场强预测方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种场强预测方法、装置、设备及存储介质。其中，场强预测方法，包括：在数据全集中获取与目标场景统计量特征相似的参考场景；基于目标场景的部分参数与所述参考场景中相应的历史参数进行模型训练，从而得到预测模型；使用所述预测模型对目标场景的其他参数进行预测。选取统计量特征相似的参考场景，基于目标场景的部分参数和参考场景的历史参数进行模型训练，并基于训练得到的预测模型对目标场景中的其他参数进行预测，通过基于目标场景的部分参数和参考场景的历史参数进行模型训练，对预测模型进行修正，从而得到更优的预测模型，使预测模型具有更高的场强预测精度，从而提高了场强预测的精度。

Field strength prediction method, device, equipment and storage medium

【技术实现步骤摘要】
场强预测方法、装置、设备及存储介质
本专利技术涉及通信领域，尤其涉及一种场强预测方法、装置、设备及存储介质。
技术介绍
移动通信覆盖区的场强预测问题，是利用典型的电波传播模型，对覆盖区内的场强分布、路径传播损耗进行计量和估算，目的是弥补场强实测之不足和节约用在实测方面所消耗的大量时间和费用，为移动通信系统工程设计提供科学依据。传统模型的建模步骤是先定义计算路损的变量和公式，再利用各种地形下的实测数据对公式参数进行修正。经典的场强预测模型包括修正平地模型Bullington模型，Egli模型，Okumura/Hata模型以及UIC方法等等，近年来也有直接使用实测数据修正基于统计的机器学习模型的参数的做法。而无论采用哪种模型，其修正参数时选择的统计数据普遍是针对地形地貌的：例如，针对城市地形和郊区地形采集到的数据分别计算两套模型参数，使用模型时再根据预测目标小区的地貌选择对应的参数以预测本小区的场强分布。无线信号弱覆盖优化场景下，现有训练模型的方法在选择统计数据时，倾向于收集相同地貌下尽可能多的数据，这样得到的模型针对地形预测的普适性较好，但针对某小区的预测性能则不一定高。
技术实现思路
本专利技术实施例提供一种场强预测方法、装置、设备及存储介质，用以解决现有技术中存在的场强预测精度不高的问题。第一方面，本专利技术实施例提供一种场强预测方法，包括：在数据全集中获取与目标场景统计量特征相似的参考场景；基于目标场景的部分参数与所述参考场景中相应的历史参数进行模型训练，从而得到预测模型；使用所述预测模型对目标场景的其他参数进行预测。作为本专利技术实施例的一种具体实现方式，所述在数据全集中获取与目标场景统计量特征相似的参考场景，包括：计算所述数据全集中每个场景的统计量；计算目标场景的统计量与所述参考场景统计量的距离，所述参考场景为数据全集中除目标场景外的场景；基于所述距离对参考场景进行排序，基于所述排序选择统计量特征相似的参考场景。作为本专利技术实施例的一种具体实现方式，所述计算所述数据全集中每个场景的统计量，包括：设置统计指标；基于所述统计指标计算所述数据全集中每个场景的统计量。作为本专利技术实施例的一种具体实现方式，所述统计指标，包括：测量点与基站之间距离的平均值；或测量点与基站的连线和天线朝向之间的夹角与场强的分布关系。作为本专利技术实施例的一种具体实现方式，所述计算目标场景的统计量与所述参考场景统计量的距离中，所述距离，包括：欧氏距离、绝对值距离、切比雪夫距离、马氏距离或兰氏距离。作为本专利技术实施例的一种具体实现方式，所述基于所述排序选择统计量特征相似的参考场景中，具体为：基于所述排序选择统计量特征相似的n个参考场景。作为本专利技术实施例的一种具体实现方式，所述n的取值选则为：在满足模型训练所需训练样本数的前提下，选取最小的n。作为本专利技术实施例的一种具体实现方式，所述n等于10。作为本专利技术实施例的一种具体实现方式，所述基于目标场景的部分参数与所述参考场景中相应的历史参数进行模型训练，从而得到预测模型，包括：设定全连接神经网络作为预测模型；以均方差为损失函数，将所述目标场景的部分参数和所述参考场景中相应的历史参数作为训练数据，应用ADAM优化方法训练所述预测模型，从而得到预测模型。第二方面，一种场强预测装置，包括：获取模块：用于在数据全集中获取与目标场景统计量特征相似的参考场景；训练模块：用于基于目标场景的部分参数与所述参考场景中相应的历史参数进行模型训练，从而得到预测模型；预测模块：用于使用所述预测模型对目标场景的其他参数进行预测。第三方面，一种网络设备，所述网络设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现第一方面中任一所述的方法的步骤。第四方面，一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面中任一所述的方法的步骤。本专利技术实施例选取统计量特征相似的参考场景，基于目标场景的部分参数和参考场景的历史参数进行模型训练，并基于训练得到的预测模型对目标场景中的其他参数进行预测，通过基于目标场景的部分参数和参考场景的历史参数进行模型训练，对预测模型进行修正，从而得到更优的预测模型，使预测模型具有更高的场强预测精度，从而提高了场强预测的精度，达到了场强预测精度高的效果。上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其他目的、特征和优点能够更明显易懂，以下特举本专利技术的具体实施方式。附图说明通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本专利技术的限制。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为本专利技术实施例一所述的场强预测方法的流程图；图2为本专利技术实施例一所述的所述在数据全集中获取与目标场景统计量特征相似的参考场景的流程图；图3为本专利技术实施例二所述的场强预测装置的原理框图；图4为本专利技术实施例二所述的获取模块的原理框图；图5为本专利技术实施例二所述的统计量模块的原理框图；图6为本专利技术实施例二所述的训练模块的原理框图；图7为本专利技术实施例三所述的用所有小区数据全集训练模型的流程图；图8为本专利技术实施例三所述的场强预测方法的流程图。具体实施方式下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。本专利技术实施例中的场景，如目标场景和参考场景等可以为小区、商场或工程等需要进行场强参数调整的场所。下文中具体以小区的实施例，但并没表示仅仅限定在小区使用。本专利技术实施例的技术问题主要考虑以下应用：对于出现无线信号弱覆盖问题的小区，网优调试人员需要调整基站的天线工参以提升基站对本小区弱覆盖区域的信号覆盖强度。但天线工参通常有多个维度：如发射功率、天线方向角、天线下倾角、天线高度等，而天线工参的参数空间大，调整方向、大小都无法确定，在现实中的单个商用基站通常缺乏丰富工参的历史数据，又不允许随意多次地改变工参。因此预测调整工参后小区各栅格的场强强度就成了解决弱覆盖问题的重要环节之一。上述应用和传统的场强预测场景的关键差异是，本专利技术实施例中目标小区某些工参的历史场强分布数据是已知的，因此，可以利用目标小区已知历史数据的某些指标的统计规律，同其他小区历史数据的统计规律比较，选出和目标小区统计规律最相本文档来自技高网...

