CN112423337A - 网络覆盖诊断模型构建方法、网络覆盖诊断方法及装置 - Google Patents
网络覆盖诊断模型构建方法、网络覆盖诊断方法及装置 Download PDFInfo
- Publication number
- CN112423337A CN112423337A CN202011297062.5A CN202011297062A CN112423337A CN 112423337 A CN112423337 A CN 112423337A CN 202011297062 A CN202011297062 A CN 202011297062A CN 112423337 A CN112423337 A CN 112423337A
- Authority
- CN
- China
- Prior art keywords
- preset
- network coverage
- parameter
- cell
- dimensional slice
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000010276 construction Methods 0.000 title claims abstract description 24
- 238000005259 measurement Methods 0.000 claims abstract description 75
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000005070 sampling Methods 0.000 claims description 79
- 238000012545 processing Methods 0.000 claims description 63
- 238000013136 deep learning model Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 7
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 238000002405 diagnostic procedure Methods 0.000 claims 2
- 238000004891 communication Methods 0.000 abstract description 12
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000036541 health Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/04—Processing captured monitoring data, e.g. for logfile generation
- H04L43/045—Processing captured monitoring data, e.g. for logfile generation for graphical visualisation of monitoring data
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明的实施例公开了网络覆盖诊断模型构建方法、网络覆盖诊断方法及装置,涉及通信领域。能够解决现有技术不仅耗时耗力、实时性差,而且很难精准的反映网络覆盖的实际情况的问题。该方法包括:按照预设二维切片图像指标,对确定的至少一个小区中每个小区在历史时间段的测量报告MR立体图进行切片,生成预设数量的二维切片图像。之后,按照预设二维切片图像指标获取每张二维切片图像的网络覆盖性能标签;并将所有小区的目标预设数量的预设二维切片图像以及对应的网络覆盖情况对预设深度学习模型进行训练,生成预设二维切片图像指标对应的网络覆盖诊断模型。
Description
技术领域
本发明的实施例涉及通信领域,尤其涉及网络覆盖诊断模型构建方法、网络覆盖诊断方法及装置。
背景技术
网络覆盖是移动通信网络规划建设和运营优化阶段关注的核心内容,如何进行网络覆盖的精准规划和精准再现是运营商面临的一大难题。在规划建设阶段,主要利用无线传播模型和仿真软件对网络覆盖效果进行仿真;在运营优化阶段,主要利用定点测试和道路测试对网络覆盖情况进行诊断。但是,这些方法不仅耗时耗力、实时性差,而且很难精准的反映网络覆盖的实际情况。
发明内容
本发明提供网络覆盖诊断模型构建方法、网络覆盖诊断方法及装置,能够解决现有技术不仅耗时耗力、实时性差,而且很难精准的反映网络覆盖的实际情况的问题。
为达到上述目的,本发明采用如下技术方案:
第一方面,提供一种网络覆盖诊断模型构建方法,该方法包括:首先,按照预设二维切片图像指标,对确定的至少一个小区中每个小区在历史时间段的测量报告MR立体图进行切片,生成预设数量的二维切片图像;之后;按照预设二维切片图像指标获取每张二维切片图像的网络覆盖性能标签;并将所有小区的目标预设数量的预设二维切片图像以及对应的网络覆盖情况对预设深度学习模型进行训练,生成预设二维切片图像指标对应的网络覆盖诊断模型。其中,MR立体图以第一参数、第二参数以及采样点数为三个维度;第一参数和第二参数均为用于表征小区的网络覆盖情况的测量指标;预设二维切片图像指标包括:第一参数与采样点数,或者第二参数与采样点数;预设二维切片图像指标与预设数量对应;100网络覆盖性能标签用于表示100二维切片图像对应的网络覆盖情况。
第二方面,提供一种网络覆盖诊断方法,该方法包括:确定预设小区在预设时间段的测量报告MR立体图;其中MR立体图以第一参数、第二参数以及采样点数为三个维度;第一参数和第二参数均为用于表征小区的网络覆盖情况的测量指标;按照预设二维切片图像指标,对MR立体图进行切片,生成预设数量的二维切片图像;其中预设二维切片图像指标包括:第一参数与采样点数,或者第二参数与采样点数;预设二维切片图像指标与预设数量对应;将所有的二维切片图像输入至预设二维切片图像指标对应的网络覆盖诊断模型中,诊断二维切片图像对应的网络覆盖情况;其中生成预设二维切片图像指标对应的网络覆盖诊断模型由如第一方面的网络覆盖诊断模型构建方法得到。
第三方面,提供一种网络覆盖诊断模型构建装置,该装置包括:
处理单元,用于确定至少一个小区中每个小区在历史时间段的测量报告MR立体图;其中MR立体图以第一参数、第二参数以及采样点数为三个维度;第一参数和第二参数均为用于表征小区的网络覆盖情况的测量指标。
