预测天线工程参数的方法及设备与流程

本发明涉及通信技术领域，尤其涉及天线工程参数预测模型的训练方法及设备、基于天线工程参数预测模型预测工程参数的方法及设备。

背景技术：

长期演进(longtermevolution，lte)是由第三代合作伙伴计划(3rdgenerationpartnershipproject，3gpp)组织制定的通用移动通信系统(universalmobiletelecommunicationssystem，umts)技术标准的长期演进。随着lte网络建设规模不断扩大，lte用户剧增，基站的工程参数(本文中“工程参数”可简称“工参”)的准确性在日常网络优化调整中显得愈发重要。基站的工程参数是指无线网络规划中与基站射频天线相关的参数，例如，天线的经纬度、方位角、下倾角等等。基站的工程参数的准确性关系到网络数据及网络覆盖的准确性，对用户终端感知和网络问题分析产生极其重要的影响。

但传统的工程参数准确性核查一直是网络优化中的一大短板，现有的一种做法是通过人工上站的方式测试、分析和验证工程参数的准确性。然而，这种人工核查工程参数的方式会存在一些人工引入的误差，难以保证工参数据的及时性和完整性，因此核查效率低且准确性差。现有的另一种做法是在基站处安装定位设备，如全球定位系统(globalpositioningsystem，gps)设备，通过定位设备获得基站射频天线的位置信息发送给网管设备，然后由网管设备根据基站射频天线的位置信息生成工参。然而，这种方式会带来较大的设备开销，且有些基站设备可能安装在室内，而这种情况下定位设备在室内定位精度不高，导致据此产生的工参准确性较差。

技术实现要素：

本发明实施例提供了预测天线工程参数的方法及设备，能够克服现有技术的缺陷，实现比较准确的、低成本的工参生成方案。

第一方面，本发明实施例提供了一种预测天线工程参数的方法，该方法包括天线工参预测模型的训练方法，该方法具体包括：获取第一工程参数集、第一配置数据集、以及终端向第一设备天线上传的第一测量报告数据集；其中，所述第一工程参数集包括所述第一设备天线的工程参数，所述第一设备天线的工程参数包括所述第一设备天线的位置数据(例如第一设备天线的经度、纬度、海拔高度等等)和姿态数据(例如第一设备天线的下倾角、方位角等等)中的至少一个；所述第一配置数据集包括所述第一设备天线的配置数据，所述第一设备天线的配置数据表示所述第一设备天线的网络参数的配置信息；所述第一测量报告数据集中的测量报告(measurementreport，mr)数据包括所述终端的位置数据(例如终端的经度、纬度、海拔高度等等)和信号接收功率(referencesignalreceivedpower，rsrp)数据；其中，所述第一设备天线可以是第一地理区域内的多个设备天线中的任意设备天线；根据所述第一设备天线的工程参数、所述第一设备天线的配置数据和所述第一测量报告数据集进行模型训练，获得天线工参预测模型(本文中可简称为工参预测模型)；所述天线工参预测模型用于，根据第二配置数据集、终端向第二设备天线上传的第二测量报告数据集，输出所述第二设备天线的工程参数。其中，所述第二设备天线可以是第二地理区域内的设备天线，所述第二地理区域可以不同于所述第一地理区域。

可以看到，本发明实施例能够通过模型训练的方式基于现成的样本数据(例如mr数据、配置数据、工参数据等)构建用于预测设备天线的工参的模型。这样，后续应用该模型将可实现基于mr数据和配置数据获得设备天线可信度较高的预测工参。所以，实施本发明实施例的技术方案能够克服现有技术的缺陷，有效降低设备天线工参的获取成本，提升工参的准确度。

本发明实施例中，第一地理区域表示用于模型训练的样本数据所对应的一个或多个设备天线所在地理位置范围。若用于模型训练的样本数据对应多个设备天线，那么可以称所述多个设备天线为第一地理区域内的多个设备天线，以此类推，可以称本实施例中的第一设备天线为第一地理区域内的第一设备天线，多个设备天线中除第一设备天线外的其他设备天线可以称为第一地理区域内的其他设备天线，以此类推。

基于第一方面，在第一种实施方式中，所述天线工参预测模型包括天线工参生成模型(本文中可简称为工参生成模型)；所述根据所述第一设备天线的工程参数、所述第一设备天线的配置数据和所述第一测量报告数据集进行模型训练，获得天线工参预测模型，包括：根据所述第一设备天线的配置数据和所述第一测量报告数据集，获得所述第一设备天线的第一样本特征数据；所述第一样本特征数据包括隶属所述第一设备天线的小区或远端射频单元(radioremoteunit，rru)的多个信号接收功率数据，以及所述多个信号接收功率数据中各个信号接收功率数据对应的终端的位置数据；根据所述第一设备天线的配置数据，获得所述第一设备天线的天线类型；根据所述第一设备天线的工程参数和第一特征集合进行模型训练，获得所述天线工参生成模型；所述第一特征集合包括所述第一样本特征数据和所述第一设备天线的天线类型，所述天线工参生成模型用于根据输入的第一特征集合输出工程参数。

其中，所述天线工参生成模型例如为神经网络(neuralnetworks,nn)算法模型。天线工参生成模型的训练过程例如可通过下式表示：

(latitude,longtitude)＝nn(feature1056,antennatype,wnn1)

其中，latitude表示设备天线的工参中的纬度值,longtitude表示设备天线的工参中的经度值，nn表示神经网络算法，feature1056表示第一样本特征数据，antennatype表示设备天线的类型，wnn1表示工参生成模型中的模型参数。

对于不同的设备天线，其对应的latitude、longtitude、feature1056、antennatype数据也各有差异，根据这些数据作为工参生成模型的输入数据，即可对模型进行训练计算出wnn1(例如本样例中可以利用梯度下降法计算出wnn1)，从而获得经过训练的工参生成模型。

可以看到，本发明实施例能够基于现成的样本数据(例如mr数据、配置数据、工参数据等)进行数据提取，获得工参生成模型的输入数据(例如第一样本特征数据、设备天线的类型数据、设备天线的工参数据等等，从而基于这些数据训练出用于预测设备天线的工参预测模型(这里的工参预测模型可视为工参生成模型)，而应用该模型将可实现生成设备天线的工参，从而获得可信度较高的预测工参。所以，实施本发明实施例能够适应于各种样本数据场景进行有效进行数据筛选，提升模型训练的效率和准确性。从而能够提升后续基于该模型进行设备天线的工参预测的准确度，有效降低设备天线工参的获取成本。

基于第一方面的第一种实施方式，在可能的实施例中，训练集中的mr数据数量较大时，占据内存较大，会导致共天线小区的mr数据很多。而不同的设备天线对应的共天线的小区列表也有差异，小区数目不固定。为了更好地进行模型的训练(如避免过拟合、提高运算速度和效率)，本发明实施例可为不同的设备天线的共天线小区对应的mr数据设计统一的训练数据模板，这样，就可将各个设备天线的共天线小区对应的mr数据基于所述训练数据模板进行筛选和归并，获得各个设备天线的共天线小区的样本特征数据(这里可称为第一样本特征数据)。

一种获得设备天线的第一样本特征数据的过程中，所述根据所述第一设备天线的配置数据和所述第一测量报告数据集，获得第一样本特征数据包括：根据所述第一设备天线的配置数据，确定隶属所述第一设备天线的小区或rru；从所述测量报告数据集中，确定所述小区或rru对应的测量报告数据；根据所述小区或rru对应的测量报告数据进行特征提取，获得所述第一样本特征数据。

举例来说，在一种具体实现中，各小区的rsrp值的取值范围例如为{1,4,7,…,97}，对于单个设备天线，例如设备天线1，可将设备天线1的共天线小区的mr数据中，服务小区(例如为小区1)的rsrp取值为某个预定值(例如预定值为7，当然也可以选择其他任意值)的所有mr数据的用户设备(userequipment，ue)的经纬度加起来求均值，得到中心点，那么该中心点可近似视为基站设备可能的经纬度位置。然后，从中心点出发均匀地向多个方向(例如8个方向)延伸出射线。那么，可从设备天线1的共天线小区中各个小区的mr数据中，查找服务小区的rsrp值分别为1,4,7,…,97(共33个)时，分别离各个方向射线的取值相同的位置点距离最近的mr数据(如果不存在这样的mr数据，可以用全0来构造一个mr数据来代替)。这样，总共找出8×33＝264组的mr数据。然后，对于264组低维度的mr数据中的每一组，选择抽取ue所在的经度、ue所在的纬度、ue所在的高度、小区1的天线到达角度(angleofarrival，aoa)等特征中的两个或多个组成共天线小区的第一样本特征数据。例如，同时抽取ue所在的经度、ue所在的纬度、ue所在的高度、小区1的aoa这4个特征时，就生成了4×264＝1056个子特征，由这样的1056个子特征构成的第一样本特征数据可记作“feature1056”。

可以看出，实施本实施例能够适应各种各样的样本数据场景，提高模型训练过程的运算速度和效率，从而训练出更好的工参生成模型。

基于第一方面，在第二种实施方式，所述天线工参预测模型除了天线工参生成模型外，还包括天线工参纠正模型(本文中还可简称为工参纠正模型)；这种情况下，所述工程参数集还包括至少一个其他设备天线的工程参数；所述配置数据集还包括所述至少一个其他设备天线的配置数据；所述至少一个其他设备天线表示所述多个设备天线中除所述第一设备天线外的设备天线；

相应的，所述根据所述第一设备天线的工程参数和第一特征集合进行模型训练，获得所述天线工参生成模型之后，所述方法还包括：根据所述配置数据集和所述测量报告数据集，获得所述第一设备天线的第二样本特征数据，所述第二样本特征数据包括所述至少一个其他设备天线的小区或rru的多个信号接收功率数据、以及所述多个信号接收功率数据中各个信号接收功率数据对应的终端的位置数据和所述第一设备天线的小区或rru的信号接收功率数据；根据所述天线工参生成模型，获得所述第一设备天线的工程参数的预测结果和所述至少一个其他设备天线的工程参数的预测结果；根据所述工程参数集和第二特征集合进行模型训练，获得所述天线工参纠正模型；所述第二特征集合包括所述第二样本特征数据、所述第一设备天线的工程参数的预测结果和所述至少一个其他设备天线的工程参数的预测结果，所述天线工参纠正模型用于根据输入的第二特征集合输出工程参数。

其中，所述天线工参纠正模型例如为神经网络(neuralnetworks,nn)算法模型。该工参纠正模型的训练过程例如可通过下式表示：

(latitude,longtitude)＝nn((featurejoin_i,featurebasic_i),wnn2)

其中，latitude表示设备天线i的工参中的纬度值，longtitude表示设备天线i的工参中的经度值，nn表示神经网络算法，featurejoin_i表示设备天线的topn天线的第二样本特征数据，featurebasic_i表示设备天线i的(1+topn)天线组的预测工参，wnn2表示工参纠正模型中的模型参数。

所以，对于不同的设备天线，其对应的latitude、longtitude、featurejoin_i、featurebasic_i数据也各有差异，根据这些数据作为工参纠正模型的输入数据，即可对模型进行训练计算出wnn2(例如本样例中可以利用梯度下降法计算出wnn2)，从而获得经过训练的工参纠正模型。

可以看到，本发明实施例既能够基于现成的样本数据(例如mr数据、配置数据、工参数据等)进行数据提取，又能够根据第一方面的第一种实施方式所训练的工参生成模型获得第一设备天线的工程参数的预测结果和所述至少一个其他设备天线的工程参数的预测结果，从而形成天线工参纠正模型的输入数据(例如所述第二样本特征数据、所述第一设备天线的工程参数的预测结果和所述至少一个其他设备天线的工程参数的预测结果、工程参数集等等)，从而基于这些数据进一步训练出所述天线工参纠正模型，该工参纠正模型能够实现对工参生成模型的预测工参进行进一步纠正，从而获得更高可信度的预测工参。本实施例的天线工参预测模型包括天线工参生成模型和天线工参纠正模型，应用该模型将可实现生成和纠正设备天线的工参，从而获得可信度较高的预测工参。实施本发明实施例能够适应于各种样本数据场景进行有效进行数据筛选，提升模型训练的效率和准确性。从而能够提升后续基于该模型进行设备天线的工参预测的准确度，有效降低设备天线工参的获取成本。

基于第一方面的第二种实施方式，在可能的实施例中，所述至少一个其他设备天线为与所述第一设备天线周边的topn个设备天线，所述topn个设备天线表示所述多个设备天线中与所述第一设备天线最相关的n个的设备天线，n为大于等于1的整数。

例如，在一些实施例中，topn天线为第一设备天线周边多个设备天线中的，与第一设备天线的空间距离最周边的n个设备天线。；在又一些实施例中，topn天线为第一设备天线的周边多个设备天线中，与第一设备天线的信号重叠程度最大的n个设备天线；在又一些实施例中，topn天线为第一设备天线的周边多个设备天线中，终端切换次数最多的n个设备天线，等等。

本发明实施例基于第一设备天线最相关的n个的设备天线进行工参纠正模型的训练，有利于基于第一设备天线最相关的n个的设备天线的工参对第一设备天线的预测工参进行纠正，从而训练出较好的工参纠正模型，提升工参纠正模型的预算速度和预测准确性。所以实施本实施例有利于整体提高工参预测模型(即包括工参生成模型和工参纠正模型)预测结果的可信度。

基于第一方面的第二种实施方式，在可能的实施例中，所述根据所述配置数据集和所述测量报告数据集，获得第二样本特征数据，包括：根据所述配置数据集，确定隶属所述第一设备天线的小区或rru，和隶属于所述topn个设备天线的小区或rru；根据所述第一测量报告数据集，设置所述topn个设备天线的小区或rru中任一设备天线的小区或rru分别对应至少一个测量报告数据，所述至少一个测量报告数据中每个测量报告数据包括所述任一设备天线的小区或rru的信号接收功率数据、所述第一设备天线的小区或rru的信号接收功率数据以及所述终端的位置数据；根据所述topn个设备天线的小区或rru中各个设备天线的小区或rru对应的测量报告数据进行特征提取，获得所述第二样本特征数据。

