本发明涉及无线通信技术，具体涉及一种室内外测量报告的区分方法及网络设备。
背景技术：
目前，现网优化人员主要通过路测(dt，drivingtest)\呼叫质量测试(cqt，callqualitytest)获取特定路线和区域的测试数据，以用于评估网络质量。但上述方式主要集中于室外测试。对于室内网络质量问题的发现，往往依靠用户投诉及对投诉的复测完成。同时，受限于用户投诉过程中对于质差发生的时间地点描述的精确性，想要精确定位到网络问题往往需要大量的复测。
另一方面，通过开启周期性测量报告(mr，measurementreport)功能，现网优化人员可以获取大量的用户测量报告，测量报告中包含的测量信息可以辅助进行网络质量的分析。但mr数据本身只携带小区标识，只能区分用户所在主小区是宏站还是室分站。也即对于由宏站覆盖的室内区域，并不能区分用户的室内外位置信息。因此，上述区分室内mr或室外mr的方法的准确度并不高。
为了能充分利用mr数据进行更精确的网络质量分析，在由宏站覆盖的室内区域中，需要解决如何区分mr数据是室内mr还是室外mr的问题。目前现网优化人员主要通过人为设定规则进行区分，比如认为室内样本点的邻区数小于室外样本点的邻区数、室内主服务小区的参考信号接收质量(rsrp，referencesignalreceivingpower)与邻区rsrp的差值较大等。另外，还有方案通过mr栅格化进行区分。即先将mr数据定位到具体栅格，再将mr中的测量信号与相应栅格的接受信号理论值进行比较，以区分室内外mr数据。
但是，上述区分mr数据是室内mr还是室外mr的处理方式具有以下缺点：1、人为制定的规则，主要通过观察部分数据进行归纳得到，分析缺乏全面性。现网实测数据表明，各项规则并不能完全有效的区分室内外mr数据。
2、mr栅格化需要先获得mr数据的定位信息，然后根据定位信息和对应的测量信号强度进行判断。但直接使用mr数据获得的定位信息会有一定的误差，影响在此基础上进行的室内外区分准确度。
技术实现要素：
为解决现有存在的技术问题，本发明实施例提供了一种室内外测量报告的区分方法及网络设备。
为达到上述目的，本发明实施例的技术方案是这样实现的：
本发明实施例提供了一种室内外测量报告的区分方法，所述方法包括：
获得包含有测量数据以及对应的室内/外标识的源数据；
对所述测量数据进行特征提取获得原始特征量；
根据所述原始特征量进行特征运算，基于运算结果以及所述室内/外标识采用预设分类算法进行模型训练获得表征室内/外测量数据的分类模型；
获得待分类的第一测量数据，对所述第一测量数据进行特征提取获得第一原始特征量；
根据所述第一原始特征量进行特征运算获得第一运算结果；
基于所述第一运算结果和所述分类模型确定所述第一测量数据是室内测量数据或室外测量数据。
上述方案中，所述源数据中包含的测量数据包括小区标识和服务小区接收信号信息；
则所述获得包含有测量数据以及对应的室内/外标识的源数据，包括：
获得测量数据以及对应的室内/外标识；
对所述测量数据进行筛选，滤除不包括小区标识和服务小区接收信号信息的测量数据以及对应的室内/室外标识以获得源数据。
上述方案中，所述原始特征量包括：服务小区参考信号接收功率(rsrp)、服务小区标识、服务小区频点、邻小区rsrp及对应的邻小区标识和频点。
上述方案中，所述根据所述原始特征量进行特征运算，包括：
对服务小区的rsrp与任一邻小区的rsrp序列进行特征运算获得统计信息；和/或，
对任一邻小区的rsrp序列进行特征运算获得统计信息；和/或，
对服务小区的rsrp序列和任一邻小区的rsrp序列的差值序列进行特征运算获得统计信息；和/或，
对任一邻小区的rsrp序列的差值序列进行特征运算获得统计信息；和/或，
对服务小区的频点信息进行特征运算获得统计信息；和/或，
对任一邻小区的频点信息进行特征运算获得统计信息；
其中，所述特征运算包括以下运算的至少之一：最大值运算、最小值运算、均值运算、方差运算。
上述方案中，所述基于运算结果以及所述室内/外标识采用预设分类算法进行模型训练获得表征室内/外测量数据的分类模型，包括：
分别对所述服务小区的频点信息和任意邻小区的频点信息进行二元属性的离散处理，统计处于同一频点的邻区数量以及邻小区的总数量；