处理单元,还用于按照预设二维切片图像指标,对每个小区的MR立体图进行切片,生成预设数量的二维切片图像;其中预设二维切片图像指标包括:第一参数与采样点数,或者第二参数与采样点数;预设二维切片图像指标与预设数量对应。
获取单元,用于按照处理单元生成的预设二维切片图像指标获取每张二维切片图像的网络覆盖性能标签。
处理单元,用于将所有小区的目标预设数量的预设二维切片图像以及获取单元获取的对应的网络覆盖性能标签对预设深度学习模型进行训练,生成预设二维切片图像指标对应的网络覆盖诊断模型。
可以理解地,上述提供的网络覆盖诊断模型构建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对应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。
第四方面,提供一种网络覆盖诊断装置,该装置包括:
处理单元,用于确定预设小区在预设时间段的测量报告MR立体图;其中MR立体图以第一参数、第二参数以及采样点数为三个维度;第一参数和第二参数均为用于表征小区的网络覆盖情况的测量指标。
处理单元,还用于按照预设二维切片图像指标,对MR立体图进行切片,生成预设数量的二维切片图像;其中预设二维切片图像指标包括:第一参数与采样点数,或者第二参数与采样点数;预设二维切片图像指标与预设数量对应。
处理单元,还用于将所有的二维切片图像输入至预设二维切片图像指标对应的网络覆盖诊断模型中,诊断二维切片图像对应的网络覆盖情况。
可以理解地,上述提供的网络覆盖诊断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二方面对应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。
第五方面,提供了一种网络覆盖诊断模型构建装置,该网络覆盖诊断模型构建装置的结构中包括处理器,处理器用于执行程序指令,使得该网络覆盖诊断模型构建装置执行第一方面的方法。
第六方面,提供了一种网络覆盖诊断装置,该网络覆盖诊断装置的结构中包括处理器,处理器用于执行程序指令,使得该网络覆盖诊断装置执行第二方面的方法。
第七方面,提供一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序代码,当计算机程序代码在网络覆盖诊断模型构建装置上运行时,使得该网络覆盖诊断模型构建装置执行上述第一方面的方法。
或者,
当计算机程序代码在网络覆盖诊断装置上运行时,使得该网络覆盖诊断装置执行上述第二方面的方法。
第八方面,提供一种计算机程序产品,该计算机程序产品储存有上述计算机软件指令,当计算机软件指令在网络覆盖诊断模型构建装置上运行时,使得该网络覆盖诊断模型构建装置执行如上述第一方面的方法的程序。
或者,
当计算机软件指令在网络覆盖诊断装置上运行时,使得该网络覆盖诊断装置执行如上述第二方面的方法的程序。
基于上述方法,考虑到在网络覆盖的精准规划和精准再现方面是运营商面临的一大难题,本申请实施例通过建立MR立体图形从不同维度,能够更加直观的观测到相关指标的分布情况;另外,将利用多个小区的预设二维切片图像指标对应的n个二维切片图像,以及该n个二维切片图像所反应出的小区的网络覆盖性能标签作为训练集对预设深度学习模型进行训练,能够提高对预设深度学习模型的训练精度;此外,通过预设深度学习模型的训练得到的网络覆盖诊断模型对网络覆盖情况的诊断更加简单,并能够更快速且更精准的反映出网络覆盖的实际情况,以便为网络覆盖的精准规划提供更好的依据。
附图说明
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,所描述的实施例仅仅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做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为本发明实施例提供的一种网络覆盖诊断***的结构示意图;
图2为本发明的实施例提供的一种通信装置的结构示意图;
图3为本发明的实施例提供的一种网络覆盖诊断模型构建方法的流程示意图;
图4为本发明实施例提供的一种MR二维图像示意图;
图5为本发明实施例提供的一种MR立体示意图;
图6为本发明实施例提供的一种二维切片示意图;
图7为本发明实施例提供的一种网络覆盖诊断模型的训练过程示意图;
图8为本发明实施例提供的一种网络覆盖诊断方法的流程示意图;
图9为本发明实施例提供的网络覆盖诊断模型构建装置的结构示意图;
图10为本发明实施例提供的网络覆盖诊断装置的结构示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
需要说明的是,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。
还需要说明的是,本发明实施例中,“的(英文:of)”,“相应的(英文:corresponding,relevant)”和“对应的(英文:corresponding)”有时可以混用,应当指出的是,在不强调其区别时,其所要表达的含义是一致的。
在本申请的实施例中,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
为了更清楚的理解本申请实施例提供的一种网络覆盖诊断模型构建方法以及网络覆盖诊断方法,下面对本申请实施例涉及到的技术要素进行简单说明。
测量报告(measurement report,MR)
测量报告是移动通信网络的一项重要功能,是网络侧获取终端无线信息的主要手段,由终端和基站测量的网络信息组成。MR内容维度丰富、易获取、数据量大,与用户行为密切相关,因此,MR能够为网络运行性能诊断提供科学、有效的依据支撑。
由于现有的网络覆盖诊断方法存在不仅耗时耗力、实时性差,而且很难精准的反映网络覆盖的实际情况的问题。因此,参照图1,本申请实施例提供一种网络覆盖诊断***10;该***10包括网络覆盖诊断模型构建装置101、网络覆盖诊断装置102、基站103以及终端104。需要说明的是,覆盖诊断模型构建装置101与网络覆盖诊断装置102可以是如图1所示的两个独立的设备;也可以是将功能集成在一起的设备;这里对覆盖诊断模型构建装置101、网络覆盖诊断装置102的实现形式不做任何限定。
