服务小区之间的重叠覆盖状况确定方法及装置与流程

1.本发明涉及通信技术领域，具体涉及一种服务小区之间的重叠覆盖状况确定方法及装置。


背景技术：

2.目前，为保障某些区域(尤其是某些热点区域，如高校、商业购物中心、热门风景区等)的正常网络通信，通常会由多个服务小区来对该区域进行网络覆盖。然而，在此场景中，通常会产生因多个服务小区负荷失衡而引起的用户感知度差或系统资源浪费的弊端。由此，实现服务小区之间的资源负载均衡显得尤为重要。
3.为实现服务小区之间的资源负载均衡，通常需先确定出服务小区之间的重叠覆盖状况。目前，服务小区之间的重叠覆盖状况确定方式通常有两种：其一为现场测试方式，即由测试人员使用无线测试设备到现场进行锁频测试等，以根据测试结果得到服务小区之间的重叠覆盖状况；其二为基于数据的人工确定方式，即获取多层网小区站型、工程参数等，通过人工分析确定服务小区之间的重叠覆盖状况(如人工确定出宏站站间距小于50米、小区方位角偏差小于10度的小区为同覆盖小区)。
4.然而，发明人在实施过程中发现，现有技术中存在如下缺陷：采用现场测试的确定方式，不仅耗费大量测试时间，确定效率低，而且不利于大规模应用与实施；而采用基于数据的人工确定方式，往往因多层网小区站型、工程参数数据量巨大，而使得处理效率低下，并且该方法与人工依赖度较高，精确度低，不适于大规模应用。


技术实现要素：

5.鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的服务小区之间的重叠覆盖状况确定方法及装置。
6.根据本发明的一个方面，提供了一种服务小区之间的重叠覆盖状况确定方法，包括：
7.获取第一小区及第二小区共同覆盖范围内的用户终端的测量报告数据；
8.基于所述测量报告数据，生成第一集合及第二集合；其中，第一集合中的采样点所对应的第一小区电平与第二小区电平的差值小于第一预设阈值；第二集合中的采样点对应的第二小区电平与第一小区电平的差值小于第二预设阈值；
9.分别针对于第一集合及第二集合中的采样点进行聚类处理，以获得与第一集合对应的至少一个第一子集合以及与第二集合对应的至少一个第二子集合；
10.将任一第一子集合及任一第二子集合所对应的预设类型参数输入至构建的机器学习模型中，以获得第一小区与第二小区的重叠覆盖结果。
11.可选的，所述分别针对于第一集合及第二集合中的采样点进行聚类处理进一步包括：
12.分别针对于第一集合及第二集合中的任一采样点，将该采样点对应的时间提前量
及到达方位角作为该采样点的坐标值；
13.基于采样点的坐标值，分别针对于第一集合及第二集合中的采样点进行聚类处理。
14.可选的，在所述基于采样点的坐标值，分别针对于第一集合及第二集合中的采样点进行聚类处理之前，所述方法还包括：将采样点的坐标值进行坐标系转换；
15.所述基于采样点的坐标值，针对于第一集合及第二集合中的采样点进行聚类处理进一步包括：基于坐标系转换后的采样点的坐标值，针对于第一集合及第二集合中的采样点进行聚类处理。
16.可选的，所述将任一第一子集合及任一第二子集合所对应的预设类型参数输入至构建的机器学习模型中进一步包括：
17.将任一第一子集合及任一第二子集合所对应的质心坐标输入至构建的机器学习模型中。
18.可选的，在所述分别针对于第一集合及第二集合中的采样点进行聚类处理之前，所述方法还包括：
19.统计第一小区及第二小区所对应的总采样点个数，以及统计第一集合与第二集合交集中的采样点的个数；计算所述第一集合与第二集合交集中的采样点的个数与所述总采样点个数的比值；
20.则所述分别针对于第一集合及第二集合中的采样点进行聚类处理进一步包括：当所述比值大于第三预设阈值时，分别针对于第一集合及第二集合中的采样点进行聚类处理。
21.可选的，所述构建的机器学习模型包含输入层、隐藏层及输出层。
22.可选的，所述第一小区及第二小区共同覆盖范围内的用户终端具体包括：
23.在同一时间范围内，接收到第一小区及第二小区信号的用户终端。
24.根据本发明的另一方面，提供了一种服务小区之间的重叠覆盖状况确定装置，包括：
25.获取模块，适于获取第一小区及第二小区共同覆盖范围内的用户终端的测量报告数据；
26.集合生成模块，适于基于所述测量报告数据，生成第一集合及第二集合；其中，第一集合中的采样点所对应的第一小区电平与第二小区电平的差值小于第一预设阈值；第二集合中的采样点对应的第二小区电平与第一小区电平的差值小于第二预设阈值；
