CN111246564A - 基于mr数据的外部干扰定位方法及装置 - Google Patents

Abstract

本发明实施例提供一种基于MR数据的外部干扰定位方法及装置，所述方法包括：根据预设的受干扰小区的判定条件获取LTE网络中受干扰小区；利用内部干扰源排查方法确定所述LTE网络中受干扰小区中受外部干扰的小区；确定所述受外部干扰的小区所对应的受干扰程度最大的基站，并获取所述受干扰程度最大的基站及其周边一圈同频基站的MR数据；对所述MR数据进行定位处理，并根据定位处理的结果对所述MR数据进行栅格化处理，获得MR栅格数据；对所述MR栅格数据进行分段平均处理，并将经过分段平均处理后的所述MR栅格数据输入至干扰源预测模型，获得预测的干扰源经纬度信息。本发明实施例能够有效提升外部干扰源的定位效率。

Description

基于MR数据的外部干扰定位方法及装置

技术领域

本发明实施例涉及通信技术领域，更具体地，涉及一种基于MR数据的外部干扰定位方法及装置。

背景技术

在LTE移动网络中外部干扰对移动网络的通信安全和网络用户业务感知会带来比较大的影响。

为了能排查、协调外部干扰源问题，通常的做法是在移动网络基站小区进行上行干扰值统计，对明显存在上行干扰的小区进行干扰源的定位分析，在内部基站之间的相互干扰问题排查分析之后，若还无法解决的会进行现场基站小区覆盖区域的外部干扰扫频测试，以便确定外部干扰源所在的位置区域。

而一般一个小区覆盖区域有时会比较大，再加上建筑物的阻挡等因素，所以在现场进行外部干扰源扫频定位这一步可能会花费非常多的时间和精力，甚至有时为了定位一个外部干扰源会花费几天的时间，定位效率低下。

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基于MR数据的外部干扰定位方法及装置。

第一方面，本发明实施例提供一种基于MR数据的外部干扰定位方法，包括：

根据预设的受干扰小区的判定条件获取LTE网络的受干扰小区；

利用内部干扰源排查方法筛选出所述LTE网络的受干扰小区中受外部干扰的小区；

确定所述受外部干扰的小区所对应的受干扰程度最大的基站，并获取所述受干扰程度最大的基站及其周边一圈同频基站的MR数据；

对所述MR数据进行定位处理，并根据定位处理的结果对所述MR数据进行栅格化处理，获得MR栅格数据；

对所述MR栅格数据进行分段平均处理，并将经过分段平均处理后的所述MR栅格数据输入至干扰源预测模型，获得预测的干扰源经纬度信息；

其中，所述MR数据包括：下行RSRP值和上行SINR值；

其中，所述干扰源预测模型是利用支持向量回归算法，并基于经过分段平均处理的MR栅格样本数据和预先确定的干扰源经纬度信息进行训练后获得的。

第二方面，本发明实施例提供一种基于MR数据的外部干扰定位装置，包括：

干扰确定模块，用于根据预设的受干扰小区的判定条件获取LTE网络的受干扰小区；

内部干扰排查模块，用于利用内部干扰源排查方法筛选出所述LTE网络的受干扰小区中受外部干扰的小区；

MR数据获取模块，用于确定所述受外部干扰的小区所对应的受干扰程度最大的基站，并获取所述受干扰程度最大的基站及其周边一圈同频基站的MR数据；

定位和栅格化处理模块，用于对所述MR数据进行定位处理，并根据定位处理的结果对所述MR数据进行栅格化处理，获得MR栅格数据；

预测模块，用于对所述MR栅格数据进行分段平均处理，并将经过分段平均处理后的所述MR栅格数据输入至干扰源预测模型，获得预测的干扰源经纬度信息；

其中，所述MR数据包括：下行RSRP值和上行SINR值；

其中，所述干扰源预测模型是利用支持向量回归算法，并基于经过分段平均处理的MR栅格样本数据和预先确定的干扰源经纬度信息进行训练后获得的。

第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。

第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。

本发明实施例提供的基于MR数据的外部干扰定位方法及装置，基于MR定位后建立的栅格来预测外部干扰源的准确位置关系，可以缩小现场进行外部干扰源扫频定位的区域，从而有效提升定位外部干扰源。