对服务小区和邻小区分别对应的原始特征量、特征运算获得的统计信息、以及统计获得处于同一频点的邻区数量以及邻小区的总数量分别进行归一化处理；
将处理结果以及分别对应的室内/外标识采用预设二元分类算法进行训练获得表征室内/外测量数据的分类模型。
本发明实施例还提供了一种网络设备，所述网络设备包括：采集单元、特征处理单元、模型训练单元和分类确定单元；其中，
所述采集单元，用于获得包含有测量数据以及对应的室内/外标识的源数据；
所述特征处理单元，用于对所述采集单元获得的源数据中的测量数据进行特征提取获得原始特征量；根据所述原始特征量进行特征运算；
所述模型训练单元，用于基于所述特征处理单元获得的运算结果以及所述室内/外标识采用预设分类算法进行模型训练获得表征室内/外测量数据的分类模型；
所述采集单元，还用于获得待分类的第一测量数据；
所述特征处理单元，还用于对所述第一测量数据进行特征提取获得第一原始特征量；根据所述第一原始特征量进行特征运算获得第一运算结果；
所述分类确定单元，用于基于所述第一运算结果和所述模型训练单元建立的分类模型确定所述第一测量数据是室内测量数据或室外测量数据。
上述方案中，所述源数据中包含的测量数据包括小区标识和服务小区接收信号信息；
所述采集单元，还用于获得测量数据以及对应的室内/外标识；对所述测量数据进行筛选，滤除不包括小区标识和服务小区接收信号信息的测量数据以及对应的室内/室外标识以获得源数据。
上述方案中，所述原始特征量包括：服务小区rsrp、服务小区标识、服务小区频点、邻小区rsrp及对应的邻小区标识和频点。
上述方案中，所述特征处理单元，用于对服务小区的rsrp与任一邻小区的rsrp序列进行特征运算获得统计信息；和/或，对任一邻小区的rsrp序列进行特征运算获得统计信息；和/或，对服务小区的rsrp序列和任一邻小区的rsrp序列的差值序列进行特征运算获得统计信息；和/或，对任一邻小区的rsrp序列的差值序列进行特征运算获得统计信息；和/或，对服务小区的频点信息进行特征运算获得统计信息；和/或，对任一邻小区的频点信息进行特征运算获得统计信息；其中，所述特征运算包括以下运算的至少之一：最大值运算、最小值运算、均值运算、方差运算。
上述方案中，所述模型训练单元，用于分别对所述服务小区的频点信息和任意邻小区的频点信息进行二元属性的离散处理，统计处于同一频点的邻区数量以及邻小区的总数量；对服务小区和邻小区分别对应的原始特征量、特征运算获得的统计信息、以及统计获得处于同一频点的邻区数量以及邻小区的总数量分别进行归一化处理；将处理结果以及分别对应的室内/外标识采用预设二元分类算法进行训练获得表征室内/外测量数据的分类模型。
本发明实施例提供的室内外测量报告的区分方法及网络设备，所述方法包括：获得包含有测量数据以及对应的室内/外标识的源数据；对所述测量数据进行特征提取获得原始特征量；根据所述原始特征量进行特征运算，基于运算结果以及所述室内/外标识采用预设分类算法进行模型训练获得表征室内/外测量数据的分类模型；获得待分类的第一测量数据，对所述第一测量数据进行特征提取获得第一原始特征量；根据所述第一原始特征量进行特征运算获得第一运算结果；基于所述第一运算结果和所述分类模型确定所述第一测量数据是室内测量数据或室外测量数据。如此，采用本发明实施例的技术方案，利用机器学习方法对采集到的测量数据进行训练学习以获得分类模型，从而基于分类模型区分室内/外mr，避免了人为制定规则进行室内外mr区分的不准确问题，也无需mr的定位信息，有助于利用mr进行更精确的网络质量分析。
附图说明
图1为本发明实施例的室内外测量报告的区分方法的流程示意图；
图2为本发明实施例的室内外测量报告的区分方法中分类模型的训练过程的流程示意图；
图3为本发明实施例的室内外测量报告的区分方法中对待分类的测量数据进行分类的应用过程的流程示意图；
图4为本发明实施例的网络设备的组成结构示意图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细的说明。
实施例一
本发明实施例提供了一种室内外测量报告的区分方法；图1为本发明实施例的室内外测量报告的区分方法的流程示意图；如图1所示，所述方法包括：
