5GMR数据合并方法及装置与流程

5g mr数据合并方法及装置
技术领域
1.本发明涉及无线通信业务技术领域，具体涉及一种5g mr数据合并方法及装置。


背景技术：

2.现阶段的移动通信网络优化中，基于位置的5g覆盖分析，主要依靠指纹匹配回填定位数据实现。但指纹定位的运算需要将每条mr与相关栅格进行特征匹配，运算量翻倍。例如1000个基站产生10亿条mr，通过匹配相关位置栅格1000个，特征4个，那么运算量将达到10*1000*4＝40000亿次。位置回填运算非常消耗资源，需要投入大量的运算服务器(＞500)，才能满足5g mr的位置回填，存在投入资源过大的问题。


技术实现要素：

3.本发明提供一种5g mr数据合并方法及装置，用以解决指纹定位运算量庞大导致资源投入过大的技术问题。
4.第一方面，本发明提供一种5g mr数据合并方法，包括：
5.根据目标位置的目标5g mr数据，确定目标位置的特征值；
6.将现网采集的5g mr数据与目标位置的特征值进行匹配，并将匹配成功的现网采集的5g mr数据判断为同位置5g mr数据集；
7.将同位置5g mr数据集合并为一条5g mr数据。
8.在一个实施例中，所述根据目标位置的目标5g mr数据，确定所述目标位置的特征值之前，包括：
9.采集目标终端在目标位置的5g mr数据，按占用的小区对所述5g mr数据进行分类，并确定所述目标5g mr数据；
10.其中，所述目标5g mr数据包括：占用的小区，小区mr数据占比，占用各小区的信号接收功率rsrp集合、时间提前量ta集合和到达角aoa集合。
11.在一个实施例中，所述根据目标位置的目标5g mr数据，确定所述目标位置的特征值，包括：
12.根据目标位置的目标5g mr数据，确定所述目标位置的第一特征值和第二特征值；
13.其中，所述第一特征值为mr数据占比特征值；
14.所述第二特征值为mr数据参数变化特征值，所述参数包括：rsrp、ta和aoa。
15.在一个实施例中，所述根据目标位置的目标5g mr数据，确定所述目标位置的第一特征值，包括：
16.根据所述小区mr数据占比由大到小对所述目标5g mr数据进行排序；
17.将排序第n的所述目标5g mr数据的小区mr数据占比作为所述第一特征值；
18.所述排序第n的所述目标5g mr数据的小区mr数据占比小于或等于100％，n为正整数。
19.在一个实施例中，所述根据目标位置的目标5g mr数据，确定所述目标位置的第二
特征值，包括：
20.根据目标位置的目标5g mr数据，确定所述占用各小区的rsrp集合、ta集合和aoa集合的标准差；
21.将每个标准差中的最大值作为所述第二特征值。
22.在一个实施例中，所述将现网采集的5g mr数据与所述目标位置的特征值进行匹配，包括：
23.根据现网采集的5g mr数据，按占用的小区对所述现网采集的5g mr数据进行分类；
24.分类后的5g mr数据包括：占用的小区，小区mr数据占比，占用各小区的rsrp集合、ta集合和aoa集合；
25.在所述分类后的5g mr数据中，存在至少n个小区mr数据占比大于或等于所述第一特征值的情况下，将所述现网采集的5g mr数据标记为第一特征值的同位置数据集；
26.根据所述分类后的5g mr数据，确定所述占用各小区的rsrp集合、ta集合和aoa集合的标准差；
27.在每个标准差的最大值均小于所述第二特征值的情况下，将所述现网采集的5g mr数据标记为第二特征值的同位置数据集。
28.在一个实施例中，所述将匹配成功的所述现网采集的5g mr数据判断为同位置5g mr数据集，包括：
29.将同时标记为所述第一特征值的同位置数据集和所述第二特征值的同位置数据的现网采集到的5g mr数据集，判断为同位置5g mr数据集。
30.第二方面，本发明提供一种5g mr数据合并装置，包括：
31.确定模块，用于根据目标位置的目标5g mr数据，确定所述目标位置的特征值；
32.匹配模块，用于将现网采集的5g mr数据与所述目标位置的特征值进行匹配，并将匹配成功的所述现网采集的5g mr数据判断为同位置5g mr数据集；
33.合并模块，用于将所述同位置5g mr数据集合并为一条5g mr数据。