这里,本发明实施例描述的***架构以及业务场景是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域普通技术人员可知,随着网络架构的演变和新业务场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
可选的,本申请实施例所提及的设备或装置,例如网络覆盖诊断模型装置、网络覆盖诊断装置等,均可以由图2所示的通信装置20来实现。
如图2所示,该装置20包括至少一个处理器201,通信线路202,存储器203以及至少一个通信接口204。
处理器201可以是一个通用中央处理器(central processing unit,CPU),微处理器,特定应用集成电路(application-specific integrated circuit,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。
通信线路202可包括一通路,在上述组件之间传送信息。
通信接口204,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN)等。
存储器203可以是只读存储器(read-only memory,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(random access memory,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(electricallyerasable programmable read-only memory,EEPROM)、只读光盘(compact disc read-only memory,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,通过通信线路202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203用于存储执行本申请方案的计算机执行指令,并由处理器201来控制执行。处理器201用于执行存储器203中存储的计算机执行指令,从而实现本申请下述实施例提供的网络覆盖诊断模型构建方法或者网络覆盖诊断方法。
可选的,本申请实施例中的计算机执行指令也可以称之为应用程序代码,本申请实施例对此不作具体限定。
在具体实现中,作为一种实施例,处理器201可以包括一个或多个CPU,例如图2中的CPU0和CPU1。
在具体实现中,作为一种实施例,装置200可以包括多个处理器,例如图2中的处理器201和处理器207。这些处理器中的每一个可以是一个单核(single-CPU)处理器,也可以是一个多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
在具体实现中,作为一种实施例,装置200还可以包括输出设备205和输入设备206。输出设备205和处理器201通信,可以以多种方式来显示信息。例如,输出设备205可以是液晶显示器(liquid crystal display,LCD),发光二级管(light emitting diode,LED)显示设备,阴极射线管(cathode ray tube,CRT)显示设备,或投影仪(projector)等。输入设备206和处理器201通信,可以以多种方式接收用户的输入。例如,输入设备206可以是鼠标、键盘、触摸屏设备或传感设备等。
可选的,本申请下述实施例中各个消息名字或消息中各参数的名字等只是一个示例,具体实现中也可以是其他的名字,本申请实施例对此不作具体限定。
本申请所述方法的原理是:首先,建立至少一个小区中每个小区的MR立体图,并对其按照预设二维切片图像指标进行切片,将切片后获得的每个小区的预设数量的二维切片图像以及对应的网络覆盖性能标签对预设深度学习模型进行训练,以便生成网络覆盖诊断模型;然后,将新获取的某一预设小区的MR立体图,并根据同样的方式获取该预设小区的预设数量的二维切片图像;最后将所有的二位切片图像输入至对应的网络覆盖诊断模型中,以获取对应的网络覆盖情况。从而解决现有方法中存在的不仅耗时耗力、实时性差,而且很难精准的反映网络覆盖的实际情况的问题。
下面结合图1以及图2,对本申请实施例提供的一种网络覆盖诊断模型构建方法进行详细阐述。参照图3提供的一种网络覆盖诊断模型构建方法的流程示意图,该方法具体包括如下内容。
S301、确定至少一个小区中每个小区在历史时间段的测量报告MR立体图。
其中MR立体图以第一参数、第二参数以及采样点数为三个维度;第一参数和第二参数均为用于表征小区的网络覆盖情况的测量指标。
例如,第一参数可以是时间提前量(timing advance,TADV),第二参数可以是参考信号接收功率(reference signal receiving power,RSRP)。当然,第一参数和第二参数还可以是用于表征小区的网络覆盖情况的除TADV和RSRP以外的其他测量指标,本申请实施例对第一参数和第二参数的具体内容不作限定。
进一步的,确定至少一个小区中每个小区在历史时间段的测量报告MR立体图,具体包括:通过统计的至少一个小区中每个小区的历史时间段的至少一条样本数据在至少一个预设区间组的采样点数,并记录采样点数与每条样本数据的对应关系;之后,将每个小区的第一参数、第二参数以及采样点数根据采样点数与每条样本数据的对应关系,生成每个小区的MR立体图。其中,每条样本数据包括第一参数和第二参数;预设区间组包括预设第一参数区间以及预设第一参数区间对应预设第二参数区间。
示例性的,本申请实施例以TADV作为第一参数,RSRP作为第二参数为例;TADV的预设区间的数量为12个,RSRP的预设区间为11个,因此,由TADV与RSRP组成的预设区间组为11×12=132个预设区间组;通过统计每个小区的至少一条样本数据在至少一个预设区间组的采样点数的部分数据示意如下表1所示;以下表1中的小区ID为1001对应的数据作为依据,形成了如图4所示的以采样点数为纵轴,以由TADV与RSRP组成的预设区间组数为横轴的二维图像,需要说明的是,一共包括有132个预设区间组,图4中可以将预设区间组以数值来代替(如1、2、3、…、132)。通过对表1中的小区ID为1001对应的数据,按照TADV、RSRP以及采样点数为三个维度,生成了如图5所示的MR立体图。
表1
