CN115334523A - 网络覆盖测算方法、装置、设备及计算机可读存储介质 - Google Patents
网络覆盖测算方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN115334523A CN115334523A CN202110504274.4A CN202110504274A CN115334523A CN 115334523 A CN115334523 A CN 115334523A CN 202110504274 A CN202110504274 A CN 202110504274A CN 115334523 A CN115334523 A CN 115334523A
- Authority
- CN
- China
- Prior art keywords
- network
- signal strength
- reference signal
- target
- estimated
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000005540 biological transmission Effects 0.000 claims abstract description 72
- 238000005259 measurement Methods 0.000 claims abstract description 30
- 238000004891 communication Methods 0.000 claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims description 49
- 238000012549 training Methods 0.000 claims description 32
- 238000000691 measurement method Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 30
- 230000006870 function Effects 0.000 description 9
- 238000004088 simulation Methods 0.000 description 9
- 238000005070 sampling Methods 0.000 description 8
- 230000035515 penetration Effects 0.000 description 7
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
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
- H04W16/22—Traffic simulation tools or models
- H04W16/225—Traffic simulation tools or models for indoor or short range network
-
- 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
-
- 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
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明实施例涉及通信技术领域,公开了一种网络覆盖测算方法,所述方法包括:获取参考网络的参考信号强度及参考传输参数;根据所述参考信号强度、所述参考传输参数及目标网络的目标传输参数计算所述目标网络的估算信号强度;将所述估算信号强度输入偏差补偿模型,得到所述目标网络的目标信号强度。通过上述方式,本发明实施例实现了提升网络覆盖的测算精度的效果。
Description
技术领域
本发明实施例涉及通信技术领域,具体涉及一种网络覆盖测算方法、网络覆盖方法、网络覆盖测算装置、网络覆盖测算设备及计算机可读存储介质。
背景技术
目前,随着移动通信网络的发展,4G,5G网络等能够提供优质、更丰富的网络服务,随着产业链、终端的成熟5G网络已进入大规模快速部署阶段。由于5G网络采用新技术、新设备、新频段,因此5G网络规划的覆盖测算与传统网络存在较大差异。现有的5G网络覆盖测算方法主要是面向网络连续覆盖需求进行网络仿真,利用数学建模和统计分析的方法模拟网络,通过建立网络设备、无线环境、网络链路的统计模型,模拟网络数据的传输,从而获取网络性能数据。然而,发明人在研究中发现,现有的网络仿***要是基于模拟计算,对于无线环境较为复杂的区域,环境模拟比较困难,数字模拟结果偏差较大,且无法解决室内深度覆盖情况的测算。
发明内容
鉴于上述问题,本发明实施例提供了一种网络覆盖测算方法、装置、设备及计算机可读存储介质,用于解决现有技术中存在的测算精度低的技术问题。
根据本发明实施例的一个方面,提供了一种网络覆盖测算方法,所述方法包括:
获取参考网络的参考信号强度及参考传输参数;
根据所述参考信号强度、所述参考传输参数及目标网络的目标传输参数计算所述目标网络的估算信号强度;
