一种天线下倾角的预测方法、装置及设备与流程

1.本发明涉及通信技术领域，特别是指一种天线下倾角的预测方法、装置及设备。


背景技术：

2.基站工程参数包括经纬度、天线挂高、方位角、下倾角、发射功率等多个维度。其中，天线的下倾角是决定其覆盖范围的重要参数。
3.在日常的网络维护中，由于自然原因造成的天馈松动、工程原因导致的误调整或者维护人员调整后未录入系统，从而使得工参下倾角与实际下倾角不符，为网络优化带来隐患，导致扇区的覆盖范围变化，网络质量下降，用户体验变差。因此，有必要进行天线下倾角的核查。
4.目前，维护工参的方法主要通过工程师利用gps、天资仪等工具到基站处实地测量经纬度、高度、方位角、下倾角等信息，或者是通过无人机巡检拍照等获得相关参数。但是，在无法发现问题的情况下，遍历式地测量，存在效率低且人力消耗大的问题。


技术实现要素：

5.本发明的目的是提供一种天线下倾角的预测方法、装置及设备，解决了现有天线下倾角的测量方式效率低的问题。
6.为达到上述目的，本发明的实施例提供一种天线下倾角的预测方法包括：
7.获取待测小区对应目标下倾角下的第一测量报告集合；其中，每个所述测量报告中包括待测小区时间提前量(time advance，简称ta)值；所述目标下倾角为工参中的记录值；
8.对所述待测小区对应目标下倾角下的ta值集合进行分段处理，获得第一数据集；所述第一数据集包括：处于每个ta分段中的测量报告数量占所述第一测量报告集合中的测量报告总数量的比例；
9.将待测天线的特征数据和所述第一数据集输入至下倾角预测模型，得到下倾角预测值。
10.可选地，所述待测天线的特征数据包括以下至少一项：所述目标下倾角、天线挂高、1ta对应的传播距离tas、应用场景片区类型。
11.可选地，所述下倾角预测模型是通过以下方式训练得到的：
12.获取每个样本小区对应每个下倾角下的第二测量报告样本集合；其中，每个所述测量报告样本中包括小区时间提前量ta值；
13.对每个样本小区对应每个下倾角下的ta值样本集进行分段处理，获得第二数据集；所述第二数据集包括：处于每个ta分段中的测量报告样本数量占所述第二测量报告样本集中的测量报告样本总数量的比例；
14.根据天线的特征数据和n个样本小区的所述第二数据集进行模型训练，获得所述下倾角预测模型。
15.可选地，所述根据天线的特征数据和n个样本小区的所述第二数据集进行模型训练，获得所述下倾角预测模型，包括：
16.将每个下倾角进行归一化处理，获得每个下倾角对应的处理值；
17.将天线挂高与tas的比值和所述第二数据集作为特征数据，将所述处理值作为标签数据，进行模型训练，获得所述下倾角预测模型。
18.可选地，所述对所述待测小区对应目标下倾角下的ta值集合进行分段处理，获得第一数据集，包括：
19.将待测小区对应目标下倾角下的ta值集合划分为k个ta分段；并计算第一子数据集；其中，所述第一子数据集为所述k个ta分段中处于每个ta分段中的测量报告数量占所述第一测量报告集合中的测量报告总数量的比例；k与下倾角取值范围有关；
20.将待测小区对应目标下倾角下的ta值集划分为m个ta分段；并计算第二子数据集；其中，所述第二子数据集为所述m个ta分段中处于每个ta分段中的测量报告数量占所述第一测量报告集合中的测量报告总数量的比例；m为预设值；
21.将所述第一子数据集和所述第二子数据集，作为所述第一数据集。
22.可选地，k为g的四舍五入取整值，g＝θ
max-θ
min
+1；其中，θ
max
为下倾角取值范围的最大值，θ
min
为下倾角取值范围的最小值。
23.可选地，所述将待测小区对应目标下倾角下的ta值集合划分为m个ta分段，包括：
24.按照ta值越小ta分段越细的原则，将待测小区对应目标下倾角下的ta值集划分为m个ta分段。
25.为达到上述目的，本发明的实施例提供一种天线下倾角的预测装置，包括：
26.数据采集模块，用于获取待测小区对应目标下倾角下的第一测量报告集合；其中，每个所述测量报告中包括待测小区时间提前量ta值；所述目标下倾角为工参中的记录值；
27.第一处理模块，用于对所述待测小区对应目标下倾角下的ta值集合进行分段处理，获得第一数据集；所述第一数据集包括：处于每个ta分段中的测量报告数量占所述第一测量报告集合中的测量报告总数量的比例；
28.第二处理模块，用于将待测天线的特征数据和所述第一数据集输入至下倾角预测模型，得到下倾角预测值。
