[发明专利]预测地铁通信网络SINR的方法和装置

说明书

本公开公开了一种预测地铁通信网络SINR的方法和装置，涉及移动通信网络数据分析技术领域。该方法包括：基于样本地铁通信网络测试数据建立并训练机器学习模型，得到SINR预测模型，其中，样本地铁通信网络测试数据中包括样本MR数据和样本MR数据对应的样本SINR数据；基于SINR预测模型，根据地铁基站的MR数据预测对应的SINR数据。本公开能够实现SINR数据的预测。另外，本公开还能够实现地铁用户的有效识别，以及MR数据的地理化呈现。

技术领域

本公开涉及移动通信网络数据分析技术领域，尤其涉及一种预测地铁通信网络SINR的方法和装置。

背景技术

随着移动通信网络的发展，用户对网络质量和业务感知的要求越来越高。在发达的现代地下交通网成为日常生活不可或缺的时代，地铁网络质量和用户感知的保障逐渐成为室内地下场景中移动网络深度覆盖优化的重点之一。

传统LTE网络路测数据采集的方式为，通过地铁路测完成LTE网络RSRP(ReferenceSignal Receiving Power，参考信号接收功率)和SINR(Signal to Interference plusNoise Ratio，信号与干扰加噪声比)等覆盖率相关重要指标的获取和分析。不仅成本投入高，优化周期长，而且无法实时有效的反映目标场景、目标用户群体的业务质量和感知水平；同时室内场景下，数据采集常为手动打点，地理位置获取不便且不准确，已经不具备用于准实时、地理化业务分析的条件。

现有LTE网络技术中常用MR(Measurement Report，LTE终端上报的测量报告)或MDT(Minimization of Drive Tests，是3GPP在LTE系统中引入的通过网络配置对普通用户/商用终端进行测量数据采集、上报的自动化路测技术)数据作为地理化网络覆盖分析的数据源。

但目前LTE网络的MR/MDT信息中不含体现网络质量的重要指标SINR值，无法全面客观评估实际网络信号质量。

发明内容

本公开要解决的一个技术问题是，提供一种预测地铁通信网络SINR的方法和装置，能够实现SINR数据的预测。

根据本公开一方面，提出一种预测地铁通信网络SINR的方法，包括：基于样本地铁通信网络测试数据建立并训练机器学习模型，得到SINR预测模型，其中，样本地铁通信网络测试数据中包括样本测量报告MR数据和样本MR数据对应的样本SINR数据；基于SINR预测模型，根据地铁基站的MR数据预测对应的SINR数据。

在一个实施例中，根据MR数据中的关键字段对地铁基站的MR数据进行分组；基于MR数据中的时间戳信息，将每组内MR数据中的相邻两次上报时间的差值小于等于时间阈值的MR数据作为同一地铁用户的数据，以便对MR数据设置用户标识。

在一个实施例中，判断属于同一地铁用户的MR数据对应的服务小区的个数是否大于小区个数阈值，若大于，则确定该地铁用户为有效地铁用户，以便基于有效地铁用户的MR数据预测对应的SINR数据。

在一个实施例中，根据有效地铁用户的MR数据中的时间戳信息、占用服务小区信息和地铁双向隧道小区集合确定有效地铁用户所在地铁线路以及移动方向；根据有效地铁用户的MR数据中的时间戳信息、小区驻留时长、有效地铁用户移动方向和地铁双向隧道小区集合中服务小区的覆盖范围，确定有效地铁用户的MR数据的经纬度信息。

在一个实施例中，根据地铁双向隧道轨迹校正有效地铁用户的MR数据的经纬度信息。

在一个实施例中，确定有效地铁用户所在地铁线路以及移动方向包括：基于地铁双向隧道小区集合，根据有效地铁用户的MR数据中的时间戳信息和占用服务小区信息，确定有效地铁用户所在地铁线路号，以及有效地铁用户的MR数据对应的初始服务小区和最后服务小区的排序编号；若有效地铁用户在初始时刻所在地铁线路号与最后时刻所在地铁线路号相同，则根据初始服务小区和最后服务小区的排序编号确定有效地铁用户的移动方向。