CN112929887A - 基于流量预测设置室分站的方法、装置和电子设备 - Google Patents
基于流量预测设置室分站的方法、装置和电子设备 Download PDFInfo
- Publication number
- CN112929887A CN112929887A CN201911233987.0A CN201911233987A CN112929887A CN 112929887 A CN112929887 A CN 112929887A CN 201911233987 A CN201911233987 A CN 201911233987A CN 112929887 A CN112929887 A CN 112929887A
- Authority
- CN
- China
- Prior art keywords
- cell
- load
- building
- cluster
- area
- 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
Images
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
- H04W24/02—Arrangements for optimising operational condition
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明实施例提供了一种基于流量预测设置室分站的方法、装置和电子设备,对需要设置室分站的预设区域,根据该预设区域各小区的历史用网数据,对各小区在未来的用网数据进行预测。由预测的用网数据确定高负荷小区,进而确定高负荷小区中的高负荷楼宇,进一步根据这些高负荷楼宇的位置信息,确定需要设置室分站的站点区域。根据历史用网数据的变化规律所预测的用网数据,能够综合多种影响用网数据的因素确定与实际相吻合的用网数据,使得所确定的高负荷小区符合实际,进而有利于合理地设置室分站的站点区域。同时,由于不需要人为参与确定室分站的过程,提高了对室分站规划的效率。
Description
技术领域
本发明涉及通信技术领域,尤其是涉及一种基于流量预测设置室分站的方法、装置和电子设备。
背景技术
存在一些小区因为业务量过大,导致基站负荷增加,影响正常通信过程,通常通过增加室分站来分担基站的负荷,保证正常通信过程。例如,通过新增室分***,对基站进行话务下沉,保证用户业务的正常进行。现有的高负荷话务下沉主要是通过OMC(Operationand Maintenance Center,操作维护中心)采集KPI(Key Performance Indicators,关键性能指标)、网络投诉信息等,人工分析识别高负荷小区,并对高负荷小区进行业务下沉调整。通过新增室分***,等方案进行业务分流,以减小宏站增长过快的负荷压力。
然而,现有的实现话务下沉的方法主要是人工采集大量数据进行分析,并进行规划方案决策和制定,如频率叠加方案、室分***/新建方案等。人工优化方法虽然能考虑多种问题点的维度(如测试反馈、用户投诉、市场反馈等),但是需要大量的人力资源投入,耗时长且过程繁琐。因此人工优化方法只能适用于小范围的优化,无法适用于大范围及全网优化。此外,现有的方法在规划室分站点的过程中往往没有考虑基站覆盖范围和已经存在的室分站的影响,容易造成资源浪费。
综上,在现有的确定室分站的方法依靠人工实现,通过经验对小区的是否为高负荷小区进行简单评估,评估的结果不能反应实际情况,导致对室分站的规划不合理。
发明内容
本发明实施例提供一种基于流量预测设置室分站的方法、装置和电子设备,用以解决现有技术中在现有的确定室分站的方法依靠人工实现,通过经验对小区的是否为高负荷小区进行简单评估,评估的结果不能反应实际情况,导致对室分站的规划不合理的问题。
针对以上技术问题,第一方面,本发明实施例提供一种基于流量预测设置室分站的方法,包括:
根据预设区域内各小区的历史用网数据,确定对各小区预测的用网数据;
根据预测的用网数据从各小区中确定高负荷小区,根据各高负荷小区内终端的分布信息,从高负荷小区内的楼宇中确定高负荷楼宇;
根据各高负荷楼宇的位置信息,确定在所述预设区域内需设置室分站的站点区域。
第二方面,本发明实施例提供一种基于流量预测设置室分站的装置,包括:
预测模块,用于根据预设区域内各小区的历史用网数据,确定对各小区预测的用网数据;
第一确定模块,用于根据预测的用网数据从各小区中确定高负荷小区,根据各高负荷小区内终端的分布信息,从高负荷小区内的楼宇中确定高负荷楼宇;
第二确定模块,用于根据各高负荷楼宇的位置信息,确定在所述预设区域内需设置室分站的站点区域。
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以上所述的基于流量预测设置室分站的方法的步骤。
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所述的基于流量预测设置室分站的方法的步骤。
本发明的实施例提供的一种基于流量预测设置室分站的方法、装置和电子设备,对需要设置室分站的预设区域,根据该预设区域各小区的历史用网数据,对各小区在未来的用网数据进行预测。由预测的用网数据确定高负荷小区,进而确定高负荷小区中的高负荷楼宇,进一步根据这些高负荷楼宇的位置信息,确定需要设置室分站的站点区域。根据历史用网数据的变化规律所预测的用网数据,能够综合多种影响用网数据的因素确定与实际相吻合的用网数据,使得所确定的高负荷小区符合实际,进而有利于合理地设置室分站的站点区域。同时,由于不需要人为参与确定室分站的过程,提高了对室分站规划的效率。
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是本发明实施例提供的设置室分站的流程示意图;
图2是本发明另一实施例提供的基于流量预测设置室分站的方法的流程示意图;
图3是本发明另一实施例提供的网络数据预测的流程示意图;
图4是本发明另一实施例提供的确定高负荷小区的流程示意图;
图5是本发明另一实施例提供的高负荷楼宇确定过程示意图;