34.第三方面，本发明提供一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面所述5g mr数据合并方法的步骤。
35.第四方面，本发明提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述5g mr数据合并方法的步骤。
36.本发明提供的5g mr数据合并方法、装置、电子设备及存储介质，通过将现网采集到没有位置的5g mr数据，与目标位置的特征值进行匹配，将匹配满足条件的5g mr数据判断为同位置5g mr数据集，将所有同位置5g mr数据集合并为一条5g mr数据，能够极大减少参与运算的数据量。
附图说明
37.为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些
附图获得其他的附图。
38.图1是本发明提供的5g mr数据合并方法的流程示意图；
39.图2是本发明提供的5g mr数据合并装置的结构示意图；
40.图3是本发明提供的电子设备的结构示意图。
具体实施方式
41.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。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。
42.图1是本发明提供的5g mr数据合并方法的流程示意图。参照图1，本发明提供的5g mr数据合并方法可以包括：
43.s110、根据目标位置的目标5g mr数据，确定目标位置的特征值；
44.s120、将现网采集的5g mr数据与目标位置的特征值进行匹配，并将匹配成功的现网采集的5g mr数据判断为同位置5g mr数据集；
45.s130、将同位置5g mr数据集合并为一条5g mr数据。
46.需要说明的是，本发明提供的5g mr数据合并方法的执行主体可以是电子设备、电子设备中的部件、集成电路、或芯片。该电子设备可以是移动电子设备，也可以为非移动电子设备。示例性的，移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer，umpc)、上网本或者个人数字助理(personal digital assistant，pda)等，非移动电子设备可以为服务器、网络附属存储器(network attached storage，nas)、个人计算机(personal computer，pc)、电视机(television，tv)、柜员机或者自助机等，本发明不作具体限定。
47.具体地，在步骤s110中，根据目标位置的目标5g mr数据，确定目标位置的特征值。通过同一位置的用户的大量5g mr数据，学习得到目标位置的特征值，即可以得到在同一位置下的5g mr数据的特征。
48.也可以理解为根据目标位置的目标5g mr数据，确定目标位置的特征值，即建立一个“同位置特征模型”，“同位置特征模型”可以表征同位置下的5g mr数据的共性。
49.在步骤s120中，将现网采集的5g mr数据与目标位置的特征值进行匹配，并将匹配成功的现网采集的5g mr数据判断为同位置5g mr数据集。通过每5分钟在现网采集一批没有位置的5g mr数据，与目标位置的特征值进行匹配，若匹配成功则表明现网采集到没有位置的5g mr数据，具有同一位置下的5g mr数据的共性，也就是同位置5g mr数据集。
50.也可以理解为，将现网采集到的没有位置的5g mr数据，与“同位置特征模型”进行匹配，匹配成功即现网采集到没有位置的5g mr数据是同位置5g mr数据集。
51.在步骤s130中，将同位置5g mr数据集合并为一条5g mr数据。将匹配满足条件的用户5g mr数据判断为同位置5g mr数据，并将所有5g mr数据汇聚为一条5g mr数据，能够极大减少参与运算的数据量，解决指纹定位运算资源投入过大的问题，极大提高指纹定位的可用性。
52.本发明提供的5g mr数据合并方法，通过将现网采集到没有位置的5g mr数据，与
目标位置的特征值进行匹配，将匹配满足条件的5g mr数据判断为同位置5g mr数据集，将所有同位置5g mr数据集合并为一条5g mr数据，能够极大减少参与运算的数据量。
53.在一个实施例中，根据目标位置的目标5g mr数据，确定目标位置的特征值之前，包括：
