CN116264706A - 5g基站布设评估模型训练方法、设备及存储介质 - Google Patents
5g基站布设评估模型训练方法、设备及存储介质 Download PDFInfo
- Publication number
- CN116264706A CN116264706A CN202111531352.6A CN202111531352A CN116264706A CN 116264706 A CN116264706 A CN 116264706A CN 202111531352 A CN202111531352 A CN 202111531352A CN 116264706 A CN116264706 A CN 116264706A
- Authority
- CN
- China
- Prior art keywords
- data
- base station
- training
- grid
- network resource
- 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.)
- Pending
Links
Images
Classifications
-
- 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
-
- 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)
- Mobile Radio Communication Systems (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本申请提供一种5G基站布设评估模型训练方法、设备及存储介质。该方法包括:获取4G基站的网络资源数据及其网格数据,其中,所述网络资源数据包括以下一种或多种:4G基站的带宽、资源利用率、连接用户数、语音话务量、域流量、小区平均覆盖距离、用户下载速率、5G基站布设数据;所述网格数据包括以下一种或多种:网格4G业务量、网格用户数据、网格4G终端数量、网格站址数量、4G基站覆盖数据;采用决策树算法,对所述网络资源数据及其网格数据进行训练,得到5G基站布设评估模型。通过5G基站布设评估模型能够对是否建设5G基站做出评估,提高了5G基站建设的精准度。
Description
技术领域
本申请涉及通信技术领域,尤其涉及一种5G基站布设评估模型训练方法、设备及存储介质。
背景技术
随着移动通信技术的迅速发展,人们对5G网络的需求也逐渐增加。但是由于5G的建网成本较高,大约是4G网络的2到3倍,因此为实现建设一张低成本、覆盖好的5G网络,需要提升5G基站建设的精准度。
传统的精准度评估方法,更多的是在网络建设完成后对单站进行评估,对精准度较低的站点,需要再次投入成本进行站点优化或搬迁,导致5G基站建设的精准度较低,造成了建设成本的浪费。
发明内容
本申请提供一种5G基站布设评估模型训练方法、设备及存储介质,用以解决5G基站建设精准度较低的问题。
第一方面,本申请提供一种5G基站布设评估模型训练方法,包括:
获取4G基站的网络资源数据及其网格数据,其中,网络资源数据包括以下一种或多种:4G基站的带宽、资源利用率、连接用户数、语音话务量、域流量、小区平均覆盖距离、用户下载速率、5G基站布设数据;网格数据包括以下一种或多种:网格4G业务量、网格用户数据、网格4G终端数量、网格站址数量、4G基站覆盖数据;
采用决策树算法,对网络资源数据及其网格数据进行训练,得到5G基站布设评估模型。
第二方面,本申请提供一种5G基站布设评估模型训练设备,包括:
获取模块,用于获取4G基站的网络资源数据及其网格数据,其中,网络资源数据包括以下一种或多种:4G基站的带宽、资源利用率、连接用户数、语音话务量、域流量、小区平均覆盖距离、用户下载速率、5G基站布设数据;网格数据包括以下一种或多种:网格4G业务量、网格用户数据、网格4G终端数量、网格站址数量、4G基站覆盖数据;
训练模块,用于采用决策树算法,对网络资源数据及其网格数据进行训练,得到5G基站布设评估模型。
第三方面,本申请提供一种5G基站布设评估模型训练设备,包括:处理器、存储器,存储器中存储代码,处理器运行存储器中存储的代码,以执行如第一方面的5G基站布设评估模型训练方法。
第四方面,本申请提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,计算机执行指令被处理器执行时用于实现如第一方面任一项的5G基站布设评估模型训练方法。
本申请提供的5G基站布设评估模型训练方法,获取4G基站的网络资源数据及其网格数据,采用决策树算法,对网络资源数据及其网格数据进行训练,得到能够预测是否建设5G基站的5G基站布设评估模型。在建设5G基站时,可以利用5G基站布设评估模型进行预测。根据评估模型的预测结果来布设5G基站,提高了5G基站建设的精准度。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请实施例提供的5G基站布设评估模型应用场景示意图;