更进一步的,确定至少一个小区中每个小区的历史时间段的至少一条样本数据,具体包括:获取至少一个小区中每个小区的历史时间段的至少一个测量报告;对每个小区的每个测量报告进行缺省值处理;按照预设时间粒度对每个小区的处理后的至少一个测量报告进行汇聚,生成至少一条样本数据。
示例性的,可以将测量报告中的缺省值置为0。另外,按照预设时间粒度对每个小区的处理后的至少一个测量报告采用平均或者求和的方式进行汇聚;其中预设时间粒度可以是时、天或者月等。
S302、按照预设二维切片图像指标,对每个小区的MR立体图进行切片,生成预设数量的二维切片图像。
其中,预设二维切片图像指标包括:第一参数与采样点数,或者第二参数与采样点数;预设二维切片图像指标与预设数量对应。
示例性的,以图5的MD立体图为依据,分别按照TADV和RSRP两个维度对图5的MD立体图按照预设区间进行切片;例如,TADV维度的预设区间为12个,RSRP的预设区间为11个,对RSRP维度进行切片生成了如图6所示的以TADV和采样点数为维度形成的12张二维切片图像,对TADV维度进行切片生成了如图6所示的以RSRP和采样点数为维度形成的11张二维切片图像。
S303、按照预设二维切片图像指标获取每张二维切片图像的网络覆盖性能标签。
其中,网络覆盖性能标签用于表示二维切片图像对应的网络覆盖情况。例如,以TADV和采样点数为维度形成的每张二维切片图像对应的网络标签可以是网络覆盖强或弱;以RSRP和采样点数为维度形成的每张二维切片图像对应的网络标签可以是网络覆盖的远或近。
S304、将所有小区的目标预设数量的预设二维切片图像以及对应的网络覆盖性能标签对预设深度学习模型进行训练,生成预设二维切片图像指标对应的网络覆盖诊断模型。
具体的,将所有小区的目标预设数量的预设二维切片图像作为输入,将所有小区的目标预设数量的预设二维切片图像对应的网络覆盖性能标签作为输出,对预设深度学习模型进行训练,以便获取预设二维切片图像指标对应的网络覆盖诊断模型。
需要说明的是,上述的预设深度学习模型基于预设深度学习算法构建。示例性的,预设深度学习算法至少可以是深度神经网络算法、卷积神经网络算法中的任一种。本申请对预设深度学习算法的具体形式不作任何限定。
示例性的,如图7所示,将图6中以TADV和采样点数为维度形成的12二维切片图像以及每张二维切片图像对应的网络覆盖性能标签输入至预设深度学习模型,对该预设深度学习模型进行训练,以生成TADV和采样点数为预设二维切片图像指标对应的网络覆盖诊断模型。或者,将图6中以RSRP和采样点数为维度形成的12二维切片图像以及每张二维切片图像对应的网络覆盖性能标签输入至预设深度学习模型,对该预设深度学习模型进行训练,以生成RSRP和采样点数为预设二维切片图像指标对应的网络覆盖诊断模型。
参照图8,本申请实施例提供一种网络覆盖诊断方法,该方法包括:
S801、确定预设小区在预设时间段的测量报告MR立体图。
其中,MR立体图以第一参数、第二参数以及采样点数为三个维度;第一参数和第二参数均为用于表征小区的网络覆盖情况的测量指标。
可选的,确定预设小区在预设时间段的测量报告MR立体图,具体包括:首先统计确定的预设小区在预设时间段的至少一条测量数据在至少一个预设区间组的采样点数,并记录采样点数与每条样本数据的对应关系;之后,将所有的第一参数、第二参数以及采样点数根据采样点数与每条样本数据的对应关系,生成每个小区的MR立体图。其中,每条测量数据包括第一参数和第二参数;预设区间组包括预设第一参数区间以及预设第一参数区间对应预设第二参数区间。
可选的,确定预设小区在预设时间段的至少一条测量数据,具体包括:通过对获取的预设小区的预设时间段的至少一个测量报告中的每个测量报告进行缺省值处理;并按照预设时间粒度对处理后的至少一个测量报告进行汇聚,生成至少一条测量数据。
S802、按照预设二维切片图像指标,对MR立体图进行切片,生成预设数量的二维切片图像。
其中预设二维切片图像指标包括:第一参数与采样点数,或者第二参数与采样点数;预设二维切片图像指标与预设数量对应。
S803、将所有的二维切片图像输入至预设二维切片图像指标对应的网络覆盖诊断模型中,诊断二维切片图像对应的网络覆盖情况。
其中生成预设二维切片图像指标对应的网络覆盖诊断模型由如步骤S301-S304描述的网络覆盖诊断模型构建方法得到。
需要说明的是,针对步骤S801-步骤S803其他具体描述以及示例性说明参考上述的步骤S301-S304的描述,此处不再赘述。
在一种实现方式中,本发明实施例还可以根据需要对预设数量的每个小区的二维切片图图像对应的网络覆盖性能标签再次进行的对应标记,并将网络覆盖性能标签作为输入,将再次标记后的网络覆盖性能标签作为输出,利用人工智能算法训练汇聚诊断模型。
示例性的,1)如果需要实现小区的网络覆盖变化的监测,如:哪些小区覆盖能力下降,什么时候出现了覆盖能力下降。则可以获取至少一个小区中每个小区在至少一个预设历史时间段的网络覆盖情况,并统计每个小区按照至少一个预设历史时间段发生的先后顺序在总的预设历史时间段的网络覆盖变化情况,以生成每个小区的网络覆盖变化标签,将所有小区的至少一个预设历史时间段的网络覆盖情况作为输入,将每个小区至少一个预设历史时间段的网络覆盖情况对应的网络覆盖变化标签作为输出,利用时序算法进行训练,生成汇聚诊断模型;然后将获取的指定小区的至少一个预设时间段的网络覆盖变化情况作为输入,利用该汇聚诊断模型获取该指定小区的网络覆盖变化标签,以获取该指定小区的网络覆盖变化情况。需要说明的是,至少一个预设历史时间段为连续发生的时间。
2)如果需要实现小区的网络覆盖合理性评价(合理/不合理)或者(和)网络覆盖健康度分类(优/良/中/差),则可以获取至少一个小区中每个小区在预设历史时间段的网络覆盖情况,并统计每个小区在预设历史时间段的所有网络覆盖情况的合理性或者(和)健康度,以生成每个小区的网络覆盖的合理性或者(和)健康度的标签,将所有小区的预设历史时间段的网络覆盖情况作为输入,将每个小区的网络覆盖的合理性或者(和)健康度的标签作为输出,利用分类算法进行训练,生成汇聚诊断模型;然后将获取的指定小区的预设时间段的网络覆盖变化情况作为输入,利用该汇聚诊断模型获取该指定小区的网络覆盖的合理性或者(和)健康度,以获取该指定小区的网络覆盖的合理性或者(和)健康度情况。
