室内外数据处理方法、装置和存储介质与流程

本发明涉及移动通信技术领域，特别涉及一种室内外数据处理方法、装置和存储介质。

背景技术：

基于网络的测量报告(measurementreport，简称：mr)数据、资源数据、地理图层等数据，可以结合大数据技术和人工智能ai技术进行lte无线网络的维护与优化工作。

目前尚未有一种可以全网开展的低成本采集室内、室外样本数据的方法进行有监督的训练过程。在相关技术中，区分室内mr的算法多采用自定义规则算法。例如，根据rsrp(referencesignalreceivingpower，参考信号接收功率)强弱等信息赋予mr室内室外权重；或者，采用聚类等无监督的机器学习算法。

技术实现要素：

发明人经过分析后发现，基于rsrp强弱的方法主要通过信号强度与阈值的比较结果判定mr数据的室内外属性，这依据是室内信号强度弱于室外的网络优化经验。然而，实际上室内信号强于室外的场景并不少见。因此，无线信号的强弱与mr室内外属性并无强关联，基于阈值的判定类算法的准确率并不高。而无监督的机器学习算法相对于有监督的深度学习算法而言准确率较低。

本发明实施例所要解决的一个技术问题是：如何提高室内外mr数据分离的准确性。

根据本发明一些实施例的第一个方面，提供一种室内外数据处理方法，包括：根据测量报告数据，确定用户室内外属性以及相应的置信度；根据与测量报告数据属于同一时间的用户接入数据，对置信度进行修正；根据预设的阈值，确定可信的测量报告数据，并将相应的用户室内外属性作为测量报告数据的标记值；采用可信的测量报告数据对深度学习模型进行训练，获得用于分离室内测量报告数据和室外测量报告数据的分类模型。

在一些实施例中，测量报告数据中的每条数据包括预设时长内的一个或多个测量报告的信息。

在一些实施例中，根据测量报告数据，确定用户室内外属性以及相应的置信度包括：根据测量报告数据，确定用户移动性特征；根据用户移动性特征确定用户室内外属性以及相应的置信度。

在一些实施例中，根据测量报告数据中各个测量报告中的信号强度的统计结果，确定信号波动信息以作为用户移动性特征；在信号波动信息的值大于预设的波动阈值情况下确定用户的室内外属性为室外，以及在信号波动信息的值不大于波动阈值情况下确定用户的室内外属性为室内；根据信号波动信息的值与波动阈值的差距，确定用户室内外属性的置信度。

在一些实施例中，根据测量报告数据中各个测量报告中的小区标识确定在预设时长内的切换次数，作为用户移动性特征；在切换次数大于预设的次数阈值情况下确定用户的室内外属性为室外，以及在切换次数不大于次数阈值情况下确定用户的室内外属性为室内；根据切换次数与次数阈值的差距，确定用户室内外属性的置信度。

在一些实施例中，用户接入数据包括小区基础数据、家庭宽带上网数据中的至少一种；小区基础数据包括小区为室外站或室内站的标识，以及用户的接入时间；家庭宽带上网数据包括用户的接入时间。

在一些实施例中，根据与测量报告数据属于同一时间的用户接入数据，对置信度进行修正包括：在根据用户接入数据判断用户接入了室内接入网的情况下，如果用户室内外属性为室内，则提高相应的置信度，否则降低相应的置信度；在根据用户接入数据判断用户接入了室外接入网的情况下，如果用户室内外属性为室内，则降低相应的置信度，否则提高相应的置信度。

在一些实施例中，室内外数据处理方法还包括：获取待测的测量报告数据；将的待测的测量报告数据输入到训练后的分类模型中，获得分类模型输出的分类结果。

根据本发明一些实施例的第二个方面，提供一种室内外数据处理装置，包括：置信度初步确定模块，被配置为根据测量报告数据，确定用户室内外属性以及相应的置信度；置信度修正模块，被配置为根据与测量报告数据属于同一时间的用户接入数据，对置信度进行修正；数据标记模块，被配置为根据预设的阈值，确定可信的测量报告数据，并将相应的用户室内外属性作为测量报告数据的标记值；训练模块，被配置为采用可信的测量报告数据对深度学习模型进行训练，获得用于分离室内测量报告数据和室外测量报告数据的分类模型。

在一些实施例中，室内外数据处理装置还包括：预测模块，被配置为获取待测的测量报告数据，并将的待测的测量报告数据输入到训练后的分类模型中，获得分类模型输出的分类结果。

根据本发明一些实施例的第三个方面，提供一种室内外数据处理装置，包括：存储器；以及耦接至存储器的处理器，处理器被配置为基于存储在存储器中的指令，执行前述任意一种室内外数据处理方法。