图2为本申请实施例提供的一种5G基站布设评估模型训练方法流程图一;
图3为本申请实施例提供的一种训练数据生成方法的流程图;
图4为本申请实施例提供的一种5G基站布设评估模型构建方法流程图;
图5为本申请实施例提供的一种5G基站布设评估模型训练方法流程图二;
图6为本申请实施例提供的一种决策树模型示意图;
图7为本申请实施例提供的一种5G基站布设评估模型训练设备示意图一;
图8为本申请实施例提供的一种5G基站布设评估模型训练设备示意图二。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
现有技术中,5G基站布设主要通过以下几个方面进行评估:单站效能:在网络建成后,通过KPI(Key Performance Indication,关键性能指标)统计单站用户数、业务量及资源使用情况,计算投资回收期,评估5G基站建设的精准度;MR(Measurement Report,测量报告)数据:在网络建成后,通过分析网络覆盖、用户接入电平及用户位置等MR数据,评估5G基站建设的精准度;无线链路:在网络建成后,通过KPI分析TA(Timing Advance,时间提前量)值,分析单小区的无线链路,评估5G基站建设的精准度;用户反馈的情况:在网络建成后,统计用户投诉情况,如零星投诉、区域性投诉和业务性投诉,核查投诉地区无线基站布局、天线挂高、天线方位角、天线俯仰角等,用户反映真实的网络情况,评估5G基站建设的精准度。但是由于一般用户不具备专业的网络知识,无法反馈出详细的网络信息,从而造成网络精准度的评估造成困难。
基于以上维度的评价,均需要在网络建成后,用户大规模更换5G终端后才能开展,评估的滞后性较大,且需要投入较大的人力资源对每个基站的提取指标分析,逐例回访用户投诉并结合现场测试,确定每个基站建设的精准度。对精准度较低的站点,则需要再次投入成本进行站点优化或搬迁,无法弥补浪费的网络投资。
本申请提供一种5G基站布设评估模型训练方法,获取4G基站的网络资源数据及其网格数据,采用决策树算法,对网络资源数据及其网格数据进行训练,得到5G基站布设评估模型。根据评估模型的预测结果来布设5G基站,提高了5G基站建设的精准度。
图1为本申请实施例提供的5G基站布设评估模型应用场景示意图,如图1所示,当向5G基站布设评估模型输入语音话务量、PS域流量、RPC连接用户数、带宽和小区平局覆盖距离等网络资源数据及其网格数据时,5G基站布设评估模型可输出是否建设5G基站的结果。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
图2为本申请实施例提供的5G基站布设评估模型训练方法流程图一,本方法的执行主体可以是5G基站布设评估模型训练设备。5G基站布设评估模型训练设备可以为任意具有数据处理功能的设备,例如计算机等。本实施例中的方法可以通过软件、硬件或者软硬件结合的方式来实现。如图2所示,该方法可以包括:
S201:获取4G基站的网络资源数据及其网格数据,其中,网络资源数据包括以下一种或多种:4G基站的带宽、资源利用率、连接用户数、语音话务量、域流量、小区平均覆盖距离、用户下载速率、5G基站布设数据;网格数据包括以下一种或多种:网格4G业务量、网格用户数据、网格4G终端数量、网格站址数量、4G基站覆盖数据。
为了对5G基站的布设进行更精确的预估,本申请中采集了网络资源数据以及对应的网格数据作为5G基站布设评估模型的输入数据。其中,网络资源数据一般可以采集4G基站的带宽、PRB(Physical Resource Block,物理资源块)资源利用率、RRC(Radio ResourceControl,无线资源控制)连接用户数、PS(Packet Switch,分组交换)域流量(GB)、小区平均覆盖距离、用户下载速率、5G基站布设数据;网格数据可以包括:网格4G业务量、网格用户数据、网格4G终端数量、网格站址数量、4G基站覆盖数据。其中,网格用户数据可以包括网格年轻人数量、网格年轻人占比及网格2I2C用户数等。
获取4G基站的网络资源数据及其网格数据可以通过网络资源管理平台、用户信息管理平台等获取。
S202:采用决策树算法,对网络资源数据及其网格数据进行训练,得到5G基站布设评估模型。
获取4G基站的网络资源数据及其网格数据之后,还可以进一步对获取到的数据进行数据清洗、标准化处理等操作。进一步的,可以采用决策树算法进行评估模型的构建。决策树是一种分类方法,通过对训练数据进行训练,构建决策树模型。该决策树模型呈树结构,可以为二叉树或多叉树结构。树结构中的每个内部节点表示对一种属性的判断,每个分支代表一个判断结果的输出,每个叶节点代表一种分类结果。
5G基站布设评估模型建立之后,可以将该站点对应的4G基站的网络资源数据及网格数据输入至5G基站布设评估模型中,通过5G基站布设评估模型来输出是否建设5G基站的结果。
