一种LTE网络覆盖分析、预测方法及系统与流程

本发明涉及无线通信，尤其涉及一种lte网络覆盖分析、预测方法及系统。

背景技术：

1、无线通信领域是研究和开发无线通信技术的领域，涵盖了广泛的无线通信系统，如移动通信(如lte、5g)、卫星通信、无线传感器网络等。这个领域关注如何有效地设计、优化和管理无线通信网络，以满足不断增长的通信需求。

2、其中，lte网络覆盖分析、预测方法是指针对lte(long-term evolution)无线通信网络的技术，其目的是分析和预测lte网络的覆盖范围和性能。主要目标包括评估网络覆盖状况、性能指标和预测未来的网络需求，为网络规划和优化提供决策支持。为了实现这些目标，lte网络覆盖分析和预测方法采用数据收集与分析、仿真模拟、地理信息系统和优化算法等手段。通过这些手段，能够获取实时的网络数据，并进行性能分析和规划，以优化lte网络的覆盖质量和性能，以满足用户的通信需求和不断增长的数据流量。

3、现有的lte网络覆盖分析、预测方法通常基于静态的网络参数和历史数据进行预测，这样无法有效处理用户需求的动态变化和网络环境的实时变化。此外，现有方法往往忽视用户反馈数据，这使得预测结果可能不能完全符合用户的实际需求。再者，现有方法中的参数优化通常需要人工参与，效率相对较低，且优化结果可能受限于人的经验和认知，不够全面和精确。

技术实现思路

1、本发明的目的是解决现有技术中存在的缺点，而提出的一种lte网络覆盖分析、预测方法及系统。

2、为了实现上述目的，本发明采用了如下技术方案：一种lte网络覆盖分析、预测方法，包括以下步骤：

3、s1：采用数据挖掘方法，收集并融合实测数据、网络性能数据和用户反馈数据，形成综合性数据源，得到综合网络数据集；

4、s2：基于所述综合网络数据集，采用卷积神经网络，自动学习和调整网络参数，识别网络的关键特征，产生初步优化参数模型；

5、s3：根据所述初步优化参数模型，运用深度q网络，动态微调天线配置、功率分配和信道分配参数，得出自适应网络配置参数集；

6、s4：依据所述自适应网络配置参数集，利用支持向量机技术，根据历史数据和学习模型，进行覆盖质量预测以及潜在问题区域的识别，得到覆盖质量预测与问题区域图；

7、s5：基于所述覆盖质量预测与问题区域图，采用遗传算法进行优化，自适应调整信号传输功率和资源分配策略，生成最优网络覆盖配置策略；

8、s6：依据所述最优网络覆盖配置策略，应用深度强化学习算法，实时感知网络状态和用户需求，实现频谱资源的动态分配，完成动态频谱资源分配方案。

9、作为本发明的进一步方案，采用数据挖掘方法，收集并融合实测数据、网络性能数据和用户反馈数据，形成综合性数据源，得到综合网络数据集的步骤具体为：

10、s101：基于网络爬虫技术，收集公开数据，生成初步实测数据集；

11、s102：基于所述初步实测数据集，使用数据标准化处理，得到标准化数据，生成清洗后的实测数据集；

12、s103：基于数据库查询技术，收集网络性能数据，生成网络性能数据集；

13、s104：基于所述清洗后的实测数据集和网络性能数据集，使用情感分析，提取用户反馈数据，生成价值用户反馈数据集；

14、s105：结合所述清洗后的实测数据集、网络性能数据集和价值用户反馈数据集，采用数据融合技术，生成综合网络数据集。

15、作为本发明的进一步方案，基于综合网络数据集，采用卷积神经网络，自动学习和调整网络参数，识别网络的关键特征，产生初步优化参数模型的步骤具体为：

16、s201：基于所述综合网络数据集，应用卷积层设计构建模型，得到初步的cnn模型；

17、s202：基于所述初步的cnn模型，使用随机梯度下降法，进行模型训练，产生训练后的cnn模型；

18、s203：采用所述训练后的cnn模型，运用特征提取技术，获取网络特征，建立关键网络特征集；

19、s204：结合所述关键网络特征集，进行模型参数优化，产生初步优化参数模型。

20、作为本发明的进一步方案，根据初步优化参数模型，运用深度q网络，动态微调天线配置、功率分配和信道分配参数，得出自适应网络配置参数集的步骤具体为：

21、s301：基于所述初步优化参数模型，应用q网络设计，构建模型，得到初步的dqn模型；

22、s302：采用所述初步的dqn模型，运用强化学习技术，进行模型训练，产生训练后的dqn模型；

23、s303：基于所述训练后的dqn模型，微调天线配置参数，得到最优天线配置参数集；

24、s304：结合所述最优天线配置参数集和训练后的dqn模型，调整功率和信道分配，得出自适应网络配置参数集。

25、作为本发明的进一步方案，依据自适应网络配置参数集，利用支持向量机技术，根据历史数据和学习模型，进行覆盖质量预测以及潜在问题区域的识别，得到覆盖质量预测与问题区域图的步骤具体为：