27.聚类模块，适于分别针对于第一集合及第二集合中的采样点进行聚类处理，以获得与第一集合对应的至少一个第一子集合以及与第二集合对应的至少一个第二子集合；
28.预测模块，适于将任一第一子集合及任一第二子集合所对应的预设类型参数输入至构建的机器学习模型中，以获得第一小区与第二小区的重叠覆盖结果。
29.可选的，所述聚类模块进一步适于：分别针对于第一集合及第二集合中的任一采样点，将该采样点对应的时间提前量及到达方位角作为该采样点的坐标值；
30.基于采样点的坐标值，分别针对于第一集合及第二集合中的采样点进行聚类处理。
31.可选的，所述装置还包括：坐标转换模块(图中未示出)，适于在所述基于采样点的
坐标值，分别针对于第一集合及第二集合中的采样点进行聚类处理之前，将采样点的坐标值进行坐标系转换；
32.所述聚类模块进一步适于：基于坐标系转换后的采样点的坐标值，针对于第一集合及第二集合中的采样点进行聚类处理。
33.可选的，所述预测模块进一步适于：将任一第一子集合及任一第二子集合所对应的质心坐标输入至构建的机器学习模型中。
34.可选的，所述方法还包括：判断模块(图中未示出)，适于在所述分别针对于第一集合及第二集合中的采样点进行聚类处理之前，统计第一小区及第二小区所对应的总采样点个数，以及统计第一集合与第二集合交集中的采样点的个数；计算所述第一集合与第二集合交集中的采样点的个数与所述总采样点个数的比值；
35.则所述聚类模块进一步适于：当所述比值大于第三预设阈值时，分别针对于第一集合及第二集合中的采样点进行聚类处理。
36.可选的，所述构建的机器学习模型包含输入层、隐藏层及输出层。
37.可选的，所述第一小区及第二小区共同覆盖范围内的用户终端具体包括：
38.在同一时间范围内，接收到第一小区及第二小区信号的用户终端。
39.根据本发明的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
40.所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述服务小区之间的重叠覆盖状况确定方法对应的操作。
41.根据本发明的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述服务小区之间的重叠覆盖状况确定方法对应的操作。
42.根据本发明提供的服务小区之间的重叠覆盖状况确定方法及装置。首先获取第一小区及第二小区共同覆盖范围内的用户终端的测量报告数据；并基于该测量报告数据，生成第一集合及第二集合；进一步地针对第一集合及第二集合中的采样点进行聚类处理，以获得与第一集合对应的至少一个第一子集合以及与第二集合对应的至少一个第二子集合；最终将任一第一子集合及任一第二子集合所对应的预设类型参数输入至构建的机器学习模型中，以获得第一小区与第二小区的重叠覆盖结果。本方案通过对用户测量报告数据的聚合处理，利用基于机器学习算法实现了第一小区与第二小区的重叠覆盖状况的准确预测，大幅提升确定效率，降低人工成本，提高确定精度，适于大规模应用与实施。
43.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
44.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
45.图1示出了本发明实施例一提供的一种服务小区之间的重叠覆盖状况确定方法的
流程图；
46.图2示出了本发明提供的一种第一集合及第二集合的示意图；
47.图3示出了本发明实施例二提供的一种服务小区之间的重叠覆盖状况确定方法的流程图；
48.图4示出了本发明实施例三提供的一种服务小区之间的重叠覆盖状况确定装置的结构图；
49.图5示出了本发明实施例五提供的一种计算设备的结构图。
具体实施方式
50.下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
51.实施例一
52.图1示出了本发明实施例一提供的一种服务小区之间的重叠覆盖状况确定方法的流程图。如图1所示，该方法包括以下步骤：
53.步骤s110，获取第一小区及第二小区共同覆盖范围内的用户终端的测量报告数据。