图6是本发明另一实施例提供的根据小区中各楼宇内连接高负荷小区的终端数量生成的示意图;
图7是本发明另一实施例提供的室分站点确定的过程示意图;
图8是本发明另一实施例提供的基于流量预测设置室分站的装置的结构框图;
图9是本发明另一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。
为了分解高负荷小区基站的负荷,通常需要在小区内高负荷楼宇集中的区域设置室分站。图1为本实施例提供的设置室分站的流程示意图,参见图1,通常设置室分站的过程包括:首先,根据高负荷小区和流量情况进行高负荷区域分析,其中,流量情况需要考虑三种情况带来的流量增长,这三种情况分别是自然增长、流量激发和市场营销。然后根据高负荷区域分析的结果,进行规划方案决策和制定的过程,该过程可以通过以下几种方式实现:频率叠加方案、室分***/新建方案和小微站新建方案。最后,进行区域方案评估,包括区域容量承载符合评估和高负荷小区评估,用来对规划的室分站,能够对高负荷小区基站的负荷进行分解的能力进行评估。
为了使得确定设置的室分站能够有效地分担基站的负荷,保证整个区域通信的稳定性,图2为本实施例提供的基于流量预测设置室分站的方法的流程示意图,该方法由用于规划设置室分站站点区域的设备执行,该设备为服务器、计算机或者专用来进行规划室分站的设备。参见图2,该方法包括如下步骤:
步骤201:根据预设区域内各小区的历史用网数据,确定对各小区预测的用网数据。
该步骤旨在通过能够反应各小区基站负荷的历史用网数据,对各小区基站在未来一段时间的负荷进行预测,由于预测的用网数据根据历史用网数据的变化规律生成,因此与实际更为吻合,从而保证了基于该预测的用网数据确定室分站的站点区域,能够更好地分担基站的负荷,达到较好的提高网络服务质量的目的。
进一步地,根据历史用网数据,由预先通过机器学习训练的模型对确定对各小区预测的用网数据;其中,该“通过机器学习训练的模型”以时间和在历史时间段中随时间变化的用网数据进行训练得到,具体地,该“通过机器学习训练的模型”为时间序列模型,或者,由现有的能够根据数据变化规律进行预测的模型,根据历史用网数据,对各小区预测的用网数据,例如,该模型可以是prophet模型。
步骤202:根据预测的用网数据从各小区中确定高负荷小区,根据各高负荷小区内终端的分布信息,从高负荷小区内的楼宇中确定高负荷楼宇。
由于预测的用网数据能够较好地反应小区在未来的实际用网数据,因而根据预测的用网数据,可以筛选出预设区域中高负荷小区。进一步地,基于已经确定的高负荷小区,由于终端并不会均匀地分布在小区中,因此,本实施例根据终端分布信息,确定终端较为集中的高负荷楼宇。这些高负荷楼宇将作为需要考虑进行室分站设置的区域。
步骤203:根据各高负荷楼宇的位置信息,确定在所述预设区域内需设置室分站的站点区域。
高负荷楼宇通常为终端分布较为集中的区域,在这些区域设置室分站能够有效地分担高负荷小区基站的负荷,且大大提高负荷楼宇的网络服务质量。
本实施例提供的一种基于流量预测设置室分站的方法,对需要设置室分站的预设区域,根据该预设区域各小区的历史用网数据,对各小区在未来的用网数据进行预测。由预测的用网数据确定高负荷小区,进而确定高负荷小区中的高负荷楼宇,进一步根据这些高负荷楼宇的位置信息,确定需要设置室分站的站点区域。根据历史用网数据的变化规律所预测的用网数据,能够综合多种影响用网数据的因素确定与实际相吻合的用网数据,使得所确定的高负荷小区符合实际,进而有利于合理地设置室分站的站点区域。同时,由于不需要人为参与确定室分站的过程,提高了对室分站规划的效率。
进一步地,在上述实施例的基础上,上述步骤201包括:
对预设区域内的任一第一小区,获取所述第一小区在第一历史时间段内的,各设定时间区间对应的历史用网数据,将获取的历史用网数据输入预测模型,由所述预测模型输出对所述第一小区预测的用网数据;
其中,预测模型根据输入的历史用网数据的随时间变化的趋势进行预测;历史用网数据包括如下数据中的至少一种:接入所述第一小区的有效RRC(Radio ResourceControl,无线资源控制层)用户数量、所述第一小区的上行物理资源块PRB(PhysicalResource Block,物理资源块)利用率、所述第一小区的上行流量、所述第一小区的下行PRB利用率、所述第一小区的下行流量。
其中,将获取的历史用网数据输入预测模型之前,还包括:剔除获取的历史用网数据中的异常点,异常点为偏离历史用网数据所在曲线,且与曲线上距离最近的点之间的距离大于设定距离阈值。
具体地,将获取的历史用网数据输入预测模型之前,采用S-H-ESD(SeasonalHybrid ESD Test(Extreme Studentized Deviate test,极端偏差测试),时间序列异常检测算法)进行异常点检测,间检测的异常点剔除。
S-H-ESD的原理介绍:该算法以原数据的中位数替换STL(Seasonal-Trenddecomposition procedure based on Loess,时间序列分解方法)分解中的趋势分量,再从原数据中约去周期分量和趋势分量得到残差余项分量,最后对残差分量进行G-ESD(Standard Practice for Application of Generalized-ESD,广义的极端偏差测试)测试识别异常点。其中,该算法会误将假期效应数据,认为异常值,在检测时候应该去掉假期期间数据。
其中,第一历史时间段为当前时间点之前的时间段,第一历史时间段的时长大于或等于6个月。例如,第一历史时间段为当前时间点之前的6个月或者1年。
其中,设定时间区间为用于对第一历史时间段进行划分的区间,例如,设定时间区间为1小时、n小时(n为自然数)、天、周,或者月。设定时间区间越短,预测的用网数据准确性越高,与实际情况更为吻合。
其中,所述预测模型为时间序列模型。
其中,所述预测模型为prophet模型。
此处对prophet模型进行介绍:prophet模型结构为y(t)=g(t)+s(t)+h(t)+∈(t)。其中,g(t)表示趋势函数,用来分析时间序列中非周期性的变化;s(t)表示周期性的变化,如周、天、年这种周期性;h(t)表示节假日等偶然一天或几天造成的影响;∈表示误差项:模型考虑到的误差的影响。prophet模型没有复杂的特征工程,只需要输入符合要求的时间序列数据就可以进行模型的预测,对缺失值不敏感但对异常值敏感,因此先对原始数据进行异常值处理。
通常,在预测模型中输入的历史用网数据的种类,与预测模型输出的预测的用网数据的种类相同,例如,输入的历史用网数据为有效RRC用户数量,则输出的预测的用网数据通常也为有效RRC用户数量。
需要说明的是,本实施例中的有效RRC用户数量指的是接入小区的终端中,存在数据传输的终端数量。例如,接入小区的终端处于非激活态,则不应该统计在有效RRC用户数量内。“接入所述第一小区的有效RRC用户数量、所述第一小区的上行利用率、所述第一小区的上行流量、所述第一小区的下行利用率、所述第一小区的下行流量”这些数据均可以通过OMC获取。
举例来说,假设判断高负荷小区的预设条件中涉及“有效RRC用户数量、上行PRB利用率和上行流量”,则输入到预测模型中的历史用网数据包括:在第一历史时间段内的,各设定时间区间对应的第一小区的有效RRC用户数量、第一小区的上行PRB利用率和第一小区的上行流量。
同理,假设判断高负荷小区的预设条件中涉及“有效RRC用户数量、下行PRB利用率和下行流量”,则输入到预测模型中的历史用网数据包括:在第一历史时间段内的,各设定时间区间对应的第一小区的有效RRC用户数量、第一小区的下行PRB利用率和第一小区的下行流量。
图3为本实施例提供的网络数据预测的流程示意图,参见图3,以对接入第一小区的有效RRC用户数量进行预测为例,从OMC收集在当前时间点前六个月内接入第一小区的有效RRC用户数量,设置设定时间区间为1小时。进行异常点检测,剔除异常点后,向预测模型按照这六个月每天各小时的有效RRC用户数量的平均值,以使得预测模型根据这六个月每天各小时对应的有效RRC用户数量的变化进行预测。例如,若要预测当前时间之后的一周内的有效RRC用户数量,则预测模型输出当前时间之后的一周内的每天,随时小时变化的有效RRC用户数量。
此外,由于用网数据有很明显的假期效应、年周期性等规律,因此选用的历史用网数据最好是近两年的,当然最近三个月的数据也能够进行预测,只是会因数据量不足效果稍差而已。
本实施例通过预测模型实现了对第一小区用网数据的预测,预测的数据根据历史用网数据的变化规律生成,反应了用网数据的真实变化情况。
进一步地,在上述实施例的基础上,上述步骤202包括:
对预设区域内的任一第一小区,根据对所述第一小区预测的用网数据,判断所述第一小区是否满足预设条件,若是,则所述第一小区为高负荷小区;
获取在第二历史时间段终端上报的MR(Measurement Report,测量报告),对高负荷小区内的任一第一楼宇,根据获取的MR判断位于所述第一楼宇内,且接入的小区为高负荷小区的第一终端数量,占第二终端数量的比值是否大于预设比值,若是,则所述第一楼宇为高负荷楼宇,所述第二终端数量为位于所述第一楼宇内的所有终端的数量;
其中,所述预设条件包括如下条件的至少一种:
第一条件:在预测的时间段内,接入所述第一小区的有效RRC用户数量平均值大于或等于第一门限值、所述第一小区的上行PRB利用率平均值大于或等于第二门限值,且所述
第一小区的上行流量平均值大于或等于第三门限值;
第二条件:在预测的时间段内,接入所述第一小区的有效RRC用户数量平均值大于或等于第四门限值、所述第一小区的下行PRB利用率平均值大于或等于第五门限值,且所述第一小区的下行流量大于或等于第六门限值。
具体来说,本实施例提供了两种定义“如何判断是否为高负荷小区”的条件,分别为第一条件:[“有效RRC用户数达到门限”且“上行PRB利用率达到门限”且“上行流量达到门限”]和第二条件:[“有效RRC用户数达到门限”且“下行PRB利用率达到门限”且“下行流量达到门限”]。可以通过这两个条件中的任一条件判断小区是否为高负荷小区。图4为本实施例提供的确定高负荷小区的流程示意图,参见图4,预测模型根据输入的各历史用网数据,预测在未来一周对应的用网数据,根据上述第一条件或者第二条件进行判断后,直接输出高负荷小区的列表。
其中,第二历史时间段为当前时间之前的任一时间段,例如,当前时间点之前的一周、一月或者一年。由于终端在小区的分布具有一定的规律性,因此,本实施例任取一段第二历史时间段,通过在该第二历史时间段内用户的分布规律从高负荷小区的楼宇中确定高负荷楼宇。
具体地,根据终端上报的MR数据确定终端的位置和接入的小区,统计在第二时间段内在第一楼宇中的各终端中接入了高负荷小区的终端,占第一楼宇中的各终端总数的比值,若大于预设比值,则该楼宇为高负荷楼宇。
图5为本实施例提供的高负荷楼宇确定过程示意图,参见图5,在确定了高负荷小区后,对各楼宇内的终端进行样本(一个终端即为一个样本)比例分析(即计算第一终端数量占第二终端数量的比值),根据样本比例分析的结果确定出高负荷楼宇。图6为根据小区中各楼宇内连接高负荷小区的终端数量生成的示意图,将按照上述方式判断的高负荷楼宇用方格进行标记,高负荷楼宇之外的楼宇用点填充,通过图6能够清楚展示了高负荷小区的分布情况,从而迅速确定高负荷楼宇分布的区域。即能够呈现高负荷楼宇分布集中的区域,且能够直观表示高负荷楼宇在小区的分布情况和相对比例。
通过本实施例提供的方法实现了高负荷楼宇的判断过程,对高负荷楼宇的准确判断,有利于后续室分站的合理确定。
进一步地,在上述各实施例的基础上,上述步骤203包括:
获取第一集合和第二集合,所述第一集合包括全部或者部分位于,高负荷小区信号覆盖范围重叠区域的高负荷楼宇,所述第二集合包括不属于所述第一集合的高负荷楼宇;
根据所述第一集合中高负荷楼宇的位置信息和已存在室分站,确定需设置室分站的站点区域后,根据所述第二集合中高负荷楼宇的位置信息、已存在室分站和已确定的站点区域,确定需设置室分站的站点区域。
其中,任意两个第二小区和第三小区的信号覆盖范围重叠区域为:以第二小区的基站所在位置为圆心,以预设半径确定的,角度为120度的波瓣,以第三小区的基站所在位置为圆心,以预设半径确定的,角度为120度的波瓣,第二小区的波瓣与第三小区的波瓣相交区域即为,第二小区和第三小区的信号覆盖范围重叠区域。
其中,预设半径为280米。
在确定设置室分站的站点区域时,将高负荷楼宇分为第一集合和第二集合两部分,先对第一集合确定设置室分站的站点区域,再对第二集合确定设置室分站的站点区域。第一集合中的高负荷楼宇位于两个或多个高负荷小区信号覆盖范围重叠区域,在该信号覆盖范围重叠区域设置的室分站,能够同时分担这多个高负荷小区的负荷,具有较为明显的话务下沉效果。因此,通过优先对信号覆盖范围重叠区域进行室分站的规划,能够最大限度降低高负荷小区基站负荷,具有较好的减轻基站负荷,提高网络质量的效果。
进一步地,在上述各实施例的基础上,所述根据所述第一集合中高负荷楼宇的位置信息和已存在室分站,确定需设置室分站的站点区域后,根据所述第二集合中高负荷楼宇的位置信息、已存在室分站和已确定的站点区域,确定需设置室分站的站点区域,包括:
对所述第一集合中的任一第二楼宇,若与所述第二楼宇的距离小于或等于第一预设距离的区域内已存在室分站,则对所述第二楼宇进行标记,获取由所述第一集合中未进行标记的高负荷楼宇组成的第一子集;
根据所述第一子集中高负荷楼宇的位置信息进行聚类运算,对确定的每一第一类簇,判断所述第一类簇是否满足设站条件,若是,确定所述第一类簇所在区域为需设置室分站的站点区域;
对所述第二集合中的任一第三楼宇,若与所述第三楼宇的距离小于或等于第二预设距离的区域内已存在室分站,或存在确定为站点区域的第一类簇的类簇中心点与所述第三楼宇的距离小于或等于第三预设距离,则对所述第三楼宇进行标记,获取由所述第二集合中未进行标记的高负荷楼宇组成的第二子集;
根据所述第二子集中高负荷楼宇的位置信息进行聚类运算,对确定的每一第二类簇,判断所述第二类簇是否满足所述设站条件,若是,确定所述第二类簇所在区域为需设置室分站的站点区域;
其中,所述设站条件包括入如下条件中的至少一种:类簇的类簇中心点,与各高负荷小区的基站之间距离的最小值小于第四预设距离、在第三历史时间段内,根据MR统计的接入类簇所在区域的终端的总数大于预设数量、类簇中存在高度大于预设高度的高负荷楼宇、类簇中存在占地面积大于或等于预设面积的高负荷楼宇。
由于预设区域内可能有已存在室分站,为了避免重复建立室分站,在对第一集合中的高负荷楼宇进行聚类运算之前,先消除已存在室分站的影响。相应地,在对第二集合中的高负荷楼宇进行聚类运算之前,需要先消除已存在室分站,以及已经在信号覆盖范围重叠区域设置的室分站的影响。
其中,第一预设距离、第二预设距离和第三预设距离可以均设置为80米。
其中,第四预设距离可以设置为300米.
其中,预设数量根据第三历史时间段的时长确定,第三历史时间段的时长越长,预设数量越大。例如,若第三历史时间段的时长为1小时,则预设数量为5000。
其中,预设高度可以设置为30米。
其中,预设面积可以设置为1000平方米。
其中,类簇的类簇中心点根据类簇中各高负荷楼宇的位置信息确定。例如,位置信息为位置坐标,则类簇的类簇中心点的位置坐标为类簇中各高负荷楼宇的位置坐标的平均值。
进一步地,输出确定的所有站点区域。
图7为本实施例提供的室分站点确定的过程示意图,参见图7,在过程中,首先对扇区相交区域中进行室分站规划,在此次规划过程中,先剔除被已存在室分站覆盖的高负荷楼宇。然后,对非扇区相交区域中进行室分站规划,在该过程中,需要先剔除被已存在室分站,和已经规划的室分站覆盖的高负荷楼宇。最后将规划的结果输出。
具体地,本实施例提供的设站条件包括,满足其中任一种即可设置室分站:
第一种设站条件:类簇的类簇中心点,与各高负荷小区的基站之间距离的最小值小于第四预设距离、在第三历史时间段内,根据MR统计的接入类簇所在区域的终端的总数大于预设数量、且类簇中存在高度大于预设高度的高负荷楼宇。具体地,类簇中类簇中心点与高负荷小区的基站距离小于等于300米,类簇中采样点大于等于5000个,无室分覆盖,类簇中存在楼宇高度大于等于30米。
第二种设站条件:类簇的类簇中心点,与各高负荷小区的基站之间距离的最小值小于第四预设距离、在第三历史时间段内,根据MR统计的接入类簇所在区域的终端的总数大于预设数量、且类簇中存在占地面积大于或等于预设面积的高负荷楼宇。具体地,类簇中类簇中心点与高负荷小区基站距离小于等于300米,采样点大于等于5000个,无室分覆盖,18米<=楼宇高度<30米,且楼宇面积大于等于1000平方米。
本实施例结合楼宇与宏站距离、楼宇高度、楼宇面积,等信息,进行高负荷室分站点规划,规划过程考虑了已经规划的室分站和已存在室分站的影响,避免了室分站的重复建站,节省了资源。弥补了现有人工分析与优化效率低下,耗时长且过程繁琐。
以下对聚类运算进行介绍:
其中,根据子集(第一子集或第二子集)进行聚类运算(可以采用K-Means的算法)包括:
循环执行类簇个数确定操作,直到确定的类簇个数大于或等于预设个数,或者在已经确定的类簇个数下,在各类簇个数所对应的轮廓系数中确定了极大值,将所确定的最大的类簇个数或者将极大值对应的类簇个数,作为对子集各高负荷楼宇进行聚类运算的类簇个数;
其中,类簇个数确定操作包括:获取当前的类簇个数,循环执行类簇中心确定操作,直到执行类簇中心确定操作的次数大于预设次数,或者本次执行类簇中心确定操作的理论类簇中心与实际类簇中心相同后,将当前的类簇个数增加1,以最后一次执行类簇中心确定操作所确定的各高负荷楼宇所属的类簇,作为在当前的类簇个数下,进行聚类运算确定的各高负荷楼宇所属的类簇;其中,实际类簇中心为以理论类簇中心确定各高负荷楼宇所属的类簇后,根据各高负荷楼宇的位置坐标,计算的类簇中心;
其中,类簇中心确定操作包括:
首次执行时,随机选取个数与当前的类个数相同的高负荷楼宇,作为首次确定的理论类簇中心,根据各高负荷楼宇与各理论类簇中心的距离,划分各高负荷楼宇所属的类簇,并根据各高负荷楼宇的位置坐标,计算各类簇的实际类簇中心;
非首次执行时,以前一次执行类簇中心确定操作所确定的实际类簇中心,作为本次执行类簇中心确定类中心确定操作的理论类簇中心,根据各高负荷楼宇与各理论类簇中心的距离,划分各高负荷楼宇所属的类簇,并根据各高负荷楼宇的位置坐标,计算各类簇的实际类簇中心;
其中,根据各高负荷楼宇的位置坐标,计算各类簇的实际类簇中心,包括:计算某一类簇所包含的所有高负荷楼宇的位置坐标的平均值,得到实际类簇中心的位置坐标。
类簇个数为K时,对应的轮廓系数SCK通过如下公式计算:
SCK=s(1)+s(2)+…+s(i)+…+s(n)
其中,n表示进行聚类运算的高负荷楼宇的总数,s(i)表示第i个高负荷楼宇的类簇系数。
类簇系数s(i)通过如下公式计算:
其中,b(i)表示第i个高负荷楼宇对应的类间不相似度,a(i)表示第i个高负荷楼宇对应的类内不相似度。
其中,在上述计算类簇系数s(i)的公式中,第i个高负荷楼宇对应的类间不相似度b(i)的计算包括:
计算第i个高负荷楼宇到任一其他某类簇(任一非第i个高负荷楼宇所在的类簇)Cj中的所有高负荷楼宇的平均距离bij,为第i个高负荷楼宇与簇Cj的类间不相似度。将计算的各平均距离bij中的最小值,作为第i个高负荷楼宇的类间不相似度。即类间不相似度b(i)可以通过如下公式计算:b(i)=min{bi1,bi2,…,bij,…,bi(m-1)}
其中,m为进行聚类的类簇个数,bij为第i个高负荷楼宇与第j个类簇的类间不相似度。
在上述计算类簇系数s(i)的公式中,第i个高负荷楼宇对应的类内不相似度a(i),等于第i个高负荷楼宇到同簇(即第i个高负荷楼宇所在的类簇)其它各高负荷楼宇的平均距离。
图8为本实施例提供的基于流量预测设置室分站的装置的结构框图,参见图8,该装置包括预测模块801、第一确定模块802和第二确定模块803,其中,
预测模块801,用于根据预设区域内各小区的历史用网数据,确定对各小区预测的用网数据;
第一确定模块802,用于根据预测的用网数据从各小区中确定高负荷小区,根据各高负荷小区内终端的分布信息,从高负荷小区内的楼宇中确定高负荷楼宇;
第二确定模块803,用于根据各高负荷楼宇的位置信息,确定在所述预设区域内需设置室分站的站点区域。
本实施例提供的基于流量预测设置室分站的装置适用于上述实施例提供的基于流量预测设置室分站的方法,在此不再赘述。
进一步地,在上述实施例的基础上,所述预测模块还用于:
对预设区域内的任一第一小区,获取所述第一小区在第一历史时间段内的,各设定时间区间对应的历史用网数据,将获取的历史用网数据输入预测模型,由所述预测模型输出对所述第一小区预测的用网数据;
其中,预测模型根据输入的历史用网数据的随时间变化的趋势进行预测;历史用网数据包括如下数据中的至少一种:接入所述第一小区的有效RRC用户数量、所述第一小区的上行物理资源块PRB利用率、所述第一小区的上行流量、所述第一小区的下行PRB利用率、所述第一小区的下行流量。
进一步地,在上述各实施例的基础上,所述第一确定模块还用于:
对预设区域内的任一第一小区,根据对所述第一小区预测的用网数据,判断所述第一小区是否满足预设条件,若是,则所述第一小区为高负荷小区;
获取在第二历史时间段终端上报的测量报告MR,对高负荷小区内的任一第一楼宇,根据获取的MR判断位于所述第一楼宇内,且接入的小区为高负荷小区的第一终端数量,占第二终端数量的比值是否大于预设比值,若是,则所述第一楼宇为高负荷楼宇,所述第二终端数量为位于所述第一楼宇内的所有终端的数量;
其中,所述预设条件包括如下条件的至少一种:
第一条件:在预测的时间段内,接入所述第一小区的有效RRC用户数量平均值大于或等于第一门限值、所述第一小区的上行PRB利用率平均值大于或等于第二门限值,且所述
第一小区的上行流量平均值大于或等于第三门限值;
第二条件:在预测的时间段内,接入所述第一小区的有效RRC用户数量平均值大于或等于第四门限值、所述第一小区的下行PRB利用率平均值大于或等于第五门限值,且所述第一小区的下行流量大于或等于第六门限值。
进一步地,在上述各实施例的基础上,所述第二确定模块还用于:
获取第一集合和第二集合,所述第一集合包括全部或者部分位于,高负荷小区信号覆盖范围重叠区域的高负荷楼宇,所述第二集合包括不属于所述第一集合的高负荷楼宇;
根据所述第一集合中高负荷楼宇的位置信息和已存在室分站,确定需设置室分站的站点区域后,根据所述第二集合中高负荷楼宇的位置信息、已存在室分站和已确定的站点区域,确定需设置室分站的站点区域。
进一步地,在上述各实施例的基础上,所述第二确定模块还用于:
对所述第一集合中的任一第二楼宇,若与所述第二楼宇的距离小于或等于第一预设距离的区域内已存在室分站,则对所述第二楼宇进行标记,获取由所述第一集合中未进行标记的高负荷楼宇组成的第一子集;
根据所述第一子集中高负荷楼宇的位置信息进行聚类运算,对确定的每一第一类簇,判断所述第一类簇是否满足设站条件,若是,确定所述第一类簇所在区域为需设置室分站的站点区域;
对所述第二集合中的任一第三楼宇,若与所述第三楼宇的距离小于或等于第二预设距离的区域内已存在室分站,或存在确定为站点区域的第一类簇的类簇中心点与所述第三楼宇的距离小于或等于第三预设距离,则对所述第三楼宇进行标记,获取由所述第二集合中未进行标记的高负荷楼宇组成的第二子集;
根据所述第二子集中高负荷楼宇的位置信息进行聚类运算,对确定的每一第二类簇,判断所述第二类簇是否满足所述设站条件,若是,确定所述第二类簇所在区域为需设置室分站的站点区域;
其中,所述设站条件包括入如下条件中的至少一种:类簇的类簇中心点,与各高负荷小区的基站之间距离的最小值小于第四预设距离、在第三历史时间段内,根据MR统计的接入类簇所在区域的终端的总数大于预设数量、类簇中存在高度大于预设高度的高负荷楼宇、类簇中存在占地面积大于或等于预设面积的高负荷楼宇。
图9是示出本实施例提供的电子设备的实体结构示意图。
参照图9,所述电子设备包括:处理器(processor)901、通信接口(CommunicationsInterface)902、存储器(memory)903和通信总线904,其中,处理器901,通信接口902,存储器903通过通信总线904完成相互间的通信。处理器901可以调用存储器903中的逻辑指令,以执行如下方法:根据预设区域内各小区的历史用网数据,确定对各小区预测的用网数据;根据预测的用网数据从各小区中确定高负荷小区,根据各高负荷小区内终端的分布信息,从高负荷小区内的楼宇中确定高负荷楼宇;根据各高负荷楼宇的位置信息,确定在所述预设区域内需设置室分站的站点区域。
此外,上述的存储器903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:根据预设区域内各小区的历史用网数据,确定对各小区预测的用网数据;根据预测的用网数据从各小区中确定高负荷小区,根据各高负荷小区内终端的分布信息,从高负荷小区内的楼宇中确定高负荷楼宇;根据各高负荷楼宇的位置信息,确定在所述预设区域内需设置室分站的站点区域。
本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如下方法:根据预设区域内各小区的历史用网数据,确定对各小区预测的用网数据;根据预测的用网数据从各小区中确定高负荷小区,根据各高负荷小区内终端的分布信息,从高负荷小区内的楼宇中确定高负荷楼宇;根据各高负荷楼宇的位置信息,确定在所述预设区域内需设置室分站的站点区域。
以上所描述的电子设备等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:以上各实施例仅用以说明本发明的实施例的技术方案,而非对其限制;尽管参照前述各实施例对本发明的实施例进行了详细的说明,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,或者对其中部分或者全部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的实施例各实施例技术方案的范围。
Claims (12)
1.一种基于流量预测设置室分站的方法,其特征在于,包括:
根据预设区域内各小区的历史用网数据,确定对各小区预测的用网数据;
根据预测的用网数据从各小区中确定高负荷小区,根据各高负荷小区内终端的分布信息,从高负荷小区内的楼宇中确定高负荷楼宇;
根据各高负荷楼宇的位置信息,确定在所述预设区域内需设置室分站的站点区域。
2.根据权利要求1所述的基于流量预测设置室分站的方法,其特征在于,所述根据预设区域内各小区的历史用网数据,确定对各小区预测的用网数据,包括:
对预设区域内的任一第一小区,获取所述第一小区在第一历史时间段内的,各设定时间区间对应的历史用网数据,将获取的历史用网数据输入预测模型,由所述预测模型输出对所述第一小区预测的用网数据;
其中,预测模型根据输入的历史用网数据的随时间变化的趋势进行预测;历史用网数据包括如下数据中的至少一种:接入所述第一小区的有效RRC用户数量、所述第一小区的上行物理资源块PRB利用率、所述第一小区的上行流量、所述第一小区的下行PRB利用率、所述第一小区的下行流量。
3.根据权利要求1所述的基于流量预测设置室分站的方法,其特征在于,所述根据预测的用网数据从各小区中确定高负荷小区,根据各高负荷小区内终端的分布信息,从高负荷小区内的楼宇中确定高负荷楼宇,包括:
对预设区域内的任一第一小区,根据对所述第一小区预测的用网数据,判断所述第一小区是否满足预设条件,若是,则所述第一小区为高负荷小区;
获取在第二历史时间段终端上报的测量报告MR,对高负荷小区内的任一第一楼宇,根据获取的MR判断位于所述第一楼宇内,且接入的小区为高负荷小区的第一终端数量,占第二终端数量的比值是否大于预设比值,若是,则所述第一楼宇为高负荷楼宇,所述第二终端数量为位于所述第一楼宇内的所有终端的数量;
其中,所述预设条件包括如下条件的至少一种:
第一条件:在预测的时间段内,接入所述第一小区的有效RRC用户数量平均值大于或等于第一门限值、所述第一小区的上行PRB利用率平均值大于或等于第二门限值,且所述第一小区的上行流量平均值大于或等于第三门限值;
第二条件:在预测的时间段内,接入所述第一小区的有效RRC用户数量平均值大于或等于第四门限值、所述第一小区的下行PRB利用率平均值大于或等于第五门限值,且所述第一小区的下行流量大于或等于第六门限值。
4.根据权利要求1所述的基于流量预测设置室分站的方法,其特征在于,所述根据各高负荷楼宇的位置信息,确定在所述预设区域内需设置室分站的站点区域,包括:
获取第一集合和第二集合,所述第一集合包括全部或者部分位于,高负荷小区信号覆盖范围重叠区域的高负荷楼宇,所述第二集合包括不属于所述第一集合的高负荷楼宇;
根据所述第一集合中高负荷楼宇的位置信息和已存在室分站,确定需设置室分站的站点区域后,根据所述第二集合中高负荷楼宇的位置信息、已存在室分站和已确定的站点区域,确定需设置室分站的站点区域。
5.根据权利要求4所述的基于流量预测设置室分站的方法,其特征在于,所述根据所述第一集合中高负荷楼宇的位置信息和已存在室分站,确定需设置室分站的站点区域后,根据所述第二集合中高负荷楼宇的位置信息、已存在室分站和已确定的站点区域,确定需设置室分站的站点区域,包括:
对所述第一集合中的任一第二楼宇,若与所述第二楼宇的距离小于或等于第一预设距离的区域内已存在室分站,则对所述第二楼宇进行标记,获取由所述第一集合中未进行标记的高负荷楼宇组成的第一子集;
根据所述第一子集中高负荷楼宇的位置信息进行聚类运算,对确定的每一第一类簇,判断所述第一类簇是否满足设站条件,若是,确定所述第一类簇所在区域为需设置室分站的站点区域;
对所述第二集合中的任一第三楼宇,若与所述第三楼宇的距离小于或等于第二预设距离的区域内已存在室分站,或存在确定为站点区域的第一类簇的类簇中心点与所述第三楼宇的距离小于或等于第三预设距离,则对所述第三楼宇进行标记,获取由所述第二集合中未进行标记的高负荷楼宇组成的第二子集;
根据所述第二子集中高负荷楼宇的位置信息进行聚类运算,对确定的每一第二类簇,判断所述第二类簇是否满足所述设站条件,若是,确定所述第二类簇所在区域为需设置室分站的站点区域;
其中,所述设站条件包括入如下条件中的至少一种:类簇的类簇中心点,与各高负荷小区的基站之间距离的最小值小于第四预设距离、在第三历史时间段内,根据MR统计的接入类簇所在区域的终端的总数大于预设数量、类簇中存在高度大于预设高度的高负荷楼宇、类簇中存在占地面积大于或等于预设面积的高负荷楼宇。
6.一种基于流量预测设置室分站的装置,其特征在于,包括:
预测模块,用于根据预设区域内各小区的历史用网数据,确定对各小区预测的用网数据;
