(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211074783.9 (22)申请日 2022.09.02 (71)申请人 南京华苏 科技有限公司 地址 211300 江苏省南京市高淳区淳溪街 道宝塔路258号苏宁雅居39幢10号 (72)发明人 王计斌　魏东迎　孟维　 (74)专利代理 机构 南京北辰联和知识产权代理 有限公司 323 50 专利代理师 陆中丹 (51)Int.Cl. H04W 16/18(2009.01) H04W 16/22(2009.01) G06N 20/00(2019.01) (54)发明名称 基于XGBoost回归算法的基站覆盖范围的预 测方法 (57)摘要 本发明公开了一种基于XGBoost回归算法的 基站覆盖范围的预测方法， 具体步骤为： S1采集 数据： 采集测试区域的基站数据和采样点MDT数 据， S2数据清洗； S3特征工程； S4模型训练： 选择 一个点作为新建基站的预选点， 筛选出与预选点 位置距离小于设定阈值的基站， 再整合每个基站 所关联的采样点， 且将整合的基站数据和采样点 MDT数据划分训练集和测试集， 采用XGBoo st算法 对数据集进行训练， 获得XGBoo st模型； S5模型预 测： 使用训练好的XGBoost模型得出采样点的场 强， 若场强大于原有的场强， 则将该采样点接入 的基站切换到新建基站的预选点基站下， 遍历所 有的采样点， 将所有切入到新建基站的采样点在 地图上呈现。 权利要求书2页 说明书10页 附图4页 CN 115426660 A 2022.12.02 CN 115426660 A 1.一种基于XGBoost回归算法的基站覆盖范围的预测方法， 其特征在于， 具体包括以下 步骤： S1采集数据： 采集测试区域的基站数据和采样点MDT数据， 获得 该区域的全量数据； S2数据清洗： 对该测试区域的全量数据进行 数据清洗处 理； S3特征工程： 对步骤S2 清洗后的原 始数据进行 特征工程处 理； S4模型训练： 选择一个点作为新建基站的预选点， 筛选出与预选点位置距离小于设定 阈值的基站， 再整合每个基站所关联的采样点， 且将整合的基站数据和采样点MDT 数据划分 训练集和 测试集， 采用XGBo ost算法对数据集进行训练， 获得 XGBoost模型； S5模型预测： 使用训练好的XGBoost模型得出采样点的场强， 若场强大于原有的场强， 则将该采样点接入的基站切换到新建基站的预选点基站下， 遍历所有的采样点， 将所有切 入到新建基站的采样点在地图上 呈现， 从而获得新建基站的预测范围和基站的覆盖率。 2.根据权利 要求1所述的基于XGBoost回归算法的基站覆盖范围的预测方法， 其特征在 于， 所述步骤S1 中的采样点MDT数据包括cellid、 经度、 纬度和场强； 所述基站数据包括基站 名、 nci、 经度、 纬度、 基站高度、 基站方位角和基站下倾角， 其中cellid和nci均为基站ID， 是 同一个数据， 用于训练时将基站数据和MDT数据进行关联。 3.根据权利 要求2所述的基于XGBoost回归算法的基站覆盖范围的预测方法， 其特征在 于， 所述步骤S2中所述数据 清洗包括缺 失值处理、 错误数据删除、 字 符串型特征转换和相对 偏离度。 4.