54.其中，本实施例中的第一小区及第二小区为待进行重叠覆盖状况确定的两个服务小区。在实际的实施过程中，同一用户终端在同一时间范围内，可以接收到来自多个服务小区的信号，则该用户终端即为该多个服务小区共同覆盖范围内的用户终端。从而，本实施例中，第一小区及第二小区共同覆盖范围内的用户终端具体为，在同一时间范围内，接收到第一小区及第二小区信号的用户终端。
55.在具体的实施过程中，本实施例首先获取第一小区及第二小区共同覆盖范围内的用户终端的测量报告数据(mr，measurement report)，并以该测量报告数据为基础，进行第一小区及第二小区重叠覆盖状况的确定。
56.步骤s120，基于测量报告数据，生成第一集合及第二集合。
57.在步骤s110获得的测量报告数据的基础上，进一步地根据测量报告数据中各采样点的rsrp((reference signal receiving power，参考信号接收功率)电平值，来生成第一集合及第二集合。其中，一个采样点对应于一个用户终端与采样时间的组合，如采样点a对应于用户终端user1及采样时间10：00。
58.具体地，在生成的第一集合中包含有至少一个采样点，并且，第一集合中的采样点所对应的第一小区电平与第二小区电平的差值小于第一预设阈值；第二集合中也包含有至少一个采样点，并且，第二集合中的采样点所对应的第二小区电平与第一小区电平的差值小于第二预设阈值。其中，第一预设阈值可以与第二预设阈值相同，也可以与第二预设阈值不同，并且第一预设阈值及第二预设阈值均为大于0的数，该第一预设阈值和/或第二预设阈值可根据实际的业务情况动态更新。其中，第一小区电平为采样点所对应的第一小区的rsrp电平值；第二小区电平为采样点所对应的第二小区的rsrp电平值。
59.在具体的实施过程中，基于测量报告数据，提取该测量报告数据中包含的各个采
样点所对应的第一小区电平及第二小区电平，当采样点对应的第一小区电平减第二小区电平小于第一预设阈值时，将该采样点划入第一集合中；同理，当采样点对应的第二小区电平减第一区电平小于第二预设阈值时，将该采样点划入第二集合中。如图2所示，图中左侧圆形区域为第一小区对应的采样点集合，图中右侧圆形区域为第二小区对应的采样点集合，该两个集合的交集部分即为第一小区及第二小区共同覆盖范围内的用户终端所对应的采样点。并且，图中上侧阴影部分“/”对应于第一集合，图中下侧阴影部分“\”对应于第二集合，第一集合与第二集合的并集即为第一小区及第二小区共同覆盖范围内的用户终端所对应的采样点集合。
60.步骤s130，分别针对于第一集合及第二集合中的采样点进行聚类处理，以获得与第一集合对应的至少一个第一子集合以及与第二集合对应的至少一个第二子集合。
61.为进一步地提升后续确定的第一小区与第二小区的重叠覆盖结果的准确性，本实施例并非直接利用第一集合及第二集合进行第一小区及第二小区重叠覆盖状况的确定，而是进一步地分别针对于第一集合及第二集合中的采样点进行聚类处理。即针对于第一集合中的采样点进行聚类处理，从而获得与该第一集合对应的至少一个第一子集合；以及针对于第二集合中的采样点进行聚类处理，从而获得与该第二集合对应的至少一个第二子集合。本实施例对具体的聚类方式不作限定，例如可利用最小方差聚类法、k-means聚类法等等。
62.步骤s140，将任一第一子集合及任一第二子集合所对应的预设类型参数输入至构建的机器学习模型中，以获得第一小区与第二小区的重叠覆盖结果。
63.具体地，本实施例预先通过大量的样本数据训练有相应的机器学习模型，该机器学习模型能够实现服务小区之间的重叠覆盖状况的精准预测。具体地，本实施例中该机器学习模型的输入数据为，第一集合所对应的任一第一子集合以及第二所对应的任一第二子集合的预设类型参数。其中，该预设类型参数为可以体现第一子集合或第二子集合聚合特性的参数，如第一子集合质心参数或第二子集合质心参数等等。
64.由此可见，本实施例中以第一小区及第二小区共同覆盖范围内的用户终端的测量报告数据为基础，生成第一集合及第二集合，并进一步对第一集合及第二集合进行聚类处理，最终将聚类结果作为机器学习模型的输入参数进行服务小区间的重叠覆盖状态预测。从而大幅提升服务小区间的重叠覆盖状态确定效率，降低人工成本，提高确定精度，适于大规模应用与实施。
65.实施例二
66.图3示出了本发明实施例二提供的一种服务小区之间的重叠覆盖状况确定方法的流程图。其中，本实施例所提供的服务小区之间的重叠覆盖状况确定方法是针对于实施例一中方法的进一步优化。
67.如图3所示，该方法包括：
68.步骤s310，获取第一小区及第二小区共同覆盖范围内的用户终端的测量报告数据。
