网络覆盖状况信息处理方法、装置、设备及存储介质

技术领域

本申请涉及通信技术领域，尤其涉及一种网络覆盖状况信息处理方法、装置、设备及存储介质。

背景技术

目前，移动无线网络覆盖系统中2G/4G/5G网络共存，现在4G网络已经基本上实现全覆盖，5G网络已经进入快速部署阶段。随着移动网络的不断建设，基站分布越来越密集，新基站选址越来越困难，基站间的信号干扰问题越来越多，同时建筑物的密集化也会导致弱信号覆盖的情况产生。通信运营商如果需要对一定区域内网络覆盖情况做出优化调整，则首先要对区域内网络覆盖环境做出评价。

目前，对网络覆盖情况进行评价的方法主要包括三种：基于道路测试和定点测试数据的评价方法、基于MR(测量报告，Measurement Report)数据的评价方法和基于仿真方法的网络覆盖评估方法。

然而，基于道路测试和定点测试的评价方法受到测量范围的影响会产生一定误差，基于MR数据的评价方法由于受到地理环境和采样点数量的影响会产生一定误差，而结合仿真的覆盖评价方法则受到地图数据和工参的精度影响，导致准确程度有限。

发明内容

本申请实施例提供一种网络覆盖状况信息处理方法、装置、设备及存储介质，以解决现有的网络覆盖评价方法准确程度不高的问题。

第一方面，本申请提供了一种网络覆盖状况信息处理方法，包括：获取目标区域的实测数据，并根据实测数据建立目标区域的第一网络覆盖模型，实测数据包括道路测试和/或定点测试的数据；获取目标区域的实测数据和用户上报数据，并根据实测数据和用户上报数据建立目标区域的第二网络覆盖模型；采用小生境多目标遗传粒子群法对第一网络覆盖模型和第二网络覆盖模型进行优化，分别得到第一最优解和第二最优解；根据第一最优解和第二最优解，确定目标区域内网络覆盖性能指标参数；将网络覆盖性能指标参数与预设值作比较，输出目标区域的网络覆盖状况信息。

在一种可能的实现方式中，根据实测数据建立目标区域的第一网络覆盖模型，包括：使用聚类算法对实测数据进行筛选，得到聚类后的数据；根据聚类后的数据建立第一网络覆盖模型。

在一种可能的实现方式中，使用聚类算法对实测数据进行筛选，包括：若实测数据的所属场景可被分类，则采用基于划分的聚类方法对道路测试和/或定点测试的数据进行筛选；若实测数据的所属场景在位置上集中，则采用基于密度的聚类方法对道路测试和/或定点测试的数据进行筛选；若实测数据的所属场景的采样点属于特定模型，则采用基于模型的聚类方法对道路测试和/或定点测试的数据进行筛选。

在一种可能的实现方式中，根据实测数据和用户上报数据建立目标区域的第二网络覆盖模型，包括：对实测数据和用户上报数据进行归类，得到数据对应的场景类型；根据场景类型进行建模，得到每个场景对应的第二网络覆盖模型。

在一种可能的实现方式中，根据场景类型进行建模，得到每个场景对应的第二网络覆盖模型，包括：

若场景类型属于工业园区，则采用单层数据模型或多层数据模型对目标区域的实测数据和用户上报数据建模，得到工业园区对应的第二网络覆盖模型；若场景类型属于商业街，则采用多分枝模型对目标区域的实测数据和用户上报数据建模，得到商业街对应的第二网络覆盖模型；若场景类型属于综合住宅区或商业区，则采用多层级模型对目标区域的实测数据和用户上报数据建模，得到综合住宅区或商业区对应的第二网络覆盖模型。

在一种可能的实现方式中，根据第一最优解和第二最优解，确定目标区域内网络覆盖性能指标参数，包括：将第一最优解和第二最优解导入网络覆盖性能的计算公式，得到网络覆盖性能指标；其中，网络覆盖性能的计算公式为：