54.采集目标终端在目标位置的5g mr数据，按占用的小区对5g mr数据进行分类，并确定目标5g mr数据；
55.其中，目标5g mr数据包括：占用的小区，小区mr数据占比，占用各小区的信号接收功率rsrp集合、时间提前量ta集合和到达角aoa集合。
56.具体地，通过采集同一个位置下的同一用户5g mr数据，得到同位置下的5g mr数据，该数据可以通过采集路测设备定点测试的5g mr数据得到。
57.根据同位置下的5g mr数据，筛选出每条5g mr数据的特征变量。特征变量包括：5g mr数据占用或测量小区，5g mr数据中的rsrp、aoa和ta的数值。并按占用或测量的小区对筛选后的数据进行分类，同时统计小区mr数据占比。小区mr数据占比指的是占用每个小区的5g mr数据在所有5g mr数据中出现的比例，最终得到目标5g mr数据。
58.其中，目标5g mr数据的特征向量包括：向量1：mr占比，向量2：rsrp数值集合，向量3：ta数值集合，向量4：aoa数值集合。
59.例如，通过采集路测设备定点测试的5g mr数据，得到表1，表1为同一个位置下的同一用户的5g mr数据。
60.表1同位置用户的5g mr数据
[0061][0062][0063]
根据表1的数据，筛选出每条5g mr数据的特征变量，按占用或测量小区的对筛选后的数据进行分类，同时统计小区mr数据占比，最终得到目标5g mr数据，如表2所示。
[0064]
表2目标5g mr数据
[0065][0066]
本发明提供的5g mr数据合并方法，通过采集路测设备定点测试的5g mr数据，得到同位置下的5g mr数据，从中筛选出特征变量得到目标5g mr数据，可以使数据更简洁，减少不必要数据带来的额外的影响。
[0067]
在一个实施例中，根据目标位置的目标5g mr数据，确定目标位置的特征值，包括：
[0068]
根据目标位置的目标5g mr数据，确定目标位置的第一特征值和第二特征值；
[0069]
其中，第一特征值为mr数据占比特征值；
[0070]
第二特征值为mr数据参数变化特征值，参数包括：rsrp、ta和aoa。
[0071]
具体地，目标5g mr数据中主要包括四个特征向量，分别为：向量1：mr占比，向量2：rsrp数值集合，向量3：ta数值集合，向量4：aoa数值集合。
[0072]
mr占比是占用每个小区的5g mr数据在所有5g mr数据中出现的比例。
[0073]
rsrp(reference signal receiving power，参考信号接收功率)是lte网络中可以代表无线信号强度的关键参数以及物理层测量需求之一，是在某个符号内承载参考信号的所有re(资源粒子)上接收到的信号功率的平均值。
[0074]
ta(time advance，时间提前量)，通过ta得出信号从手机到达基站，或从基站到达手机的时间，再乘以光速(无线信号传播速度)来估算手机与基站之间的距离。
[0075]
aoa(angle-of-arrival，到达角)，就是利用手机信号传送至基站的入射角度来进一步确定手机在该区域的位置。
[0076]
通过四个特征向量可以得到四个特征值，根据向量1：mr占比得到的特征值为mr数据占比特征值，作为第一特征值；根据向量2：rsrp数值集合，向量3：ta数值集合，向量4：aoa数值集合分别得到的三个特征值为mr数据参数变化特征值，作为第二特征值。
[0077]
也可以理解为，“同位置特征模型”具体包括两个模型，分别为“mr占比匹配模型”和“mr参数变化自学习模型”。
[0078]
本发明提供的5g mr数据合并方法，通过分别根据目标5g mr数据的特征向量得到目标位置的特征值，可以准确得到同位置下的5g mr数据的特征，同时将mr数据占比特征值和mr数据参数变化特征值作为判断的依据，可以提高判断同位置的准确性。
[0079]
在一个实施例中，根据目标位置的目标5g mr数据，确定目标位置的第一特征值，包括：
[0080]
根据小区mr数据占比由大到小对目标5g mr数据进行排序；
[0081]
将排序第n的目标5g mr数据的小区mr数据占比作为第一特征值；
[0082]
排序第n的目标5g mr数据的小区mr数据占比小于或等于100％，n为正整数。