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一简单地介绍，显而易见地，下面描述中的附图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为本发明实施例提供的基于MR数据的外部干扰定位方法的流程示意图；

图2为本发明实施例提供的基于MR数据的外部干扰定位装置的结构示意图；

图3为本发明实施例提供的电子设备的实体结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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，都属于本发明保护的范围。

图1为根据本发明实施例提供的基于MR数据的外部干扰定位方法的流程示意图，如图所示，包括：

步骤10、根据预设的受干扰小区的判定条件获取LTE网络的受干扰小区。

具体地，为了能排查外部干扰源问题，在移动网络基站小区进行上行干扰值的统计，对明显存在上行干扰的小区进行干扰源的定位分析。

在一个实施例中，所述根据预设的受干扰小区的判定条件获取LTE网络中受干扰小区的步骤，具体为：

从LTE网管/北向数据中统计每个小区的100个物理资源块的上行平均干扰值，将所述上行平均干扰值大于-105dBm的小区作为LTE网络中受干扰小区。

步骤20、利用内部干扰源排查方法筛选出所述LTE网络的受干扰小区中受外部干扰的小区。

具体地，一般外部干扰源会导致周边同频小区也会有干扰的情况，而不只是单一小区有干扰，而且外部干扰源导致的干扰情况不会随着业务量的变化而出现明显的干扰值变化。

利用内部干扰源排查方法筛选出所述LTE网络的受干扰小区中受外部干扰的小区是指对存在周边同频小区也存在干扰的这些基站进行LTE***内部干扰问题排查，排查方法包括：

基站告警排查分析，对存在GPS有关的告警的基站进行临时闭锁看周边基站干扰使能能够恢复正常；

基站帧头同步PPS(Pulse Per Second，秒脉冲)参数核查，对TD-LTE同频基站帧头必须进行同步设置，看存在干扰的基站是否存在帧头同步PPS参数设置错误问题；

区域上行干扰是否是由于业务量大量增加导致干扰底噪抬升，上行干扰底噪是否和业务量的趋势相同，业务量越高干扰越大；

在基本排除上述因素后基本可以定位是外部干扰源导致的干扰问题。

步骤30、确定所述受外部干扰的小区所对应的受干扰程度最大的基站，并获取所述受干扰程度最大的基站及其周边一圈同频基站的MR数据。

其中，MR数据包括：下行RSRP值和上行SINR值。

具体地，MR(Measurement Report，测量报告)是指用户终端在通话状态下向网络发送的测量报告，在本发明实施例中，MR数据包括用户的下行RSRP值(Reference SignalReceived Power，参考信号接收功率)和上行SINR值(Signal to interference plusnoise ratio，信干噪比)。

确定了受外部干扰的小区之后，根据统计得到的受外部干扰小区的上行平均干扰值，将上行平均干扰值最大的那个小区所对应的基站作为受干扰程度最大的基站。

从MR服务器中收集受干扰程度最大的这个基站的MR数据以及该基站周边一圈的同频基站的MR数据，周边一圈的同频基站是指该基站周边三层的同频基站。

步骤40、对所述MR数据进行定位处理，并根据定位处理的结果对所述MR数据进行栅格化处理，获得MR栅格数据。

具体地，利用现有的MR定位算法将受干扰程度最大的这个基站的MR数据以及该基站周边一圈的同频基站的MR数据进行定位处理，即将这些MR数据中加上对应的经度和纬度信息。

然后将加上了经度和纬度信息的MR数据进行栅格化处理，栅格化处理是指将经度和纬度信息相近的MR数据合并和处理到一个栅格中，从而获得多个栅格，并进一步可以计算每个栅格里面平均的下行RSRP值和平均的上行SINR值，每个栅格对应的平均的下行RSRP值和平均的上行SINR值即为MR栅格数据。