式中，Q表示网络覆盖性能，fx为第一最优解，fy为第二最优解，α、β是权重系数。

第二方面，本申请提供一种网络覆盖状况信息处理装置，包括：

第一网络覆盖模型建立模块，用于获取目标区域的实测数据，并根据实测数据建立目标区域的第一网络覆盖模型，其中实测数据包括道路测试和/或定点测试的数据。

第二网络覆盖模型建立模块，用于获取目标区域的实测数据和用户上报数据，并根据实测数据和用户上报数据建立目标区域的第二网络覆盖模型。

参数求解模块，用于采用小生境多目标遗传粒子群法对第一网络覆盖模型和第二网络覆盖模型进行优化，分别得到第一最优解和第二最优解；根据第一最优解和第二最优解，确定目标区域内网络覆盖性能指标参数。

网络覆盖状况信息输出模块，用于将网络覆盖性能指标参数与预设值作比较，输出目标区域的网络覆盖状况信息。

在一种可能的实现方式中，第一网络覆盖模型建立模块，具体用于使用聚类算法对实测数据进行筛选，得到聚类后的数据；根据聚类后的数据建立第一网络覆盖模型。

在一种可能的实现方式中，第一网络覆盖模型建立模块，具体用于判断实测数据的所属场景是否可被分类，若实测数据的所属场景可被分类，则采用基于划分的聚类方法对道路测试和/或定点测试的数据进行筛选；判断实测数据的所属场景在位置上是否集中，若实测数据的所属场景在位置上集中，则采用基于密度的聚类方法对道路测试和/或定点测试的数据进行筛选；判断实测数据的所属场景的采样点是否属于特定模型，若实测数据的所属场景的采样点属于特定模型，则采用基于模型的聚类方法对道路测试和/或定点测试的数据进行筛选。

在一种可能的实现方式中，第二网络覆盖模型建立模块，具体用于对实测数据和用户上报数据进行归类，得到数据对应的场景类型；根据场景类型进行建模，得到每个场景对应的第二网络覆盖模型。

在一种可能的实现方式中，第二网络覆盖模型建立模块，具体用于判断场景类型，若场景类型属于工业园区，则采用单层数据模型或多层数据模型对目标区域的实测数据和用户上报数据建模，得到工业园区对应的第二网络覆盖模型；若场景类型属于商业街，则采用多分枝模型对目标区域的实测数据和用户上报数据建模，得到商业街对应的第二网络覆盖模型；若场景类型属于综合住宅区或商业区，则采用多层级模型对目标区域的实测数据和用户上报数据建模，得到综合住宅区或商业区对应的第二网络覆盖模型。

在一种可能的实现方式中，参数求解模块，具体用于将第一最优解和第二最优解导入网络覆盖性能的计算公式，得到网络覆盖性能指标；其中，网络覆盖性能的计算公式为：

式中，Q表示网络覆盖性能，fx为第一最优解，fy为第二最优解，α、β是权重系数。

第三方面，本申请还提供了一种电子设备，包括：包括：处理器，以及与处理器通信连接的存储器。

存储器存储计算机执行指令。

至少一个处理器执行存储器存储的计算机执行指令，处理器执行存储器存储的计算机执行指令，以实现如第一方面的网络覆盖状况信息处理方法。

第四方面，本申请还提供了一种计算机存储介质，计算机存储介质中存储有计算机执行指令，当处理器执行计算机执行指令时，实现如第一方面的网络覆盖状况信息处理方法。

本申请提供的网络覆盖状况信息处理方法、装置、设备及存储介质，通过根据实测数据建立第一网络覆盖模型，根据实测数据和用户上报数据建立第二网络覆盖模型，并将第一网络覆盖模型和第二网络覆盖模型进行结合，使最终得到的网络覆盖性能指标可以兼顾两种网络覆盖模型的优点，同时本申请实施例使用小生境多目标遗传粒子群法对第一网络覆盖模型和第二网络覆盖模型进行优化，可以提高模型对于场景的准确性，从而最终提高了得到的网络覆盖性能指标参数得准确性，而网络覆盖状况信息又是由网络覆盖性能指标参数与预设值对比得到的，所以网络覆盖状况信息的准确性也相应得到了提升。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的网络覆盖状况信息处理方法的应用场景示意图；