根据本发明一些实施例的第四个方面，提供一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现前述任意一种室内外数据处理方法。

上述发明中的一些实施例具有如下优点或有益效果：本发明可以对基于测量报告对用户行为进行分析，得到初步估计的用户室内外属性和相应的置信度，再进一步根据用户接入数据筛选高可信度的室内外测量报告数据。从而，可以自动化地构建具有更准确的标记结果的室内外测量报告数据作为训练数据，使得通过有监督训练得到的模型具有更高的室内外数据分离准确率。

通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1示出了根据本发明一些实施例的室内外数据处理方法的流程示意图。

图2示出了根据本发明一些实施例的室内外数据处理装置的结构示意图。

图3示出了根据本发明另一些实施例的室内外数据处理装置的结构示意图。

图4示出了根据本发明又一些实施例的室内外数据处理装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。

在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

图1示出了根据本发明一些实施例的室内外数据处理方法的流程示意图。如图1所示，该实施例的室内外数据处理方法包括步骤s102～s108。

在步骤s102中，根据测量报告数据，确定用户室内外属性以及相应的置信度。

在一些实施例中，测量报告数据中的每条数据包括预设时长内的一个或多个测量报告的信息，测量报告的信息例如包括小区标识、接入的用户标识、时间等等。从而，可以以时间切片为单位对用户的位置属性进行分析。

在一些实施例中，根据测量报告数据，确定用户移动性特征；根据用户移动性特征确定用户室内外属性以及相应的置信度。移动性特征例如可以通过信号强弱的波动情况或者用户的切换情况反映。例如，用户移动频繁，则很可能位于室外；用户移动不频繁，则很可能位于室内。

为了进一步确定用户的位置属性，还可以进一步对置信度进行修正。

在步骤s104中，根据与测量报告数据属于同一时间的用户接入数据，对置信度进行修正。

在一些实施例中，用户接入数据包括小区基础数据、家庭宽带上网数据中的至少一种。通过用户接入数据，可以获知用户接入了室内的接入网还是室外的接入网，从而可以结合步骤s102中的初步估计结果，进一步确定用户室内外属性的置信度。

小区基础数据例如包括小区为室外站或室内站的标识，以及用户的接入时间。家庭宽带上网数据例如包括用户的接入时间、位置等信息。

在步骤s106中，根据预设的阈值，确定可信的测量报告数据，并将相应的用户室内外属性作为测量报告数据的标记值。例如，可以将置信度大于预设的阈值的测量报告数据作为训练数据、并进行标记。从而，仅使用置信度高的数据作为训练数据。此类数据的标记结果更准确。

在步骤s108中，采用可信的测量报告数据对深度学习模型进行训练，获得用于分离室内测量报告数据和室外测量报告数据的分类模型。

在一些实施例中，在完成训练后，可以采用以下预测方法：获取待测的测量报告数据；将的待测的测量报告数据输入到训练后的分类模型中，获得分类模型输出的分类结果。

通过上述实施例的方法，可以对基于测量报告对用户行为进行分析，得到初步估计的用户室内外属性和相应的置信度，再进一步根据用户接入数据筛选高可信度的室内外测量报告数据。从而，可以自动化地构建具有更准确的标记结果的室内外测量报告数据作为训练数据，使得通过有监督训练得到的模型具有更高的室内外数据分离准确率。

下面示例性地描述两种确定用户室内外属性和置信度的方法。

第一种方式为：根据测量报告数据中各个测量报告中的信号强度的统计结果，确定信号波动信息以作为用户移动性特征；在信号波动信息的值大于预设的波动阈值情况下确定用户的室内外属性为室外，以及在信号波动信息的值不大于波动阈值情况下确定用户的室内外属性为室内；根据信号波动信息的值与波动阈值的差距，确定用户室内外属性的置信度。

例如，可以统计预设时间段内各个时间点采集的测量报告的信号强度的均值、方差以获得用户移动性特征。如果信号在预设时长内波动幅度较大，说明用户更可能处于移动状态。

第二种方式为：根据测量报告数据中各个测量报告中的小区标识确定在预设时长内的切换次数，作为用户移动性特征；在切换次数大于预设的次数阈值情况下确定用户的室内外属性为室外，以及在切换次数不大于次数阈值情况下确定用户的室内外属性为室内；根据切换次数与次数阈值的差距，确定用户室内外属性的置信度。

例如，用户在预设时长内一次也没有发生切换，则说明用户的移动性比较弱、甚至很可能保持不动。

本领域技术人员可以根据需要来选择置信度的计算方法。信号波动信息的值与波动阈值的差距的绝对值和置信度成负相关关系。切换次数与次数阈值的差距的绝对值和置信度也成负相关关系。