步骤101：获得包含有测量数据以及对应的室内/外标识的源数据。
步骤102：对所述测量数据进行特征提取获得原始特征量。
步骤103：根据所述原始特征量进行特征运算，基于运算结果以及所述室内/外标识采用预设分类算法进行模型训练获得表征室内/外测量数据的分类模型。
步骤104：获得待分类的第一测量数据，对所述第一测量数据进行特征提取获得第一原始特征量。
步骤105：根据所述第一原始特征量进行特征运算获得第一运算结果。
步骤106：基于所述第一运算结果和所述分类模型确定所述第一测量数据是室内测量数据或室外测量数据。
本实施例所述的室内外测量报告的区分方法可应用在网络设备中；所述网络设备具体可以为基站，当然也可以是其他需要区分测量报告是室内测量报告还是室外测量报告的网络设备中。
本实施例所述的室内外测量报告的区分方法主要包括两部分：一是基于采集的源数据进行分类模型的训练过程；二是基于建立的分类模型对待分类的测量数据进行分类的应用过程。
具体的，对于分类模型的训练过程，图2为本发明实施例的室内外测量报告的区分方法中分类模型的训练过程的流程示意图；如图2所示，首先，对包含有测量数据以及对应的室内/外标识的源数据进行采集；其中，测量数据可以包括以下数据的至少之一：路测(dt)数据、呼叫质量测试(cqt)数据、最小化路测(mdt，minimizationofdrivingtest)数据等等。所述源数据中的测量数据包括位置信息、小区标识、服务小区接收信号信息以及邻小区接收信号信息等测量数据；其中，所述位置信息可通过经纬度信息标识；接收信号信息可通过参考信号接收功率(rsrp，referencesignalreceivingpower)；由此可见，采集的源数据中至少包括服务小区的相关测量数据以及邻小区的相关测量数据。
进一步地，对采集的测量数据进行数据筛选，由于小区标识和服务小区的接收信号信息(具体可以为rsrp)是后续模型训练的必要信息，因此在对测量数据进行筛选时，对测量数据中不包括小区标识和服务小区的接收信号信息的测量数据进行滤除。具体包括：获得测量数据以及对应的室内/外标识；对所述测量数据进行筛选，滤除不包括小区标识和服务小区的接收信号信息测量数据以及对应的室内/室外标识以获得源数据。
本实施例中，所述原始特征量包括：服务小区rsrp、服务小区标识、服务小区频点、邻小区rsrp及对应的邻小区标识和频点。也就是说，对获得的测量数据进行特征提取，提取出上述原始特征量。
本实施例中，所述根据所述原始特征量进行特征运算，包括：对服务小区的rsrp与任一邻小区的rsrp序列进行特征运算获得统计信息；和/或，对任一邻小区的rsrp序列进行特征运算获得统计信息；和/或，对服务小区的rsrp序列和任一邻小区的rsrp序列的差值序列进行特征运算获得统计信息；和/或，对任一邻小区的rsrp序列的差值序列进行特征运算获得统计信息；和/或，对服务小区的频点信息进行特征运算获得统计信息；和/或，对任一邻小区的频点信息进行特征运算获得统计信息；其中，所述特征运算包括以下运算的至少之一：最大值运算、最小值运算、均值运算、方差运算，当然，本发明实施例中不限于上述列举的特征运算方式，现有技术中的其他运算方式均在本发明实施例的保护范围之内。
具体的，服务小区和邻小区的rsrp序列的差值序列进行特征运算具体可以为rsrp之间的差分运算，或者rsrp序列中的某几位的差分运算等等，取差分运算后的最大值、最小值、均值中的至少之一作为统计信息；对邻小区的rsrp序列的差值序列进行特征运算具体可以为邻小区的rsrp序列中高位与低位的差分运算(高位与低位的位数相同)，取差分运算后的最大值、最小值、均值中的至少之一作为统计信息。相应的，服务小区与邻小区的rsrp序列之间取最大值、最小值、均值中的至少之一作为统计信息；邻小区rsrp序列之间取最大值、最小值、均值中的至少之一作为统计信息。