图2为本申请实施例提供的网络覆盖状况信息处理方法的流程示意图一；

图3为本申请实施例提供的小生境多目标遗传粒子群法在本申请中的使用流程示意图；

图4为本申请实施例提供的网络覆盖状况信息处理方法流程示意图二；

图5为本申请实施例提供的网络覆盖状况信息处理方法流程示意图三；

图6为本申请实施例提供的一种网络覆盖性能的时间变化模型示意图；

图7为本申请实施例提供的网络状况覆盖状况信息处理装置示意图；

图8为本申请实施例提供的电子设备示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

随着社会信息化程度的逐渐增加，人们对移动网络的质量要求越来越高。目前移动通讯技术的不断发展，4G网络已经基本实现全面覆盖，5G网络已经进入加速建设的阶段。但城市中基站部署越来越密集，导致了信号干扰问题逐渐严重，也导致了新基站选址困难，同时，城市中的建筑物密集，会导致网络信号传播环境越来越复杂。基站间信号的干扰和城市中建筑物的密集最终导致了部分地区信号弱覆盖的现象。

为了解决移动无线网络信号覆盖弱的情况，首先需要对区域内的无线网络覆盖情况做出评价。当前对网络覆盖情况的评估的常用方法包括：基于道路测试和定点测试的网络覆盖评价方法、基于仿真的网络覆盖评价方法和基于MR数据的网络覆盖评价方法，这三种方法针对的场景各不相同，但都有准确程度不高的缺点。基于道路测试和定点测试的网络覆盖评价方法主要针对道路附近的场景和重要场景，该网络覆盖评价方法可以直接发现弱覆盖位置和区域，但针对直接测试较为困难的区域则难以做出网络覆盖评价，同时，由于难以遍历全部区域，需花费的时长多导致数据的时效性较低，这让数据的准确度难以保证；基于仿真的网络覆盖评价方法对人工测试的要求较低，但受到地图数据的精度、实际环境和物理工程参数精度的限制，导致评价准确程度也会受到影响；基于MR数据的网络覆盖评价方法在偏远郊区或者季节性的旅游景点，由于用户少而上报MR采样点少，导致该网络评价方法准确度降低。

为了解决上述三种网络覆盖评价方法准确度低的问题，本申请实施例提供以下技术方案：基于现有实测数据建立第一网络覆盖模型，基于实测数据和用户上报数据建立第二网络覆盖模型，然后利用小生境多目标遗传粒子群法对上述网络覆盖模型进行优化，得到最优解，最终使用最优解计算网络覆盖性能指标，并将得到的网络覆盖性能指标与预设值作对比得到目标区域的网络覆盖状况。

图1为本发明实施例提供的网络覆盖状况信息处理的应用场景示意图。如图1所示，该场景中，包括：接收装置101、处理器102和显示装置103。

可以理解的是，本申请实施例示意的结构并不构成对网络覆盖状况信息处理方法的具体限定。在本申请另一些可行的实施方式中，上述架构可以包括比图示更多或更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置，具体可根据实际应用场景确定，在此不做限制。图1所示的部件可以以硬件，软件，或软件与硬件的组合实现。

在具体实现过程中，接收装置101可以是输入/输出接口，也可以是通信接口，可以获取实测数据、用户上报数据和地图数据。

处理器102，可以对实测数据、用户上报数据和地图数据进行处理，得到网络覆盖性能指标参数。

显示装置103可以用于对上述网络覆盖性能指标参数等进行显示。

显示装置还可以是触摸显示屏，用于在显示的上述内容的同时接收用户指令，以实现与用户的交互。

应理解，上述处理器可以通过处理器读取存储器中的指令并执行指令的方式实现，也可以通过芯片电路实现。

另外，本申请实施例描述的系统架构以及应用场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着系统架构的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

图2为本申请实施例提供的网络覆盖状况信息处理方法流程示意图一。本实施例的执行主体可以是图1所示的处理器，也可以是计算机和/或手机等，本实施例对此不作出特别限制。如图1所示，该方法包括：