本申请实施例提供一种5G基站布设评估模型训练方法,获取4G基站的网络资源数据以及网格数据,采用决策树算法,对获取的网络资源数据和网格数据进行训练,得到5G基站布设评估模型。当需要评估某一站点是否能够建设5G基站时,可将该站点对应的4G基站的网络资源数据及网格数据输入至5G基站布设评估模型,该5G基站布设评估模型可以输出是否建设5G基站的结果,从而提高了5G基站建设的精准度,节约了建设成本。
上述实施例中,需要在网络资源数据及其网格数据中生成训练数据,下面提供一个实施例对生成训练数据的过程进行详细描述。
图3为本申请实施例提供的一种训练数据生成方法的流程图,通过对训练数据进行训练得到5G基站布设评估模型,该方法具体如下:
S301:在网络资源数据及其网格数据中提取非数值属性数据。
网络资源数据及其网格数据中包括数值属性数据和非数值属性数据,其中,非数值属性数据可以为字符数据、图像等类型的数据。举例而言,非数值属性数据可以是5G基站布设数据,主要包含{是,否}两类。
S302:对非数值属性数据进行数值化转换。
为便于5G基站布设评估模型的训练,当非数值属性数据为5G基站布设数据时,可将{是,否}进行数值化,例如转换得到{0,1}。
S303:对数值化转换后的数据进行分布随机化和均匀化处理生成训练数据。
为避免训练5G基站布设评估模型的数据过于集中化,即{0}或{1}的数据过于集中在某一区域,需要对数据进行分布随机化和均匀化处理,更易于5G基站布设评估模型的训练。
需要说明的是,为便于5G基站布设评估模型的训练,在生成训练数据后,还需要对训练数据进行标准化处理。
本申请实施例提供一种训练数据生成方法,为便于5G基站布设评估模型的训练,在获取的4G基站的网络资源数据和网格数据中提取非数值属性数据,并对非数值属性数据进行数值化转换。为避免训练数据过于集中,对经过数据化转换的数据进行分布随机化和均匀化处理,从而得到用于训练5G基站布设评估模型的训练数据。
通过对上述实施例提供的训练数据进行训练可以得到5G基站布设评估模型,下面提供一个实施例对5G基站布设评估模型的构建过程进行描述。
图4为本申请实施例提供的一种5G基站布设评估模型构建方法流程图,该方法可以包括:
S401:将训练数据划分为训练集数据和测试集数据。
由于需要对构建的5G基站布设评估模型进行验证,因此需要对训练数据划分为训练集数据和测试集数据。其中,训练集数据用于构建5G基站布设评估模型,测试集数据用于对训练结果进行验证。在对训练数据进行划分时,可以确定训练集数据和测试集数据的比例,训练集数据和测试集数据的比例可以是8-2、7-3、6-4、5-5等。按照确定的比例,可以将训练数据划分为训练集数据和测试集数据。
划分训练数据时可采用随机划分的方式进行划分。
S402:采用决策树算法对训练集数据进行训练,并采用测试集数据对训练结果进行验证。
采用决策树算法对训练集数据进行训练,得到5G基站布设评估模型,该5G基站布设评估模型能够预测某一站点是否建设5G基站。
在采用测试集数据对训练结果进行验证之前,需要定义衡量训练结果是否准确的指标,该指标可以是5G基站布设评估模型预测结果与真实结果之间的误差。在评估是否建立5G基站的实施场景下,指标可以定义为5%。当5G基站布设评估模型预测结果与真实结果之间的误差在5%内时,判定5G基站布设评估模型预测的结果是准确的。
本申请实施例提供一种5G基站布设评估模型构建方法,将获取的训练数据按照一定比例划分为训练集数据和测试集数据。采用决策树算法对训练集数据进行训练,得到5G基站布设评估模型,测试集数据可以对训练结果进行验证。当训练结果准确时,5G基站布设评估模型可根据现有的4G基站的网络资源数据及其网格数据评估是否建设5G基站,从而提高了5G基站建设的精准度。
在上述实施例的基础上,下面提供一个具体的实施例,对5G基站布设评估模型的训练方法以及应用过程进行详细的描述。
图5为本申请实施例提供的一种5G基站布设评估模型训练方法流程图二,该方法的执行主体可以是5G基站布设评估模型训练设备,具体如下:
S501:获取4G基站的网络资源数据及其网格数据。
可以通过网络资源管理平台、用户信息管理平台等方式提取4G基站的网络数据及所对应的网格数据。其中网络数据包含:4G基站的带宽、PRB资源利用率、RRC连接用户数、VoLTE语音话务量Erl、PS域流量(GB)、小区平均覆盖距离、用户下载速率、5G基站布设数据;网格数据包含:网格4G业务量(MB)、网格用户数据、网格4G终端数量、网格站址数量、4G基站覆盖数据。其中,网格用户数据可以包括网格年轻人数量、网格年轻人占比及网格2I2C用户数等。
S502:对网络资源数据及其网格数据进行清洗。
由于网格资源数据及其网格数据中可能存在包含“无”、空值或属性中包含较多非数值属性数据等问题,因此在生成训练数据之前,可以对获取的数据进行清洗。
在一种实施场景下,当数据中包含“无”,或包含空值时,可以通过删除“无”所在的行数据和空值解决。
在另一种实施场景下,当属性中包含较多非数值属性数据时,如表1所示,需要将非数值数据映射处理为一定的数字类别数据。进行离散化操作主要是为了解决分类中样本偏差过大导致模型准确率失真的问题。通过标签离散化,增加更多的分类,使样本数相差较小,保证预测的准确性和实际相符。
