天线方向角优化方法、装置、设备及介质与流程

本发明涉及通信技术领域，尤其涉及一种天线方向角优化方法、装置、设备及介质。

背景技术：

随着lte网络建设的推进，城区深度覆盖问题日益凸显，如何进行天馈参数优化发挥最大覆盖效果成为一个重要的课题，当前天线方向角优化调整存在较大的盲目性，并不能根据实际覆盖情况进行针对性的方向角设置和优化，日常优化中基站天馈方向角调整仅凭借优化人员的经验和道路测试结果进行调整，对于lte深度覆盖问题解决指导性较差。

目前小区天线方向角参数调整的方法存在以下问题：

1)通过现场测试来获得小区覆盖效果，工作量大且测试区域不完整，无法得到最佳的参数调整方案；

2)基于mr数据统计，而不是通过定位用户评估覆盖效果，导致无法得到的小区参数调整方案；

3)现有小区参数调整基于的是工参信息，如果工参信息有误，对方案输出会产生很大的影响。

因此，需要一种能根据实际覆盖情况进行针对性的方向角设置和优化的方案。

技术实现要素：

本发明实施例提供天线方向角优化方法、装置、存储介质及设备，基于实际覆盖状况指导天线的参数调整，无需投入大量人力物力进行现场测试或分析，提高了获取实际覆盖数据、筛选弱覆盖小区的效率，同时利用先进的遗传算法计算和输出最优方向角调整建议，提高了方向角优化效率。

第一方面，本发明实施例提供了一种天线方向角优化方法，方法包括：

采集用户mr数据，对所述用户mr数据进行栅格化定位，以将所述用户mr数据定位到最佳空间栅格；

获取所述最佳空间栅格的平均信号强度及弱覆盖信号采样点，根据所述平均信号强度及弱覆盖信号采样点的占比，筛选出弱覆盖小区；

基于天线水平方位图，计算能够改善弱覆盖小区问题的最佳方向角，并按照所述最佳方向角对天线方向角进行自动优化。

第二方面，本发明实施例提供了一种天线方向角优化装置，所述装置包括：

数据采集和定位模块，用于采集用户mr数据，对所述用户mr数据进行栅格化定位，以将所述用户mr数据定位到最佳空间栅格；

弱覆盖小区筛选模块，用于获取所述最佳空间栅格的平均信号强度及弱覆盖信号采样点，根据所述平均信号强度及弱覆盖信号采样点的占比，筛选出弱覆盖小区；

天线方向角优化模块，用于基于天线水平方位图，计算能够改善弱覆盖小区问题的最佳方向角，并按照所述最佳方向角对天线方向角进行自动优化。

第三方面，本发明实施例提供了一种计算机设备，包括：至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令，当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。

第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序指令，当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。

本发明各个实施例提供的天线方向角优化方法、装置、设备及介质，能够获得如下有益效果中的至少一项：

1)基于mr栅格化定位用户，评估实际定位用户地理位置的小区覆盖情况，可以更准确的定位弱覆盖小区。

2)通过区域小区联合分析，调整小区参数来解决覆盖较弱区域问题，合理评估其他小区的代价值并给出区域小区最优调整方案。

3)既包含现场测试优化覆盖的优点，又可利用平台工具进行优化方案的自动化输出，大大减少了人力和物力，提高了经济效益。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1示出了本发明提供的天线方向角优化方法的流程示意图。

