[发明专利]基于用户行为特征评估道路网络质量的方法

权利要求书

1.基于用户行为特征评估道路网络质量的方法，其特征在于：它包括以下步骤：

S1：MR数据采集：在OMC-R网元上采集MR数据原始码流，并存储在数据库相应的表中；

S2：MR数据解析：在数据库中提取MR原始码流，按照应答数据格式，解析MR原始时间并存储在数据库中；

S3：MR室内外分离：提取数据库中的原始MR数据，实施基于室分数据源、用户移动性、室外测试特征分离法将MR分类为室外和室内场景；

S4：对分离出的室外MR去除噪声数据：对不合法以及不符合逻辑的室外MR数据实施过滤；

S5：计算室外MR的移动性：按用户IMSI以及用户发起业务的时间对用户进行排序，计算用户的移动速率；

S6：对高速移动用户的MR进行聚类：将高速移动用户的MR实施地理化聚类，聚合到N*N米的栅格中；

S7：将高速移动的MR栅格实施道路拟合：采集道路路测DT数据，同样将DT数据实施栅格化，将高速MR栅格与DT栅格进行匹配，完成高速MR栅格道路拟合；

S8：对拟合后的MR栅格实施网络质量评估：评估拟合后的栅格覆盖、质量、业务量网络水平；

所述的步骤S3包括以下子步骤：

S31：提取数据库中的原始MR数据；

S32：判断主小区或者邻区中的PSC是否大于N1，如果是的话则将MR认为是室内MR，否则进入步骤S33；

S33：采用贝叶斯进行分离：分别计算室外概率和室内概率，并计算rate值，所述rate值为室外概率除以室内概率得到的值；其中，若rate值大于N2，则将MR认为是室外MR；若rate值小于N3，则将MR认为是室内MR，若rate值大于N3小于N2，则认为通过贝叶斯分离未成功，此时进入步骤S34；

S34：采用神经网络模型进行判断。

2.根据权利要求1所述的基于用户行为特征评估道路网络质量的方法，其特征在于：所述的步骤S34包括以下子步骤：

S341：确定输入和输出参数：选取MR包含的前n强导频RSCP、Ec/Io作为输入参数，输出参数是该MR点的室内或室外属性；

S342：获得神经网络学习样本，所述的学习样本具备以下条件：

(1)样本点要有明确的特征，应清楚地知道所用样本是室内MR数据还是室外MR数据，因此采集样本时应在室内外分别采集；

(2)样本点要有代表性，选用能代表本地环境的样本区域进行采集；同时，室内和室外采样都应结合本地特征选择具有代表性的区域进行采集，且采集应包含多种类型环境，以使训练后的神经网络系统区分本地MR数据时的准确度更高；

S343：神经网络模型的建立：将符合筛选要求的训练样本点划分为学习数据和检验数据，其中：学习数据用来训练神经网络的模型，检验数据用来检验神经网络模型的区分置信度；根据用户对置信度的要求，反复地调整神经网络系统参数，直到满足用户置信度要求为止；模型建立后，用来对未知MR数据进行分离，其分离的置信区间可从检验样本的检验结果获得；

S344：利用神经网络进行MR分离：对完成训练的神经网络系统的所有参数进行固化；利用已建立的神经网络系统，对现网混合在一起的原始室内外MR数据进行判断，将室内MR数据从所有数据中分离出来。

3.根据权利要求1所述的基于用户行为特征评估道路网络质量的方法，其特征在于：所述的室外MR去除噪声数据包括以下情况：

(1)对距离过远MR进行过滤：根据当前MR采样点的经纬度(lon,lat)与产生MR的小区的经纬度(lon1,lat1)，计算出两者间距dist，如果dist大于门限thre，那么判断当前MR为噪声数据，实施过滤；

(2)对非道路面MR进行过滤：根据当前MR采样点的经纬度(lon1,lat1)与楼宇数据库的所有楼宇的经纬度{{lon1,lat1},{lon2,lat2}……{lonn,latn}}计算其间距，得到间距集合{dist1,dist2……distn}，得到mdist＝min{dist1,dist2……distn},若mdist小于门限mdist，则判断当前MR为噪声数据，实施过滤。