29.为达到上述目的，本发明的实施例提供一种天线下倾角的预测设备，包括：收发机和处理器；
30.所述收发机用于获取待测小区对应目标下倾角下的第一测量报告集合；其中，每个所述测量报告中包括待测小区时间提前量ta值；所述目标下倾角为工参中的记录值；
31.所述处理器用于对所述待测小区对应目标下倾角下的ta值集合进行分段处理，获得第一数据集；所述第一数据集包括：处于每个ta分段中的测量报告数量占所述第一测量报告集合中的测量报告总数量的比例；将待测天线的特征数据和所述第一数据集输入至下倾角预测模型，得到下倾角预测值。
32.为达到上述目的，本发明的实施例提供一种天线下倾角的预测设备，包括收发器、处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令；所述处理器执行所程序或指令时实现如上所述的天线下倾角的预测方法。
33.为达到上述目的，本发明的实施例提供一种可读存储介质，其上存储有程序或指
令，所述程序或指令被处理器执行时实现如上所述的天线下倾角的预测方法中的步骤。
34.本发明的上述技术方案的有益效果如下：
35.本发明实施例的方法，通过获取待测小区对应目标下倾角下的第一测量报告集合；其中，每个所述测量报告中包括待测小区时间提前量ta值；所述目标下倾角为工参中的记录值；进一步地，对所述待测小区对应目标下倾角下的ta值集合进行分段处理，获得第一数据集；所述第一数据集包括：处于每个ta分段中的测量报告数量占所述第一测量报告集合中的测量报告总数量的比例；最后，将待测天线的特征数据和所述第一数据集输入至下倾角预测模型，得到下倾角预测值。本技术实施例，能够提高天线工参下倾角的测量效率，而且由于不同下倾角对应的传播距离不同，传播距离与ta值又具有一定的对应关系，因此通过将待测小区对应的ta值进行分段处理，能够通过下倾角预测模型确定出由于下倾角导致的ta值差异，从而得到更准确的下倾角预测值。
附图说明
36.图1为本发明实施例的天线下倾角的预测方法的流程图；
37.图2为本发明实施例的天线下倾角预测模型的训练过程示意图；
38.图3为本发明实施例的天线下倾角的示意图；
39.图4为本发明实施例的天线下倾角的预测装置的结构图；
40.图5为本发明实施例的天线下倾角的预测设备的结构图；
41.图6为本发明另一实施例的天线下倾角的预测设备的结构图。
具体实施方式
42.为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
43.应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
44.在本发明的各种实施例中，应理解，下述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
45.如图1所示，本发明实施例的一种天线下倾角的预测方法，包括以下步骤：
46.步骤101，获取待测小区对应目标下倾角下的第一测量报告集合；其中，每个所述测量报告中包括待测小区时间提前量ta值；所述目标下倾角为工参中的记录值；
47.该步骤中，目标下倾角为工程参数中记录的机械下倾角；测量报告(measurement report，简称mr)为待测小区内的用户设备发送给基站的，其中，测量报告包括以下至少一项：小区id、下倾角、时间戳、时间提前量(time advance，简称ta)值；ta值一般用于终端上行传输，指为了将终端上行数据包在希望的时间到达基站，预估由于距离引起的射频传输时延，提前相应时间发出数据包。
48.需要指出，第一测量报告集合包括多条mr，如小区id＝“1234567”，下倾角＝5
°
时，
总共有10000条mr。
49.步骤102，对所述待测小区对应目标下倾角下的ta值集合进行分段处理，获得第一数据集；所述第一数据集包括：处于每个ta分段中的测量报告数量占所述第一测量报告集中的测量报告总数量的比例；
50.示例性的，小区id＝“1234567”，下倾角＝5
°
时，总共有10000条mr，则小区id＝“1234567”，下倾角＝5
°
时，第一测量报告集中的测量报告总数量为10000，若处于第1ta分段中测量报告数量为110，则第1个ta分段对应的测量报告比例为110/10000＝1.1％，同理可计算出第2个ta分段至第n个ta分段的的测量报告比例。
51.该步骤中，可以基于不同的分段规则，对ta值集合进行分段处理，以使不同的ta分段之间进行互相校正。