3)如果需要统计哪些小区具有的相同网络覆盖情况;如:问题基站(提示:一个基站通常有多个小区组成)或连片问题小区(提示:多个相邻问题小区)的诊断。则可以获取至少一个小区中每个小区在预设历史时间段的网络覆盖情况,并统计每个小区在预设历史时间段的具有相同网络覆盖情况,以生成至少一个相同网络覆盖情况标签,将所有小区的预设历史时间段的网络覆盖情况作为输入,将至少一个相同网络覆盖情况标签作为输出,利用聚类算法进行训练,生成汇聚诊断模型;然后将获取的至少一个指定小区的预设时间段的网络覆盖变化情况作为输入,利用该汇聚诊断模型获取至少一个指定小区那些小区的网络覆盖情况相同。
基于上述方法,考虑到在网络覆盖的精准规划和精准再现方面是运营商面临的一大难题,本申请实施例通过建立MR立体图形从不同维度,能够更加直观的观测到相关指标的分布情况;另外,将利用多个小区的预设二维切片图像指标对应的n个二维切片图像,以及该n个二维切片图像所反应出的小区的网络覆盖性能标签作为训练集对预设深度学习模型进行训练,能够提高对预设深度学习模型的训练精度;此外,通过预设深度学习模型的训练得到的网络覆盖诊断模型对网络覆盖情况的诊断更加简单,并能够更快速且更精准的反映出网络覆盖的实际情况,以便为网络覆盖的精准规划提供更好的依据。而且,本申请实施例还提供一种汇聚诊断方法,可根据需要利用对应的人工智能算法获取网络覆盖的诊断意见,为网络的规划建设以及运营优化提供指导建议。
本发明实施例可以根据上述网络覆盖诊断模型构建方法实施例对网络覆盖诊断模型构建装置101进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本发明实施例中对模块的划分是示意性的,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。
如图9所示,为本发明实施例提供的一种网络覆盖诊断模型构建装置101的结构示意图,该网络覆盖诊断模型构建装置101具包括获取单元901以及处理单元902。
具体的,处理单元902,用于确定至少一个小区中每个小区在历史时间段的测量报告MR立体图;其中MR立体图以第一参数、第二参数以及采样点数为三个维度;第一参数和第二参数均为用于表征小区的网络覆盖情况的测量指标。例如结合图3,该处理单元902可以用于执行步骤S301。
处理单元902,还用于按照预设二维切片图像指标,对每个小区的MR立体图进行切片,生成预设数量的二维切片图像;其中预设二维切片图像指标包括:第一参数与采样点数,或者第二参数与采样点数;预设二维切片图像指标与预设数量对应。例如结合图3,该处理单元902可以用于执行步骤S302。
获取单元901,用于按照处理单元902生成的预设二维切片图像指标获取每张二维切片图像的网络覆盖性能标签;其中网络覆盖性能标签用于表示二维切片图像对应的网络覆盖情况。例如结合图3,该处理单元902可以用于执行步骤S303。
处理单元902,用于将所有小区的目标预设数量的预设二维切片图像以及获取单元901获取的对应的网络覆盖情况对预设深度学习模型进行训练,生成预设二维切片图像指标对应的网络覆盖诊断模型。例如结合图3,该处理单元902可以用于执行步骤S304。
在一种可实现的方案中,处理单元902,具体用于确定至少一个小区中每个小区的历史时间段的至少一条样本数据;其中每条样本数据包括第一参数和第二参数。
处理单元902,还用于统计每个小区的至少一条样本数据在至少一个预设区间组的采样点数,并记录采样点数与每条样本数据的对应关系;其中预设区间组包括预设第一参数区间以及预设第一参数区间对应预设第二参数区间。
处理单元902,还用于将每个小区的第一参数、第二参数以及采样点数根据采样点数与每条样本数据的对应关系,生成每个小区的MR立体图。
在一种可实现的方案中,获取单元901,具体用于获取至少一个小区中每个小区的历史时间段的至少一个测量报告。
处理单元902,用于对获取单元901获取的每个小区的每个测量报告进行缺省值处理。
处理单元902,还用于按照预设时间粒度对每个小区的处理后的至少一个测量报告进行汇聚,生成至少一条样本数据。
当然,本发明实施例提供的网络覆盖诊断模型构建装置101包括但不限于上述模块,例如网络覆盖诊断模型构建装置101还可以包括发送单元903和存储单元904。发送单元903可以用于将网络覆盖诊断模型构建装置101中的相关数据发送至其他设备,实现与其他设备之间的数据交互。存储单元904可以用于存储该网络覆盖诊断模型构建装置101的程序代码,还可以用于存储网络覆盖诊断模型构建装置101在运行过程中生成的数据,如写请求中的数据等。
本发明实施例可以根据上述网络覆盖诊断方法实施例对网络覆盖诊断装置102进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本发明实施例中对模块的划分是示意性的,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。
如图10所示,为本发明实施例提供的一种网络覆盖诊断装置102的结构示意图,该网络覆盖诊断装置102具包括获取单元1001以及处理单元1002。
具体的,处理单元1002,用于确定预设小区在预设时间段的测量报告MR立体图;其中MR立体图以第一参数、第二参数以及采样点数为三个维度;第一参数和第二参数均为用于表征小区的网络覆盖情况的测量指标。例如结合图8,该处理单元1002可以用于执行步骤S801。
处理单元1002,还用于按照预设二维切片图像指标,对MR立体图进行切片,生成预设数量的二维切片图像;其中预设二维切片图像指标包括:第一参数与采样点数,或者第二参数与采样点数;预设二维切片图像指标与预设数量对应。例如结合图8,该处理单元1002可以用于执行步骤S802。
处理单元1002,还用于将所有的二维切片图像输入至预设二维切片图像指标对应的网络覆盖诊断模型中,诊断二维切片图像对应的网络覆盖情况。例如结合图8,该处理单元1002可以用于执行步骤S803。
可选的,处理单元1002,具体用于确定预设小区在预设时间段的至少一条测量数据;其中每条测量数据包括第一参数和第二参数。
处理单元1002,还用于统计预设小区的至少一条测量数据在至少一个预设区间组的采样点数,并记录采样点数与每条样本数据的对应关系;其中预设区间组包括预设第一参数区间以及预设第一参数区间对应预设第二参数区间。
处理单元1002,还用于将所有的第一参数、第二参数以及采样点数根据采样点数与每条样本数据的对应关系,生成预设小区的MR立体图。
可选的,获取单元1001,具体用于获取预设小区的预设时间段的至少一个测量报告。
处理单元1002,用于对获取单元1001获取的每个测量报告进行缺省值处理。
处理单元1002,还用于按照预设时间粒度对处理后的至少一个测量报告进行汇聚,生成至少一条测量数据。
