基于二维空间与4G MDT的5G覆盖预测算法研究与应用

为解决现有5G网络覆盖评估手段单一、评估准确性低和评估低效的问题,本文提出基于二维空间和4GMDT的5G覆盖预测算法研究与应用。该算法基于无线传播模型,首先建立5G终端理论接收功率模型,进而结合路测数据从距离和方向角实施基于二维空间的修正建模,从而得到基于二维空间和4GMDT的5G覆盖实际测算模型,最后结合栅格化处理,有效输出5G覆盖评估,提高了5G覆盖评估准确性,填补了5G覆盖栅格化评估的技术空白,指导运营商有针对性地开展4G/5G协同优化。     

基于4G MDT的5G覆盖评估方法

5G网络弱覆盖问题较多,需持续展开覆盖评估并定位弱覆盖位置,以针对性展开优化工作.但由于5G现在用户采样点较少,5G网管暂不支持MDT和MR的数据上报,利用现场测试和仿真等手段进行覆盖评估又存在各种缺点,故本文主要提出一种基于4G的MDT数据评估5G覆盖的方法.本方法分析时间周期短、评估结果准确性高、适用性广,既能评估...     

基于MDT数据的地下场景覆盖问题识别系统设计

地下场景覆盖问题的准确识别一直是网络优化难点,围绕精准定位建立评估模型,以用户轨迹惯性特性为基础完成最小化路测(MDT)数据清洗,采用“基于RSSI测距多点定位算法”和“神经元网络定位技术”相结合方式,完成多维数据关联和迭代矫正模型并纳入指纹库,引入栅格化理念,实现栅格内MDT数据智能汇聚,识别地下场景弱覆盖栅格。本设计能够扩充地下室场景覆盖问题识别的手段。     

一种基于MDT数据的5G用户定位方法

现代城市高层建筑、密集建筑越来越多,城市无线传播环境越来越复杂,传统的无线网络优化方式需要深入到高层建筑物室内进行网络测试,通过测试数据分析评估室内网络覆盖质量。目前,基于楼宇真实用户上报的网络测量数据进行网络质量评估是无线优化工作的重要方向和趋势,但精确定位用户所在楼宇是当前楼宇室内覆盖评估工作的重点和难点。提出了一种基于最小化路测技术（Minimization of Drive-Test,MDT）数据的用户定位方法,可有效提升用户所在楼宇定位精准度。该方法通过识别用户所在的常驻小区,使用MDT数据中的精确位置信息获取用户在常驻小区的运动轨迹,并根据运动轨迹判断用户进出楼宇的精确位置点信息,利用位置点聚类算法进行用户常驻楼宇精确定位。     

基于XDR与MDT数据实现VoLTE用户感知问题精准定位研究

在目前4G网络的VoLTE业务中,快速准确识别用户通话感知中的掉话、通话断续、单通等问题,并精准定位问题原因,是非常困难的事情。通过基于移动核心网的端到端XDR话单记录数据,结合无线侧MDT测量数据中的RSRP、RSRQ、SINR以及经纬度数据可实现快速高效的问题识别与问题原因定位,提升VoLTE用户业务感知问题的优化效率。     

基于MDT重叠覆盖度数据的KNN-DBSCAN参数自适应调优研究

传统网络优化中路测工作存在难以全量测试道路及楼宇、测试工作量大、工作效率低、周期长、受人为因素影响等显性缺点,无法动态关注每个区域网络质量情况,且常规测量报告(measurement report,MR)数据不具备定位信息,无法精确定位如重叠覆盖度问题发生位置。基于最小化路测(minimization drive test,MDT)精准定位系统通过采集底层基站MDT数据,并根据重叠覆盖度算法输出高重叠覆盖度栅格,再通过自适应K最近邻-具有噪声的基于密度的聚类方法(K-nearest neighbor density-based spatial clustering of applica-tions with noise,KNN-DBSCAN)联合算法解决了DBSCAN算法对参数设置敏感性问题,并对问题栅格进行非监督聚类,收敛问题连片区域,通过小区采样贡献度进行栅格区域映射,最终达到精准调整全局最高优先级(TOP)小区,降低小区高重叠覆盖度的目的。     

基于管理的Immediate MDT数据源的技术应用研究

随着LTE业务和用户的规模发展,基站数量越来越多,基站开站速度加快,网络环境日趋复杂,网络摸底难度和任务量不断上升,传统路测很难实现实时、全场景覆盖,准确度亟需提升。基于传统的路测方式的局限性,MDT采用在网运行终端进行实时路测上报,不仅节约传统路测的人力和物力,同时可以做到全覆盖和实时监测。本文首先对最小化路测技术的技术背景、算法设计进行分析说明,通过对比最小路测技术、传统路测与目前常用MR数据的异同,突出MDT精准性。然后通过对比验证,给出了MDT路测对比、基于区域的MDT数据对比的验证。最后,选取投诉热点场景,进行MDT实现方案进行实际组网测试,优化网络结构。     

基于多维度数据的5G弱覆盖识别方法研究

传统的5G网络规划一般是基于站点之间的距离,利用工参进行仿真输出规划结果,存在一定的局限性。本研究主要介绍基于5G波束汇聚、5G异系统MR数据、4G MDT数据以及众测数据进行5G弱覆盖识别的方法,并建立了多维度数据的5G弱覆盖算法模型,通过在现网的应用,很好地指导了5G网络精准建设,取得了良好的效果。     