69.步骤s320，基于测量报告数据，生成第一集合及第二集合；其中，第一集合中的采样点所对应的第一小区电平与第二小区电平的差值小于第一预设阈值；第二集合中的采样点对应的第二小区电平与第一小区电平的差值小于第二预设阈值。
70.其中，本实施例中步骤s310与步骤s320的具体实施过程可参照实施例一中相应部分的描述，本实施例在此不做赘述。
71.步骤s330，判断第一集合与第二集合交集中的采样点的个数与第一小区及第二小区对应的总采样点个数的比值，是否大于第三预设阈值；若是，则执行步骤s340；否则，本方法结束。
72.为避免后续步骤处理无效数据，提升本方法的整体执行效率，避免系统计算资源的浪费，本实施例在基于测量报告数据生成第一集合及第二集合之后，进一步地统计第一小区及第二小区所对应的总采样点个数，以及统计第一集合与第二集合交集中的采样点的个数。并进一步地计算第一集合与第二集合交集中的采样点的个数与该总采样点个数的比值。当该比值小于或等于第三预设阈值时，则表明第一小区及第二小区的重叠覆盖率极低(可忽略)，则不再进行后续机器学习模型的预测；当该比值大于第三预设阈值时，则表明第一小区及第二小区的重叠覆盖率较高，需进一步地通过后续机器学习模型预测第一小区及第二小区的重叠覆盖状况。
73.如图2所示，若第一小区对应的采样点个数为m，第二小区对应的采样点个数为n，第一集合对应的采样点个数为m，第二集合对应的采样点个数为n，第一集合与第二集合的交集所对应的采样点个数为p，则第一小区与第二小区对应的总的采样点个数为[(m+n)-(m+n-p)]，从而当p/[(m+n)-(m+n-p)]>η时(η为第三预设阈值)，执行后续步骤s240；否则，本方法结束。
[0074]
步骤s340，分别针对于第一集合及第二集合中的任一采样点，将该采样点对应的时间提前量及到达方位角作为该采样点的坐标值；基于采样点的坐标值，分别针对于第一集合及第二集合中的采样点进行聚类处理；以获得与第一集合对应的至少一个第一子集合以及与第二集合对应的至少一个第二子集合。
[0075]
若通过步骤s330确定第一集合与第二集合交集中的采样点的个数与第一小区及第二小区对应的总采样点个数的比值大于第三预设阈值，则进一步地对第一集合及第二集合进行聚类处理。
[0076]
在具体的聚类处理过程中，首先分别针对于第一集合及第二集合中的任一采样点，将该采样点对应的时间提前量(ta，timing advance)及到达方位角(aoa，angle-of-arrival)作为该采样点的坐标值。可选的，由于采样点对应的时间提前量及到达方位角构成的坐标值为极坐标系下的坐标值，为便于后续的聚类处理，本实施例可进一步地将采样点的坐标值进行坐标系转换。具体为将极坐标下的坐标值转换为对应的笛卡尔坐标系下的坐标值。
[0077]
进一步地，基于采样点的坐标值，分别针对于第一集合及第二集合中的采样点进行聚类处理。在具体的实施过程中，基于坐标系转换后的采样点的坐标值，针对于第一集合及第二集合中的采样点进行聚类处理。例如，可采用最小方差聚类法和/或k-means聚类法，分别针对于第一集合及第二集合中的采样点进行聚类处理。
[0078]
通过聚类处理后，能够获得与第一集合对应的至少一个第一子集合，以及与第二集合对应的至少一个第二子集合。并且，分别针对于每个子集合，可确定该子集合所对应的质心。其中，本实施例对具体的质心确定方式不作限定。
[0079]
步骤s350，将任一第一子集合及任一第二子集合所对应的质心坐标输入至构建的
机器学习模型中。
[0080]
在具体的实施过程中，根据第一集合中包含的所有第一子集合的质心坐标，以及第二集合中包含的所有第二子集合的质心坐标，生成相应的输入向量。即本实施例中，每个输入向量与第一小区及第二小区的组合相对应。
[0081]
举例来说，第一集合中包含有α个第一子集合，第i个第一子集合对应的质心坐标为(x
1i
，y
1i
),其中，1≤i≤α；第二集合中包含有β个第二子集合，第j个第一子集合对应的质心坐标为(x
2j
，y
2j
),其中，1≤j≤β。则生成的输入向量为{x
11
，y
11
，
…
，x
1i
，y
1i
，
…
，x
1α
，y
1α
，x
21
，y
21
，
…
，x
2j
，y
2j
，
…
，x
2β
，y
2β
}。
[0082]