其中，第二样本特征数据表征了不同的设备天线在ue的同一次测量中(即在同一ue地理位置)各自呈现的测量特征(或称天线联合测量特征)。

例如，在一种具体实现中，对于任意设备天线的topn天线，例如设备天线a的topn天线，分别根据该设备天线a的各个邻天线的共天线小区列表确定出一个小区，称该小区为设备天线a的一个邻小区，那么，n个邻天线将分别对应确定出n个邻小区，这样的n个邻小区可称为设备天线a的topn邻小区。比如，对于设备天线a的topn天线中的第一邻天线，如果该第一邻天线的共天线小区中的小区有多个，则可示例性地选取在该第一邻天线的低纬度的mr数据中，出现次数最多的小区作为该第一邻天线对应的邻小区。以此类推，可分别确定出topn天线中的各个邻天线对应的邻小区，即设备天线a的topn邻小区。那么，针对任意设备天线的topn邻小区中的任一邻小区，例如设备天线a的topn邻小区中的任一邻小区，可以从设备天线a的多个mr数据中选取m个mr数据，将所述m个mr数据与该邻小区关联。其中，所述m个mr数据中的任一个均包含该邻小区的测量特征信息(例如该邻小区的rsrp、该邻小区的aoa,等等)，示例性的，m个低维度的mr数据中邻小区的rsrp值可以各有差异，所述m为大于等于1的整数。这样，可以分别从所述m个低维度的mr数据中各个低维度的mr数据中提取设备天线a的第二样本特征数据，每个样本特征数据可包括ue的定位信息(如ue所在的经度、ue所在的纬度、ue所在的海拔高度等等)、服务小区的rsrp、服务小区的aoa、邻小区的rsrp、邻小区的aoa等等中的两个或两个以上。也就是说，基于上面描述，可以确定出topn邻小区中的任一邻小区关联的m个低维度的mr数据，以及基于m个低维度的mr数据确定m个第二样本特征数据。为了描述方便，可记设备天线i的topn邻小区的m个第二样本特征数据为“featurejoin_i”，设备天线i是所述多个设备天线中的任意设备天线。

可以看出，实施本实施例能够适应各种各样的样本数据场景，提高模型训练过程的运算速度和效率，从而训练出更好的工参纠正模型。

基于第一方面的第一种实施方式和第二种实施方式，在可能的实施例中，在进行模型训练之前，还可以对设备天线的共天线小区对应的mr数据进行特征信息选取，从而获得共天线小区的低维度的mr数据。

也就是说，在可选的实施例，对共天线的各小区对应的mr数据进行k个维度的特征信息选取，获得低维度的mr数据，k为大于等于2的整数。

举例来说，在一些实施例中，需要选取的k个维度的特征信息包括以下的两种或两种以上：ue所在的位置信息，例如包括ue所在的经度、ue所在的纬度，可选的还包括ue所在的高度等等；共天线的小区各自的id，例如小区1(例如小区1为服务小区)的id、小区2的id…小区j的id等等，j为大于等于1的整数。共天线的小区各自的rsrp，例如小区1的rsrp、小区2的rsrp…小区n的rsrp等等。共天线的小区各自的aoa，例如小区1的aoa、小区2的aoa…小区n的aoa等等。

相应的，这种情况下，所述根据所述第一设备天线的配置数据和所述测量报告数据集，获得第一样本特征数据具体包括：根据所述第一设备天线的配置数据，确定隶属所述第一设备天线的小区或rru；从所述测量报告数据集中，确定所述小区或rru对应的低维度的测量报告数据；根据所述小区或rru对应的低维度的测量报告数据进行特征提取，获得所述第一样本特征数据。

相应的，这种情况下，所述根据所述配置数据集和所述测量报告数据集，获得第二样本特征数据，具体包括：根据所述配置数据集，确定隶属所述第一设备天线的小区或rru，和隶属于所述topn个设备天线的小区或rru；根据所述第一测量报告数据集，设置所述topn个设备天线的小区或rru中任一设备天线的小区或rru分别对应至少一个低维度的测量报告数据，所述至少一个低维度的测量报告数据中每个低维度的测量报告数据包括所述任一设备天线的小区或rru的信号接收功率数据、所述第一设备天线的小区或rru的信号接收功率数据以及所述终端的位置数据。根据所述topn个设备天线的小区或rru中各个设备天线的小区或rru对应的测量报告数据进行特征提取，获得所述第二样本特征数据。

可以看出，实施本发明实施例有利于减低计算复杂度，提高模型训练的效率。

第二方面，本发明实施例提供了一种预测天线工程参数的方法，该方法包括基于天线工参预测模型预测工参的方法，该方法具体包括：获取第二配置数据集、终端向所述第二设备天线上传的第二测量报告数据集；其中，所述第二配置数据集包括所述第二设备天线的配置数据，所述第二设备天线的配置数据表示所述第二设备天线的网络参数的配置信息；所述第二测量报告数据集中的测量报告数据包括所述终端的位置数据(例如终端的经度、纬度、海拔高度等等)和信号接收功率数据(简称rsrp数据)；其中，所述第二设备天线可以是第二地理区域内的多个设备天线中的任意设备天线；将所述第二配置数据集和所述第二测量报告数据集输入至天线工参预测模型(本文中可简称为工参预测模型)，获得所述第二设备天线的工程参数的预测结果；其中，所述天线工参预测模型是根据第一工程参数集、第一配置数据集、以及终端向第一设备天线上传的第一测量报告数据集进行训练而得到的；所述第二设备天线的工程参数包括所述第一设备天线的位置数据(例如第二设备天线的经度、纬度、海拔高度等等)和姿态数据(例如第二设备天线的下倾角、方位角等等)中的至少一个；所述第一设备天线可以是第一地理区域内的多个设备天线中的任意设备天线，所述第二地理区域可以不同于所述第一地理区域。

其中，所述第一工程参数集包括所述第一设备天线的工程参数，所述第一设备天线的工程参数包括所述第一设备天线的位置数据和姿态数据中的至少一个；所述第一配置数据集包括所述第一设备天线的配置数据，所述第一设备天线的配置数据表示所述第一设备天线的网络参数的配置信息；所述第一测量报告数据集中的测量报告数据包括所述终端的位置数据和信号接收功率数据；所述第一设备天线为所述第一地理区域内的多个设备天线中的任意设备天线。

可以看到，本发明实施例能够通过预先训练好的天线工参预测模型，基于现成的样本数据(例如mr数据、配置数据等)输入至该模型，即可实现获得设备天线的较准确的工参。所以，实施本发明实施例的技术方案能够克服现有技术的缺陷，有效降低设备天线工参的获取成本，提升工参的准确度。

本发明实施例中，第二地理区域表示在实际应用中，需要预测工参的一个或多个设备天线所在地理位置范围。若用于工参预测的样本数据对应的多个设备天线，那么可以称所述多个设备天线为第二地理区域内的多个设备天线，以此类推，可以称本实施例中的第二设备天线为第二地理区域内的第二设备天线，多个设备天线中除第二设备天线外的其他设备天线可以称为第二地理区域内的其他设备天线。其中，第二地理区域所表示的地理位置范围可以不同于第一地理区域所表示的地理位置范围，也就是说，所述第二地理区域的第二设备天线可以不同于第一地理区域的第一设备天线，所述第二地理区域的多个设备天线可以不同于第一地理区域的多个设备天线。

基于第二方面，在第一种实施方式中，所述天线工参预测模型包括天线工参生成模型(本文中还可简称为工参生成模型)；所述将所述第二配置数据集和所述第二测量报告数据集输入至天线工参预测模型，获得所述第二设备天线的工程参数的预测结果，包括：根据所述第二测量报告数据集和所述第二设备天线的配置数据，获得所述第二设备天线的第一样本特征数据；所述第二设备天线的第一样本特征数据包括隶属所述第二设备天线的小区或远端射频单元rru的多个信号接收功率数据，以及所述多个信号接收功率数据中各个信号接收功率数据对应的终端的位置数据；根据所述第二设备天线的配置数据，获得所述第二设备天线的天线类型；将所述第一样本特征数据和所述第二设备天线的天线类型输入至所述天线工参生成模型，获得所述第二设备天线的工程参数的第一预测结果。

其中，所述天线工参生成模型是根据所述第一地理区域内的所述第一设备天线的工程参数和第一特征集合进行模型训练而得到的；其中，所述第一特征集合包括所述第一设备天线的第一样本特征数据和所述第一设备天线的天线类型，所述第一设备天线的第一样本特征数据包括隶属所述第一设备天线的小区或rru的多个信号接收功率数据，以及所述多个信号接收功率数据中各个信号接收功率数据对应的终端的位置数据。

其中，所述天线工参生成模型例如为神经网络(neuralnetworks,nn)算法模型。天线工参生成模型的训练过程例如可通过下式表示：

(latitude,longtitude)＝nn(feature1056,antennatype,wnn1)

其中，latitude表示设备天线的工参中的纬度值,longtitude表示设备天线的工参中的经度值，nn表示神经网络算法，feature1056表示第一样本特征数据，antennatype表示设备天线的类型，wnn1表示工参生成模型中的模型参数。

对于不同的设备天线，其对应的feature1056、antennatype数据也各有差异，根据这些数据输入至所述工参生成模型，即可获得不同设备天线的工参预测结果。

可以看到，本发明实施例能够基于现成的样本数据(例如mr数据、配置数据等)进行数据提取，获得工参生成模型的输入数据(例如第一样本特征数据、设备天线的类型数据等等，从而基于这些数据输入至训练好的工参预测模型(这里的工参预测模型可视为工参生成模型)，即可实现生成设备天线的预测工参。所以，实施本发明实施例能够适应于各种样本数据场景进行有效进行数据提取，提升基于该模型进行第二设备天线的工参预测的准确度，有效降低第二设备天线工参的获取成本。

基于第二方面的第一种实施方式，在可能的实施例中，类似于第一方面的第一种实施方式中获取第一样本特征数据的过程，所述根据所述第二测量报告数据集和所述第二设备天线的配置数据获得第一样本特征数据的过程包括：根据所述第二设备天线的配置数据，确定隶属所述第二设备天线的小区或rru；从所述第二测量报告数据集中，确定所述小区或rru对应的测量报告数据；根据所述小区或rru对应的测量报告数据进行特征提取，获得所述第一样本特征数据。

可以看出，实施本实施例能够适应各种各样的样本数据场景，提高模型预测过程的运算速度和效率，从而获得准确性较高的预测工参。

基于第二方面，在第二种实施方式中，所述天线工参预测模型除了天线工参生成模型外，还包括天线工参纠正模型(本文中还可简称为工参纠正模型)；所述第二配置数据集还包括至少一个其他设备天线的配置数据；所述至少一个其他设备天线表示所述多个设备天线中除所述第二设备天线外的设备天线；所述获得所述第二设备天线的工程参数的第一预测结果之后，所述方法还包括：根据所述第二配置数据集和所述第二测量报告数据集，获得所述第二设备天线的第二样本特征数据，所述第二设备天线的第二样本特征数据包括所述至少一个其他设备天线的小区或rru的多个信号接收功率数据、以及所述多个信号接收功率数据中各个信号接收功率数据对应的终端的位置数据和所述第二设备天线的小区或rru的信号接收功率数据；根据所述天线工参生成模型，获得所述至少一个其他设备天线的工程参数的预测结果；将所述第二样本特征数据、所述第二设备天线的工程参数的第一预测结果和所述至少一个其他设备天线的工程参数的预测结果输入至所述天线工参纠正模型，获得所述第二设备天线的工程参数的第二预测结果。

其中，所述天线工参纠正模型是根据所述第一地理区域内的第一工程参数集和第二特征集合进行模型训练而得到的；其中，所述第一工程参数集包括所述第一设备天线的工程参数和所述第一地理区域内的至少一个其他设备天线的工程参数；所述第二特征集合包括所述第一设备天线的第二样本特征数据、所述第一设备天线的工程参数的预测结果和所述第一地理区域内的至少一个其他设备天线的工程参数的预测结果；所述第二样本特征数据包括所述第一地理区域内的至少一个其他设备天线的小区或rru的多个信号接收功率数据、以及所述多个信号接收功率数据中各个信号接收功率数据对应的终端的位置数据和所述第一设备天线的小区或rru的信号接收功率数据；所述第一设备天线的工程参数的预测结果和所述第一地理区域内的至少一个其他设备天线的工程参数的预测结果是根据所述天线工参生成模型而得到的。

其中，所述天线工参纠正模型例如为神经网络(neuralnetworks，nn)算法模型。该工参纠正模型的训练过程例如可通过下式表示：

(latitude,longtitude)＝nn((featurejoin_i,featurebasic_i),wnn2)

其中，latitude表示设备天线i的工参中的纬度值，longtitude表示设备天线i的工参中的经度值，nn表示神经网络算法，featurejoin_i表示设备天线的topn天线的第二样本特征数据，featurebasic_i表示设备天线i的(1+topn)天线组的预测工参，wnn2表示工参纠正模型中的模型参数。

所以，对于不同的设备天线，其对应的featurejoin_i、featurebasic_i数据也各有差异，根据这些数据输入至所述工参纠正模型，则可通过所述工参纠正模型对设备天线的预测工参进行进一步纠正，从而获得可信度更高的工参预测结果。

可以看到，本发明实施例既能够基于现成的样本数据(例如mr数据、配置数据等)进行数据提取，又能够根据第二方面的第一种实施方式获得第二设备天线的工程参数的预测结果和所述至少一个其他设备天线的工程参数的预测结果，从而形成天线工参纠正模型的输入数据(例如所述第二样本特征数据、所述第一设备天线的工程参数的预测结果和所述至少一个其他设备天线的工程参数的预测结果等等)，从而基于这些数据输入至所述天线工参纠正模型，实现对工参生成模型的预测工参进行进一步纠正，从而获得更高可信度的预测工参。本实施例的天线工参预测模型包括天线工参生成模型和天线工参纠正模型，应用该模型将可实现生成和纠正第二设备天线的工参，从而获得可信度较高的预测工参。实施本发明实施例能够适应于各种样本数据场景进行有效进行数据筛选，提升模型训练的效率和准确性。从而能够提升后续基于该模型进行第二设备天线的工参预测的准确度，有效降低第二设备天线工参的获取成本。

基于第二方面的第二种实施方式，在可能的实施例中，所述至少一个其他设备天线为与所述第二设备天线周边的topn个设备天线，所述topn个设备天线表示所述多个设备天线中与所述第二设备天线最相关的n个的设备天线，n为大于等于1的整数。

例如，在一些实施例中，topn天线为第二设备天线周边多个设备天线中的，与第二设备天线的空间距离最周边的n个设备天线。；在又一些实施例中，topn天线为第二设备天线的周边多个设备天线中，与第二设备天线的信号重叠程度最大的n个设备天线；在又一些实施例中，topn天线为第二设备天线的周边多个设备天线中，终端切换次数最多的n个设备天线，等等。