在一个实施例中，栅格的大小为5米*5米。

所述对所述MR数据进行定位处理，并根据定位处理的结果对所述MR数据进行栅格化处理，获得MR栅格数据的步骤，具体为：

利用MR定位算法对所述MR数据进行定位，为每个MR数据添加相应的经度和纬度信息；

根据定位后的MR数据的经度和纬度信息，将所述MR数据合并处理成多个栅格；

计算每个栅格里面的MR数据的平均下行RSRP值和平均上行SINR值。

步骤50、对所述MR栅格数据进行分段平均处理，并将经过分段平均处理后的所述MR栅格数据输入至干扰源预测模型，获得预测的干扰源经纬度信息；

其中，所述干扰源预测模型是利用支持向量回归算法，并基于经过分段平均处理的MR栅格样本数据和预先确定的干扰源经纬度信息进行训练后获得的。

具体地，对所述MR栅格数据进行分段平均处理的目的是为了更加精确地提取MR数据与外部干扰源之间的位置关系。

对所述MR栅格数据进行分段平均处理的步骤，具体为：

基于所述MR栅格数据筛选出符合预设条件的受干扰栅格；

在一个实施例中，所述预设条件具体为：平均下行RSRP值大于-105dBm，并且平均上行SINR值小于5。

获得受干扰栅格后，将所述受干扰栅格按照栅格对应的不同SINR区间段分别进行经度和纬度的算术平均处理，获得对应区间段的经度数据集和纬度数据集。

以一个受干扰栅格进行举例，对SINR值在[-11,-7]区间的栅格的经度进行取算术平均值得到一个数据a，对SINR值在(-7,-3]区间的栅格的经度进行取算术平均值得到一个数据b，对SINR值在(-3,1]区间的栅格的经度进行取算术平均值得到一个数据c，对SINR在(1,5]区间的栅格的经度进行取算术平均值得到一个数据d，(a,b,c,d)则为对应区间段的经度数据集。同理，可以获得对应区间段的纬度数据集。

SINR区间段还可以采用更细粒度的划分方式，本发明实施例对此不作限制。

将对应区间段的经度数据集和纬度数据集输入至利用支持向量回归算法训练完成的干扰源预测模型中，可以获得预测的干扰源经纬度信息。

因为本发明实施例预测的结果和实际结果只要考虑距离因素，而不考虑相对的位置，故本发明实施例采用支持向量回归算法SVR进行自学习和预测分析。

支持向量回归算法在距离预测点的∈内的都是认为差错率为0，如果数据离回归函数的偏差|y_i-w^Tx_i-b|＜∈，是能接受的，不需要付出任何代价(即不需要在代价函数中体现)，只关注偏差大于∈的代价。所以拟合最佳的回归函数，使得更多的点落在可以接受的精度范围内。

本发明实施例基于前期已经通过现场扫频确定外部干扰源的经纬度位置以及周边一圈受干扰基站的MR数据进行基于支持向量回归算法的拟合分析。

本发明实施例提供的基于MR数据的外部干扰定位方法，基于MR定位后建立的栅格来预测外部干扰源的准确位置关系，可以缩小现场进行外部干扰源扫频定位的区域，从而有效提升定位外部干扰源。

基于上述实施例的内容，所述将经过分段平均处理后的所述MR栅格数据输入至干扰源预测模型，获得预测的干扰源经纬度信息的步骤，具体为：

将所述对应区间段的经度数据集输入至干扰源经度预测模型，获得预测的干扰源经度信息；

将所述对应区间段的纬度数据集输入至干扰源纬度预测模型，获得预测的干扰源纬度信息；

其中，所述干扰源经度预测模型是利用支持向量回归算法，并基于对应区间段的经度样本数据和预先确定的干扰源经度信息进行训练后获得的；

所述干扰源纬度预测模型是利用支持向量回归算法，并基于对应区间段的纬度样本数据和预先确定的干扰源纬度信息进行训练后获得的；

所述干扰源经度预测模型和干扰源纬度预测模型共同构成所述干扰源预测模型。

具体地，干扰源预测模型的建立过程如下：

1)利用MR定位算法对原始MR数据进行定位处理，即将MR数据中加上对应的经度和纬度信息，然后将MR数据合并和处理成5米*5米的栅格，从而可以获知每个栅格里面平均的下行RSRP值和平均上行SINR值：

2)对经纬度分别建立训练数据集

为了避免因为弱场原因带来的上行SINR变差的问题，在进行建立训练数据集时，先对全量栅格进行过滤，建立好受干扰的栅格，过滤条件为RSRP＞-105dBm&上行SINR<5的栅格。