当然,本发明实施例提供的网络覆盖诊断装置102包括但不限于上述模块,例如网络覆盖诊断装置102还可以包括发送单元1003和存储单元1004。发送单元1003可以用于将网络覆盖诊断装置102中的相关数据发送至其他设备,实现与其他设备之间的数据交互。存储单元1004可以用于存储该网络覆盖诊断装置102的程序代码,还可以用于存储网络覆盖诊断装置102在运行过程中生成的数据,如写请求中的数据等。
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,任何在本发明揭露的技术范围内的变化或替换,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 (16)
1.一种网络覆盖诊断模型构建方法,其特征在于,包括:
确定至少一个小区中每个小区在历史时间段的测量报告MR立体图;其中所述MR立体图以第一参数、第二参数以及采样点数为三个维度;所述第一参数和第二参数均为用于表征小区的网络覆盖情况的测量指标;
按照预设二维切片图像指标,对所述每个小区的所述MR立体图进行切片,生成预设数量的二维切片图像;其中所述预设二维切片图像指标包括:第一参数与采样点数,或者第二参数与采样点数;所述预设二维切片图像指标与所述预设数量对应;
按照所述预设二维切片图像指标获取每张二维切片图像的网络覆盖性能标签;其中所述网络覆盖性能标签用于表示所述二维切片图像对应的网络覆盖情况;
将所有小区的目标预设数量的预设二维切片图像以及对应的所述网络覆盖性能标签对预设深度学习模型进行训练,生成所述预设二维切片图像指标对应的网络覆盖诊断模型。
2.根据权利要求1所述的网络覆盖诊断模型构建方法,其特征在于,所述确定至少一个小区中每个小区在历史时间段的测量报告MR立体图,具体包括:
确定所述至少一个小区中每个小区的历史时间段的至少一条样本数据;其中每条样本数据包括所述第一参数和第二参数;
统计所述每个小区的所述至少一条样本数据在至少一个预设区间组的采样点数,并记录所述采样点数与每条样本数据的对应关系;其中所述预设区间组包括预设第一参数区间以及所述预设第一参数区间对应预设第二参数区间;
将所述每个小区的所述第一参数、所述第二参数以及所述采样点数根据所述采样点数与每条样本数据的对应关系,生成所述每个小区的MR立体图。
3.根据权利要求2所述的网络覆盖诊断模型构建方法,其特征在于,所述确定所述至少一个小区中每个小区的历史时间段的至少一条样本数据,具体包括:
获取所述至少一个小区中每个小区的历史时间段的至少一个测量报告;
对所述每个小区的每个测量报告进行缺省值处理;
按照预设时间粒度对所述每个小区的处理后的至少一个测量报告进行汇聚,生成至少一条样本数据。
4.一种网络覆盖诊断方法,其特征在于,包括:
确定预设小区在预设时间段的测量报告MR立体图;其中所述MR立体图以第一参数、第二参数以及采样点数为三个维度;所述第一参数和第二参数均为用于表征小区的网络覆盖情况的测量指标;
按照预设二维切片图像指标,对所述MR立体图进行切片,生成预设数量的二维切片图像;其中所述预设二维切片图像指标包括:第一参数与采样点数,或者第二参数与采样点数;所述预设二维切片图像指标与所述预设数量对应;
将所有的所述二维切片图像输入至所述预设二维切片图像指标对应的网络覆盖诊断模型中,诊断所述二维切片图像对应的网络覆盖情况;其中生成所述预设二维切片图像指标对应的网络覆盖诊断模型由如权利要求1-3任一项所述的网络覆盖诊断模型构建方法得到。
5.根据权利要求4所述的网络覆盖诊断方法,其特征在于,所述确定预设小区在预设时间段的测量报告MR立体图,具体包括:
确定所述预设小区在预设时间段的至少一条测量数据;其中每条测量数据包括所述第一参数和第二参数;
统计所述预设小区的所述至少一条测量数据在至少一个预设区间组的采样点数,并记录所述采样点数与每条样本数据的对应关系;其中所述预设区间组包括预设第一参数区间以及所述预设第一参数区间对应预设第二参数区间;
将所有的所述第一参数、所述第二参数以及所述采样点数根据所述采样点数与每条样本数据的对应关系,生成所述预设小区的MR立体图。
6.根据权利要求5所述的网络覆盖诊断方法,其特征在于,所述确定所述预设小区在预设时间段的至少一条测量数据,具体包括:
获取所述预设小区的预设时间段的至少一个测量报告;
对每个测量报告进行缺省值处理;
按照预设时间粒度对处理后的至少一个测量报告进行汇聚,生成至少一条测量数据。
7.一种网络覆盖诊断模型构建装置,其特征在于,包括:
处理单元,用于确定至少一个小区中每个小区在历史时间段的测量报告MR立体图;其中所述MR立体图以第一参数、第二参数以及采样点数为三个维度;所述第一参数和第二参数均为用于表征小区的网络覆盖情况的测量指标;
所述处理单元,还用于按照预设二维切片图像指标,对所述每个小区的所述MR立体图进行切片,生成预设数量的二维切片图像;其中所述预设二维切片图像指标包括:第一参数与采样点数,或者第二参数与采样点数;所述预设二维切片图像指标与所述预设数量对应;
获取单元,用于按照所述处理单元生成的所述预设二维切片图像指标获取每张二维切片图像的网络覆盖性能标签;其中所述网络覆盖性能标签用于表示所述二维切片图像对应的网络覆盖情况;
所述处理单元,用于将所有小区的目标预设数量的预设二维切片图像以及所述获取单元获取的对应的所述网络覆盖情况对预设深度学习模型进行训练,生成所述预设二维切片图像指标对应的网络覆盖诊断模型。
8.根据权利要求7所述的网络覆盖诊断模型构建装置,其特征在于,包括:
所述处理单元,具体用于确定所述至少一个小区中每个小区的历史时间段的至少一条样本数据;其中每条样本数据包括所述第一参数和第二参数;
所述处理单元,还用于统计所述每个小区的所述至少一条样本数据在至少一个预设区间组的采样点数,并记录所述采样点数与每条样本数据的对应关系;其中所述预设区间组包括预设第一参数区间以及所述预设第一参数区间对应预设第二参数区间;
所述处理单元,还用于将所述每个小区的所述第一参数、所述第二参数以及所述采样点数根据所述采样点数与每条样本数据的对应关系,生成所述每个小区的MR立体图。
9.根据权利要求8所述的网络覆盖诊断模型构建装置,其特征在于,包括:
所述获取单元,具体用于获取所述至少一个小区中每个小区的历史时间段的至少一个测量报告;
所述处理单元,用于对所述获取单元获取的所述每个小区的每个测量报告进行缺省值处理;
所述处理单元,还用于按照预设时间粒度对所述每个小区的处理后的至少一个测量报告进行汇聚,生成至少一条样本数据。