下面示例性地描述一种确定用户室内外属性和置信度的方法。

在一些实施例中，在根据用户接入数据判断用户接入了室内接入网的情况下，如果用户室内外属性为室内，则提高相应的置信度，否则降低相应的置信度；在根据用户接入数据判断用户接入了室外接入网的情况下，如果用户室内外属性为室内，则降低相应的置信度，否则提高相应的置信度。

例如，置信度的区间为0～10。通过分析时间段[t0,t1]内的测量报告数据，初步确定用户位于室内，置信度为7。然后，可以获取[t0,t1]内产生的小区基础数据和家庭宽带上网数据。如果发现该用户在[t0,t1]内接入了家庭宽带，则置信度可以进一步提升，例如提升到9；而如果发现该用户在[t0,t1]内一直接入室外基站，则对置信度进行降低处理，例如降低到3。

提高或降低置信度的程度可以根据需要设置。例如，可以预先设定接入每种网络、或接入每种基站时的修正变化值，并将修正变化值与初步确定的置信度进行求和或加权求和，以获得修正后的置信度。

下面参考图2描述本发明室内外数据处理装置的实施例。

图2示出了根据本发明一些实施例的室内外数据处理装置的结构示意图。如图2所示，该实施例的室内外数据处理装置20包括：置信度初步确定模块210，被配置为根据测量报告数据，确定用户室内外属性以及相应的置信度；置信度修正模块220，被配置为根据与测量报告数据属于同一时间的用户接入数据，对置信度进行修正；数据标记模块230，被配置为根据预设的阈值，确定可信的测量报告数据，并将相应的用户室内外属性作为测量报告数据的标记值；训练模块240，被配置为采用可信的测量报告数据对深度学习模型进行训练，获得用于分离室内测量报告数据和室外测量报告数据的分类模型。

在一些实施例中，测量报告数据中的每条数据包括预设时长内的一个或多个测量报告的信息。

在一些实施例中，置信度初步确定模块210进一步被配置为根据测量报告数据，确定用户移动性特征；根据用户移动性特征确定用户室内外属性以及相应的置信度。

在一些实施例中，置信度初步确定模块210进一步被配置为根据测量报告数据中各个测量报告中的信号强度的统计结果，确定信号波动信息以作为用户移动性特征；在信号波动信息的值大于预设的波动阈值情况下确定用户的室内外属性为室外，以及在信号波动信息的值不大于波动阈值情况下确定用户的室内外属性为室内；根据信号波动信息的值与波动阈值的差距，确定用户室内外属性的置信度。

在一些实施例中，置信度初步确定模块210进一步被配置为根据测量报告数据中各个测量报告中的小区标识确定在预设时长内的切换次数，作为用户移动性特征；在切换次数大于预设的次数阈值情况下确定用户的室内外属性为室外，以及在切换次数不大于次数阈值情况下确定用户的室内外属性为室内；根据切换次数与次数阈值的差距，确定用户室内外属性的置信度。

在一些实施例中，用户接入数据包括小区基础数据、家庭宽带上网数据中的至少一种；小区基础数据包括小区为室外站或室内站的标识，以及用户的接入时间；家庭宽带上网数据包括用户的接入时间。

在一些实施例中，置信度修正模块220进一步被配置为在根据用户接入数据判断用户接入了室内接入网的情况下，如果用户室内外属性为室内，则提高相应的置信度，否则降低相应的置信度；在根据用户接入数据判断用户接入了室外接入网的情况下，如果用户室内外属性为室内，则降低相应的置信度，否则提高相应的置信度。

在一些实施例中，室内外数据处理装置20还包括：预测模块250，被配置为获取待测的测量报告数据，并将的待测的测量报告数据输入到训练后的分类模型中，获得分类模型输出的分类结果。

图3示出了根据本发明另一些实施例的室内外数据处理装置的结构示意图。如图3所示，该实施例的室内外数据处理装置30包括：存储器310以及耦接至该存储器310的处理器320，处理器320被配置为基于存储在存储器310中的指令，执行前述任意一个实施例中的室内外数据处理方法。

其中，存储器310例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序(bootloader)以及其他程序等。

图4示出了根据本发明又一些实施例的室内外数据处理装置的结构示意图。如图4所示，该实施例的室内外数据处理装置40包括：存储器410以及处理器420，还可以包括输入输出接口430、网络接口440、存储接口450等。这些接口430，440，450以及存储器410和处理器420之间例如可以通过总线460连接。其中，输入输出接口430为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口440为各种联网设备提供连接接口。存储接口450为sd卡、u盘等外置存储设备提供连接接口。

本发明的实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现前述任意一种室内外数据处理方法。

本领域内的技术人员应当明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解为可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。