CN109495898A - 一种无线网络覆盖的指标定量预测方法及设备 - Google Patents
一种无线网络覆盖的指标定量预测方法及设备 Download PDFInfo
- Publication number
- CN109495898A CN109495898A CN201710819350.4A CN201710819350A CN109495898A CN 109495898 A CN109495898 A CN 109495898A CN 201710819350 A CN201710819350 A CN 201710819350A CN 109495898 A CN109495898 A CN 109495898A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- learning model
- training
- data
- index
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种无线网络覆盖的指标定量预测方法及设备。所述方法包括:获取无线网络的特征数据,所述特征数据包括网络结构、无线参数数据、地形地貌数据及业务分布数据;将所述特征数据输入训练好的深度学习模型,获取无线网络覆盖的指标定量预测数据。本发明实施例利用训练好的深度学习模型对无线网络的特征数据进行分析和计算,可获得网络覆盖的指标定量预测数据。本发明实施例尽可能的包含当前场景的所有细节,包括网络结构、无线参数数据、地形地貌数据及业务分布数据等,最大限度的实现当前场景的全面分析,能对优化后的指标做出准确的、定量的、符合客户感知的、及时的预测。
Description
技术领域
本发明实施例涉及通信技术领域,更具体地,涉及一种无线网络覆盖的指标定量预测方法及设备。
背景技术
无线网络覆盖优化是提升无线网络质量的重要工作内容,现有覆盖优化主流技术以仿真优化和人工经验优化为主。
仿真优化方式主要基于网络工程参数、三维地图、传播模型来计算待优化区域内每个子区域的电平和干扰值,并通过调整网络软、硬参数(天线工参),实现对待优化区域的覆盖率预测。
仿真优化目标为地理区域覆盖率的提升,没有充分考虑用户及业务量分布场景,不能有效提升用户感知。此外,仿真优化方式精度较低,很大程度依赖于传播模型的准确性,即便增加大量工作来校准传播模型,实际效果也不理想
人工经验优化方式主要基于网络覆盖指标,如路测、MR等,找到待优化区域或目标,并通过调整网络软参数实现粗精度定量预测,调整硬参数实现定性预测。或将人工经验、已有知识IT化,并基于传播模型来计算更高精度的、待优化区域整体的覆盖优化定量预测。
纯依赖经验的人工优化方式只能定性或粗精度预测优化效果,且往往需要多次现网实际调整来达到优化目标,消耗大量人力、物力,还可能丧失优化时效性。现有基于人工经验与知识的IT专家***同样面临着因传播模型的准确性问题而导致的优化预测准确性问题,此外,根据先验知识实现的覆盖优化预测,随着环境的变化(如气候、网络结构、新技术引入)需要重新进行知识学习和经验摸索。
故现有技术在覆盖优化的指标定量预测中,存在预测准确性低、不符合客户感知、时效性差、耗费过多资源等一种或几种问题。
发明内容
本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的无线网络覆盖的指标定量预测方法及设备。
根据本发明实施例的一个方面,提供无线网络覆盖的指标定量预测方法,包括:
获取无线网络的特征数据,所述特征数据包括网络结构、无线参数数据、地形地貌数据及业务分布数据;
将所述特征数据输入训练好的深度学习模型,获取无线网络覆盖的指标定量预测数据。
进一步,所述训练好的深度学习模型通过以下步骤获取:
利用现网的不同站点的特征数据及相应的实际覆盖指标构建训练样本集;
将所述训练样本集中的数据输入深度学习模型进行逐层训练,获得预训练的深度学习模型;
利用所述预训练的深度学习模型计算覆盖指标;基于计算的覆盖指标与对应的实际覆盖指标的误差进行后向传播,以对所述预训练的深度学习模型进行微调,获得所述训练好的深度学习模型。
进一步,所述网络结构,包括源小区的方向角、天线挂高、海拔高度和小区总下倾角;还包括源小区与目标小区间距离、源小区与目标小区连线夹角以及源小区与目标小区相对方向;
所述无线参数数据,包括源小区和目标小区各自的频点、CRS功率、切换门限和最小接入电平;
所述地形地貌数据,包括源小区和目标小区各自辐射范围内的建筑物分布;
所述业务分布数据,包括MRO采样点数量、所述MRO采样点与源小区的相对位置,以及所述MRO采样点与目标小区的相对位置。
进一步,所述利用现网的不同站点的特征数据及相应的实际覆盖指标构建训练样本集,进一步包括:
建立特征参数和训练目标一一对应的邻区对,所述特征参数为所述特征数据,所述训练目标为所述特征数据对应的实际覆盖指标;
基于所述邻区对组成训练样本,获取输入矩阵和输出矩阵,所述输入矩阵的每列为所述训练样本的不同特征,所述输出矩阵的每列为不同的实际覆盖指标;
按列对所述输入矩阵和输出矩阵进行归一化,获得训练样本集。
进一步,所述将所述训练样本集中的数据输入深度学习模型进行逐层训练,获得预训练的深度学习模型,进一步包括:
基于邻区关系,从所述训练样本集中获取训练样本作为输入数据;
将所述输入数据输入多层的深度学习模型进行编码和解码的逐层训练;
若所述深度学习模型的待定参数的特定取值使得所述输入数据的还原代价最小,则获取所述待定参数的特定取值所确定的所述预训练的深度学习模型。
进一步,深度学习模型的单层编码过程为:y=f(x);深度学习模型的单层解码过程为:
其中,x为深度学习模型的输入数据,为深度学习模型对所述输入数据的还原,y为深度学习模型的单层编码器的输出;f(x)与g(x)为编码计算过程及解码计算过程,分别如下:
其中,we,wd,be,bd为深度学习模型的单层编码器的待定参数,we为编码器权值矩阵、wd解码器权值矩阵、be编码器偏置向量,bd解码器偏置向量。