52.步骤103，将待测天线的特征数据和所述第一数据集输入至下倾角预测模型，得到下倾角预测值。
53.其中，待测天线的特征数据包括以下至少一项：所述目标下倾角、天线挂高、1ta对应的传播距离tas、应用场景片区类型。
54.这里，应用场景片区类型可包括以下其中之一：密集城区、农村、山区等。
55.需要指出的是，电磁波在1ta的时间传播的距离为1tas，根据不同的子载波间隔配置，1ta的大小会有不同；如，一般4g中1tas＝78m，5g典型配置中，1tas＝39m。
56.需要指出的是，由于不同下倾角时对应的传播距离不同，而传播距离与ta和站高h有一定的对应关系，同时传播距离与ta值也具有对应关系。因此，通过将ta进行分段，能够使下倾角预测模型确定出由于下倾角导致的ta值差异，即确定出下倾角与ta值之间的本质特征，从而能够得到下倾角预测值更准确。
57.上述实施例中，通过获取待测小区对应目标下倾角下的ta值集合，并将ta值集合进行分段处理，得到第一数据集，进一步基于第一数据集和天线的特征数据，以及训练好的下倾角预测模型，即可快速获得下倾角预测值，提高了天线下倾角的测量效率，而且通过将ta值进行分段处理，能够更准确地对天线工程参数下倾角进行预测。
58.在一实施例中，如图2所示，下倾角预测模型的训练过程包括：
59.步骤201，获取每个样本小区对应每个下倾角下的第二测量报告样本集合；其中，每个所述测量报告样本中包括小区时间提前量ta值；
60.该步骤中，每个下倾角均是在下倾角可能的合理取值范围内[θ
min
,θ
max
]，以1度的步长遍历调整后得到的，如下倾角可以为：θ
max
，θ
max-1，
……
，θ
min
+1，θ
min
。
[0061]
具体地，选取多种场景(如密集城区、农村、山区等)内的小区作为采集数据的样本小区；
[0062]
示例性地，在获取第二测量报告样本集合时，在[θ
min
,θ
max
]内，以1度的步长遍历调整下倾角，并保持一定的时长，采集每度下倾角时，对应的mr样本。每个mr样本中至少包括小区id、时间戳、ta值等信息。于是，针对每个小区，在对应一个下倾角时，可形成数条mr数据记录：[小区id、tilt、时间戳、ta值]，其中，tilt指调整的下倾角度数。
[0063]
步骤202，对每个样本小区对应每个下倾角下的ta值样本集进行分段处理，获得第二数据集；所述第二数据集包括：处于每个ta分段中的测量报告样本数量占所述第二测量报告样本集中的测量报告样本总数量的比例；
[0064]
示例性的，小区id＝“1234567”，下倾角＝5
°
时，总共有10000条mr样本，则小区id＝“1234567”，下倾角＝5
°
时，第二测量报告样本集中的测量报告样本总数量为10000。
[0065]
该步骤中，作为一种实现方式，可基于两种分段规则，对ta值样本集进行分段处理，得到第一ta分段样点分布和第二ta分段样点分布；其中，一种分段规则与下倾角的取值范围相关，一种分段规则为预配置。
[0066]
示例性地，第二ta分段样点分布的获取方式包括：
[0067]
将每个小区对应每个下倾角下的ta值样本集划分为k个ta分段；并计算第一样本数据集；其中，所述第一样本数据集为所述k个ta分段中处于每个ta分段中的测量报告样本数量占所述第二测量报告样本集合中的测量报告样本总数量的比例；k与下倾角取值范围有关；
[0068]
如，k为g的四舍五入取整值，g＝θ
max-θ
min
+1；其中，θ
max
为下倾角取值范围的最大值，θ
min
为下倾角取值范围的最小值。将mr样本划分为k段，分别为[0,h/tas/sin(θ
max
)]，(h/tas/sin(θ
max
)，h/tas/sin(θ
max-1)]，...，(h/tas/sin(θi)h/tas/sin(θ
i-1)]，
…
，(h/tas/sin(θ
min
),+∞)。
[0069]
需要指出的是，天线波束在三维的每个角度上都有对应的天线增益，选取最大增益的3db范围，可计算出波束主瓣，主要参数有水平波宽、垂直波宽等。图3中的扇形阴影表示天线波束垂直面的切面，扇形的角度即为波束的垂直波。扇形的角平分线与水平面的夹角与下倾角相同，半波宽角度为v/2。因此，图3中α1＝θ-v/2，α2＝θ+v/2。具体的，图3中的v为垂直波宽，l为传播距离，θ为天线下倾角，h为天线挂高，r为天线的理论覆盖半径。如图3可知，l＝h/sinα1，而α1+v/2＝θ，故h/sinθ与l具有固定关系，因此，h/tas/sinθ≈l/tas，即h/tas/sinθ可估算对应下倾角下的ta数量。