表1 4G基站网格资源数据及其网格数据
非数值属性数据可以包含所属于网格属性数据和4G基站覆盖数据。其中,所属于网格属性数据可包含四个类别值,分别为极高价值网格、高价值网格、高潜力网格和非聚焦网格。查看所属于网格属性数据所包含的类别值个数并对其进行数据类别映射。在一种场景下,所属于网格属性数据所包含的类别值个数可以如下所示:极高价值网格有4405个,高价值网格有613个,高潜力网格有492个,非聚焦网格有64个。
4G基站覆盖数据可包含住宅、学校校园、工业园区、医院等多种场景。查看4G基站覆盖数据所包含的种类类别个数,并进行类别映射。在一种场景下,4G基站覆盖数据所包含的种类类别个数如表2所示:
表2 4G基站覆盖数据
对所属于网格属性数据和4G基站覆盖数据进行类型映射后,得到的结果如表3所示。
表3映射处理后数据
S503:在网络资源数据及其网格数据中生成训练数据。
将非数值属性数据{是否安装5G基站}分离出来,用作标签数据。由于这些标签数据主要包含{是,否}两类,为了便于模型训练和学习,需要将{是,否}转换成{0,1},除此之外的属性列可以组成训练数据。
为了避免所使用的训练数据过于集中化,即{是}或{否}的数据过于集中在某个区域,如表4所示。可以对训练数据进行分布随机化和均匀化处理,分散训练数据,如表5所示,这样能使得所构建的模型表现更佳。
表4数据分布随机化和均匀化处理前数据
表5数据分布随机化和均匀化处理后数据
S504:对训练数据进行标准化处理。
对训练数据进行标准化处理,可以将训练数据按比例所放置设定区间,生成无量纲的数值数据。
将训练数据转化为无量纲的数值数据,可以去除数据的单位限制,便于不同单位或量级的指标能够进行比较和加权,将不同来源的数据统一到一个参考系下。
经过以上步骤的数据处理之后,查看整体数据的结果,如表6所示,对于每列数据,其最大值和最小值相差范围较大。由于在最大值和最小值相差较大时不利于模型的训练,因此,可以对数值数据进行归一化处理,其代码如下:
from sklearn import preprocessing
X_scaled=preprocessing.scale(X)
表6标准化处理后数据
S505:将训练数据划分为训练集数据和测试集数据。
在形成训练数据后,还需要按一定比例划分为训练集数据和测试集数据。划分比例可根据实际数据量选取,例如可以取8-2、7-3、6-4、5-5比例。确定训练集数据和测试集数据的比例后,可以按照该比例将训练数据划分为训练集数据和测试集数据。其中通过训练训练集数据生成5G基站布设评估模型,测试集数据用于测试模型的正确率和误差,以验证模型的有效性。举例而言,在使用7-3划分训练集数据和测试集数据时,具体代码实现如下:
from sklearn.model_selection import train_test_split
x_train,x_test,y_train,y_test=train_test_split(X_scaled,y,test_size=0.3,random_state=7)
S506:采用决策树算法对训练集数据进行训练,得到5G基站布设评估模型。
选定决策树算法构建模型。决策树(decision tree)是一个树结构(可以是二叉树或非二叉树)。其中每个内部节点表示一种属性的判断,每个分支代表一个判断结果的输出,最后每个叶节点代表一种分类结果。使用决策树进行决策的过程就是从根节点开始,测试待分类项中相应的特征属性,并按照其值选择输出分支,直到到达叶子节点,将叶子节点存放的类别作为决策结果。
在具体代码实现过程中,可以使用sklearn来进行决策树模型的构建以及判断模型在测试机上的表现。所使用的模型中的参数criterion衡量分类质量,其中"gini"代表的是Gini impurity(基尼系数),splitter是决定用来在节点中选择分类的策略,"best"意味着选择最好的分类,max_depth表示树的最大深度。在最大深度参数的选择上,对于模型的训练比较重要。若是太大,则模型容易过拟合,导致模型在训练数据上的表现较差。
from sklearn.tree import DecisionTreeClassifier
dtc=DecisionTreeClassifier(criterion='gini',splitter='best',max_depth=3)
dtc.fit(x_train,y_train)
S507:定义衡量指标。
在预测是否建立5G基站的问题上,通过判断模型的预测准确率,并计算预测结果与真实结果之间的误差。例如,衡量指标可以定义为5%,当预测结果与真实结果之间的误差在5%以内时,可以认为5G基站布设评估模型模型得出的结果是准确的。
S508:采用测试集数据对训练结果进行验证。
利用定义的衡量指标,得到模型在测试集上的训练准确度97.13%,也就是该模型在测试数据上的预测结果与真实结果的误差为小于3%。因此,认为模型得出的结果是准确的from sklearn.metrics import accuracy_score
