网络覆盖盲区识别的方法、装置、设备、存储介质及产品与流程

本公开属于网络通信，尤其涉及一种网络覆盖盲区识别的方法、装置、设备、存储介质及产品。

背景技术：

1、目前，信号盲区的识别技术普遍依赖测量报告（measurement report,mr）、信令、众测或遥感影像等单一数据源，难以有效过滤终端个体问题或异常事件导致的假脱网和误判。同时，多数方案仅通过弱覆盖聚类区域、深度衰落点或信号强度阈值进行静态判断，导致对覆盖空洞边界的识别粗糙、置信度不足。此外，mr数据本身缺乏精确经纬度，现有聚类区域化或聚类方法定位精度有限；而众测或人工核查方式效率低、成本高，无法实现高可信度的自动化判定。因此，现有技术对网络信号覆盖区域的识别不够准确。

技术实现思路

1、本公开实施例提供一种网络覆盖盲区识别的方法、装置、设备、存储介质及产品，通过多源交叉验证能够提高识别网络覆盖盲区的准确性。

2、第一方面，本公开实施例提供一种网络覆盖盲区识别的方法，方法包括以下步骤：

3、针对每个车辆，计算车辆的第一轨迹和与车辆关联的终端的第二轨迹之间的轨迹相似度；其中，第一轨迹和第二轨迹对应的时间窗口为与车辆关联的终端断网前的历史时段；

4、从多个车辆中筛选出轨迹相似度小于预设阈值的目标车辆，基于目标车辆在历史时段内的第一信号测量数据提取目标车辆的第一信号衰减特征，并基于与目标车辆关联的终端在历史时段内的第二信号测量数据提取终端的第二信号衰减特征；

5、对多个目标车辆在断网前上报的位置信息进行聚类，得到至少一个聚类区域；

6、针对每个聚类区域，根据聚类区域内的多个第一信号衰减特征与多个第二信号衰减特征之间的一致性程度、聚类区域的数据密度，预测聚类区域为信号盲区的概率；

7、根据各聚类区域对应的预测概率，得到网络覆盖盲区的识别结果。

8、在一个可以实现的实施方式中，第一轨迹包括多个第一轨迹点，第二轨迹包括多个第二轨迹点，计算车辆的第一轨迹和与车辆关联的终端的第二轨迹之间的轨迹相似度，包括：

9、以第一轨迹点为行、以第二轨迹点为列建立距离列表，并将每个第一轨迹点和各第二轨迹点之间的欧氏距离存储于距离列表对应的单元格；

10、分别对距离列表中第一行的每个单元格和距离列表中的第一目标单元格进行求和，分别对距离列表中第一列的每个单元格和第二目标单元格进行求和，得到距离列表中第一行的每个单元格和距离列表中第一列的每个单元格分别对应的累积距离；

11、针对距离列表中的每个第一单元格，根据第一单元格存储的欧氏距离和第一单元格周围的单元格的最小累积距离，得到第一单元格的累积距离，第一单元格表示距离列表中除第一行、第一列之外的单元格；

12、根据距离列表对应的累积距离建立累积矩阵；

13、基于累积矩阵确定车辆的第一轨迹和与车辆关联的终端的第二轨迹之间的轨迹相似度。

14、在一个可以实现的实施方式中，基于与目标车辆关联的终端在历史时段内的第二信号测量数据提取终端的第二信号衰减特征，包括：

15、获取与目标车辆关联的终端在历史时段内的第二信号测量数据，第二信号测量数据至少包括信号接收功率；

16、根据信号接收功率的取值范围，为信号接收功率配置至少两个观测状态；

17、获取信号接收功率的状态转移矩阵；状态转移矩阵用于表示信号接收功率在至少两个观测状态之间的状态变化；

18、基于状态转移矩阵，得到终端的第二信号衰减特征。

19、在一个可以实现的实施方式中，聚类区域内的多个第一信号衰减特征与多个第二信号衰减特征之间的一致性程度，通过如下公式计算：

20、

21、其中，表示一致性程度；表示第个第一信号衰减特征；表示聚类区域中多个第一信号衰减特征的平均值；表示聚类区域中第一信号衰减特征的数量；表示第个第二信号衰减特征；表示聚类区域中多个第二信号衰减特征的平均值。