本发明实施例可基于第二设备天线最相关的n个的设备天线，使用工参纠正模型对第二设备天线的工参进行预测，有利于基于第二设备天线最相关的n个的设备天线的工参对第一设备天线的预测工参进行纠正，提升工参纠正模型的预算速度和预测准确性。所以实施本实施例有利于整体提高工参预测模型(即包括工参生成模型和工参纠正模型)预测结果的可信度。

基于第二方面的第二种实施方式，在可能的实施例中，类似于第一方面的第二种实施方式中获取第二样本特征数据的过程，所述根据所述第二配置数据集和所述第二测量报告数据集获得第二样本特征数据的过程可包括：根据所述第二配置数据集，确定隶属所述第二设备天线的小区或rru，和隶属于所述topn个设备天线的小区或rru；根据所述第二测量报告数据集，设置所述topn个设备天线的小区或rru中任一设备天线的小区或rru分别对应至少一个测量报告数据，所述至少一个测量报告数据中每个测量报告数据包括所述任一设备天线的小区的信号接收功率数据、所述第二设备天线的小区的信号接收功率数据以及所述终端的位置数据；根据所述topn个设备天线的小区或rru中各个设备天线的小区或rru对应的测量报告数据进行特征提取，获得所述第二样本特征数据。

可以看出，实施本实施例能够适应各种各样的样本数据场景，提高基于模型的工参预测过程的运算速度和效率，从而获得可信度较高的工参预测结果。

基于第一方面的第一种实施方式和第二种实施方式，在可能的实施例中，在基于模型进行工参预测时，还可以对设备天线的共天线小区对应的mr数据进行特征信息选取，从而获得共天线小区的低维度的mr数据。

也就是说，在可选的实施例，对共天线的各小区对应的mr数据进行k个维度的特征信息选取，获得低维度的mr数据，k为大于等于2的整数。

相应的，这种情况下，所述根据所述第二测量报告数据集和所述第二设备天线的配置数据，获得第一样本特征数据，具体包括：根据所述第二设备天线的配置数据，确定隶属所述第二设备天线的小区或rru；从所述第二测量报告数据集中，确定所述小区或rru对应的低维度的测量报告数据；根据所述小区或rru对应的低维度的测量报告数据进行特征提取，获得所述第一样本特征数据。

相应的，这种情况下，所述根据所述第二配置数据集和所述第二测量报告数据集，获得第二样本特征数据，具体包括：根据所述第二配置数据集，确定隶属所述第二设备天线的小区或rru，和隶属于所述topn个设备天线的小区或rru；根据所述第二测量报告数据集，设置所述topn个设备天线的小区或rru中任一设备天线的小区或rru分别对应至少一个低维度的测量报告数据，所述至少一个低维度的测量报告数据中每个测量报告数据包括所述任一设备天线的小区的信号接收功率数据、所述第二设备天线的小区的信号接收功率数据以及所述终端的位置数据；根据所述topn个设备天线的小区或rru中各个设备天线的小区或rru对应的低维度的测量报告数据进行特征提取，获得所述第二样本特征数据。

可以看出，实施本发明实施例有利于减低计算复杂度，提高基于模型进行工参英预测的效率。

第三方面，本发明实施例提供了一种计算设备，该计算设备包括：数据获取模块和模型训练模块。其中：

数据获取模块，用于获取第一地理区域内的第一工程参数集、第一配置数据集、以及终端向所述第一地理区域内的多个设备天线中的第一设备天线上传的第一测量报告数据集；其中，所述第一工程参数集包括所述第一设备天线的工程参数，所述第一设备天线的工程参数包括所述第一设备天线的位置数据和姿态数据中的至少一个；所述第一配置数据集包括所述第一设备天线的配置数据，所述第一设备天线的配置数据表示所述第一设备天线的网络参数的配置信息；所述第一测量报告数据集中的测量报告数据包括所述终端的位置数据和信号接收功率数据；所述第一设备天线为所述多个设备天线中的任意设备天线；

模型训练模块，用于根据所述第一设备天线的工程参数、所述第一设备天线的配置数据和所述测量报告数据集进行模型训练，获得天线工参预测模型；所述天线工参预测模型用于，根据终端向第二地理区域内的第二配置数据集、终端向所述第二地理区域内的第二设备天线上传的第二测量报告数据集，输出所述第二设备天线的工程参数。

所述计算设备的各个功能模块具体可用于实现第一方面所描述的方法。

第四方面，本发明实施例提供了又一种计算设备，包括：数据获取模块和工参预测模块。其中：

数据获取模块，用于获取第二地理区域内的第二配置数据集、终端向所述第二地理区域内的第二设备天线上传的第二测量报告数据集；其中，所述第二配置数据集包括所述第二设备天线的配置数据，所述第二设备天线的配置数据表示所述第二设备天线的网络参数的配置信息；所述第二测量报告数据集中的测量报告数据包括所述终端的位置数据和信号接收功率数据；所述第二设备天线为所述第二地理区域内的多个设备天线中的任意设备天线；

工参预测模块，用于将所述第二配置数据集和所述第二测量报告数据集输入至天线工参预测模型，获得所述第二设备天线的工程参数的预测结果；其中，所述天线工参预测模型是根据第一地理区域内的第一工程参数集、第一配置数据集、以及终端向所述第一地理区域内的多个设备天线中的第一设备天线上传的第一测量报告数据集进行训练而得到的；所述第二设备天线的工程参数包括所述第一设备天线的位置数据和姿态数据中的至少一个。

所述计算设备的各个功能模块具体可用于实现第二方面所描述的方法。

第五方面，本发明实施例提供了一种用于训练天线工参预测模型的计算设备，该计算设备包括：存储器和处理器。所述存储器用于存储样本数据和程序代码，处理器用于执行所述程序代码，以实现第一方面所描述的方法。

第六方面，本发明实施例提供了一种用于基于天线工参预测模型预测工参的计算设备，该计算设备包括：存储器和处理器。所述存储器用于存储样本数据和程序代码，处理器用于执行所述程序代码，以实现第二方面所描述的方法

第七方面，本发明实施例提供了一种系统，该系统包括如第三方面所描述的设备和如第四方面所描述的设备；或者，该系统包括如第五方面所描述的设备和如第六方面所描述的设备。其中：

所述用于训练天线工参预测模型的计算设备具体用于，获取第一地理区域内的第一工程参数集、第一配置数据集、以及终端向所述第一地理区域内的多个设备天线中的第一设备天线上传的第一测量报告数据集；根据所述第一设备天线的工程参数、所述第一设备天线的配置数据和所述第一测量报告数据集进行模型训练，获得天线工参预测模型；将所述天线工参预测模型输入至所述用于基于天线工参预测模型预测工参的计算设备；

所述用于基于天线工参预测模型预测工参的计算设备具体用于，获取第二地理区域内的第二配置数据集、终端向所述第二地理区域内的第二设备天线上传的第二测量报告数据集；将所述第二配置数据集和所述第二测量报告数据集输入至天线工参预测模型，获得所述第二设备天线的工程参数的预测结果。

第八方面，本发明实施例提供了一种非易失性计算机可读存储介质；所述计算机可读存储介质用于存储第一方面(或第二方面)所述方法的实现代码。所述程序代码被计算设备执行时，所述计算设备用于第一方面(或第二方面)的任一种可能的设计提供的方法。

第九方面，本发明实施例提供了一种计算机程序产品。该计算机程序产品包括程序指令，当该计算机程序产品被计算设备执行时，该计算设备执行前述第一方面(或第二方面)的任一种可能的设计提供的方法。该计算机程序产品可以为一个软件安装包，在需要使用前述第一方面(或第二方面)的任一种可能的设计提供的方法的情况下，可以下载该计算机程序产品并在该计算设备的处理器上执行该计算机程序产品，以实现第一方面(或第二方面)所述方法。

可以看到，本发明实施例能够训练出用于工参预测的模型，通过训练好的用于工参预测的模型(如本实施例中的工参预测模型)，基于现成的样本数据(例如mr数据、配置数据等)输入至该模型，即可实现生成、纠正设备天线的工参，从而获得可信度较高的预测工参。所以，实施本发明实施例的技术方案能够克服现有技术的缺陷，有效降低设备天线工参的获取成本，提升工参的准确度。

附图说明

为了更清楚地说明本发明实施例或背景技术中的技术方案，下面将对本发明实施例或背景技术中所需要使用的附图进行说明。

图1是本发明实施例提供的一种系统架构示意图；

图2是本发明实施例提供的一种计算设备的结构示意图；

图3是本发明实施例提供的一种工参确定系统的结构示意图；

图4是本发明实施例提供的一种模型训练过程的示意图；

图5是本发明实施例提供的一种基于模型的工参预测过程的示意图；

图6是本发明实施例提供的又一种工参确定系统的结构示意图；

图7是本发明实施例提供的又一种模型训练过程的示意图；

图8是本发明实施例提供的又一种基于模型的工参预测过程的示意图；

图9是本发明实施例提供的又一种工参确定系统的结构示意图；

图10是本发明实施例提供的又一种模型训练过程的示意图；

图11是本发明实施例提供的又一种基于模型的工参预测过程的示意图；

图12是本发明实施例提供的一种模型训练方法的流程示意图；

图13是本发明实施例提供的一种基于模型的工参预测方法的流程示意图；

图14是本发明实施例提供的一种工参预测模型的训练方法的流程示意图；

图15是本发明实施例提供的一些mr数据的示意图；

图16是本发明实施例提供的一些基站天线的共天线小区的mr数据的示意图；

图17是本发明实施例提供的一种低维度的mr数据的维度选择示意图；

图18是本发明实施例提供的一种获取第一样本特征数据的场景示意图；

图19是本发明实施例提供的一种基于工参预测模型的工参预测方法的流程示意图；

图20是本发明实施例提供的又一种基于工参预测模型的工参预测方法的流程示意图；

图21是本发明实施例提供的又一种计算设备的结构示意图；

图22是本发明实施例提供的又一种计算设备的结构示意图。

具体实施方式

下面结合本发明实施例中的附图对本发明实施例进行描述。本发明的实施方式部分使用的术语仅用于对本发明的具体实施例进行解释，而非旨在限定本发明。本发明中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b的情况，其中a,b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a,b,或c中的至少一项(个)，可以表示：a,b,c,a-b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。

参见图1，图1是本发明一种实施例的系统架构的示例性示意图。图1示出了本发明实施例所涉及的终端、网元设备和计算设备，其中，其中终端和网元设备可通过某种空口技术的通信网络相互通信。所述某种空口技术的通信网络例如可包括：现有的2g(2ndgeneration，如全球移动通信系统(globalsystemformobilecommunications，gsm))网络、全球互联微波接入(worldwideinteroperabilityformicrowaveaccess，wimax)通信网络、3g(3rdgeneration，如umts)网络、宽带码分多址(widebandcodedivisionmultipleaccess，wcdma)网络、时分同步码分多址(timedivision-synchronouscodedivisionmultipleaccess，td-scdma)网络、4g(4thgeneration，如fddlte、tddlte)网络以及新的无线接入技术(newradioaccesstechnology，newrat)网络，例如未来的4.5g(如lteadvancedpro)网络、5g(5thgeneration)网络等等中的一种或多种。

其中，网元(networkelement，ne)设备为用于与一个或多个终端(如图示中的终端1、终端2、终端3)进行通信的设备，具体的，网元设备可包括射频天线，用于通过隶属于所述射频天线的小区与终端进行通信交互，本文中网元设备的射频天线可简称为设备天线，需要说明的是，在不同的应用场景中，设备天线还可能被称为基站天线、小区天线、rru天线。网元设备可以是gsm或cdma(codedivisionmultipleaccess)中的bts(basetransceiverstation)，也可以是wcdma中的nb(nodeb)，还可以是lte中的演进型基站(evolvednodeb，enb)，或者中继站，或者车载设备，或者未来5g网络中的接入网设备(gnodeb)，或者未来演进的公共陆地移动网(publiclandmobilenetwork，plmn)网络中的接入网设备等。本文中，为了便于描述，在具体实施例中将以网元设备为基站设备为例进行本发明技术方案的描述。

终端可以包括中继(relay)，和网元设备可以进行数据通信的都可以看为终端，本发明中将以一般意义上的终端来介绍。终端也可以称为移动台、接入终端、用户设备、用户单元、用户站、移动站、远方站、远程终端、移动设备、用户终端、无线通信设备、用户代理或用户装置等。终端可以是手机、无绳电话、会话启动协议(sessioninitiationprotocol，sip)电话、无线本地环路(wirelesslocalloop，wll)站、平板电脑、掌上电脑(personaldigitalassistant，pda)、具有无线通信功能的手持设备或连接到无线调制解调器的其它处理设备、车载设备、可穿戴设备以及未来5g网络中的移动台或者未来演进的plmn网络中的终端等等设备。终端可检测环境中的一个或多个网元设备的信号(如小区信号)，并通过服务小区与目标网元设备的设备天线(可简称为目标设备天线)进行通信交互。本文中，为了便于描述，将以终端为用户设备(userequipment，ue)为例进行本发明技术方案的描述。

以下各实施例中提到的小区(cell)可为基站设备对应的小区(如服务小区，邻小区)，小区可以属于宏基站，也可以属于小小区(smallcell)对应的基站，这里的小小区可以包括：城市小区(metrocell)、微小区(microcell)、微微小区(picocell)、毫微微小区(femtocell)等，这些小小区具有覆盖范围小、发射功率低的特点，适用于提供高速率的数据传输服务。

计算设备用于执行本发明各个实施例所描述的模型训练方法，和/或，基于模型的工程参数预测方法(简称工参预测方法)。计算设备可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群(如云计算服务中心)。计算设备还可以以处理芯片或控制器的形式部署于基站设备处，或者部署于网络管理系统(networkmanagementsystem，nms)或网元管理系统(elementmanagementsystem，ems)。计算设备执行模型训练方法和/或基于模型的预测方法的输入数据可包括由终端、基站设备提供的数据，这些数据可以是终端向基站设备上传的数据，和/或，配置于所述终端的数据，和/或，对基站设备进行测量得到的数据，等等。举例来说，所述数据例如包括用于模型训练的样本数据(训练集中的数据，例如配置数据、测量报告数据、话统数据、工程参数等)，例如包括用于模型预测的输入数据(预测集中的数据，例如配置数据、测量报告数据、话统数据、工程参数等)等等。

参见图2，图2为本发明实施例提供的一种计算设备102的结构示意图，如图2所示，计算设备102可包括通信接口1023、存储器1022和与存储器1022耦合的处理器1021。处理器1021、存储器1022和通信接口1023可通过总线或者其它方式连接(图2中以通过总线连接为例)。其中：