第一确定模块,用于根据预测的用网数据从各小区中确定高负荷小区,根据各高负荷小区内终端的分布信息,从高负荷小区内的楼宇中确定高负荷楼宇;
第二确定模块,根据各高负荷楼宇的位置信息,确定在所述预设区域内需设置室分站的站点区域。
7.根据权利要求6所述的基于流量预测设置室分站的装置,其特征在于,所述预测模块还用于:
对预设区域内的任一第一小区,获取所述第一小区在第一历史时间段内的,各设定时间区间对应的历史用网数据,将获取的历史用网数据输入预测模型,由所述预测模型输出对所述第一小区预测的用网数据;
其中,预测模型根据输入的历史用网数据的随时间变化的趋势进行预测;历史用网数据包括如下数据中的至少一种:接入所述第一小区的有效RRC用户数量、所述第一小区的上行物理资源块PRB利用率、所述第一小区的上行流量、所述第一小区的下行PRB利用率、所述第一小区的下行流量。
8.根据权利要求6所述的基于流量预测设置室分站的装置,其特征在于,所述第一确定模块还用于:
对预设区域内的任一第一小区,根据对所述第一小区预测的用网数据,判断所述第一小区是否满足预设条件,若是,则所述第一小区为高负荷小区;
获取在第二历史时间段终端上报的测量报告MR,对高负荷小区内的任一第一楼宇,根据获取的MR判断位于所述第一楼宇内,且接入的小区为高负荷小区的第一终端数量,占第二终端数量的比值是否大于预设比值,若是,则所述第一楼宇为高负荷楼宇,所述第二终端数量为位于所述第一楼宇内的所有终端的数量;
其中,所述预设条件包括如下条件的至少一种:
第一条件:在预测的时间段内,接入所述第一小区的有效RRC用户数量平均值大于或等于第一门限值、所述第一小区的上行PRB利用率平均值大于或等于第二门限值,且所述第一小区的上行流量平均值大于或等于第三门限值;
第二条件:在预测的时间段内,接入所述第一小区的有效RRC用户数量平均值大于或等于第四门限值、所述第一小区的下行PRB利用率平均值大于或等于第五门限值,且所述第一小区的下行流量大于或等于第六门限值。
9.根据权利要求6所述的基于流量预测设置室分站的装置,其特征在于,所述第二确定模块还用于:
获取第一集合和第二集合,所述第一集合包括全部或者部分位于,高负荷小区信号覆盖范围重叠区域的高负荷楼宇,所述第二集合包括不属于所述第一集合的高负荷楼宇;
根据所述第一集合中高负荷楼宇的位置信息和已存在室分站,确定需设置室分站的站点区域后,根据所述第二集合中高负荷楼宇的位置信息、已存在室分站和已确定的站点区域,确定需设置室分站的站点区域。
10.根据权利要求9所述的基于流量预测设置室分站的装置,其特征在于,所述第二确定模块还用于:
对所述第一集合中的任一第二楼宇,若与所述第二楼宇的距离小于或等于第一预设距离的区域内已存在室分站,则对所述第二楼宇进行标记,获取由所述第一集合中未进行标记的高负荷楼宇组成的第一子集;
根据所述第一子集中高负荷楼宇的位置信息进行聚类运算,对确定的每一第一类簇,判断所述第一类簇是否满足设站条件,若是,确定所述第一类簇所在区域为需设置室分站的站点区域;
对所述第二集合中的任一第三楼宇,若与所述第三楼宇的距离小于或等于第二预设距离的区域内已存在室分站,或存在确定为站点区域的第一类簇的类簇中心点与所述第三楼宇的距离小于或等于第三预设距离,则对所述第三楼宇进行标记,获取由所述第二集合中未进行标记的高负荷楼宇组成的第二子集;
根据所述第二子集中高负荷楼宇的位置信息进行聚类运算,对确定的每一第二类簇,判断所述第二类簇是否满足所述设站条件,若是,确定所述第二类簇所在区域为需设置室分站的站点区域;
其中,所述设站条件包括入如下条件中的至少一种:类簇的类簇中心点,与各高负荷小区的基站之间距离的最小值小于第四预设距离、在第三历史时间段内,根据MR统计的接入类簇所在区域的终端的总数大于预设数量、类簇中存在高度大于预设高度的高负荷楼宇、类簇中存在占地面积大于或等于预设面积的高负荷楼宇。
11.一种电子设备,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,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述的基于流量预测设置室分站的方法的步骤。
12.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至5任一项所述的基于流量预测设置室分站的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911233987.0A CN112929887B (zh) | 2019-12-05 | 2019-12-05 | 基于流量预测设置室分站的方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911233987.0A CN112929887B (zh) | 2019-12-05 | 2019-12-05 | 基于流量预测设置室分站的方法、装置和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112929887A true CN112929887A (zh) | 2021-06-08 |
CN112929887B CN112929887B (zh) | 2023-05-02 |
Family
ID=76161223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911233987.0A Active CN112929887B (zh) | 2019-12-05 | 2019-12-05 | 基于流量预测设置室分站的方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112929887B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114245420A (zh) * | 2022-01-26 | 2022-03-25 | 中国联合网络通信集团有限公司 | 基站控制方法、核心网及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105657724A (zh) * | 2014-12-01 | 2016-06-08 | 维亚威解决方案英国有限公司 | 用于提供小小区部署规划的技术 |