进一步地，将生成的输入向量输入至构建的机器学习模型中。其中，该机器学习模型包含输入层、隐藏层及输出层。其中，该隐藏层具体为一层或多层的全连接层。本实施例对机器学习模型的具体训练过程不作限定，例如，可采用本实施例或实施例一中的输入向量生成方式，将生成的输入向量输入至输入层中，并通过隐藏层进行数据处理，判断隐藏层输出结果与标注结果的误差，当误差满足预设条件时，通过输出层输出结果，并保存训练后的机器学习模型。从而本实施例可利用训练后的机器学习模型来进行服务小区之间的重叠覆盖状况预测。可选的，可进一步地将预测结果作为训练样本，进行机器学习模型的进一步训练优化。
[0083]
其中，本实施例对机器学习模型的输出结果的形式不作限定，例如可采用{共覆盖，非共覆盖}的方式作为输出结果，即当输出结果为{1,0}时，表明第一小区与第二小区为共覆盖小区；当输出结果为{0,1}时，表明第一小区与第二小区不是共覆盖小区。
[0084]
由此可见，本实施例中以第一小区及第二小区共同覆盖范围内的用户终端的测量报告数据为基础，生成第一集合及第二集合，并进一步对第一集合及第二集合进行聚类处理，最终将聚类结果作为机器学习模型的输入参数进行服务小区间的重叠覆盖状态预测。从而大幅提升服务小区间的重叠覆盖状态确定效率，降低人工成本，提高确定精度，适于大规模应用与实施；而且，本实施例在第一集合与第二集合交集中的采样点的个数与第一小区及第二小区对应的总采样点个数的比值大于第三预设阈值时，才进行聚合处理，从而避免后续步骤处理无效数据，提升本方法的整体执行效率，避免系统计算资源的浪费；并且，本实施例具体是依据采样点的时间提前量及到达方位角信息进行聚合处理，进一步地提升了聚合处理的准确度以及提升后续服务小区间的重叠覆盖状态预测精度。
[0085]
实施例三
[0086]
图4示出了本发明实施例三提供的一种服务小区之间的重叠覆盖状况确定装置的结构图。如图4所示，该装置包括：获取模块41、集合生成模块42、聚类模块43、及预测模块44。
[0087]
获取模块41，适于获取第一小区及第二小区共同覆盖范围内的用户终端的测量报告数据；
[0088]
集合生成模块42，适于基于所述测量报告数据，生成第一集合及第二集合；其中，第一集合中的采样点所对应的第一小区电平与第二小区电平的差值小于第一预设阈值；第二集合中的采样点对应的第二小区电平与第一小区电平的差值小于第二预设阈值；
[0089]
聚类模块43，适于分别针对于第一集合及第二集合中的采样点进行聚类处理，以获得与第一集合对应的至少一个第一子集合以及与第二集合对应的至少一个第二子集合；
[0090]
预测模块44，适于将任一第一子集合及任一第二子集合所对应的预设类型参数输入至构建的机器学习模型中，以获得第一小区与第二小区的重叠覆盖结果。
[0091]
可选的，所述聚类模块进一步适于：分别针对于第一集合及第二集合中的任一采样点，将该采样点对应的时间提前量及到达方位角作为该采样点的坐标值；
[0092]
基于采样点的坐标值，分别针对于第一集合及第二集合中的采样点进行聚类处理。
[0093]
可选的，所述装置还包括：坐标转换模块(图中未示出)，适于在所述基于采样点的坐标值，分别针对于第一集合及第二集合中的采样点进行聚类处理之前，将采样点的坐标值进行坐标系转换；
[0094]
所述聚类模块进一步适于：基于坐标系转换后的采样点的坐标值，针对于第一集合及第二集合中的采样点进行聚类处理。
[0095]
可选的，所述预测模块进一步适于：将任一第一子集合及任一第二子集合所对应的质心坐标输入至构建的机器学习模型中。
[0096]
可选的，所述方法还包括：判断模块(图中未示出)，适于在所述分别针对于第一集合及第二集合中的采样点进行聚类处理之前，统计第一小区及第二小区所对应的总采样点个数，以及统计第一集合与第二集合交集中的采样点的个数；计算所述第一集合与第二集合交集中的采样点的个数与所述总采样点个数的比值；
[0097]
则所述聚类模块进一步适于：当所述比值大于第三预设阈值时，分别针对于第一集合及第二集合中的采样点进行聚类处理。
[0098]
可选的，所述构建的机器学习模型包含输入层、隐藏层及输出层。
[0099]
可选的，所述第一小区及第二小区共同覆盖范围内的用户终端具体包括：
[0100]
在同一时间范围内，接收到第一小区及第二小区信号的用户终端。
[0101]
其中，本实施例中各模块的具体实施过程可参照实施例一和/或实施例二中相应部分描述，本实施例在此不做赘述。