S201：获取目标区域的实测数据，并根据实测数据建立目标区域的第一网络覆盖模型，其中实测数据包括道路测试和/或定点测试的数据。

在本步骤中，目标区域可以是预先选定的待评价区域，道路测试和/或定点测试的数据可以是使用本申请提供的网络覆盖状况信息处理方法时，通过道路测试和/或定点测试的方式对待评价区域进行网络覆盖测试得到的数据，也可以是先前测试得到的历史数据。

S202：获取目标区域的实测数据和用户上报数据，并根据实测数据和用户上报数据建立目标区域的第二网络覆盖模型。

在本步骤中，实测数据包括上述道路测试和/或定点测试的数据，实测数据可以包括历史实测数据，用户上报数据可以包括用户上报的MR数据和用户投诉数据；用户上报的MR数据是指移动终端通过控制信道在业务信道上以一定时间间隔向基站周期上报所在小区的下行信号强度、质量等物理信息，基站将终端上报的下行物理信息和自身收集的上行物理信息上传给基站控制器，并由其收集与统计；用户投诉数据是用户对通信网络质量的最直接的反馈，也是尤其要引起重视的数据。

S203：采用小生境多目标遗传粒子群法对第一网络覆盖模型和第二网络覆盖模型进行优化，分别得到第一最优解和第二最优解；根据第一最优解和第二最优解，确定目标区域内网络覆盖性能指标参数。

在本步骤中，将S201和S202中得到的第一网络覆盖模型和第二网络覆盖模型作为小生境多目标遗传粒子群算法中的个体，将场景位置作为小生境多目标遗传粒子群算法中的位置。根据所有得到的第一网络覆盖模型和第二网络覆盖模型建立初始种群P

S301：利用小生境共享机制计算初始种群每个个体的适应度。

本步骤中，小生境共享机制是基于适应度的。

个体X

其中d

S302：在初始种群中选出目标个体，并将目标个体的初始位置作为初始个体最优位置。

在本步骤中，在初始种群中选出目标个体，可以是在初始种群中随机选取一个个体，并将该随机选出的个体的适应度与初始种群中所有个体的适应度作对比，若该随机选出的个体的适应度大于初始种群中半数个体的适应度，则将该随机选出的个体作为目标个体，若该随机选出的个体的适应度小于初始种群中半数个体的适应度，则用随机法选出个体最优位置。

其中，随机法选出个体位置，可以是再次随机选取一个个体，并将该新随机选出的个体的适应度与初始种群中所有个体的适应度作对比，若该新随机选出的个体的适应度大于初始种群中半数个体的适应度，则将该新随机选出的个体的初始位置作为初始个体最优位置，若该新随机选出的个体的适应度不大于初始种群中半数个体的适应度则再次进行本步骤。

S303：使用粒子群算法的位置更新公式对初始种群中所有个体的位置进行更新，并将个体位置更新后的离子群加入最优种群。

粒子群算法的位置更新公式如下：

其中，c

其中，ω的计算方法为：

ω＝ω

其中ω

全局最佳位置G

在本步骤中，通过式(4)(5)(6)同时完成了对粒子群的个体最优位置和全局最优位置的更新，并将个体位置更新后的个体加入了最优种群，最优种群有最大数量限制，最大数量可以根据迭代次数进行设置，例如，每次迭代降低当前最大数量的10％。最大数量的减少会导致个体数量超出最大数量限制，此时根据Pareto多解的定义，保存种群中的非劣解，即通过小生境机制完成对最优种群的更新。其中，Pareto多解的定义也就是将个体按照适应度排序，删除适应度小的个体，由此完成对最优种群的更新。

可选的，在本步骤中，还可以对选出最优种群中的部分个体进行交叉变异，如果结果非劣且适应度优于先前个体，则保留本次交叉变异，否则放弃。

其中，最优种群的部分个体的选择方法可以是随机选择，也可以是根据适应度选择适应度小于某数值的个体或大于某数值的个体，本申请不对此作出限制；结果非劣的含义是经过交叉变异后的个体适应度高于当前最优种群中半数个体的适应度；先前个体的含义是未进行交叉变异前的个体。交叉变异的过程分为两步，分别是交叉过程和变异过程。

