[发明专利]室内外数据处理方法、装置和存储介质

说明书

本发明公开了一种室内外数据处理方法、装置和存储介质，涉及移动通信技术领域。室内外数据处理方法包括：根据测量报告数据，确定用户室内外属性以及相应的置信度；根据与测量报告数据属于同一时间的用户接入数据，对置信度进行修正；根据预设的阈值，确定可信的测量报告数据，并将相应的用户室内外属性作为测量报告数据的标记值；采用可信的测量报告数据对深度学习模型进行训练，获得用于分离室内测量报告数据和室外测量报告数据的分类模型。从而，可以自动化地构建具有更准确的标记结果的室内外测量报告数据作为训练数据，使得通过有监督训练得到的模型具有更高的室内外数据分离准确率。

技术领域

本发明涉及移动通信技术领域，特别涉及一种室内外数据处理方法、装置和存储介质。

背景技术

基于网络的测量报告(Measurement Report，简称：MR)数据、资源数据、地理图层等数据，可以结合大数据技术和人工智能AI技术进行LTE无线网络的维护与优化工作。

目前尚未有一种可以全网开展的低成本采集室内、室外样本数据的方法进行有监督的训练过程。在相关技术中，区分室内MR的算法多采用自定义规则算法。例如，根据RSRP(Reference Signal Receiving Power，参考信号接收功率)强弱等信息赋予MR室内室外权重；或者，采用聚类等无监督的机器学习算法。

发明内容

发明人经过分析后发现，基于RSRP强弱的方法主要通过信号强度与阈值的比较结果判定MR数据的室内外属性，这依据是室内信号强度弱于室外的网络优化经验。然而，实际上室内信号强于室外的场景并不少见。因此，无线信号的强弱与MR室内外属性并无强关联，基于阈值的判定类算法的准确率并不高。而无监督的机器学习算法相对于有监督的深度学习算法而言准确率较低。

本发明实施例所要解决的一个技术问题是：如何提高室内外MR数据分离的准确性。

根据本发明一些实施例的第一个方面，提供一种室内外数据处理方法，包括：根据测量报告数据，确定用户室内外属性以及相应的置信度；根据与测量报告数据属于同一时间的用户接入数据，对置信度进行修正；根据预设的阈值，确定可信的测量报告数据，并将相应的用户室内外属性作为测量报告数据的标记值；采用可信的测量报告数据对深度学习模型进行训练，获得用于分离室内测量报告数据和室外测量报告数据的分类模型。

在一些实施例中，测量报告数据中的每条数据包括预设时长内的一个或多个测量报告的信息。

在一些实施例中，根据测量报告数据，确定用户室内外属性以及相应的置信度包括：根据测量报告数据，确定用户移动性特征；根据用户移动性特征确定用户室内外属性以及相应的置信度。

在一些实施例中，根据测量报告数据中各个测量报告中的信号强度的统计结果，确定信号波动信息以作为用户移动性特征；在信号波动信息的值大于预设的波动阈值情况下确定用户的室内外属性为室外，以及在信号波动信息的值不大于波动阈值情况下确定用户的室内外属性为室内；根据信号波动信息的值与波动阈值的差距，确定用户室内外属性的置信度。

在一些实施例中，根据测量报告数据中各个测量报告中的小区标识确定在预设时长内的切换次数，作为用户移动性特征；在切换次数大于预设的次数阈值情况下确定用户的室内外属性为室外，以及在切换次数不大于次数阈值情况下确定用户的室内外属性为室内；根据切换次数与次数阈值的差距，确定用户室内外属性的置信度。

在一些实施例中，用户接入数据包括小区基础数据、家庭宽带上网数据中的至少一种；小区基础数据包括小区为室外站或室内站的标识，以及用户的接入时间；家庭宽带上网数据包括用户的接入时间。