[0083]
具体地，小区mr数据占比表明了同一位置下的5g mr数据占用或测量该小区的概率，同位置下的5g mr数据可同时占用或测量多个小区的信号。根据小区mr数据占比由大到小对目标5g mr数据进行排序，可直观得到同位置下的5g mr数据占用各个小区的概率。将排序第n的目标5g mr数据的小区mr数据占比作为第一特征值。
[0084]
例如，当n＝1时，根据小区mr数据占比由大到小对目标5g mr数据进行排序，将排序第1的目标5g mr数据的小区mr数据占比作为第一特征值，以下面表3的数据为例，排序第1的5g mr数据的mr占比为100％，第一特征值为100％。
[0085]
即通过现网同一位置用户5g mr数据学习得到：同一个位置下，至少有100％的mr数据占用或测量到至少一个小区的信号。
[0086]
当n＝2时，根据小区mr数据占比由大到小对目标5g mr数据进行排序，将排序第2的目标5g mr数据的小区mr数据占比作为第一特征值。
[0087]
对向量1按mr占比由大到小进行排序输出排名前2小区的mr占比最小值，运算公式如下：
[0088][0089]
xmin为排序前2的最小mr占比，b为小区mr比例，最终输出满足条件的排序前2小区的最小mr占比。
[0090]
以下面表3的数据为例，排序第2的5g mr数据的mr占比为99％，第一特征值为99％。
[0091]
即通过现网同一位置用户5g mr数据学习得到：同一个位置下，至少有99％的mr数据占用或测量到至少两个小区的信号。
[0092]
当n＝3时，根据小区mr数据占比由大到小对目标5g mr数据进行排序，将排序第3的目标5g mr数据的小区mr数据占比作为第一特征值。以下面表3的数据为例，排序第3的5g mr数据的mr占比为95％，第一特征值为95％。
[0093]
通过现网同一位置用户5g mr数据学习得到：同一个位置下，至少有95％的mr数据占用或测量到至少三个小区的信号。根据表3的数据，从概率的角度得到，同一个位置下，至少有94％的mr数据占用或测量到至少三个小区的信号。但由于95％＞94％，同样是满足至少有94％的mr数据占用或测量到至少三个小区的信号这个条件的。
[0094]
表3按mr占比大小进行排序的5g mr数据
[0095][0096][0097]
也可以理解为，通过根据小区mr数据占比由大到小对目标5g mr数据进行排序，将排序第n的目标5g mr数据的小区mr数据占比作为第一特征值，构建一个“mr占比匹配模型”，根据“mr占比匹配模型”学习得到(为确保模型的有效性，可以使用尽量多个用户的数据)：同一个位置下，至少有排序第n的mr占比的5g mr数据占用或测量到至少n个小区的信号。
[0098]
本发明提供的5g mr数据合并方法，通过根据小区mr数据占比由大到小对目标5g mr数据进行排序，可直观得到同位置下的5g mr数据占用各个小区的概率，将排序第n的目标5g mr数据的小区mr数据占比作为第一特征值，可以得到同位置下的5g mr数据占用或测量小区的概率。
[0099]
在一个实施例中，根据目标位置的目标5g mr数据，确定目标位置的第二特征值，包括：
[0100]
根据目标位置的目标5g mr数据，确定占用各小区的rsrp集合、ta集合和aoa集合的标准差；
[0101]
将每个标准差中的最大值作为第二特征值。
[0102]
具体地，标准差是离均差平方的算术平均数(即方差)的算术平方根。在概率统计中最常使用作为统计分布程度上的测量依据。标准差能反映组内个体间的离散程度。简单来说，标准差是一组数据平均值分散程度的一种度量。标准差较大，代表大部分数值和其平均值之间差异较大；标准差较小，代表这些数值较接近平均值。根据目标位置的目标5g mr数据，可以计算占用各小区的5g mr数据的rsrp集合、ta集合和aoa集合的标准差，可以反映在同位置下的5g mr数据的各参数的离散程度。
[0103]
例如，基于表2的目标5g mr数据，学习生成向量2～4各参数(rsrp、ta、aoa)的标准差，计算公式如下：
[0104]
[0105]
其中，xi为各参数的实际值(x1、x2、x3
……
xn)，y为各参数实际值的平均值。
[0106]
并汇总每个小区各参数标准差，得到表4。