22、在一个可以实现的实施方式中，对多个目标车辆在断网前上报的位置信息进行聚类，得到至少一个聚类区域，包括：

23、基于多个目标车辆在断网前上报的位置信息，生成多个数据点；

24、针对每个数据点，在数据点在目标邻域内的数据点的数量大于等于预设数量阈值的情况下，将数据点确定为核心点；

25、针对核心点的目标邻域内的数据点，在数据点在目标邻域内的数据点的数量大于等于预设数量阈值的情况下，将数据点确定为核心点的第一核心点；

26、针对每个核心点，基于核心点的目标邻域和核心点对应的第一核心点的目标邻域，建立与核心点对应的聚类区域。

27、在一个可以实现的实施方式中，聚类区域的数据密度的确定，包括：

28、计算聚类区域内各数据点的目标邻域内的数据点总数；

29、计算聚类区域内数据点的数量和数据点总数的比值，得到聚类区域的数据密度。

30、在一个可以实现的实施方式中，根据聚类区域内的多个第一信号衰减特征与多个第二信号衰减特征之间的一致性程度、聚类区域的数据密度，预测聚类区域为信号盲区的概率，包括：

31、根据预测权重对聚类区域内的多个第一信号衰减特征与多个第二信号衰减特征之间的一致性程度、聚类区域的数据密度进行加权求和，得到聚类区域为信号盲区的概率。

32、在一个可以实现的实施方式中，在根据预测权重对聚类区域内的多个第一信号衰减特征与多个第二信号衰减特征之间的一致性程度、聚类区域的数据密度进行加权求和，得到聚类区域为信号盲区的概率之前，方法还包括：

33、采集聚类区域内的信号盲区标签、聚类区域内的样本，样本包括数据密度样本和一致性样本；

34、按照候选权重对样本的数据密度样本和一致性样本进行加权求和，得到样本的预测概率；

35、根据信号盲区标签和预测概率的差异值修正候选权重，得到预测权重。

36、第二方面，本公开实施例提供了一种网络覆盖盲区识别装置，装置包括：

37、一致性检验模块，用于针对每个车辆，计算车辆的第一轨迹和与车辆关联的终端的第二轨迹之间的轨迹相似度；其中，第一轨迹和第二轨迹对应的时间窗口为与车辆关联的终端断网前的历史时段；

38、特征提取模块，用于从多个车辆中筛选出轨迹相似度小于预设阈值的目标车辆，基于目标车辆在历史时段内的第一信号测量数据提取目标车辆的第一信号衰减特征，并基于与目标车辆关联的终端在历史时段内的第二信号测量数据提取终端的第二信号衰减特征；

39、聚类模块，用于对多个目标车辆在断网前上报的位置信息进行聚类，得到至少一个聚类区域；

40、预测模块，用于针对每个聚类区域，根据聚类区域内的多个第一信号衰减特征与多个第二信号衰减特征之间的一致性程度、聚类区域的数据密度，预测聚类区域为信号盲区的概率；

41、输出模块，用于根据各聚类区域对应的预测概率，得到网络覆盖盲区的识别结果。

42、第三方面，本公开实施例提供了一种网络覆盖盲区识别设备，所述设备包括：处理器，以及存储有计算机程序指令的存储器；所述处理器读取并执行所述计算机程序指令，以实现上述实施例中的任意一种网络覆盖盲区识别方法。

43、第四方面，本公开实施例提供了一种计算机存储介质，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述实施例中的任意一种网络覆盖盲区识别方法。

44、第五方面，本公开实施例提供了一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现上述实施例中的任意一种网络覆盖盲区识别方法。

45、本公开实施例的网络覆盖盲区识别的方法、装置、设备、存储介质及产品，通过多源交叉验证能够提高识别网络覆盖盲区的准确性。首先，本公开利用终端断网前时段内终端轨迹和车辆轨迹之间的轨迹相似度，剔除终端离开车辆等场景带来的信号突变干扰，从而避免了因终端使用行为变更而引发的伪盲区误报。进一步的，在轨迹一致时提取车辆在断网前时段内终端信号衰减过程和车辆信号衰减过程，考虑到信号衰减不一致说明车辆或终端存在故障或性能变化，通过信号衰减的一致性有效剔除了因天线老化或软件故障等导致的单端衰减，进而筛选出较为可信的信号覆盖盲区。此外，本公开还对车辆断网前离散位置点进行聚类，利用聚类区域的密度能自适应地识别出不规则形状的覆盖空洞，还有效剔除了离群位置点，避免了因临时大型车辆遮挡等随机事件造成的计算资源浪费，能够更为精准地确定信号覆盖盲区的轮廓。结合信号衰减一致性和聚类区域的密度联合识别信号盲区，提高了识别网络信号覆盖盲区的准确性。