基站扇区智能选取方法、装置、设备及存储介质制造方法及图纸

本发明专利技术属于大数据技术领域，公开了一种基站扇区智能选取方法、装置、设备及存储介质。该方法包括：获取目标区域的基站扇区，根据基站扇区对应的用户信息，建立单日次数稀疏表；基于单日次数稀疏表，构建高维数据降维流形结构图；根据高维数据降维流形结构图，构建高维数据降维流形近邻图；基于高维数据降维流形近邻图的邻接矩阵，建立基站分类识别模型；基于基站分类识别模型，确定扇区对应的基站类别；根据基站类别，在基站扇区中选取目标基站扇区。通过上述方式，增加了模型训练的样本，并挖掘出深层的特征信息，模型训练过程中能利用足够多的特征信息，提高模型的准确性，提高基站扇区选取的准确性。区选取的准确性。区选取的准确性。

【技术实现步骤摘要】
基站扇区智能选取方法、装置、设备及存储介质


[0001]本专利技术涉及大数据
，尤其涉及一种基站扇区智能选取方法、装置、设备及存储介质。

技术介绍

[0002]基于运营商位置信令进行区域大数据客流监测分析，是运营商大数据行业应用的主要业务，该业务的首要前提之一，是针对所要监测的区域，准确选取出覆盖该区域的基站扇区，从而抽取相应扇区下的位置信令上报数据，进行目标人员识别与挖掘分析，提供行业决策支撑。
[0003]业内目前采用的方案主要有4种：根据区域边界信息(或者外扩/收缩一定距离)，自动选取在区域边界内的所有基站扇区；协调运营商专业工维人员人工选取；人工或者无人机携带移动终端进行“路测”；通过MR(Measurement Report，测量报告)/MDT(Minimization Drive Test，最小化路测)数据近似评估基站覆盖范围，计算其与监测区域的重合度。考虑到基站的扇区以及朝向，无线电信号非视距传播中的反射、折射、衰减等实际情况，传统方法在准确性、可靠性等方面，无法满足行业应用要求。