图2示出了对所述用户mr数据进行栅格化定位的流程示意图。

图3示出了基站与其覆盖范围内建筑物的连接示意图。

图4示出了基站与其覆盖范围内建筑物的相对位置关系以及方向角示意图。

图5示出了基于k-means算法对计算多个弱覆盖小区的最佳方向角的流程示意图。

图6示出了通过k-means算法对多个弱覆盖小区进行聚类的流程示意图。

图7示出了通过k-means算法对多个弱覆盖小区进行聚类的示意图。

图8示出了本发明提供的天线方向角优化装置的结构示意图。

图9示出了本发明提供的可实现天线方向角优化方法的计算机设备的结构示意图。

具体实施方式

下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

实施例一

图1示出了本发明实施例一提供的天线方向角优化方法的流程示意图。如图1所示，作为优选实施例，所述方法包括：

步骤s100，采集用户mr数据，对所述用户mr数据进行栅格化定位，以将所述用户mr数据定位到最佳空间栅格；

优选地，如图2所示，对所述用户mr数据进行栅格化定位，以将所述用户mr数据定位到最佳空间栅格，具体包括：

步骤s110，基于所述用户mr数据，建立空间栅格特征指纹库；

步骤s120，采用经纬度校准算法对所述指纹库进行校正；

步骤s130，将所述用户mr数据与所述指纹库中的特征向量进行匹配，将所述用户mr数据分配到能够匹配的最佳空间栅格。

进一步优选地，步骤s110具体包括：

获取基站工参数数据，基于待规划区域的基站工参数据以及用户mr数据，通过仿真软件将待规划区域模拟为三维空间，将该三维空间划分为多个空间栅格，如5m×5m×5m栅格；每个空间栅格中均包含栅格信息，该栅格信息包括基站工参数据和用户mr数据等相关信息；

采用3d射线传播模型计算每个空间栅格对应基站的信号强度(rsrp、接收电平强度)，将包括信号强度在内的栅格信息数字化形成特征向量，由所述特征向量组成的样本数据集，即为空间栅格特征指纹库。

进一步优选地，步骤s120采用经纬度校准算法判断所述指纹库中样本数据的精度，对精度低的样本数据进行剔除，以实现对指纹库的校正。

样本数据的精度取决于参与计算的基站的密度以及基站与主服务小区之间的距离。其中，基站与主服务小区之间的距离，具体由基站与主服务小区中的用户终端(ue)之间的经纬度距离来表示。

由于地理环境对传播路径的影响，ue与基站之间的信号传输通常并不是直线传播，而是曲线传播，尤其是在密集市区。基站与ue的距离可通过两者之间信号的曲线传播距离表示，信号传输到基站与ue的到达时间差(tadv)能够表示信号通过实际传播路径传播(即曲线传播)而产生的时间差；因此，对样本数据精度也可通过tadv来判断。

采用tadv判断样本数据的精度，其具体方法为：

设实际传播距离为s_tadv，即tadv所反映的距离，同时，由指纹库中的样本数据可计算得到同一ue与同一基站之间的直线距离为s_a；

将直线距离s_a与实际传播距离s_tadv进行对比，若两者的关系满足：s_a<＝s_tadv，即直线距离不大于实际传播距离，则判定该样本数据的精度高；若两者的关系不满足上述条件，则判定该样本数据的精度低，对该样本数据进行剔除。

进一步优选地，步骤s130具体包括：

对于待定位的用户mr数据，确定其上报小区以及上报小区所属的栅格集合，按照最小欧式距离的方法，将该待定位的用户mr数据与该栅格集合中的多个特征向量进行对比，选取与该待定位的用户mr数据相似度最高的特征向量所属的空间栅格，该空间栅格的位置即为待定位的用户mr数据的位置，从而实现了对用户mr数据的定位。

其中，将用户mr数据定位到最佳空间栅格的计算公式为：

其中，rsrpaifp表示第i个服务小区的第一信号强度，即用户实际上报的mr数据中包含的实际信号强度，表示用户上报的多个信号中强度最高的信号；rsrpai表示第i个服务小区的第二信号强度，即指纹库中包含的仿真信号强度，表示指纹库中多个仿真信号中信号强度最高的信号；k表示第二信号强度涉及的服务小区的数量，该服务小区包括主服务小区和相邻服务小区；d为rsrpaifp与rsrpai的欧氏距离值。

d的值越小，则rsrpaifp与rsrpai欧氏距离越近，两者的相似度越高，当d的值小到预设阈值时，rsrpai对应的栅格即为是最佳空间栅格。

基站工参数数据和用户mr数据，可分别由导入的基站信息表和mr数据文件获取。

步骤s2，获取所述最佳空间栅格的平均信号强度及弱覆盖信号采样点，根据所述平均信号强度及弱覆盖信号采样点的占比，筛选出弱覆盖小区；

具体地，获取定位在最佳空间栅格的用户mr数据中的平均信号强度及信号采样点，若平均信号强度的值小于设定的弱覆盖门限值，且其中的弱覆盖信号采样点的占比大于设定比例时，则该最佳空间栅格所对应的小区为弱覆盖小区。