将所述估算信号强度输入偏差补偿模型,得到所述目标网络的目标信号强度。
在一种可选的方式中,所述获取参考网络的参考信号强度数据及参考传输参数,包括:获取所述参考网络的MR数据;根据所述MR数据确定所述参考网络的参考信号强度。
在一种可选的方式中,所述将所述估算信号强度输入偏差补偿模型,得到所述目标网络的目标信号强度之前,包括:
根据估算参考信号强度及第二参考信号强度对预设的神经网络模型进行训练,得到所述偏差补偿模型;
所述估算参考信号强度为根据第一参考信号强度估算得到的;所述第一参考信号强度为所述参考网络的第一频段所对应的信号强度,所述第二参考信号强度为所述参考网络的第二频段所对应的信号强度。
在一种可选的方式中,所述根据估算参考信号强度及第二参考信号强度对预设的神经网络模型进行训练,得到所述偏差补偿模型之前,包括:
根据所述参考网络的MR训练数据获取所述参考网络的第一参考信号强度及第二参考信号强度;
获取所述第一频段所对应的第一参考传输参数及所述第二频段所对应的第二参考传输参数;
根据所述第一参考信号强度、所述第一参考传输参数及所述第二参考传输参数计算所述第二频段所对应的估算参考信号强度。
在一种可选的方式中,所述根据估算参考信号强度及第二参考信号强度对预设的神经网络模型进行训练,得到所述偏差补偿模型,包括:
将所述估算参考信号强度输入所述预设的神经网络模型,输出修正参考信号强度;
根据所述修正参考信号强度与所述第二参考信号强度之间的误差;
根据所述误差调整所述预设神经网络模型的参数;
继续执行所述将所述估算参考信号强度输入所述预设的神经网络模型,输出修正参考信号强度,所述根据所述修正参考信号强度与所述第二参考信号强度之间的误差,以及所述根据所述误差调整所述预设神经网络模型的参数的步骤,直至所述误差小于预设阈值,得到所述偏差补偿模型。
在一种可选的方式中,所述目标网络为5G网络;所述参考网络为4G网络。
根据本发明实施例的另一方面,提供了一种网络覆盖方法,包括:
接收所述目标网络的覆盖需求信息;
根据所述的网络覆盖测算方法对所述目标网络进行测算,得到所述目标网络的目标信号强度;
根据所述目标信号强度对所述目标网络进行覆盖处理。
根据本发明实施例的另一方面,提供了一种网络覆盖测算装置,包括:
获取模块,用于获取参考网络的参考信号强度及参考传输参数;
估算模块,用于根据所述参考信号强度、所述参考传输参数及目标网络的目标传输参数计算所述目标网络的估算信号强度;
补偿模块,用于将所述估算信号强度输入偏差补偿模型,得到所述目标网络的目标信号强度。
根据本发明实施例的另一方面,提供了一种网络覆盖测算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行所述的网络覆盖测算方法的操作。
根据本发明实施例的又一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令在网络覆盖测算设备上运行时,使得网络覆盖测算设备执行所述的网络覆盖测算方法的操作。
本发明实施例通过对参考网络的MR数据进行采集,并利用设备与传播差异对目标网络的信号强度进行估算,从而实现网络覆盖情况测算,并通过偏差补偿模型对估算的结果进行修正,从而得到目标网络的目标信号强度,降低了通过仿真模拟无线环境的偏差,并且可支持室内环境覆盖情况的测算,提升了测算精度。
上述说明仅是本发明实施例技术方案的概述,为了能够更清楚了解本发明实施例的技术手段,而可依照说明书的内容予以实施,并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
附图仅用于示出实施方式,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例提供的网络覆盖测算方法的流程示意图;
图2示出了本发明实施例提供的预设的神经网络结构示意图;
图3示出了本发明实施例提供的网络覆盖测算装置的结构示意图;
图4示出了本发明实施例提供的网络覆盖测算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。
图1示出了本发明实施例提供的网络覆盖测算方法的流程图,该方法由网络覆盖测算设备执行。该网络覆盖测算设备可以是具有计算能力的设备,如计算机设备、终端等。如图1所示,该方法包括以下步骤:
步骤110:获取参考网络的参考信号强度及参考传输参数。
其中,参考网络为4G网络,参考传输参数为发射功率P、MIMO(multiple inputmultiple output,多进多出)M、天线增益A、传播损耗S、穿透损耗T。参考传输参数为已知的。
本发明实施例中,获取参考网络的参考信号强度的步骤包括:
步骤1101:获取所述参考网络的MR数据(Measurement Report,测量报告),MR数据是指信息在业务信道上定时发送数据,应用于全网无线环境的评价,相比较传统路测、定点测试MR数据可获得大量用户感受信息,如网络覆盖情况、通话质量情况等,可应用于小区话务分布分析、切换分析、无线覆盖的实时分析。