进一步地，所述基于运算结果以及所述室内/外标识采用预设分类算法进行模型训练获得表征室内/外测量数据的分类模型，包括：分别对所述服务小区的频点信息和任意邻小区的频点信息进行二元属性的离散处理，统计处于同一频点的邻区数量以及邻小区的总数量；对服务小区和邻小区分别对应的原始特征量、特征运算获得的统计信息、以及统计获得处于同一频点的邻区数量以及邻小区的总数量分别进行归一化处理；将处理结果以及分别对应的室内/外标识采用预设二元分类算法进行训练获得表征室内/外测量数据的分类模型。
具体的，本实施例中，对服务小区和邻小区对应的原始特征量(包括服务小区rsrp、服务小区标识、服务小区频点信息、邻小区rsrp及对应的邻小区标识和频点信息)以及上述通过特征运算获得的统计信息、以及统计获得处于同一频点的邻区数量以及邻小区的总数量分别作为一个维度的特征数据进行归一化，即每一维度的特征(其中每一维度的特征例如服务小区rsrp、或服务小区标识等每一个原始特征量，以及服务小区的rsrp与一邻小区的rsrp的序列进行特征运算获得的统计信息等每一个通过特征运算获得的统计信息、以及处于同一频点的邻区数量以及邻小区的总数量)采用归一化处理。本实施例中，所述归一化处理例如最小-最大(min-max)标准化、z-score标准化等数据标准化的归一化处理方案。其中，作为一种实施方式，min-max标准化处理是对原始数据进行线性变换；设mina和maxa分别为一特征数据a的最小值和最大值，将a的一个原始值x通过min-max标准化映射成在区间[0,1]中的值x'，满足公式为：新数据＝(原数据-最小值)/(最大值-最小值)。作为另一种实施方式，z-score标准化处理是基于原始数据的均值(mean)和标准差(standarddeviation)进行数据的标准化；将a的原始值x使用z-score标准化到x'；z-score标准化方法适用于属性a的最大值和最小值未知的情况，或有超出取值范围的离群数据的情况；满足公式为：新数据＝(原数据-均值)/标准差。其中，归一化过程使用的数据的维度为原始特征量所包含的维度数量、统计信息所包含的维度数量以及处于同一频点的邻区数量以及邻小区的总数量的维度数量总和中的至少之n(其中，n为大于等于1的正整数，且n小于等于维度数量总和)；例如维度数量总和为10，则采用的数据维度可以为10维度，也可以为小于10的任何正整数。当然，采用的数据维度的数量越大，分类模型越精确，获得的分类结果的准确性越高。
进一步地，将归一化处理后的各数据以及每个数据对应的室内/外标识采用预设二元分类算法进行训练获得表征室内/外测量数据的分类模型；其中，所述二元分类算法例如支持向量机(svm，supportvectormachine)训练算法或随机森林(randomforest)训练算法；通过二元分类算法训练获得与与室内标识以及对应的特征运算后的统计信息的映射关系，以及与室外标识以及对应的特征运算后的统计信息的映射关系，基于获得的映射关系生成分类模型。
具体的，对待分类的测量数据进行分类的应用过程，图3为本发明实施例的室内外测量报告的区分方法中对待分类的测量数据进行分类的应用过程的流程示意图；如图3所示，对于待分类的测量报告，按照前述对源数据进行分类模型的训练过程进行数据的筛选以及特征提取以及特征运算，获得特征运算结果；其中，数据的筛选过程具体包括：服务小区为宏基站且服务小区的rsrp不为空的测量数据。特征提取以及特征运算过程可参照前述所述，这里不再赘述。获得的特征运算结果(即通过原始特征量或原始特征量组合进行特征运算获得的统计信息)与前述获得的分类模型结合，具体可输入所述分类模型中，从而获得所述特征运算结果对应的分类结果对应的是室内标识还是室外标识，也即获得所述待分类的测量报告对应的是室内测量数据还是室外测量数据。
采用本发明实施例的技术方案，利用机器学习方法对采集到的测量数据进行训练学习以获得分类模型，从而基于分类模型区分室内/外mr，避免了人为制定规则进行室内外mr区分的不准确问题，也无需mr的定位信息，有助于利用mr进行更精确的网络质量分析。
实施例二
本发明实施例还提供了一种网络设备。图4为本发明实施例的网络设备的组成结构示意图；如图4所示，所述网络设备包括：采集单元41、特征处理单元42、模型训练单元43和分类确定单元44；其中，
所述采集单元41，用于获得包含有测量数据以及对应的室内/外标识的源数据；