根据权利 要求3所述的基于XGBoost回归算法的基站覆盖范围的预测方法， 其特征在 于， 所述步骤S3中进行特征工程处理使用了特征扩维， 其中特征扩维是基于采集到的用户 信息中的原始特征进 行扩维， 包括计算基站与采样点之 间的距离以及基站与采样点之 间的 相对方位角； 具体步骤为： S31： 根据基站经纬度和用户经纬度， 利用球面距离公式计算得到基站与采样点之间的 距离； 公式为： D＝R×arccos[cosβ1cosβ2cos( α1‑α2)+sinβ 1sinβ2]； 其中， D为用户和基站之间的直线 距离； α1， β1分别为基站经纬度； α2， β2分别为用户经纬度； R为 地球半径； S32： 基站方位角以正北方向为参考方向， 顺指针递增， 数值范围为0 ‑360°； 利用采样点 和基站的经纬度计算采样点相对基站的方位角； 公式为： 式中， angle为采样点相对基站的方位角； lon和lat分别为采样点的经度和纬度； loncell 和latcell分别为基站的经度和 纬度。 5.根据权利 要求4所述的基于XGBoost回归算法的基站覆盖范围的预测方法， 其特征在 于， 所述步骤S32中若得到的相对方位角为负值， 表示该采样点在小区方位角的右侧， 则将 负值转化为正值， 从而得 出基站相对于采样点的相对方位角。 6.根据权利 要求4所述的基于XGBoost回归算法的基站覆盖范围的预测方法， 其特征在 于， 所述步骤S4的具体步骤为： S41筛选出与预选点位置相近的基站： 在地图上选择一个点作为新建基站的预选点， 并权　利　要　求　书 1/2 页 2 CN 115426660 A 2提取所述预选点的经度和纬度的值， 以选定的预选点的经纬度为中心点， 计算每个基站和 所述预选点之间的距离， 筛选出该距离小于设定阈值的基站， 根据筛选后的基站评测出该 区域的地理环境， 且将基站的平均覆盖率作为 新建基站的覆盖率； S42关联基站和小区： 将筛选后的每个基站所关联的采样点进行整合， 通过基站与采样 点的关联， 得 出该地理位置的基站 覆盖率和基站与采样点之间的距离和方位角； S43数据拟合： 整合基站数据和采样点MDT数据， 将基站数据和采样点MDT数据 通过基站 ID关联成表格， 建立基站与采样点的距离、 高度、 下倾角 、 相对方位角 、 基站类型、 基站功率 和采样点场强之间的映射关系； 再使用XGBoost 算法拟合出采样点的场强与基站的距离、 高 度、 下倾角、 相对方位角之间的关系， 建立回归 模型； S44训练XGBoost模型： 将整合好的数据， 按照8： 2的比例， 切分成训练集和测试集， 采用 XGBoost算法对数据集进行训练， 使用特征重要性排序， 获取出特征的重要性， 选择重要性 权重高的特征， 经多轮迭代训练， 将训练好的模型应用到验证集， 通过验证集检验结果， 判 断训练好的模型是否可用； 若不可用， 再对模型 的参数进行调整， 并再经多轮迭代训练， 最 终拟合出 可用的XGBo ost模型。 7.根据权利 要求6所述的基于XGBoost回归算法的基站覆盖范围的预测方法， 其特征在 于， 所述步骤S4中采用XGBo ost算法进行训练获得 XGBoost模型的公式为： … 其中， xi表示样本i； 表示第t次迭代后样本i的预测结果； 表示前t‑1棵树的预 测结果； ft(xi)表示第t棵树的函数。 8.根据权利 要求6所述的基于XGBoost回归算法的基站覆盖范围的预测方法， 其特征在 于， 所述步骤S5的具体步骤为： S51： 通过基站的经纬度和采样点的经纬度计算基站的预选点和所有的采样点之间的 距离， 并按照获得的距离的远近进行排序， 筛选距离小于阈值的数据作为测试集， 计算出测 试集中数据的特 征数据； S52： 再使用所述步骤S4训练好的XGBoost模型得出采样点的场强， 若得出的场强大于 原有的场强， 则将该采样点接入的基站切换到新建基站的预选点基站下； S53： 将所有切入到新基站的采样点在地图上打点， 即获得新建基站的预测范围和基站 的覆盖率， 再将新建基站前和新建基站后的采样点的场强进行对比， 获得展示结果。权　利　要　求　书 2/2 页 3 CN 115426660 A 3