通信接口1023可用来获取用于模型训练的数据，和/或，用于模型预测的数据。一具体实施例中，通信接口1023可用于接收终端，和/或，基站设备发送的数据。在又一实施例中，通信接口1023可用于接收通过有线网络或无线网络传输的数据。在又一实施例中，通信接口1023可用于获取非易失性存储器(如硬盘、u盘、磁盘、闪存等等)中的数据。

处理器1021可以是一个或多个中央处理器(centralprocessingunit，cpu)，图2中以一个处理器为例，在处理器1021是一个cpu的情况下，该cpu可以是单核cpu，也可以是多核cpu。处理器具有计算功能和控制计算设备102工作的功能，该处理器可被配置以下的一种或多种功能：执行本发明实施例所描述的模型训练方法；执行本发明实施例所描述的基于模型的预测方法；运行本发明实施例所描述的工程参数确定系统(本文中可简称为工参确定系统，或称天线工参确定系统)；运行本发明实施例所描述的训练模块，例如，工程参数生成模型训练模块(本文中可简称为工参生成模型训练模块)、工程参数纠正模型训练模块(本文中可简称为工参纠正模型训练模块)、工程参数预测模型训练模块(本文中可简称为工参预测模型训练模块)，等等，以实现本发明实施例所描述的模型训练方法；运行本发明实施例所描述的预测模块，例如，工程参数生成模块预测模块(本文中可简称为工参生成模块预测模块)、工程参数纠正模型预测模块(本文中可简称为工参纠正模型预测模块)、工程参数预测模型预测模块(本文中可简称为工参预测模型预测模块)，等等，以实现本发明实施例所描述的基于模型的工参预测方法。

存储器1022包括但不限于是随机存储记忆体(randomaccessmemory，ram)、只读存储器(read-onlymemory，rom)、可擦除可编程只读存储器(erasableprogrammablereadonlymemory，eprom)、或便携式只读存储器(compactdiscread-onlymemory，cd-rom)，存储器1022用于存储相关程序代码及数据，该程序代码例如为实现本发明实施例涉及的模型训练方法和/或基于模型的预测工参的方法的代码指令，该数据例如包括训练集的数据，和/或，预测集的样本数据；还用于存储工参确定系统，该工参确定系统可用于执行通过机器学习来学习特征组合，训练相关模型(如工参生成模型，工参纠正模型，工参预测模型等等)，基于相关模型来进行工参的生成或纠正，等等。

需要说明的，图2仅仅是本发明实施例的一种具体实现方式，实际应用中，计算设备102还可以包括更多或更少的部件，这里不作限制。

下面进一步描述本发明实施例涉及的各种工程参数确定系统(可简称工参确定系统，或称为天线工参确定系统)。

参见图3，图3示出了本发明实施例的一种工参确定系统201，所述工参确定系统201可包括工参生成模型训练模块2011和工参生成模型预测模块2012中的至少一个。其中，工参生成模型训练模块2011用于基于训练集的样本数据对工程参数生成模型(本文中可简称为工参生成模型，或称为天线工参生成模型)进行训练，以得到经训练后的工参生成模型。在可能的实施例中，还可以对训练后的工参生成模型进行测试，以验证该工参生成模型是否达到训练指标。工参生成模型训练模块2011可将训练后的工参生成模型输入工参生成模型预测模块2012，工参生成模型训练模块2011还可将样本特征组合的相关信息发给工参生成模型预测模块2012。工参生成模型预测模块2012用于基于预测集的样本数据、样本特征组合的相关信息、以及训练后的工参生成模型等等进行工参的预测，生成目标设备天线的工参。

参见图4，对于工参生成模型训练模块2011，在一些实施例中，训练集的样本数据包括第一地理区域的特征数据x和标签数据y，x例如包括测量报告数据集和配置数据集，其中，所述测量报告数据集包括多个测量报告(measurementreport，mr)数据。本文中，样本数据中的mr数据可以为ue向基站设备上报的mr数据，mr数据由周期或特定事件触发测量，以某项测量内容(如同频测量/异频测量/异系统测量/业务量测量/质量测量/ue内部测量/ue位置测量/aoa测量，等等)为单位，记录呼叫过程中的某时间某点处的网络环境特征。例如每个mr数据可包括ue的位置信息(如ue的经纬度信息、海拔高度信息等地理信息)、ue所检测到的服务小区的信号接收功率(referencesignalreceivedpower，rsrp)数据、邻小区的rsrp数据、服务小区时间提前量、ue发射功率余量、天线到达角度(angleofarrival，aoa)等等中的一个或多个；所述配置数据集包括至少一个配置数据，本文中，所述配置数据可包括基站设备的网络参数的配置信息，例如设备天线的天线类型、小区列表、物理小区标识(physicalcellidentifier,pci)，物理随机接入信道(physicalrandomaccesschannel,prach)等等。y包括至少一个基站设备的射频天线的工程参数集，所述工程参数集包括至少一个工程参数(可简称为工参)，本文中，每一个工参例如包括天线的经纬度、方位角、下倾角等等中的至少一个。

如图4所示，工参生成模型训练模块2011可预先构建一个工参生成模型的基本模型(存在未知的模型参数w1)，工参生成模型可用y＝model(x,w1)表征，其中model表示模型函数，w1表示模型参数。然后，工参生成模型训练模块2011可利用样本数据(mr数据、配置数据、工参)对该工参生成模型进行模型训练，计算出模型参数w1，从而获得训练后的工参生成模型。

参见图5，对于工参生成模型预测模块2012，在一些实施例中，预测集的样本数据包括第二地理区域(第二地理区域可不同于上述第一地理区域)的mr数据(包括ue的定位信息)和配置数据。工参生成模型预测模块2012包括经由工参生成模型训练模块2011训练好的工参生成模型。如图5所示，工参生成模型预测模块2012可提取预测集中的数据，输入至所述训练好的工参生成模型，从而输第二地理区域的目标设备天线的工参的预测结果。

参见图6，图6示出了本发明实施例的又一种工参确定系统202，所述工参确定系统202可包括工参纠正模型训练模块2021和工参纠正模型预测模块2022中的至少一个。其中，工参纠正模型训练模块2021用于基于训练集的样本数据对工程参数纠正模型(可简称为工参纠正模型，或称为天线工参纠正模型)进行训练，以得到经训练后的工参纠正模型。在可能的实施例中，还可以对训练后的工参纠正模型进行测试，以验证该工参生成模型是否达到训练指标。工参纠正模型训练模块2021可将训练后的工参纠正模型输入工参纠正模型预测模块2022，工参纠正模型训练模块2021还可将样本特征组合的相关信息发给工参纠正模型预测模块2022。工参纠正模型预测模块2022用于基于预测集的样本数据、样本特征组合的相关信息、以及训练后的工参纠正模型等等进行工参的预测，以实现对目标设备天线的工参的纠正。

参见图7，对于工参纠正模型训练模块2021，在一些实施例中，训练集的样本数据包括第一地理区域的特征数据x和标签数据y，x例如包括测量报告数据集、配置数据集和低可信度的工程参数集，y包括至少一个设备天线的高可信度的工程参数集。其中，所述低可信度的工程参数集中的工参例如为通过较粗糙方式获取到的工参(例如通过一次人工测量获得的工参)，所述高可信度的工程参数集中的工参例如为通过较为精确的方式获取到的工参(例如使用多次gps测量和多次人工测量得到的工参)。

如图7所示，工参纠正模型训练模块2021可预先构建一个工参纠正模型的基本模型(存在未知的模型参数w2)，工参纠正模型可用y＝model(x,w2)表征，其中model表示模型函数，w1表示模型参数。然后，工参纠正模型训练模块2021可利用样本数据(mr数据、配置数据、低可信度的工参和高可信度的工参)对该工参纠正模型进行模型训练，计算出模型参数w2，从而获得训练后的工参纠正模型。

参见图8，对于工参纠正模型预测模块2022，在一些实施例中，预测集的样本数据包括第二地理区域(第二地理区域可不同于上述第一地理区域)的mr数据(包括ue的定位信息)、配置数据和工程参数。工参纠正模型预测模块2022包括经由工参纠正模型训练模块2021训练好的工参纠正模型。如图8所示，工参纠正模型预测模块2022可提取预测集中的数据，输入至所述训练好的工参纠正模型，从而输第二地理区域的目标设备天线的工参的预测结果，从而可利用该预测结果与预测集中的工参进行对比，以实现对预测集中的工参的纠正。

在本发明又一些实施例中，也可以将上述两种模型训练、模型预测过程进行综合。例如，可将上述工参生成模型训练模块2011和上述工参纠正模型训练模块2012综合实施，将上述工参生成模型预测模块2012和上述工参纠正模型预测模块2022综合实施。

参见图9，图9示出了本发明实施例的又一种工参确定系统203，所述工参确定系统203可包括工参预测模型训练模块2031和工参预测模型预测模块2032中的至少一个。工参预测模型训练模块2031用于基于训练集的样本数据对工程参数预测模型(本文中可简称为工参预测模型，或称为天线工参预测模型)进行训练，以得到经训练后的工参预测模型。其中，工参预测模型训练模块2031可包括工参生成模型训练模块和工参纠正模型训练模块，工参预测模型预测模块2032可包括工参生成模型预测模块和工参纠正模型预测模块，也就是说，所述工参预测模型可视为工参生成模型与工参纠正模型的综合。所以，工参预测模型训练模块2031可将训练后的工参预测模型输入工参预测模型预测模块2032，工参预测模型训练模块2031还可将样本特征组合的相关信息发给工参预测模型预测模块2032。工参预测模型预测模块2032用于基于预测集的样本数据、样本特征组合的相关信息、以及训练后的工参预测模型等等进行工参的预测，获得目标设备天线的工参的预测结果。

其中，在可能的实现中，所述工参纠正模型训练模块在进行自身模型(工参纠正模型)训练过程中，还可利用工参生成模型训练模块所训练出的模型(工参生成模型)的输出数据实现自身模型进行训练。

同样，在工参预测的过程中，工参生成模型预测模块可生成工参数据，并将所生成的工参数据进一步输入至工参纠正模型预测模块，继而通过工参纠正模型预测模块输出目标设备天线的工参的预测结果。从而，基于图9实施例有利于获得高可信度的工参预测结果。

参见图10，对于工参预测模型训练模块2031，在一些实施例中，训练集的样本数据包括第一地理区域的特征数据x和标签数据y，x例如包括测量报告数据集和配置数据集，y包括至少一个设备天线的工程参数集。

如图10所示，工参预测模型训练模块2031可预先构建一个工参预测模型的基本模型(存在未知的模型参数w3)，工参预测模型可用y＝model(x,w3)表征，其中model表示模型函数，w3表示工参预测模型的模型参数，w3可由工参生成模型的模型参数w1和工参纠正模型的模型参数w2决定。也即是说，在一些实施例中，工参预测模型y＝model(x,w3)可视为工参生成模型y＝model(x,w1)和工参纠正模型y＝model(x,w2)的综合。然后，工参预测模型训练模块2031可利用样本数据(mr数据、配置数据、工参)对该工参预测模型进行模型训练，计算出模型参数w3。在一些实施例中，可先将样本数据输入工参预测模型训练模块2031的工参生成模型训练模块，对工参生成模型进行训练，从而确定工参生成模型的模型参数w1，依据该w1即获得了经训练后工参生成模型。从而，可根据该训练后工参生成模型输出工程参数的预测结果至工参预测模型训练模块2031的工参纠正模型训练模块。该工参纠正模型训练模块基于样本数据和工程参数的预测结果，对工参纠正模型进行训练，获得从而确定工参纠正模型的模型参数w2。从而，通过上述过程实现了对工参预测模型的训练，获得训练后的工参预测模型。

参见图11，对于工参预测模型预测模块2032，在一些实施例中，预测集的样本数据包括第二地理区域(第二地理区域可不同于上述第一地理区域)的mr数据(包括ue的定位信息)和配置数据。工参预测模型预测模块2032包括经由工参预测模型训练模块2031训练好的工参预测模型(即可视为包括训练好的工参生成模型和训练好的工参纠正模型)。如图11所示，工参预测模型预测模块2012可提取预测集中的数据，输入至工参预测模型预测模块2032的工参生成模型预测模块，利用所述训练好的工参生成模型，输出工参的预测结果至工参预测模型训练模块2031的工参纠正模型预测模块，利用所述训练好的工参纠正模型，输出第二地理区域的目标设备天线的高可信度的工参预测结果。

可以理解的，在上文描述的一些模型训练和模型预测过程中，工参可包括设备天线的位置数据和姿态数据中的至少一个，设备天线的位置数据例如设备天线的经度和/或纬度，设备天线的姿态数据例如设备天线的方位角和/或下倾角等等，所以，在实际应用中，可根据需要，基于不同的工参内容(例如根据天线的经纬度，或根据天线的经纬度和方位角，或根据天线的经纬度、方位角和下倾角，等等)，训练出不同的模型。

基于上文描述的工参确定系统，下面描述本发明实施例提供的一种模型训练方法。请参见图12，图12是本发明实施例提供的一种模型训练方法的流程示意图，该方法可包括但不限于以下步骤：

步骤301、获取第一地理区域内至少一个设备天线的工程参数集、配置数据集、以及第一地理区域内终端向至少一个设备天线中的目标设备天线上传的测量报告数据集。

本发明实施例中，第一地理区域表示用于模型训练的样本数据所对应的一个或多个设备天线所在地理位置范围。若用于模型训练的样本数据对应的多个设备天线，那么可以称所述多个设备天线为第一地理区域内的多个设备天线，以此类推，可以称本实施例中的目标设备天线为第一地理区域内的目标设备天线，多个设备天线中除目标设备天线外的其他设备天线可以称为第一地理区域内的其他设备天线。

在一些实施例中，本方法实施例所需要训练的模型包括工参生成模型，所述模型例如可视为前述图4实施例所描述的工参生成模型，这种情况下：

所述工程参数集包括第一地理区域内目标设备天线(第一地理区域内的目标设备天线还可称为第一设备天线)的工参。所述配置数据集可包括目标设备天线的配置数据，所述配置数据的具体内容包括目标设备天线的网络参数的配置信息，例如目标设备天线的天线类型、小区列表等等信息。

所述测量报告数据集包括第一地理区域内终端向目标设备天线上传的多个测量报告数据(即mr数据)，所述mr数据的具体内容可包括ue的位置信息(如ue的经纬度信息、海拔高度信息等地理信息)、ue所检测到的服务小区的rsrp数据、ue所检测到的邻小区的rsrp数据。可选的，还可包括服务小区的aoa、邻小区的aoa、服务小区时间提前量、ue发射功率余量等等中的至少一个。