[0070]
示例性地，第二ta分段样点分布的获取方式包括：
[0071]
将每个小区对应每个下倾角下的ta值样本集划分为m个ta分段；并计算第二样本数据集；其中，所述第二子数据集为所述m个ta分段中处于每个ta分段中的测量报告样本数量占所述第二测量报告样本集合中的测量报告样本总数量的比例；m为预设值；
[0072]
具体的，按照ta值越小ta分段越细的原则，将每个小区对应每个下倾角下的ta值样本集划分为m个ta分段。如，划分为10段，可考虑[0,2]，[3,4]，[5,6]，[7,8]，[9,12]，[13,16]，[17,21]，[21,30]，[31,40]，[41,+∞)。
[0073]
最后，将所述第一样本数据集和所述第二样本数据集，作为所述第二数据集。
[0074]
需要指出的是，基于ta分段对下倾角预测模型进行训练，能够建立下倾角与ta值之间的特征关系，从而通过下倾角预测模型更准确地对下倾角进行预测。
[0075]
步骤203，根据天线的特征数据和n个样本小区的所述第一数据集进行模型训练，获得所述下倾角预测模型。
[0076]
具体的，步骤203包括：
[0077]
将每个下倾角进行归一化处理，获得每个下倾角对应的处理值；
[0078]
将天线挂高与tas的比值和所述第一数据集作为特征数据，将所述处理值作为标签数据，进行模型训练，获得所述下倾角预测模型。
[0079]
其中，天线的特征数据包括以下至少一项：所述目标下倾角、天线挂高、1ta对应的传播距离tas、应用场景片区类型。
[0080]
示例性的，归一化处理的方式为：通过公式tilt/γ，得到normal_tilt，其中，tilt为调整的下倾角，γ为可能出现的最大下倾角，normal_tilt为下倾角对应的处理值；
[0081]
需要指出的是，天线挂高h与tas的比值能够反映天线挂高h与ta的对应关系。
[0082]
示例性地，使用xgboost或神经网络为模型进行模型训练。如以神经网络为模型，则搭建普通的dnn，输入为n个小区的以下数据：天线挂高与tas的比值和第一数据集，其中，节点数与特征数相同，输出为单节点，将normal_tilt的预测值表示为normal_tilt_pred；进一步地，cost function可以用正则化的mse，即通过以下公式，对模型进行反向迭代训练：
[0083]
其中，n为训练数据总数，w为对神经网络各节点的可训练参数，normal_tilt为下倾角对应的处理值，normal_tilt_pred为normal_tilt的预测值。各神经网络隐层层数和隐层节点数均为可调整的。
[0084]
进一步地，当cost低于设定的门限阈值后，下倾角预测模型训练完成。
[0085]
需要指出的是，上述模型训练过程可以基于单个场景片区分别建模，也可以对所有场景统一建模。其中，在对所有场景统一建模时，输入节点增加场景相关的内容，并将场景字段的枚举值变为一位有效编码(onehot)后输入至下倾角预测模型中进行训练。例如，共有密集城区、农村、山区3种场景片区，则[1,0,0]表示密集城区、[0,1,0]表示农村、[0,0,1]表示山区。
[0086]
可选地，在场景种类很多时，对onehot后的数据进行一次嵌入embedding即可。
[0087]
需要说明的是，在通过下倾角预测模型得到预测的normal_tilt_pred后，通过反归一化计算，即：tilt_pred＝normal_tilt_pred
×
γ，即可得到下倾角预测值tilt_pred。
[0088]
在一实施例中，在下倾角预测值大于设定阈值的情况下，向目标监控设备发送告警信息。
[0089]
示例性地，若|tilt_pred-tilt|》th2，则给出下倾角检测异常的告警提示，可通过邮件、短信等通知到网优工程师，若|tilt_pred-tilt|≤th2，则不提示告警，其中，th2为下倾角异常检测门限。
[0090]
在一实施例中，上述步骤102包括：
[0091]
将待测小区对应目标下倾角下的ta值集划分为k个ta分段；并计算第一子数据集；其中，所述第一子数据集为所述k个ta分段中处于每个ta分段中的测量报告数量占所述第一测量报告集合中的测量报告总数量的比例；k与下倾角取值范围有关；