26、s401：基于所述自适应网络配置参数集，采用数据预处理方法，整理数据集，得到预处理后的网络配置数据集；

27、s402：基于所述预处理后的网络配置数据集，运用支持向量机算法，建立覆盖质量预测模型，生成初步覆盖质量预测模型；

28、s403：利用所述初步覆盖质量预测模型，并采用交叉验证法，对模型进行验证与优化，生成优化后的覆盖质量预测模型；

29、s404：应用所述优化后的覆盖质量预测模型，进行覆盖质量的预测与潜在问题区域的识别，得到覆盖质量预测与问题区域图。

30、作为本发明的进一步方案，基于覆盖质量预测与问题区域图，采用遗传算法进行优化，自适应调整信号传输功率和资源分配策略，生成最优网络覆盖配置策略的步骤具体为：

31、s501：基于所述覆盖质量预测与问题区域图，采用目标函数构建方法，构建优化目标，得到网络覆盖优化目标函数；

32、s502：应用所述网络覆盖优化目标函数，运用遗传算法，搜索最优解，生成初步网络覆盖配置解集；

33、s503：基于所述初步网络覆盖配置解集，进行解的评估与筛选，得到优选网络覆盖配置解集；

34、s504：利用所述优选网络覆盖配置解集，采用参数调整技术，对网络覆盖进行优化，生成最优网络覆盖配置策略。

35、作为本发明的进一步方案，依据最优网络覆盖配置策略，应用深度强化学习算法，实时感知网络状态和用户需求，实现频谱资源的动态分配，完成动态频谱资源分配方案的步骤具体为：

36、s601：基于所述最优网络覆盖配置策略，应用环境建模方法，构建深度强化学习环境，得到深度强化学习环境模型；

37、s602：采用所述深度强化学习环境模型，利用深度q网络算法，构建学习模型，生成初步的深度强化学习模型；

38、s603：利用所述初步的深度强化学习模型，进行模型的训练与优化，得到优化后的深度强化学习模型；

39、s604：基于所述优化后的深度强化学习模型，实时感知网络状态与用户需求，动态分配频谱资源，完成动态频谱资源分配方案。

40、一种lte网络覆盖分析、预测系统用于执行上述lte网络覆盖分析、预测方法，所述lte网络覆盖分析、预测系统包括数据采集模块、参数优化模型构建模块、网络配置参数调整模块、质量预测与问题识别模块、网络覆盖优化与资源分配模块。

41、作为本发明的进一步方案，所述数据采集模块基于网络爬虫技术，采用数据预处理方法生成清洗后的实测数据集，利用数据库查询技术和情感分析，整合数据集，生成综合网络数据集；

42、所述参数优化模型构建模块基于综合网络数据集，采用卷积神经网络算法，对网络特征进行自动学习，建立初步优化参数模型；

43、所述网络配置参数调整模块基于初步优化参数模型，利用深度q网络，进行天线和信道的动态配置，生成自适应网络配置参数集；

44、所述质量预测与问题识别模块基于自适应网络配置参数集，采用支持向量机算法，预测覆盖质量并识别潜在问题区域，得到覆盖质量预测与问题区域图；

45、所述网络覆盖优化与资源分配模块基于覆盖质量预测与问题区域图，使用遗传算法进行网络优化，结合深度强化学习算法，实现动态的频谱资源分配，完成动态频谱资源分配方案。

46、作为本发明的进一步方案，所述数据采集模块包括网络爬虫子模块、第一数据预处理子模块、数据库查询子模块、情感分析子模块、数据融合子模块；

47、所述参数优化模型构建模块包括cnn模型构建子模块、第一模型训练子模块、特征提取子模块、关键网络特征集建立子模块、模型参数优化子模块；

48、所述网络配置参数调整模块包括dqn模型构建子模块、第二模型训练子模块、天线配置微调子模块、功率分配子模块、信道分配子模块；

49、所述质量预测与问题识别模块包括第二数据预处理子模块、覆盖质量预测模型建立子模块、模型验证与优化子模块、覆盖质量预测与问题识别子模块；

50、所述网络覆盖优化与资源分配模块包括优化目标构建子模块、遗传算法搜索最优解子模块、网络覆盖优化子模块、参数调整子模块、频谱资源动态分配子模块。

51、与现有技术相比，本发明的优点和积极效果在于：

52、本发明中，通过采集和融合各类实测数据、网络性能数据和用户反馈数据，大幅度增强了数据的多元性和丰富性，为更全面准确的覆盖分析和预测提供了实证基础。运用卷积神经网络和深度q网络，可以自动学习和优化网络参数，显著提高了网络优化的效率和准确性。利用支持向量机的技术，根据历史数据进行覆盖质量预测，确保了预测结果的精准率，有助于及时识别并解决潜在的问题。结合深度强化学习算法和遗传算法，实时动态地进行资源分配和覆盖配置，以适应用户需求的变化，提高网络质量。