进一步,所述利用所述预训练的深度学习模型计算覆盖指标,进一步包括:
为所述预训练的深度学习模型增加一层随机初始化的输出层;
基于输入数据,利用所述预训练的深度学习模型计算所述输入数据对应的覆盖指标,通过所述输出层获取计算的覆盖指标。
进一步,所述基于计算的覆盖指标与对应的实际覆盖指标的误差进行后向传播,以对所述预训练的深度学习模型进行微调,进一步包括:
获取所述计算的覆盖指标与所述输入数据对应的实际覆盖指标的误差;
基于所述误差,采用梯度下降法以最速下降方向微调所述预训练的深度学习模型所有的权值与偏置向量;
获取微调过程中所述误差最小时的输入数据与输出数据的对应关系,并保存模型,从而获得所述训练好的深度学习模型;
其中,所述梯度下降法如下:
其中,w为权值矩阵,η为训练速率,为代价函数对权值矩阵的偏导;
所述深度学习模型的代价函数J(W,B;x,y)如下:
其中,x为输入的训练样本,y为训练样本对应的实际覆盖指标,为第i个训练样本输出的计算值,yi为第i个训练样本输出的实际值,W为权值矩阵,B为偏置向量,n为样本总数;
所述最速下降方向的计算方法为:
其中为偏导数表示符号。
进一步,所述基于所述误差,采用梯度下降法以最速下降方向微调所述预训练的深度学习模型所有的权值,进一步包括:
利用所述待定参数的特定取值对所述深度学习模型的权值进行初始化,利用所述初始化的权值和激活函数获取所述深度学习模型的每一层的激活值al:
al=fl(w(l)al-1)=f(z(l));
其中,al为第L层的激活值,nl为第L层的神经元个数,则al=[a1,a2,…,anl];w(l)为第L层的权值;z(l)为第L层加权后的输入值;fl为第L层的激活函数;
利用计算的覆盖指标与对应的实际覆盖指标的插值,获取最后一层的残差δ(l):
为第L层的激活值,y为训练样本对应的实际覆盖指标;
利用向后传递方法计算其他层的残差:
δ(l)=(W(l+1))Tδ(l+1)·f′(z(l));T为转置符号;
则代价函数相对于权值矩阵的导数为:
利用所述导数更新所述深度学习模型的权值以实现对权值的微调。
根据本发明实施例的另一个方面,还提供无线网络覆盖的指标定量预测设备,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行本发明实施例一种无线网络覆盖的指标定量预测方法及其任一可选实施例的方法。
本发明实施例提出一种无线网络覆盖的指标定量预测方法及设备,利用训练好的深度学习模型对无线网络的特征数据进行分析和计算,可获得网络覆盖的指标定量预测数据。本发明实施例尽可能的包含当前场景的所有细节,包括网络结构、无线参数数据、地形地貌数据及业务分布数据等,最大限度的实现当前场景的全面分析,能对优化后的指标做出准确的、定量的、符合客户感知的、及时的预测。
附图说明
图1为本发明实施例一种高铁高速无线网络规划优化方法流程示意图;
图2为本发明实施例深度学习模型的逐层训练过程示意图;
图3为本发明实施例深度学习模型的单层训练方法示意图;
图4为本发明实施例一种高铁高速无线网络规划优化设备的框架示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
图1为本发明实施例一种高铁高速无线网络规划优化方法流程示意图,如图1所示,本发明实施例提供一种无线网络覆盖的指标定量预测方法,包括:
S100,获取无线网络的特征数据,所述特征数据包括网络结构、无线参数数据、地形地貌数据及业务分布数据;
本发明实施例所述无线网络的特征数据包括现网的特征数据和优化后的无线网络的特征数据;若获取现网的特征数据,则可以对现网的覆盖指标进行评估,若获取优化后的无线网络的特征数据,则可以对优化后的无线网络的覆盖指标进行预测。
所述网络结构描述了无线网络的当前结构,包括源小区和目标小区的相关数据。所述无线参数数据描述了小区的参数配置状态,也包括源小区和目标小区的相关数据。所述地形地貌数据描述了源小区及目标小区所辐射范围的建筑物分布,该分布影响无线信号的传输,从而导致不同的覆盖情况。所述业务分布数据描述了无线网络***的业务的分布情况。
S200,将所述特征数据输入训练好的深度学习模型,获取无线网络覆盖的指标定量预测数据。
本发明实施例基于深度学习模型进行预测,具备数据降维和特征学习的能力,因此,在特征选择阶段,可以选择尽可能多的数据,以保证全面描述当前无线网络的状态,数据种类包括以上特征数据的原始值和统计值。
本发明实施例提出一种无线网络覆盖的指标定量预测方法,其执行主体为网络侧设备,利用训练好的深度学习模型对无线网络的特征数据进行分析和计算,可获得网络覆盖的指标定量预测数据。本发明实施例尽可能的包含当前场景的所有细节,包括网络结构、无线参数数据、地形地貌数据及业务分布数据等,最大限度的实现当前场景的全面分析,能对优化后的指标做出准确的、定量的、符合客户感知的、及时的预测。对于优化的无线网络,本发明实施例可以定量预测优化效果,提前判断调整方案的合理性,最终实现调整后的性能收益。
本发明实施例通过已训练好的深度学习模型进行预测,非常快捷方便,下面对深度学习模型的训练过程进行描述。
在一个可选的实施例中,所述训练好的深度学习模型通过以下步骤获取:
S200.1,利用现网的不同站点的特征数据及相应的实际覆盖指标构建训练样本集;
由于可以选择尽可能多的数据,以保证全面描述当前无线网络的状态,因此本发明实施例在特征数据的选择上,不仅种类多,而且选择的网络范围也是尽可能大的,可以针对现网的所有站点或部分站点分别获取每个站点的特征数据,这样既保证了数据种类的多样性也保证的较大的数据范围,尽可能的获取更多的特征数据。特征数据作为深度学习模型训练时的状态参数,实际覆盖指标作为深度学习模型的训练目标,训练样本集包括特征数据和实际覆盖指标。步骤S200.1为深度学习模型的训练过程的数据准备阶段。
S200.2,将所述训练样本集中的数据输入深度学习模型进行逐层训练,获得预训练的深度学习模型;