10.一种网络覆盖诊断装置,其特征在于,包括:
处理单元,用于确定预设小区在预设时间段的测量报告MR立体图;其中所述MR立体图以第一参数、第二参数以及采样点数为三个维度;所述第一参数和第二参数均为用于表征小区的网络覆盖情况的测量指标;
所述处理单元,还用于按照预设二维切片图像指标,对所述MR立体图进行切片,生成预设数量的二维切片图像;其中所述预设二维切片图像指标包括:第一参数与采样点数,或者第二参数与采样点数;所述预设二维切片图像指标与所述预设数量对应;
所述处理单元,还用于将所有的所述二维切片图像输入至所述预设二维切片图像指标对应的网络覆盖诊断模型中,诊断所述二维切片图像对应的网络覆盖情况。
11.根据权利要求10所述的网络覆盖诊断装置,其特征在于,包括:
所述处理单元,具体用于确定所述预设小区在预设时间段的至少一条测量数据;其中每条测量数据包括所述第一参数和第二参数;
所述处理单元,还用于统计所述预设小区的所述至少一条测量数据在至少一个预设区间组的采样点数,并记录所述采样点数与每条样本数据的对应关系;其中所述预设区间组包括预设第一参数区间以及所述预设第一参数区间对应预设第二参数区间;
所述处理单元,还用于将所有的所述第一参数、所述第二参数以及所述采样点数根据所述采样点数与每条样本数据的对应关系,生成所述预设小区的MR立体图。
12.根据权利要求11所述的网络覆盖诊断装置,其特征在于,包括:
获取单元,具体用于获取所述预设小区的预设时间段的至少一个测量报告;
所述处理单元,用于对所述获取单元获取的每个测量报告进行缺省值处理;
所述处理单元,还用于按照预设时间粒度对处理后的至少一个测量报告进行汇聚,生成至少一条测量数据。
13.一种网络覆盖诊断模型构建装置,其特征在于,所述网络覆盖诊断模型构建装置的结构中包括处理器,所述处理器用于执行程序指令,使得所述网络覆盖诊断模型构建装置执行如权利要求1-3任一项所述的网络覆盖诊断模型构建方法。
14.一种网络覆盖诊断装置,其特征在于,所述网络覆盖诊断装置的结构中包括处理器,所述处理器用于执行程序指令,使得所述网络覆盖诊断装置执行如权利要求4-6任一项所述的网络覆盖诊断模型构建方法。
15.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序代码,当所述计算机程序代码在网络覆盖诊断模型构建装置上运行时,使得所述网络覆盖诊断模型构建装置执行如权利要求1-3任一项所述的网络覆盖诊断模型构建方法;
或者,
当所述计算机程序代码在网络覆盖诊断装置上运行时,使得所述网络覆盖诊断装置执行如权利要求4-6任一项所述的网络覆盖诊断方法。
16.一种计算机程序产品,其特征在于,所述计算机程序产品储存有计算机软件指令,当所述计算机软件指令在网络覆盖诊断模型构建装置上运行时,使得所述网络覆盖诊断模型构建装置执行如权利要求1-3任一项所述的网络覆盖诊断模型构建方法;
或者,
当所述计算机软件指令在网络覆盖诊断装置上运行时,使得所述网络覆盖诊断装置执行如权利要求4-6任一项所述的网络覆盖诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011297062.5A CN112423337B (zh) | 2020-11-18 | 2020-11-18 | 网络覆盖诊断模型构建方法、网络覆盖诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011297062.5A CN112423337B (zh) | 2020-11-18 | 2020-11-18 | 网络覆盖诊断模型构建方法、网络覆盖诊断方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112423337A true CN112423337A (zh) | 2021-02-26 |
CN112423337B CN112423337B (zh) | 2023-06-09 |
Family
ID=74773004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011297062.5A Active CN112423337B (zh) | 2020-11-18 | 2020-11-18 | 网络覆盖诊断模型构建方法、网络覆盖诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112423337B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114205831A (zh) * | 2021-12-14 | 2022-03-18 | 中国联合网络通信集团有限公司 | 一种优化方案的确定方法、装置、存储介质及设备 |
TWI793604B (zh) * | 2021-05-12 | 2023-02-21 | 國立陽明交通大學 | 通信網路的錯誤診斷方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108540987A (zh) * | 2017-03-02 | 2018-09-14 | ***通信集团广东有限公司 | 一种lte网络覆盖状态评估方法及装置 |
CN109495898A (zh) * | 2017-09-12 | 2019-03-19 | ***通信集团设计院有限公司 | 一种无线网络覆盖的指标定量预测方法及设备 |
WO2020027639A1 (ko) * | 2018-08-03 | 2020-02-06 | 엘지전자 주식회사 | 무선 통신 시스템에서 qos 만족 여부를 표시하는 이동 단말기 |
CN110972142A (zh) * | 2019-12-23 | 2020-04-07 | 中通服咨询设计研究院有限公司 | 基于gng方式的5g网络弱覆盖区域锁定和调整方法 |
CN111294841A (zh) * | 2018-12-07 | 2020-06-16 | ***通信集团陕西有限公司 | 一种无线网络问题的处理方法、装置及存储介质 |
CN111818537A (zh) * | 2020-07-02 | 2020-10-23 | 中国联合网络通信集团有限公司 | 小区覆盖情况确定方法、装置、设备及可存储介质 |
