CN114430530B - 空间划分方法、装置、设备、介质和程序产品 - Google Patents
空间划分方法、装置、设备、介质和程序产品 Download PDFInfo
- Publication number
- CN114430530B CN114430530B CN202210352945.4A CN202210352945A CN114430530B CN 114430530 B CN114430530 B CN 114430530B CN 202210352945 A CN202210352945 A CN 202210352945A CN 114430530 B CN114430530 B CN 114430530B
- Authority
- CN
- China
- Prior art keywords
- clustering
- clusters
- dimensional beam
- cluster
- target
- 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
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
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请涉及一种空间划分方法、装置、设备、介质和程序产品,涉及无线通信技术领域。所述方法包括:获取待进行空间划分的m个终端中各终端的高维波束空间坐标,高维波束空间坐标包括n个坐标值,n个坐标值与多天线***中的n个能量波束一一对应,各坐标值为对应的能量波束的接收信号强度RSS;对获取到的m个高维波束空间坐标进行聚类处理,以得到多个目标类簇;基于多个目标类簇将m个终端划分至不同的地理区域中。采用本方法可以保证能够成功地对终端进行空间上的划分,从而保证无线网络流量预测的成功进行。
Description
技术领域
本申请涉及无线通信技术领域,特别是涉及一种空间划分方法、装置、设备、介质和程序产品。
背景技术
在实际应用中,经常需要对某一地理区域内的无线网络流量进行预测,以根据预测结果对为该地理区域服务的无线通信网络的网络参数提前进行调整,从而提高无线资源的利用率,保证无线通信业务的正常进行,提升用户的体验。例如,在实际应用中,可以对某一小学内的无线网络流量进行预测,以根据预测结果对为该小学提供服务的无线通信网络的网络参数提前进行调整。一般来说,在对某一地理区域内的无线网络流量进行预测之前,需要获取该地理区域内终端的历史流量数据,以根据获取到的历史流量数据实现无线网络流量的预测。容易理解的,若要获取某一地理区域内的终端的历史流量数据,就需要确定在历史时段内位于该地理区域内的终端,也即是,需要对无线通信***中的终端进行空间上的划分。
相关技术中,终端可以在测量报告(英文:Measurement Report;简称:MR)中上报自身的地理位置信息,这样,就可以根据终端上报的地理位置信息将终端划分至不同的地理区域中。
然而,实际应用中,终端很可能因为隐私保护或者定位功能关闭等原因而无法在MR中成功上报自身的地理位置信息,因此,现有技术提供的方式在很多情况中都无法成功地对终端进行空间划分,继而影响无线网络流量的预测。
发明内容
基于此,有必要针对上述技术问题,提供一种空间划分方法、装置、设备、介质和程序产品。
第一方面,本申请提供了一种空间划分方法,该方法包括:
获取待进行空间划分的m个终端中各终端的高维波束空间坐标,该高维波束空间坐标包括n个坐标值,该n个坐标值与多天线***中的n个能量波束一一对应,各坐标值为对应的能量波束的接收信号强度RSS,m和n为均大于1的整数;对获取到的m个该高维波束空间坐标进行聚类处理,以得到多个目标类簇;基于该多个目标类簇将该m个终端划分至不同的地理区域中。
在其中的一个实施例中,对获取到的m个该高维波束空间坐标进行聚类处理,以得到多个目标类簇,包括:
对于该m个高维波束空间坐标中的各高维波束空间坐标,确定该高维波束空间坐标中最大坐标值所对应的能量波束的标识;将该m个高维波束空间坐标中,确定出的能量波束的标识相同的高维波束空间坐标划分为同一类,以得到该多个目标类簇。
在其中的一个实施例中,对获取到的m个该高维波束空间坐标进行聚类处理,以得到多个目标类簇,包括:
利用层次聚类算法对m个该高维波束空间坐标进行聚类处理,以得到多个大类簇;利用目标聚类算法对各大类簇分别进行聚类处理,以得到该多个目标类簇。
在其中的一个实施例中,该层次聚类算法为BIRCH聚类算法,利用层次聚类算法对m个该高维波束空间坐标进行聚类处理,以得到多个大类簇,包括:
确定目标距离阈值,该目标距离阈值为使聚类结果对应的CH指标最大的距离阈值;基于该目标距离阈值,利用BIRCH聚类算法对m个该高维波束空间坐标进行聚类处理,以得到该多个大类簇。
在其中的一个实施例中,该目标聚类算法为minibatch-kmeans聚类算法,利用目标聚类算法对各大类簇分别进行聚类处理,以得到该多个目标类簇,包括:
对于各大类簇,利用minibatch-kmeans聚类算法对该大类簇中的高维波束空间坐标进行多次聚类处理,直至满足第一预设条件为止,其中,各次聚类处理对应的类簇个数互不相同,且,各次聚类处理的聚类对象均为该大类簇中的高维波束空间坐标;基于各大类簇最后一次聚类处理的结果,得到该多个目标类簇。
在其中的一个实施例中,利用minibatch-kmeans聚类算法对大类簇中的高维波束空间坐标进行多次聚类处理之前,该方法还包括:
根据该大类簇中的各高维波束空间坐标,获取与该n个能量波束一一对应的n个第一绝对中位差;
对应地,该多次聚类处理中第i次聚类处理的过程,包括:
根据该n个第一绝对中位差以及该第i次聚类处理的执行次序i,计算得到该第i次聚类处理对应的类簇个数k;根据计算得到的类簇个数k进行该第i次聚类处理。
在其中的一个实施例中,根据该大类簇中的各高维波束空间坐标,获取与该n个能量波束一一对应的n个第一绝对中位差,包括:
根据该大类簇中的各高维波束空间坐标,获取与该n个能量波束一一对应的n个数据集,其中,第j个该数据集包括该大类簇中的各高维波束空间坐标中与第j个该能量波束对应的坐标值,j为小于等于n大于等于1的正整数;对各数据集分别进行求绝对中位差计算,以得到该n个第一绝对中位差。
在其中的一个实施例中,根据该n个第一绝对中位差以及该第i次聚类处理的执行次序i,计算得到该第i次聚类处理对应的类簇个数k,包括:
计算该n个第一绝对中位差的和值;根据该和值以及该第i次聚类处理的执行次序i,计算得到该第i次聚类处理对应的类簇个数k。
在其中的一个实施例中,根据该和值以及该第i次聚类处理的执行次序i,计算得到该第i次聚类处理对应的类簇个数k,包括:
将该和值与该第i次聚类处理的执行次序i相乘,将乘积作为该第i次聚类处理对应的类簇个数k。
在其中的一个实施例中,利用minibatch-kmeans聚类算法对大类簇中的高维波束空间坐标进行多次聚类处理,直至满足第一预设条件为止,包括:
利用minibatch-kmeans聚类算法对该大类簇中的高维波束空间坐标进行多次聚类处理,在每次聚类处理之后,对于本次聚类处理得到的各个小类簇,根据该小类簇中各高维波束空间坐标,获取与该n个能量波束一一对应的n个第二绝对中位差;根据本次聚类处理得到的各个小类簇所对应的n个第二绝对中位差,确定本次聚类处理是否满足该第一预设条件。
在其中的一个实施例中,根据本次聚类处理得到的各个小类簇对对应的n个第二绝对中位差,确定本次聚类处理是否满足该第一预设条件,包括:
获取本次聚类处理得到的各个小类簇所对应的n个第二绝对中位差中小于等于预设值的第二绝对中位差的目标百分位数;根据本次聚类处理对应的该目标百分位数确定本次聚类处理是否满足该第一预设条件。
在其中的一个实施例中,根据本次聚类处理对应的该目标百分位数确定本次聚类处理是否满足该第一预设条件,包括:
若本次聚类处理对应的该目标百分位数大于第一预设比例阈值,且,本次聚类处理对应的该目标百分位数与上一次聚类处理对应的该目标百分位数的差值小于预设差值阈值,则确定本次聚类处理满足该第一预设条件。
在其中的一个实施例中,基于各大类簇最后一次聚类处理的结果,得到该多个目标类簇,包括:
按照包含的高维波束空间坐标由少至多的顺序,依次对各大类簇最后一次聚类处理后得到的小类簇进行丢弃,直至未被丢弃的高维波束空间坐标对应的流量值的比例达到第二预设比例阈值为止;在丢弃处理完毕之后,对未被丢弃的小类簇中满足第二预设条件的小类簇进行再分类处理,以得到该多个目标类簇。
在其中的一个实施例中,对未被丢弃的小类簇中满足第二预设条件的小类簇进行再分类处理之前,该方法还包括:
对于未被丢弃的各小类簇,根据该小类簇中各高维波束空间坐标,获取与该n个能量波束一一对应的n个第三绝对中位差;若某未被丢弃的小类簇所对应的该n个第三绝对中位差中最大的第三绝对中位差大于预设值,则确定该某未被丢弃的小类簇为满足该第二预设条件的小类簇。
在其中的一个实施例中,对未被丢弃的小类簇中满足第二预设条件的小类簇进行再分类处理,包括:
确定满足该第二预设条件的小类簇所对应的该n个第三绝对中位差中最大的第三绝对中位差对应的目标能量波束;按照该目标能量波束对应的坐标值,对满足该第二预设条件的小类簇中的各高维波束空间坐标进行排序;根据排序结果,对满足该第二预设条件的小类簇中的各高维波束空间坐标进行再分类处理。
第二方面,本申请还提供了一种空间划分装置,该装置包括:
获取模块,用于获取待进行空间划分的m个终端中各终端的高维波束空间坐标,该高维波束空间坐标包括n个坐标值,该n个坐标值与多天线***中的n个能量波束一一对应,各坐标值为对应的能量波束的接收信号强度RSS,m和n为均大于1的整数;
聚类模块,用于对获取到的m个该高维波束空间坐标进行聚类处理,以得到多个目标类簇;
划分模块,用于基于该多个目标类簇将该m个终端划分至不同的地理区域中。
在其中一个实施例中,该聚类模块,具体用于:对于该m个高维波束空间坐标中的各高维波束空间坐标,确定该高维波束空间坐标中最大坐标值所对应的能量波束的标识;将该m个高维波束空间坐标中,确定出的能量波束的标识相同的高维波束空间坐标划分为同一类,以得到该多个目标类簇。
在其中一个实施例中,该聚类模块,具体用于:利用层次聚类算法对m个该高维波束空间坐标进行聚类处理,以得到多个大类簇;利用目标聚类算法对各大类簇分别进行聚类处理,以得到该多个目标类簇。