[0102]
由此可见，本实施例中以第一小区及第二小区共同覆盖范围内的用户终端的测量报告数据为基础，生成第一集合及第二集合，并进一步对第一集合及第二集合进行聚类处理，最终将聚类结果作为机器学习模型的输入参数进行服务小区间的重叠覆盖状态预测。从而大幅提升服务小区间的重叠覆盖状态确定效率，降低人工成本，提高确定精度，适于大规模应用与实施。
[0103]
实施例四
[0104]
本发明实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的服务小区之间的重叠覆盖状况确定方法。
[0105]
可执行指令具体可以用于使得处理器执行以下操作：
[0106]
获取第一小区及第二小区共同覆盖范围内的用户终端的测量报告数据；
[0107]
基于所述测量报告数据，生成第一集合及第二集合；其中，第一集合中的采样点所对应的第一小区电平与第二小区电平的差值小于第一预设阈值；第二集合中的采样点对应的第二小区电平与第一小区电平的差值小于第二预设阈值；
[0108]
分别针对于第一集合及第二集合中的采样点进行聚类处理，以获得与第一集合对
应的至少一个第一子集合以及与第二集合对应的至少一个第二子集合；
[0109]
将任一第一子集合及任一第二子集合所对应的预设类型参数输入至构建的机器学习模型中，以获得第一小区与第二小区的重叠覆盖结果。
[0110]
在一种可选的实施方式中，可执行指令具体可以用于使得处理器执行以下操作：
[0111]
分别针对于第一集合及第二集合中的任一采样点，将该采样点对应的时间提前量及到达方位角作为该采样点的坐标值；
[0112]
基于采样点的坐标值，分别针对于第一集合及第二集合中的采样点进行聚类处理。
[0113]
在一种可选的实施方式中，可执行指令具体可以用于使得处理器执行以下操作：
[0114]
在所述基于采样点的坐标值，分别针对于第一集合及第二集合中的采样点进行聚类处理之前将采样点的坐标值进行坐标系转换；
[0115]
基于坐标系转换后的采样点的坐标值，针对于第一集合及第二集合中的采样点进行聚类处理。
[0116]
在一种可选的实施方式中，可执行指令具体可以用于使得处理器执行以下操作：
[0117]
将任一第一子集合及任一第二子集合所对应的质心坐标输入至构建的机器学习模型中。
[0118]
在一种可选的实施方式中，可执行指令具体可以用于使得处理器执行以下操作：
[0119]
在所述分别针对于第一集合及第二集合中的采样点进行聚类处理之前，统计第一小区及第二小区所对应的总采样点个数，以及统计第一集合与第二集合交集中的采样点的个数；计算所述第一集合与第二集合交集中的采样点的个数与所述总采样点个数的比值；
[0120]
当所述比值大于第三预设阈值时，分别针对于第一集合及第二集合中的采样点进行聚类处理。
[0121]
在一种可选的实施方式中，所述构建的机器学习模型包含输入层、隐藏层及输出层。
[0122]
在一种可选的实施方式中，所述第一小区及第二小区共同覆盖范围内的用户终端具体包括：
[0123]
在同一时间范围内，接收到第一小区及第二小区信号的用户终端。
[0124]
由此可见，本实施例中以第一小区及第二小区共同覆盖范围内的用户终端的测量报告数据为基础，生成第一集合及第二集合，并进一步对第一集合及第二集合进行聚类处理，最终将聚类结果作为机器学习模型的输入参数进行服务小区间的重叠覆盖状态预测。从而大幅提升服务小区间的重叠覆盖状态确定效率，降低人工成本，提高确定精度，适于大规模应用与实施。
[0125]
实施例五
[0126]
图5示出了本发明实施例五提供的一种计算设备的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。
[0127]
如图5所示，该计算设备可以包括：处理器(processor)502、通信接口(communications interface)504、存储器(memory)506、以及通信总线508。
[0128]
其中：处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。通信接口504，用于与其它设备比如客户端或其它服务器等的网元通信。处理器502，用
于执行程序510，具体可以执行上述用于服务小区之间的重叠覆盖状况确定方法实施例中的相关步骤。
[0129]
具体地，程序510可以包括程序代码，该程序代码包括计算机操作指令。