同时对同一个干扰区域内的受干扰栅格按照栅格不同SINR区间段分析进行算术平均处理，建立对应区间段的一个样本数据。以一个存在外部干扰区域的栅格举例说明如下：

SINR在[-11,-7]区间的栅格的经度进行取平均值得到一个数据a1

SINR在(-7,-3]区间的栅格的经度进行取平均值得到一个数据b1

SINR在(-3,1]区间的栅格的经度进行取平均值得到一个数据c1

SINR在(1,5]区间的栅格的经度进行取平均值得到一个数据d1

然后将上述不同SINR区域的经度的数据进行整合形成一个样本数据(a1,b1,c1,d1,long1)，依此类推，根据不同的干扰源区域都可以得到一个针对经度的训练数据集数据：

{(a1,b1,c1,d1,long1),(a2,b2,c2,d2,long2),...(an,bn,cn,dn,longn)}

同理，针对纬度的训练数据集数据也可以按照此方式进行计算得到，{(w1,x1,y1,z1,lat1),(w2,x2,y2,z2,lat2),...(wn,xn,yn,zn,latn)

3)采取的模型为:

SVR(kernel＝′rbf′,epsilon＝0.0001,C＝1e3,gamma＝1)

其中，-kernel为核函数类型(核函数:本质上隐含了从低维到高维的映射，从而避免直接计算高维的内积)。因为这里会使用非线性的预测，所以选取RBF核函数进行分析。

-epsilon为预测值和实际值允许的最大误差，存在着一个不为目标函数提供任何损失值的区域。目前设置值，对应的距离大概为10米左右。

-C为对错误项的惩罚参数。C越大表示对错误分类的惩罚越大。

-gamma为核函数rbf的系数，可以调节拟合度，目前我们选取默认值1进行分析。

将所有数据随机分为测试集和训练集两部分，一般取80％作为训练数据集，剩余20％作为测试数据集；

训练数据集由输入矩阵X和输出向量y组成，在本发明实施例中如下所示：

X1_train＝[[a1,b1,c1,d1],

[a2,b2,c2,d2],

[a3,b3,c3,d3],

[a4,b4,c4,d4],

....

[an,bn,cn,dn]]

y1_train＝[long1,long2,long4,long4....longn]

X2_train＝[[w1,x1,y1,z1],

[w2,x2,y2,z2],

[w3,x3,y3,z3],

[w4,x4,y4,z4],

....

[wn,xn,yn,zn]]

y2_train＝[lat1,lat2,lat4,lat4....latn]

测试集数据的格式相同，记为X1_test,y1_test,X2_test,y2_test

实例化模型：

svr_rbf1＝SVR(kernel＝′rbf′,epsilon＝0.0001,C＝1e3,gamma＝1)

svr_rbf2＝SVR(kernel＝′rbf′,epsilon＝0.0001,C＝1e3,gamma＝1)

训练该模型：

svr_1＝svr_rbf1.fit(X1_train,y1_train)

svr_2＝svr_rbf2.fit(X2_train,y2_train)

其中，svr_1为干扰源经度预测模型，svr_2为干扰源纬度预测模型。

利用训练好的模型进行预测：

y1_test_pre＝svr_1.predict(X1_test)

y2_test_pre＝svr_2.predict(X2_test)

测试完成后，利用已有的支持向量回归预测算法进行预测新出现的干扰区域的外部干扰源位置。

将实际网络中区域受干扰的MR栅格建立的经度和纬度输入数据样本(a,b,c,d)和(w,x,y,z)代入已经训练完成的干扰源预测模型即可得到预测得到的外部干扰源的经纬度信息(long,lat)。也即从MR数据中预测得到的外部干扰源的位置。

基于上述实施例的内容，所述获得预测的干扰源经纬度信息的步骤之后，还包括：

在所述预测的干扰源经纬度信息所对应的区域现场利用扫频仪进行扫频测试。

具体地，针对目前LTE网络中纯人工对整个受干扰小区覆盖区域内进行扫频测试来定位外部干扰源的效率较低的问题，先基于现网受干扰小区的MR数据进行定位分析，并利用机器学习得到的支持向量回归算法进行先定位出大概率的外部干扰源的经纬度位置，然后再安排扫频人员对该位置区域进行扫频测试，以达到快速定位外部干扰源问题，提高外部干扰源的定位的工作效率。