[0107]
表4目标5g mr数据的标准差
[0108][0109][0110]
根据表4的数据，统计各参数的最大标准差，向量2_rsrp标准差的最大值为2，向量3_ta标准差的最大值为1，向量4_aoa标准差的最大值为1，即得到第二特征值，可以用表5表示。
[0111]
表5目标位置的第二特征值
[0112][0113]
即通过现网同一位置用户的5g mr数据学习得到：同一个位置下，mr各参数的变化中，rsrp的标准差不大于2，ta的标准差不大于1，aoa的标准差不大于1。
[0114]
也可以理解为，通过计算占用各小区的5g mr数据的rsrp集合、ta集合和aoa集合的标准差，可以反映在同位置下的5g mr数据的各参数的离散程度，同时将各个参数的标准差最大值作为第二特征值，构建一个“mr参数变化自学习模型”，根据“mr参数变化自学习模型”学习得到(为确保模型的有效性，可以使用尽量多个用户的数据)：同一个位置下，mr各参数的变化中，rsrp的标准差不大于2，ta的标准差不大于1，aoa的标准差不大于1。
[0115]
本发明提供的5g mr数据合并方法，通过计算占用各小区的5g mr数据的rsrp集合、ta集合和aoa集合的标准差，可以反映在同位置下的5g mr数据的各参数的离散程度，同时将各个参数的标准差最大值作为第二特征值，可以更好地得到同位置下的5g mr数据的变化最大值。
[0116]
在一个实施例中，将现网采集的5g mr数据与目标位置的特征值进行匹配，包括：
[0117]
根据现网采集的5g mr数据，按占用的小区对现网采集的5g mr数据进行分类；
[0118]
分类后的5g mr数据包括：占用的小区，小区mr数据占比，占用各小区的rsrp集合、ta集合和aoa集合；
[0119]
在分类后的5g mr数据中，存在至少n个小区mr数据占比大于或等于第一特征值的情况下，将现网采集的5g mr数据标记为第一特征值的同位置数据集；
[0120]
根据分类后的5g mr数据，确定占用各小区的rsrp集合、ta集合和aoa集合的标准差；
[0121]
在每个标准差的最大值均小于第二特征值的情况下，将现网采集的5g mr数据标记为第二特征值的同位置数据集。
[0122]
具体地，可以按每用户每5分钟抽取5g mr数据集，按占用的小区对现网采集的5g mr数据进行分类，并汇聚特征向量。
[0123]
例如，表6为分类的现网采集的同一用户的5g mr数据。
[0124]
表6分类后现网采集的的同一用户的5g mr数据
[0125][0126]
根据表6的分类后现网采集的的同一用户的5g mr数据，抽取小区mr占比，存在至少n个小区mr数据占比大于或等于第一特征值的情况下，则说明现网采集的5g mr数据，至少占用n个小区的比例大于或等于第一特征值，即将现网采集的5g mr数据标记为第一特征值的同位置数据集。
[0127]
例如，n＝1时，第一特征值为100％，参考表7的数据，存在3个mr占比等于100％，满足存在至少1个小区mr数据占比大于或等于100％的情况，即将现网采集的5g mr数据标记为第一特征值的同位置数据集。
[0128]
当n＝2时，第一特征值为99％，参考表7的数据，存在3个mr占比大于99％，满足存在至少2个小区mr数据占比大于或等于99％的情况，即将现网采集的5g mr数据标记为第一特征值的同位置数据集。
[0129]
当n＝3时，第一特征值为95％，参考表7的数据，存在3个mr占比大于95％，满足存在至少3个小区mr数据占比大于或等于95％的情况，即将现网采集的5g mr数据标记为第一特征值的同位置数据集。
[0130]
表7按mr占比对现网采集数据排序
[0131][0132]
根据表6的分类后现网采集的同一用户的5g mr数据，分别计算各参数的标准差，并取最大值。与第二特征值进行匹配，在现网采集的5g mr数据的三个参数的标准差的最大值均小于第二特征值的情况下，将现网采集的5g mr数据标记为第二特征值的同位置数据集，匹配过程如表8所示。
[0133]
表8第二特征值匹配结果
[0134][0135]