[0130]
处理器502可能是中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。
[0131]
存储器506，用于存放程序510。存储器506可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0132]
程序510具体可以用于使得处理器502执行以下操作：
[0133]
获取第一小区及第二小区共同覆盖范围内的用户终端的测量报告数据；
[0134]
基于所述测量报告数据，生成第一集合及第二集合；其中，第一集合中的采样点所对应的第一小区电平与第二小区电平的差值小于第一预设阈值；第二集合中的采样点对应的第二小区电平与第一小区电平的差值小于第二预设阈值；
[0135]
分别针对于第一集合及第二集合中的采样点进行聚类处理，以获得与第一集合对应的至少一个第一子集合以及与第二集合对应的至少一个第二子集合；
[0136]
将任一第一子集合及任一第二子集合所对应的预设类型参数输入至构建的机器学习模型中，以获得第一小区与第二小区的重叠覆盖结果。
[0137]
在一种可选的实施方式中，程序510具体可以用于使得处理器502执行以下操作：
[0138]
分别针对于第一集合及第二集合中的任一采样点，将该采样点对应的时间提前量及到达方位角作为该采样点的坐标值；
[0139]
基于采样点的坐标值，分别针对于第一集合及第二集合中的采样点进行聚类处理。
[0140]
在一种可选的实施方式中，程序510具体可以用于使得处理器502执行以下操作：
[0141]
在所述基于采样点的坐标值，分别针对于第一集合及第二集合中的采样点进行聚类处理之前将采样点的坐标值进行坐标系转换；
[0142]
基于坐标系转换后的采样点的坐标值，针对于第一集合及第二集合中的采样点进行聚类处理。
[0143]
在一种可选的实施方式中，程序510具体可以用于使得处理器502执行以下操作：
[0144]
将任一第一子集合及任一第二子集合所对应的质心坐标输入至构建的机器学习模型中。
[0145]
在一种可选的实施方式中，程序510具体可以用于使得处理器502执行以下操作：
[0146]
在所述分别针对于第一集合及第二集合中的采样点进行聚类处理之前，统计第一小区及第二小区所对应的总采样点个数，以及统计第一集合与第二集合交集中的采样点的个数；计算所述第一集合与第二集合交集中的采样点的个数与所述总采样点个数的比值；
[0147]
当所述比值大于第三预设阈值时，分别针对于第一集合及第二集合中的采样点进行聚类处理。
[0148]
在一种可选的实施方式中，所述构建的机器学习模型包含输入层、隐藏层及输出层。
[0149]
在一种可选的实施方式中，所述第一小区及第二小区共同覆盖范围内的用户终端具体包括：
[0150]
在同一时间范围内，接收到第一小区及第二小区信号的用户终端。
[0151]
由此可见，本实施例中以第一小区及第二小区共同覆盖范围内的用户终端的测量报告数据为基础，生成第一集合及第二集合，并进一步对第一集合及第二集合进行聚类处理，最终将聚类结果作为机器学习模型的输入参数进行服务小区间的重叠覆盖状态预测。从而大幅提升服务小区间的重叠覆盖状态确定效率，降低人工成本，提高确定精度，适于大规模应用与实施。
[0152]
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
[0153]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0154]
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
[0155]
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0156]
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0157]
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备
或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
[0158]
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。