其中，步骤s2具体包括：

首先，将基站覆盖的用户与用户所属的建筑物进行聚类，具体地，基于三维电子地图的建筑物边界和信令软采的弱覆盖小区的用户mr数据的栅格化定位，将用户mr数据聚类到对应的建筑物，用户mr数据定位的最佳空间栅格也是该建筑物对应的最佳空间栅格；

获取建筑物总采样点、弱覆盖采样点、平均信号强度等覆盖数据，并将该覆盖数据存入建筑物级数据库中，并将电子地图与用户mr数据的定位结果结合，得到建筑物级泰森图，可实现对聚类结果的地理化呈现。

其次，将每个建筑物与其所归属的基站进行映射关系，从而将建筑物中的用户与所归属的基站建立映射关系，具体地，将基站覆盖范围内每个建筑物的中心点，与基站连接成射线，具体如图3所示，图3中的虚线即表示该射线，多条虚线的连接点即表示基站，矩形图案即表示与基站覆盖范围内的建筑物。

根据gis算法计算每个建筑物的中心点相对所归属的基站的方向角，建筑物的中心点与所归属基站的相对位置以及建筑物的中心点相对所归属的基站的方向角如图4所示，图4中a点为基站位置点，b点为建筑物中心点。

设m表示建筑物，nm表示建筑物m中的用户数，则建筑物m与基站的夹角(b点相对于a点的方向角)为：

建筑物m的平均信号强度，也即其最佳空间栅格的平均信号强度为：

弱覆盖信号采样点的占比为：

其中，rsrp(i)表示建筑物m中第i个用户接收到的信号强度，nrsrp(i)＜弱覆盖门限表示判定结果，用于判定第i个用户中接收到的信号强度是否小于弱覆盖门限值，若是则nrsrp(i)＜弱覆盖门限为1，若否则nrsrp(i)＜弱覆盖门限为0。

若平均信号强度rsrp_avgm小于弱覆盖门限值，且弱覆盖信号采样点的占比rate_弱覆盖m大于某一设定比例，则建筑物m所属的小区为弱覆盖小区。

其中，弱覆盖门限值和设定比例均可根据实际情况进行设置和调整。

步骤s3，基于天线水平方位图，计算能够改善弱覆盖小区问题的最佳方向角，并按照该最佳方向角对天线方向角进行自动优化；

对于涉及多个弱覆盖小区的最佳方向角，可采用如下方式计算：

首先，设定天线方向角的调整步长，将每个弱覆盖小区的天线方向角按照设定的调整步长进行调整；其中，调整步长可根据行业标准或实际情况进行设定；

其次，基于天线水平方位图，预估调整后mr数据采样点接收到的信号强度；优选地，根据天线水平方位图中不同角度的增益差，预估调整后mr数据采样点接收到的信号强度。

具体地，对于根据mr数据采样点定位到的第i个栅格，设调整前的天线方向角θ1，调整后的天线方向角为θ2，在基于上述天线水平方位图可获取方向角为θ1、θ2时，第i个栅格所在的位置与天线连线的水平波瓣增益分别为gainθ1(i)和gainθ2(i)，并获取方向角为θ1时mr数据采样点接收到的信号强度rsrpθ1(i)，则天线方向角调整后该mr采样点接收到的信号强度预估为：

rsrpθ2(i)＝rsrpθ1(i)+gainθ2(i)-gainθ1(i)。

再次，基于天线方向角调整前和调整后的rsrp与弱覆盖小区的用户数量的关系，对弱覆盖小区的平均电平进行迭代计算，弱覆盖小区的用户数量可用弱覆盖信号采样点的占比来反映，迭代计算公式如下：