所述特征处理单元42，用于对所述采集单元41获得的源数据中的测量数据进行特征提取获得原始特征量；根据所述原始特征量进行特征运算；
所述模型训练单元43，用于基于所述特征处理单元42获得的运算结果以及所述室内/外标识采用预设分类算法进行模型训练获得表征室内/外测量数据的分类模型；
所述采集单元41，还用于获得待分类的第一测量数据；
所述特征处理单元42，还用于对所述第一测量数据进行特征提取获得第一原始特征量；根据所述第一原始特征量进行特征运算获得第一运算结果；
所述分类确定单元44，用于基于所述第一运算结果和所述模型训练单元43建立的分类模型确定所述第一测量数据是室内测量数据或室外测量数据。
本实施例中，所述网络设备具体可以为基站，当然也可以是其他需要区分测量报告是室内测量报告还是室外测量报告的网络设备中。
具体的，对于分类模型的训练过程，如图2所示，首先，对包含有测量数据以及对应的室内/外标识的源数据进行采集；其中，测量数据可以包括以下数据的至少之一：路测(dt)数据、呼叫质量测试(cqt)数据、mdt数据等等。所述源数据中的测量数据包括位置信息、小区标识、服务小区接收信号信息以及邻小区接收信号信息等测量数据；其中，所述位置信息可通过经纬度信息标识；接收信号信息可通过rsrp；由此可见，采集的源数据中至少包括服务小区的相关测量数据以及邻小区的相关测量数据。
进一步地，对采集的测量数据进行数据筛选，由于小区标识和小区的接收信号信息(具体可以为rsrp)是后续模型训练的必要信息，因此在对测量数据进行筛选时，对测量数据中不包括小区标识和服务小区的接收信号信息的测量数据进行滤除。具体的，所述采集单元41，还用于获得测量数据以及对应的室内/外标识；对所述测量数据进行筛选，滤除不包括小区标识和服务小区的接收信号信息测量数据以及对应的室内/室外标识以获得源数据。
本实施例中，所述原始特征量包括：服务小区rsrp、服务小区标识、服务小区频点、邻小区rsrp及对应的邻小区标识和频点。也就是说，对获得的测量数据进行特征提取，提取出上述原始特征量。
本实施例中，所述特征处理单元42，用于对服务小区的rsrp与任一邻小区的rsrp序列进行特征运算获得统计信息；和/或，对任一邻小区的rsrp序列进行特征运算获得统计信息；和/或，对服务小区的rsrp序列和任一邻小区的rsrp序列的差值序列进行特征运算获得统计信息；和/或，对任一邻小区的rsrp序列的差值序列进行特征运算获得统计信息；和/或，对服务小区的频点信息进行特征运算获得统计信息；和/或，对任一邻小区的频点信息进行特征运算获得统计信息；其中，所述特征运算包括以下运算的至少之一：最大值运算、最小值运算、均值运算、方差运算，当然，本发明实施例中不限于上述列举的特征运算方式，现有技术中的其他运算方式均在本发明实施例的保护范围之内。
具体的，服务小区和邻小区的rsrp序列的差值序列进行特征运算具体可以为rsrp之间的差分运算，或者rsrp序列中的某几位的差分运算等等，取差分运算后的最大值、最小值、均值中的至少之一作为统计信息；对邻小区的rsrp序列的差值序列进行特征运算具体可以为邻小区的rsrp序列中高位与低位的差分运算(高位与低位的位数相同)，取差分运算后的最大值、最小值、均值中的至少之一作为统计信息。相应的，服务小区与邻小区的rsrp序列之间取最大值、最小值、均值中的至少之一作为统计信息；邻小区rsrp序列之间取最大值、最小值、均值中的至少之一作为统计信息。
本实施例中，所述模型训练单元43，用于分别对所述服务小区的频点信息和任意邻小区的频点信息进行二元属性的离散处理，统计处于同一频点的邻区数量以及邻小区的总数量；对服务小区和邻小区分别对应的原始特征量、特征运算获得的统计信息、以及统计获得处于同一频点的邻区数量以及邻小区的总数量分别进行归一化处理；将处理结果以及分别对应的室内/外标识采用预设二元分类算法进行训练获得表征室内/外测量数据的分类模型。