技术实现思路

[0004]本专利技术的主要目的在于提供一种基站扇区智能选取方法、装置、设备及存储介质，旨在解决现有技术中传统选取方案准确性较差的技术问题。
[0005]为实现上述目的，本专利技术提供了一种基站扇区智能选取方法，所述方法包括以下步骤：
[0006]获取目标区域的基站扇区，根据所述基站扇区对应的用户信息，建立单日次数稀疏表；
[0007]基于所述单日次数稀疏表，构建高维数据降维流形结构图；
[0008]根据所述高维数据降维流形结构图，构建高维数据降维流形近邻图；
[0009]基于所述高维数据降维流形近邻图的邻接矩阵，建立基站分类识别模型；
[0010]基于所述基站分类识别模型，确定所述基站扇区对应的基站类别；
[0011]根据所述基站类别，在所述基站扇区中选取目标基站扇区。
[0012]可选地，所述基于所述单日次数稀疏表，构建高维数据降维流形结构图，包括：
[0013]根据所述单日次数稀疏表，确定所述基站扇区对应的单日用户出现次数的指示向量；
[0014]根据所述指示向量，确定所述基站扇区之间的欧式距离；
[0015]根据欧式距离与流形线段长度之间的对应关系以及所述基站扇区之间的欧式距离，确定所述基站扇区之间的流形线段长度；
[0016]根据所述基站扇区之间的流形线段长度，建立高维数据降维流形结构图。
[0017]可选地，所述根据所述高维数据降维流形结构图，构建高维数据降维流形近邻图，
包括：
[0018]根据所述高维数据降维流形结构图，确定所述基站扇区对应指示向量之间的路径数据；
[0019]根据路径数据与流形距离度量之间的对应关系以及所述路径数据，确定所述指示向量之间的流形距离度量；
[0020]对所述指示向量之间的流形距离度量进行升序排序，确定所述流形距离度量中的邻近流形距离度量；
[0021]根据所述邻近流形距离度量，确定所述指示向量的邻点集合；
[0022]根据所述指示向量的邻点集合，确定所述指示向量的邻接向量；
[0023]根据所述指示向量的邻接向量，确定所述基站扇区的邻接矩阵；
[0024]根据所述基站扇区以及所述基站扇区的邻接矩阵与特征矩阵，建立高维数据降维流形近邻图。
[0025]可选地，所述根据所述基站扇区以及所述基站扇区的邻接矩阵与特征矩阵，建立高维数据降维流形近邻图之前，还包括：
[0026]根据所述单日次数稀疏表，计算所述基站扇区的统计特征，所述统计特征至少包括单日人数、时段总人数、时段平均人数、时段平均人数比、平均停留时长以及时段平均停留时长；
[0027]根据所述基站扇区的统计特征，确定所述基站扇区的特征向量；
[0028]根据所述基站扇区的特征向量，确定所述基站扇区的特征矩阵。
[0029]可选地，所述基于所述高维数据降维流形近邻图的邻接矩阵，建立基站分类识别模型，包括：
[0030]根据所述高维数据降维流形近邻图与切比雪夫多项式，确定邻接矩阵与图谱卷积之间的初始对应关系；
[0031]根据所述初始对应关系以及重归一化策略，确定邻接矩阵与图谱卷积之间的对应关系；
[0032]将所述基站扇区的邻接矩阵输入图卷积神经网络，并基于所述邻接矩阵与图谱卷积之间的对应关系，得到输出结果；
[0033]根据所述输出结果，确定交叉熵损失，基于所述交叉熵损失对所述图卷积神经网络的网络权重参数进行更新；
[0034]获取所述基站扇区对应的类别概率标签，基于所述类别概率标签，确定所述基站扇区中的有标签基站扇区；
[0035]根据所述有标签基站扇区对应的输出结果，确定识别统计频数；
[0036]根据所述识别统计频数，确定精确率与召回率，根据所述精确率与所述召回率，确定加权调和平均；
[0037]在所述加权调和平均满足预设条件时，确定所述图卷积神经网络训练完成，得到基站分类识别模型。
[0038]可选地，所述获取所述基站扇区对应的类别概率标签，包括：
[0039]在所述基站扇区具有测量报告数据时，根据所述测量报告数据，确定所述基站扇区的网格覆盖比例，并为所述网格覆盖比例大于第一置信阈值的基站扇区标注置信正标
签，根据所述置信正标签，确定正类基站集合，根据预设正类概率标签，确定所述正类基站集合中基站扇区的类别概率标签；
[0040]在所述基站扇区不具有测量报告数据时，获取所述基站扇区的用户类型比例数据，为所述用户类型比例数据大于第二置信阈值的基站扇区标注置信负标签，根据所述置信负标签，确定负类基站集合，根据预设负类概率标签，确定所述负类基站集合中基站扇区的类别概率标签。
[0041]可选地，所述获取目标区域的基站扇区，根据所述基站扇区对应的用户信息，建立单日次数稀疏表，包括：
[0042]获取所述基站扇区下信令数据对应的用户信息；
[0043]根据所述用户信息，确定单日用户列表，并确定所述单日用户列表中用户对应的出现次数；
[0044]对所述单日用户列表进行匹配拼接，并根据所述出现次数确定元素取值，建立单日次数稀疏表。
[0045]此外，为实现上述目的，本专利技术还提出一种基站扇区智能选取装置，所述基站扇区智能选取装置包括：
[0046]图表构建模块，用于获取目标区域的基站扇区，根据所述基站扇区对应的用户信息，建立单日次数稀疏表；
[0047]所述图表构建模块，还用于基于所述单日次数稀疏表，构建高维数据降维流形结构图；
[0048]所述图表构建模块，还用于根据所述高维数据降维流形结构图，构建高维数据降维流形近邻图；
[0049]模型构建模块，用于基于所述高维数据降维流形近邻图的邻接矩阵，建立基站分类识别模型；
[0050]基站选取模块，用于基于所述基本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基站扇区智能选取方法，其特征在于，所述基站扇区智能选取方法，包括：获取目标区域的基站扇区，根据所述基站扇区对应的用户信息，建立单日次数稀疏表；基于所述单日次数稀疏表，构建高维数据降维流形结构图；根据所述高维数据降维流形结构图，构建高维数据降维流形近邻图；基于所述高维数据降维流形近邻图的邻接矩阵，建立基站分类识别模型；基于所述基站分类识别模型，确定所述基站扇区对应的基站类别；根据所述基站类别，在所述基站扇区中选取目标基站扇区。2.如权利要求1所述的方法，其特征在于，所述基于所述单日次数稀疏表，构建高维数据降维流形结构图，包括：根据所述单日次数稀疏表，确定所述基站扇区对应的单日用户出现次数的指示向量；根据所述指示向量，确定所述基站扇区之间的欧式距离；根据欧式距离与流形线段长度之间的对应关系以及所述基站扇区之间的欧式距离，确定所述基站扇区之间的流形线段长度；根据所述基站扇区之间的流形线段长度，建立高维数据降维流形结构图。3.如权利要求2所述的方法，其特征在于，所述根据所述高维数据降维流形结构图，构建高维数据降维流形近邻图，包括：根据所述高维数据降维流形结构图，确定所述基站扇区对应指示向量之间的路径数据；根据路径数据与流形距离度量之间的对应关系以及所述路径数据，确定所述指示向量之间的流形距离度量；对所述指示向量之间的流形距离度量进行升序排序，确定所述流形距离度量中的邻近流形距离度量；根据所述邻近流形距离度量，确定所述指示向量的邻点集合；根据所述指示向量的邻点集合，确定所述指示向量的邻接向量；根据所述指示向量的邻接向量，确定所述基站扇区的邻接矩阵；根据所述基站扇区以及所述基站扇区的邻接矩阵与特征矩阵，建立高维数据降维流形近邻图。4.如权利要求3所述的方法，其特征在于，所述根据所述基站扇区以及所述基站扇区的邻接矩阵与特征矩阵，建立高维数据降维流形近邻图之前，还包括：根据所述单日次数稀疏表，计算所述基站扇区的统计特征，所述统计特征至少包括单日人数、时段总人数、时段平均人数、时段平均人数比、平均停留时长以及时段平均停留时长；根据所述基站扇区的统计特征，确定所述基站扇区的特征向量；根据所述基站扇区的特征向量，确定所述基站扇区的特征矩阵。5.如权利要求1所述的方法，其特征在于，所述基于所述高维数据降维流形近邻图的邻接矩阵，建立基站分类识别模型，包括：根据所述高维数据降维流形近邻图与切比雪夫多项式，确定邻接矩阵与图谱卷积之间的初始对应关系；根据所述初始对应关系以及重归一化策略，确定邻接矩阵与图谱卷积之间的对应关
系；将所述基站扇区的邻接矩阵输入图卷积神经网络，并基于所述邻接矩阵与图谱卷积之间的对应关系，得到输出结果；根据所述输出结果，确定交叉熵损失，基于所...

【专利技术属性】
技术研发人员：李树春，赵雨，孙苑苑，张念启，陈龙，吴祖康，周稚鲲，樊巧云，帅敏，
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：