步骤1102:根据所述MR数据确定所述参考网络的参考信号强度。具体地,对需测算的目标区域进行栅格划分,提取栅格内的4G网络的MR数据,利用MR数据中的ECGI(E-UTRAN小区全局标识符)、频率信息与现网小区进行匹配,根据主服务小区及邻区RSRP数据分离出栅格内所有服务小区的RSRP数据,按照上述流程解析出栅格内频段F的单小区不同时间、不同采样点的参考信号强度RSRP,用RF 4G(timi,samj)表示:
其中,RF 4G(timi,samj)表示第i个时间点第j个采样点(栅格)的参考信号强度,在矩阵中用Ri,j表示。
步骤120:根据所述参考信号强度、所述参考传输参数及目标网络的目标传输参数计算所述目标网络的估算信号强度。
本发明实施例中,根据所述参考信号强度、所述参考传输参数及目标网络的目标传输参数计算所述目标网络的估算信号强度之前,还包括:获取目标网络的目标传输参数。目标网络为5G网络,其目标传输参数为发射功率P、MIMO(multiple input multipleoutput,多进多出)M、天线增益A、传播损耗S、穿透损耗T。其中,目标传输参数为在测算前预设的。
其中,由于4G网络与5G网络的频率相近、设备相似,因此采用4G网络作为计算基础,对5G网络进行覆盖测算,以减少各类因素造成的误差。具体地,提取参考网络的栅格一段时间内多个采样点在参考频率下的参考信号强度,利用参考网络与目标网络之间参考传输数据与目标传输数据之间的差异来计算估算信号强度。如,对于5G网络,提取目标区域内的第j个栅格一段时间内多个采样点的4G网络的F1频率的信号强度RSRP,利用4G、5G***之间的P(发射功率)、M(MIMO)、A(天线增益)、S(传播损耗)、T(穿透损耗)之间差异测算5G网络的估算信号强度RSRP。
其中,R′5G(timi,samj)表示估算的目标网络第i个时间点第j个采样点的估算信号强度;表示参考网络第i个时间点第j个采样点的参考信号强度;P5G表示5G网络的发射功率,表示4G网络F1频率的发射功率;M5G表示5G网络的MIMO参数;表示4G网络的MIMO参数;A5G表示5G网络的天线增益,表示4G网络的天线增益;S5G表示5G网络的传播损耗,表示4G网络的传播损耗;T5G表示5G网络的穿透损耗,表示4G网络的穿透损耗。
步骤130:将所述估算信号强度输入偏差补偿模型,得到所述目标网络的目标信号强度。
本发明实施例中,由于室内无线环境复杂,估算信号强度与实际的信号强度存在较大偏差,因此,考虑到同一场景无线传播特性的相似性,在得到估算信号强度后,进行场景化实际采样数据的偏差计算,再利用偏差对测算数据进行补偿,从而提升测算精度。本发明实施例中,通过偏差补偿模型进行补偿对估算信号强度,得到目标信号强度。
在将所述估算信号强度输入偏差补偿模型,得到所述目标网络的目标信号强度之前,所述方法还包括对偏差补偿模型进行训练。具体地,根据估算参考信号强度及第二参考信号强度对预设的神经网络模型进行训练,得到所述偏差补偿模型;所述估算参考信号强度为根据第一参考信号强度估算得到的;所述第一参考信号强度为所述参考网络的第一频段所对应的信号强度,所述第二参考信号强度为所述参考网络的第二频段所对应的信号强度。
其中,根据估算参考信号强度及第二参考信号强度对预设的神经网络模型进行训练,得到所述偏差补偿模型的具体过程为:
首先,获取训练样本:本发明实施例中,对训练样本的参考网络同样进行相同的栅格划分。根据所述参考网络的MR训练数据获取所述参考网络的第一参考信号强度及第二参考信号强度。具体地,提取同栅格内的4G网络的F2频率的第二参考信号强度RF2 4G(timi,samj),并提取同栅格内4G网格的F1频率第一参考信号强度RF1 4G(timm,samj)。
获取所述第一频段所对应的第一参考传输参数及所述第二频段所对应的第二参考传输参数。
根据所述第一参考信号强度、所述第一参考传输参数及所述第二参考传输参数计算所述第二频段所对应的估算参考信号强度。具体地,估算参考信号强度为:
其中,表示估算的4G网络第i个时间点第j个采样点的估算参考信号强度;表示参考网络第i个时间点第j个采样点F1频率的参考信号强度;表示4G网络F2频率的发射功率,表示4G网络F1频率的发射功率;表示4G网络F2频率的MIMO参数;表示4G网络F1频率的MIMO参数;表示4G网络F2频率的天线增益,表示4G网络F1频率的天线增益;表示4G网络F2频率的传播损耗,表示4G网络F1频率的传播损耗;表示4G网络F2频率的穿透损耗,表示4G网络F1频率的穿透损耗。
将所述第二参考信号强度及所述估算参考信号强度作为训练数据。
然后,根据训练数据对预设的神经网络模型进行训练:将所述估算参考信号强度输入所述预设的神经网络模型,输出修正参考信号强度;根据所述修正参考信号强度与所述第二参考信号强度之间的误差;根据所述误差调整所述预设神经网络模型的参数;继续执行所述将所述估算参考信号强度输入所述预设的神经网络模型,输出修正参考信号强度,所述根据所述修正参考信号强度与所述第二参考信号强度之间的误差,以及所述根据所述误差调整所述预设神经网络模型的参数的步骤,直至所述误差小于预设阈值,得到所述偏差补偿模型。
