使用特征,得到射频RF特征、新工程量清单BOQ特征、现网BOQ特征及硬件替换条件特征;
所述方案筛选模块,还用于根据所述RF特征和所述新BOQ特征,对所述历史方案集中的所有候选方案进行特征匹配,得到第一子集;
所述方案筛选模块,还用于根据所述硬件替换条件特征判断所述硬件替换条件特征是否为硬件可替换;
所述方案筛选模块,还用于当所述硬件替换条件特征不是硬件可替换时,则根据所述现网BOQ特征,对所述第一子集中的所有候选方案进行特征匹配,得到第二子集;
所述方案筛选模块,还用于计算所述第二子集中每一个候选方案的特征匹配度,根据所述特征匹配度对所述第二子集中的方案进行排序,得到候选方案子集。
10.根据权利要求9所述的装置,其特征在于,
所述训练学习模块,具体用于通过社交图挖掘算法对所述历史方案集进行演进路径训练学习,得到方案演进路径模型;
所述训练学习模块,还用于通过频繁项挖掘算法对所述历史方案集进行连接知识图谱训练学习,得到器件连接知识图谱。
11.根据权利要求10所述的装置,其特征在于,
所述方案筛选模块,还用于当所述硬件替换条件特征是硬件可替换时,则根据所述新BOQ特征,对所述第一子集中的所有候选方案进行删选,得到第三子集,所述第三子集中的所有候选方案中均不包含所述新BOQ特征;
所述方案筛选模块,还用于根据所述现网BOQ特征,对所述第三子集中的所有候选方案进行特征匹配,得到第四子集;
所述方案筛选模块,还用于计算所述第四子集中每一个候选方案的特征匹配度,根据所述特征匹配度对所述第四子集中的候选方案进行排序,得到候选方案子集。
12.根据权利要求11所述的装置,其特征在于,
所述方案推荐模块,具体用于根据所述方案演进路径模型,通过演进路径优选算法计算得到所述候选方案子集中每一个候选方案的演进优选值;
所述方案推荐模块,还用于根据所述演进优选值及所述演进优选值对应的候选方案的特征匹配度,得到所述候选方案子集中每一个候选方案的推荐度;
所述方案推荐模块,还用于根据所述推荐度,对所述候选方案子集中的所有候选方案进行排序,得到推荐结果。
13.根据权利要求12所述的装置,其特征在于,
所述自完善模块,还用于判断所述推荐结果中的候选方案属于所述第二子集或所述第四子集;
所述自完善模块,还用于当所述推荐结果中的候选方案属于所述第二子集时,则确定所述推荐结果中的所有候选方案均为完善的候选方案;
所述自完善模块,还用于当所述推荐结果中的候选方案属于所述第四子集时,则根据所述待使用特征确定待设计基站的器件特征;
所述自完善模块,还用于逐一判断所述推荐结果中的候选方案与所述待设计基站的器件特征是否完全匹配;
所述自完善模块,还用于当第一候选方案与所述待设计基站的器件特征不完全匹配时,则确定所述第一候选方案为不完善的候选方案;
所述自完善模块,还用于当第二候选方案与所述待设计基站的器件特征完全匹配时,则确定所述第二候选方案为完善的候选方案。
14.根据权利要求13所述的装置,其特征在于,
所述自完善模块,还用于确定所述不完善的候选方案中的待调整端口槽位;
所述自完善模块,还用于根据所述器件连接知识图谱,通过连线规则挖掘算法生成频繁连线集合;
所述自完善模块,还用于根据所述频繁连线集合确定所述待调整端口槽位的设置信息;
所述自完善模块,还用于根据所述设置信息调整所述不完善的候选方案中的待调整端口槽位,得到自完善候选方案;
所述自完善模块,还用于根据所述自完善候选方案及所述完善的候选方案得到所述待设计基站方案集。
15.根据权利要求9至14中任一项所述的装置,其特征在于,
所述特征提取模块,具体用于对所述现网基站信息及所述待设计基站信息进行数据清洗处理及数据映射处理;
所述特征提取模块,还用于将处理后的所述现网基站信息及所述待设计基站信息转换为待使用特征。
16.根据权利要求15所述的装置,其特征在于,所述装置还包括:
知识库存储模块,用于将所述历史方案集、所述方案演进路径模型、所述器件连接知识图谱及所述待设计基站方案集存储至知识库。
17.一种服务器,其特征在于,包括:
处理器、收发器及存储器,其中,所述存储器可以用于存储所述处理器执行的代码;
所述处理器、所述收发器及所述存储器通过总线***连接;
所述收发器,用于获取现网基站信息、待设计基站信息及历史方案集;
所述处理器,用于对所述现网基站信息及所述待设计基站信息进行数据处理,得到待使用特征;
所述处理器,用于对所述历史方案集进行算法训练学习,得到方案演进路径模型及器件连接知识图谱;
所述处理器,用于根据所述待使用特征,通过逆向减法算法从所述历史方案集中选择出候选方案子集;
所述处理器,用于根据所述方案演进路径模型对所述候选方案子集中的所有候选方案进行推荐度排序处理,得到推荐结果;
所述处理器,用于当所述推荐结果中存在不完善的候选方案时,根据所述器件连接知识图谱对所述不完善的候选方案进行自完善处理,得到待设计基站方案集;
所述处理器,具体用于根据所述待使用特征,得到射频RF特征、新工程量清单BOQ特征、现网BOQ特征及硬件替换条件特征;
所述处理器,还用于根据所述RF特征和所述新BOQ特征,对所述历史方案集中的所有候选方案进行特征匹配,得到第一子集;
所述处理器,还用于根据所述硬件替换条件特征判断所述硬件替换条件特征是否为硬件可替换;
所述处理器,还用于当所述硬件替换条件特征不是硬件可替换时,则根据所述现网BOQ特征,对所述第一子集中的所有候选方案进行特征匹配,得到第二子集;
所述处理器,还用于计算所述第二子集中每一个候选方案的特征匹配度,根据所述特征匹配度对所述第二子集中的方案进行排序,得到候选方案子集。
18.一种计算机可读存储介质,其特征在于,包括指令,当其在计算机上运行时,使得计算机执行权利要求1至8任一项中所述的基站扩容改造方案设计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710924326.7A CN107770783B (zh) | 2017-09-30 | 2017-09-30 | 一种基站扩容改造方案设计方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710924326.7A CN107770783B (zh) | 2017-09-30 | 2017-09-30 | 一种基站扩容改造方案设计方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107770783A CN107770783A (zh) | 2018-03-06 |
CN107770783B true CN107770783B (zh) | 2020-10-09 |
Family
