一种基于人工智能的网络信号测试方法及系统与流程

本发明涉及移动通信网络测试，尤其涉及一种基于人工智能的网络信号测试方法及系统。

背景技术：

1、随着低空无人机物流、低空通信等业务规模化落地，低空空域对5g网络覆盖连续性、信号稳定性提出严苛需求，城市高楼、立交桥等复杂场景下建筑物遮挡极易形成低空信号盲区与干扰区域，如何精准完成低空全域网络质量勘测，成为移动通信低空运维工作中的核心业务需求。

2、目前行业内普遍采用单无人机分级动态路径测试方案开展低空信号采集，依托飞行器搭载信号采集终端沿预设分层航线匀速飞行，同步采集rsrp、sinr等基础无线参数，依靠分段式路径加密手段小幅提升局部区域测试采样密度，能够完成基础低空覆盖数据采集工作。

3、但该单飞行器固定网格测试模式存在难以根治的固有短板，不仅无法多机并行作业、不能依据区域复杂度自适应调整采样密度，对动态突发干扰感知滞后，同时仅能简单标记信号异常区域，无法定位故障根因，难以构建完整自动化测试优化闭环。

技术实现思路

1、本发明实施例提供一种基于人工智能的网络信号测试方法及系统，以解决现有技术中单无人机测试效率低下、网格驱动路径存在局限性、信号建模精度不足以及问题诊断与优化脱节的技术问题。

2、为达到上述目的，本发明的实施例采用如下技术方案：

3、第一方面，提供一种基于人工智能的网络信号测试方法，包括：获取测试区域的多源数据，构建所述测试区域的三维数字孪生模型，所述多源数据包括地理信息、建筑模型和基站工参数据；基于所述三维数字孪生模型的区域复杂度，将所述测试区域划分为多个子区域，并为每个子区域分别分配对应的无人机；控制各无人机在对应的子区域内执行测试任务，在测试过程中基于已采集的信号数据实时更新所述三维数字孪生模型中各体素的信号预测值，并计算所述信号预测值的不确定性，所述不确定性表征所述信号预测值与真实信号值之间偏差的预估程度；根据所述不确定性引导各无人机自适应调整飞行路径，以优先飞向不确定性高的体素进行信号采集；基于所述已采集的信号数据和所述三维数字孪生模型中的遮挡信息，对所述测试区域进行时空三维信号建模，生成所述测试区域的信号覆盖分布数据。

4、本发明提供的方法通过融合地理信息、建筑模型和基站工参数据构建三维数字孪生模型，并将测试区域按区域复杂度自适应划分为多个子区域后分配给多架无人机，实现了多无人机并行协同测试，大幅提升了测试效率；在测试过程中基于已采集的信号数据实时更新各体素的信号预测值及其不确定性，并根据不确定性引导无人机优先飞向预测精度不足的区域，实现了自适应路径规划，有效克服了预设网格测试无法响应动态变化的缺陷；基于已采集的信号数据和三维数字孪生模型中的遮挡信息进行时空三维信号建模，融合了建筑遮挡信息，显著提升了城市复杂环境下信号模拟的精度；最终生成的信号覆盖分布数据为后续的根因诊断和网络优化提供了全面可靠的依据。

5、在第一方面的一种可能的实现方式中，所述基于所述三维数字孪生模型的区域复杂度，将所述测试区域划分为多个子区域，包括：对所述三维数字孪生模型进行三维体素划分，体素边长根据区域复杂度因子动态确定，满足以下关系：

6、sv=sb/(fc+1)；

7、其中，sv为体素边长，sb为基础体素边长，fc为区域复杂度因子，根据区域内建筑密度、地形起伏度和基站密度的加权求和计算得到；所述体素边长的取值范围位于预设取值区间内。

8、本发明提供的方法通过区域复杂度因子动态确定体素边长，在建筑密集、地形复杂的高复杂度区域采用更细粒度的体素划分，在开阔低复杂度区域采用较粗粒度的体素划分，避免了传统固定网格在高复杂度区域采样不足、低复杂度区域采样冗余的问题。

9、在第一方面的一种可能的实现方式中，所述区域复杂度因子的计算公式为：fc=w1×db+w2×ut+w3×dbs；

10、其中，db为区域内建筑占地面积与总面积的比值，ut为区域内地形高度差与区域边长的比值，dbs为区域内基站数量与区域面积的归一化比值，w1、w2、w3为预设权重系数。