交叉过程分为如下步骤：

S303A1：选择两个个体X

综合交叉概率CP的计算方法为：

式中：CP

在本步骤中，通过为被选择的个体生成随机数，并将随机数与式(7)中的综合交叉概率作对比，使得产生交叉的个体变得随机。

S303A2:令v

X

X

交叉过程通过对随机个体的进一步更新，实现了对部分个体的进一步优化。

变异过程与价差过程类似，变异过程分为如下步骤：

S303B1：选择一个个体X

综合变异概率的计算方法为：

S303B2：令

S304：判断当前迭代次数是否为最大迭代次数，若达到最大迭代次数，则输出Pareto最优解集，否则返回S303

具体的，判断当前迭代次数是否为最大迭代次数可以是比较iter与maxgen是否相等，Pareto最优解集就是经过小生境多目标遗传粒子群法优化过的第一网络覆盖模型和第二网络覆盖模型，也即第一最优解和第二最优解。

具体地，将第一最优解和第二最优解导入网络覆盖性能的计算公式，就能够得到网络覆盖性能指标参数；其中，网络覆盖性能的计算公式为：

式中，Q表示网络覆盖性能，fx为第一最优解，fy为第二最优解，α、β是权重系数。同样的，针对不同的场景类型可以采用不同的权重系数，例如在大型住宅区，用户上报数据更为准确的情况下，可以提高β值并降低α值，这样可以使得到的网络覆盖性能指标对场景的反应更加准确。

在本实施例中，基于得到的最优解可以得到目标区域的网络覆盖性能指标，并且网络覆盖性能指标可以根据场景的类型进行权重调整，这可以提高得到的网络覆盖性能指标的准确性。

S204：将网络覆盖性能指标参数与预设值作比较，输出目标区域的网络覆盖状况信息。

其中，得到的网络覆盖性能指标类型可以包括整数、小数，网络覆盖性能指标参数类型可能会由于第一最优解和第二最优解的不同而不同，当第一最优解和第二最优解都是百分比，或其中一个最优解为百分比，另一个为小数时，可先对第一最优解和第二最优解归一化再计算网络覆盖性能指标；预设值可以是某个数值、一段区间、几段区间，通过将得到的网络覆盖性能指标参数与预设值作比较就可以得到目标区域的网络覆盖状况信息，其中，网络覆盖状况信息可以包括分数和/或网络覆盖状况是否良好的判断，本申请实施例不对此作出限制。

在本实施例中，通过将第一网络覆盖模型和第二网络覆盖模型进行结合，使最终得到的网络覆盖性能指标可以兼顾根据实测数据所建立模型和根据用户上报数据所建立模型的优点，同时本申请实施例使用小生境多目标遗传粒子群法对第一网络覆盖模型和第二网络覆盖模型进行优化，可以提高模型对于场景的准确性，从而最终提高得到的网络覆盖性能指标参数得准确性，而网络覆盖状况信息又是由网络覆盖性能指标参数与预设值对比得到的，使得网络覆盖状况信息的准确性也得到了相应提升。

图4为本申请实施例提供的网络覆盖状况信息处理方法流程示意图二。在上述实施例的基础上，本实施例主要描述了步骤S201中，根据实测数据建立目标区域的第一网络覆盖模型的具体过程，详述如下：