在又一些实施例中，本方法实施例所需要训练的模型包括工参生成模型和工参纠正模型时，所述模型例如可视为前述图10实施例所描述的工参预测模型，这种情况下：

所述工程参数集包括第一地理区域的多个基站设备的设备天线的工参，所述多个基站设备的设备天线的工参包括目标设备天线的工参和至少一个其他设备天线的工参，这里所说的目标设备天线可以理解为所述多个基站设备中的任一设备天线。

所述配置数据集可包括一个或多个基站设备的配置数据(即包括了目标设备天线的配置数据)，所述配置数据的具体内容包括基站设备的网络参数的配置信息，例如设备天线的天线类型、小区列表等等信息。

所述测量报告数据集包括第一地理区域内终端向目标设备天线上传的多个mr数据，此外可选的，还可以包括其他终端向所述至少一个其他设备天线上传的mr数据。

同样，mr数据的具体内容可包括ue的位置信息(如ue的经纬度信息、海拔高度信息等地理信息)、ue所检测到的服务小区的rsrp数据、ue所检测到的邻小区的rsrp数据。可选的，还可包括服务小区的aoa、邻小区的aoa、服务小区时间提前量、ue发射功率余量等等中的至少一个。

步骤302、根据目标设备天线的工程参数、配置数据和测量报告数据集进行模型训练，获得工参预测模型。

在一些实施例中，本方法实施例所需要训练的模型包括工参生成模型的情况下，对该模型的训练过程可包括如下：根据所述配置数据和所述测量报告数据集，获得第一样本特征数据(例如可为图14实施例所描述的feature1056)，其中，所述第一样本特征数据包括隶属所述目标设备天线的小区的多个信号接收功率数据，以及所述多个信号接收功率数据中各个信号接收功率数据对应的终端的位置数据；根据所述配置数据，获得所述目标设备天线的天线类型；根据所述目标设备天线的工程参数和第一特征集合进行模型训练，获得所述工参生成模型；其中，所述第一特征集合包括所述第一样本特征数据和所述目标设备天线的天线类型，所述工参生成模型用于根据输入的第一特征集合输出工程参数。

关于工参生成模型的具体训练过程还可参考前文图4实施例以及后文图14实施例步骤501-步骤507的详细描述，为了说明书的简洁，这里不再赘述。

在一些实施例中，本方法实施例所需要训练的模型包括工参生成模型和工参纠正模型的情况下，对该模型的训练过程可包括对工参生成模型的训练和对工参纠正模型的训练。

其中，对工参生成模型的训练过程可包括：根据所述配置数据和所述测量报告数据集，获得第一样本特征数据(例如可为图14实施例所描述的feature1056)，其中，所述第一样本特征数据包括隶属所述目标设备天线的小区的多个信号接收功率数据，以及所述多个信号接收功率数据中各个信号接收功率数据对应的终端的位置数据；根据所述配置数据，获得所述目标设备天线的天线类型；根据所述目标设备天线的工程参数和第一特征集合进行模型训练，获得所述工参生成模型；其中，所述第一特征集合包括所述第一样本特征数据和所述目标设备天线的天线类型，所述工参生成模型用于根据输入的第一特征集合输出工程参数。

同理，关于工参生成模型的具体训练过程还可参考前文图4实施例以及后文图14实施例步骤501-步骤507的详细描述。

对工参纠正模型的训练过程可包括：根据所述配置数据集和所述测量报告数据集，获得第二样本特征数据(例如可为图14实施例所描述的featurejoin_i)，所述第二样本特征数据包括所述至少一个其他设备天线的小区的多个信号接收功率数据、以及所述多个信号接收功率数据中各个信号接收功率数据对应的终端的位置数据和所述目标设备天线的小区的信号接收功率数据；根据所述工参生成模型，获得所述目标设备天线的工程参数的预测结果和所述至少一个其他设备天线的工程参数的预测结果；根据所述工程参数集和第二特征集合进行模型训练，获得所述工参纠正模型；所述第二特征集合包括所述第二样本特征数据、所述目标设备天线的工程参数的预测结果和所述至少一个其他设备天线的工程参数的预测结果，所述工参纠正模型用于根据输入的第二特征集合输出工程参数。

关于工参纠正模型的具体训练过程还可参考前文图7实施例以及后文图14实施例步骤508-步骤512的详细描述，为了说明书的简洁，这里不再赘述。

可以看到，本发明实施例能够通过模型训练的方式基于现成的样本数据(例如mr数据、配置数据、工参数据等)构建用于预测设备天线的工参的模型，而应用该模型将可实现生成、纠正设备天线的工参，从而获得可信度较高的预测工参。所以，实施本发明实施例的技术方案能够克服现有技术的缺陷，有效降低设备天线工参的获取成本，提升工参的准确度。

基于上文描述的工参确定系统，下面描述本发明实施例提供的一种基于模型的工参预测方法。请参见图13，图13是本发明实施例提供的一种基于模型的工参预测方法的流程示意图，该方法可包括但不限于以下步骤：

步骤401、获取第二地理区域内终端向目标设备天线上传的测量报告数据集、以及配置数据集。

本发明实施例中，第二地理区域表示在实际应用中，需要预测工参的一个或多个设备天线所在地理位置范围。若用于工参预测的样本数据对应的多个设备天线，那么可以称所述多个设备天线为第二地理区域内的多个设备天线，以此类推，可以称本实施例中的目标设备天线为第二地理区域内的目标设备天线，多个设备天线中除目标设备天线外的其他设备天线可以称为第二地理区域内的其他设备天线。其中，第二地理区域所表示的地理位置范围可以不同于第一地理区域所表示的地理位置范围，也就是说，所述第二地理区域的目标设备天线可以不同于第一地理区域的目标设备天线，所述第二地理区域的多个设备天线可以不同于第一地理区域的多个设备天线。

在一些实施例中，本方法实施例所需要用于工参预测的模型包括已预先训练好的工参生成模型，所述模型例如可视为前述图5实施例所描述的工参生成模型，这种情况下：

所述配置数据集可包括目标设备天线的配置数据，所述配置数据的具体内容包括目标设备天线(第二地理区域内的目标设备天线还可称为第二设备天线)的网络参数的配置信息，例如目标设备天线的天线类型、小区列表等等信息。

所述测量报告数据集包括第二地理区域内终端向目标设备天线上传的多个mr数据，所述mr数据的具体内容可包括ue的位置信息(如ue的经纬度信息、海拔高度信息等地理信息)、ue所检测到的服务小区的rsrp数据、ue所检测到的邻小区的rsrp数据。可选的，还可包括服务小区的aoa、邻小区的aoa、服务小区时间提前量、ue发射功率余量等等中的至少一个。

在又一些实施例中，本方法实施例所需要用于工参预测的模型包括已预先训练好的工参生成模型和工参纠正模型时，所述模型例如可视为前述图11实施例所描述的工参预测模型，这种情况下：

所述配置数据集可包括一个或多个基站设备的配置数据(即包括了目标设备天线的配置数据)，所述配置数据的具体内容包括基站设备的网络参数的配置信息，例如设备天线的天线类型、小区列表等等信息。

所述测量报告数据集包括第二地理区域内终端向目标设备天线上传的多个mr数据，此外可选的，还可以包括其他终端向所述至少一个其他设备天线上传的mr数据。

同样，mr数据的具体内容可包括ue的位置信息(如ue的经纬度信息、海拔高度信息等地理信息)、ue所检测到的服务小区的rsrp数据、ue所检测到的邻小区的rsrp数据。可选的，还可包括服务小区的aoa、邻小区的aoa、服务小区时间提前量、ue发射功率余量等等中的至少一个。

步骤402、将测量报告数据集和配置数据集输入至经训练的工参预测模型，获得目标设备天线的工程参数的预测结果。

在一些实施例中，本方法实施例所需要用于工参预测的模型包括已预先训练好的工参生成模型的情况下，对基于该模型进行工参预测过程可包括如下：根据所述测量报告数据集和所述目标设备天线的配置数据，获得第一样本特征数据；所述第一样本特征数据包括隶属所述目标设备天线的小区的多个信号接收功率数据，以及所述多个信号接收功率数据中各个信号接收功率数据对应的终端的位置数据；根据所述配置数据，获得所述目标设备天线的天线类型；将所述第一样本特征数据和所述目标设备天线的天线类型输入至所述经过训练的工参生成模型，获得所述目标设备天线的工程参数的第一预测结果。

关于基于工参生成模型进行工参预测的具体过程还可参考前文图5实施例以及后文图19实施例步骤601-步骤607的详细描述，为了说明书的简洁，这里不再赘述。

在一些实施例中，本方法实施例所需要用于工参预测的模型包括已预先训练好的工参生成模型和工参纠正模型的情况下，对基于该模型进行工参预测过程可包括基于工参生成模型生成工参以及基于工参纠正模型对所生成的工参进行进一步纠正，获得最终的工参预测结果。

其中，基于工参生成模型生成工参的过程可包括：根据所述测量报告数据集和所述目标设备天线的配置数据，获得第一样本特征数据；所述第一样本特征数据包括隶属所述目标设备天线的小区的多个信号接收功率数据，以及所述多个信号接收功率数据中各个信号接收功率数据对应的终端的位置数据；根据所述配置数据，获得所述目标设备天线的天线类型；将所述第一样本特征数据和所述目标设备天线的天线类型输入至所述经过训练的工参生成模型，获得所述目标设备天线的工程参数的第一预测结果。

同理，关于基于工参生成模型进行工参预测的具体过程还可参考前文图5实施例以及后文图19实施例步骤601-步骤607的详细描述，为了说明书的简洁，这里不再赘述。

其中，基于工参纠正模型对所生成的工参进行进一步纠正以获得最终的工参预测结果的具体过程可包括：根据所述配置数据集和所述测量报告数据集，获得第二样本特征数据，所述第二样本特征数据包括所述至少一个其他设备天线的小区的多个信号接收功率数据、以及所述多个信号接收功率数据中各个信号接收功率数据对应的终端的位置数据和所述目标设备天线的小区的信号接收功率数据；根据所述工参生成模型，获得所述第二地理区域内至少一个其他设备天线的工程参数的预测结果；将所述第二样本特征数据、所述目标设备天线的工程参数的第一预测结果和所述第二地理区域内至少一个其他设备天线的工程参数的预测结果输入至所述经过训练的工参纠正模型，获得所述目标设备天线的工程参数的第二预测结果。

关于基于工参纠正模型进行工参预测的具体过程还可参考前文图8实施例以及后文图19实施例步骤608-步骤611的详细描述，为了说明书的简洁，这里不再赘述。

可以看到，本发明实施例能够通过预先训练好的用于工参预测的模型，基于现成的样本数据(例如mr数据、配置数据等)输入至该模型，即可实现生成、纠正设备天线的工参，从而获得可信度较高的预测工参。所以，实施本发明实施例的技术方案能够克服现有技术的缺陷，有效降低设备天线工参的获取成本，提升工参的准确度。

基于上述工参确定系统203，下面描述本发明实施例提供的一种工参预测模型的训练方法，工参包括天线的经纬度为例进行描述。请参见图14，图14是本发明实施例提供的一种工参预测模型的训练方法的流程示意图，该方法可包括但不限于以下步骤：

步骤501、获取第一地理区域的工程参数集、配置数据集和mr数据集。

具体的，模型训练模块(例如工参预测模型训练模块中的工参生成模型训练模块，或单独的工参生成模型训练模块)可从训练集的样本数据中获取第一地理区域的工程参数集、配置数据集和mr数据集。

其中，所述工程参数集可包括第一地理区域的一个或多个基站设备的设备天线的工参，本文中，每一个工参例如包括天线的经纬度。所述配置数据集包括一个或多个基站设备的配置数据，所述配置数据可包括基站设备的网络参数的配置信息，例如设备天线的天线类型、小区列表等等。所述mr数据集包括多个mr数据。所述多个mr数据可以是一个或多个ue向所述一个或多个基站设备上报的，每个mr数据例如可包括ue的位置信息(如ue的经纬度信息、海拔高度信息等地理信息)、ue所检测到的服务小区的rsrp数据、ue所检测到的邻小区的rsrp数据、服务小区的aoa、邻小区的aoa、服务小区时间提前量、ue发射功率余量等等中的至少两个或多个。举例来说，某个ue可周期性(例如，每隔10秒)地向第一地理区域中的目标设备天线上传mr数据，那么，可从目标设备天线采集预设时间段内的多个mr数据输入至训练集。

步骤502、根据配置数据获得共天线的小区列表。

在具体实施例中，mr数据集中的多个mr数据可能包含与不同的基站设备的射频天线相关的mr数据，为了从这些mr数据中提取出分别与各个基站设备相关联的mr数据，可将所述多个mr数据进行数据提取和数据分类。

在一些实施例中，根据设备天线的天线类型、站点情况的不同，不同的设备天线拥有的小区个数也各有差异。那么模型训练模块可从预测集中获取配置数据，根据设备天线对多个小区进行分类，从而获得隶属于同一个设备天线的小区列表，该共天线的小区列表可包含一个或多个小区的id。举例来说，基站设备1的射频天线(简称为设备天线1)的共天线的小区列表可包括cell-1、cell-2，等等。基站设备2的射频天线(简称为设备天线2)的共天线的小区列表可包括cell-3、cell-4、cell-5，等等。

需要说明的是，在本发明的其他可能实施例中，还可以通过其他方式对所述多个mr数据进行数据提取和数据分类。例如，不同的设备天线拥有的远端射频单元(remoteradiounit，rru)个数也各有差异。一个小区可对应多个rru，那么模型训练模块可从预测集中获取配置数据，根据设备天线对多个rru进行分类，从而获得隶属于同一个设备天线的rru列表，该共天线的rru列表可包含一个或多个rru的id。举例来说，基站设备a的设备天线的共天线的小区列表可包括rru-1、rru-2、rru-3，rru-4，等等，在这些实施例中，后续步骤将可采用rru对应的mr报告代替小区对应的mr数据，进行模型训练的具体实施过程可类似地参考小区的实施过程，后文将不再详述。

步骤503、根据mr数据集和共天线的小区列表，获得共天线的小区对应的mr数据。

具体的，模型训练模块可对mr数据集中的多个mr数据进行数据分类，通过mr数据的服务小区id与共天线的小区id做关联，得到共天线(即天线相同)的各小区对应的mr数据(简称小区mr数据)。