y_pre=dtc.predict(x_test)
accuracy_score(y_test,y_pre)
在一种实施场景下,在测试集上选择十组数据,预测输出值与真实值的对比结果如下所示(其中的1代表是安装5G基站,0代表否)。
dtc.predict(x_test[:11])
array([0.,1.,1.,1.,0.,1.,1.,0.,0.,0.,0.])
y_test[:11]
array([0.,1.,1.,1.,0.,1.,1.,0.,0.,0.,0.])
针对于建立的决策树模型,利用tree.export_graphviz将具体建立的决策树结果进行输出,如图6所示。图6中模型的每个内部节点表示一个属性上的判断,每个分支代表一个判断结果的输出,最后每个叶节点代表一种分类结果。每个节点中可以包含以下内容:基尼系数、节点中的样本数量、每个类别的样本数量、容量多的样本分类等。如图6所示,{VoLTE语音话务量Erl,PS域流量,RPC连接用户数,带宽,小区平均覆盖距离}等特征在模型表现上影响较大,决策树模型的内部构建过程在很大程度上也是根据上述特征来构建模型的,因此可以认为{VoLTE语音话务量Erl,PS域流量,RPC连接用户数,带宽,小区平均覆盖距离}等特征对于最终的5G基站建设判断相关性较大。
S509:应用5G基站布设评估模型
将需要建设的5G基站相关的4G网络资源数据导入5G基站布设评估模型。其中,4G网络资源数据包含{VoLTE语音话务量Erl,PS域流量,RPC连接用户数,带宽,小区平均覆盖距离}等5个维度,模型针对对应的站点是建设或不建设作出判断,即是或否。如果输出结果为是,则可以建设5G基站,如果输出结果为否,则暂缓此站点5G基站的建设。
本申请实施例提供一种5G基站布设评估模型训练方法,首先获取4G的网络资源数据以及网格数据,对获取的数据进行清洗与处理生成训练数据,随后对数据进行标准化处理和归一化处理。将处理后的训练数据按一定比例划分训练集数据和测试集数据,并采用决策树算法对训练集数据进行训练,得到5G基站布设评估模型。测试集数据可以对训练结果进行验证。当训练结果准确时,5G基站布设评估模型可根据现有的4G基站的网络资源数据及其网格数据评估是否能够建设5G基站,从而提高了5G基站建设的精准度,节约了建设成本。
图7为本申请实施例一种5G基站布设评估模型训练设备示意图一,如图7所示,本实施例提供的5G基站布设评估模型训练设备700,可以包括获取模块701和训练模块702。
获取模块701,用于获取4G基站的网络资源数据及其网格数据,其中,网络资源数据包括以下一种或多种:4G基站的带宽、资源利用率、连接用户数、语音话务量、域流量、小区平均覆盖距离、用户下载速率、5G基站布设数据;网格数据包括以下一种或多种:网格4G业务量、网格用户数据、网格4G终端数量、网格站址数量、4G基站覆盖数据。
训练模块702,用于采用决策树算法,对网络资源数据及其网格数据进行训练,得到5G基站布设评估模型。
本实施例的设备700,可用于执行如图2所示的方法实施例,其实现原理和技术效果类似,此处不再赘述。
图8为本申请实施例一种5G基站布设评估模型训练设备示意图二,如图8所示,本申请实施例提供的一种5G基站布设评估模型训练设备800包括:处理器801、存储器802,其中,处理器801、存储器802通过总线803连接。
在具体实现过程中,存储器802中存储代码,处理器801运行存储器802中存储的代码,以执行上述方法实施例的5G基站布设评估模型训练方法。
处理器801的具体实现过程可参见上述方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
在上述的图8所示的实施例中,应理解,处理器801可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application SpecificIntegrated Circuit,简称:ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器802可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器。
总线803可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component,PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture,EISA)总线等。总线803可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线803并不限定仅有一根总线或一种类型的总线。
本申请实施例提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,计算机执行指令被处理器执行时用于实现上述任意方法实施例5G基站布设评估模型训练方法。