本发明的一个实施例中,预设的神经网络模型为BP神经网络。结合图2所示,图2示出了本发明实施例的的预设的神经网络模型的结构图。其中,BP神经网络包括输入层、隐藏层及输出层。对BP神经网络的各层进行训练,调整对应的参数,从而得到偏差补偿模型。所采用的学习算法为trainlm函数;在学习算法函数trainlm中输入层与隐含层之间的传递函数选取tansig;隐含层与输出层之间的传递函数选取purelin函数。所有链接权值W、V赋以随机任意小值,对阈值θ、σ赋以随机设定初值,训练数据集输入向量X为期望输出为其中,所述根据估算参考信号强度及第二参考信号强度对预设的神经网络模型进行训练,得到所述偏差补偿模型,包括:将所述估算参考信号强度输入所述预设的神经网络模型,输出修正参考信号强度;根据所述修正参考信号强度与所述第二参考信号强度之间的误差;根据所述误差调整所述预设神经网络模型的参数;继续执行所述将所述估算参考信号强度输入所述预设的神经网络模型,输出修正参考信号强度,所述根据所述修正参考信号强度与所述第二参考信号强度之间的误差,以及所述根据所述误差调整所述预设神经网络模型的参数的步骤,直至所述误差小于预设阈值,得到所述偏差补偿模型。具体地,根据输入向量X计算隐层节点hj的输出hj=f(∑iwijxi-θj),其中,i为输入层节点序号,j为隐藏层节点序号,节点之间的传递函数f(x)为Sigmoid函数,即再根据隐向量H计算输出层节点输出yj=f(∑iwijxi-θj),其中节点之间的传递函数仍为Sigmoid函数,根据输出向量Y与期望输出计算误差yk表示第k个输出,n表示总的输出个数。根据误差判断,若小于目标误差e则训练学习结束。若大于目标误差e,则修正各节点的链接权值和阈值:
输入层至隐藏层链接权值:W(t+1)=W(t)+ηδy;式中δ=y(1-y)∑W(t);W(t+1)表示修正后输入层至隐藏层的权值;W(t)表示修正前输入层至隐藏层的权值;η为学习率;
隐藏层阈值:θ(t+1)=θ(t)+δ;式中δ=y(1-y)∑W(t);
式中,η为学习率,本发明实施例根据收敛测试确定学习率,隐含层数量L取整数的根据修正后的链接权值W、V和阈值θ、σ重新计算输出向量Y,直至输出向量Y和期望的计算误差E小于目标误差e,得到训练后的偏差补偿模型。
在得到偏差补偿模型后,将估算信号强度输入偏差补偿模型,得到所述目标网络的目标信号强度。也即,将5G的估算信号强度R′5G(timi,samj)输入该模型中,从而得到补偿后的5G的目标信号强度R5G(timi,samj)。
本发明实施例通过对参考网络的MR数据进行采集,并利用设备与传播差异对目标网络的信号强度进行估算,从而实现网络覆盖情况测算,并通过偏差补偿模型对估算的结果进行修正,从而得到目标网络的目标信号强度,降低了通过仿真模拟无线环境的偏差,并且可支持室内环境覆盖情况的测算,提升了测算精度。
本发明另一实施例提供了一种网络覆盖方法的流程图,该方法由网络覆盖设备执行。该网络覆盖设备可以是具有计算能力的设备,如计算机、终端等。该网络覆盖方法包括:
接收所述目标网络的覆盖需求信息。
根据上述的网络覆盖测算方法对所述目标网络进行测算,得到所述目标网络的目标信号强度;本发明实施例的网络覆盖方法与上述网络覆盖方法的具体实施步骤一致,此处不再赘述。
根据所述目标信号强度对所述目标网络进行覆盖处理。
图3示出了本发明实施例提供的网络覆盖测算装置的结构示意图。如图3所示,该装置200包括:获取模块210、估算模块220和补偿模块230。
获取模块210,用于获取参考网络的参考信号强度及参考传输参数。
估算模块220,用于根据所述参考信号强度、所述参考传输参数及目标网络的目标传输参数计算所述目标网络的估算信号强度。
补偿模块230,用于将所述估算信号强度输入偏差补偿模型,得到所述目标网络的目标信号强度。
在一种可选的方式中,所述获取参考网络的参考信号强度数据及参考传输参数,包括:获取所述参考网络的MR数据;根据所述MR数据确定所述参考网络的参考信号强度。
在一种可选的方式中,所述将所述估算信号强度输入偏差补偿模型,得到所述目标网络的目标信号强度之前,包括:
根据估算参考信号强度及第二参考信号强度对预设的神经网络模型进行训练,得到所述偏差补偿模型;
所述估算参考信号强度为根据第一参考信号强度估算得到的;所述第一参考信号强度为所述参考网络的第一频段所对应的信号强度,所述第二参考信号强度为所述参考网络的第二频段所对应的信号强度。
在一种可选的方式中,所述根据估算参考信号强度及第二参考信号强度对预设的神经网络模型进行训练,得到所述偏差补偿模型之前,包括:
根据所述参考网络的MR训练数据获取所述参考网络的第一参考信号强度及第二参考信号强度;
获取所述第一频段所对应的第一参考传输参数及所述第二频段所对应的第二参考传输参数;
根据所述第一参考信号强度、所述第一参考传输参数及所述第二参考传输参数计算所述第二频段所对应的估算参考信号强度。
在一种可选的方式中,所述根据估算参考信号强度及第二参考信号强度对预设的神经网络模型进行训练,得到所述偏差补偿模型,包括:
将所述估算参考信号强度输入所述预设的神经网络模型,输出修正参考信号强度;
根据所述修正参考信号强度与所述第二参考信号强度之间的误差;
根据所述误差调整所述预设神经网络模型的参数;
继续执行所述将所述估算参考信号强度输入所述预设的神经网络模型,输出修正参考信号强度,所述根据所述修正参考信号强度与所述第二参考信号强度之间的误差,以及所述根据所述误差调整所述预设神经网络模型的参数的步骤,直至所述误差小于预设阈值,得到所述偏差补偿模型。
在一种可选的方式中,所述目标网络为5G网络;所述参考网络为4G网络。