【技术保护点】
1.一种场强预测方法，其特征在于，包括：/n在数据全集中获取与目标场景统计量特征相似的参考场景；/n基于目标场景的部分参数与所述参考场景中相应的历史参数进行模型训练，从而得到预测模型；/n使用所述预测模型对目标场景的其他参数进行预测。/n

【技术特征摘要】
1.一种场强预测方法，其特征在于，包括：
在数据全集中获取与目标场景统计量特征相似的参考场景；
基于目标场景的部分参数与所述参考场景中相应的历史参数进行模型训练，从而得到预测模型；
使用所述预测模型对目标场景的其他参数进行预测。


2.如权利要求1所述的场强预测方法，其特征在于，所述在数据全集中获取与目标场景统计量特征相似的参考场景，包括：
计算所述数据全集中每个场景的统计量；
计算目标场景的统计量与所述参考场景统计量的距离，所述参考场景为数据全集中除目标场景外的场景；
基于所述距离对参考场景进行排序，基于所述排序选择统计量特征相似的参考场景。


3.如权利要求2所述的场强预测方法，其特征在于，所述计算所述数据全集中每个场景的统计量，包括：
设置统计指标；
基于所述统计指标计算所述数据全集中每个场景的统计量。


4.如权利要求3所述的场强预测方法，其特征在于，所述统计指标，包括：
测量点与基站之间距离的平均值；
或
测量点与基站的连线和天线朝向之间的夹角与场强的分布关系。


5.如权利要求2所述的场强预测方法，其特征在于，所述计算目标场景的统计量与所述参考场景统计量的距离中，所述距离，包括：
欧氏距离、绝对值距离、切比雪夫距离、马氏距离或兰氏距离。


6.如权利要求2所述的场强预测方法，其特征在于，所述基于所述排序选择统计量特征相似的参考场景中，具体为：
基于所述排...

【专利技术属性】
技术研发人员：裘瑞涛，
申请(专利权)人：中兴通讯股份有限公司，
类型：发明
国别省市：广东;44