上述的计算机可读存储介质,可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random Access Memory,SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM),可编程只读存储器(Programmable Read-Only Memory,PROM),只读存储器(Read-OnlyMemory,ROM),磁存储器,快闪存储器,磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的可读存储介质耦合至处理器,从而使处理器能够从该可读存储介质读取信息,且可向该可读存储介质写入信息。当然,可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits,简称:ASIC)中。当然,处理器和可读存储介质也可以作为分立组件存在于设备中。
本申请实施例提供一种计算机程序产品,包括计算机程序,计算机程序被处理器执行时实现上述本申请实施例中任意实施例提供的5G基站布设评估模型训练方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种5G基站布设评估模型训练方法,其特征在于,包括:
获取4G基站的网络资源数据及其网格数据,其中,所述网络资源数据包括以下一种或多种:4G基站的带宽、资源利用率、连接用户数、语音话务量、域流量、小区平均覆盖距离、用户下载速率、5G基站布设数据;所述网格数据包括以下一种或多种:网格4G业务量、网格用户数据、网格4G终端数量、网格站址数量、4G基站覆盖数据;
采用决策树算法,对所述网络资源数据及其网格数据进行训练,得到5G基站布设评估模型。
2.根据权利要求1所述的方法,其特征在于,所述采用决策树算法,对所述网络资源数据及其网格数据进行训练之前,还包括:
在所述网络资源数据及其网格数据中生成训练数据;
对所述训练数据进行标准化处理。
3.根据权利要求2所述的方法,其特征在于,所述对所述训练数据进行标准化处理,包括:
将所述训练数据按比例缩放至设定区间,生成无量纲的数值数据;
对所述数值数据进行归一化处理。
4.根据权利要求2所述的方法,其特征在于,所述在所述网络资源数据及其网格数据中生成训练数据,包括:
在所述网络资源数据及其网格数据中提取非数值属性数据;
对所述非数值属性数据进行数值化转换;
对数值化转换后的数据进行分布随机化和均匀化处理生成所述训练数据。
5.根据权利要求2-4任一项所述的方法,其特征在于,所述采用决策树算法,对所述网络资源数据及其网格数据进行训练,包括:
将所述训练数据划分为训练集数据和测试集数据;
采用决策树算法对所述训练集数据进行训练,并采用所述测试集数据对训练结果进行验证。
6.根据权利要求5所述的方法,其特征在于,所述将所述训练数据划分为训练集数据和测试集数据,包括:
确定所述训练集数据和所述测试集数据的比例;
按照所述比例,将所述训练数据划分为所述训练集数据和所述测试集数据。
7.根据权利要求1所述的方法,其特征在于,所述采用决策树算法,对所述网络资源数据及其网格数据进行训练之前,还包括:
对所述网络资源数据及其网格数据进行清洗。
8.一种5G基站布设评估模型训练设备,包括:
获取模块,用于获取4G基站的网络资源数据及其网格数据,其中,所述网络资源数据包括以下一种或多种:4G基站的带宽、资源利用率、连接用户数、语音话务量、域流量、小区平均覆盖距离、用户下载速率、5G基站布设数据;所述网格数据包括以下一种或多种:网格4G业务量、网格用户数据、网格4G终端数量、网格站址数量、4G基站覆盖数据;
训练模块,用于采用决策树算法,对所述网络资源数据及其网格数据进行训练,得到5G基站布设评估模型。
9.一种5G基站布设评估模型训练设备,其特征在于,包括:处理器、存储器,所述存储器中存储代码,所述处理器运行所述存储器中存储的代码,以执行如权利要求1-7任一项所述的5G基站布设评估模型训练方法。
10.一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执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1至7任一项所述的5G基站布设评估模型训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111531352.6A CN116264706A (zh) | 2021-12-15 | 2021-12-15 | 5g基站布设评估模型训练方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111531352.6A CN116264706A (zh) | 2021-12-15 | 2021-12-15 | 5g基站布设评估模型训练方法、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116264706A true CN116264706A (zh) | 2023-06-16 |