举例来说，在一些实施例中，mr数据集包括如图15所示的mr数据1、mr数据2、mr数据3和mr数据4，其中mr数据1相关的服务小区为小区1，mr数据2相关的服务小区为小区2，mr数据3相关的服务小区为小区3，mr数据4相关的服务小区为小区4。假如基站设备1的射频天线(即设备天线1)的共天线小区列表包括小区1和小区2，基站设备2的射频天线(即设备天线2)的共天线小区列表包括小区3和小区4，那么可以将这些mr数据通过mr数据的服务小区id关联共天线小区列表中的小区id，以得到共天线小区对应的mr数据。如图16所示，mr数据1可关联到设备天线1的小区1，mr数据2可关联到设备天线1的小区2，所以设备天线1的共天线小区的mr数据可包括mr数据1和mr数据2。mr数据3可关联到设备天线2的小区3，mr数据4可关联到设备天线2的小区4，所以设备天线2的共天线小区的mr数据可包括mr数据3和mr数据4。

特别地，在可能的实施例中，如果某天线的共天线小区的mr数据的条数低于一定值，那么可以丢弃这个天线的mr数据，以避免影响训练出的模型的准确性，避免影响预测的工参精度。

步骤504、对共天线小区对应的mr数据进行特征信息选取，获得共天线小区的低维度的mr数据。

在可选的实施例，为了减低计算复杂度，提高模型训练和预测效率，对共天线的各小区对应的mr数据进行k个维度的特征信息选取，获得低维度的mr数据，k为大于等于2的整数。

举例来说，在一些实施例中，需要选取的k个维度的特征信息包括以下的两种或两种以上：

ue所在的位置信息，例如包括ue所在的经度、ue所在的纬度，可选的还包括ue所在的高度等等；

共天线的小区各自的id，例如小区1(例如小区1为服务小区)的id、小区2的id...小区j的id等等，j为大于等于1的整数。

共天线的小区各自的rsrp，例如小区1的rsrp、小区2的rsrp...小区n的rsrp等等。

共天线的小区各自的aoa，例如小区1的aoa、小区2的aoa...小区n的aoa等等。

例如，如图17所示，图17示例性示出了对图15所描述的mr数据1进行特征信息选取后，获得的低维度的mr数据1，可以看到图17所示的低维度的mr数据1相比图15所描述的mr数据1，减少了ue发射功率余量、服务小区时间提前量等等维度的特征信息，所以图17所示的低维度的mr数据1相比图15所描述的mr数据1具有更少的数据维度.可以理解的，相应的，图15所描述的mr数据2、mr数据3和mr数据4也可通过类似mr数据1的方式获得低维度的mr数据。所以，实施本实施例有利于降低存储数据量，提高后续模型训练和模型预测的计算复杂度，提升计算效率。

需要说明的是，上述图17所示的例子仅用于解释本发明的技术方案而非限制。在实际应用中，可根据需要选取更低维度的mr数据，比如，可选实施例中，还可设计低维度的mr数据不包括ue所在的海拔高度和小区的aoa中的至少一个，等等。

步骤505、根据共天线小区的低维度的mr数据，计算共天线小区的第一样本特征数据。

在具体实施例中，训练集中的mr数据数量较大时，占据内存较大，会导致共天线小区的mr数据很多。而不同的设备天线对应的共天线的小区列表也有差异，小区数目不固定。为了更好地进行模型的训练(如避免过拟合、提高运算速度和效率)，本发明实施例可为不同的设备天线的共天线小区对应的mr数据设计统一的训练数据模板，这样，就可将各个设备天线的共天线小区对应的mr数据基于所述训练数据模板进行筛选和归并，获得各个设备天线的共天线小区的样本特征数据(这里可称为第一样本特征数据)。

举例来说，下面介绍一种数据筛选归并的方法，使得每根天线得到同样维度的样本特征数据。

参见图18，在一种具体实现中，各小区的rsrp值的取值范围例如为{1,4,7,…,97}，对于单个设备天线，例如设备天线1，可将设备天线1的共天线小区的mr数据(可选的，如低维度的mr数据)中，服务小区(例如为小区1)的rsrp取值为某个预定值(例如预定值为7，当然也可以选择其他任意值)的所有mr数据的ue的经纬度加起来求均值，得到中心点，那么该中心点可近似视为基站设备可能的经纬度位置。然后，从中心点出发均匀地向多个方向(例如图示中为东、西、南、北、东南、东北、西南、西北8个方向，当然，还可以是其他个数的方向)延伸出射线，每个方向的射线示例性地标注1,4,7,…,97取值(当然还可以是其他的取值，这里不限定)的rsrp对应的位置点。然后，将设备天线1的共天线小区的mr数据(可选的，如低维度的mr数据)中，服务小区(设备天线1的服务小区例如包括小区1)的rsrp值为1,4,7,…,97对应的ue经纬度映射到图18所示的区域中，图示中的每个圆圈代表某种取值的rsrp的小区对应的ue经纬度。

然后，在一种示例中，可从设备天线1的共天线小区中各个小区的低维度的mr数据中，查找服务小区的rsrp值分别为1,4,7,…,97(共33个)时，分别离各个方向射线的取值相同的位置点距离最近的mr数据(如果不存在这样的mr数据，可以用全0来构造一个mr数据来代替)。也就是说，对于rsrp取值为1的小区，分别对应于8个方向查找出8个最合适的mr数据；对于rsrp取值为4的小区，也分别对应于8个方向查找出8个最合适的mr数据；对于rsrp取值为7的小区，也分别对应于8个方向查找出8个最合适的mr数据...对于rsrp取值为97的小区，页分别对应于8个方向查找出8个最合适的mr数据，以此类推。这样，总共找出8×33＝264组低维度的mr数据。

然后，对于264组低维度的mr数据中的每一组，选择抽取ue所在的经度、ue所在的纬度、ue所在的高度、小区1的aoa等特征中的两个或多个组成共天线小区的第一样本特征数据。例如，同时抽取ue所在的经度、ue所在的纬度、ue所在的高度、小区1的aoa这4个特征时，就生成了4×264＝1056个子特征(为了描述方便，由这样的1056个子特征构成的第一样本特征数据可记作“feature1056”)；又例如，仅抽取ue所在的经度、ue所在的纬度这2个特征时，就生成了2×264＝528个子特征。

举例来说，根据上述方式生成的设备天线1的共天线小区的第一样本特征数据表如表1所示：

表1

需要说明的是，上述示例仅用于解释本发明技术方案而非限制。

步骤506、根据配置数据获得设备天线的天线类型。

具体的，模型训练模块可根据配置数据集中的配置数据，获得共天线小区所隶属的设备天线的类型(antennatype)，例如根据设备天线1的配置数据获得设备天线1的天线类型，根据设备天线2的配置数据获得设备天线2的天线类型，等等。

步骤507、根据工程参数集、第一样本特征数据和天线类型，训练工参生成模型。

在一具体实施例中，模型训练模块可利用机器学习算法构建一个工参生成模型(例如神经网络算法模型)，根据训练集中的设备天线的工参、通过步骤505所获得的第一样本特征数据以及通过步骤506获得的设备天线的类型，对所述工参生成模型进行模型训练。

该工参生成模型的训练过程例如可通过下式表示：

(latitude,longtitude)＝nn(feature1056,antennatype,wnn1)

其中，latitude表示设备天线的工参中的纬度值,longtitude表示设备天线的工参中的经度值，nn表示神经网络算法，feature1056表示通过如上述表1方式获得的第一样本特征数据，antennatype表示设备天线的类型，wnn1表示工参生成模型中的模型参数。

所以，模型训练模块基于训练集的大量样本数据进行模型训练，对于不同的设备天线，其对应的latitude、longtitude、feature1056、antennatype数据也各有差异，根据这些数据作为工参生成模型的输入数据，即可对模型进行训练计算出wnn1(例如本样例中可以利用梯度下降法计算出wnn1)，从而获得经过训练的工参生成模型。

可以看到，通过上述步骤501-步骤507，工参预测模型训练模块中的工参生成模型训练模块可实现根据样本数据对工参生成模型进行训练。后续，工参预测模型训练模块中的工参纠正模型训练模块将通过下述步骤508-步骤512，对工参纠正模型进行相关模型训练。

步骤508、获得多个设备天线的预测工参。

在一些具体实施例中，在通过步骤507获得经过训练的工参生成模型后，那么就可以根据样本数据和所述经过训练的工参生成模型，获得设备天线的预测工参，例如以经纬度预测为例，可以获得设备天线的经纬度(latitude，longtitude)的预测结果。

可以理解的，当训练集的样本数据中包括多个设备天线的样本数据，如包括设备天线1的样本数据(具体包括设备天线1的配置数据、设备天线1的工参、终端向设备天线1上报的mr数据)、设备天线2的样本数据(具体包括设备天线2的配置数据、设备天线2的工参、终端向设备天线2上报的mr数据)等等，那么根据各个设备天线的样本数据和所述经过训练的工参生成模型，即可获得各个设备天线的经纬度的预测结果。

举例来说，通过所述经过训练的工参生成模型获得的各个设备天线的经纬度的预测结果如表2所示：

表2

需要说明的是，上述示例仅用于解释本发明的实施例而非限制。

步骤509、根据设备天线的共天线小区列表和设备天线的低维度的mr数据，计算设备天线的topn天线。

其中，对于目标设备天线，topn天线表示目标设备天线的周边设备天线中，基于预设规则同目标设备天线最相关的n个设备天线，n为大于等于1的整数。例如，在一些实施例中，topn天线为目标设备天线周边多个设备天线中，与目标设备天线的空间距离最周边的n个设备天线；在又一些实施例中，topn天线为目标设备天线的周边多个设备天线中，与目标设备天线的信号重叠程度最大的n个设备天线；在又一些实施例中，topn天线为目标设备天线的周边多个设备天线中，终端切换次数最多的n个设备天线，等等。

下面给出一种确定各个设备天线的topn天线的方法。

通过上述步骤502，可获得多个设备天线中的任意设备天线的共天线小区列表。通过上述步骤504，可获得多个设备天线中的任意设备天线的共天线小区的低维度的mr数据。那么，可根据所述多个设备天线中的任意设备天线的共天线小区列表，确定目标设备天线的低维度的mr数据中除服务小区外的其他小区对应的设备天线的id。举例来说，对于上述图17实施例所示的设备天线1的低维度的mr数据1，可根据多个设备天线中的任意设备天线的共天线小区列表，确定小区2率属于设备天线1，小区3率属于设备天线2，小区4率属于设备天线2，以此类推。若低维度的mr数据1中率属于设备天线2的小区只有两个(如小区3和小区4)，则称设备天线2在设备天线1的低维度的mr数据1中出现2次，其他设备天线(如设备天线3，等等)的情况同样以此类推。同理，对于设备天线1的其他低维度的mr数据(例如低维度的mr数据2，等等)，同样可以找出除服务小区外的其他小区对应的设备天线的id，进而统计出其他各个设备天线(如设备天线2、设备天线3，等等，也可以称这些设备天线为设备天线1的邻天线)在设备天线1的其他低维度的mr数据中出现的次数。这样，就可以统计设备天线1的所有低维度的mr数据中，各个邻天线出现的次数。

可以理解的，基于上述描述，可以进一步统计出所述多个基站设备的任意设备天线的所有低维度的mr数据中，该设备天线的各个邻天线出现的次数。

举例来说，所述多个设备天线的任意设备天线的各个邻天线在该基站的所有低维度的mr数据中出现的次数可如表3所示：

表3

那么，选择每个设备天线的出现次数最多的n个邻天线作为该设备天线的topn天线。

例如，上述表3中，已将设备天线的各个邻天线基于出现次数的高低进行先后排序，可以看到，对于设备天线1，根据出现次数的高低排序的邻天线的id依次为antenna-2、antenna-13...antenna-16。对于设备天线2，根据出现次数的高低排序的邻天线的id依次为antenna-5、antenna-1...antenna-25，以此类推。

那么，在一种可能的实施例中，各个设备天线的邻天线可如下表4所示：

表4

需要说明的是，上述示例仅用于解释本发明实施例的技术方案而非限制。

步骤510、根据多个设备天线的预测工参和各个设备天线的topn天线，获得topn天线中的各个邻天线的预测工参。

可以理解的，通过上述步骤508，已经获得各个设备天线的预测工参(例如表2)，所以，基于任意设备天线的id，即可获得任意设备天线的预测工参；基于任意设备天线的topn天线中的各个邻天线的id，即可获得任意设备天线的topn天线中的各个邻天线的预测工参。如下表5所示：

表5

上述表5示出了任意设备天线(或称目标设备天线)及其对应的topn天线的预测工参，那么可将任意设备天线其对应的topn天线统称为(1+topn)天线组。故通过本步骤510，即可得到任意设备天线的(1+topn)天线组的预测工参。为了方便描述，本发明实施例可记设备天线i的(1+topn)天线组的预测工参为“featurebasic_i”，设备天线i为所述多个设备天线中的任意设备天线。

步骤511、根据基站设备的低维度的mr数据和该基站设备的topn天线中的各个邻天线的预测工参，获得topn天线的第二样本特征数据。

第二样本特征数据表征了不同的设备天线在ue的同一次测量中(即在同一ue地理位置)各自呈现的测量特征(或称天线联合测量特征)。

下面描述一种获得topn天线的第二样本特征数据的方法。

首先，对于任意设备天线的topn天线，例如设备天线a的topn天线，分别根据该设备天线a的各个邻天线的共天线小区列表确定出一个小区，称该小区为设备天线a的一个邻小区，那么，n个邻天线将分别对应确定出n个邻小区，这样的n个邻小区可称为设备天线a的topn邻小区。比如，对于设备天线a的topn天线中的第一邻天线，如果该第一邻天线的共天线小区中的小区有多个，则可示例性地选取在该第一邻天线的低纬度的mr数据中，出现次数最多的小区作为该第一邻天线对应的邻小区。以此类推，可分别确定出topn天线中的各个邻天线对应的邻小区，即设备天线a的topn邻小区。也就是说，基于上面描述，可以确定出任意设备天线的topn邻小区。