也可以理解为，根据现网5g mr数据，按每用户每5分钟抽取数据集，并汇聚特征向量，抽取各小区mr占比，与“mr占比匹配模型”进行匹配，匹配成功的现网5g mr数据标记为向量1同位置数据集；根据现网5g mr数据，运算各参数的最大标准差，与“mr参数变化自学习模型”进行匹配，对3个参数的标准差值均小于“mr参数变化自学习模型”的标准差，则匹配成功，标记为向量2～4同位置数据集。
[0136]
本发明提供的5g mr数据合并方法，通过将现网采集到没有位置的5g mr数据，与目标位置的第一特征值和第二特征值进行匹配，将匹配满足条件的5g mr数据判断为同位置5g mr数据集，提高匹配的准确性，同时也能更好地判断现网采集到没有位置的5g mr数据是否为同位置5g mr数据集。
[0137]
在一个实施例中，将匹配成功的现网采集的5g mr数据判断为同位置5g mr数据集，包括：
[0138]
将同时标记为第一特征值的同位置数据集和第二特征值的同位置数据的现网采集到的5g mr数据集，判断为同位置5g mr数据集。
[0139]
具体地，现网采集到的5g mr数据集，被标记为第一特征值的同位置数据集，并且
同时被标记第二特征值的同位置数据，最终输出并标记为同位置用户5g mr数据，标记为同位置用户5g mr数据可以合并为一条5g mr数据。
[0140]
例如，表9为合并前的现网采集的5g mr数据，表10为合并后的5g mr数据。
[0141]
表9合并前的现网采集的5g mr数据
[0142][0143]
表10合并后的现网采集的5g mr数据
[0144][0145]
本发明提供的5g mr数据合并方法，通过同位置特征向量匹配识别同位置数据集后进行降量，能够极大减少参与运算的数据量，解决指纹定位运算资源投入过大的问题，极大提高指纹定位的可用性。
[0146]
下面对本发明提供的5g mr数据合并装置进行描述，下文描述的5g mr数据合并装置与第一方面描述的5g mr数据合并方法可相互对应参照。
[0147]
图2为本发明提供的5g mr数据合并装置的结构示意图，如图2所示，该装置可以包括：
[0148]
确定模块210，用于根据目标位置的目标5g mr数据，确定目标位置的特征值；
[0149]
匹配模块220，用于将现网采集的5g mr数据与目标位置的特征值进行匹配，并将匹配成功的现网采集的5g mr数据判断为同位置5g mr数据集；
[0150]
合并模块230，用于将同位置5g mr数据集合并为一条5g mr数据。
[0151]
本发明提供的5g mr数据集合并装置，通过将现网采集到没有位置的5g mr数据，与目标位置的特征值进行匹配，将匹配满足条件的5g mr数据判断为同位置5g mr数据集，将所有同位置5g mr数据集合并为一条5g mr数据，能够极大减少参与运算的数据量。
[0152]
在一个实施例中，根据目标位置的目标5g mr数据，确定目标位置的特征值之前，
包括：
[0153]
采集目标终端在目标位置的5g mr数据，按占用的小区对5g mr数据进行分类，并确定目标5g mr数据；
[0154]
其中，目标5g mr数据包括：占用的小区，小区mr数据占比，占用各小区的信号接收功率rsrp集合、时间提前量ta集合和到达角aoa集合。
[0155]
在一个实施例中，确定模块210具体用于：
[0156]
根据目标位置的目标5g mr数据，确定目标位置的第一特征值和第二特征值；
[0157]
其中，第一特征值为mr数据占比特征值；
[0158]
第二特征值为mr数据参数变化特征值，参数包括：rsrp、ta和aoa。
[0159]
在一个实施例中，确定模块210具体用于：
[0160]
根据小区mr数据占比由大到小对目标5g mr数据进行排序；
[0161]
将排序第n的目标5g mr数据的小区mr数据占比作为第一特征值；
[0162]
排序第n的目标5g mr数据的小区mr数据占比小于或等于100％，n为正整数。
[0163]
在一个实施例中，确定模块210具体用于：
[0164]
根据目标位置的目标5g mr数据，确定占用各小区的rsrp集合、ta集合和aoa集合的标准差；
[0165]
将每个标准差中的最大值作为第二特征值。
[0166]
在一个实施例中，匹配模块220具体用于：
[0167]
根据现网采集的5g mr数据，按占用的小区对现网采集的5g mr数据进行分类；
[0168]