EP3128780A1 (en) * | 2015-08-05 | 2017-02-08 | Viavi Solutions UK Limited | Small cell planning |
US20170150365A1 (en) * | 2015-11-19 | 2017-05-25 | T-Mobile Usa, Inc. | Small cell planning tool |
CN106817706A (zh) * | 2015-11-27 | 2017-06-09 | ***通信集团安徽有限公司 | 一种多***融合的室内分布规划方法和装置 |
CN110493793A (zh) * | 2019-09-30 | 2019-11-22 | 南京华苏科技有限公司 | 基于容量lte规划新建站的方法及*** |
-
2019
- 2019-12-05 CN CN201911233987.0A patent/CN112929887B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105657724A (zh) * | 2014-12-01 | 2016-06-08 | 维亚威解决方案英国有限公司 | 用于提供小小区部署规划的技术 |
EP3128780A1 (en) * | 2015-08-05 | 2017-02-08 | Viavi Solutions UK Limited | Small cell planning |
US20170150365A1 (en) * | 2015-11-19 | 2017-05-25 | T-Mobile Usa, Inc. | Small cell planning tool |
CN106817706A (zh) * | 2015-11-27 | 2017-06-09 | ***通信集团安徽有限公司 | 一种多***融合的室内分布规划方法和装置 |
CN110493793A (zh) * | 2019-09-30 | 2019-11-22 | 南京华苏科技有限公司 | 基于容量lte规划新建站的方法及*** |
Non-Patent Citations (2)
Title |
---|
TINGTING YANG,ZHENFENG OUYANG,ETC.: "Design of TD-LTE Based Signal Indoor Distribution System", 《2017 IEEE 86TH VEHICULAR TECHNOLOGY CONFERENCE (VTC-FALL)》 * |
朱燕,徐刚,等: "LTE网络流量沸点区域解决方案", 《CNKI 电信技术》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114245420A (zh) * | 2022-01-26 | 2022-03-25 | 中国联合网络通信集团有限公司 | 基站控制方法、核心网及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112929887B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109788488B (zh) | 一种网络站点的规划方法和装置 | |
CN103987056A (zh) | 基于大数据统计模型的无线网络话务量预测方法 | |
CN109842896B (zh) | 一种栅格价值评估方法及装置 | |
CN113382477B (zh) | 应用于无线网络用户间上行干扰建模的方法 | |
CN110784883B (zh) | 基站建设评估方法、装置、设备和存储介质 | |
CN112950243A (zh) | 一种5g站址规划方法、装置、电子设备及存储介质 | |
CN109618281B (zh) | 一种高铁小区的识别方法及装置 | |
CN110913407B (zh) | 重叠覆盖的分析方法及装置 | |
CN102957572A (zh) | 一种***性能评估方法及装置 | |
CN112929887A (zh) | 基于流量预测设置室分站的方法、装置和电子设备 | |
CN111800807A (zh) | 一种基站用户数量告警的方法及装置 | |
CN108197347B (zh) | 连续不规则区域采样点的地理空间分布均匀度检测方法 | |
CN111428197B (zh) | 数据处理方法、装置及设备 | |
CN111417132B (zh) | 小区的划分方法、装置及设备 | |
CN115379479B (zh) | 小区覆盖类型确定方法、装置、设备及存储介质 | |
CN109788501B (zh) | 2g+4g移动网络语音质量联合评估方法及装置 | |
CN112243242B (zh) | 大规模天线波束配置方法和装置 | |
CN116264706A (zh) | 5g基站布设评估模型训练方法、设备及存储介质 | |
CN110839257B (zh) | 网络质量评估方法、设备和存储介质 | |
CN115996412A (zh) | 无线网络评估方法、装置、电子设备及存储介质 | |
CN113795032A (zh) | 室分隐形故障的判断方法、装置、存储介质及设备 | |
CN106879003B (zh) | 一种网络优化质量评估方法及装置 | |
CN117613909B (zh) | 分布式光伏区域气象建模方法及装置 | |
CN112580908A (zh) | 一种无线性能指标评估方法及装置 | |
CN109495937B (zh) | 邻区基站确定方法及*** |
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 |