在其中一个实施例中,该层次聚类算法为BIRCH聚类算法,该聚类模块,具体用于:确定目标距离阈值,该目标距离阈值为使聚类结果对应的CH指标最大的距离阈值;基于该目标距离阈值,利用BIRCH聚类算法对m个该高维波束空间坐标进行聚类处理,以得到该多个大类簇。
在其中一个实施例中,该目标聚类算法为minibatch-kmeans聚类算法,该聚类模块,具体用于:对于各大类簇,利用minibatch-kmeans聚类算法对所述大类簇中的高维波束空间坐标进行多次聚类处理,直至满足第一预设条件为止,其中,各次聚类处理对应的类簇个数互不相同,且,各次聚类处理的聚类对象均为所述大类簇中的高维波束空间坐标;基于各大类簇最后一次聚类处理的结果,得到该多个目标类簇。
在其中一个实施例中,该聚类模块,具体用于:根据该大类簇中的各高维波束空间坐标,获取与该n个能量波束一一对应的n个第一绝对中位差;
对应地,该聚类模块执行多次聚类处理中第i次聚类处理的过程,包括:根据该n个第一绝对中位差以及该第i次聚类处理的执行次序i,计算得到该第i次聚类处理对应的类簇个数k;根据计算得到的类簇个数k进行该第i次聚类处理。
在其中一个实施例中,该聚类模块,具体用于:根据该大类簇中的各高维波束空间坐标,获取与该n个能量波束一一对应的n个数据集,其中,第j个该数据集包括该大类簇中的各高维波束空间坐标中与第j个该能量波束对应的坐标值,j为小于等于n大于等于1的正整数;对各数据集分别进行求绝对中位差计算,以得到该n个第一绝对中位差。
在其中一个实施例中,该聚类模块,具体用于:计算该n个第一绝对中位差的和值;根据该和值以及该第i次聚类处理的执行次序i,计算得到该第i次聚类处理对应的类簇个数k。
在其中一个实施例中,该聚类模块,具体用于:将该和值与该第i次聚类处理的执行次序i相乘,将乘积作为该第i次聚类处理对应的类簇个数k。
在其中一个实施例中,该聚类模块,具体用于:利用minibatch-kmeans聚类算法对该大类簇中的高维波束空间坐标进行进行多次聚类处理,在每次聚类处理之后,对于本次聚类处理得到的各个小类簇,根据该小类簇中各高维波束空间坐标,获取与该n个能量波束一一对应的n个第二绝对中位差;根据本次聚类处理得到的各个小类簇所对应的n个第二绝对中位差,确定本次聚类处理是否满足该第一预设条件。
在其中一个实施例中,该聚类模块,具体用于:获取本次聚类处理得到的各个小类簇所对应的n个第二绝对中位差中小于等于预设值的第二绝对中位差的目标百分位数;根据本次聚类处理对应的该目标百分位数确定本次聚类处理是否满足该第一预设条件。
在其中一个实施例中,该聚类模块,具体用于:若本次聚类处理对应的该目标百分位数大于第一预设比例阈值,且,本次聚类处理对应的该目标百分位数与上一次聚类处理对应的该目标百分位数的差值小于预设差值阈值,则确定本次聚类处理满足该第一预设条件。
在其中一个实施例中,该聚类模块,具体用于:按照包含的高维波束空间坐标由少至多的顺序,依次对各大类簇最后一次聚类处理后得到的小类簇进行丢弃,直至未被丢弃的高维波束空间坐标对应的流量值的比例达到第二预设比例阈值为止;在丢弃处理完毕之后,对未被丢弃的小类簇中满足第二预设条件的小类簇进行再分类处理,以得到该多个目标类簇。
在其中一个实施例中,该聚类模块,具体用于:对于未被丢弃的各小类簇,根据该小类簇中各高维波束空间坐标,获取与该n个能量波束一一对应的n个第三绝对中位差;若某未被丢弃的小类簇所对应的该n个第三绝对中位差中最大的第三绝对中位差大于预设值,则确定该某未被丢弃的小类簇为满足该第二预设条件的小类簇。
在其中一个实施例中,该聚类模块,具体用于:确定满足该第二预设条件的小类簇所对应的该n个第三绝对中位差中最大的第三绝对中位差对应的目标能量波束;按照该目标能量波束对应的坐标值,对满足该第二预设条件的小类簇中的各高维波束空间坐标进行排序;根据排序结果,对满足该第二预设条件的小类簇中的各高维波束空间坐标进行再分类处理。
第三方面,本申请还提供了一种计算机设备,所述计算机设备包括存储器和处理器,该存储器存储有计算机程序,该处理器执行该计算机程序时实现上述第一方面任一所述的方法。
第四方面,本申请还提供了一种计算机可读存储介质,该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上述第一方面任一所述的方法。
第五方面,本申请还提供了一种计算机程序产品,该计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述第一方面任一所述的方法。
上述空间划分方法、装置、设备、介质和程序产品,通过获取待进行空间划分的m个终端中各终端的高维波束空间坐标,而后,对获取到的m个高维波束空间坐标进行聚类处理,以得到多个目标类簇,接着,基于多个目标类簇将m个终端划分至不同的地理区域中,其中,该高维波束空间坐标包括n个坐标值,该n个坐标值与多天线***中的n个能量波束一一对应,且,各坐标值为对应的能量波束的接收信号强度RSS,这样,仅根据终端的高维波束空间坐标就可以实现对终端的空间划分,由于高维波束空间坐标的坐标值为各能量波束的接收信号强度RSS,其一方面不涉及用户的隐私,另一方面不依赖终端的定位功能,因此,终端一般能准确地对其进行上报,这样,就可以保证能够成功地对终端进行空间上的划分,从而保证无线网络流量预测的成功进行。
附图说明
图1为一个实施例中空间划分方法的流程示意图之一;
图2为一个实施例中空间划分方法的流程示意图之二;
图3为一个实施例中空间划分方法的流程示意图之三;
图4为一个实施例中空间划分方法的流程示意图之四;
图5为一个实施例中空间划分方法的流程示意图之五;
图6为一个实施例中空间划分方法的流程示意图之六;
图7为一个实施例中空间划分方法的流程示意图之七;
图8为一个实施例中空间划分方法的流程示意图之八;
图9为一个实施例中空间划分方法的流程示意图之九;
图10为一个实施例中空间划分方法的流程示意图之十;
图11为一个实施例中空间划分方法的流程示意图之十一;
图12为一个实施例中空间划分装置的结构框图;
图13为一个实施例中计算机设备的内部结构图之一;
图14为一个实施例中计算机设备的内部结构图之二。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
实际应用中,在进行无线网络流量预测之前,一般需要对无线通信***中的终端进行空间划分,也即是,将无线通信***中的终端划分至不同的地理区域中。在进行空间划分之后,即可针对各地理区域进行无线网络流量预测,具体地,对于某一地理区域,可以获取划分至该地理区域内的各终端的历史流量数据,而后,基于获取到的历史流量数据对该地理区域未来的无线网络流量进行预测。需要指出的是,这里的地理区域指的是一个具有实际意义且范围有所限制的区域,例如,该地理区域可以为学校、体育场馆或者居民小区等,该范围限制可以为小于2km乘以2km。
由上文叙述可知,对终端进行空间划分是无线网络流量预测的基础,如果无法成功实现对终端的空间划分,无线网络流量预测就无从谈起。
相关技术中,可以获取终端在测量报告(英文:Measurement Report;简称:MR)中上报的地理位置信息,并根据获取到的地理位置信息对终端进行空间划分,其中,该地理位置信息可以包括经纬度信息以及海拔信息。
然而,实际应用中,终端很可能因为隐私保护、定位功能关闭(例如,GPS定位功能关闭)或者定位组件失效等原因而无法在MR中成功上报自身的地理位置信息,因此,现有技术提供的方式在很多情况下都无法成功地对终端进行空间划分,继而影响无线网络流量的预测。
有鉴于此,本申请实施例提供了一种空间划分方法、装置、设备、介质和程序产品,在该空间划分方法中,可以获取待进行空间划分的m个终端中各终端的高维波束空间坐标,而后,对获取到的m个高维波束空间坐标进行聚类处理,以得到多个目标类簇,接着,基于多个目标类簇将m个终端划分至不同的地理区域中,其中,该高维波束空间坐标包括n个坐标值,该n个坐标值与多天线***中的n个能量波束一一对应,且,各坐标值为对应的能量波束的接收信号强度RSS,这样,仅根据终端的高维波束空间坐标就可以实现对终端的空间划分,由于高维波束空间坐标的坐标值为能量波束的接收信号强度RSS,其一方面不涉及用户的隐私,另一方面不依赖终端的定位功能,因此,终端一般能准确地对其进行上报,这样,就可以保证能够成功地对终端进行空间上的划分,从而保证无线网络流量预测的成功进行。
需要说明的是,本申请实施例提供的空间划分方法,其执行主体可以是空间划分装置,该空间划分装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部,该计算机设备可以为服务器或者终端,其中,上文所述的服务器指的可以是一台服务器,也可以是由多台服务器组成的服务器集群,上文所述的终端可以为台式电脑、平板电脑、笔记本电脑或者智能手机等,本申请实施例不对终端的具体类型进行限定。下述方法实施例中,均以执行主体是计算机设备为例来进行说明。
请参考图1,其示出了本申请实施例提供的一种空间划分方法的流程图,如图1所示,该空间划分方法包括以下步骤:
步骤101、计算机设备获取待进行空间划分的m个终端中各终端的高维波束空间坐标。
在新一代无线通信***(5G、5G+)中,一般采用大规模多天线***以实现数据的高速、精准传输。和早期的单天线***相比,多天线***可以在水平和垂直两个方向各自形成多个具有良好间隔的能量波束(英文:beam),从而构成本申请实施例所述的高维波束空间。通常情况下,多天线***可以形成32个、64个、128个、256个或者其他数量的能量波束,本申请实施例不对多天线***形成的能量波束的数量进行限定。
在本申请实施例中,高维波束空间坐标包括n个坐标值,该n个坐标值与多天线***中的n个能量波束一一对应(如上文所述,n的取值可以为32、64、128或者256等),各坐标值为对应的能量波束的接收信号强度(英文:received signal strength;简称:RSS)。
需要指出的是,该高维波束空间坐标可以被视为一个n维向量,该高维波束空间坐标包括的n个坐标值可以被视为该n维向量中的向量元素,可选的,该高维波束空间坐标可以采用如下数学语言表示:
[a1,a2,a3,……,an]。
其中,ai为多天线***中的第i个能量波束的RSS。
还需要指出的是,终端的高维波束空间坐标可以是由终端进行上报的,例如,终端可以在MR中上报自身的高维波束空间坐标。
步骤102、计算机设备对获取到的m个高维波束空间坐标进行聚类处理,以得到多个目标类簇。
其中,该多个目标类簇中的各目标类簇均包括多个高维波束空间坐标,且,各目标类簇包括的高维波束空间坐标的数量均小于m。
可选的,本申请实施例提供了两种聚类处理的方式,其中,第一种聚类处理的方式为根据最强能量波束进行聚类的方式,第二种聚类处理的方式为利用层次聚类算法进行聚类的方式,本申请实施例将在后文中对这两种聚类处理的方式分别进行说明。
层次聚类算法是通过计算数据两两之间的相似性来进行类别划分的方法,其是一种迭代算法。整个算法的过程是依次将数据两两聚类,并将分类信息最终用聚类树表示出来。层次聚类算法包括以下两种主流的算法类型:
(1)集结式(英文:Agglomerative)类型,这是一种“自下而上”的方法,在这种类型中,每个数据最开始都属于单独的一类,随着层次往上,会逐步合并对应的类。
(2)***式(英文:Divisive)类型,这是一种“自上而下”的方法,在这种类型中,所有的数据最开始都属于一个类,随着层次往下逐渐递归的***产生更多的类。
在本申请实施例中,采用集结式的层次聚类算法对m个高维波束空间坐标进行聚类处理。
需要指出的是,以上两种聚类处理的方式仅仅是本申请实施例提供的两种示例性的方式,实际应用中,凡能实现对高维波束空间坐标进行聚类的方式均应包含在本申请的保护范围之内。
步骤103、计算机设备基于多个目标类簇将m个终端划分至不同的地理区域中。
可选的,在得到多个目标类簇之后,计算机设备可以利用Voronoi图来进行空间划分。
在一个可选的实施例中,计算机设备可以将同一目标类簇所对应的终端划分至同一地理区域中。例如,某一目标类簇包括100个高维波束空间坐标,则在步骤103中,计算机设备可以将该100个高维波束空间坐标对应的100个终端划分至同一地理区域中。
本实施例提供的空间划分方法,通过获取待进行空间划分的m个终端中各终端的高维波束空间坐标,而后,对获取到的m个高维波束空间坐标进行聚类处理,以得到多个目标类簇,接着,基于多个目标类簇将m个终端划分至不同的地理区域中,其中,该高维波束空间坐标包括n个坐标值,该n个坐标值与多天线***中的n个能量波束一一对应,且,各坐标值为对应的能量波束的接收信号强度RSS,这样,仅根据终端的高维波束空间坐标就可以实现对终端的空间划分,由于高维波束空间坐标的坐标值为能量波束的接收信号强度RSS,其一方面不涉及用户的隐私,另一方面不依赖终端的定位功能,因此,终端一般能准确地对其进行上报,这样,就可以保证能够成功地对终端进行空间上的划分,从而保证无线网络流量预测的准确进行。
如上文所述,本申请实施例提供了两种聚类处理的方式,其中一种为根据最强能量波束聚类的方式,另一种为利用层次聚类算法进行聚类的方式,下面,本申请实施例将对这两种聚类处理的方式分别进行说明。
请参考图2,其示出了第一种聚类处理的方式所涉及到的流程图,如图2所示,该第一种聚类处理的方式包括以下步骤:
步骤201、对于m个高维波束空间坐标中的各高维波束空间坐标,计算机设备确定该高维波束空间坐标中最大坐标值所对应的能量波束的标识。
如上文所述,高维波束空间坐标包括n个坐标值,在步骤201中,对于每一高维波束空间坐标而言,计算机设备都可以获取该高维波束空间坐标包括的n个坐标值中的最大坐标值,在获取到最大坐标值之后,计算机设备可以获取该最大坐标值对应的能量波束的标识。
例如,对于高维波束空间坐标[a1,a2,a3,……,an]而言,计算机设备可以在a1,a2,a3,……,an中确定最大值,假设该最大值为at,则计算机设备可以将t作为最大坐标值对应的能量波束的标识。
步骤202、计算机设备将m个高维波束空间坐标中,确定出的能量波束的标识相同的高维波束空间坐标划分为同一类,以得到多个目标类簇。
例如,假设高维波束空间坐标a的最大坐标值对应的能量波束的标识为t,高维波束空间坐标b的最大坐标值对应的能量波束的标识也为t,则可以将高维波束空间坐标a和高维波束空间坐标b划分为同一类。
容易理解的,在第一种聚类处理的方式中,最终得到的目标类簇的数量为n,或者,最终得到的目标类簇的数量小于n(某一能量波束的RSS在各个高维波束空间坐标中均不是最大值)。
考虑到实际应用中,位于同一地理区域内的各个终端的最强能量波束的方向一般是相同的,因此,可以根据最强能量波束进行聚类,这种聚类方式简单易行,且,得到的各个目标类簇中高维波束空间坐标数量较多,其相对应的终端的数量也较多,由于数据量较为丰富,因此,有利于进行无线网络流量预测。
请参考图3,其示出了第二种聚类处理的方式所涉及到的流程图,如图3所示,该第二种聚类处理的方式包括以下步骤:
步骤301、计算机设备利用层次聚类算法对m个高维波束空间坐标进行聚类处理,以得到多个大类簇。
其中,该层次聚类算法可以为BIRCH(英文:balanced iterative reducing andclustering using hierarchies)聚类算法。
步骤302、计算机设备利用目标聚类算法对各个大类簇分别进行聚类处理,以得到多个目标类簇。
其中,该目标聚类算法可以为minibatch-kmeans聚类算法。
本申请实施例提供的第二种聚类处理的方式本质上是一种先聚大类,再聚小类的方式,采用这样的方式可以有效控制目标类簇的大小,避免出现数据量过大的目标类簇或者数据量过小的目标类簇。
请参考图4,其示出了步骤301所涉及到的详细流程图,如图4所示,步骤301可以包括以下步骤:
步骤401、计算机设备确定目标距离阈值。
需要指出的是,对于集结式层次聚类算法而言,其涉及到的聚类算法参数主要包括:
1、聚类数目(n_clusters):预先设定的聚类类别数目,可以设置为None。
2、连接标准(linkage criteria):决定类别合并时的测度,可以设置为以下值:
Ward:使得合并的类内方差最小;
Maximum:采用不同类间样本的最大距离作为衡量标准;
Average:采用不同类间样本的平均距离作为衡量标准;
Single:采用不同类间样本的最小距离作为衡量标准。
3、affinity:计算连接(linkage)时用的测量标准,可以设置为以下值:euclidean;l1;l2;manhattan等。
4、距离阈值(distance_threshold):若连接距离大于此阈值,则此两类不会合并。
根据上文所述可知,距离阈值是集结式层次聚类算法所涉及到的一种聚类算法参数。在步骤401中,计算机设备需要确定目标距离阈值,其中,该目标距离阈值为使聚类结果对应的CH指标最大的距离阈值。
为了使读者易于理解本申请实施例提供的技术方案,下面,本申请实施例将对CH指标进行简要介绍。
CH指标的英文全称为:Calinski-Harabasz index,其又被称为方差比,可以用来评价聚类结果的好坏,CH指标越高说明聚类效果越好。具体来说,CH指标是类间离差(英文:dispersion)和类内离差的比值,计算公式如下:
在上述计算公式中,B(k)是类间离差,可以用总离差平方和来表示,W(k)是类内的离差,n是数据个数,k是聚出来的类别个数。
由于CH指标越高说明聚类效果越好,而目标距离阈值为使聚类结果对应的CH指标最大的距离阈值,因此,步骤401中计算机设备选取的目标距离阈值是一个可以保证较好聚类效果的距离阈值,基于该目标距离阈值进行聚类处理可以提升最终的聚类效果。
在一种可选的实现方式中,计算机设备确定目标距离阈值的技术过程可以为:计算机设备获取用户设定的距离阈值区间,计算机设备根据该距离阈值区间中的距离阈值对该m个高维波束空间坐标进行多次聚类处理,计算机设备获取各次聚类处理的聚类结果所对应的CH指标,并将最高CH指标对应的聚类结果所使用的距离阈值确定为目标距离阈值。
步骤402、基于目标距离阈值,计算机设备利用BIRCH聚类算法对m个高维波束空间坐标进行聚类处理,以得到多个大类簇。
为了方便说明,本申请实施例将该多个大类簇记为C1,C2,C3,……,Cg,其中,Ci为该多个大类簇中的第i个大类簇,g为该多个大类簇的数量。
请参考图5,其示出了步骤302所涉及到的详细流程图,如图5所示,步骤302可以包括以下步骤:
步骤501、对于各个大类簇,计算机设备利用minibatch-kmeans聚类算法对该大类簇中的高维波束空间坐标执行多次聚类处理,直至满足第一预设条件为止。
其中,该第一预设条件将在下文中进行说明。
例如,对于Ci大类簇而言,计算机设备可以利用minibatch-kmeans聚类算法对该Ci大类簇中的高维波束空间坐标执行多次聚类处理,在每次进行聚类处理之后,计算机设备可以检测该次聚类处理是否满足第一预设条件,若不满足,则计算机设备可以对该Ci大类簇中的高维波束空间坐标执行下一次聚类处理,若满足,则计算机设备可以停止对该Ci大类簇中的高维波束空间坐标执行聚类处理。
需要指出的是,计算机设备对某一大类簇执行的各次聚类处理的聚类对象均是该大类簇中的高维波束空间坐标,换言之,在本申请实施例中,是对大类簇中的高维波束空间坐标进行反复多次聚类,而不是在某一次聚类之后,基于该次聚类的结果进行下一次聚类。
需要指出的是,计算机设备对某一大类簇中的高维波束空间坐标执行的各次聚类处理所对应的类簇个数互不相同。例如,对于Ci大类簇而言,计算机设备对其执行的某一次聚类处理所对应的类簇个数与计算机设备对其执行的其他次聚类处理所对应的类簇个数均不相同。可选的,聚类处理的执行次序与聚类处理对应的类簇个数正相关,也即是,聚类处理的执行次序越靠后,聚类处理对应的类簇个数越大。
本申请实施例中,在对大类簇聚小类的过程中,类簇个数的选择对聚类效果有着重要的影响,为了保证聚类效果,计算机设备可以执行步骤501的技术过程,也即是,计算机设备可以利用minibatch-kmeans聚类算法对大类簇中的高维波束空间坐标执行多次聚类处理,且,执行的各次聚类处理所对应的类簇个数互不相同,计算机设备在每次聚类处理之后可以检测该次聚类处理是否满足第一预设条件,该第一预设条件可以为根据理想聚类效果所设定的条件,若某次聚类处理满足第一预设条件,则说明该次聚类处理的聚类效果较为理想,在这种情况下,就可以停止进行聚类处理,而最后一次聚类处理所对应的类簇个数即为计算机设备最终选择的类簇个数,最后一次聚类处理也即是计算机设备最终选择的聚类处理方式。
步骤502、计算机设备基于各个大类簇最后一次聚类处理的结果,得到多个目标类簇。
在本申请的可选实施例中,在步骤501中对某一大类簇(下文中仅以Ci大类簇为例进行说明)执行多次聚类处理之前,计算机设备需要根据Ci大类簇中的各高维波束空间坐标,获取与n个能量波束一一对应的n个第一绝对中位差,以根据获取到的该n个第一绝对中位差对Ci大类簇执行多次聚类处理。
为了使读者易于理解本申请实施例提供的技术方案,下面,本申请实施例将对绝对中位差进行简要介绍。
绝对中位差的英文全称为:Median absolute deviation,其一般可以简写为MAD。在统计中,绝对中位差是一种比方差更具有鲁棒性的衡量数据个体差异性的指标,对于数据集x1,x2,x3,……,xn,其绝对中位差定义如下:
请参考图6,其示出了一种获取n个第一绝对中位差的技术过程的流程图,如图6所示,该技术过程包括以下步骤:
步骤601、计算机设备根据Ci大类簇中的各高维波束空间坐标,获取与n个能量波束一一对应的n个数据集。
其中,第j个数据集包括Ci大类簇中的各高维波束空间坐标中与第j个能量波束对应的坐标值,j为小于等于n大于等于1的正整数。
该第j个数据集可以用数学语言表示为:
a1j,a2j,a3j,……,apj。
其中,aij为Ci大类簇中第i个高维波束空间坐标中与第j个能量波束对应的坐标值,p为Ci大类簇中包括的高维波束空间坐标的数量。
步骤602、计算机设备对各个数据集分别进行求绝对中位差计算,以得到该n个第一绝对中位差。
其中,绝对中位差的计算公式已在上文中给出,本申请实施例在此不再赘述。
根据上文所述,对于某一大类簇而言,在根据该大类簇中的高维波束空间坐标计算得到n个第一绝对中位差之后,计算机设备可以基于该n个第一绝对中位差对该大类簇执行多次聚类处理,请参考图7,其示出了该多次聚类处理中第i次聚类处理的流程图,如图7所示,该第i次聚类处理包括以下步骤:
步骤701、计算机设备根据n个第一绝对中位差以及第i次聚类处理的执行次序i,计算得到第i次聚类处理对应的类簇个数k。
可选的,在步骤701中,计算机设备可以计算该n个第一绝对中位差的和值,而后根据计算得到的和值以及第i次聚类处理的执行次序i,计算得到该第i次聚类处理对应的类簇个数k。
在一种可能的实现方式中,计算机设备可以将计算得到的和值与第i次聚类处理的执行次序i相乘,将乘积作为第i次聚类处理对应的类簇个数k。
步骤702、计算机设备根据计算得到的类簇个数k进行第i次聚类处理。
如上文所述,步骤501中,在每次进行聚类处理之后,计算机设备可以检测该次聚类处理是否满足第一预设条件,若不满足,则计算机设备可以执行下一次聚类处理,若满足,则计算机设备可以停止执行聚类处理。
下面,请参考图8,其示出了一种在每次进行聚类处理之后,检测本次聚类处理是否满足第一预设条件的技术过程的流程图,如图8所示,该技术过程包括以下步骤:
步骤801、对于本次聚类处理得到的各个小类簇,计算机设备根据该小类簇中各高维波束空间坐标,获取与n个能量波束一一对应的n个第二绝对中位差。
其中,该n个第二绝对中位差的计算过程与上文中n个第一绝对中位差的计算过程同理,本申请实施例在此不再赘述。
举例来说,若本次聚类处理得到的3个小类簇,分别为小类簇1、小类簇2以及小类簇3,则计算机设备可以根据小类簇1中各高维波束空间坐标,获取n个第二绝对中位差,计算机设备可以根据小类簇2中各高维波束空间坐标,获取n个第二绝对中位差,计算机设备可以根据小类簇3中各高维波束空间坐标,获取n个第二绝对中位差。
换言之,在本次聚类处理得到的3个小类簇的情况下,计算机设备共可获得3n个第二绝对中位差。
步骤802、计算机设备根据本次聚类处理得到的各个小类簇所分别对应的n个第二绝对中位差,确定本次聚类处理是否满足第一预设条件。
按照上述举例,在步骤802中,计算机设备可以根据获得的该3n个第二绝对中位差,来确定本次聚类处理是否满足第一预设条件。
在一种可选的实现方式中,计算机设备可以获取本次聚类处理得到的各个小类簇所分别对应的n个第二绝对中位差中等于预设值的第二绝对中位差的目标百分位数,而后,根据本次聚类处理对应的目标百分位数确定本次聚类处理是否满足第一预设条件。
按照上述举例,计算机设备可以从该3n个第二绝对中位差中确定出小于等于预设值的第二绝对中位差,其中,该预设值可以为3,而后,计算机设备可以计算确定出的第二绝对中位差在该3n个第二绝对中位差中的目标百分位数,而后,计算机设备可以根据本次聚类处理对应的目标百分位数确定本次聚类处理是否满足第一预设条件。
其中,百分位数(英文:percentile)是一个统计学术语,其含义是:将一组数据从小到大排序,并计算相应的累计百分位,则某一百分位所对应数据的值就称为这一百分位的百分位数。例如:一组n个观测值按数值大小排列。如,处于p%位置的值称第p百分位数。
具体到本申请实施例中,就是将上述3n个第二绝对中位差按照从小到大的顺序排序,其中,并根据小于等于预设值的第二绝对中位差在排序中的位置确定该目标百分位数。
在本申请的一个可选实施例中,若本次聚类处理对应的目标百分位数大于第一预设比例阈值(该第一预设比例阈值可以为95%),且,本次聚类处理对应的目标百分位数与上一次聚类处理对应的目标百分位数的差值小于预设差值阈值(其中,该预设差值阈值可以为0.3db),则确定本次聚类处理满足第一预设条件。
如上文中步骤502所述,计算机设备可以基于各个大类簇最后一次聚类处理的结果,得到多个目标类簇,请参考图9,其示出了步骤502中得到多个目标类簇的具体步骤的流程图,如图9所示,该具体步骤包括:
步骤901、计算机设备按照包含的高维波束空间坐标由少至多的顺序,依次对各个大类簇最后一次聚类处理后得到的小类簇进行丢弃,直至未被丢弃的高维波束空间坐标对应的流量值的比例达到第二预设比例阈值为止。
在对各个大类簇均执行完最后一次聚类处理之后可以得到多个小类簇,计算机设备可以按照包含的高维波束空间坐标由少至多的顺序对得到的多个小类簇进行排序,并按照排列的先后顺序依次对小类簇进行丢弃,在对每一小类簇丢弃之后,计算机设备可以计算未被丢弃的高维波束空间坐标对应的流量值的比例是否达到第二预设比例阈值(该第二预设比例阈值可以为99%),若未达到,则继续对小类簇进行丢弃,若达到,则停止对小类簇进行丢弃。
需要指出的是,在本申请实施例中,计算机设备除了获取终端的高维波束空间坐标以外,还可以获取终端的流量值(例如,终端可以在MR中上报该流量值),该流量值可以为终端的历史流量值,该流量值可以为下行流量值和上行流量值中的至少一种,事实上,计算机设备主要是基于终端的流量值进行无线网络流量预测的,因此,流量值的多寡对无线网络流量预测有着重大的影响。
在本申请实施例中,聚类得到的多个小类簇中很可能存在一些聚合质量较差的类,这些小类簇需要进行丢弃,但是,对小类簇丢弃的同时也意味着对流量值的丢弃,故而,在对小类簇丢弃的同时也要考虑到不能丢弃太多的流量值。
考虑到以上内容,在本申请实施例中,可以按照包含的高维波束空间坐标由少至多的顺序依次对小类簇进行丢弃,但是在丢弃的过程中监控未被丢弃的高维波束空间坐标对应的流量值占所有流量值的比例是否已经达到了第二预设比例阈值,若达到,就停止丢弃,以避免丢弃太多的流量值,导致对后续的无线网路流量预测造成负面影响。
步骤902、在丢弃处理完毕之后,计算机设备对未被丢弃的小类簇中满足第二预设条件的小类簇进行再分类处理,以得到多个目标类簇。
该第二预设条件是根据小类簇中的高维波束空间坐标的差异性大于预设差异阈值的情况所设定的条件,也即是,满足第二预设条件说明小类簇中的高维波束空间坐标的差异性较大,在这种情况下,小类簇对对应的各个终端有可能并不位于同一地理区域中,有鉴于此,计算机设备可以对满足第二预设条件的小类簇进行再分类处理。
在本申请的一个可选实施例中,对于未被丢弃的各个小类簇,计算机设备可以根据该小类簇中各高维波束空间坐标,获取与n个能量波束一一对应的n个第三绝对中位差。
其中,该n个第三绝对中位差的计算过程与上文中n个第一绝对中位差的计算过程同理,本申请实施例在此不再赘述。
例如,若未被丢弃的小类簇的数量为3个,分别为小类簇1、小类簇2以及小类簇3,则计算机设备可以根据小类簇1中各高维波束空间坐标,获取n个第三绝对中位差,计算机设备可以根据小类簇2中各高维波束空间坐标,获取n个第三绝对中位差,计算机设备可以根据小类簇3中各高维波束空间坐标,获取n个第三绝对中位差。
若某未被丢弃的小类簇所对应的n个第三绝对中位差中最大的第三绝对中位差大于预设值(如上文所述,该预设值可以为3),则计算机设备可以确定该某未被丢弃的小类簇为满足第二预设条件的小类簇。
按照上述举例,若未被丢弃的小类簇1对应的n个第三绝对中位差中最大的第三绝对中位差大于3,则计算机设备可以确定该未被丢弃的小类簇1为满足第二预设条件的小类簇。
请参考图10,其示出了对满足第二预设条件的小类簇(为了方便说明,下文统一将其称为目标小类簇)进行再分类处理的一种示例性的技术过程的流程图,如图10所示,该技术过程包括以下步骤:
步骤1001、计算机设备确定目标小类簇所对应的n个第三绝对中位差中最大的第三绝对中位差对应的目标能量波束。
按照上述举例,未被丢弃的小类簇1为满足第二预设条件的小类簇,则在步骤1001中,计算机设备可以确定该未被丢弃的小类簇1所对应的n个第三绝对中位差中最大的第三绝对中位差,假设该最大的第三绝对中位差为f,则计算机设备可以确定该第三绝对中位差f所对应的能量波束,该能量波束即为上文所述的目标能量波束。
步骤1002、计算机设备按照目标能量波束对应的坐标值,对目标小类簇中的各高维波束空间坐标进行排序。
例如,该目标小类簇包括4个高维波束空间坐标,分别为高维波束空间坐标1、高维波束空间坐标2、高维波束空间坐标3和高维波束空间坐标4,其中,高维波束空间坐标1中与该目标能量波束对应的坐标值为a1,高维波束空间坐标2中与该目标能量波束对应的坐标值为a2,高维波束空间坐标3中与该目标能量波束对应的坐标值为a3,高维波束空间坐标,4中与该目标能量波束对应的坐标值为a4,假设,a4大于a1大于a3大于a2,则计算机设备对高维波束空间坐标1、高维波束空间坐标2、高维波束空间坐标3和高维波束空间坐标4的排序结果为高维波束空间坐标4、高维波束空间坐标1、高维波束空间坐标3和高维波束空间坐标2。
步骤1003、计算机设备根据排序结果,对目标小类簇中的高维波束空间坐标进行再分类处理。
在一种可能的实现方式中,计算机设备可以根据排序的结果,将目标小类簇分为两个或者多个更小的类簇。
按照上述举例,计算机设备可以将高维波束空间坐标4和高维波束空间坐标1划分为一类,将高维波束空间坐标3和高维波束空间坐标2划分为另一类。
请参考图11,请示出了本申请实施例提供的一种空间划分方法的流程图,如图11所示,该空间划分方法包括以下步骤:
步骤1101、开始。
步骤1102、计算机设备获取待进行空间划分的m个终端中各终端的高维波束空间坐标。
步骤1103、计算机设备获取用户设定的距离阈值区间。
步骤1104、计算机设备根据该距离阈值区间中的距离阈值,基于BIRCH聚类算法对该m个高维波束空间坐标进行多次聚类处理。
步骤1105、计算机设备获取各次聚类处理的聚类结果所对应的CH指标,并将最高CH指标对应的聚类结果所使用的距离阈值确定为目标距离阈值。
步骤1106、计算机设备基于目标距离阈值,利用BIRCH聚类算法对m个高维波束空间坐标进行聚类处理,以得到多个大类簇。
为了方便说明,本申请实施例将该多个大类簇记为C1,C2,C3,……,Cg,其中,Ci为该多个大类簇中的第i个大类簇,g为该多个大类簇的数量。
对于该多个大类簇C1,C2,C3,……,Cg,分别进行步骤1107至步骤1112的技术过程,其中:
步骤1107、计算机设备获取T值,该T值最初设定为1。
步骤1108、计算机设备根据大类簇中的各高维波束空间坐标,获取与n个能量波束一一对应的n个第一绝对中位差MAD1,并计算该n个第一绝对中位差的和值MADSUM。
步骤1109、计算机设备计算T与MADSUM的乘积,并将计算得到的乘积作为聚类处理对应的类簇个数k。
步骤1110、计算机设备利用minibatch-kmeans聚类算法对大类簇中的高维波束空间坐标进行聚类,得到k个小类簇。
步骤1111、计算机设备确定该k个小类簇是否满足第一预设条件,若不满足,则执行步骤1112,若满足,则执行步骤1113。
判断是否满足第一预设条件的方式在上文实施例中已经说明,本申请实施例在此不再赘述。
步骤1112、计算机设备将当前的T值加1,并返回执行步骤1107。
步骤1113、计算机设备将各大类簇最后一次聚类处理得到的小类簇中包含的高维波束空间坐标最少的小类簇进行丢弃。
步骤1114、计算机设备检测未被丢弃的高维波束空间坐标对应的流量值的比例是否达到第二预设比例阈值,若否,则返回执行步骤1113,若是,则执行步骤1115。
其中,该第二预设比例阈值为99%。
步骤1115、计算机设备获取未被丢弃的小类簇中满足第二预设条件的目标小类簇。
步骤1116、计算机设备对目标小类簇进行再分类处理,以得到多个目标类簇。
步骤1117、计算机设备基于该多个目标类簇将m个终端划分至不同的地理区域中。
步骤1118、结束。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的空间划分方法的空间划分装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个空间划分装置实施例中的具体限定可以参见上文中对于空间划分方法的限定,在此不再赘述。
在一个实施例中,如图12所示,提供了一种空间划分装置1200,包括:获取模块1201、聚类模块1201以及划分模块1203。
其中,该获取模块1201,用于获取待进行空间划分的m个终端中各终端的高维波束空间坐标,该高维波束空间坐标包括n个坐标值,该n个坐标值与多天线***中的n个能量波束一一对应,各坐标值为对应的能量波束的接收信号强度RSS,m和n为均大于1的整数。
该聚类模块1202,用于对获取到的m个该高维波束空间坐标进行聚类处理,以得到多个目标类簇。
该划分模块1203,用于基于该多个目标类簇将该m个终端划分至不同的地理区域中。
在本申请的一个可选实施例中,该聚类模块1202,具体用于:对于该m个高维波束空间坐标中的各高维波束空间坐标,确定该高维波束空间坐标中最大坐标值所对应的能量波束的标识;将该m个高维波束空间坐标中,确定出的能量波束的标识相同的高维波束空间坐标划分为同一类,以得到该多个目标类簇。
在本申请的一个可选实施例中,该聚类模块1202,具体用于:利用层次聚类算法对m个该高维波束空间坐标进行聚类处理,以得到多个大类簇;利用目标聚类算法对各大类簇分别进行聚类处理,以得到该多个目标类簇。
在本申请的一个可选实施例中,该层次聚类算法为BIRCH聚类算法,该聚类模块1202,具体用于:确定目标距离阈值,该目标距离阈值为使聚类结果对应的CH指标最大的距离阈值;基于该目标距离阈值,利用BIRCH聚类算法对m个该高维波束空间坐标进行聚类处理,以得到该多个大类簇。
在本申请的一个可选实施例中,该目标聚类算法为minibatch-kmeans聚类算法,该聚类模块1202,具体用于:对于各大类簇,利用minibatch-kmeans聚类算法对所述大类簇中的高维波束空间坐标进行多次聚类处理,直至满足第一预设条件为止,其中,各次聚类处理对应的类簇个数互不相同,且,各次聚类处理的聚类对象均为所述大类簇中的高维波束空间坐标;基于各大类簇最后一次聚类处理的结果,得到该多个目标类簇。
在本申请的一个可选实施例中,该聚类模块1202,具体用于:根据该大类簇中的各高维波束空间坐标,获取与该n个能量波束一一对应的n个第一绝对中位差;
对应地,该聚类模块1202执行多次聚类处理中第i次聚类处理的过程,包括:根据该n个第一绝对中位差以及该第i次聚类处理的执行次序i,计算得到该第i次聚类处理对应的类簇个数k;根据计算得到的类簇个数k进行该第i次聚类处理。
在本申请的一个可选实施例中,该聚类模块1202,具体用于:根据该大类簇中的各高维波束空间坐标,获取与该n个能量波束一一对应的n个数据集,其中,第j个该数据集包括该大类簇中的各高维波束空间坐标中与第j个该能量波束对应的坐标值,j为小于等于n大于等于1的正整数;对各数据集分别进行求绝对中位差计算,以得到该n个第一绝对中位差。
在本申请的一个可选实施例中,该聚类模块1202,具体用于:计算该n个第一绝对中位差的和值;根据该和值以及该第i次聚类处理的执行次序i,计算得到该第i次聚类处理对应的类簇个数k。
在本申请的一个可选实施例中,该聚类模块1202,具体用于:将该和值与该第i次聚类处理的执行次序i相乘,将乘积作为该第i次聚类处理对应的类簇个数k。
在本申请的一个可选实施例中,该聚类模块1202,具体用于:利用minibatch-kmeans聚类算法对该大类簇中的高维波束空间坐标进行多次聚类处理,在每次聚类处理之后,对于本次聚类处理得到的各个小类簇,根据该小类簇中各高维波束空间坐标,获取与该n个能量波束一一对应的n个第二绝对中位差;根据本次聚类处理得到的各个小类簇所分别对应的n个第二绝对中位差,确定本次聚类处理是否满足该第一预设条件,并在本次聚类处理满足第一预设条件的情况下,停止执行聚类处理。
在本申请的一个可选实施例中,该聚类模块1202,具体用于:获取本次聚类处理得到的各个小类簇所分别对应的n个第二绝对中位差中小于等于预设值的第二绝对中位差的目标百分位数;根据本次聚类处理对应的该目标百分位数确定本次聚类处理是否满足该第一预设条件。
在本申请的一个可选实施例中,该聚类模块1202,具体用于:若本次聚类处理对应的该目标百分位数大于第一预设比例阈值,且,本次聚类处理对应的该目标百分位数与上一次聚类处理对应的该目标百分位数的差值小于预设差值阈值,则确定本次聚类处理满足该第一预设条件。
在本申请的一个可选实施例中,该聚类模块1202,具体用于:按照包含的高维波束空间坐标由少至多的顺序,依次对各大类簇最后一次聚类处理后得到的小类簇进行丢弃,直至未被丢弃的高维波束空间坐标对应的流量值的比例达到第二预设比例阈值为止;在丢弃处理完毕之后,对未被丢弃的小类簇中满足第二预设条件的小类簇进行再分类处理,以得到该多个目标类簇。
在本申请的一个可选实施例中,该聚类模块1202,具体用于:对于未被丢弃的各小类簇,根据该小类簇中各高维波束空间坐标,获取与该n个能量波束一一对应的n个第三绝对中位差;若某未被丢弃的小类簇所对应的该n个第三绝对中位差中最大的第三绝对中位差大于预设值,则确定该某未被丢弃的小类簇为满足该第二预设条件的小类簇。
在本申请的一个可选实施例中,该聚类模块1202,具体用于:确定满足该第二预设条件的小类簇所对应的该n个第三绝对中位差中最大的第三绝对中位差对应的目标能量波束;按照该目标能量波束对应的坐标值,对满足该第二预设条件的小类簇中的各高维波束空间坐标进行排序;根据排序结果,对满足该第二预设条件的小类簇中的各高维波束空间坐标进行再分类处理。
上述空间划分装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图13所示。该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种空间划分方法。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图14所示。该计算机设备包括通过***总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种空间划分方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图13和图14中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待进行空间划分的m个终端中各终端的高维波束空间坐标,该高维波束空间坐标包括n个坐标值,该n个坐标值与多天线***中的n个能量波束一一对应,各坐标值为对应的能量波束的接收信号强度RSS,m和n为均大于1的整数;对获取到的m个该高维波束空间坐标进行聚类处理,以得到多个目标类簇;基于该多个目标类簇将该m个终端划分至不同的地理区域中。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对于该m个高维波束空间坐标中的各高维波束空间坐标,确定该高维波束空间坐标中最大坐标值所对应的能量波束的标识;将该m个高维波束空间坐标中,确定出的能量波束的标识相同的高维波束空间坐标划分为同一类,以得到该多个目标类簇。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:利用层次聚类算法对m个该高维波束空间坐标进行聚类处理,以得到多个大类簇;利用目标聚类算法对各大类簇分别进行聚类处理,以得到该多个目标类簇。
在一个实施例中,该层次聚类算法为BIRCH聚类算法,处理器执行计算机程序时还实现以下步骤:确定目标距离阈值,该目标距离阈值为使聚类结果对应的CH指标最大的距离阈值;基于该目标距离阈值,利用BIRCH聚类算法对m个该高维波束空间坐标进行聚类处理,以得到该多个大类簇。
在一个实施例中,该目标聚类算法为minibatch-kmeans聚类算法,处理器执行计算机程序时还实现以下步骤:对于各大类簇,利用minibatch-kmeans聚类算法对所述大类簇中的高维波束空间坐标进行多次聚类处理,直至满足第一预设条件为止,其中,各次聚类处理对应的类簇个数互不相同,且,各次聚类处理的聚类对象均为所述大类簇中的高维波束空间坐标;基于各大类簇最后一次聚类处理的结果,得到该多个目标类簇。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据该大类簇中的各高维波束空间坐标,获取与该n个能量波束一一对应的n个第一绝对中位差;对应地,该多次聚类处理中第i次聚类处理的过程,包括:根据该n个第一绝对中位差以及该第i次聚类处理的执行次序i,计算得到该第i次聚类处理对应的类簇个数k;根据计算得到的类簇个数k进行该第i次聚类处理。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据该大类簇中的各高维波束空间坐标,获取与该n个能量波束一一对应的n个数据集,其中,第j个该数据集包括该大类簇中的各高维波束空间坐标中与第j个该能量波束对应的坐标值,j为小于等于n大于等于1的正整数;对各数据集分别进行求绝对中位差计算,以得到该n个第一绝对中位差。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:计算该n个第一绝对中位差的和值;根据该和值以及该第i次聚类处理的执行次序i,计算得到该第i次聚类处理对应的类簇个数k。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将该和值与该第i次聚类处理的执行次序i相乘,将乘积作为该第i次聚类处理对应的类簇个数k。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:利用minibatch-kmeans聚类算法对该大类簇中的高维波束空间坐标执行多次聚类处理,在每次聚类处理之后,对于本次聚类处理得到的各个小类簇,根据该小类簇中各高维波束空间坐标,获取与该n个能量波束一一对应的n个第二绝对中位差;根据本次聚类处理得到的各个小类簇所对应的n个第二绝对中位差,确定本次聚类处理是否满足该第一预设条件。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取本次聚类处理得到的各个小类簇所对应的n个第二绝对中位差中小于等于预设值的第二绝对中位差的目标百分位数;根据本次聚类处理对应的该目标百分位数确定本次聚类处理是否满足该第一预设条件。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:若本次聚类处理对应的该目标百分位数大于第一预设比例阈值,且,本次聚类处理对应的该目标百分位数与上一次聚类处理对应的该目标百分位数的差值小于预设差值阈值,则确定本次聚类处理满足该第一预设条件。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:按照包含的高维波束空间坐标由少至多的顺序,依次对各大类簇最后一次聚类处理后得到的小类簇进行丢弃,直至未被丢弃的高维波束空间坐标对应的流量值的比例达到第二预设比例阈值为止;在丢弃处理完毕之后,对未被丢弃的小类簇中满足第二预设条件的小类簇进行再分类处理,以得到该多个目标类簇。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:对于未被丢弃的各小类簇,根据该小类簇中各高维波束空间坐标,获取与该n个能量波束一一对应的n个第三绝对中位差;若某未被丢弃的小类簇所对应的该n个第三绝对中位差中最大的第三绝对中位差大于预设值,则确定该某未被丢弃的小类簇为满足该第二预设条件的小类簇。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:确定满足该第二预设条件的小类簇所对应的该n个第三绝对中位差中最大的第三绝对中位差对应的目标能量波束;按照该目标能量波束对应的坐标值,对满足该第二预设条件的小类簇中的各高维波束空间坐标进行排序;根据排序结果,对满足该第二预设条件的小类簇中的各高维波束空间坐标进行再分类处理。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待进行空间划分的m个终端中各终端的高维波束空间坐标,该高维波束空间坐标包括n个坐标值,该n个坐标值与多天线***中的n个能量波束一一对应,各坐标值为对应的能量波束的接收信号强度RSS,m和n为均大于1的整数;对获取到的m个该高维波束空间坐标进行聚类处理,以得到多个目标类簇;基于该多个目标类簇将该m个终端划分至不同的地理区域中。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对于该m个高维波束空间坐标中的各高维波束空间坐标,确定该高维波束空间坐标中最大坐标值所对应的能量波束的标识;将该m个高维波束空间坐标中,确定出的能量波束的标识相同的高维波束空间坐标划分为同一类,以得到该多个目标类簇。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:利用层次聚类算法对m个该高维波束空间坐标进行聚类处理,以得到多个大类簇;利用目标聚类算法对各大类簇分别进行聚类处理,以得到该多个目标类簇。
在一个实施例中,该层次聚类算法为BIRCH聚类算法,计算机程序被处理器执行时还实现以下步骤:确定目标距离阈值,该目标距离阈值为使聚类结果对应的CH指标最大的距离阈值;基于该目标距离阈值,利用BIRCH聚类算法对m个该高维波束空间坐标进行聚类处理,以得到该多个大类簇。
在一个实施例中,该目标聚类算法为minibatch-kmeans聚类算法,计算机程序被处理器执行时还实现以下步骤:对于各大类簇,利用minibatch-kmeans聚类算法对所述大类簇中的高维波束空间坐标进行多次聚类处理,直至满足第一预设条件为止,其中,各次聚类处理对应的类簇个数互不相同,且,各次聚类处理的聚类对象均为所述大类簇中的高维波束空间坐标;基于各大类簇最后一次聚类处理的结果,得到该多个目标类簇。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据该大类簇中的各高维波束空间坐标,获取与该n个能量波束一一对应的n个第一绝对中位差;对应地,该多次聚类处理中第i次聚类处理的过程,包括:根据该n个第一绝对中位差以及该第i次聚类处理的执行次序i,计算得到该第i次聚类处理对应的类簇个数k;根据计算得到的类簇个数k进行该第i次聚类处理。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据该大类簇中的各高维波束空间坐标,获取与该n个能量波束一一对应的n个数据集,其中,第j个该数据集包括该大类簇中的各高维波束空间坐标中与第j个该能量波束对应的坐标值,j为小于等于n大于等于1的正整数;对各数据集分别进行求绝对中位差计算,以得到该n个第一绝对中位差。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:计算该n个第一绝对中位差的和值;根据该和值以及该第i次聚类处理的执行次序i,计算得到该第i次聚类处理对应的类簇个数k。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将该和值与该第i次聚类处理的执行次序i相乘,将乘积作为该第i次聚类处理对应的类簇个数k。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:利用minibatch-kmeans聚类算法对该大类簇中的高维波束空间坐标执行多次聚类处理,在每次聚类处理之后,对于本次聚类处理得到的各个小类簇,根据该小类簇中各高维波束空间坐标,获取与该n个能量波束一一对应的n个第二绝对中位差;根据本次聚类处理得到的各个小类簇所对应的n个第二绝对中位差,确定本次聚类处理是否满足该第一预设条件。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取本次聚类处理得到的各个小类簇所对应的n个第二绝对中位差中小于等于预设值的第二绝对中位差的目标百分位数;根据本次聚类处理对应的该目标百分位数确定本次聚类处理是否满足该第一预设条件。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:若本次聚类处理对应的该目标百分位数大于第一预设比例阈值,且,本次聚类处理对应的该目标百分位数与上一次聚类处理对应的该目标百分位数的差值小于预设差值阈值,则确定本次聚类处理满足该第一预设条件。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:按照包含的高维波束空间坐标由少至多的顺序,依次对各大类簇最后一次聚类处理后得到的小类簇进行丢弃,直至未被丢弃的高维波束空间坐标对应的流量值的比例达到第二预设比例阈值为止;在丢弃处理完毕之后,对未被丢弃的小类簇中满足第二预设条件的小类簇进行再分类处理,以得到该多个目标类簇。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对于未被丢弃的各小类簇,根据该小类簇中各高维波束空间坐标,获取与该n个能量波束一一对应的n个第三绝对中位差;若某未被丢弃的小类簇所对应的该n个第三绝对中位差中最大的第三绝对中位差大于预设值,则确定该某未被丢弃的小类簇为满足该第二预设条件的小类簇。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:确定满足该第二预设条件的小类簇所对应的该n个第三绝对中位差中最大的第三绝对中位差对应的目标能量波束;按照该目标能量波束对应的坐标值,对满足该第二预设条件的小类簇中的各高维波束空间坐标进行排序;根据排序结果,对满足该第二预设条件的小类簇中的各高维波束空间坐标进行再分类处理。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取待进行空间划分的m个终端中各终端的高维波束空间坐标,该高维波束空间坐标包括n个坐标值,该n个坐标值与多天线***中的n个能量波束一一对应,各坐标值为对应的能量波束的接收信号强度RSS,m和n为均大于1的整数;对获取到的m个该高维波束空间坐标进行聚类处理,以得到多个目标类簇;基于该多个目标类簇将该m个终端划分至不同的地理区域中。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对于该m个高维波束空间坐标中的各高维波束空间坐标,确定该高维波束空间坐标中最大坐标值所对应的能量波束的标识;将该m个高维波束空间坐标中,确定出的能量波束的标识相同的高维波束空间坐标划分为同一类,以得到该多个目标类簇。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:利用层次聚类算法对m个该高维波束空间坐标进行聚类处理,以得到多个大类簇;利用目标聚类算法对各大类簇分别进行聚类处理,以得到该多个目标类簇。