本发明实施例通过对参考网络的MR数据进行采集,并利用设备与传播差异对目标网络的信号强度进行估算,从而实现网络覆盖情况测算,并通过偏差补偿模型对估算的结果进行修正,从而得到目标网络的目标信号强度,降低了通过仿真模拟无线环境的偏差,并且可支持室内环境覆盖情况的测算,提升了测算精度。
图4示出了本发明实施例提供的网络覆盖测算设备的结构示意图,本发明具体实施例并不对网络覆盖测算设备的具体实现做限定。
如图4所示,该网络覆盖测算设备可以包括:处理器(processor)302、通信接口(Communications Interface)304、存储器(memory)306、以及通信总线308。
其中:处理器302、通信接口304、以及存储器306通过通信总线308完成相互间的通信。通信接口304,用于与其它设备比如客户端或其它服务器等的网元通信。处理器302,用于执行程序310,具体可以执行上述用于网络覆盖测算方法实施例中的相关步骤。
具体地,程序310可以包括程序代码,该程序代码包括计算机可执行指令。
处理器302可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。网络覆盖测算设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器306,用于存放程序310。存储器306可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序310具体可以被处理器302调用使网络覆盖测算设备执行以下操作:
获取参考网络的参考信号强度及参考传输参数;
根据所述参考信号强度、所述参考传输参数及目标网络的目标传输参数计算所述目标网络的估算信号强度;
将所述估算信号强度输入偏差补偿模型,得到所述目标网络的目标信号强度。
在一种可选的方式中,所述获取参考网络的参考信号强度数据及参考传输参数,包括:获取所述参考网络的MR数据;根据所述MR数据确定所述参考网络的参考信号强度。
在一种可选的方式中,所述将所述估算信号强度输入偏差补偿模型,得到所述目标网络的目标信号强度之前,包括:
根据估算参考信号强度及第二参考信号强度对预设的神经网络模型进行训练,得到所述偏差补偿模型;
所述估算参考信号强度为根据第一参考信号强度估算得到的;所述第一参考信号强度为所述参考网络的第一频段所对应的信号强度,所述第二参考信号强度为所述参考网络的第二频段所对应的信号强度。
在一种可选的方式中,所述根据估算参考信号强度及第二参考信号强度对预设的神经网络模型进行训练,得到所述偏差补偿模型之前,包括:
根据所述参考网络的MR训练数据获取所述参考网络的第一参考信号强度及第二参考信号强度;
获取所述第一频段所对应的第一参考传输参数及所述第二频段所对应的第二参考传输参数;
根据所述第一参考信号强度、所述第一参考传输参数及所述第二参考传输参数计算所述第二频段所对应的估算参考信号强度。
在一种可选的方式中,所述根据估算参考信号强度及第二参考信号强度对预设的神经网络模型进行训练,得到所述偏差补偿模型,包括:
将所述估算参考信号强度输入所述预设的神经网络模型,输出修正参考信号强度;
根据所述修正参考信号强度与所述第二参考信号强度之间的误差;
根据所述误差调整所述预设神经网络模型的参数;
继续执行所述将所述估算参考信号强度输入所述预设的神经网络模型,输出修正参考信号强度,所述根据所述修正参考信号强度与所述第二参考信号强度之间的误差,以及所述根据所述误差调整所述预设神经网络模型的参数的步骤,直至所述误差小于预设阈值,得到所述偏差补偿模型。
在一种可选的方式中,所述目标网络为5G网络;所述参考网络为4G网络。
本发明实施例通过对参考网络的MR数据进行采集,并利用设备与传播差异对目标网络的信号强度进行估算,从而实现网络覆盖情况测算,并通过偏差补偿模型对估算的结果进行修正,从而得到目标网络的目标信号强度,降低了通过仿真模拟无线环境的偏差,并且可支持室内环境覆盖情况的测算,提升了测算精度。
本发明实施例提供了一种计算机可读存储介质,所述存储介质存储有至少一可执行指令,该可执行指令在网络覆盖测算设备上运行时,使得所述网络覆盖测算设备执行上述任意方法实施例中的网络覆盖测算方法。
可执行指令具体可以用于使得网络覆盖测算设备执行以下操作:
获取参考网络的参考信号强度及参考传输参数;
根据所述参考信号强度、所述参考传输参数及目标网络的目标传输参数计算所述目标网络的估算信号强度;
将所述估算信号强度输入偏差补偿模型,得到所述目标网络的目标信号强度。
在一种可选的方式中,所述获取参考网络的参考信号强度数据及参考传输参数,包括:获取所述参考网络的MR数据;根据所述MR数据确定所述参考网络的参考信号强度。
在一种可选的方式中,所述将所述估算信号强度输入偏差补偿模型,得到所述目标网络的目标信号强度之前,包括:
根据估算参考信号强度及第二参考信号强度对预设的神经网络模型进行训练,得到所述偏差补偿模型;
所述估算参考信号强度为根据第一参考信号强度估算得到的;所述第一参考信号强度为所述参考网络的第一频段所对应的信号强度,所述第二参考信号强度为所述参考网络的第二频段所对应的信号强度。
在一种可选的方式中,所述根据估算参考信号强度及第二参考信号强度对预设的神经网络模型进行训练,得到所述偏差补偿模型之前,包括:
根据所述参考网络的MR训练数据获取所述参考网络的第一参考信号强度及第二参考信号强度;
获取所述第一频段所对应的第一参考传输参数及所述第二频段所对应的第二参考传输参数;
根据所述第一参考信号强度、所述第一参考传输参数及所述第二参考传输参数计算所述第二频段所对应的估算参考信号强度。
在一种可选的方式中,所述根据估算参考信号强度及第二参考信号强度对预设的神经网络模型进行训练,得到所述偏差补偿模型,包括:
将所述估算参考信号强度输入所述预设的神经网络模型,输出修正参考信号强度;
根据所述修正参考信号强度与所述第二参考信号强度之间的误差;
根据所述误差调整所述预设神经网络模型的参数;
继续执行所述将所述估算参考信号强度输入所述预设的神经网络模型,输出修正参考信号强度,所述根据所述修正参考信号强度与所述第二参考信号强度之间的误差,以及所述根据所述误差调整所述预设神经网络模型的参数的步骤,直至所述误差小于预设阈值,得到所述偏差补偿模型。
在一种可选的方式中,所述目标网络为5G网络;所述参考网络为4G网络。
本发明实施例通过对参考网络的MR数据进行采集,并利用设备与传播差异对目标网络的信号强度进行估算,从而实现网络覆盖情况测算,并通过偏差补偿模型对估算的结果进行修正,从而得到目标网络的目标信号强度,降低了通过仿真模拟无线环境的偏差,并且可支持室内环境覆盖情况的测算,提升了测算精度。
本发明实施例提供一种网络覆盖测算装置,用于执行上述网络覆盖测算方法。
本发明实施例提供了一种计算机程序,所述计算机程序可被处理器调用使网络覆盖测算设备执行上述任意方法实施例中的网络覆盖测算方法。
本发明实施例提供了一种计算机程序产品,计算机程序产品包括存储在计算机可读存储介质上的计算机程序,计算机程序包括程序指令,当程序指令在计算机上运行时,使得所述计算机执行上述任意方法实施例中的网络覆盖测算方法。
在此提供的算法或显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述,构造这类***所要求的结构是显而易见的。此外,本发明实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。
本领域技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤,除有特殊说明外,不应理解为对执行顺序的限定。
Claims (10)
1.一种网络覆盖测算方法,其特征在于,所述方法包括:
获取参考网络的参考信号强度及参考传输参数;
根据所述参考信号强度、所述参考传输参数及目标网络的目标传输参数计算所述目标网络的估算信号强度;
将所述估算信号强度输入偏差补偿模型,得到所述目标网络的目标信号强度。
2.根据权利要求1所述的方法,其特征在于,所述获取参考网络的参考信号强度数据及参考传输参数,包括:
获取所述参考网络的MR数据;
根据所述MR数据确定所述参考网络的参考信号强度。
3.根据权利要求1所述的方法,其特征在于,所述将所述估算信号强度输入偏差补偿模型,得到所述目标网络的目标信号强度之前,包括:
根据估算参考信号强度及第二参考信号强度对预设的神经网络模型进行训练,得到所述偏差补偿模型;
所述估算参考信号强度为根据第一参考信号强度估算得到的;所述第一参考信号强度为所述参考网络的第一频段所对应的信号强度,所述第二参考信号强度为所述参考网络的第二频段所对应的信号强度。
4.根据权利要求3所述的方法,其特征在于,所述根据估算参考信号强度及第二参考信号强度对预设的神经网络模型进行训练,得到所述偏差补偿模型之前,包括:
根据所述参考网络的MR训练数据获取所述参考网络的第一参考信号强度及第二参考信号强度;
获取所述第一频段所对应的第一参考传输参数及所述第二频段所对应的第二参考传输参数;
根据所述第一参考信号强度、所述第一参考传输参数及所述第二参考传输参数计算所述第二频段所对应的估算参考信号强度。
5.根据权利要求3所述的方法,其特征在于,所述根据估算参考信号强度及第二参考信号强度对预设的神经网络模型进行训练,得到所述偏差补偿模型,包括:
将所述估算参考信号强度输入所述预设的神经网络模型,输出修正参考信号强度;
根据所述修正参考信号强度与所述第二参考信号强度之间的误差;
根据所述误差调整所述预设神经网络模型的参数;
继续执行所述将所述估算参考信号强度输入所述预设的神经网络模型,输出修正参考信号强度,所述根据所述修正参考信号强度与所述第二参考信号强度之间的误差,以及所述根据所述误差调整所述预设神经网络模型的参数的步骤,直至所述误差小于预设阈值,得到所述偏差补偿模型。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述目标网络为5G网络;所述参考网络为4G网络。
7.一种网络覆盖方法,其特征在于,包括:
接收所述目标网络的覆盖需求信息;
根据如权利要求1-6任一项所述的网络覆盖测算方法对所述目标网络进行测算,得到所述目标网络的目标信号强度;
根据所述目标信号强度对所述目标网络进行覆盖处理。
8.一种网络覆盖测算装置,其特征在于,所述装置包括:
获取模块,用于获取参考网络的参考信号强度及参考传输参数;