由上述计算公式可知，当rate_弱覆盖(θ)达到最大值时该天线方向角θ为方向角的最优解，即覆盖最好的方向角。

当rate_弱覆盖(θ)达到最大值或者迭代已达到最大迭代次数时，迭代收敛。

采用上述方式计算多个弱覆盖小区的最佳方向角，计算量太大。例如，对于其中某一个弱覆盖小区，若方向角的调整范围为-10～10度，调整步长为5度，则经过(10+10)/5+1＝5次迭代可得出覆盖最好的方向角，假设对于一个本地网发现有100个弱覆盖小区，则理论上需进行进行n＝5¹⁰⁰≈7.8×10⁶⁹次迭代运算才能得到覆盖最好的方向角。

对于涉及多个弱覆盖小区的最佳方向角，作为优选实施例，如图5所示，本发明实施例一基于k-means聚类算法进行计算，具体过程如下：

步骤s310，通过k-means聚类算法将多个弱覆盖小区分为多个聚类(簇)；

步骤s320，设定天线方向角的调整步长，将每个聚类的天线方向角按照设定的调整步长进行调整；

步骤s330，基于天线水平方位图，预估在调整天线方向角后每个聚类的mr数据采样点接收到的信号强度；

步骤s340，基于天线方向角调整前和调整后，每个聚类中mr数据采样点接收到的rsrp与该聚类中用户数量的关系，对多个聚类的平均电平进行迭代计算；当计算结果达到最大值时对应的天线方向角为方向角的最优解，即覆盖最好的方向角或称最佳方向角。当计算结果达到最大值或者迭代已达到最大迭代次数时，迭代收敛。

其具体计算原理与上述迭代计算公式相似，将上述多个弱覆盖小区的迭代改为多个聚类的迭代即可；

k-means算法是典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。

在该算法中，首先随机地选取k个对象作为初始聚类中心，每个初始聚类中心代表一个簇，k个初始聚类中心点的选取对聚类结果具有较大的影响；其次，对于数据集中剩余的每个对象，在每次迭代中均根据每个对象与各个簇中心的距离，将每个对象重新赋给最近的簇；当考察完所有数据对象后，一次迭代运算完成，新的聚类中心被计算出来。该算法使用的准则函数如下式所示：

其中，k表示初始聚类的个数(或初始簇的个数)，j表示多个待调整基站中的一个，xj表示第j个待调整基站的位置，si表示第i个初始簇的范围，μi表示第i个初始聚类中心，v表示每个待调整基站位置与所属初始聚类的中心位置差值的平方和。

该函数的目标是使簇内误差平方总和即上述v值达到最小，即同一簇内的数据对象到其中心点的距离应尽可能小。若在一次迭代前后，上述v值没有发生变化，说明算法已经收敛。

基于以上原理，本发明实施例一通过上述基于k-means聚类算法的方式计算多个弱覆盖小区的最佳方向角，对最佳方向角的计算进行了有效的简化，大大减少了计算量。

其中，步骤s310如图6所示，其具体实现过程为：

步骤s311，选择步骤，从多个弱覆盖需要调整方向角的基站中，随机选取指定数量个基站，作为初始聚类中心；

步骤s312，测量步骤，测量剩余的每个基站分别与每个初始聚类中心的相似度(距离)，根据该相似度，将每个基站分配到最近的初始聚类中心所属的聚类，得到多个新聚类；

步骤s313，计算步骤，重新计算每个新聚类的新聚类中心，具体地，计算每个新聚类中各个基站相似度的均值；

步骤s314，迭代步骤，迭代步骤s312及步骤s313，直至新聚类中心与初始聚类中心相等或小于指定阈值，算法结束。

上述实现过程如图7所示，图7中的黑色圆形图案所处的位置表示随机选取的初始聚类中心，圆圈a～e表示剩余的基站，通过测量圆圈a～e与两个初始聚类中心的距离，可计算得到新的聚类中心，即图7中黑色圆形图案移动的新位置。