ID=61266899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710924326.7A Active CN107770783B (zh) | 2017-09-30 | 2017-09-30 | 一种基站扩容改造方案设计方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107770783B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111328084B (zh) * | 2018-12-14 | 2022-12-23 | ***通信集团广东有限公司 | 一种小区容量的评估方法及装置 |
CN110278565B (zh) * | 2018-12-31 | 2022-07-12 | 华为技术服务有限公司 | 一种基站设计方法及装置 |
CN110289049B (zh) * | 2019-06-19 | 2021-06-25 | 江南大学 | 一种分析通信路径与脂肪酶耐热性关系的方法 |
CN111147375A (zh) * | 2019-12-31 | 2020-05-12 | 秒针信息技术有限公司 | 一种网络操作方法、装置、计算机设备和介质 |
CN111967934B (zh) * | 2020-08-12 | 2022-11-18 | 上海辰山植物园 | 在网上商城绿植应用的智能化推荐方法 |
CN112350872B (zh) * | 2020-11-23 | 2022-07-22 | 网易(杭州)网络有限公司 | 网络架构配置信息生成方法、装置、存储介质及电子设备 |
CN114040420B (zh) * | 2021-12-17 | 2022-08-23 | 黑龙江龙廷信息技术有限公司 | 一种用于5g网络通信的基站设计方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102006600A (zh) * | 2009-09-03 | 2011-04-06 | 大唐移动通信设备有限公司 | 一种配置文件的生成方法和设备 |
CN103826243A (zh) * | 2014-03-07 | 2014-05-28 | 东方通信股份有限公司 | 快速灵活的数字集群通信***基站容量调整方法 |
CN106162664A (zh) * | 2015-03-26 | 2016-11-23 | 鼎桥通信技术有限公司 | 一种基站配置信息的生成方法和*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8521172B2 (en) * | 2011-01-11 | 2013-08-27 | Scott R. Rosenau | Method and system for switching cellular base station capacity |
-
2017
- 2017-09-30 CN CN201710924326.7A patent/CN107770783B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102006600A (zh) * | 2009-09-03 | 2011-04-06 | 大唐移动通信设备有限公司 | 一种配置文件的生成方法和设备 |
CN103826243A (zh) * | 2014-03-07 | 2014-05-28 | 东方通信股份有限公司 | 快速灵活的数字集群通信***基站容量调整方法 |
CN106162664A (zh) * | 2015-03-26 | 2016-11-23 | 鼎桥通信技术有限公司 | 一种基站配置信息的生成方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN107770783A (zh) | 2018-03-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107770783B (zh) | 一种基站扩容改造方案设计方法及相关设备 | |
WO2016101628A1 (zh) | 一种数据建模中的数据处理方法及装置 | |
CN113420190A (zh) | 一种商户风险识别方法、装置、设备及存储介质 | |
CN108334580A (zh) | 一种结合链接和属性信息的社区发现方法 | |
CN114881223B (zh) | 深度学习模型的转换方法、装置、电子设备和存储介质 | |
CN110414627A (zh) | 一种模型的训练方法及相关设备 | |
CN111552509A (zh) | 一种接口间依赖关系的确定方法及装置 | |
CN115965058B (zh) | 神经网络训练方法、实体信息分类方法、装置及存储介质 | |
CN106326904A (zh) | 获取特征排序模型的装置和方法以及特征排序方法 | |
CN109299379A (zh) | 文章推荐方法、装置、存储介质和电子设备 | |
CN115775026A (zh) | 一种基于组织相似度的联邦学习方法 | |
CN110443574B (zh) | 多项目卷积神经网络评审专家推荐方法 | |
CN111475158A (zh) | 子领域划分方法、装置、电子设备和计算机可读存储介质 | |
CN111144673A (zh) | 组织人员结构评估方法、装置、设备及计算机可读介质 | |
CN111309770A (zh) | 一种基于无监督机器学习的自动生成规则***及方法 | |
CN116401372A (zh) | 知识图谱表示学习方法、装置、电子设备及可读存储介质 | |
CN114968933A (zh) | 数据中心的日志的分类方法和装置 | |
Scardapane et al. | Distributed spectral clustering based on Euclidean distance matrix completion | |
CN112612965A (zh) | 基于图谱标签降噪的素材推荐方法及*** | |
CN113221023B (zh) | 信息推送方法及装置 | |
Hung et al. | Trimmed Granger causality between two groups of time series | |
CN110889643A (zh) | 一种论文质量评价方法及*** | |
CN117748499B (zh) | 基于连接关系向量的低压台区的拓扑结构识别方法和装置 | |
CN110309367A (zh) | 信息分类的方法、信息处理的方法和装置 | |
CN117273963B (zh) | 基于车险场景的风险识别方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |