CN110839210B - 一种用户位置预测方法及装置 - Google Patents
一种用户位置预测方法及装置 Download PDFInfo
- Publication number
- CN110839210B CN110839210B CN201911136251.1A CN201911136251A CN110839210B CN 110839210 B CN110839210 B CN 110839210B CN 201911136251 A CN201911136251 A CN 201911136251A CN 110839210 B CN110839210 B CN 110839210B
- Authority
- CN
- China
- Prior art keywords
- cell
- time period
- disaster
- operation data
- network operation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012545 processing Methods 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 9
- 238000011144 upstream manufacturing Methods 0.000 claims 2
- 238000010295 mobile communication Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 238000002790 cross-validation Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 241001122767 Theaceae Species 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000014759 maintenance of location Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/90—Services for handling of emergency or hazardous situations, e.g. earthquake and tsunami warning systems [ETWS]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Emergency Management (AREA)
- Environmental & Geological Engineering (AREA)
- Public Health (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明的实施例提供了一种用户位置预测方法及装置,涉及计算机大数据相关技术领域及移动通信网络相关技术领域,解决了如何提高搜救人员的搜救速率的问题。该方法包括,获取指定区域内至少一个小区在第一时间段内的第一网络运行数据和第二时间段内的第二网络运行数据;当第一网络运行数据和第二网络运行数据满足预设条件时,确定小区为受灾小区;根据受灾小区内指定UE在第一时间段内的业务信息,确定指定UE在第二时间段内的预测位置;其中,第一时间段的结束时间与第二时间段的起始时间相同。
Description
技术领域
本发明涉及计算机大数据相关技术领域及移动通信网络相关技术领域,尤其涉及一种用户位置预测方法及装置。
背景技术
传统的搜救定位方法主要通过搜救人员和设备在灾害现场通过寻访、呼叫、仪器侦查或搜救犬搜索,确定被困人员在自然空间的位置。作为地震灾后救援工作中最困难的部分,它不仅需要搜救人员具有丰富的实际经营和搜索技巧,也需要先进的器材装备。而为了提高救援速率和成功率,在大规模搜索被困人员时,通常根据受灾区域的城市街区的人口、经济等数据,结合人员经验,对受灾面积进行区域划分,或直接根据建筑物类别(如学校、医院、写字楼等)进行划分。这样操作一是不太适用面积较大区域,划分区域需要太多的人力;二是由人为判断,存在一定的经验误差且效率不高,这就会让对生命救援承担延时风险。
由上述方案可知,如何提高搜救人员的搜救速率成为了一个亟待解决的问题。
发明内容
本发明的实施例提供一种用户位置预测方法及装置,解决了如何提高搜救人员的搜救速率的问题。
为达到上述目的,本发明的实施例采用如下技术方案:
第一方面,本发明的实施例提供一种用户位置预测方法,包括:获取指定区域内至少一个小区在第一时间段内的第一网络运行数据和第二时间段内的第二网络运行数据;当第一网络运行数据和第二网络运行数据满足预设条件时,确定小区为受灾小区;根据受灾小区内指定UE在第一时间段内的业务信息,确定指定UE在第二时间段内的预测位置;其中,第一时间段的结束时间与第二时间段的起始时间相同。
由上述方案可知,本发明的实施例提供的用户位置预测方法,当第一指定区域内发生了灾害,则可以根据灾害发生前的第一网络运行数据和灾害发生后的第二网络运行数据,筛选出受灾小区,从而无需人工逐个去判别指定区域内哪些小区发生了灾害,可以更快速的筛选出受灾小区;同时,基于受灾小区内指定UE在灾害发生前的业务信息,确定指定UE在第二时间段内的预测位置,从而搜救人员可以根据该预测位置对受灾人员进行及时的救援,从而提高了搜救人员的搜救速率,解决了如何提高搜救人员的搜救速率的问题。
第二方面,本发明的实施例提供一种用户位置预测装置,包括:获取单元,用于获取指定区域内至少一个小区在第一时间段内的第一网络运行数据和第二时间段内的第二网络运行数据;处理单元,用于当获取单元获取的第一网络运行数据和获取单元获取的第二网络运行数据满足预设条件时,确定小区为受灾小区;处理单元,还用于根据受灾小区内指定UE在第一时间段内的业务信息,确定指定UE在第二时间段内的预测位置;其中,第一时间段的结束时间与第二时间段的起始时间相同。
第三方面,本发明的实施例提供一种用户位置预测装置,包括:通信接口、处理器、存储器、总线;存储器用于存储计算机执行指令,处理器与存储器通过总线连接,当用户位置预测装置运行时,处理器执行存储器存储的计算机执行指令,以使用户位置预测装置执行如上述第一方面提供的方法。
第四方面,本发明的实施例提供一种计算机存储介质,包括指令,当其在计算机上运行时,使得计算机执行如上述第一方面提供的方法。
可以理解地,上述提供的任一种用户位置预测装置用于执行上文所提供的第一方面对应的方法,因此,其所能达到的有益效果可参考上文第一方面的方法以及下文具体实施方式中对应的方案的有益效果,此处不再赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或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发明的一些实施例,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他的附图。
图1为本发明的实施例提供的一种用户位置预测方法的网络架构图;
图2为本发明的实施例提供的一种用户位置预测方法的流程示意图之一;
图3为本发明的实施例提供的一种用户位置预测方法的流程示意图之二;
图4为本发明的实施例提供的一种用户位置预测方法的流程示意图之三;
图5为本发明的实施例提供的一种用户位置预测方法的流程示意图之四;
图6为本发明的实施例提供的一种用户位置预测方法的流程示意图之五;
图7为本发明的实施例提供的一种用户位置预测方法的流程示意图之六;
图8为本发明的实施例提供的一种用户位置预测方法的流程示意图之七;
图9为本发明的实施例提供的一种用户位置预测方法的流程示意图之八;
图10为本发明的实施例提供的一种用户位置预测方法的流程示意图之九;
图11为本发明的实施例提供的一种用户位置预测装置的结构示意图之一;
图12为本发明的实施例提供的一种用户位置预测装置的结构示意图之二。
附图标记:
用户位置预测装置-10;
获取单元-101;处理单元-102。
具体实施方式
下面结合附图,对本发明的实施例进行描述。
为了便于清楚描述本发明实施例的技术方案,在本发明的实施例中,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分,本领域技术人员可以理解“第一”、“第二”等字样并不是在对数量和执行次序进行限定。
此外,本申请的描述中所提到的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括其他没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本发明实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
在本发明实施例的描述中,除非另有说明,“多个”的含义是指两个或两个以上。例如,多个网络是指两个或两个以上的网络。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。本文中符号“/”表示关联对象是或者的关系,例如A/B表示A或者B。
以下,对本申请涉及的技术进行解释,以方便读者理解:
在本申请实施例中,基站可以是全球移动通信***(globalsystem for mobilecommunication,GSM),码分多址(code division multiple access,CDMA)中的基站(basetransceiver station,BTS),宽带码分多址(wideband code division multipleaccess,WCDMA)中的基站(node B,NB),长期演进(Long Term Evolution,LTE)中的基站(evolvedNode B,eNB),物联网(internet of things,IoT)或者窄带物联网(narrow band-internetof things,NB-IoT)中的eNB,未来5G移动通信网络或者未来演进的公共陆地移动网络(public land mobile network,PLMN)中的基站,本申请实施例对此不作任何限制。
在本申请实施例中,终端用于向用户提供语音和/或数据连通***。所述终端可以有不同的名称,例如用户设备(user equipment,UE)、接入终端、终端单元、终端站、移动站、移动台、远方站、远程终端、移动设备、无线通信设备、车辆用户设备、终端代理或终端装置等。可选的,所述终端可以为各种具有通信功能的手持设备、车载设备、可穿戴设备、计算机,本申请实施例对此不作任何限定。例如,手持设备可以是智能手机。车载设备可以是车载导航***。可穿戴设备可以是智能手环。计算机可以是个人数字助理(personal digitalassistant,PDA)电脑、平板型电脑以及膝上型电脑(laptop computer)。
传统的搜救定位方法存在以下不足:
一、不太适用面积较大的区域,划分的区域较多时需要部署大量的人力;
二、需要搜救人员根据经验判断,存在一定的经验误差且效率不高,这就会让对生命救援承担延时风险。
为解决上述问题,本发明的实施例提供的用户位置预测方法提供了如图1所示的网络架构图,包括基站1、核心网2、服务器3、用户设备(user equipment,UE)-4、UE-5和UE-1-1;其中,处于基站1内的UE1-1处于受灾区域内,服务器3通过核心网2获取基站1在第一时间段内的第一网络运行数据和第二时间段内的第二网络运行数据,从而确定UE1-1的预测位置,并通过向搜救人员携带的UE4发送预测位置,从而搜救人员可以根据预测位置,搜救UE1-1;或者,搜救人员携带的UE5通过核心网2获取基站1在第一时间段内的第一网络运行数据和第二时间段内的第二网络运行数据,从而确定UE1-1的预测位置,从而根据预测位置搜救UE1-1;具体的,当第一指定区域内发生了灾害,则可以根据灾害发生前的第一网络运行数据和灾害发生后的第二网络运行数据,筛选出受灾小区,从而无需人工逐个去判别指定区域内哪些小区发生了灾害,可以更快速的筛选出受灾小区;同时,基于受灾小区内指定UE在灾害发生前的业务信息,确定指定UE在第二时间段内的预测位置,从而搜救人员可以根据该预测位置对受灾人员进行及时的救援,从而提高了搜救人员的搜救速率,具体的实现过程如下:
实施例一
本发明的实施例提供一种用户位置预测方法,如图2所示包括:
S101、获取指定区域内至少一个小区在第一时间段内的第一网络运行数据和第二时间段内的第二网络运行数据。
需要说明的是,在实际的应用中,指定区域可以是疑似受灾区域,也可以是需要进行监测的区域;第一时间段是指灾害发生前的一段时间,第二时间段是指灾害发生后的一段时间;由于用户具有移动性,因此第一时间段的选择需要充分考虑用户的移动性,示例性的以灾害发生前的2小时作为第一时间段,若灾害在15点发生(采用24小时制计时),则第一时间段表示13点至15点这一时间段。
S102、当第一网络运行数据和第二网络运行数据满足预设条件时,确定小区为受灾小区。
具体的,在本申请实施例中,网络运行数据(如第一网络运行数据或者第二网络运行数据)可以通过运营商的运营支撑***(operation support system,OSS)采集移动网络运行维护数据,以LTE无线网为例,网络运行数据包括:接入性能指标、保持性能指标、业务量指标、故障告警指标和工程参数数据中的至少一项;其中,接入性能指标包括:无线侧无线资源控制协议(radio resource control,RRC)接入请求次数、无线侧RRC接入成功次数、无线侧RRC接入成功率、演进的无线接入承载(evolved radio access bearer,E-RAB)建立请求次数、E-RAB建立成功次数、E-RAB建立成功率、寻呼消息的发送成功次数、寻呼消息的响应次数、寻呼消息的响应率、无线接通率中的任一项。
保持性能指标包括:长期演进(long term evolution,LTE)业务掉线率、E-RAB异常释放次数、E-RAB释放总次数中的任一项。
业务量指标包括:演进型基站(evolved node b,eNB)以太网接口发送的业务流量、eNB以太网接口接收的业务流量、eNB以太网接口发送的平均速率、eNB以太网接口接收的平均速率、eNB以太网接口发送的峰值速率、eNB以太网接口接收的峰值速率、X2接口发送的业务流量、X2接口接收的业务流量、X2接口发送的平均速率、X2接口接收的平均速率、X2接口发送的峰值速率、X2接口接收的峰值速率中的任一项。
资源负荷指标包括:上行物理资源块(physical resource block,PRB)平均利用率、下行PRB平均利用率、X2接口带宽平均占用率和S1接口带宽平均占用率中的任一项。
故障告警指标包括:基站设备告警次数、小区断站次数、小区断站时长中的任一项。
工程参数数据包括:小区的位置区码(location area code,LAC)、小区识别(community identity,CI)、中文名称、所属城市/县/区、经度、纬度中的任一项。
可选的,第一网络运行数据和第二网络运行数据均包括至少一个接入参数,接入参数包括无线侧RRC接入请求次数、无线侧RRC接入成功次数、无线侧RRC接入成功率、E-RAB建立请求次数、E-RAB建立成功次数、E-RAB建立成功率、寻呼消息的发送成功次数、寻呼消息的响应次数、寻呼消息的响应率、无线接通率中的任一项;当第一网络运行数据和第二网络运行数据满足预设条件时,确定小区为受灾小区,如图3所示包括:
S1020、当接入参数在第一时间段内的第一取值与接入参数在第二时间段内的第二取值的差值的绝对值与第一取值的比值大于或等于受灾概率时,确定小区为受灾小区。
示例性的,当第一网络运行数据和第二网络运行数据均包含一个接入参数时,确定小区是否为受灾小区包括:
若接入参数为无线侧RRC接入请求次数,并且在第一时间段内的无线侧RRC接入请求次数为30次,在第二时间段内的无线侧RRC接入请求次数为20次,则第一取值与第二取值差值的绝对值与第一取值的比值为若受灾概率为20%,由于33.33%大于20%,则该小区为受灾小区。
同理,接入参数为无线侧RRC接入成功次数、无线侧RRC接入成功率、E-RAB建立请求次数、E-RAB建立成功次数、E-RAB建立成功率、寻呼消息的发送成功次数、寻呼消息的响应次数、寻呼消息的响应率,或者无线接通率时,确定小区是否为受灾小区与接入参数为无线侧RRC接入请求次数确定小区是否为受灾小区的计算过程类似,此处不再赘述。
示例性的,当第一网络运行数据和第二网络运行数据均包含至少两个接入参数时,确定小区是否为受灾小区包括:
若接入参数为无线侧RRC接入请求次数和无线侧RRC接入成功次数,并且在第一时间段内的无线侧RRC接入请求次数为40次,第一时间段内的无线侧RRC接入成功次数为30次,在第二时间段内的无线侧RRC接入请求次数为30次,第二时间段内的无线侧RRC接入成功次数为20次,则第一比值(第一时间段内的无线侧RRC接入请求次数与第二时间段内的无线侧RRC接入请求次数的差值的绝对值与第一时间段内的无线侧RRC接入请求次数的比值)为第二比值(第一时间段内的无线侧RRC接入成功次数与第二时间段内的无线侧RRC接入成功次数的差值与第一时间段内的无线侧RRC接入成功次数的比值)为由于25%大于20%,并且33.33%大于20%,则该小区为受灾小区;若否,则该小区不是受灾小区;其中,第一比值与第二比值对应的受灾概率均为20%。
或者,
若接入参数为无线侧RRC接入请求次数和无线侧RRC接入成功次数,并且在第一时间段内的无线侧RRC接入请求次数为40次,第一时间段内的无线侧RRC接入成功次数为30次,在第二时间段内的无线侧RRC接入请求次数为30次,第二时间段内的无线侧RRC接入成功次数为20次,则第一比值(第一时间段内的无线侧RRC接入请求次数与第二时间段内的无线侧RRC接入请求次数的差值的绝对值与第一时间段内的无线侧RRC接入请求次数的比值)为第二比值(第一时间段内的无线侧RRC接入成功次数与第二时间段内的无线侧RRC接入成功次数的差值的绝对值与第一时间段内的无线侧RRC接入成功次数的比值)为由于25%大于20%,并且33.33%大于30%,则该小区为受灾小区;若否,则该小区不是受灾小区;其中,第一比值对应的受灾概率均为20%,第二比值对应的受灾概率均为30%。
同理,第一网络运行数据和第二网络运行数据均包含至少两个接入参数,确定小区是否为受灾小区与接入参数为无线侧RRC接入请求次数,和第一网络运行数据和第二网络运行数据均包含至少两个接入参数,并且接入参数为无线侧RRC接入请求次数和无线侧RRC接入成功次数确定小区是否为受灾小区的计算过程类似,此处不再赘述。
可选的,第一网络运行数据和第二网络运行数据均包括至少一个保持参数,保持参数包括LTE业务掉线率、E-RAB异常释放次数、E-RAB释放总次数中的任一项;
当第一网络运行数据和第二网络运行数据满足预设条件时,确定小区为受灾小区,如图4所示包括:
S1021、当保持参数在第一时间段内的第三取值与保持参数在第二时间段内的第四取值的差值的绝对值与第三取值的比值大于或等于受灾概率时,确定小区为受灾小区。
可选的,第一网络运行数据和第二网络运行数据均包括至少一个业务参数,业务参数包括eNB以太网接口发送的业务流量、eNB以太网接口接收的业务流量、eNB以太网接口发送的平均速率、eNB以太网接口接收的平均速率、eNB以太网接口发送的峰值速率、eNB以太网接口接收的峰值速率、X2接口发送的业务流量、X2接口接收的业务流量、X2接口发送的平均速率、X2接口接收的平均速率、X2接口发送的峰值速率、X2接口接收的峰值速率中的任一项;
当第一网络运行数据和第二网络运行数据满足预设条件时,确定小区为受灾小区,如图5所示包括:
S1022、当业务参数在第一时间段内的第五取值与业务参数在第二时间段内的第六取值的差值的绝对值与第五取值的比值大于或等于受灾概率时,确定小区为受灾小区。
可选的,第一网络运行数据和第二网络运行数据均包括至少一个资源参数,资源参数包括上行PRB平均利用率、下行PRB平均利用率、X2接口带宽平均占用率和S1接口带宽平均占用率中的任一项;当第一网络运行数据和第二网络运行数据满足预设条件时,确定小区为受灾小区,如图6所示包括:
S1023、当资源参数在第一时间段内的第七取值与资源参数在第二时间段内的第八取值的差值的绝对值与第七取值的比值大于或等于受灾概率时,确定小区为受灾小区。
可选的,第一网络运行数据和第二网络运行数据均包括至少一个告警参数,告警参数包括基站设备告警次数、小区断站次数、小区断站时长中的任一项;当第一网络运行数据和第二网络运行数据满足预设条件时,确定小区为受灾小区,如图7所示包括:
S1024、当告警参数在第一时间段内的第九取值与告警参数在第二时间段内的第十取值的差值的绝对值与第九取值的比值大于或等于受灾概率时,确定小区为受灾小区。
具体的,第一网络运行数据和第二网络运行数据均包含保持参数、业务参数、资源参数和告警参数中的任一项,确定小区是否为受灾小区与第一网络运行数据和第二网络运行数据仅包含接入参数,确定小区是否为受灾小区的计算方式类似,此处不再赘述。
具体的,第一网络运行数据和第二网络运行数据均包含接入参数、保持参数、业务参数、资源参数和告警参数中的任少两项时,计算方式如下:
示例性的,第一网络运行数据和第二网络运行数据包含接入参数和保持参数时,确定小区是否为受灾小区包括:
若接入参数为无线侧RRC接入请求次数,并且在第一时间段内的无线侧RRC接入请求次数为30次,在第二时间段内的无线侧RRC接入请求次数为20次;并且保持参数为LTE业务掉线率,在第一时间段内的LTE业务掉线率为5%,在第二时间段内的LTE业务掉线率为9%,则第一比值(第一时间段内的无线侧RRC接入请求次数与第二时间段内的无线侧RRC接入请求次数的差值的绝对值与第一时间段内的无线侧RRC接入请求次数的比值)为第二比值(第一时间段内的LTE业务掉线率与第二时间段内的LTE业务掉线率的差值的绝对值与第一时间段内的LTE业务掉线率的比值)为由于33.33%大于20%,并且80%大于50%,则该小区为受灾小区;若否,则该小区不是受灾小区;其中,第一比值对应的受灾概率为20%,第二比值对应的受灾概率为50%。
示例性的,第一网络运行数据和第二网络运行数据均包含接入参数和保持参数时,确定小区是否为受灾小区包括:
若接入参数为无线侧RRC接入请求次数和无线侧RRC接入成功次数,并且在第一时间段内的无线侧RRC接入请求次数为40次,在第一时间段内的无线侧RRC接入成功次数为30次,在第二时间段内的无线侧RRC接入请求次数为30次,在第二时间段内的无线侧RRC接入成功次数为20次;并且保持参数为LTE业务掉线率和E-RAB异常释放次数,若在第一时间段内的LTE业务掉线率为5%,在第一时间段内的E-RAB异常释放次数为10次,在第二时间段内的LTE业务掉线率为9%,在第二时间段内的E-RAB异常释放次数为19次,则第一比值(第一时间段内的无线侧RRC接入请求次数与第二时间段内的无线侧RRC接入请求次数的差值的绝对值与第一时间段内的无线侧RRC接入请求次数的比值)第二比值(第一时间段内的无线侧RRC接入成功次数为与第二时间段内的无线侧RRC接入成功次数的差值的绝对值与第一时间段内的无线侧RRC接入成功次数的比值)为第三比值(第一时间段内的LTE业务掉线率与第二时间段内的LTE业务掉线率的差值的绝对值与第一时间段内的LTE业务掉线率的比值)为第四比值(第一时间段内的E-RAB异常释放次数与第二时间段内的E-RAB异常释放次数的差值的绝对值与第一时间段内的E-RAB异常释放次数的比值)为由于25%大于20%,并且33.33%大于30%,并且80%大于50%,并且90%大于50%时,则该小区为受灾小区;若否,则该小区不是受灾小区;其中,第一比值对应的受灾概率为20%,第二比值对应的受灾概率为30%,第三比值对应的受灾概率为50%,第四比值对应的受灾概率为50%。
同理,第一网络运行数据和第二网络运行数据包含接入参数、保持参数、业务参数、资源参数和告警参数中的任少两项时,确定小区是否为受灾小区与第一网络运行数据和第二网络运行数据包含接入参数和保持参数的计算过程类似,此处不再赘述。
具体的,为了更加准确地确定小区的位置,当确定小区为受灾小区时,还可以根据小区的工程参数数据,确定该小区的所在地理区域;具体的小区列表数据如表1所示。
表1小区列表信息
S103根据受灾小区内指定UE在第一时间段内的业务信息,确定指定UE在第二时间段内的预测位置;其中,第一时间段的结束时间与第二时间段的起始时间相同。
示例性的,如灾害发生时间为14:00(24小时制),为了更加准确的分析出用户的实际位置,则第一时间段可以是12:00至14:00,第二时间段可以是14:00至16:00。
具体的,业务信息如表2所示。
表2
可选的,根据受灾小区内指定UE在第一时间段内的业务信息,确定指定UE在第二时间段内的预测位置,如图8所示包括:
S1030、根据寻人位置学习算法和受灾小区内指定UE在第一时间段内的业务信息,确定指定UE在第二时间段内的预测位置;其中,寻人位置学习算法包括第一时间段内的业务信息与第二时间段内的实际位置的对应关系。
具体的,寻人位置学习算法通过以下方式得到:
(1)、获取历史灾害事件发生前指定时间段内(如2小时内)业务发生在实际受灾小区的所有用户的位置数据;其中,位置数据包括:经度和纬度;具体的,位置数据的获取方式包括以下几种情况:
A、基于网络侧信令/流量详细记录(x detail record,XDR)数据采集获取后的估算值。
B、基于无线侧信令采集获取后的估算值。
C、基于手机软件(application,APP)数据采集获取的精确值(全球定位***(global positioning system,GPS)值)。
D、上述A或B与C叠加修订值。
(2)、训练集数据特征提取
对(1)中获取的训练集数据(历史灾害事件发生前指定时间段内(如2小时内)业务发生在实际受灾小区的所有用户的位置数据)进行特征提取,主要包括范围内用户的全部业务发生时间、全部业务量、全部业务相关小区数,最近一次业务时间接入时间、最近一次接入小区ID、最近一次业务位置信息(经度、纬度)等,参考表2。
(3)、训练集特征叠加及算法训练、交叉验证
训练集数据特征叠加预测,根据是一个梯度Boosting框架,使用基于决策树的学习算法(light gradient boosting machine,LightGBM)对训练集数据进行训练并进行交叉验证,直至损失函数满足要求。
其中,预测用户位置包含用户的经度和纬度,可分别对经度和纬度进行回归预测。
基于LightGBM模型对训练集数据进行训练并进行交叉验证,逐步提升损失函数值的精度要求。交叉验证对数据按照4:1比例随机切分,即用80%的数据进行训练,用20%的数据进行交叉验证测试。
其中,训练集包括:
Train={(x1,y1),(x2,y2),...,(xn,yn),...,(xN,yN)};
其中,N为训练集的样本总数,即训练集去重后的用户数,n为整数且n∈[1,N]。
测试集包括:
Test={(x1,y1),(x2,y2),...,(xm,ym),...,(xM,yM)};
其中,M为测试集的样本总数,即测试集去重后的用户数,m为整数,且m∈[1,M]。
训练模型包括:y=f(x);
模型检验:
预测模型的损失函数采用常见的均方误差(mean squared error,MSE)函数,用于检测模型的预测值与真实值之间的偏差,公式为:
具体的,MSE的值越小,说明预测模型具有更好的精确度。
(4)、满足要求的训练后算法
得到训练好的算法。
可选的,根据受灾小区内指定UE在第一时间段内的业务信息,确定指定UE在第二时间段内的预测位置后,如图9所示该方法还包括:
S104、根据至少一个指定UE的预测位置,确定指定区域中每个栅格内包含指定UE的总个数。
S105、根据总个数,确定栅格的栅格优先级;其中,栅格优先级与总个数成正比。
具体的,为了配合救援人员及时对受灾现场进行救援,可以按照用户位置的经度和纬度划分搜寻最小栅格(如100m×100m),然后根据栅格内人员密度情况确定栅格优先级,然后救援人员根据栅格信息及栅格内包括的位置信息进行搜救,从而提高了搜救效率。
具体的,栅格优先级越高,搜救的迫切程度越高;即栅格优先级越高,应越先进行搜救。
可选的,根据受灾小区内指定UE在第一时间段内的业务信息,确定指定UE在第二时间段内的预测位置后,如图10所示该方法还包括:
S106、获取至少一个指定UE在起始时间后的实际位置。
需要说明的是,这里的实际位置是指灾后用户被发现的位置。
S107、根据预测位置,确定第一用户列表。
S108、根据实际位置,确定第二用户列表。
S109、根据第一用户列表和第二用户列表,确定更新后的第一用户列表。
具体的,为了实时的对搜救的情况进行统计,需要对已搜救人员和未搜救人员的搜寻工作进展情况,进行滚动更新。即根据本发明的实施例提供的用户位置预测方法,确定灾后用户的预测位置后,救援人员根据该预测位置对应的第一用户列表(如表3所示),进行搜救;每根据一个预测位置,发现一个用户时,需要将该用户的实际位置进行上报(如表4所示),从而对第一用户列表进行更新(如表5所示),避免重复对同一用户进行搜救,造成搜救资源的浪费。
其中,由于每个用户在注册入网时,使用不同的身份证明,如身份证、设备识别码或者国际移动用户识别码(international mobile subscriber identity,IMSI)等,从而可以分辨出不同的用户。
表3第一用户列表
用户名 | 预测位置 | 是否获救 |
张三 | (113.4423,118.6982) | 否 |
李四 | (128.4423,118.6982) | 否 |
王五 | (133.4423,118.6982) | 否 |
马六 | (116.4423,118.6982) | 否 |
表4第二用户列表
用户名 | 实际位置 | 是否获救 |
张三 | (114.4431,119.6950) | 是 |
李四 | 否 | |
王五 | 否 | |
马六 | 否 |
表5更新后的第一用户列表
用户名 | 预测位置 | 是否获救 |
李四 | (128.4423,118.6982) | 否 |
王五 | (133.4423,118.6982) | 否 |
马六 | (116.4423,118.6982) | 否 |
由上述方案可知,本发明的实施例提供的用户位置预测方法,当第一指定区域内发生了灾害,则可以根据灾害发生前的第一网络运行数据和灾害发生后的第二网络运行数据,筛选出受灾小区,从而无需人工逐个去判别指定区域内哪些小区发生了灾害,可以更快速的筛选出受灾小区;同时,基于受灾小区内指定UE在灾害发生前的业务信息,确定指定UE在第二时间段内的预测位置,从而搜救人员可以根据该预测位置对受灾人员进行及时的救援,从而提高了搜救人员的搜救速率,解决了如何提高搜救人员的搜救速率的问题。
实施例二
本发明的实施例提供一种用户位置预测装置10,如图11所示包括:
获取单元101,用于获取指定区域内至少一个小区在第一时间段内的第一网络运行数据和第二时间段内的第二网络运行数据;
处理单元102,用于当获取单元101获取的第一网络运行数据和获取单元101获取的第二网络运行数据满足预设条件时,确定小区为受灾小区;
处理单元102,还用于根据受灾小区内指定UE在第一时间段内的业务信息,确定指定UE在第二时间段内的预测位置;其中,第一时间段的结束时间与第二时间段的起始时间相同。
可选的,第一网络运行数据和第二网络运行数据均包括至少一个接入参数,接入参数包括无线侧RRC接入请求次数、无线侧RRC接入成功次数、无线侧RRC接入成功率、E-RAB建立请求次数、E-RAB建立成功次数、E-RAB建立成功率、寻呼消息的发送成功次数、寻呼消息的响应次数、寻呼消息的响应率、无线接通率中的任一项;
处理单元102,具体用于当获取单元101获取的接入参数在第一时间段内的第一取值与获取单元101获取的接入参数在第二时间段内的第二取值的差值的绝对值与第一取值的比值大于或等于受灾概率时,确定小区为受灾小区。
可选的,第一网络运行数据和第二网络运行数据均包括至少一个保持参数,保持参数包括LTE业务掉线率、E-RAB异常释放次数、E-RAB释放总次数中的任一项;
处理单元102,具体用于当获取单元101获取的保持参数在第一时间段内的第三取值与获取单元101获取的保持参数在第二时间段内的第四取值的差值的绝对值与第三取值的比值大于或等于受灾概率时,确定小区为受灾小区。
可选的,第一网络运行数据和第二网络运行数据均包括至少一个业务参数,业务参数包括eNB以太网接口发送的业务流量、eNB以太网接口接收的业务流量、eNB以太网接口发送的平均速率、eNB以太网接口接收的平均速率、eNB以太网接口发送的峰值速率、eNB以太网接口接收的峰值速率、X2接口发送的业务流量、X2接口接收的业务流量、X2接口发送的平均速率、X2接口接收的平均速率、X2接口发送的峰值速率、X2接口接收的峰值速率中的任一项;
处理单元102,具体用于当获取单元101获取的业务参数在第一时间段内的第五取值与获取单元101获取的业务参数在第二时间段内的第六取值的差值的绝对值与第五取值的比值大于或等于受灾概率时,确定小区为受灾小区。
可选的,第一网络运行数据和第二网络运行数据均包括至少一个资源参数,资源参数包括上行PRB平均利用率、下行PRB平均利用率、X2接口带宽平均占用率和S1接口带宽平均占用率中的任一项;
处理单元102,具体用于当获取单元101获取的资源参数在第一时间段内的第七取值与获取单元101获取的资源参数在第二时间段内的第八取值的差值的绝对值与第七取值的比值大于或等于受灾概率时,确定小区为受灾小区。
可选的,第一网络运行数据和第二网络运行数据均包括至少一个告警参数,告警参数包括基站设备告警次数、小区断站次数、小区断站时长中的任一项;
处理单元102,具体用于当获取单元101获取的告警参数在第一时间段内的第九取值与获取单元101获取的告警参数在第二时间段内的第十取值的差值的绝对值与第九取值的比值大于或等于受灾概率时,确定小区为受灾小区。
可选的,处理单元102,具体用于根据寻人位置学习算法和受灾小区内指定UE在第一时间段内的业务信息,确定指定UE在第二时间段内的预测位置;其中,寻人位置学习算法包括第一时间段内的业务信息与第二时间段内的实际位置的对应关系。
可选的,处理单元102,还用于根据至少一个指定UE的预测位置,确定指定区域中每个栅格内包含指定UE的总个数;
处理单元102,还用于根据总个数,确定栅格的栅格优先级;其中,栅格优先级与总个数成正比。
可选的,获取单元101,还用于获取至少一个指定UE在起始时间后的实际位置;
处理单元102,还用于根据预测位置,确定第一用户列表;
处理单元102,还用于根据实际位置,确定第二用户列表;
处理单元102,还用于根据第一用户列表和第二用户列表,确定更新后的第一用户列表。
其中,上述方法实施例涉及的各步骤的所有相关内容均可以援引到对应功能模块的功能描述,其作用在此不再赘述。
在采用集成的模块的情况下用户位置预测装置10包括:存储单元、处理单元以及获取单元。处理单元用于对用户位置预测装置的动作进行控制管理,例如,处理单元用于支持用户位置预测装置执行图2中的过程S101、S102和S103;获取单元用于支持用户位置预测装置与其他设备的信息交互。存储单元,用于存储用户位置预测装置的程序代码和数据。
其中,以处理单元为处理器,存储单元为存储器,获取单元为通信接口为例。其中,用户位置预测装置参照图12中所示,包括通信接口501、处理器502、存储器503和总线504,通信接口501、处理器502通过总线504与存储器503相连。
处理器502可以是一个通用中央处理器(英文全称:Central Processing Unit,简称:CPU),微处理器,特定应用集成电路(英文全称:Application-Specific IntegratedCircuit,简称:ASIC),或一个或多个用于控制本申请方案程序执行的集成电路。
存储器503可以是只读存储器(英文全称:Read-Only Memory,简称:ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(英文全称:Random AccessMemory,简称:RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(英文全称:Electrically Erasable Programmable Read-only Memory,简称:EEPROM)、只读光盘(英文全称:Compact Disc Read-Only Memory,简称:CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器503用于存储执行本申请方案的应用程序代码,并由处理器502来控制执行。通信接口501用于与其他设备进行信息交互,例如与遥控器的信息交互。处理器502用于执行存储器503中存储的应用程序代码,从而实现本申请实施例中所述的方法。
此外,还提供一种计算存储媒体(或介质),包括在被执行时进行上述实施例中的用户位置预测装置执行的方法操作的指令。另外,还提供一种计算机程序产品,包括上述计算存储媒体(或介质)。
应理解,在本发明的各种实施例中,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,而不应对本发明实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***、设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,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单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文全称:read-only memory,英文简称:ROM)、随机存取存储器(英文全称:random access memory,英文简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
可以理解地,上述提供的任一种用户位置预测装置用于执行上文所提供的实施例一对应的方法,因此,其所能达到的有益效果可参考上文实施例一的方法以及下文具体实施方式中对应的方案的有益效果,此处不再赘述。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (14)
1.一种用户位置预测方法,其特征在于,包括:
获取指定区域内至少一个小区在第一时间段内的第一网络运行数据和第二时间段内的第二网络运行数据;
当所述第一网络运行数据和所述第二网络运行数据满足预设条件时,确定所述小区为受灾小区;
根据所述受灾小区内指定UE在所述第一时间段内的业务信息,确定所述指定UE在所述第二时间段内的预测位置,包括:根据寻人位置学习算法和所述受灾小区内指定UE在所述第一时间段内的业务信息,确定所述指定UE在第二时间段内的预测位置;其中,所述第一时间段的结束时间与所述第二时间段的起始时间相同;所述寻人位置学习算法包括第一时间段内的业务信息与第二时间段内的实际位置的对应关系;
所述寻人位置学习算法的获取包括:获取灾害事件发生前指定时间段内业务发生在实际受灾小区的所有用户的位置数据,提取训练集数据特征,对所述训练集数据特征进行训练及交叉验证确定;
所述第一网络运行数据和所述第二网络运行数据均包括至少一个接入参数,所述接入参数包括无线侧RRC接入请求次数、无线侧RRC接入成功次数、无线侧RRC接入成功率、E-RAB建立请求次数、E-RAB建立成功次数、E-RAB建立成功率、寻呼消息的发送成功次数、寻呼消息的响应次数、寻呼消息的响应率、无线接通率中的任一项;
当所述第一网络运行数据和所述第二网络运行数据满足预设条件时,确定所述小区为受灾小区,包括:
当接入参数在所述第一时间段内的第一取值与所述接入参数在所述第二时间段内的第二取值的差值的绝对值与所述第一取值的比值大于或等于受灾概率时,确定所述小区为受灾小区;
所述第一网络运行数据和所述第二网络运行数据均包括至少一个保持参数,所述保持参数包括LTE业务掉线率、E-RAB异常释放次数、E-RAB释放总次数中的任一项;
当所述第一网络运行数据和所述第二网络运行数据满足预设条件时,确定所述小区为受灾小区,包括:
当保持参数在所述第一时间段内的第三取值与所述保持参数在所述第二时间段内的第四取值的差值的绝对值与所述第三取值的比值大于或等于受灾概率时,确定所述小区为受灾小区。
2.根据权利要求1所述的用户位置预测方法,其特征在于,所述第一网络运行数据和所述第二网络运行数据均包括至少一个业务参数,所述业务参数包括eNB以太网接口发送的业务流量、eNB以太网接口接收的业务流量、eNB以太网接口发送的平均速率、eNB以太网接口接收的平均速率、eNB以太网接口发送的峰值速率、eNB以太网接口接收的峰值速率、X2接口发送的业务流量、X2接口接收的业务流量、X2接口发送的平均速率、X2接口接收的平均速率、X2接口发送的峰值速率、X2接口接收的峰值速率中的任一项;
当所述第一网络运行数据和所述第二网络运行数据满足预设条件时,确定所述小区为受灾小区,包括:
当业务参数在所述第一时间段内的第五取值与所述业务参数在所述第二时间段内的第六取值的差值的绝对值与所述第五取值的比值大于或等于受灾概率时,确定所述小区为受灾小区。
3.根据权利要求1所述的用户位置预测方法,其特征在于,所述第一网络运行数据和所述第二网络运行数据均包括至少一个资源参数,所述资源参数包括上行PRB平均利用率、下行PRB平均利用率、X2接口带宽平均占用率和S1接口带宽平均占用率中的任一项;
当所述第一网络运行数据和所述第二网络运行数据满足预设条件时,确定所述小区为受灾小区,包括:
当资源参数在所述第一时间段内的第七取值与所述资源参数在所述第二时间段内的第八取值的差值的绝对值与所述第七取值的比值大于或等于受灾概率时,确定所述小区为受灾小区。
4.根据权利要求1所述的用户位置预测方法,其特征在于,所述第一网络运行数据和所述第二网络运行数据均包括至少一个告警参数,所述告警参数包括基站设备告警次数、小区断站次数、小区断站时长中的任一项;
当所述第一网络运行数据和所述第二网络运行数据满足预设条件时,确定所述小区为受灾小区,包括:
当告警参数在所述第一时间段内的第九取值与所述告警参数在所述第二时间段内的第十取值的差值的绝对值与所述第九取值的比值大于或等于受灾概率时,确定所述小区为受灾小区。
5.根据权利要求1-4任一项所述的用户位置预测方法,其特征在于,根据所述受灾小区内指定UE在所述第一时间段内的业务信息,确定所述指定UE在所述第二时间段内的预测位置后,所述方法还包括:
根据至少一个指定UE的预测位置,确定所述指定区域中每个栅格内包含指定UE的总个数;
根据所述总个数,确定所述栅格的栅格优先级;其中,所述栅格优先级与所述总个数成正比。
6.根据权利要求1-4任一项所述的用户位置预测方法,其特征在于,根据所述受灾小区内指定UE在所述第一时间段内的业务信息,确定所述指定UE在所述第二时间段内的预测位置后,所述方法还包括:
获取至少一个指定UE在所述起始时间后的实际位置;
根据所述预测位置,确定第一用户列表;
根据所述实际位置,确定第二用户列表;
根据所述第一用户列表和所述第二用户列表,确定更新后的第一用户列表。
7.一种用户位置预测装置,其特征在于,包括:
获取单元,用于获取指定区域内至少一个小区在第一时间段内的第一网络运行数据和第二时间段内的第二网络运行数据;
处理单元,用于当所述获取单元获取的所述第一网络运行数据和所述获取单元获取的所述第二网络运行数据满足预设条件时,确定所述小区为受灾小区;
所述处理单元,还用于根据所述受灾小区内指定UE在所述第一时间段内的业务信息,确定所述指定UE在所述第二时间段内的预测位置,包括:根据寻人位置学习算法和所述受灾小区内指定UE在所述第一时间段内的业务信息,确定所述指定UE在第二时间段内的预测位置;其中,所述第一时间段的结束时间与所述第二时间段的起始时间相同;所述寻人位置学习算法包括第一时间段内的业务信息与第二时间段内的实际位置的对应关系;
所述寻人位置学习算法的获取包括:获取灾害事件发生前指定时间段内业务发生在实际受灾小区的所有用户的位置数据,提取训练集数据特征,对所述训练集数据特征进行训练及交叉验证确定;
所述第一网络运行数据和所述第二网络运行数据均包括至少一个接入参数,所述接入参数包括无线侧RRC接入请求次数、无线侧RRC接入成功次数、无线侧RRC接入成功率、E-RAB建立请求次数、E-RAB建立成功次数、E-RAB建立成功率、寻呼消息的发送成功次数、寻呼消息的响应次数、寻呼消息的响应率、无线接通率中的任一项;
所述处理单元,具体用于当所述获取单元获取的接入参数在所述第一时间段内的第一取值与所述获取单元获取的所述接入参数在所述第二时间段内的第二取值的差值的绝对值与所述第一取值的比值大于或等于受灾概率时,确定所述小区为受灾小区;
所述第一网络运行数据和所述第二网络运行数据均包括至少一个保持参数,所述保持参数包括LTE业务掉线率、E-RAB异常释放次数、E-RAB释放总次数中的任一项;
所述处理单元,具体用于当所述获取单元获取的保持参数在所述第一时间段内的第三取值与所述获取单元获取的所述保持参数在所述第二时间段内的第四取值的差值的绝对值与所述第三取值的比值大于或等于受灾概率时,确定所述小区为受灾小区。
8.根据权利要求7所述的用户位置预测装置,其特征在于,所述第一网络运行数据和所述第二网络运行数据均包括至少一个业务参数,所述业务参数包括eNB以太网接口发送的业务流量、eNB以太网接口接收的业务流量、eNB以太网接口发送的平均速率、eNB以太网接口接收的平均速率、eNB以太网接口发送的峰值速率、eNB以太网接口接收的峰值速率、X2接口发送的业务流量、X2接口接收的业务流量、X2接口发送的平均速率、X2接口接收的平均速率、X2接口发送的峰值速率、X2接口接收的峰值速率中的任一项;
所述处理单元,具体用于当所述获取单元获取的业务参数在所述第一时间段内的第五取值与所述获取单元获取的所述业务参数在所述第二时间段内的第六取值的差值的绝对值与所述第五取值的比值大于或等于受灾概率时,确定所述小区为受灾小区。
9.根据权利要求7所述的用户位置预测装置,其特征在于,所述第一网络运行数据和所述第二网络运行数据均包括至少一个资源参数,所述资源参数包括上行PRB平均利用率、下行PRB平均利用率、X2接口带宽平均占用率和S1接口带宽平均占用率中的任一项;
所述处理单元,具体用于当所述获取单元获取的资源参数在所述第一时间段内的第七取值与所述获取单元获取的所述资源参数在所述第二时间段内的第八取值的差值的绝对值与所述第七取值的比值大于或等于受灾概率时,确定所述小区为受灾小区。
10.根据权利要求7所述的用户位置预测装置,其特征在于,所述第一网络运行数据和所述第二网络运行数据均包括至少一个告警参数,所述告警参数包括基站设备告警次数、小区断站次数、小区断站时长中的任一项;
所述处理单元,具体用于当所述获取单元获取的告警参数在所述第一时间段内的第九取值与所述获取单元获取的所述告警参数在所述第二时间段内的第十取值的差值的绝对值与所述第九取值的比值大于或等于受灾概率时,确定所述小区为受灾小区。
11.根据权利要求7-10任一项所述的用户位置预测装置,其特征在于,所述处理单元,还用于根据至少一个指定UE的预测位置,确定所述指定区域中每个栅格内包含指定UE的总个数;
所述处理单元,还用于根据所述总个数,确定所述栅格的栅格优先级;其中,所述栅格优先级与所述总个数成正比。
12.根据权利要求7-10任一项所述的用户位置预测装置,其特征在于,所述获取单元,还用于获取至少一个指定UE在所述起始时间后的实际位置;
所述处理单元,还用于根据所述预测位置,确定第一用户列表;
所述处理单元,还用于根据所述实际位置,确定第二用户列表;
所述处理单元,还用于根据所述第一用户列表和所述第二用户列表,确定更新后的第一用户列表。
13.一种计算机存储介质,其特征在于,包括指令,当其在计算机上运行时,使得计算机执行如上述权利要求1-6任一项所述的用户位置预测方法。
14.一种用户位置预测装置,其特征在于,包括:通信接口、处理器、存储器、总线;存储器用于存储计算机执行指令,处理器与存储器通过总线连接,当用户位置预测装置运行时,处理器执行存储器存储的计算机执行指令,以使用户位置预测装置执行如上述权利要求1-6任一项所述的用户位置预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911136251.1A CN110839210B (zh) | 2019-11-19 | 2019-11-19 | 一种用户位置预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911136251.1A CN110839210B (zh) | 2019-11-19 | 2019-11-19 | 一种用户位置预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110839210A CN110839210A (zh) | 2020-02-25 |
CN110839210B true CN110839210B (zh) | 2021-02-02 |
Family
ID=69576682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911136251.1A Active CN110839210B (zh) | 2019-11-19 | 2019-11-19 | 一种用户位置预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110839210B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114245287A (zh) * | 2020-09-09 | 2022-03-25 | 中国联合网络通信集团有限公司 | 位置信息的确定方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160821A (zh) * | 2015-08-03 | 2015-12-16 | 福建星网锐捷通讯股份有限公司 | 楼宇对讲***的地震报警方法与楼宇对讲*** |
CN108111340A (zh) * | 2017-12-13 | 2018-06-01 | 济南创智电气科技有限公司 | 基于天通与北斗卫星的空天一体化通导应急通讯指挥集群通信应用的***与方法 |
CN109640355A (zh) * | 2019-01-22 | 2019-04-16 | 中国联合网络通信集团有限公司 | 灾区人员人身安全的确定方法和装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8154440B2 (en) * | 2007-04-04 | 2012-04-10 | Pathfinders International, Llc | GPS pathfinder cell phone and method |
CN105471663A (zh) * | 2014-08-18 | 2016-04-06 | 中兴通讯股份有限公司 | 网络异常的检测方法、装置、通信网络检测装置及*** |
CN109768869B (zh) * | 2017-11-06 | 2022-05-31 | ***通信有限公司研究院 | 一种业务预测方法、***和计算机存储介质 |
CN107991648B (zh) * | 2017-11-28 | 2019-10-11 | 中国联合网络通信集团有限公司 | 一种受灾人员的搜救定位方法及装置 |
CN108391223B (zh) * | 2018-02-12 | 2020-08-11 | 中国联合网络通信集团有限公司 | 一种确定失联用户的方法及装置 |
-
2019
- 2019-11-19 CN CN201911136251.1A patent/CN110839210B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160821A (zh) * | 2015-08-03 | 2015-12-16 | 福建星网锐捷通讯股份有限公司 | 楼宇对讲***的地震报警方法与楼宇对讲*** |
CN108111340A (zh) * | 2017-12-13 | 2018-06-01 | 济南创智电气科技有限公司 | 基于天通与北斗卫星的空天一体化通导应急通讯指挥集群通信应用的***与方法 |
CN109640355A (zh) * | 2019-01-22 | 2019-04-16 | 中国联合网络通信集团有限公司 | 灾区人员人身安全的确定方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110839210A (zh) | 2020-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108181607B (zh) | 基于指纹库的定位方法、装置及计算机可读存储介质 | |
CN109548041B (zh) | 一种无线覆盖分析方法及*** | |
WO2016149284A1 (en) | Connection technology-based wireless coverage verification | |
CN107580337B (zh) | 一种热点区域识别方法和装置 | |
CN107135090B (zh) | 一种实现网络质差问题定位的方法及装置 | |
CN114173356A (zh) | 网络质量的检测方法、装置、设备及存储介质 | |
CN111372183B (zh) | 一种识别质差终端的方法、装置、设备及存储介质 | |
CN108391223B (zh) | 一种确定失联用户的方法及装置 | |
CN109885636B (zh) | 一种用户画像方法和服务器 | |
JP2013135263A (ja) | 基地局装置、通信システム、ノード装置、移動局装置、コンピュータプログラム及び位置検出方法 | |
CN108632746A (zh) | 一种确定区域人流量的方法 | |
CN106465175A (zh) | 用于收集和汇总网络质量数据的方法 | |
EP2495696A1 (en) | Management server, population information calculation management server, zero population distribution area management method, and population information calculation method | |
JP2014116808A (ja) | 携帯端末を所持したユーザの滞在地を推定する装置、プログラム及び方法 | |
US9271175B2 (en) | Wireless quality collecting device, wireless quality collecting method, and computer-readable recording medium | |
CN110839210B (zh) | 一种用户位置预测方法及装置 | |
CN102149084A (zh) | 一种识别m2m终端的方法和*** | |
CN110769497B (zh) | 一种无线网络的投诉热点生成方法及装置 | |
CN107484133B (zh) | 一种基站覆盖范围的预测方法及预测*** | |
CN103945433A (zh) | 一种网络弱覆盖区域确定方法及装置 | |
CN112512057B (zh) | 网络切片异常识别方法、装置、设备及计算机存储介质 | |
CN111935772B (zh) | 一种确定业务区域的价值的方法和装置 | |
EP2416552B1 (en) | Mobile device, communication system and communication method | |
CN110120883B (zh) | 一种评估网络性能的方法、装置和计算机可读存储介质 | |
CN107801159B (zh) | 人流量监控方法、***、信息处理方法及装置 |
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 |