本发明实施例的深度学习模型具有多层结构,利用训练样本集中的数据对深度学习模型的每一层进行训练,逐层训练。训练样本集中的数据可能存在冗余,与目标输出的函数关系无法通过简单函数表示。由于深度学习模型具有多层结构,可以实现特征的多层转换,构建复杂函数,该复杂函数是一个适合该场景的数据模型。所述逐层训练,即通过输入数据的编码与解码过程,实现特征的逐层降维及特征学习。步骤S200.2为深度学习模型的训练过程的预训练阶段。
S200.3,利用所述预训练的深度学习模型计算覆盖指标;基于计算的覆盖指标与对应的实际覆盖指标的误差进行后向传播,以对所述预训练的深度学习模型进行微调,获得所述训练好的深度学习模型。
本发明实施例根据学习模型的特点,在步骤S200.2通过特征数据对深度学习模型进行逐层训练,仅实现了数据的降维及特征学习,尚未建立输入与目标输出的函数关系。步骤S200.3的主要任务为进行微调,建立输入数据和输出数据之间的函数关系,具体是,按深度学习的计算流程,获取输出的覆盖指标,并利用覆盖指标的计算值与实际值的误差,后向传播;采用梯度下降法微调深度学习模型所有的权值与偏置向量,最终实现覆盖类指标的计算值最大限度的接近真实值,获取训练集的输入数据与输出数据的对应关系,从而获得训练好的深度学习模型。步骤S200.3为深度学习模型的训练过程的微调阶段即最终训练阶段。
如前述实施例所述,特征数据包括网络结构、无线参数数据、地形地貌数据及业务分布数据。其中,所述网络结构,包括源小区的方向角、天线挂高、海拔高度和小区总下倾角;还包括源小区与目标小区间距离、源小区与目标小区连线夹角以及源小区与目标小区相对方向;
所述无线参数数据,包括源小区和目标小区各自的频点、CRS功率、切换门限和最小接入电平;
所述地形地貌数据,包括源小区和目标小区各自辐射范围内的建筑物分布;主要包括建筑物的数量与高度,具体获取方法为将邻区对间的辐射范围细分为大量子区域,通过统计数据描述地形地貌,如每个子区域建筑物的高度,及不同高度建筑物在子区域的占比,并隐式表示地形地貌数据和源小区、目标小区的相对位置。
所述业务分布数据,包括MRO采样点数量、所述MRO采样点与源小区的相对位置,以及所述MRO采样点与目标小区的相对位置。所述业务分布数据通过MRO采样点描述,如MRO采样点数量、MRO采样点与源小区、目标小区的相对位置等。相对位置可基于OTT定位技术来描述,或通过MR测量报告中的TA与Aoa值描述,建模时采用子区域的统计值描述。
以下详细描述深度学习模型的训练过程的数据准备阶段、预训练阶段和微调阶段。
在一个可选的实施例中,数据准备阶段即步骤S200.1,所述利用现网的不同站点的特征数据及相应的实际覆盖指标构建训练样本集,进一步包括:
S200.1.1,建立特征参数和训练目标一一对应的邻区对,所述特征参数为所述特征数据,所述训练目标为所述特征数据对应的实际覆盖指标;
本发明实施例训练样本集是以邻区对为基本单元,每个样本既包括输入的特征参数,又包括输出的训练目标即实际覆盖指标。输入涵盖了一个主小区及该主小区的某一个邻区的数据,分别为主小区与所选邻区的网络结构数据、无线参数数据、地形地貌数据、测量报告中的MRO分布数据,输出数据为该小区的覆盖指标,训练集样本的对应输出为覆盖指标。
S200.1.2,基于所述邻区对组成训练样本,获取输入矩阵和输出矩阵,所述输入矩阵的每列为所述训练样本的不同特征,所述输出矩阵的每列为不同的实际覆盖指标;
本发明实施例将输入数据与输出的目标数据一一对应,组成训练样本,生成训练的输入矩阵X及目标矩阵Y。矩阵的每行代表一个样本,对输入矩阵X来说,该样本每列为描述该样本的不同特征;对目标矩阵Y来说,该样本每列为不同的覆盖指标。
其中,sij表示第i个样本的第j个特征,m为特征数,n为训练样本总数。
其中,kij表示第i个样本的第j个目标输出,l为预测的覆盖指标个数,n为训练样本总数。
S200.1.3,按列对所述输入矩阵和输出矩阵进行归一化,获得训练样本集。
本发明实施例在训练集准备完毕后,对所有矩阵进行归一化,该归一化是按列进行的,以保证在训练过程中稳定。
xij=(sij-sj,min)/(sj,max-sj,min);
yij=(kij-kj,min)/(kj,max-kj,min);
其中,xij为归一化后的新特征参数,yij为归一化后的目标值,sj,max为所有样本的第j个特征的最大值,sj,min为所有样本的第j个特征的最小值,kj,max为所有样本的第j个目标输出的最大值,kj,min为所有样本的第j个目标输出的最小值。
在一个可选的实施例中,预训练阶段即步骤S200.2,所述将所述训练样本集中的数据输入深度学习模型进行逐层训练,获得预训练的深度学习模型,进一步包括:
S200.2.1,基于邻区关系,从所述训练样本集中获取训练样本作为输入数据;
本发明实施例基于邻区关系构建的输入数据,是在理解业务的基础上设计的数据,即上述实施例中的特征数据和实际覆盖指标。从所述训练样本集中获取训练样本作为输入数据,该数据可能存在冗余,则通过步骤S200.2.2进行逐层降维及特征学习。
S200.2.2,将所述输入数据输入多层的深度学习模型进行编码和解码的逐层训练;
逐层预训练过程的理论基础为自编码器。深度学习模型的任意两层结构,均能理解为编码过程,判断编码结果优劣的重要依据是编码得到的结果是否能够通过某种方式顺利还原编码前的数据,编码器的训练过程,即是尽可能使编码再解码的结果还原原始输入数据。逐层预训练过程如图2所示。
深度学习模型的任意一层都具有编码器和解码器的功能,单层的训练方法如图3所示。深度学习模型的单层编码过程为:y=f(x);深度学习模型的单层解码过程为:
其中,x为深度学习模型的输入数据,为深度学习模型对所述输入数据的还原,y为深度学习模型的单层编码器的输出;f(x)与g(x)为编码计算过程及解码计算过程,分别如下:
其中,we,wd,be,bd为深度学习模型的单层编码器的待定参数,we为编码器权值矩阵、wd解码器权值矩阵、be编码器偏置向量,bd解码器偏置向量。
S200.2.3,若所述深度学习模型的待定参数的特定取值使得所述输入数据的还原代价最小,则获取所述待定参数的特定取值所确定的所述预训练的深度学习模型。
预训练阶段的主要任务是确定深度学习模型的待定参数的初始值,确定的标准是使得所述输入数据的还原代价最小。所述待定参数为编码器权值矩阵、解码器权值矩阵、编码器偏置向量和解码器偏置向量。当这些待定参数的特定取值使得所述输入数据的还原代价最小时,预训练过程即结束,此时可获取预训练的深度学习模型。
在一个可选的实施例中,微调阶段S200.3中所述利用所述预训练的深度学习模型计算覆盖指标,进一步包括:
为所述预训练的深度学习模型增加一层随机初始化的输出层;
基于输入数据,利用所述预训练的深度学习模型计算所述输入数据对应的覆盖指标,通过所述输出层获取计算的覆盖指标。
本发明实施例在完成了预训练的深度学习模型的基础上,新增一层随机初始化的输出层,按深度学习的计算流程,获取输出的覆盖指标。
在一个可选的实施例中,微调阶段S200.3中所述基于计算的覆盖指标与对应的实际覆盖指标的误差进行后向传播,以对所述预训练的深度学习模型进行微调,进一步包括:
获取所述计算的覆盖指标与所述输入数据对应的实际覆盖指标的误差;基于所述误差,采用梯度下降法以最速下降方向微调所述预训练的深度学习模型所有的权值与偏置向量;
获取微调过程中所述误差最小时的输入数据与输出数据的对应关系,并保存模型,从而获得所述训练好的深度学习模型;
其中,所述梯度下降法如下:
其中,w为权值矩阵,如果将权值按层排列,在第L层的神经元中,利用表示从神经元i向神经元j的权值;η为训练速率,代表按照最速下降方向前进的速度,在训练过程中,可根据收敛情况调整;为代价函数对权值矩阵的偏导,即代价函数的最速下降方向;
所述深度学习模型的代价函数J(W,B;x,y)如下:
其中,x为输入的训练样本,y为训练样本对应的实际覆盖指标,为第i个训练样本输出的计算值,yi为第i个训练样本输出的实际值,W为权值矩阵,B为偏置向量,n为样本总数;
所述最速下降方向的计算方法为:
其中为偏导数表示符号。
梯度下降算法的求解关键在于如何求最速下降方向并沿该方向逐步寻找代价函数最低点,求解方法请参考下述实施例的描述,以下仅以权值进行说明,偏置向量的微调更新方法与权值的微调更新方法一致,不再赘述。
在一个可选的实施例中,所述基于所述误差,采用梯度下降法以最速下降方向微调所述预训练的深度学习模型所有的权值,进一步包括:
首先,利用所述待定参数的特定取值对所述深度学习模型的权值进行初始化,利用所述初始化的权值和激活函数获取所述深度学习模型的每一层的激活值al:
al=fl(w(l)al-1)=f(z(l));
其中,al为第L层的激活值,nl为第L层的神经元个数,则w(l)为第L层的权值;z(l)为第L层加权后的输入值;fl为第L层的激活函数;
在获取深度学习模型最后一层的激活值(即预测值)后,利用计算的覆盖指标与对应的实际覆盖指标的插值,获取最后一层的残差δ(l):
a(l)为第L层的激活值,y为训练样本对应的实际覆盖指标;
利用向后传递方法计算其他层的残差:
δ(l)=(W(l+1))Tδ(l+1)·f′(z(l));T为转置符号;
则代价函数相对于权值矩阵的导数为:
利用所述导数更新所述深度学习模型的权值以实现对权值的微调利用同样的方法对偏置向量进行微调后,即训练好了深度学习模型。权值的微调包括编码器权值矩阵和解码器权值矩阵的微调;偏置向量的微调包括编码器偏置向量和解码器偏置向量的微调。
利用训练后的深度学习模型即可实现覆盖指标的预测。预测时,输入调整后的网络结构及无线参数数据,整理邻区对所对应范围的地形地貌数据及业务分布数据等,组合成为输入的特征数据,输入训练后的深度学习模型,即可获取覆盖指标预测数据。
综上所述,现有技术主要通过已有知识和经验,人工或构建专家***来进行优化后的指标预测。本发明实施例是一种基于机器学习的覆盖优化的指标预测方法,预测过程不依赖于现有技术所使用的传播模型等知识,故本发明实施例和现有技术方案使用的是两种不同技术体制。
本发明实施例在研究分析深度学习模型基础上,设计利用邻区对级别的数据输入,考虑数据隐含的所有信息,学习数据和当前网络覆盖指标的知识,实现覆盖优化后的指标预测。本方法尽可能的包含当前场景的所有细节,最大限度的实现当前场景的全面分析,并在模型训练过程中,确定各种输入数据对覆盖指标的贡献权重。故相对已有技术,本发明实施例避免了传播模型的不准确性,由于建模过程中不涉及机理知识,也避免了随着环境的变化(如气候、网络结构、新技术引入)需要重新进行知识学习和经验摸索。同时充分考虑用户及业务量分布场景,优化后的指标的更符合用户感知。
本发明实施例还提供一种无线网络覆盖的指标定量预测装置,包括:
特征数据模块,用于获取无线网络的特征数据,所述特征数据包括网络结构、无线参数数据、地形地貌数据及业务分布数据;以及
预测模块,用于将所述特征数据输入训练好的深度学习模型,获取无线网络覆盖的指标定量预测数据。
本发明实施例所述的无线网络覆盖的指标定量预测装置,为本发明实施例所述无线网络覆盖的指标定量预测方法一一对应的装置,本实施例及下述可选的实施例均具有与所述无线网络覆盖的指标定量预测方法完全相同的技术特征和技术效果,在此不一一赘述,具体请参数所述无线网络覆盖的指标定量预测方法的实施例的相关描述
在一个可选的实施例中,所述训练好的深度学习模型包括:
样本集模块,用于利用现网的不同站点的特征数据及相应的实际覆盖指标构建训练样本集;
预训练模块,用于将所述训练样本集中的数据输入深度学习模型进行逐层训练,获得预训练的深度学习模型;以及
微调模块,用于利用所述预训练的深度学习模型计算覆盖指标;基于计算的覆盖指标与对应的实际覆盖指标的误差进行后向传播,以对所述预训练的深度学习模型进行微调,获得所述训练好的深度学习模型。
在一个可选的实施例中,所述网络结构,包括源小区的方向角、天线挂高、海拔高度和小区总下倾角;还包括源小区与目标小区间距离、源小区与目标小区连线夹角以及源小区与目标小区相对方向;
所述无线参数数据,包括源小区和目标小区各自的频点、CRS功率、切换门限和最小接入电平;
所述地形地貌数据,包括源小区和目标小区各自辐射范围内的建筑物分布;
所述业务分布数据,包括MRO采样点数量、所述MRO采样点与源小区的相对位置,以及所述MRO采样点与目标小区的相对位置。
在一个可选的实施例中,所述样本集模块进一步包括:
邻区对单元,用于建立特征参数和训练目标一一对应的邻区对,所述特征参数为所述特征数据,所述训练目标为所述特征数据对应的实际覆盖指标;
矩阵单元,用于基于所述邻区对组成训练样本,获取输入矩阵和输出矩阵,所述输入矩阵的每列为所述训练样本的不同特征,所述输出矩阵的每列为不同的实际覆盖指标;以及
归一化单元,用于按列对所述输入矩阵和输出矩阵进行归一化,获得训练样本集。
在一个可选的实施例中,所述预训练模块进一步包括:
输入数据单元,用于基于邻区关系,从所述训练样本集中获取训练样本作为输入数据;
逐层训练单元,用于将所述输入数据输入多层的深度学习模型进行编码和解码的逐层训练;
确定单元,用于若所述深度学习模型的待定参数的特定取值使得所述输入数据的还原代价最小,则获取所述待定参数的特定取值所确定的所述预训练的深度学习模型。
在一个可选的实施例中,深度学习模型的单层编码过程为:y=f(x);深度学习模型的单层解码过程为:
其中,x为深度学习模型的输入数据,为深度学习模型对所述输入数据的还原,y为深度学习模型的单层编码器的输出;f(x)与g(x)为编码计算过程及解码计算过程,分别如下:
其中,we,wd,be,bd为深度学习模型的单层编码器的待定参数,we为编码器权值矩阵、wd解码器权值矩阵、be编码器偏置向量,bd解码器偏置向量。
在一个可选的实施例中,所述微调模块进一步包括计算单元;
所述计算单元,用于为所述预训练的深度学习模型增加一层随机初始化的输出层;基于输入数据,利用所述预训练的深度学习模型计算所述输入数据对应的覆盖指标,通过所述输出层获取计算的覆盖指标。
在一个可选的实施例中,所述微调模块进一步包括:
误差单元,用于获取所述计算的覆盖指标与所述输入数据对应的实际覆盖指标的误差;
微调单元,用于基于所述误差,采用梯度下降法以最速下降方向微调所述预训练的深度学习模型所有的权值与偏置向量;以及
保存单元,用于获取微调过程中所述误差最小时的输入数据与输出数据的对应关系,并保存模型,从而获得所述训练好的深度学习模型;
其中,所述梯度下降法如下:
其中,w为权值矩阵,η为训练速率,为代价函数对权值矩阵的偏导;
所述深度学习模型的代价函数J(W,B;x,y)如下:
其中,x为输入的训练样本,y为训练样本对应的实际覆盖指标,为第i个训练样本输出的计算值,yi为第i个训练样本输出的实际值,W为权值矩阵,B为偏置向量,n为样本总数;
所述最速下降方向的计算方法为:
其中为偏导数表示符号。
在一个可选的实施例中,所述基于所述误差,采用梯度下降法以最速下降方向微调所述预训练的深度学习模型所有的权值,进一步包括:
利用所述待定参数的特定取值对所述深度学习模型的权值进行初始化,利用所述初始化的权值和激活函数获取所述深度学习模型的每一层的激活值al:
al=fl(w(l)al-1)=f(z(l));
其中,al为第L层的激活值,nl为第L层的神经元个数,则w(l)为第L层的权值;z(l)为第L层加权后的输入值;fl为第L层的激活函数;
利用计算的覆盖指标与对应的实际覆盖指标的插值,获取最后一层的残差δ(l):
a(l)为第L层的激活值,y为训练样本对应的实际覆盖指标;
利用向后传递方法计算其他层的残差:
δ(l)=(W(l+1))Tδ(l+1)·f′(z(l));T为转置符号;
则代价函数相对于权值矩阵的导数为:
利用所述导数更新所述深度学习模型的权值以实现对权值的微调。
图4示出了本发明实施例无线网络覆盖的指标定量预测设备的结构框图。
参照图4,所述设备,包括:处理器(processor)601、存储器(memory)602和总线603;
其中,所述处理器601和存储器602通过所述总线603完成相互间的通信;
所述处理器601用于调用所述存储器602中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:获取无线网络的特征数据,所述特征数据包括网络结构、无线参数数据、地形地貌数据及业务分布数据;将所述特征数据输入训练好的深度学习模型,获取无线网络覆盖的指标定量预测数据。
本发明另一实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取无线网络的特征数据,所述特征数据包括网络结构、无线参数数据、地形地貌数据及业务分布数据;将所述特征数据输入训练好的深度学习模型,获取无线网络覆盖的指标定量预测数据。
本发明另一实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:获取无线网络的特征数据,所述特征数据包括网络结构、无线参数数据、地形地貌数据及业务分布数据;将所述特征数据输入训练好的深度学习模型,获取无线网络覆盖的指标定量预测数据。
本领域普通技术人员可以理解:实现上述设备实施例或方法实施例仅仅是示意性的,其中所述处理器和所述存储器可以是物理上分离的部件也可以不是物理上分离的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围。
Claims (10)
1.一种无线网络覆盖的指标定量预测方法,其特征在于,包括:
获取无线网络的特征数据,所述特征数据包括网络结构、无线参数数据、地形地貌数据及业务分布数据;
将所述特征数据输入训练好的深度学习模型,获取无线网络覆盖的指标定量预测数据。
2.根据权利要求1所述的方法,其特征在于,所述训练好的深度学习模型通过以下步骤获取:
利用现网的不同站点的特征数据及相应的实际覆盖指标构建训练样本集;
将所述训练样本集中的数据输入深度学习模型进行逐层训练,获得预训练的深度学习模型;
利用所述预训练的深度学习模型计算覆盖指标;基于计算的覆盖指标与对应的实际覆盖指标的误差进行后向传播,以对所述预训练的深度学习模型进行微调,获得所述训练好的深度学习模型。
3.根据权利要求2所述的方法,其特征在于,
所述网络结构,包括源小区的方向角、天线挂高、海拔高度和小区总下倾角;还包括源小区与目标小区间距离、源小区与目标小区连线夹角以及源小区与目标小区相对方向;
所述无线参数数据,包括源小区和目标小区各自的频点、CRS功率、切换门限和最小接入电平;
所述地形地貌数据,包括源小区和目标小区各自辐射范围内的建筑物分布;
所述业务分布数据,包括MRO采样点数量、所述MRO采样点与源小区的相对位置,以及所述MRO采样点与目标小区的相对位置。
4.根据权利要求2所述的方法,其特征在于,所述利用现网的不同站点的特征数据及相应的实际覆盖指标构建训练样本集,进一步包括:
建立特征参数和训练目标一一对应的邻区对,所述特征参数为所述特征数据,所述训练目标为所述特征数据对应的实际覆盖指标;
基于所述邻区对组成训练样本,获取输入矩阵和输出矩阵,所述输入矩阵的每列为所述训练样本的不同特征,所述输出矩阵的每列为不同的实际覆盖指标;
按列对所述输入矩阵和输出矩阵进行归一化,获得训练样本集。
5.根据权利要求3或4所述的方法,其特征在于,所述将所述训练样本集中的数据输入深度学习模型进行逐层训练,获得预训练的深度学习模型,进一步包括:
基于邻区关系,从所述训练样本集中获取训练样本作为输入数据;
将所述输入数据输入多层的深度学习模型进行编码和解码的逐层训练;
若所述深度学习模型的待定参数的特定取值使得所述输入数据的还原代价最小,则获取所述待定参数的特定取值所确定的所述预训练的深度学习模型。
6.根据权利要求5所述的方法,其特征在于,深度学习模型的单层编码过程为:y=f(x);深度学习模型的单层解码过程为:
其中,x为深度学习模型的输入数据,为深度学习模型对所述输入数据的还原,y为深度学习模型的单层编码器的输出;f(x)与g(x)为编码计算过程及解码计算过程,分别如下:
其中,we,wd,be,bd为深度学习模型的单层编码器的待定参数,we为编码器权值矩阵、wd解码器权值矩阵、be编码器偏置向量,bd解码器偏置向量。
7.根据权利要求3或4或6所述的方法,其特征在于,所述利用所述预训练的深度学习模型计算覆盖指标,进一步包括:
为所述预训练的深度学习模型增加一层随机初始化的输出层;
基于输入数据,利用所述预训练的深度学习模型计算所述输入数据对应的覆盖指标,通过所述输出层获取计算的覆盖指标。
8.根据权利要求7所述的方法,其特征在于,所述基于计算的覆盖指标与对应的实际覆盖指标的误差进行后向传播,以对所述预训练的深度学习模型进行微调,进一步包括:
获取所述计算的覆盖指标与所述输入数据对应的实际覆盖指标的误差;
基于所述误差,采用梯度下降法以最速下降方向微调所述预训练的深度学习模型所有的权值与偏置向量;
获取微调过程中所述误差最小时的输入数据与输出数据的对应关系,并保存模型,从而获得所述训练好的深度学习模型;
其中,所述梯度下降法如下:
其中,w为权值矩阵,η为训练速率,为代价函数对权值矩阵的偏导;
所述深度学习模型的代价函数J(W,B;x,y)如下:
其中,x为输入的训练样本,y为训练样本对应的实际覆盖指标,为第i个训练样本输出的计算值,yi为第i个训练样本输出的实际值,W为权值矩阵,B为偏置向量,n为样本总数;
所述最速下降方向的计算方法为:
其中为偏导数表示符号。
9.根据权利要求8所述的方法,其特征在于,所述基于所述误差,采用梯度下降法以最速下降方向微调所述预训练的深度学习模型所有的权值,进一步包括:
利用所述待定参数的特定取值对所述深度学习模型的权值进行初始化,利用所述初始化的权值和激活函数获取所述深度学习模型的每一层的激活值al:
al=fl(w(l)al-1)=f(z(l));
其中,al为第L层的激活值,nl为第L层的神经元个数,则w(l)为第L层的权值;z(l)为第L层加权后的输入值;fl为第L层的激活函数;
利用计算的覆盖指标与对应的实际覆盖指标的插值,获取最后一层的残差δ(l):
a(l)为第L层的激活值,y为训练样本对
应的实际覆盖指标;
利用向后传递方法计算其他层的残差:
δ(l)=(W(l+1))Tδ(l+1)·f′(z(l));T为转置符号;
则代价函数相对于权值矩阵的导数为:
利用所述导数更新所述深度学习模型的权值以实现对权值的微调。
10.一种无线网络覆盖的指标定量预测设备,其特征在于,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至9任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710819350.4A CN109495898B (zh) | 2017-09-12 | 2017-09-12 | 一种无线网络覆盖的指标定量预测方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710819350.4A CN109495898B (zh) | 2017-09-12 | 2017-09-12 | 一种无线网络覆盖的指标定量预测方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109495898A true CN109495898A (zh) | 2019-03-19 |
CN109495898B CN109495898B (zh) | 2021-12-03 |
Family
ID=65688991
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710819350.4A Active CN109495898B (zh) | 2017-09-12 | 2017-09-12 | 一种无线网络覆盖的指标定量预测方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109495898B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110636515A (zh) * | 2019-11-14 | 2019-12-31 | 国网湖南省电力有限公司 | 电力无线专网的网络规划评估方法 |