[0092]
具体的，作为一种实现方式，k为g的四舍五入取整值，g＝θ
max-θ
min
+1；其中，θ
max
为下倾角取值范围的最大值，θ
min
为下倾角取值范围的最小值。k段分别为[0,h/tas/sin(θ
max
)]，(h/tas/sin(θ
max
)，h/tas/sin(θ
max-1)]，...，(h/tas/sin(θi)h/tas/sin(θ
i-1)]，
…
，(h/tas/sin(θ
min
),+∞)。
[0093]
将待测小区对应目标下倾角下的ta值集合划分为m个ta分段；并计算第二子数据集；其中，所述第二子数据集为所述m个ta分段中处于每个ta分段中的测量报告数量占所述第一测量报告集合中的测量报告总数量的比例；m为预设值；
[0094]
具体的，作为一种实现方式，按照ta值越小ta分段越细的原则，将待测小区对应目
标下倾角下的ta值集划分为m个ta分段。如，划分为10段，可考虑[0,2]，[3,4]，[5,6]，[7,8]，[9,12]，[13,16]，[17,21]，[21,30]，[31,40]，[41,+∞)。
[0095]
将所述第一子数据集和所述第二子数据集，作为所述第一数据集。
[0096]
该实施例中，通过将ta值集合按照两种规则进行分段处理，能够能使下倾角预测模型基于两组ta分段进行互相校正，并基于ta分段，能够使下倾角预测模型确定出由于下倾角导致的ta值的特征差异，从而得到较准确的下倾角预测值。
[0097]
如图4所示，本发明实施例的一种天线下倾角的预测装置400，包括：
[0098]
数据采集模块401，用于获取待测小区对应目标下倾角下的第一测量报告集合；其中，每个所述测量报告中包括待测小区时间提前量ta值；所述目标下倾角为工参中的记录值；
[0099]
第一处理模块402，用于对所述待测小区对应目标下倾角下的ta值集合进行分段处理，获得第一数据集；所述第一数据集包括：处于每个ta分段中的测量报告数量占所述第一测量报告集合中的测量报告总数量的比例；
[0100]
第二处理模块403，用于将待测天线的特征数据和所述第一数据集输入至下倾角预测模型，得到下倾角预测值。
[0101]
可选地，所述待测天线的特征数据包括以下至少一项：所述目标下倾角、天线挂高、1ta对应的传播距离tas、应用场景片区类型。
[0102]
可选地，装置400还包括：第三处理模块，所述第三处理模块在进行下倾角预测模型时具体用于：
[0103]
获取每个样本小区对应每个下倾角下的第二测量报告样本集合；其中，每个所述测量报告样本中包括小区时间提前量ta值；
[0104]
对每个样本小区对应每个下倾角下的ta值样本集进行分段处理，获得第二数据集；所述第二数据集包括：处于每个ta分段中的测量报告样本数量占所述第二测量报告样本集中的测量报告样本总数量的比例；
[0105]
根据天线的特征数据和n个样本小区的所述第二数据集进行模型训练，获得所述下倾角预测模型。
[0106]
可选地，装置400在根据天线的特征数据和n个样本小区的所述第二数据集进行模型训练，获得所述下倾角预测模型时，具体用于：
[0107]
将每个下倾角进行归一化处理，获得每个下倾角对应的处理值；
[0108]
将天线挂高与tas的比值和所述第二数据集作为特征数据，将所述处理值作为标签数据，进行模型训练，获得所述下倾角预测模型。
[0109]
可选地，第一处理模块402，包括：
[0110]
第一处理子模块，用于将待测小区对应目标下倾角下的ta值集划分为k个ta分段；并计算第一子数据集；其中，所述第一子数据集为所述k个ta分段中处于每个ta分段中的测量报告数量占所述第一测量报告集合中的测量报告总数量的比例；k与下倾角取值范围有关；
[0111]
第二处理子模块，用于将待测小区对应目标下倾角下的ta值集划分为m个ta分段；并计算第二子数据集；其中，所述第二子数据集为所述m个ta分段中处于每个ta分段中的测量报告数量占所述第一测量报告集合中的测量报告总数量的比例；m为预设值；
[0112]
第三处理子模块，用于将所述第一子数据集和所述第二子数据集，作为所述第一数据集。
[0113]
可选地，k为g的四舍五入取整值，g＝θ
max-θ
min
+1；其中，θ
max
为下倾角取值范围的最大值，θ
min
为下倾角取值范围的最小值。
[0114]
可选地，第二处理子模块包括：
[0115]