Family
ID=86723434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111531352.6A Pending CN116264706A (zh) | 2021-12-15 | 2021-12-15 | 5g基站布设评估模型训练方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116264706A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117596156A (zh) * | 2023-12-07 | 2024-02-23 | 机械工业仪器仪表综合技术经济研究所 | 一种工业应用5g网络的评估模型的构建方法 |
-
2021
- 2021-12-15 CN CN202111531352.6A patent/CN116264706A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117596156A (zh) * | 2023-12-07 | 2024-02-23 | 机械工业仪器仪表综合技术经济研究所 | 一种工业应用5g网络的评估模型的构建方法 |
CN117596156B (zh) * | 2023-12-07 | 2024-05-07 | 机械工业仪器仪表综合技术经济研究所 | 一种工业应用5g网络的评估模型的构建方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108563548B (zh) | 异常检测方法及装置 | |
CN109949290B (zh) | 路面裂缝检测方法、装置、设备及存储介质 | |
CN105740991B (zh) | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及*** | |
García et al. | Calibration of an urban cellular automaton model by using statistical techniques and a genetic algorithm. Application to a small urban settlement of NW Spain | |
US20140372172A1 (en) | Method and computer system to forecast economic time series of a region and computer program thereof | |
CN112365007B (zh) | 模型参数确定方法、装置、设备及存储介质 | |
CN114066184A (zh) | 一种区域覆盖的评估方法、装置和电子设备 | |
CN114374449A (zh) | 一种干扰源确定方法、装置、设备及介质 | |
CN110348717B (zh) | 基于栅格粒度的基站价值评分方法和装置 | |
CN116264706A (zh) | 5g基站布设评估模型训练方法、设备及存储介质 | |
CN109995549B (zh) | 一种评估流量价值的方法及装置 | |
CN108734393A (zh) | 房源信息的匹配方法、用户设备、存储介质及装置 | |
CN110992230B (zh) | 基于终端信令数据的全量人口统计方法、装置及服务器 | |
CN112598326A (zh) | 模型迭代方法、装置、电子设备及存储介质 | |
CN112883267A (zh) | 基于深度学习的数据热度统计方法及装置 | |
CN113890833B (zh) | 网络覆盖预测方法、装置、设备及存储介质 | |
CN115203556A (zh) | 一种评分预测模型训练方法、装置、电子设备及存储介质 | |
CN112929887B (zh) | 基于流量预测设置室分站的方法、装置和电子设备 | |
CN115967906A (zh) | 用户常驻位置识别方法、终端、电子设备及存储介质 | |
CN113822464A (zh) | 用户信息的处理方法及装置、电子设备、存储介质 | |
CN113256444A (zh) | 一种低压台区户变关系辨识方法和装置 | |
CN113076451A (zh) | 异常行为识别和风险模型库的建立方法、装置及电子设备 | |
CN116384779B (zh) | 在轨试验关键指标影响因素统筹裁剪方法、装置及服务器 | |
CN115604130B (zh) | App流行度预测模型构建方法、预测方法、设备及存储介质 | |
CN114528309B (zh) | 基于数据库精细比对的数据核查方法及装置 |
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 |