CN112423337A (zh) * | 2020-11-18 | 2021-02-26 | 中国联合网络通信集团有限公司 | 网络覆盖诊断模型构建方法、网络覆盖诊断方法及装置 |
CN114339855A (zh) * | 2020-09-27 | 2022-04-12 | ***通信集团浙江有限公司 | 无线网络覆盖率评估方法、装置及计算设备 |
CN115243270A (zh) * | 2021-04-07 | 2022-10-25 | ***通信集团设计院有限公司 | 5g网络规划方法、装置、计算设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101188847A (zh) * | 2007-11-28 | 2008-05-28 | 中讯邮电咨询设计院 | 基于人工神经网络的移动通信业务用户体验评估方法 |
CN101835173A (zh) * | 2010-05-18 | 2010-09-15 | 陕西浩瀚新宇科技发展有限公司 | 一种td-scdma无线网络基于地理位置覆盖效果的***和分析方法 |
CN102387511A (zh) * | 2011-11-03 | 2012-03-21 | 富春通信股份有限公司 | 多阵元天线基站的无线网络覆盖的优化***和装置 |
WO2013158035A1 (en) * | 2012-04-16 | 2013-10-24 | Consistel Pte Ltd | Wireless coverage infrastructure design |
CN105163337A (zh) * | 2015-08-21 | 2015-12-16 | 北京拓明科技有限公司 | 一种基于覆盖预测仿真的移动网络数据地理映射的方法 |
CN105634787A (zh) * | 2014-11-26 | 2016-06-01 | 华为技术有限公司 | 网络关键指标的评估方法、预测方法及装置和*** |
-
2017
- 2017-09-12 CN CN201710819350.4A patent/CN109495898B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101188847A (zh) * | 2007-11-28 | 2008-05-28 | 中讯邮电咨询设计院 | 基于人工神经网络的移动通信业务用户体验评估方法 |
CN101835173A (zh) * | 2010-05-18 | 2010-09-15 | 陕西浩瀚新宇科技发展有限公司 | 一种td-scdma无线网络基于地理位置覆盖效果的***和分析方法 |
CN102387511A (zh) * | 2011-11-03 | 2012-03-21 | 富春通信股份有限公司 | 多阵元天线基站的无线网络覆盖的优化***和装置 |
WO2013158035A1 (en) * | 2012-04-16 | 2013-10-24 | Consistel Pte Ltd | Wireless coverage infrastructure design |
CN105634787A (zh) * | 2014-11-26 | 2016-06-01 | 华为技术有限公司 | 网络关键指标的评估方法、预测方法及装置和*** |
CN105163337A (zh) * | 2015-08-21 | 2015-12-16 | 北京拓明科技有限公司 | 一种基于覆盖预测仿真的移动网络数据地理映射的方法 |
Non-Patent Citations (2)
Title |
---|
SHI YUNBO,LIU CONGNING,ETC.: "Research of data mining and network coverage optimization in early warning model of chlorine gas monitoring wireless sensor network", 《INTERNATIONAL CONFERENCE ON SOFTWARE INTELLIGENCE TECHNOLOGIES AND APPLICATIONS & INTERNATIONAL CONFERENCE ON FRONTIERS OF INTERNET OF THINGS 2014》 * |
陈思伃: "无线网络优化中传播模型校正的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑(月刊)》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110636515A (zh) * | 2019-11-14 | 2019-12-31 | 国网湖南省电力有限公司 | 电力无线专网的网络规划评估方法 |
CN110636515B (zh) * | 2019-11-14 | 2022-06-24 | 国网湖南省电力有限公司 | 电力无线专网的网络规划评估方法 |
CN114339855A (zh) * | 2020-09-27 | 2022-04-12 | ***通信集团浙江有限公司 | 无线网络覆盖率评估方法、装置及计算设备 |
CN114339855B (zh) * | 2020-09-27 | 2023-08-15 | ***通信集团浙江有限公司 | 无线网络覆盖率评估方法、装置及计算设备 |