第一处理单元，用于按照ta值越小ta分段越细的原则，将待测小区对应目标下倾角下的ta值集划分为m个ta分段。
[0116]
本发明的天线下倾角的预测装置实施例是与上述天线下倾角的预测方法对应的，上述天线下倾角的预测方法实施例中的所有实现手段均适用于该天线下倾角的预测装置的实施例中，也能达到相同的技术效果。
[0117]
如5所示，本发明实施例的一种天线下倾角的预测设备500，包括处理器510和收发机520，其中，
[0118]
所述收发机520用于获取待测小区对应目标下倾角下的第一测量报告集合；其中，每个所述测量报告中包括待测小区时间提前量ta值；所述目标下倾角为工参中的记录值；
[0119]
所述处理器510用于对所述待测小区对应目标下倾角下的ta值集合进行分段处理，获得第一数据集；所述第一数据集包括：处于每个ta分段中的测量报告数量占所述第一测量报告集合中的测量报告总数量的比例；将待测天线的特征数据和所述第一数据集输入至下倾角预测模型，得到下倾角预测值。
[0120]
可选地，所述待测天线的特征数据包括以下至少一项：所述目标下倾角、天线挂高、1ta对应的传播距离tas、应用场景片区类型。
[0121]
可选地，所述处理器510用于在训练下倾角预测模型时具体用于：
[0122]
获取每个样本小区对应每个下倾角下的第二测量报告样本集合；其中，每个所述测量报告样本中包括小区时间提前量ta值；
[0123]
对每个样本小区对应每个下倾角下的ta值样本集进行分段处理，获得第二数据集；所述第二数据集包括：处于每个ta分段中的测量报告样本数量占所述第二测量报告样本集中的测量报告样本总数量的比例；
[0124]
根据天线的特征数据和n个样本小区的所述第二数据集进行模型训练，获得所述下倾角预测模型。
[0125]
可选地，所述处理器510在根据天线的特征数据和n个样本小区的所述第二数据集进行模型训练，获得所述下倾角预测模型时，具体用于：
[0126]
将每个下倾角进行归一化处理，获得每个下倾角对应的处理值；
[0127]
将天线挂高与tas的比值和所述第二数据集作为特征数据，将所述处理值作为标签数据，进行模型训练，获得所述下倾角预测模型。
[0128]
可选地，所述处理器510在对所述待测小区对应目标下倾角下的ta值样本集合进行分段处理，获得第一数据集时，具体用于：
[0129]
将待测小区对应目标下倾角下的ta值集划分为k个ta分段；并计算第一子数据集；其中，所述第一子数据集为所述k个ta分段中处于每个ta分段中的测量报告数量占所述第一测量报告集合中的测量报告总数量的比例；k与下倾角取值范围有关；
[0130]
将待测小区对应目标下倾角下的ta值集划分为m个ta分段；并计算第二子数据集；
其中，所述第二子数据集为所述m个ta分段中处于每个ta分段中的测量报告数量占所述第一测量报告集合中的测量报告样本总数量的比例；m为预设值；
[0131]
将所述第一子数据集和所述第二子数据集，作为所述第一数据集。
[0132]
可选地，k为g的四舍五入取整值，g＝θ
max-θ
min
+1；其中，θ
max
为下倾角取值范围的最大值，θ
min
为下倾角取值范围的最小值。
[0133]
可选地，处理器510在将待测小区对应目标下倾角下的ta值集合划分为m个ta分段时，具体用于：
[0134]
按照ta值越小ta分段越细的原则，将待测小区对应目标下倾角下的ta值集划分为m个ta分段。
[0135]
该实施例的天线下倾角的预测设备，通过获取待测小区对应目标下倾角下的ta值集合，并将ta值集合进行分段处理，得到第一数据集，进一步基于第一数据集和天线的特征数据，以及训练好的下倾角预测模型，即可快速获得下倾角预测值，提高了天线下倾角的测量效率，而且通过将ta值进行分段处理，能使下倾角预测模型确定出由于下倾角导致的ta值差异，即确定出下倾角与ta值之间的本质特征，从而能够得到下倾角预测值更准确。
[0136]
本发明另一实施例的天线下倾角的预测设备，如图6所示，包括收发器610、处理器600、存储器620及存储在所述存储器620上并可在所述处理器600上运行的程序或指令；所述处理器600执行所述程序或指令时实现上述应用于天线下倾角的预测方法。
[0137]
所述收发器610，用于在处理器600的控制下接收和发送数据。
[0138]
