欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2020108927976
申请人: 南京邮电大学
专利类型:发明专利
专利状态:未下证
专利领域: 电通信技术
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于大数据挖掘的网络规划方法,其特征在于,包括如下步骤:步骤S1、从蜂窝无线网络中采集实际环境中的路测数据集,包括基站工参侧数据与采样点用户侧数据,对所述路测数据集进行基站-采样点空间与时间相关性分析;具体包括:(1)空间相关性分析

根据路测数据集绘制空间基站分布与采样点分布、基站分布与弱覆盖点分布、以网格为单位各网格的弱覆盖率分布、各网格基站个数与弱覆盖点数的相关性表;

(2)时间相关性分析

根据路测数据绘制空间中单个基站覆盖范围的采样点在1天内随小时变化的弱覆盖率分布、单个基站覆盖范围的采样点在一周内随小时变化的弱覆盖率变化情况;

步骤S2、通过数据挖掘对采集到的路测数据集进行数据清洗及数据处理;首先对原始数据进行预处理,进行初步清洗并通过随机森林模型对特征进行筛选;

步骤S3、将处理后的数据集放入回归模型和神经网络模型学习训练,对用户参考信号接收功率进行预测,并用均方根误差值对模型进行评估,建立用户参考信号接收功率预测模型;

步骤S4、采用基于粒子群算法对步骤S2中产生的数据集进行网络规划,获取得到的基站新位置和数量。

2.根据权利要求1所述的一种基于大数据挖掘的网络规划方法,其特征在于,所述步骤S2中通过数据挖掘对采集到的路测数据集进行数据清洗及数据处理具体包括:(1)删除所有包含缺值的数据;

(2)删除用户侧数据和工参侧数据中与预测无关的特征,所述特征包括:lte_info.collect_time时间、lte_info.ul_freq上行中心频率、lte_info.ul_bw上行带宽、lte_info.dl_bw下行带宽、频段指示、lte_info.duplexmod双工模式、lte_info.subscriber_id用户id、lte_info.dl_freq下行频率、lte_info.datatype数据类型、lte_info.pci物理小区标识、lte_info.tac跟踪区、lte_info.dlbw下行带宽与lte_info.day日期;

(3)删除异常的数据点;所述异常数据点为用户的用户参考信号接收功率值不在所有用户用户参考信号接收功率值的平均值±2倍标准差的范围内;

(4)删除重复数据;

(5)删除包含特殊字符的数据。

3.根据权利要求1所述的一种基于大数据挖掘的网络规划方法,其特征在于,所述步骤S2中通过随机森林模型进行特征筛选的具体步骤包括:步骤S2.1、将变量重要性评分用VIM表示,不纯度采用gini指数用GI表示,在m个特征X1,X2,…,Xm中计算每个特征Xj的gini指数评分 即第j个特征在所有决策树中节点分裂不纯度的平均改变量;

步骤S2.2、Gini指数的计算公式为:

其中K代表特征类别总数,Pmk表示节点m中类别k所占的比例;

特征Xj在节点m的重要性,即节点m分支前后的gini指数变化量如下:其中GIl为分枝前的节点gini指数,GIr为分枝后的节点gini指数;

步骤S2.3、当特征Xj在决策树i中出现的节点在集合M中,则Xj在第i棵决策树树中的重要性采用gini指数评分表示如下:共有n棵决策树时,则

将上述gini指数评分作归一化处理可得:

4.根据权利要求1所述的一种基于大数据挖掘的网络规划方法,其特征在于,所述步骤S3中建立用户参考信号接收功率预测模型具体步骤如下:步骤S3.1、采用步骤S2中经过清洗和筛选的路测数据集建立用户参考信号接收功率预测模型;在回归模型和神经网络模型中,采用邻近算法模型KNN作为规划模型;

步骤S3.2、选择n_neighbor作为KNN模型的待优化超参数;其中n_neighbor为选择距离最近的K个点来投票的数量;

步骤S3.3、采用自行搜索找到最优超参数,遍历超参数的所有的取值组合,通过交叉验证获得最优的超参数,最优超参数的衡量标准为不同参数时的KNN预测模型的准确性,在搜索超参数过程中选取数据集的80%来训练KNN预测模型,20%来测试KNN的准确性。