基于SMART数据模式的HDD硬盘状态预测方法

硬盘广泛应用于各类信息系统中,其工作状态预测对信息系统的正常运行管理有着重要意义。现有基于SMART(Self Monitoring Analysis and Reporting Technology)属性的机器学习预测算法为保证其通用性,普遍选取部分典型属性作为特征,带来一定的信息丢失。在分析SMART数据特点的基础上,提出数据模式分类后再进行机器学习预测的SMART数据处理方法。实际测试结果表明,经分类处理后,采用简单的机器学习算法即可获得与强分类器接近的性能,同时,该方法可有效简化SMART数据机器学习时的特征选择过程,有效降低算法的资源消耗。     

面向不确定残缺数据的大学生成绩预测方法

大学生在课程规划方面有很高的自由度,这使得成绩数据较不规整,研究者很难对学生的前序课程成绩进行有效分析、利用。已有的成绩预测方法普遍未考虑学生前序课程成绩残缺的现象,从而导致预测准确性不佳。提出一种基于K近邻局部最优重建的残缺数据插补方法,该方法能够有效抑制前序课程成绩缺失对预测模型精度的影响。实验表明,该方法的补全效果优于已有的均值插补、GMM插补等方法,结合随机森林模型实现了有效的成绩预测,为学生成绩管理、就业能力预警提供了客观的参考。     

短波覆盖预测方法研究

本文针对电离层对短波传播的作用、短波在电离层中传播的特性以及影响短波传播的主要参数等进行了分析,阐述了短波传播预测方法,包括ITU-R P.533模型和电路传播预测中基本参数的选择等,最后简单介绍了几种常见的短波传播预测软件.     

一种基于深度学习的数据预测方法

随着深度学习的发展,基于深度学习的数据预测将发挥至关重要的作用。准确的数据预测结果不仅对系统的调度运行和生产有很大影响,而且有助于提高系统的稳定性和安全性。但在进行多变量时序预测时,传统时间序列方法所预测出的结果误差较大,训练时间也较长。针对以上缺陷,本文使用一种基于深度学习神经网络的多变量时序数据预测方法,该方法基于长短期记忆(LSTM)神经网络,并使用该方法对某地电力负荷值进行预测。通过实验证明本文所提出的方法预测结果较为精准。     

基于MDT大数据RSRQ字段的网络质量分析研究与应用

文章通过对RSRQ与SINR关系研究,结合大量路测数据统计,挖掘RSRQ在无线网络优化中应用的可行性.通过对MDT大数据RSRQ字段信息应用,快速精准判断无线网络质差区域,具有高效率、高精准度、高渗透率、低成本等优点,是无线网络优化应用中重大突破.     

一种基于最小化路测（MDT）的天馈智能优化方法

随着4G网络规模的迅猛发展,网络优化问题日趋复杂.本文提出一种基于最小化路测(MDT)数据的天馈智能优化方法,用以提升网络优化工作效率,降低优化成本.     

基于MDT的3D-MIMO天线权值优化方法研究与应用

本文提出了一种基于MDT大数据优化3D-MIMO天线权值的方法,使得话务热点集中于3D-MIMO天线法线方向,有效改善热点区域用户感知,使3D-MIMO小区尽量吸收更多话务,实现了3D-MIMO投资收益最大化,并为后续面向5G的3D-MIMO大规模建设及优化提供有效依据。     

基于遥测数据的在轨卫星性能预测方法研究

在轨卫星遥测数据的趋势变化能够直接体现卫星的状态和变化,根据遥测数据的变化可以对在轨卫星关键器件的性能和趋势进行预测。首先根据遥测数据特征采用基于X-11的数据分解算法,对选取变量进行分解,再利用多项式拟合、非参数回归、ARMA模型、BP神经网络等方法对分解后的数据进行预测分析,并且对方法的流程和精度进行分析,最后评估衰减因子。针对某在轨卫星温度参数的预测实验,结果证明,提出的预测方法平均相对误差小于8%,能有效地对在轨卫星遥测数据的性能趋势进行预测,为在轨卫星状态监控、健康管理与故障分析等应用服务提供技术保证,具有极其重要的实用价值。     

基于MDT技术的网络综合分析方法研究与应用

日常无线网络优化与热点投诉处理等工作往往需要现场频繁测试,本文采用基于MDT数据的综合分析方法,无需现场实地测试即可全面地可视化展现问题,快速发现无线网络的覆盖与容量问题,更加精准的实现网络问题定位,高效地进行投诉分析和优化处理,从而降低网络运营和维护成本。     

基于卫星数据和深度学习方法预测京津冀地区地表 NO2浓度

二氧化氮 (NO2) 对人类健康和气候变化有着诸多负面影响, 随着中国城镇化和工业化进程加速, NO2污染成 为人们日益关注的问题。相关研究表明传统的单个站点监测结果只能代表数平方公里内的污染物水平, 无法提供大 尺度的污染物分布信息。相比于站点监测, 卫星遥感可以提供大尺度且时空连续的数据, 为研究大气污染提供了新 的角度。基于哨兵5P卫星的NO2柱浓度数据和气象、人口密度等其他辅助数据, 构建了对地表NO2进行预测的深度神 经网络 (DNN) 模型。并使用两种交叉验证方法对该模型进行验证。在基于样本的验证中, 模型的决定系数 R2、均方 根误差 (RMSE) 和平均预测误差 (MAE) 分别为0.80、7.72 μg/m3和 5.31 μg/m3;在基于站点的验证中, 模型的R2、RMSE 和MAE分别为 0.74、8.95 μg/m3和6.01 μg/m3, 两种验证结果都表明DNN模型具有较好的整体预测能力和空间泛化 性。此外, 与经典的地学统计和机器学习算法对比结果表明DNN预测性能优于其它方法。最后用训练好的模型获得 了京津冀地区 0.1° 的NO2分布图。