在一个实施例中,该层次聚类算法为BIRCH聚类算法,计算机程序被处理器执行时还实现以下步骤:确定目标距离阈值,该目标距离阈值为使聚类结果对应的CH指标最大的距离阈值;基于该目标距离阈值,利用BIRCH聚类算法对m个该高维波束空间坐标进行聚类处理,以得到该多个大类簇。
在一个实施例中,该目标聚类算法为minibatch-kmeans聚类算法,计算机程序被处理器执行时还实现以下步骤:对于各大类簇,利用minibatch-kmeans聚类算法对所述大类簇中的高维波束空间坐标进行多次聚类处理,直至满足第一预设条件为止,其中,各次聚类处理对应的类簇个数互不相同,且,各次聚类处理的聚类对象均为所述大类簇中的高维波束空间坐标;基于各大类簇最后一次聚类处理的结果,得到该多个目标类簇。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据该大类簇中的各高维波束空间坐标,获取与该n个能量波束一一对应的n个第一绝对中位差;对应地,该多次聚类处理中第i次聚类处理的过程,包括:根据该n个第一绝对中位差以及该第i次聚类处理的执行次序i,计算得到该第i次聚类处理对应的类簇个数k;根据计算得到的类簇个数k进行该第i次聚类处理。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据该大类簇中的各高维波束空间坐标,获取与该n个能量波束一一对应的n个数据集,其中,第j个该数据集包括该大类簇中的各高维波束空间坐标中与第j个该能量波束对应的坐标值,j为小于等于n大于等于1的正整数;对各数据集分别进行求绝对中位差计算,以得到该n个第一绝对中位差。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:计算该n个第一绝对中位差的和值;根据该和值以及该第i次聚类处理的执行次序i,计算得到该第i次聚类处理对应的类簇个数k。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将该和值与该第i次聚类处理的执行次序i相乘,将乘积作为该第i次聚类处理对应的类簇个数k。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:利用minibatch-kmeans聚类算法对该大类簇中的高维波束空间坐标执行多次聚类处理,在每次聚类处理之后,对于本次聚类处理得到的各个小类簇,根据该小类簇中各高维波束空间坐标,获取与该n个能量波束一一对应的n个第二绝对中位差;根据本次聚类处理得到的各个小类簇所对应的n个第二绝对中位差,确定本次聚类处理是否满足该第一预设条件。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取本次聚类处理得到的各个小类簇所对应的n个第二绝对中位差中小于等于预设值的第二绝对中位差的目标百分位数;根据本次聚类处理对应的该目标百分位数确定本次聚类处理是否满足该第一预设条件。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:若本次聚类处理对应的该目标百分位数大于第一预设比例阈值,且,本次聚类处理对应的该目标百分位数与上一次聚类处理对应的该目标百分位数的差值小于预设差值阈值,则确定本次聚类处理满足该第一预设条件。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:按照包含的高维波束空间坐标由少至多的顺序,依次对各大类簇最后一次聚类处理后得到的小类簇进行丢弃,直至未被丢弃的高维波束空间坐标对应的流量值的比例达到第二预设比例阈值为止;在丢弃处理完毕之后,对未被丢弃的小类簇中满足第二预设条件的小类簇进行再分类处理,以得到该多个目标类簇。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:对于未被丢弃的各小类簇,根据该小类簇中各高维波束空间坐标,获取与该n个能量波束一一对应的n个第三绝对中位差;若某未被丢弃的小类簇所对应的该n个第三绝对中位差中最大的第三绝对中位差大于预设值,则确定该某未被丢弃的小类簇为满足该第二预设条件的小类簇。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:确定满足该第二预设条件的小类簇所对应的该n个第三绝对中位差中最大的第三绝对中位差对应的目标能量波束;按照该目标能量波束对应的坐标值,对满足该第二预设条件的小类簇中的各高维波束空间坐标进行排序;根据排序结果,对满足该第二预设条件的小类簇中的各高维波束空间坐标进行再分类处理。
需要说明的是,本申请所涉及的与用户相关的信息(包括但不限于用户设备信息、用户个人信息等)和与用户相关的数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (18)
1.一种空间划分方法,其特征在于,所述方法包括:
获取待进行空间划分的m个终端中各所述终端的高维波束空间坐标,所述高维波束空间坐标包括n个坐标值,所述n个坐标值与多天线***中的n个能量波束一一对应,各所述坐标值为对应的能量波束的接收信号强度RSS,m和n为均大于1的整数;
对获取到的m个所述高维波束空间坐标进行聚类处理,以得到多个目标类簇;
基于所述多个目标类簇将所述m个终端划分至不同的地理区域中。
2.根据权利要求1所述的方法,其特征在于,所述对获取到的m个所述高维波束空间坐标进行聚类处理,以得到多个目标类簇,包括:
对于所述m个高维波束空间坐标中的各所述高维波束空间坐标,确定所述高维波束空间坐标中最大坐标值所对应的能量波束的标识;
将所述m个高维波束空间坐标中,确定出的能量波束的标识相同的高维波束空间坐标划分为同一类,以得到所述多个目标类簇。
3.根据权利要求1所述的方法,其特征在于,所述对获取到的m个所述高维波束空间坐标进行聚类处理,以得到多个目标类簇,包括:
利用层次聚类算法对m个所述高维波束空间坐标进行聚类处理,以得到多个大类簇;
利用目标聚类算法对各所述大类簇分别进行聚类处理,以得到所述多个目标类簇。
4.根据权利要求3所述的方法,其特征在于,所述层次聚类算法为BIRCH聚类算法,所述利用层次聚类算法对m个所述高维波束空间坐标进行聚类处理,以得到多个大类簇,包括:
确定目标距离阈值,所述目标距离阈值为使聚类结果对应的CH指标最大的距离阈值;
基于所述目标距离阈值,利用BIRCH聚类算法对m个所述高维波束空间坐标进行聚类处理,以得到所述多个大类簇。
5.根据权利要求3所述的方法,其特征在于,所述目标聚类算法为minibatch-kmeans聚类算法,所述利用目标聚类算法对各所述大类簇分别进行聚类处理,以得到所述多个目标类簇,包括:
对于各所述大类簇,利用minibatch-kmeans聚类算法对所述大类簇中的高维波束空间坐标进行多次聚类处理,直至满足第一预设条件为止,其中,各次聚类处理对应的类簇个数互不相同,且,各次聚类处理的聚类对象均为所述大类簇中的高维波束空间坐标;
基于各所述大类簇最后一次聚类处理的结果,得到所述多个目标类簇。
6.根据权利要求5所述的方法,其特征在于,所述利用minibatch-kmeans聚类算法对所述大类簇中的高维波束空间坐标进行多次聚类处理之前,所述方法还包括:
根据所述大类簇中的各高维波束空间坐标,获取与所述n个能量波束一一对应的n个第一绝对中位差;
对应地,所述多次聚类处理中第i次聚类处理的过程,包括:
根据所述n个第一绝对中位差以及所述第i次聚类处理的执行次序i,计算得到所述第i次聚类处理对应的类簇个数k;
根据计算得到的类簇个数k进行所述第i次聚类处理。
7.根据权利要求6所述的方法,其特征在于,所述根据所述大类簇中的各高维波束空间坐标,获取与所述n个能量波束一一对应的n个第一绝对中位差,包括:
根据所述大类簇中的各高维波束空间坐标,获取与所述n个能量波束一一对应的n个数据集,其中,第j个所述数据集包括所述大类簇中的各高维波束空间坐标中与第j个所述能量波束对应的坐标值,j为小于等于n大于等于1的正整数;
对各所述数据集分别进行求绝对中位差计算,以得到所述n个第一绝对中位差。
8.根据权利要求7所述的方法,其特征在于,所述根据所述n个第一绝对中位差以及所述第i次聚类处理的执行次序i,计算得到所述第i次聚类处理对应的类簇个数k,包括:
计算所述n个第一绝对中位差的和值;
根据所述和值以及所述第i次聚类处理的执行次序i,计算得到所述第i次聚类处理对应的类簇个数k。
9.根据权利要求8所述的方法,其特征在于,所述根据所述和值以及所述第i次聚类处理的执行次序i,计算得到所述第i次聚类处理对应的类簇个数k,包括:
将所述和值与所述第i次聚类处理的执行次序i相乘,将乘积作为所述第i次聚类处理对应的类簇个数k。
10.根据权利要求5至9任一所述的方法,其特征在于,所述利用minibatch-kmeans聚类算法对所述大类簇中的高维波束空间坐标进行多次聚类处理,直至满足第一预设条件为止,包括:
利用minibatch-kmeans聚类算法对所述大类簇中的高维波束空间坐标进行多次聚类处理,在每次聚类处理之后,对于本次聚类处理得到的各个小类簇,根据所述小类簇中各高维波束空间坐标,获取与所述n个能量波束一一对应的n个第二绝对中位差;
根据本次聚类处理得到的各个所述小类簇所分别对应的n个第二绝对中位差,确定本次聚类处理是否满足所述第一预设条件,并在本次聚类处理满足所述第一预设条件的情况下,停止执行聚类处理。
11.根据权利要求10所述的方法,其特征在于,所述根据本次聚类处理得到的各个所述小类簇对分别对应的n个第二绝对中位差,确定本次聚类处理是否满足所述第一预设条件,包括:
获取本次聚类处理得到的各个所述小类簇所分别对应的n个第二绝对中位差中小于等于预设值的第二绝对中位差的目标百分位数;