估算模块,用于根据所述参考信号强度、所述参考传输参数及目标网络的目标传输参数计算所述目标网络的估算信号强度;
补偿模块,用于将所述估算信号强度输入偏差补偿模型,得到所述目标网络的目标信号强度。
9.一种网络覆盖测算设备,其特征在于,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-6任意一项所述的网络覆盖测算方法的操作。
10.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一可执行指令,所述可执行指令在网络覆盖测算设备上运行时,使得网络覆盖测算设备执行如权利要求1-6任意一项所述的网络覆盖测算方法的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110504274.4A CN115334523B (zh) | 2021-05-10 | 2021-05-10 | 网络覆盖测算方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110504274.4A CN115334523B (zh) | 2021-05-10 | 2021-05-10 | 网络覆盖测算方法、装置、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115334523A true CN115334523A (zh) | 2022-11-11 |
CN115334523B CN115334523B (zh) | 2023-12-19 |
Family
ID=83912407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110504274.4A Active CN115334523B (zh) | 2021-05-10 | 2021-05-10 | 网络覆盖测算方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115334523B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109873710A (zh) * | 2017-12-05 | 2019-06-11 | ***通信集团吉林有限公司 | 一种网络覆盖性能的预估方法及装置 |
CN110831057A (zh) * | 2019-11-13 | 2020-02-21 | 中国联合网络通信集团有限公司 | 网络覆盖状况检测方法、装置及存储介质 |
US20200169895A1 (en) * | 2018-11-26 | 2020-05-28 | Samsung Electronics Co., Ltd. | Methods and apparatus for coverage prediction and network optimization in 5g new radio networks |
CN111385038A (zh) * | 2018-12-27 | 2020-07-07 | ***通信集团山西有限公司 | NB-IoT覆盖评估方法、装置、设备及介质 |
CN111669761A (zh) * | 2020-05-18 | 2020-09-15 | 中通服咨询设计研究院有限公司 | 一种基于4g现网信号强度贡献度的5g业务量预测方法 |
CN111988785A (zh) * | 2019-05-21 | 2020-11-24 | 大唐移动通信设备有限公司 | 一种5g网络覆盖处理方法及装置 |
CN112203317A (zh) * | 2020-10-20 | 2021-01-08 | 中国联合网络通信集团有限公司 | 网络覆盖分析方法及装置 |
CN112203288A (zh) * | 2019-07-08 | 2021-01-08 | ***通信集团浙江有限公司 | Sul网络规划方法、装置、设备和存储介质 |
CN112469066A (zh) * | 2019-09-09 | 2021-03-09 | ***通信集团河北有限公司 | 5g网络覆盖评估方法及装置 |
KR20210026520A (ko) * | 2019-08-30 | 2021-03-10 | 주식회사 케이티 | 측정 데이터 기반의 무선 통신 커버리지 예측 시스템 및 방법 |
-
2021
- 2021-05-10 CN CN202110504274.4A patent/CN115334523B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109873710A (zh) * | 2017-12-05 | 2019-06-11 | ***通信集团吉林有限公司 | 一种网络覆盖性能的预估方法及装置 |
US20200169895A1 (en) * | 2018-11-26 | 2020-05-28 | Samsung Electronics Co., Ltd. | Methods and apparatus for coverage prediction and network optimization in 5g new radio networks |