其中，在图6中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器600代表的一个或多个处理器和存储器620代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发器610可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元。针对不同的用户设备，用户接口630还可以是能够外接内接需要设备的接口，连接的设备包括但不限于小键盘、显示器、扬声器、麦克风、操纵杆等。处理器600负责管理总线架构和通常的处理，存储器620可以存储处理器600在执行操作时所使用的数据。
[0139]
本发明实施例的一种可读存储介质，其上存储有程序或指令，所述程序或指令被处理器执行时实现如上所述的天线下倾角的预测方法中的步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等。
[0140]
进一步需要说明的是，此说明书中所描述的终端包括但不限于智能手机、平板电脑等，且所描述的许多功能部件都被称为模块，以便更加特别地强调其实现方式的独立性。
[0141]
本发明实施例中，模块可以用软件实现，以便由各种类型的处理器执行。举例来说，一个标识的可执行代码模块可以包括计算机指令的一个或多个物理或者逻辑块，举例来说，其可以被构建为对象、过程或函数。尽管如此，所标识模块的可执行代码无需物理地位于一起，而是可以包括存储在不同位里上的不同的指令，当这些指令逻辑上结合在一起时，其构成模块并且实现该模块的规定目的。
[0142]
实际上，可执行代码模块可以是单条指令或者是许多条指令，并且甚至可以分布
在多个不同的代码段上，分布在不同程序当中，以及跨越多个存储器设备分布。同样地，操作数据可以在模块内被识别，并且可以依照任何适当的形式实现并且被组织在任何适当类型的数据结构内。所述操作数据可以作为单个数据集被收集，或者可以分布在不同位置上(包括在不同存储设备上)，并且至少部分地可以仅作为电子信号存在于系统或网络上。
[0143]
在模块可以利用软件实现时，考虑到现有硬件工艺的水平，所以可以以软件实现的模块，在不考虑成本的情况下，本领域技术人员都可以搭建对应的硬件电路来实现对应的功能，所述硬件电路包括常规的超大规模集成(vlsi)电路或者门阵列以及诸如逻辑芯片、晶体管之类的现有半导体或者是其它分立的元件。模块还可以用可编程硬件设备，诸如现场可编程门阵列、可编程阵列逻辑、可编程逻辑设备等实现。
[0144]
上述范例性实施例是参考该些附图来描述的，许多不同的形式和实施例是可行而不偏离本发明精神及教示，因此，本发明不应被建构成为在此所提出范例性实施例的限制。更确切地说，这些范例性实施例被提供以使得本发明会是完善又完整，且会将本发明范围传达给那些熟知此项技术的人士。在该些图式中，组件尺寸及相对尺寸也许基于清晰起见而被夸大。在此所使用的术语只是基于描述特定范例性实施例目的，并无意成为限制用。如在此所使用地，除非该内文清楚地另有所指，否则该单数形式“一”、“一个”和“该”是意欲将该些多个形式也纳入。会进一步了解到该些术语“包含”及/或“包括”在使用于本说明书时，表示所述特征、整数、步骤、操作、构件及/或组件的存在，但不排除一或更多其它特征、整数、步骤、操作、构件、组件及/或其族群的存在或增加。除非另有所示，陈述时，一值范围包含该范围的上下限及其间的任何子范围。
[0145]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

技术特征：
1.一种天线下倾角的预测方法，其特征在于，包括：获取待测小区对应目标下倾角下的第一测量报告集合；其中，每个所述测量报告中包括待测小区时间提前量ta值；所述目标下倾角为工参中的记录值；对所述待测小区对应目标下倾角下的ta值集合进行分段处理，获得第一数据集；所述第一数据集包括：处于每个ta分段中的测量报告数量占所述第一测量报告集合中的测量报告总数量的比例；将待测天线的特征数据和所述第一数据集输入至下倾角预测模型，得到下倾角预测值。2.根据权利要求1所述的天线下倾角的预测方法，其特征在于，所述待测天线的特征数据包括以下至少一项：所述目标下倾角、天线挂高、1ta对应的传播距离tas、应用场景片区类型。3.