分类后的5g mr数据包括：占用的小区，小区mr数据占比，占用各小区的rsrp集合、ta集合和aoa集合；
[0169]
在分类后的5g mr数据中，存在至少n个小区mr数据占比大于或等于第一特征值的情况下，将现网采集的5g mr数据标记为第一特征值的同位置数据集；
[0170]
根据分类后的5g mr数据，确定占用各小区的rsrp集合、ta集合和aoa集合的标准差；
[0171]
在每个标准差的最大值均小于第二特征值的情况下，将现网采集的5g mr数据标记为第二特征值的同位置数据集。
[0172]
在一个实施例中，匹配模块220具体用于：
[0173]
将同时标记为第一特征值的同位置数据集和第二特征值的同位置数据的现网采集到的5g mr数据集，判断为同位置5g mr数据集。
[0174]
本发明还提供一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面所述5g mr数据合并方法的步骤。
[0175]
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(communication interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的计算机程序，以执行5g mr数据合并方法的步骤，例如包括：
[0176]
根据目标位置的目标5g mr数据，确定目标位置的特征值；
[0177]
将现网采集的5g mr数据与目标位置的特征值进行匹配，并将匹配成功的现网采集的5g mr数据判断为同位置5g mr数据集；
[0178]
将同位置5g mr数据集合并为一条5g mr数据。
[0179]
此外，上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0180]
另一方面，本发明还提供一种计算机程序产品，计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令被计算机执行时，计算机能够执行上述各方法所提供的5g mr数据合并方法的步骤，例如包括：
[0181]
根据目标位置的目标5g mr数据，确定目标位置的特征值；
[0182]
将现网采集的5g mr数据与目标位置的特征值进行匹配，并将匹配成功的现网采集的5g mr数据判断为同位置5g mr数据集；
[0183]
将同位置5g mr数据集合并为一条5g mr数据。
[0184]
另一方面，本技术实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，计算机程序用于使处理器执行上述各实施例提供的5g mr数据合并方法的步骤，例如包括：
[0185]
根据目标位置的目标5g mr数据，确定目标位置的特征值；
[0186]
将现网采集的5g mr数据与目标位置的特征值进行匹配，并将匹配成功的现网采集的5g mr数据判断为同位置5g mr数据集；
[0187]
将同位置5g mr数据集合并为一条5g mr数据。
[0188]
所述处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(mo)等)、光学存储器(例如cd、dvd、bd、hvd等)、以及半导体存储器(例如rom、eprom、eeprom、非易失性存储器(nand flash)、固态硬盘(ssd))等。
[0189]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者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者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0190]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，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)执行各个实施
例或者实施例的某些部分所述的方法。
[0191]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。