根据本次聚类处理对应的所述目标百分位数确定本次聚类处理是否满足所述第一预设条件。
12.根据权利要求11所述的方法,其特征在于,本次聚类处理的执行次序大于等于2,所述根据本次聚类处理对应的所述目标百分位数确定本次聚类处理是否满足所述第一预设条件,包括:
若本次聚类处理对应的所述目标百分位数大于第一预设比例阈值,且,本次聚类处理对应的所述目标百分位数与上一次聚类处理对应的所述目标百分位数的差值小于预设差值阈值,则确定本次聚类处理满足所述第一预设条件。
13.根据权利要求5至9任一所述的方法,其特征在于,所述基于各所述大类簇最后一次聚类处理的结果,得到所述多个目标类簇,包括:
按照包含的高维波束空间坐标由少至多的顺序,依次对各所述大类簇最后一次聚类处理后得到的小类簇进行丢弃,直至未被丢弃的高维波束空间坐标对应的流量值的比例达到第二预设比例阈值为止;
在丢弃处理完毕之后,对未被丢弃的小类簇中满足第二预设条件的小类簇进行再分类处理,以得到所述多个目标类簇。
14.根据权利要求13所述的方法,其特征在于,所述对未被丢弃的小类簇中满足第二预设条件的小类簇进行再分类处理之前,所述方法还包括:
对于未被丢弃的各小类簇,根据所述小类簇中各高维波束空间坐标,获取与所述n个能量波束一一对应的n个第三绝对中位差;
若某未被丢弃的小类簇所对应的所述n个第三绝对中位差中最大的第三绝对中位差大于预设值,则确定所述某未被丢弃的小类簇为满足所述第二预设条件的小类簇。
15.根据权利要求14所述的方法,其特征在于,所述对未被丢弃的小类簇中满足第二预设条件的小类簇进行再分类处理,包括:
确定满足所述第二预设条件的小类簇所对应的所述n个第三绝对中位差中最大的第三绝对中位差对应的目标能量波束;
按照所述目标能量波束对应的坐标值,对满足所述第二预设条件的小类簇中的各高维波束空间坐标进行排序;
根据排序结果,对满足所述第二预设条件的小类簇中的各高维波束空间坐标进行再分类处理。
16.一种空间划分装置,其特征在于,所述装置包括:
获取模块,用于获取待进行空间划分的m个终端中各所述终端的高维波束空间坐标,所述高维波束空间坐标包括n个坐标值,所述n个坐标值与多天线***中的n个能量波束一一对应,各所述坐标值为对应的能量波束的接收信号强度RSS,m和n为均大于1的整数;
聚类模块,用于对获取到的m个所述高维波束空间坐标进行聚类处理,以得到多个目标类簇;
划分模块,用于基于所述多个目标类簇将所述m个终端划分至不同的地理区域中。
17.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至15中任一项所述的方法的步骤。
18.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至15中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210352945.4A CN114430530B (zh) | 2022-04-06 | 2022-04-06 | 空间划分方法、装置、设备、介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210352945.4A CN114430530B (zh) | 2022-04-06 | 2022-04-06 | 空间划分方法、装置、设备、介质和程序产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114430530A CN114430530A (zh) | 2022-05-03 |
CN114430530B true CN114430530B (zh) | 2022-06-21 |
Family
ID=81314302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210352945.4A Active CN114430530B (zh) | 2022-04-06 | 2022-04-06 | 空间划分方法、装置、设备、介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114430530B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115038092B (zh) * | 2022-05-11 | 2024-02-20 | 中国空间技术研究院 | 一种高通量卫星覆盖区规划方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110825826A (zh) * | 2019-11-07 | 2020-02-21 | 深圳大学 | 聚类簇计算方法、装置、终端及存储介质 |
CN112752271A (zh) * | 2020-12-28 | 2021-05-04 | 华南理工大学 | 基于无人机无线能量传输网络的多波束阵列设计方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004095790A1 (en) * | 2003-03-28 | 2004-11-04 | University Of Maryland | Method and system for determining user location in a wireless communication network |
CN106338724B (zh) * | 2016-08-22 | 2019-01-11 | 西安电子科技大学 | 机扫米波mimo三坐标雷达威力的获取方法 |
CN108307308B (zh) * | 2018-01-25 | 2021-09-14 | 北京小米移动软件有限公司 | 无线局域网设备的定位方法、装置和存储介质 |
CN109379711B (zh) * | 2018-12-19 | 2019-12-13 | 香港中文大学(深圳) | 一种定位方法 |
-
2022
- 2022-04-06 CN CN202210352945.4A patent/CN114430530B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110825826A (zh) * | 2019-11-07 | 2020-02-21 | 深圳大学 | 聚类簇计算方法、装置、终端及存储介质 |
CN112752271A (zh) * | 2020-12-28 | 2021-05-04 | 华南理工大学 | 基于无人机无线能量传输网络的多波束阵列设计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114430530A (zh) | 2022-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9942085B2 (en) | Early warning and recommendation system for the proactive management of wireless broadband networks | |
CN107657015B (zh) | 一种兴趣点推荐方法、装置、电子设备及存储介质 | |
CN111867049B (zh) | 定位方法、装置及存储介质 | |
CN109189876B (zh) | 一种数据处理方法及装置 | |
CN111612039A (zh) | 异常用户识别的方法及装置、存储介质、电子设备 | |
CN113497717B (zh) | 网络流量的预测方法、装置、设备及存储介质 | |
CN113379176B (zh) | 电信网络异常数据检测方法、装置、设备和可读存储介质 | |
CN107633257B (zh) | 数据质量评估方法及装置、计算机可读存储介质、终端 | |
CN116596095B (zh) | 基于机器学习的碳排放量预测模型的训练方法及装置 | |
CN114430530B (zh) | 空间划分方法、装置、设备、介质和程序产品 | |
CN109246728B (zh) | 一种覆盖异常小区识别方法和装置 | |
CN112308345A (zh) | 通信网络负荷预测方法、装置及服务器 | |
Brunello et al. | Towards interpretability in fingerprint based indoor positioning: May attention be with us | |
CN112887910B (zh) | 异常覆盖区域的确定方法、装置和计算机可读存储介质 | |
CN116932935A (zh) | 地址匹配方法、装置、设备、介质和程序产品 | |
CN111143639A (zh) | 用户亲密度计算方法、装置、设备及介质 | |
CN113850346B (zh) | Mec环境下多维属性感知的边缘服务二次聚类方法及*** | |
CN114501518A (zh) | 流量预测方法、装置、设备、介质和程序产品 | |
Olea et al. | The out-of-sample prediction error of the square-root-LASSO and related estimators | |
CN111401392B (zh) | 聚类集成方法及装置、电子设备及存储介质 | |
Abdullah et al. | Predicting qos for web service recommendations based on reputation and location clustering with collaborative filtering | |
CN116541252B (zh) | 一种机房故障日志数据处理方法及装置 | |
CN116861273A (zh) | 划分参数确定方法、装置、计算机设备和存储介质 | |
Malkova et al. | Deep Learning with Partially Labeled Data for Radio Map Reconstruction | |
CN115345257B (zh) | 飞行轨迹分类模型训练方法、分类方法、装置及存储介质 |
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 |