那么，针对任意设备天线的topn邻小区中的任一邻小区，例如设备天线a的topn邻小区中的任一邻小区，可以从设备天线a的多个低维度的mr数据中选取m个低维度的mr数据，将所述m个低维度的mr数据与该邻小区关联。其中，所述m个低维度的mr数据中的任一个均包含该邻小区的测量特征信息(例如该邻小区的rsrp、该邻小区的aoa,等等)，示例性的，m个低维度的mr数据中邻小区的rsrp值可以各有差异，所述m为大于等于1的整数。这样，可以分别从所述m个低维度的mr数据中各个低维度的mr数据中提取设备天线a的第二样本特征数据，每个样本特征数据可包括ue的定位信息(如ue所在的经度、ue所在的纬度、ue所在的海拔高度等等)、服务小区的rsrp、服务小区的aoa、邻小区的rsrp、邻小区的aoa等等中的两个或两个以上。也就是说，基于上面描述，可以确定出topn邻小区中的任一邻小区关联的m个低维度的mr数据，以及基于m个低维度的mr数据确定m个第二样本特征数据。为了描述方便，可记设备天线i的topn邻小区的m个第二样本特征数据为“featurejoin_i”，设备天线i是所述多个设备天线中的任意设备天线。

例如，设备天线i的topn天线的第二样本特征数据如下表6所示：

表6

需要说明的是，上述示例仅用于解释本发明实施例的技术方案而非限定。

步骤512、根据工程参数集、(1+topn)天线组的预测工参、topn天线的第二样本特征数据，训练工参纠正模型。

在一具体实施例中，模型训练模块(工参预测模型训练模块中的工参纠正模型训练模块)可利用机器学习算法构建一个工参纠正模型(例如神经网络算法模型)，根据训练集中的设备天线的工参、通过步骤510所获得的(1+topn)天线组的预测工参以及通过步骤511获得的topn天线的第二样本特征数据，对所述工参纠正模型进行模型训练。

该工参纠正模型的训练过程例如可通过下式表示：

(latitude,longtitude)＝nn((featurejoin_i,featurebasic_i),wnn2)

其中，latitude表示设备天线i的工参中的纬度值，longtitude表示设备天线i的工参中的经度值，nn表示神经网络算法，featurejoin_i表示设备天线的topn天线的第二样本特征数据，featurebasic_i表示设备天线i的(1+topn)天线组的预测工参，wnn2表示工参纠正模型中的模型参数。

所以，模型训练模块基于训练集的大量样本数据进行模型训练，对于不同的设备天线，其对应的latitude、longtitude、featurejoin_i、featurebasic_i数据也各有差异，根据这些数据作为工参纠正模型的输入数据，即可对模型进行训练计算出wnn2(例如本样例中可以利用梯度下降法计算出wnn2)，从而获得经过训练的工参纠正模型。

可以看到，本实施例通过步骤501-步骤507，可实现根据样本数据对工参生成模型进行训练，计算出工参生成模型的模型参数wnn1，通过步骤508-步骤512，可实现对工参纠正模型进行训练，计算出工参纠正模型的模型参数wnn2。可以理解的，本发明实施例所描述的工参预测模型可视为包括工参生成模型和工参纠正模型，工参预测模型的模型参数可视为包括工参生成模型的模型参数wnn1和工参纠正模型的模型参数wnn2，所以基于上述步骤501-步骤512，完成了对工参预测模型的训练。

还需要说明的是，在一些可能的实施例中，如果仅使用如图4所示的工参生成模型训练模块对工参生成模型进行训练(这种情况也可视为工参预测模型训练模块只包括工参生成模型训练模块)，那么该模型训练的实施过程也可类似参考上述步骤501-步骤507的描述，为了说明书的简洁，本文将不再详述。

还需要说明的是，在一些可能的实施例中，如果仅使用如图7所示的工参纠正模型训练模块对工参纠正模型进行训练(这种情况也可视为工参预测模型训练模块只包括工参纠正模型训练模块)，那么该模型训练的实施过程也可类似参考上述步骤508-步骤512的描述，所不同的是(如与上述步骤508有差异)，该训练过程中的featurebasic_i来自于训练集的样本数据(x)中的低可信度的工程参数集，即featurebasic_i表示低可信度的工程参数集中设备天线i的(1+topn)天线组的工参；(latitude,longtitude)来自于训练集的样本数据(y)中的高可信度的工程参数集，即latitude表示高可信度的工程参数集中设备天线i的工参中的纬度值，longtitude表示高可信度的工程参数集中设备天线i的工参中的经度值。所述低可信度的工程参数集中的工参例如为通过较粗糙方式获取到的工参(例如通过一次人工测量获得的工参)，所述高可信度的工程参数集中的工参例如为通过较为精确的方式获取到的工参(例如使用多次gps测量和多次人工测量得到的工参)。那么，基于上述步骤508-步骤512的描述，本领域技术人员将可类似地理解如图7所示的工参纠正模型训练模块对工参纠正模型进行训练的方法，为了说明书的简洁，本文将不再详述。

可以看到，本发明实施例能够通过模型训练的方式基于现成的样本数据(例如mr数据、配置数据、工参数据等)构建用于预测设备天线的工参的模型(如本实施例中的工参预测模型)，而应用该模型将可实现生成和纠正设备天线的工参，从而获得可信度较高的预测工参。所以，实施本发明实施例的技术方案能够克服现有技术的缺陷，有效降低设备天线工参的获取成本，提升工参的准确度。

基于上述工参确定系统203，下面描述本发明实施例提供的一种基于工参预测模型预测工参的方法，工参包括天线的经纬度为例进行描述。请参见图19，图19是本发明实施例提供的一种基于工参预测模型预测工参的方法的流程示意图，该方法可包括但不限于以下步骤：

步骤601、获取第二地理区域的mr数据集和配置数据集。

具体的，模型预测模块(例如工参预测模型预测模块中的工参生成模型训练模块，或单独的工参生成模型预测模块)可从预测练集的数据中获取第二地理区域中mr数据集以及基站设备的配置数据集。

其中，所述第二地理区域可与前述步骤501所述的第一地理区域不同。也就是说，位于第二地理区域中的基站设备和位于第一地理区域中的基站设备并非同一基站设备。

其中，所述配置数据集包括一个或多个基站设备的配置数据，所述配置数据可包括基站设备的网络参数的配置信息，例如设备天线的天线类型、小区列表等等。所述mr数据集包括多个mr数据。所述多个mr数据可以是一个或多个ue向所述一个或多个基站设备上报的，每个mr数据例如可包括ue的位置信息(如ue的经纬度信息、海拔高度信息等地理信息)、ue所检测到的服务小区的rsrp数据、ue所检测到的邻小区的rsrp数据、服务小区的aoa、邻小区的aoa、服务小区时间提前量、ue发射功率余量等等中的至少两个或多个。举例来说，某个ue可周期性(例如，每隔10秒)地向第二地理区域中的目标设备天线上传mr数据，那么，可从目标设备天线采集预设时间段内的多个mr数据输入至该预测集。

步骤602、根据配置数据获得共天线的小区列表。具体实施过程可类似参考图14实施例步骤502的描述，为了说明书的简洁，这里不再赘述。

步骤603、根据mr数据集和共天线的小区列表，获得共天线的小区对应的mr数据。具体实施过程可类似参考图14实施例步骤503的描述，为了说明书的简洁，这里不再赘述。

步骤604、对共天线小区对应的mr数据进行特征信息选取，获得共天线小区的低维度的mr数据。具体实施过程可类似参考图14实施例步骤504的描述，为了说明书的简洁，这里不再赘述。

步骤605、根据共天线小区的低维度的mr数据，计算共天线小区的第一样本特征数据。具体实施过程可类似参考图14实施例步骤505的描述，为了说明书的简洁，这里不再赘述。

步骤606、根据配置数据获得设备天线的天线类型。具体实施过程可类似参考图14实施例步骤506的描述，为了说明书的简洁，这里不再赘述。

步骤607、将所述第一样本特征数据和天线类型输入至训练好的工参生成模型，从而获得设备天线的预测工参。

其中，所述训练好的工参生成模型例如为通过前述图14实施例501-步骤507训练而得到的工参生成模型(例如神经网络算法模型)，模型预测模块将设备天线对应的第一样本特征数据(feature1056)和天线类型(antennatype)输入至所述训练好的工参生成模型，就可以获得设备天线的预测工参。例如以经纬度预测为例，可以获得设备天线的经纬度(latitude，longtitude)的预测结果。

可以理解的，当训练集的输入数据中包括多个设备天线的样本数据，如包括设备天线1的样本数据(具体包括设备天线1的配置数据、终端向设备天线1上报的mr数据)、设备天线2的样本数据(具体包括设备天线2的配置数据、终端向设备天线2上报的mr数据)等等，那么，对于不同的设备天线，其对应的feature1056、antennatype数据也各有差异，将各个设备天线对应的feature1056、antennatype数据作为该工参生成模型的输入数据，就可以获得各个设备天线的预测工参。

可以看到，通过上述步骤601-步骤607，工参预测模型预测模块中的工参生成模型预测模块可实现根据预测集的样本数据，利用工参生成模型获得设备天线的预测工参。后续，工参预测模型预测模块中的工参纠正模型预测模块将通过下述步骤608-步骤611，实现利用工参纠正模型对设备天线的预测工参进行进一步处理，以获得可信度(准确性)更高的预测工参。

步骤608、根据设备天线的共天线小区列表和设备天线的低维度的mr数据，计算设备天线的topn天线。具体实施过程可类似参考图14实施例步骤509的描述，为了说明书的简洁，这里不再赘述。

步骤609、根据多个设备天线的预测工参和各个设备天线的topn天线，获得topn天线中的各个邻天线的预测工参。具体实施过程可类似参考图14实施例步骤510的描述，为了说明书的简洁，这里不再赘述。

步骤610、根据基站设备的低维度的mr数据和该基站设备的topn天线中的各个邻天线的预测工参，获得topn天线的第二样本特征数据。具体实施过程可类似参考图14实施例步骤511的描述，为了说明书的简洁，这里不再赘述。

步骤611、将(1+topn)天线组的预测工参、topn天线的第二样本特征数据输入至训练好的工参纠正模型，从而得到设备天线的高可信度的预测工参。

其中，所述训练好的工参纠正模型例如为通过前述图14实施例步骤508-步骤512训练而得到的工参纠正模型(例如神经网络算法模型)，模型预测模块(工参预测模型预测模块中的工参纠正模型预测模块)将设备天线i对应的第二样本特征数据(featurejoin_i)和设备天线i的(1+topn)天线组的预测工参(featurebasic_i)输入至所述训练好的工参纠正模型，就可以获得设备天线i的高可信度的预测工参。例如以经纬度预测为例，可以获得设备天线i的经纬度(latitude，longtitude)的高可信度的预测结果。

可以理解的，当训练集的输入数据中包括多个设备天线的样本数据，如包括设备天线1的样本数据(具体包括设备天线1的配置数据、终端向设备天线1上报的mr数据)、设备天线2的样本数据(具体包括设备天线2的配置数据、终端向设备天线2上报的mr数据)等等，那么，对于不同的设备天线，其对应的第二样本特征数据、(1+topn)天线组的预测工参也各有差异，将各个设备天线对应的第二样本特征数据、(1+topn)天线组作为该工参纠正模型的输入数据，就可以获得各个设备天线的高可信度的预测工参。

可以看到，本实施例通过步骤601-步骤607，可实现根据预测集的样本数据，利用工参生成模型获得设备天线的预测工参，通过步骤608-步骤611，可实现利用工参纠正模型对设备天线的预测工参进行进一步的纠正，从而获得高可信度的预测工参。可以理解的，本发明实施例所描述的工参预测模型可视为包括工参生成模型和工参纠正模型，所以基于上述步骤601-步骤611，完成了基于工参预测模型对设备天线工参的预测。

还需要说明的是，在一些可能的实施例中，如果仅使用如图5所示的工参生成模型预测模块基于工参生成模型对设备天线的工参进行预测(这种情况也可视为工参预测模型预测模块只包括工参生成模型预测模块)，那么该模型训练的实施过程也可类似参考上述步骤601-步骤607的描述，为了说明书的简洁，本文将不再详述。

还需要说明的是，在一些可能的实施例中，如果仅使用如图8所示的工参纠正模型预测模块基于工参纠正模型对设备天线的工参进行预测(这种情况也可视为工参预测模型预测模块只包括工参纠正模型预测模块)，那么该模型训练的实施过程也可类似参考上述步骤608-步骤611的描述，所不同的是，该预测过程中的(1+topn)天线组的预测工参并不是通过工参生成模型得到的，而是来自于预测集的样本数据中的工程参数集，该工程参数集中的工参可视为低可信度的工参，例如为通过较粗糙方式获取到的工参。基于上述步骤608-步骤611，本领域技术人员将可类似地理解如图8所示的工参纠正模型预测模块基于工参纠正模型进行工参预测以得到设备天线的高可信度的工参的方法，为了说明书的简洁，本文将不再详述。

可以看到，本发明实施例能够通过预先训练好的用于工参预测的模型(如本实施例中的工参预测模型)，基于现成的样本数据(例如mr数据、配置数据等)输入至该模型，即可实现生成和纠正设备天线的工参，从而获得可信度较高的预测工参。所以，实施本发明实施例的技术方案能够克服现有技术的缺陷，有效降低设备天线工参的获取成本，提升工参的准确度。

为了更好理解本发明实施例的技术方案，下面描述在一些应用场景中对设备天线的原始工参进行纠正的方法。参见图20，该方法包括但不限于以下步骤：

步骤701、方法开始，将变量i设置为0。

步骤702、如果i等于0，则方法跳转到执行步骤703，否则，i不等于0，则跳转至执行步骤708。

步骤703、方法执行选取样本数据。

在一些实施例中，如果本方法实施例中的模型预测模块为工参生成模型预测模块，那么样本数据包括基站设备的mr数据(包括ue的定位信息)和配置数据。该样本数据与原始工参列表中该设备天线的原始工参具有对应的关系。

在一些实施例中，如果本方法实施例中的模型预测模块为工参纠正模型，那么样本数据包括基站设备的mr数据(包括ue的定位信息)、配置数据和原始工程参数列表(本文中可简称为原始工参列表)中该设备天线的原始工参(即该设备天线的待纠正工参)。

在一些实施例中，如果本方法实施例中的模型预测模块为工参预测模型，那么样本数据包括基站设备的mr数据(包括ue的定位信息)和配置数据。该样本数据与原始工参列表中该设备天线的原始工参具有对应的关系。

其中，原始工参列表包括一个或多个设备天线的原始工参。

步骤704、将样本数据输入模型预测模块进行工参预测。

可以理解的，当如果本方法实施例中的模型预测模块为工参生成模型预测模块，那么工参生成模型预测模块可根据样本数据，利用工参生成模型实现生成设备天线的预测工参。具体实施过程可参考前文图5实施例以及图19实施例步骤601-步骤607的相关描述，为了说明书的简洁，这里不再赘述。

可以理解的，当如果本方法实施例中的模型预测模块为工参纠正模型预测模块，那么工参纠正模型预测模块可根据样本数据，利用工参纠正模型获得设备天线的预测工参。具体实施过程可参考前文图8实施例以及图19实施例步骤608-步骤611的相关描述，为了说明书的简洁，这里不再赘述。

可以理解的，当如果本方法实施例中的模型预测模块为工参预测模型预测模块，那么工参预测模型预测模块可根据样本数据，利用工参预测模型获得设备天线的预测工参。具体实施过程可参考前文图11实施例以及图19实施例步骤601-步骤611的相关描述，为了说明书的简洁，这里不再赘述。

步骤705、将变量i设置为i+＝1。

步骤706、方法执行判断设备天线的预测工参与设备天线的原始工参之间的平均差异是否满足预设条件，若不满足预设条件，则方法继续执行步骤707；若不满足预设条件，则跳转到执行步骤709.