11、采用上述进一步方案的有益效果是：综合考虑建筑密度、地形起伏度和基站密度三个维度，并赋予不同权重，能够全面客观地量化各区域的复杂度差异。

12、在第一方面的一种可能的实现方式中，所述为每个子区域分别分配对应的无人机，包括：建立以最小化总测试时间为目标、以满足无人机续航约束和子区域唯一分配约束为条件的整数线性规划模型，通过遗传算法求解得到各无人机对应的子区域和测试时间窗口。

13、采用上述进一步方案的有益效果是：通过整数线性规划模型进行任务分配，能够在满足续航约束的前提下最小化总测试时间，实现多无人机的负载均衡；采用遗传算法求解，兼顾了求解质量和计算效率。

14、在第一方面的一种可能的实现方式中，所述基于已采集的信号数据实时更新所述三维数字孪生模型中各体素的信号预测值和不确定性，包括：将预设历史时间段内所有无人机采集的信号数据输入预先训练的神经网络模型，输出当前时刻各体素的信号预测值和不确定性；所述预先训练的神经网络模型的输入包括采集点的信号强度、信噪比、位置坐标、采集时间以及相邻体素的历史信号值和遮挡信息。

15、本发明提供的方法通过融合多架无人机采集的时空信号数据以及遮挡信息输入神经网络模型，能够实时更新信号预测值和不确定性，动态感知测试环境变化，为自适应路径规划提供精确的决策依据。

16、在第一方面的一种可能的实现方式中，所述根据所述不确定性引导各无人机自适应调整飞行路径，包括：以最大化单位时间内的信息增益为目标函数，其中，所述信息增益根据各体素的当前不确定性和体素权重计算，所述体素权重根据体素是否位于低空航线附近以及是否位于低空应用密集区域确定；所述飞行路径的调整满足预设的最大转弯角约束、最小飞行高度约束和障碍物避让约束。

17、采用上述进一步方案的有益效果是：以信息增益最大化为目标函数，使无人机优先飞向预测不确定性高且业务价值大的区域，同时满足飞行安全约束，既提升了测试效率，又保障了采集数据的准确性。

18、在第一方面的一种可能的实现方式中，所述基于所述已采集的信号数据和所述三维数字孪生模型中的遮挡信息，对所述测试区域进行时空三维信号建模之前，还包括：对各无人机采集的信号数据进行质量控制，得到校正后的信号数据集，以基于所述校正后的信号数据集执行所述时空三维信号建模。

19、采用上述进一步方案的有益效果是：在时空三维信号建模前对信号数据进行质量控制，剔除异常值和修正姿态偏差，确保建模输入的信号数据准确可靠，提升最终信号覆盖分布数据的精度。

20、在第一方面的一种可能的实现方式中，所述对各无人机采集的信号数据进行质量控制，包括：根据各无人机在采集时刻的姿态数据，对测试天线增益进行姿态校正；采用统计准则剔除所述信号数据中的异常值；将所述信号数据与定位数据和时间戳进行同步对齐。

21、本发明提供的方法通过姿态校正消除无人机飞行姿态变化对信号测量的影响，通过异常值剔除过滤瞬时干扰和测量误差，通过同步对齐确保多架无人机采集数据的时序一致性。

22、在第一方面的一种可能的实现方式中，所述基于所述已采集的信号数据和所述三维数字孪生模型中的遮挡信息，对所述测试区域进行时空三维信号建模，包括：采用改进的时空kriging插值算法，对于任一待估计点，信号强度估计值由各采样点的信号强度的加权求和得到，其中，权重系数通过包含遮挡因子和时空协方差函数的方程组求解；所述遮挡因子根据两点间射线在所述三维数字孪生模型中与建筑的交会情况确定，取值范围为0至1。

23、采用上述进一步方案的有益效果是：在传统kriging插值算法中引入遮挡因子，使信号估计能够反映建筑遮挡对信号传播的影响，对城市高楼峡谷、立交桥等复杂地形的模拟误差显著降低。

24、在第一方面的一种可能的实现方式中，所述时空协方差函数cst采用乘积和模型：

25、cst=cs×ct；

26、cs=σ2×exp(-d/ad)×o；

27、ct=exp(-τ/at)；

28、其中，cs为空间协方差函数，d为两点间空间距离，σ2为信号方差，ad为空间相关距离，o为所述遮挡因子；ct为时间协方差函数，τ为两点间时间差，at为时间相关距离。