5.根据权利要求1所述的一种基于大数据挖掘的网络规划方法,其特征在于,所述步骤S4中采用基于粒子群算法对步骤S2中产生的数据集进行网络规划,获取得到的基站新位置和数量,具体目标函数如下:其中,N表示采样区域的总栅格数;ypoor_grid代表总的弱覆盖栅格数,即在整体采样区域覆盖信号质量未达标准的区域;所述弱覆盖点为当前采样点用户参考信号接收功率值<-

107dbm,以采样区域总的弱覆盖栅格数最小作为整个规划过程的目标函数。

6.根据权利要求5所述的一种基于大数据挖掘的网络规划方法,其特征在于,所述基于粒子群算法的网络规划方法具体步骤如下:步骤S4.1、通过采集的基站工参侧数据初始化基站位置;

步骤S4.2、对采集的用户侧数据进行栅格划分;

步骤S4.3、根据用户侧的采样点与各基站的距离,采样点所属基站为距离最近的基站,更新采样点对应的基站;

步骤S4.4、将基站工参侧数据表与采样点用户侧数据表进行匹配;

步骤S4.5、采用基于KNN的用户参考信号接收功率预测模型对更新后的采样点数据进行训练预测;

步骤S4.6、计算各栅格的弱覆盖率并统计弱覆盖栅格的数量;

步骤S4.7、基于粒子群算法调整基站位置和更新速度,重复上述步骤S4.3-S4.6,直到迭代次数满足预先设定的最大迭代值;

步骤S4.8、改变基站数,重复步骤S4.1-S4.7。

7.根据权利要求6所述的一种基于大数据挖掘的网络规划方法,其特征在于,所述步骤S4.2中对用户侧数据进行栅格划分的具体方法如下:以采样点的经纬度数字中小数点前一位数字与小数点后四位数字作为判断栅格的标准;当不同采样点的经纬度数字中小数点前一位数字与小数点后四位数字均相同时,这些点即划分在同一个栅格;栅格精确度为11.132m*11.113m;计算每个栅格的栅格弱覆盖率;

所述栅格弱覆盖率计算方法如下:

栅格弱覆盖率>10%时,该栅格为弱覆盖栅格;统计采样区域的弱覆盖栅格得到总的弱覆盖栅格个数。

8.根据权利要求6所述的一种基于大数据挖掘的网络规划方法,其特征在于,所述步骤S4.7中基于粒子群算法调节基站位置和更新速度的具体步骤如下:步骤S4.7.1、将Xi=(xi1,xi2,...,xin)标记为微粒i当前位置,Vi=(vi1,vi2,...,vin)为微粒i的当前速度;进化过程中,记录微粒到当前为止的历史最优位置Pi=(pi1,pi2,...,pim)和所有颗粒的全局最好位置Pg=(pg1,pg2,...,pgn),则粒子群算法进化方程如下:vij(t+1)=ωvij(t)+c1r1j(Pij(t)-xij(t))+c2r2j(Pgi(t)-xij(t))xi(t+1)=xi(t)+vi(t+1)

其中ω为惯性权重,在0.1-0.9之间取值;C1和C2为加速常数;r1∈U(0,1);r2∈U(0,1);

为两个相互独立的随机函数;

根据上式对微粒的速度、位置进化,直至满足最大迭代次数或满足精度要求;

步骤S4.7.2、设置部署基站数为N,基站位置由经度lon和纬度lat决定,即搜索空间维度为2N,初始化种群大小为M,x(k)表示粒子k在2N维空间上的位置;

(k)

x =(klon1,klon2,...,klonN,klat1,klat2,...,klatN)k=1,2,...M在搜索过程中将粒子经过的个体最优位置记为(pi1,pi2,...,piN),整个群体中粒子经过的最优位置记为(pg1,pg2,...,pgN),粒子的位置 以及速度 更新的公式如下:在求解过程中,不断调节粒子的位置与更新速度,使目标函数总弱覆盖栅格数最小,对于基站数N,初始化基站数为目前实际情况中采样区域所部署的基站总数,不断减小N,直到找到最小的N能最好的解决弱覆盖栅格;

步骤S4.7.3、当前全局最优粒子位置的总弱覆盖栅格数表示为SUMg,粒子个体经历过的最优位置的总弱覆盖栅格数表示为SUMk,当前全局最优粒子位置记为Xg,粒子个体当前经历过的最优位置记为Xk,最终粒子的最优位置记为X。