根据权利要求1所述的天线下倾角的预测方法，其特征在于，所述下倾角预测模型是通过以下方式训练得到的：获取每个样本小区对应每个下倾角下的第二测量报告样本集合；其中，每个所述测量报告样本中包括小区时间提前量ta值；对每个样本小区对应每个下倾角下的ta值样本集进行分段处理，获得第二数据集；所述第二数据集包括：处于每个ta分段中的测量报告样本数量占所述第二测量报告样本集中的测量报告样本总数量的比例；根据天线的特征数据和n个样本小区的所述第二数据集进行模型训练，获得所述下倾角预测模型。4.根据权利要求3所述的天线下倾角的预测方法，其特征在于，所述根据天线的特征数据和n个样本小区的所述第二数据集进行模型训练，获得所述下倾角预测模型，包括：将每个下倾角进行归一化处理，获得每个下倾角对应的处理值；将天线挂高与tas的比值和所述第二数据集作为特征数据，将所述处理值作为标签数据，进行模型训练，获得所述下倾角预测模型。5.根据权利要求1所述的天线下倾角的预测方法，其特征在于，所述对所述待测小区对应目标下倾角下的ta值集合进行分段处理，获得第一数据集，包括：将待测小区对应目标下倾角下的ta值集合划分为k个ta分段；并计算第一子数据集；其中，所述第一子数据集为所述k个ta分段中处于每个ta分段中的测量报告数量占所述第一测量报告集合中的测量报告总数量的比例；k与下倾角取值范围有关；将待测小区对应目标下倾角下的ta值集合划分为m个ta分段；并计算第二子数据集；其中，所述第二子数据集为所述m个ta分段中处于每个ta分段中的测量报告数量占所述第一测量报告集合中的测量报告总数量的比例；m为预设值；将所述第一子数据集和所述第二子数据集，作为所述第一数据集。6.根据权利要求5所述的天线下倾角的预测方法，其特征在于，k为g的四舍五入取整值，g＝θ
max-θ
min
+1；其中，θ
max
为下倾角取值范围的最大值，θ
min
为下倾角取值范围的最小值。7.根据权利要求5所述的天线下倾角的预测方法，其特征在于，所述将待测小区对应目标下倾角下的ta值集合划分为m个ta分段，包括：按照ta值越小ta分段越细的原则，将待测小区对应目标下倾角下的ta值集合划分为m
个ta分段。8.一种天线下倾角的预测装置，其特征在于，包括：数据采集模块，用于获取待测小区对应目标下倾角下的第一测量报告集合；其中，每个所述测量报告中包括待测小区时间提前量ta值；所述目标下倾角为工参中的记录值；第一处理模块，用于对所述待测小区对应目标下倾角下的ta值集合进行分段处理，获得第一数据集；所述第一数据集包括：处于每个ta分段中的测量报告数量占所述第一测量报告集合中的测量报告总数量的比例；第二处理模块，用于将待测天线的特征数据和所述第一数据集输入至下倾角预测模型，得到下倾角预测值。9.一种天线下倾角的预测设备，其特征在于，包括：收发机和处理器；所述收发机用于获取待测小区对应目标下倾角下的第一测量报告集合；其中，每个所述测量报告中包括待测小区时间提前量ta值；所述目标下倾角为工参中的记录值；所述处理器用于对所述待测小区对应目标下倾角下的ta值集合进行分段处理，获得第一数据集；所述第一数据集包括：处于每个ta分段中的测量报告数量占所述第一测量报告集合中的测量报告总数量的比例；将待测天线的特征数据和所述第一数据集输入至下倾角预测模型，得到下倾角预测值。10.一种天线下倾角的预测设备，包括：收发器、处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令；其特征在于，所述处理器执行所述程序或指令时实现如权利要求1-7任一项所述的天线下倾角的预测方法。11.一种可读存储介质，其上存储有程序或指令，其特征在于，所述程序或指令被处理器执行时实现如权利要求1-7任一项所述的天线下倾角的预测方法中的步骤。

技术总结
本发明提供一种天线下倾角的预测方法、装置及设备，涉及通信技术领域。该方法包括：获取待测小区对应目标下倾角下的第一测量报告集合；其中，每个测量报告中包括待测小区时间提前量TA值；目标下倾角为工参中的记录值；对待测小区对应目标下倾角下的TA值集合进行分段处理，获得第一数据集；第一数据集包括：处于每个TA分段中的测量报告数量占所述第一测量报告集合中的测量报告总数量的比例；将待测天线的特征数据和第一数据集输入至下倾角预测模型，得到下倾角预测值。本发明的方案解决了现有天线下倾角的测量方式效率低的问题，且具有较高的准确性。较高的准确性。较高的准确性。


技术研发人员：吕喆 赵皓 梁燕萍
受保护的技术使用者：中国移动通信集团有限公司
技术研发日：2022.03.14
技术公布日：2023/9/23