29、采用上述进一步方案的有益效果是：乘积和模型将空间相关性、遮挡因子和时间相关性有机结合，能够全面刻画复杂城市环境下信号的时空分布特征。

30、在第一方面的一种可能的实现方式中，还包括：根据所述信号覆盖分布数据识别信号问题区域，诊断信号问题的根因类型，并基于优化成本和预期效益生成优化方案。

31、采用上述进一步方案的有益效果是：在信号测试基础上进一步提供根因诊断和优化方案生成功能，克服了传统方案测试与优化脱节的缺陷，形成了完整的测试优化闭环。

32、在第一方面的一种可能的实现方式中，所述诊断信号问题的根因类型，包括：将所述信号问题区域的位置、周边基站分布、遮挡情况、干扰频谱特征和基站负载输入决策树模型，输出根因诊断结果，所述根因类型包括建筑遮挡、同频干扰、基站覆盖不足和网络拥塞中的至少一种。

33、本发明提供的方法通过决策树模型基于多维度特征进行根因诊断，能够精准区分不同原因导致的信号问题，为后续优化措施的制定提供明确依据。

34、在第一方面的一种可能的实现方式中，所述基于优化成本和预期效益生成优化方案，包括：针对每个信号问题区域生成候选优化措施，分别计算各候选优化措施的实施成本和预期效益，根据投资回报比对所述候选优化措施进行排序，生成所述优化方案；

35、其中，优化方案的优先级评分公式为：

36、p=w4×s+w5×r，s为问题严重性，r为投资回报比，w4、w5为预设权重系数。

37、采用上述进一步方案的有益效果是：生成优化方案时综合考虑技术可行性和经济合理性，通过投资回报比排序确保优先实施性价比最高的优化措施，提升优化方案的落地可行性。

38、在第一方面的一种可能的实现方式中，所述方法还包括：在所述优化方案实施后，调度无人机对优化区域进行复测，对比优化前后的信号覆盖分布数据以评估优化效果；若未达到预期效果，重新执行根因诊断和方案生成；将优化效果数据反馈至信号预测模型以更新模型参数。

39、采用上述进一步方案的有益效果是：通过闭环验证机制确保优化措施达到预期效果，同时将优化效果数据反馈至信号预测模型，实现模型的持续迭代优化。

40、在第一方面的一种可能的实现方式中，所述信号数据包括参考信号接收功率、信噪比、下行数据速率、上行数据速率、端到端时延和丢包率中的至少一种。

41、本发明提供的方法通过采集多维度信号参数，为信号覆盖评估、信道质量分析和网络性能诊断提供全面的数据支撑。

42、第二方面，本发明提供了一种基于人工智能的网络信号测试系统，包括：三维环境建模模块，用于获取测试区域的多源数据，构建所述测试区域的三维数字孪生模型，所述多源数据包括地理信息、建筑模型和基站工参数据；任务分配模块，用于基于所述三维数字孪生模型的区域复杂度，将所述测试区域划分为多个子区域，并为每个子区域分别分配对应的无人机；自适应路径规划模块，用于在各无人机执行测试任务过程中，基于已采集的信号数据实时更新所述三维数字孪生模型中各体素的信号预测值并计算不确定性，并根据所述不确定性引导各无人机自适应调整飞行路径，所述不确定性表征所述信号预测值与真实信号值之间偏差的预估程度；数据质量控制模块，用于对各无人机采集的信号数据进行质量控制，得到校正后的信号数据集；信号建模模块，用于基于所述校正后的信号数据集和所述三维数字孪生模型中的遮挡信息，对所述测试区域进行时空三维信号建模，生成所述测试区域的信号覆盖分布数据；根因诊断与优化模块，用于根据所述信号覆盖分布数据识别信号问题区域，诊断信号问题的根因类型，并基于优化成本和预期效益生成优化方案。

43、第三方面，提供一种电子设备，电子设备包括存储器、一个或多个处理器；存储器与处理器耦合；其中，存储器中存储有计算机程序代码，计算机程序代码包括计算机指令，当计算机指令被处理器执行时，使得电子设备执行如第一方面任一实现方式中的方法。

44、第四方面，提供一种计算机可读存储介质，包括计算机指令，当计算机指令在电子设备上运行时，使得电子设备执行如第一方面任一实现方式中的方法。

45、第五方面，提供计算机程序产品，当计算机程序产品在计算机上运行时，使得计算机执行第一方面任一实现方式中的方法。

46、可以理解地，上述提供的第二方面的系统，第三方面的电子设备，第四方面的计算机可读存储介质，第五方面的计算机程序产品所能达到的有益效果，可参考第一方面及其任一种可能的设计方式中的有益效果，此处不再赘述。