小区方位角预测模型训练方法、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小区方位角预测模型训练方法、装置、设备及存储介质，该小区方位角预测模型训练方法包括：对仿真预测数据进行数据处理得到样本点数据；所述样本点数据包括小区样本数据和样本标签，所述小区样本数据包含小区标识、样本点经纬度、基站经纬度、样本点信号强度中的至少一个数据，所述样本标签为仿真设定的小区方位角；将所述样本点数据输入神经网络模型进行训练，当训练得到的神经网络模型满足预设条件时结束训练，将所述满足预设条件时的神经网络模型作为所述小区方位角预测模型。通过仿真预测数据获取样本点数据，可克服人工测量的问题，极大的扩充了样本点数据的数量，进而提高小区方位角预测模型预测的准确性。进而提高小区方位角预测模型预测的准确性。进而提高小区方位角预测模型预测的准确性。

【技术实现步骤摘要】
小区方位角预测模型训练方法、装置、设备及存储介质


[0001]本专利技术涉及通信
，具体涉及一种小区方位角预测模型训练方法、装置、设备及存储介质。

技术介绍

[0002]方位角是描述移动通信网络中天线方位的一个重要参数。方位角可以理解为正北方向的平面顺时针旋转到和天线所在平面重合所经历的角度。在实际的天线放置中，方位角通常有0度，120度和240度，分别对应于A小区、B小区、C小区。
[0003]在现有技术中，通常采用小区方位角预测模型预测得出小区方位角，该小区方位角预测模型的训练过程需要人工测量方位角作为训练样本，因此存在样本数量较少的问题，容易造成模型预测结果准确率较低。