如图2所示，为本发明实施例提供的基于MR数据的外部干扰定位装置的结构示意图，包括：干扰确定模块210、内部干扰排查模块220、MR数据获取模块230、定位和栅格化处理模块240以及预测模块250，其中，

干扰确定模块210，用于根据预设的受干扰小区的判定条件获取LTE网络中受干扰小区。

内部干扰排查模块220，用于利用内部干扰源排查方法确定所述LTE网络中受干扰小区中受外部干扰的小区；

MR数据获取模块230，用于确定所述受外部干扰的小区所对应的受干扰程度最大的基站，并获取所述受干扰程度最大的基站及其周边一圈同频基站的MR数据；

定位和栅格化处理模块240，用于对所述MR数据进行定位处理，并根据定位处理的结果对所述MR数据进行栅格化处理，获得MR栅格数据；

预测模块250，用于对所述MR栅格数据进行分段平均处理，并将经过分段平均处理后的所述MR栅格数据输入至干扰源预测模型，获得预测的干扰源经纬度信息；

其中，所述MR数据包括：下行RSRP值和上行SINR值；

其中，所述干扰源预测模型是利用支持向量回归算法，并基于经过分段平均处理的MR栅格样本数据和预先确定的干扰源经纬度信息进行训练后获得的。

该装置用于在前述各实施例中实现基于MR数据的外部干扰定位方法。因此，在前述各实施例中的基于MR数据的外部干扰定位方法中的描述和定义，可以用于本发明实施例中各个执行模块的理解，在此不在赘述。

图3为本发明实施例提供的电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储在存储器330上并可在处理器310上运行的计算机程序，以执行上述各实施例提供的基于MR数据的外部干扰定位方法，例如包括：根据预设的受干扰小区的判定条件获取LTE网络的受干扰小区；利用内部干扰源排查方法筛选出所述LTE网络的受干扰小区中受外部干扰的小区；确定所述受外部干扰的小区所对应的受干扰程度最大的基站，并获取所述受干扰程度最大的基站及其周边一圈同频基站的MR数据；对所述MR数据进行定位处理，并根据定位处理的结果对所述MR数据进行栅格化处理，获得MR栅格数据；对所述MR栅格数据进行分段平均处理，并将经过分段平均处理后的所述MR栅格数据输入至干扰源预测模型，获得预测的干扰源经纬度信息；其中，所述MR数据包括：下行RSRP值和上行SINR值；其中，所述干扰源预测模型是利用支持向量回归算法，并基于经过分段平均处理的MR栅格样本数据和预先确定的干扰源经纬度信息进行训练后获得的。

此外，上述的存储器330中的逻辑指令可以通过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，本发明实施例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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的基于MR数据的外部干扰定位方法，例如包括：根据预设的受干扰小区的判定条件获取LTE网络的受干扰小区；利用内部干扰源排查方法确定所述LTE网络的受干扰小区中受外部干扰的小区；确定所述受外部干扰的小区所对应的受干扰程度最大的基站，并获取所述受干扰程度最大的基站及其周边一圈同频基站的MR数据；对所述MR数据进行定位处理，并根据定位处理的结果对所述MR数据进行栅格化处理，获得MR栅格数据；对所述MR栅格数据进行分段平均处理，并将经过分段平均处理后的所述MR栅格数据输入至干扰源预测模型，获得预测的干扰源经纬度信息；其中，所述MR数据包括：下行RSRP值和上行SINR值；其中，所述干扰源预测模型是利用支持向量回归算法，并基于经过分段平均处理的MR栅格样本数据和预先确定的干扰源经纬度信息进行训练后获得的。

以上所描述的装置实施例仅仅是示意性的，其中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)