举例来说，在一些实施例中，设备天线的数量有多个，各个设备天线的预测工参分别记为(px1,py1),(px2,py2),…,(pxn,pyn)，其中，任意的预测工参(pxi,pyi)代表第i个设备天线(或称天馈)的预测工参。

各个设备天线的原始工参分别记为(rx1,ry1),(rx2,ry2),…,(rxn,ryn)，其中，任意的原始工参(rxi,ryi)代表第i个设备天线的原始工参。

将上述各个设备天线的预测工参和原始工参输入如下公式：

如果diff<预设值(例如，0.0002，本发明对预设值不作限定)，则认为工参精度满足要求。也就是说，如果diff<预设值，则称设备天线的预测工参与设备天线的原始工参之间的平均差异满足预设条件。如果diff≥预设值，则称设备天线的预测工参与设备天线的原始工参之间的平均差异不满足预设条件。

需要说明的是，本方法在实际应用中，还可以设置更多的预设条件，例如可判断i与最大迭代次数(maxitertimes)之间的关系，例如最大迭代次数设置为5(仅为示例，本发明对此不做限定)。如果i大于最大迭代次数，则方法跳转到执行步骤708；如果i小于等于最大迭代次数，则方法继续执行步骤707。

步骤707、方法执行更新原始工参列表中的工参，将差异度较大的原始工参放入异常工参列表。然后跳转执行步骤702。

具体的，在一些实施方式中，设置一个异常工参列表，用于放置工参预测值与原始工参差异值较大的原始工参(例如大于等于步骤706中描述的预设值)。那么，通过步骤706，如果有一些设备天线的工参预测值与原始工参差异值较大(例如大于等于步骤706中描述的预设值)，则将这样的设备天线的原始工参放入异常工参列表。如果有一些设备天线的工参预测值与原始工参差异值较小(例如小于步骤706中描述的预设值)，则在原始工参列表中，将这样的设备天线的预测工参替换掉该设备天线的原始工参，从而实现对原始工参列表的更新。

需要说明的是，在可能的实现中，异常工参列表中也可只保存异常工参对应的设备天线的id。

步骤708、判断异常工参列表是否为空。如果异常工参列表为空，则方法继续执行步骤709；如果异常工参列表不为空，则方法跳转执行步骤703。

步骤709、使用经由步骤704完成预测的且满足步骤706的预设条件的预设工参作为最终的纠正后的工参并输出。也就是说，通过执行上述步骤701-步骤709，可实现对各个设备天线的原始工参进行纠正，获得各个设备天线的较准确的预测工参。

可以看到，本发明实施例能够通过预先训练好的用于工参预测的模型(如本实施例中的工参预测模型)，基于现成的样本数据(例如mr数据、配置数据等)输入至该模型，即可实现生成和纠正设备天线的工参得到工参预测结果，基于该工参预测结果与基站设备的原始工参进行比较，即可实现更新基站设备的原始工参，从而获得基站设备可信度较高的工参值。所以，实施本发明实施例的技术方案能够克服现有技术的缺陷，有效降低设备天线工参的获取成本，提升工参的准确度。

上文详细阐述了本发明实施例系统架构及方法，下面基于相同的发明构思，继续提供了本发明实施例的相关设备。

参见图21，图21是本发明实施例提供的一种计算设备80的结构示意图，计算设备80包括：数据获取模块801和模型训练模块802，其中：

数据获取模块801，用于获取第一地理区域内的第一工程参数集、第一配置数据集、以及终端向所述第一地理区域内的多个设备天线中的第一设备天线上传的第一测量报告数据集；其中，所述第一工程参数集包括所述第一设备天线的工程参数，所述第一设备天线的工程参数包括所述第一设备天线的位置数据和姿态数据中的至少一个；所述第一配置数据集包括所述第一设备天线的配置数据，所述第一设备天线的配置数据表示所述第一设备天线的网络参数的配置信息；所述第一测量报告数据集中的测量报告数据包括所述终端的位置数据和信号接收功率数据；所述第一设备天线为所述多个设备天线中的任意设备天线；

模型训练模块802，用于根据所述第一设备天线的工程参数、所述第一设备天线的配置数据和所述测量报告数据集进行模型训练，获得天线工参预测模型；所述天线工参预测模型用于，根据终端向第二地理区域内的第二配置数据集、终端向所述第二地理区域内的第二设备天线上传的第二测量报告数据集，输出所述第二设备天线的工程参数。

在一些的实施例中，所述天线工参预测模型包括天线工参生成模型；所述模型训练模块802具体用于：根据所述第一设备天线的配置数据和所述测量报告数据集，获得第一样本特征数据；所述第一样本特征数据包括隶属所述第一设备天线的小区或远端射频单元rru的多个信号接收功率数据，以及所述多个信号接收功率数据中各个信号接收功率数据对应的终端的位置数据；根据所述第一设备天线的配置数据，获得所述第一设备天线的天线类型；根据所述第一设备天线的工程参数和第一特征集合进行模型训练，获得所述天线工参生成模型；所述第一特征集合包括所述第一样本特征数据和所述第一设备天线的天线类型，所述天线工参生成模型用于根据输入的第一特征集合输出工程参数。

在可能的实施例中，所述模型训练模块802具体用于：根据所述第一设备天线的配置数据，确定隶属所述第一设备天线的小区或rru；从所述测量报告数据集中，确定所述小区或rru对应的测量报告数据；根据所述小区或rru对应的测量报告数据进行特征提取，获得所述第一样本特征数据。

在一些实施例中，所述天线工参预测模型既包括天线工参生成模型，还包括天线工参纠正模型；所述工程参数集还包括至少一个其他设备天线的工程参数；所述配置数据集还包括所述至少一个其他设备天线的配置数据；所述至少一个其他设备天线表示所述多个设备天线中除所述第一设备天线外的设备天线；所述模型训练模块802进一步用于：根据所述配置数据集和所述测量报告数据集，获得第二样本特征数据，所述第二样本特征数据包括所述至少一个其他设备天线的小区或rru的多个信号接收功率数据、以及所述多个信号接收功率数据中各个信号接收功率数据对应的终端的位置数据和所述第一设备天线的小区或rru的信号接收功率数据；根据所述天线工参生成模型，获得所述第一设备天线的工程参数的预测结果和所述至少一个其他设备天线的工程参数的预测结果；根据所述工程参数集和第二特征集合进行模型训练，获得所述天线工参纠正模型；所述第二特征集合包括所述第二样本特征数据、所述第一设备天线的工程参数的预测结果和所述至少一个其他设备天线的工程参数的预测结果，所述天线工参纠正模型用于根据输入的第二特征集合输出工程参数。

在可能的实施例中，所述至少一个其他设备天线为与所述第一设备天线周边的topn个设备天线，所述topn个设备天线表示所述多个设备天线中与所述第一设备天线最相关的n个的设备天线，n为大于等于1的整数。

在可能的实施例中，所述模型训练模块802具体用于：根据所述配置数据集，确定隶属所述第一设备天线的小区或rru，和隶属于所述topn个设备天线的小区或rru；根据所述第一测量报告数据集，设置所述topn个设备天线的小区或rru中任一设备天线的小区或rru分别对应至少一个测量报告数据，所述至少一个测量报告数据中每个测量报告数据包括所述任一设备天线的小区或rru的信号接收功率数据、所述第一设备天线的小区或rru的信号接收功率数据以及所述终端的位置数据；根据所述topn个设备天线的小区或rru中各个设备天线的小区或rru对应的测量报告数据进行特征提取，获得所述第二样本特征数据。

其中，所述计算设备80具体可用于实现本发明各个实施例描述的模型训练过程。

具体实施中，所述数据获取模块801和所述模型训练模块802的程序代码可存储于上述图2实施例所描述的存储器1022，并可被处理器1021调用，以执行本发明实施例所描述的模型训练方法。

具体实施中，所述数据获取模块801和所述模型训练模块802可共同用于实现上述图4实施例所描述的工参生成模型训练模块的功能，或共同用于实现上述图7实施例所描述的工参纠正模型训练模块的功能，或共同用于实现上述图10实施例所描述的工参预测模型训练模块的功能。具体实现过程可参考上述图12实施例或图14实施例的相关描述，为了说明书的简洁，这里不再赘述。

参见图22，图22是本发明实施例提供的一种计算设备90的结构示意图，计算设备90包括：数据获取模块901和工参预测模块902，其中：

数据获取模块901，用于获取第二地理区域内的第二配置数据集、终端向所述第二地理区域内的第二设备天线上传的第二测量报告数据集；其中，所述第二配置数据集包括所述第二设备天线的配置数据，所述第二设备天线的配置数据表示所述第二设备天线的网络参数的配置信息；所述第二测量报告数据集中的测量报告数据包括所述终端的位置数据和信号接收功率数据；所述第二设备天线为所述第二地理区域内的多个设备天线中的任意设备天线；

工参预测模块902，用于将所述第二配置数据集和所述第二测量报告数据集输入至天线工参预测模型，获得所述第二设备天线的工程参数的预测结果；其中，所述天线工参预测模型是根据第一地理区域内的第一工程参数集、第一配置数据集、以及终端向所述第一地理区域内的多个设备天线中的第一设备天线上传的第一测量报告数据集进行训练而得到的；所述第二设备天线的工程参数包括所述第一设备天线的位置数据和姿态数据中的至少一个。

在一些实施例中，所述天线工参预测模型包括天线工参生成模型；所述工参预测模块902具体用于：根据所述第二测量报告数据集和所述第二设备天线的配置数据，获得第一样本特征数据；所述第一样本特征数据包括隶属所述第二设备天线的小区或远端射频单元rru的多个信号接收功率数据，以及所述多个信号接收功率数据中各个信号接收功率数据对应的终端的位置数据；根据所述第二设备天线的配置数据，获得所述第二设备天线的天线类型；将所述第一样本特征数据和所述第二设备天线的天线类型输入至所述天线工参生成模型，获得所述第二设备天线的工程参数的第一预测结果。

在可能实施例中，所述工参预测模块902具体用于：根据所述第二设备天线的配置数据，确定隶属所述第二设备天线的小区或rru；从所述第二测量报告数据集中，确定所述小区或rru对应的测量报告数据；根据所述小区或rru对应的测量报告数据进行特征提取，获得所述第一样本特征数据。

在一些实施例中，所述天线工参预测模型既包括天线工参生成模型，还包括天线工参纠正模型；所述第二配置数据集还包括至少一个其他设备天线的配置数据；所述至少一个其他设备天线表示所述多个设备天线中除所述第二设备天线外的设备天线；所述工参预测模块902进一步用于：根据所述第二配置数据集和所述第二测量报告数据集，获得第二样本特征数据，所述第二样本特征数据包括所述至少一个其他设备天线的小区或rru的多个信号接收功率数据、以及所述多个信号接收功率数据中各个信号接收功率数据对应的终端的位置数据和所述第二设备天线的小区或rru的信号接收功率数据；根据所述天线工参生成模型，获得所述至少一个其他设备天线的工程参数的预测结果；将所述第二样本特征数据、所述第二设备天线的工程参数的第一预测结果和所述至少一个其他设备天线的工程参数的预测结果输入至所述天线工参纠正模型，获得所述第二设备天线的工程参数的第二预测结果。

在可能实施例中，所述至少一个其他设备天线为与所述第二设备天线周边的topn个设备天线，所述topn个设备天线表示所述多个设备天线中与所述第二设备天线最相关的n个的设备天线，n为大于等于1的整数。

在可能实施例中，所述工参预测模块902具体用于：根据所述第二配置数据集，确定隶属所述第二设备天线的小区或rru，和隶属于所述topn个设备天线的小区或rru；根据所述第二测量报告数据集，设置所述topn个设备天线的小区或rru中任一设备天线的小区或rru分别对应至少一个测量报告数据，所述至少一个测量报告数据中每个测量报告数据包括所述任一设备天线的小区的信号接收功率数据、所述第二设备天线的小区的信号接收功率数据以及所述终端的位置数据；根据所述topn个设备天线的小区或rru中各个设备天线的小区或rru对应的测量报告数据进行特征提取，获得所述第二样本特征数据。

其中，所述计算设备90具体可用于实现本发明各个实施例描述的基于模型进行工参预测过程。

具体实施中，所述数据获取模块901和所述工参预测模块902的程序代码可存储于上述图2实施例所描述的存储器1022，并可被处理器1021调用，以执行本发明实施例所描述的基于模型的工参预测方法。

具体实施中，所述数据获取模块901和所述工参预测模块902可共同用于实现上述图5实施例所描述的工参生成模型预测模块的功能，或共同用于实现上述图8实施例所描述的工参纠正模型预测模块的功能，或共同用于实现上述图11实施例所描述的工参预测模型预测模块的功能。具体实现过程可参考上述图13实施例或图19实施例或图20实施例的相关描述，为了说明书的简洁，这里不再赘述。

基于相同的发明构思，本发明实施例提供了工参确定系统，所述工参确定系统可包括如图21所描述的计算设备80和如图22所描述的计算设备90。具体实现中，所述工参确定系统例如为上文图3实施例所描述的工参确定系统201、或图6实施例所描述的工参确定系统202、或图9实施例所描述的工参确定系统203。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者任意组合来实现。当使用软件实现时，可以全部或者部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令，在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络或其他可编程装置。所述计算机指令可存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网络站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、微波等)方式向另一个网络站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质，也可以是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如软盘、硬盘、磁带等)、光介质(例如数字视频光盘(digitalvideodisc，dvd)等)、或者半导体介质(例如固态硬盘)等等。

在上述实施例中，对各个实施例的描述各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。