CN111866896A (zh) * | 2020-07-17 | 2020-10-30 | 中国联合网络通信集团有限公司 | 基站位置确定方法、装置、设备以及存储介质 |
-
2020
- 2020-11-18 CN CN202011297062.5A patent/CN112423337B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108540987A (zh) * | 2017-03-02 | 2018-09-14 | ***通信集团广东有限公司 | 一种lte网络覆盖状态评估方法及装置 |
CN109495898A (zh) * | 2017-09-12 | 2019-03-19 | ***通信集团设计院有限公司 | 一种无线网络覆盖的指标定量预测方法及设备 |
WO2020027639A1 (ko) * | 2018-08-03 | 2020-02-06 | 엘지전자 주식회사 | 무선 통신 시스템에서 qos 만족 여부를 표시하는 이동 단말기 |
CN111294841A (zh) * | 2018-12-07 | 2020-06-16 | ***通信集团陕西有限公司 | 一种无线网络问题的处理方法、装置及存储介质 |
CN110972142A (zh) * | 2019-12-23 | 2020-04-07 | 中通服咨询设计研究院有限公司 | 基于gng方式的5g网络弱覆盖区域锁定和调整方法 |
CN111818537A (zh) * | 2020-07-02 | 2020-10-23 | 中国联合网络通信集团有限公司 | 小区覆盖情况确定方法、装置、设备及可存储介质 |
CN111866896A (zh) * | 2020-07-17 | 2020-10-30 | 中国联合网络通信集团有限公司 | 基站位置确定方法、装置、设备以及存储介质 |
Non-Patent Citations (2)
Title |
---|
缪丹丹: "基于多维关联的移动网络状态分析研究", 《中国优秀博士学位论文全数据库》 * |
郭兴雨: "基于数据挖掘的无线接入网指标分析方法", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI793604B (zh) * | 2021-05-12 | 2023-02-21 | 國立陽明交通大學 | 通信網路的錯誤診斷方法 |
CN114205831A (zh) * | 2021-12-14 | 2022-03-18 | 中国联合网络通信集团有限公司 | 一种优化方案的确定方法、装置、存储介质及设备 |
CN114205831B (zh) * | 2021-12-14 | 2023-09-29 | 中国联合网络通信集团有限公司 | 一种优化方案的确定方法、装置、存储介质及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112423337B (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6141393B2 (ja) | 目標位置を確定するための方法及び装置 | |
CN110677859B (zh) | 弱覆盖区域的确定方法、装置和计算机可读存储介质 | |
CN111159157B (zh) | 一种企业报表数据的指标化处理方法及装置 | |
CN112423337B (zh) | 网络覆盖诊断模型构建方法、网络覆盖诊断方法及装置 | |
CN102761913B (zh) | 基于区域划分的无线信号传输参数确定的定位方法 | |
CN109587001A (zh) | 一种性能指标异常检测方法及装置 | |
CN110059894A (zh) | 设备状态评估方法、装置、***及存储介质 | |
CN109634867A (zh) | 基于数据模拟***下的软件测试方法、装置及存储介质 | |
CN111339231B (zh) | 众包更新结果的处理方法及装置 | |
WO2017172669A2 (en) | Tagged tracing, logging and performance measurements | |
CN113839725B (zh) | 无线信号传播预测方法及装置 | |
CN110580217A (zh) | 软件代码健康度的检测方法、处理方法、装置及电子设备 | |
CN116050116A (zh) | 一种仿真驾驶测试方法、装置、电子设备及存储介质 | |
CN104394039B (zh) | 一种基于Sigmoid指数模型网络性能成熟度评价***及其评价方法 | |
CN113923706A (zh) | 移动网络覆盖质量评估方法及装置、电子设备、存储介质 | |
Soares et al. | Defining Labour Market Areas and its relevance from a statistical perspective: The Portuguese case 1 2 | |
CN117114365A (zh) | 巡检任务管理方法、设备和可读存储介质 | |
CN110580218A (zh) | 软件代码复杂度的检测方法、装置及电子设备 | |
Lynch et al. | Identifying unexpected behaviors of agent-based models through spatial plots and heat maps | |
CN112506901A (zh) | 一种数据质量测量方法、装置及介质 | |
CN109597700B (zh) | 一种磁盘寿命预测方法及相关装置 | |
CN113141570A (zh) | 地下场景定位方法、装置、计算设备及计算机存储介质 | |
Liu et al. | Cyclical Evolution of Emerging Technology Innovation Network from a Temporal Network Perspective | |
CN110533323A (zh) | 基于交通拥堵的污染分析方法、装置、设备和存储介质 | |
CN109857655A (zh) | 一种检测美术资源动态性能的方法和*** |
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 |