通过上述算法可以把弱覆盖小区拆分成若干的不相关的聚类，设有a1,a2,…,am×n个弱覆盖小区，每个小区迭代k次，分成了n个聚类，每个聚类m个小区，则通过上述算法可将原来需要迭代k^m×n次优化为只需要迭代k^m×n次，大大减少了计算量。

基于以上内容，本发明实施例一具有如下有益效果：

1)基于mr栅格化定位方法进行用户mr数据的定位，根据实际定位确定所属小区的信号覆盖情况，更准确地筛选出弱覆盖小区；

2)基于水平天线方位图以及k-means聚类算法，可实现对弱覆盖小区的聚类分析，更准确地确定需要调整的最佳方向角，输出最优调整方案；

3)本实施例既包含基于现场测试对信号覆盖情况进行优化的优点，又集成了自动输出优化方案的功能，大大减少了人力、物力的消耗，提高了经济效益。

实施例二

与本发明实施例一对应地，图8示出了本发明实施例二提供了一种天线方向角优化装置的结构示意图，该装置包括：数据采集和定位模块201，弱覆盖小区筛选模块202，天线方向角优化模块204。

数据采集和定位模块201，用于采集用户mr数据，对所述用户mr数据进行栅格化定位，以将所述用户mr数据定位到最佳空间栅格。

弱覆盖小区筛选模块202，用于获取所述最佳空间栅格的平均信号强度及弱覆盖信号采样点，根据所述最佳空间栅格的信号强度以及弱覆盖信号采样点占比，筛选出弱覆盖小区。

天线方向角优化模块204，用于基于天线水平方位图，计算能够改善弱覆盖小区问题的最佳方向角，并按照该最佳方向角对天线方向角进行自动优化。

上述关于天线方向角优化装置的具体限定可以参见实施例一，在此不再赘述。

实施例三

与本发明实施例一对应地，图9示出了本发明实施例三提供一种计算机设备的结构示意图，该设备可以包括处理器301以及存储有计算机程序指令的存储器302。

具体地，上述处理器301可以包括中央处理器(cpu)，或者特定集成电路(applicationspecificintegratedcircuit，asic)，或者可以被配置成实施本发明实施例的一个或多个集成电路。

存储器302可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器302可包括硬盘驱动器(harddiskdrive，hdd)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(universalserialbus，usb)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器302可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器302可在数据处理装置的内部或外部。在特定实施例中，存储器302是非易失性固态存储器。在特定实施例中，存储器302包括只读存储器(rom)。在合适的情况下，该rom可以是掩模编程的rom、可编程rom(prom)、可擦除prom(eprom)、电可擦除prom(eeprom)、电可改写rom(earom)或闪存或者两个或更多个以上这些的组合。

处理器301通过读取并执行存储器302中存储的计算机程序指令，以实现实施例一中的任意一种天线方向优化方法。

在一个示例中，该设备还可包括通信接口303和总线310。其中，如图9所示，处理器301、存储器302、通信接口303通过总线310连接并完成相互间的通信。

通信接口303，主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。

总线310包括硬件、软件或两者，将该设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(agp)或其他图形总线、增强工业标准架构(eisa)总线、前端总线(fsb)、超传输(ht)互连、工业标准架构(isa)总线、无限带宽互连、低引脚数(lpc)总线、存储器总线、微信道架构(mca)总线、外围组件互连(pci)总线、pci-express(pci-x)总线、串行高级技术附件(sata)总线、视频电子标准协会局部(vlb)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线310可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。

上述关于计算机设备的具体限定可以参见实施例一，在此不再赘述。

实施例四

与本发明实施例一对应地，本发明实施例四提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种天向方向角优化方法。

上述关于计算机可读存储介质的具体限定可以参见实施例一，在此不再赘述。

需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。

以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(asic)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、rom、闪存、可擦除rom(erom)、软盘、cd-rom、光盘、硬盘、光纤介质、射频(rf)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。

还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。

以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。