CN111385038A (zh) * | 2018-12-27 | 2020-07-07 | ***通信集团山西有限公司 | NB-IoT覆盖评估方法、装置、设备及介质 |
CN111988785A (zh) * | 2019-05-21 | 2020-11-24 | 大唐移动通信设备有限公司 | 一种5g网络覆盖处理方法及装置 |
CN112203288A (zh) * | 2019-07-08 | 2021-01-08 | ***通信集团浙江有限公司 | Sul网络规划方法、装置、设备和存储介质 |
KR20210026520A (ko) * | 2019-08-30 | 2021-03-10 | 주식회사 케이티 | 측정 데이터 기반의 무선 통신 커버리지 예측 시스템 및 방법 |
CN112469066A (zh) * | 2019-09-09 | 2021-03-09 | ***通信集团河北有限公司 | 5g网络覆盖评估方法及装置 |
CN110831057A (zh) * | 2019-11-13 | 2020-02-21 | 中国联合网络通信集团有限公司 | 网络覆盖状况检测方法、装置及存储介质 |
CN111669761A (zh) * | 2020-05-18 | 2020-09-15 | 中通服咨询设计研究院有限公司 | 一种基于4g现网信号强度贡献度的5g业务量预测方法 |
CN112203317A (zh) * | 2020-10-20 | 2021-01-08 | 中国联合网络通信集团有限公司 | 网络覆盖分析方法及装置 |
Non-Patent Citations (2)
Title |
---|
李泽捷;曹磊;: "5G网络规划与测试指标研究", 信息通信技术与政策, no. 06 * |
马敏;李威;: "基于3D建模和射线跟踪算法的5G室内深度覆盖预测方法", 电信工程技术与标准化, no. 05 * |
Also Published As
Publication number | Publication date |
---|---|
CN115334523B (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112512069B (zh) | 基于信道波束图样的网络智能优化方法及装置 | |
CN108051779B (zh) | 一种面向tdoa的定位节点优选方法 | |
CN112054943B (zh) | 一种移动网络基站流量预测方法 | |
CN110139359B (zh) | 一种干扰源定位处理方法及装置 | |
CN106612511B (zh) | 一种基于支持向量机的无线网络吞吐量的评估方法及装置 | |
CN112182961B (zh) | 一种换流站无线网络信道大尺度衰落建模预测方法 | |
CN113691594B (zh) | 一种基于二阶导数解决联邦学***衡问题的方法 | |
JP6696859B2 (ja) | 品質推定装置及び品質推定方法 | |
CN112243249A (zh) | 5g nsa组网下lte新入网锚点小区参数配置方法和装置 | |
CN114501530A (zh) | 基于深度强化学习的天线参数的确定方法和装置 | |
CN114268981A (zh) | 网络故障检测与诊断方法及*** | |
CN109991591B (zh) | 基于深度学习的定位方法、装置、计算机设备及存储介质 | |
CN115001937B (zh) | 面向智慧城市物联网的故障预测方法及装置 | |
Karra et al. | Prediction of received signal power in mobile communications using different machine learning algorithms: A comparative study | |
CN110797046B (zh) | 语音质量mos值的预测模型建立方法及装置 | |
CN111756587B (zh) | 一种采用GraphSAGE预测时序网络链路的方法 | |
CN112651500B (zh) | 一种量化模型的生成方法及终端 | |
CN117560267A (zh) | 一种多模场域网的故障诊断方法及快速恢复方法 | |
CN112465055A (zh) | 一种基于卷积神经网络的网络故障诊断方法 | |
CN110751201B (zh) | 基于纹理特征变换的sar装备任务失效成因推理方法 | |
CN115334523B (zh) | 网络覆盖测算方法、装置、设备及计算机可读存储介质 | |
CN107346985B (zh) | 一种结合发射天线选择技术的干扰对齐方法 | |
CN114390582B (zh) | 基站站址预测方法及装置 | |
CN114339855B (zh) | 无线网络覆盖率评估方法、装置及计算设备 | |
CN114615693A (zh) | 网络容量预测方法、装置、电子设备及计算机存储介质 |
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 |