具体的，本实施例中，所述模型训练单元43对服务小区和邻小区对应的原始特征量(包括服务小区rsrp、服务小区标识、服务小区频点信息、邻小区rsrp及对应的邻小区标识和频点信息)以及上述通过特征运算获得的统计信息、以及统计获得处于同一频点的邻区数量以及邻小区的总数量分别作为一个维度的特征数据进行归一化，即每一维度的特征(其中每一维度的特征例如服务小区rsrp、或服务小区标识等每一个原始特征量，以及服务小区的rsrp与一邻小区的rsrp的序列进行特征运算获得的统计信息等每一个通过特征运算获得的统计信息、以及处于同一频点的邻区数量以及邻小区的总数量)采用归一化处理。本实施例中，所述归一化处理例如最小-最大(min-max)标准化、z-score标准化等数据标准化的归一化处理方案。其中，作为一种实施方式，min-max标准化处理是对原始数据进行线性变换；设mina和maxa分别为一特征数据a的最小值和最大值，将a的一个原始值x通过min-max标准化映射成在区间[0,1]中的值x'，满足公式为：新数据＝(原数据-最小值)/(最大值-最小值)。作为另一种实施方式，z-score标准化处理是基于原始数据的均值(mean)和标准差(standarddeviation)进行数据的标准化；将a的原始值x使用z-score标准化到x'；z-score标准化方法适用于属性a的最大值和最小值未知的情况，或有超出取值范围的离群数据的情况；满足公式为：新数据＝(原数据-均值)/标准差。其中，归一化过程使用的数据的维度为原始特征量所包含的维度数量、统计信息所包含的维度数量以及处于同一频点的邻区数量以及邻小区的总数量的维度数量总和中的至少之n(其中，n为大于等于1的正整数，且n小于等于维度数量总和)；例如维度数量总和为10，则采用的数据维度可以为10维度，也可以为小于10的任何正整数。当然，采用的数据维度的数量越大，分类模型越精确，获得的分类结果的准确性越高。
进一步地，所述模型训练单元43将归一化处理后的各数据以及每个数据对应的室内/外标识采用预设二元分类算法进行训练获得表征室内/外测量数据的分类模型；其中，所述二元分类算法例如svm训练算法或随机森林训练算法；通过二元分类算法训练获得与与室内标识以及对应的特征运算后的统计信息的映射关系，以及与室外标识以及对应的特征运算后的统计信息的映射关系，基于获得的映射关系生成分类模型。
本实施例中，对待分类的测量数据，同理，需要所述采集单元41获得待分类的测量数据，以及对所述待分类的测量数据进行筛选；其中，数据的筛选过程具体包括：服务小区为宏基站且服务小区的rsrp不为空的测量数据。进一步地，所述特征处理单元42对筛选处理后的测量数据进行特征提取获得第一原始特征量，根据所述第一原始特征量进行特征运算获得第一运算结果；特征提取过程以及特征运算过程可按照前述所述，这里不再赘述。所述分类确定单元44将获得的特征运算结果(即通过原始特征量或原始特征量组合进行特征运算获得的统计信息)与所述模型训练单元43获得的分类模型结合，具体可将特征运算结果输入所述分类模型中，从而获得所述特征运算结果对应的分类结果对应的是室内标识还是室外标识，也即获得所述待分类的测量报告对应的是室内测量数据还是室外测量数据。
本发明实施例中，所述网络设备中的特征处理单元42、模型训练单元43和分类确定单元44，在实际应用中均可由所述网络设备中的中央处理器(cpu，centralprocessingunit)、数字信号处理器(dsp，digitalsignalprocessor)、微控制单元(mcu，microcontrollerunit)或可编程门阵列(fpga，field－programmablegatearray)实现；所述网络设备中的采集单元41，在实际应用中可通过通信模组(包含：基础通信套件、操作系统、通信模块、标准化接口和协议等)及收发天线实现。
采用本发明实施例的技术方案，利用机器学习方法对采集到的测量数据进行训练学习以获得分类模型，从而基于分类模型区分室内/外mr，避免了人为制定规则进行室内外mr区分的不准确问题，也无需mr的定位信息，有助于利用mr进行更精确的网络质量分析。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但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，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。