1.一种基于MR数据的外部干扰定位方法，其特征在于，包括：

根据预设的受干扰小区的判定条件获取LTE网络的受干扰小区；

利用内部干扰源排查方法筛选出所述LTE网络的受干扰小区中受外部干扰的小区；

确定所述受外部干扰的小区所对应的受干扰程度最大的基站，并获取所述受干扰程度最大的基站及其周边一圈同频基站的MR数据；

对所述MR数据进行定位处理，并根据定位处理的结果对所述MR数据进行栅格化处理，获得MR栅格数据；

对所述MR栅格数据进行分段平均处理，并将经过分段平均处理后的所述MR栅格数据输入至干扰源预测模型，获得预测的干扰源经纬度信息；

其中，所述MR数据包括：下行RSRP值和上行SINR值；

其中，所述干扰源预测模型是利用支持向量回归算法，并基于经过分段平均处理的MR栅格样本数据和预先确定的干扰源经纬度信息进行训练后获得的。

2.根据权利要求1所述的方法，其特征在于，所述对所述MR数据进行定位处理，并根据定位处理的结果对所述MR数据进行栅格化处理，获得MR栅格数据的步骤，具体为：

利用MR定位算法对所述MR数据进行定位，为每个MR数据添加相应的经度和纬度信息；

根据定位后的MR数据的经度和纬度信息，将所述MR数据合并处理成多个栅格；

计算每个栅格里面的MR数据的平均下行RSRP值和平均上行SINR值。

3.根据权利要求1所述的方法，其特征在于，所述对所述MR栅格数据进行分段平均处理的步骤，具体为：

基于所述MR栅格数据筛选出符合预设条件的受干扰栅格；

将所述受干扰栅格按照栅格对应的不同SINR区间段分别进行经度和纬度的算术平均处理，获得对应区间段的经度数据集和纬度数据集。

4.根据权利要求3所述的方法，其特征在于，所述将经过分段平均处理后的所述MR栅格数据输入至干扰源预测模型，获得预测的干扰源经纬度信息的步骤，具体为：

将所述对应区间段的经度数据集输入至干扰源经度预测模型，获得预测的干扰源经度信息；

将所述对应区间段的纬度数据集输入至干扰源纬度预测模型，获得预测的干扰源纬度信息；

其中，所述干扰源经度预测模型是利用支持向量回归算法，并基于对应区间段的经度样本数据和预先确定的干扰源经度信息进行训练后获得的；

所述干扰源纬度预测模型是利用支持向量回归算法，并基于对应区间段的纬度样本数据和预先确定的干扰源纬度信息进行训练后获得的；

所述干扰源经度预测模型和干扰源纬度预测模型共同构成所述干扰源预测模型。

5.根据权利要求1所述的方法，其特征在于，所述根据预设的受干扰小区的判定条件获取LTE网络中受干扰小区的步骤，具体为：

从LTE网管/北向数据中统计每个小区的100个物理资源块的上行平均干扰值，将所述上行平均干扰值大于-105dBm的小区作为LTE网络中受干扰小区。

6.根据权利3所述的方法，其特征在于，所述预设条件具体为：平均下行RSRP值大于-105dBm，并且平均上行SINR值小于5。

7.根据权利要求1所述的方法，其特征在于，所述获得预测的干扰源经纬度信息的步骤之后，还包括：

在所述预测的干扰源经纬度信息所对应的区域现场利用扫频仪进行扫频测试。

8.一种基于MR数据的外部干扰定位装置，其特征在于，包括：

干扰确定模块，用于根据预设的受干扰小区的判定条件获取LTE网络的受干扰小区；

内部干扰排查模块，用于利用内部干扰源排查方法筛选出所述LTE网络的受干扰小区中受外部干扰的小区；

MR数据获取模块，用于确定所述受外部干扰的小区所对应的受干扰程度最大的基站，并获取所述受干扰程度最大的基站及其周边一圈同频基站的MR数据；

定位和栅格化处理模块，用于对所述MR数据进行定位处理，并根据定位处理的结果对所述MR数据进行栅格化处理，获得MR栅格数据；

预测模块，用于对所述MR栅格数据进行分段平均处理，并将经过分段平均处理后的所述MR栅格数据输入至干扰源预测模型，获得预测的干扰源经纬度信息；

其中，所述MR数据包括：下行RSRP值和上行SINR值；

其中，所述干扰源预测模型是利用支持向量回归算法，并基于经过分段平均处理的MR栅格样本数据和预先确定的干扰源经纬度信息进行训练后获得的。

9.一种电子设备，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7任一所述的方法。

10.一种非暂态计算机可读存储介质，其特征在于，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如权利要求1至7任一所述的方法。

Images