CN112423337A (zh) * | 2020-11-18 | 2021-02-26 | 中国联合网络通信集团有限公司 | 网络覆盖诊断模型构建方法、网络覆盖诊断方法及装置 |
CN112423337B (zh) * | 2020-11-18 | 2023-06-09 | 中国联合网络通信集团有限公司 | 网络覆盖诊断模型构建方法、网络覆盖诊断方法及装置 |
CN115243270A (zh) * | 2021-04-07 | 2022-10-25 | ***通信集团设计院有限公司 | 5g网络规划方法、装置、计算设备和存储介质 |
CN115243270B (zh) * | 2021-04-07 | 2023-09-22 | ***通信集团设计院有限公司 | 5g网络规划方法、装置、计算设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109495898B (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Incentive mechanism for multiple cooperative tasks with compatible users in mobile crowd sensing via online communities | |
CN109495898A (zh) | 一种无线网络覆盖的指标定量预测方法及设备 | |
CN105657724B (zh) | 用于提供小小区部署规划的技术 | |
CN110418354A (zh) | 一种基于机器学习的免传播模型无线网络规划方法 | |
CN112512069B (zh) | 基于信道波束图样的网络智能优化方法及装置 | |
CN108271165A (zh) | 一种基站网络信号覆盖状态的预测方法及*** | |
Chandra et al. | A spatially nonstationary Fay-Herriot model for small area estimation | |
CN111222776A (zh) | 基于卷积神经网络的卫星网络协调态势评估方法及*** | |
US20190316909A1 (en) | Estimating Aircraft Taxi Times | |
CN112054943A (zh) | 一种移动网络基站流量预测方法 | |
Karra et al. | Prediction of received signal power in mobile communications using different machine learning algorithms: A comparative study | |
US11792656B2 (en) | Determining cell suitability for multiple-input multiple-output deployment | |
CN114818452A (zh) | 天线配置参数优化方法、装置及存储介质 | |
Schartner et al. | Automated VLBI scheduling using AI-based parameter optimization | |
Qiu et al. | Pseudo ray-tracing: Deep leaning assisted outdoor mm-wave path loss prediction | |
Vankayala et al. | Radio map estimation using a generative adversarial network and related business aspects | |
Safavi et al. | New optimization methods for designing rain stations network using new neural network, election, and whale optimization algorithms by combining the Kriging method | |
Fernández Anitzine et al. | Influence of training set selection in artificial neural network‐based propagation path loss predictions | |
CN112566143B (zh) | 负载均衡方法、装置及计算设备 | |
CN117273119A (zh) | 一种基于强化学***联邦学习方法及装置 | |
Ramírez Villegas et al. | Disaggregation of global circulation model outputs | |
Zhang et al. | A non-stationary channel prediction method for UAV communication network with error compensation | |
Chen et al. | Neural network for WGDOP approximation and mobile location | |
Goudos et al. | Modelling received signal power in modern mobile communications with UAVs using ensemble learning | |
Wang et al. | Space information network resource scheduling for cloud computing: a deep reinforcement learning approach |
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 |