技术实现思路

[0004]鉴于上述问题，提出了本专利技术实施例以便提供一种克服上述问题或者至少部分地解决上述问题的小区方位角预测模型训练方法、装置、设备及存储介质。
[0005]根据本专利技术实施例的一个方面，提供了一种小区方位角预测模型训练方法，包括：
[0006]对仿真预测数据进行数据处理得到样本点数据；所述样本点数据包括小区样本数据和样本标签，所述小区样本数据包含小区标识、样本点经纬度、基站经纬度、样本点信号强度中的至少一个数据，所述样本标签为仿真设定的小区方位角；
[0007]将所述样本点数据输入神经网络模型进行训练，当训练得到的神经网络模型满足预设条件时结束训练，将所述满足预设条件时的神经网络模型作为所述小区方位角预测模型。
[0008]根据本专利技术实施例的另一方面，提供了一种小区方位角预测方法，包括：
[0009]对最小化路测MDT用户数据进行处理得到目标小区的小区参数，所述小区参数包含样本点经纬度、基站经纬度、样本点信号强度中的至少一个参数；
[0010]将所述小区参数输入采用权利要求1
‑
4任一项所述的小区方位角预测模型训练方法得到的小区方位角预测模型中进行预测，得到所述目标小区的预测方位角。
[0011]根据本专利技术实施例的另一方面，提供了一种小区方位角预测模型训练装置，包括：
[0012]样本数据获取模块，用于对仿真预测数据进行数据处理得到样本点数据；所述样本点数据包括小区样本数据和样本标签，所述小区样本数据包含小区标识、样本点经纬度、基站经纬度、样本点信号强度中的至少一个数据，所述样本标签为仿真设定的小区方位角；
[0013]模型训练模块，用于将所述样本点数据输入神经网络模型进行训练，当训练得到的神经网络模型满足预设条件时结束训练，将所述满足预设条件时的神经网络模型作为所述小区方位角预测模型。
[0014]根据本专利技术实施例的另一方面，提供了一种小区方位角预测装置，包括：
[0015]参数获取模块，用于对最小化路测MDT用户数据进行处理得到目标小区的小区参
数，所述小区参数包含样本点经纬度、基站经纬度、样本点信号强度中的至少一个参数；
[0016]预测模块，用于将所述小区参数输入采用上述小区方位角预测模型训练方法得到的小区方位角预测模型中进行预测，得到所述目标小区的预测方位角。
[0017]根据本专利技术实施例的另一方面，提供了一种计算设备，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；
[0018]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上述小区方位角预测模型训练方法对应的操作，及执行上述小区方位角预测方法对应的操作。
[0019]根据本专利技术实施例的另一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述小区方位角预测模型训练方法对应的操作，及执行上述小区方位角预测方法对应的操作。
[0020]根据本专利技术上述实施例提供的方案，通过仿真预测数据获取样本点数据，可克服人工测量的问题，极大的扩充了样本点数据的数量，进而提高小区方位角预测模型预测的准确性。
[0021]上述说明仅是本专利技术实施例技术方案的概述，为了能够更清楚了解本专利技术实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本专利技术实施例的具体实施方式。
附图说明
[0022]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实施例的限制。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：
[0023]图1示出了本专利技术实施例一提供的小区方位角预测模型训练方法流程图；
[0024]图2示出了本专利技术实施例一提供的小区方位角预测模型训练方法中的数据提取流程图；
[0025]图3示出了本专利技术实施例一提供的小区方位角预测模型训练方法中的数据栅格化流程图；
[0026]图4示出了本专利技术实施例二提供的小区方位角预测方法的流程图；
[0027]图5示出了本专利技术实施例三提供的小区方位角预测方法的流程图；
[0028]图6示出了本专利技术实施例提供的小区方位角预测模型训练装置的结构示意图；
[0029]图7示出了本专利技术实施例提供的小区方位角预测装置的结构示意图；
[0030]图8示出了本专利技术实施例提供的计算设备的结构示意图。
具体实施方式
[0031]下面将参照附图更详细地描述本专利技术的示例性实施例。虽然附图中显示了本专利技术的示例性实施例，然而应当理解，可以以各种形式实现本专利技术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专利技术，并且能够将本专利技术的范围完整的传达给本领域的技术人员。
[0032]实施例一
[0033]图1示出了本专利技术实施例一提供的小区方位角预测模型训练方法的流程图。如图1所示，该方法包括以下步骤：
[0034]步骤S110、对仿真预测数据进行数据处理得到样本点数据；所述样本点数据包括小区样本数据和样本标签，所述小区样本数据包含小区标识、样本点经纬度、基站经纬度、样本点信号强度中的至少一个数据，所述样本标签为仿真设定的小区方位角。
[0035]其中，仿真预测数据中包括小区标识、样本点经纬度、基站经纬度、样本点信号强度中的至少一个数据，样本点信号强度可以通过参考信号接收功率(Reference Signal Receiving Power，RSRP)表示。具体的，通过仿真得到仿真预测数据，例如，根据电子地图和基站工参数据进行小区仿真实验，得到该仿真预测数据。其中，基站工参数据包括小区标识、样本点经纬度、基站经纬度、样本点信号强度中的至少一个数据。
[0036]步骤S120、将所述样本点数据输入神经网络模型进行训练，当训练得到的神经网络模型满足预设条件时结束训练，将所述满足预设条件时的神经网络模型作为所述小区方位角预测模型。
[0037]其中，预设条件可以为神经网络模型中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种小区方位角预测模型训练方法，其特征在于，包括：对仿真预测数据进行数据处理得到样本点数据；所述样本点数据包括小区样本数据和样本标签，所述小区样本数据包含小区标识、样本点经纬度、基站经纬度、样本点信号强度中的至少一个数据，所述样本标签为仿真设定的小区方位角；将所述样本点数据输入神经网络模型进行训练，当训练得到的神经网络模型满足预设条件时结束训练，将所述满足预设条件时的神经网络模型作为所述小区方位角预测模型。2.根据权利要求1所述的方法，其特征在于，所述数据处理包括数据提取、离群点去除、数据栅格化和数据归一化中的至少一种处理。3.根据权利要求1或2所述的方法，其特征在于，所述神经网络模型为VGG模型。4.一种小区方位角预测方法，其特征在于，包括：对最小化路测MDT用户数据进行处理得到目标小区的小区参数，所述小区参数包含样本点经纬度、基站经纬度、样本点信号强度中的至少一个参数；将所述小区参数输入采用权利要求1
‑
4任一项所述的小区方位角预测模型训练方法得到的小区方位角预测模型中进行预测，得到所述目标小区的预测方位角。5.根据权利要求4所述的方法，其特征在于，所述方法还包括：根据设定的方位角偏差确定所述目标小区的预测方位角是否存在较大偏差，并生成预测方位角偏差较大的小区报表。6.根据权利要求5所述的方法，其特征在于，所述方法还包括：根据实地勘察数据纠正所述小区报表中存在较大偏差的小区方位角数据，并将纠正后的小区方位角数据作为样本点数据，更新所述小区方位角预测模型。7.一种小区方位角预测模型训练装置，其特征在于，包括：样本数据获取模块，用于对仿真预测数据进行数据处理得到样...

【专利技术属性】
技术研发人员：姜书敏，殷旭，赵丰年，赵培，姜思成，向中秋，周兴围，蒲伯巍，陈凡，黄学敏，程楠，邱钧，顾宁伦，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：