S2011：使用聚类算法对实测数据进行筛选，得到聚类后的数据。

在一种可能的实现方式中，在对数据进行聚类分析前可对实测数据进行划分栅格，划分栅格可为聚类分析提供便利，划分栅格后可根据场景的不同使用不同的聚类方法对实测数据进行分析，若实测数据的所属场景可被分类，则采用基于划分的聚类方法对实测数据进行筛选；若实测数据的所属场景在位置上集中，则采用基于密度的聚类方法对实测数据进行筛选；若实测数据的所属场景的采样点属于特定模型，则采用基于模型的聚类方法对实测数据进行筛选。采用基于划分的聚类方法可以筛选出特定类型的场景对应的数据，找到数据之间的关联，进而剔除不希望评价的场景类型所对应的数据，场景类型具体例如：学校、工厂、商业区和住宅区等，具体的，基于划分的聚类方法可以是K-Means算法。基于划分的聚类方法可以是：将数据集分裂成K个分组，每一个分组是一个类，大部分基于划分的聚类算法是基于距离的，同一个类内的对象尽可能相近，不同类内的对象尽可能远离。K-Means算法是最典型的基于划分的聚类方法。基于密度的聚类方法不是基于样本点间的距离，而是基于密度的，这样就可以发现数据集中的疏密关系，因此可以筛选出地理位置较为集中的场景对应的数据，进而剔除零散场景对应的数据，为找到覆盖差点的连片或密度集中区域打下基础，具体的，基于密度的聚类方法可以是DBSCAN密度类算法。基于模型的聚类方法则是假定每一个聚类符合一个模型的分布，然后去寻找能够很好满足这个模型的数据集，在本实施例中基于模型的聚类方法可以筛选出与模型分布情况相近的场景对应的数据，进而剔除与模型不相符的场景对应的数据，具体的，基于模型的聚类方法主要是指基于概率模型的方法和基于神经网络模型的方法，其中高斯混合模型算法是最典型的基于模型的聚类算法。

S2012：根据聚类后的数据建立第一网络覆盖模型。

在本步骤中，聚类后的数据就是使用聚类算法筛选后得到的数据，建立第一网络覆盖模型时可以根据场景类型的不同选择不同的建模方法，当场景为空旷的郊区或者新建的工业园区时利用室外单层建模模型，但是大多数新型的产业园区具备多层的地下车库，这时可以根据实际情况选择建立多个单层数据模型，或者多层数据模型；当场景为繁华的商业街时，采用多分枝模型进行建模；当涉及到大型综合住宅群或者大型商业区时采用多层级模型进行建模；

在本实现方式中，通过针对不同的目标区域使用不同的聚类方法，可以实现对数据的针对性筛选，减少数据的数量，从而降低分析的难度，同时，基于聚类算法筛选后实测数据的建模，可以为得到不同场景对应的网络覆盖情况提供便利；通过针对不同场景使用不同的建模方法，得到每个场景适合的模型，可以在建模时提升模型与场景的匹配程度，从而提高最终得到的网络覆盖状况信息的准确程度。

图5为本申请实施例提供的网络覆盖状况信息处理方法流程示意图三。在上述实施例的基础上，本实施例主要描述了步骤S202中，根据实测数据和用户上报数据建立目标区域的第二网络覆盖模型的具体过程，详述如下：

S2021：对实测数据和用户上报数据进行归类，得到数据对应的场景类型。

具体的，可以是将实测数据和用户上报数据根据对应的场景类型进行分类，将数据分为来源于工厂、住宅区、商业街等不同的场景类型。将数据分类可为后续针对不同场景的建模过程打下基础。

S2022：根据场景类型进行建模，得到每个场景对应的第二网络覆盖模型。

在一种可能的实现方式中，得到数据对应的场景类型后，建模方法的选择可以是：若场景类型属于工业园区，则采用单层数据模型或多层数据模型对目标区域的实测数据和用户上报数据建模，得到工业园区对应的第二网络覆盖模型；若场景类型属于商业街，则采用多分枝模型对目标区域的实测数据和用户上报数据建模，得到商业街对应的第二网络覆盖模型；若场景类型属于综合住宅区或商业区，则采用多层级模型对目标区域的实测数据和用户上报数据建模，得到综合住宅区或商业区对应的第二网络覆盖模型。针对空旷的郊区或环境复杂的工业园区时，由于场景内人员密集程度不一，建模使用的数据可以是只使用历史实测数据，或在建模时提高历史实测数据的权重；城市中心的繁华区域，如大型综合住宅群、大型商业区，采用多分枝模型进行建模时，由于该地区人员密集，用户上报的数据较多，并且实测点不好选择，所以实际测量数据可能不够准确，此时只选择用户上报数据或者调高用户上报数据的权重进行仿真建模；此外，一些季节性的景点区域可以选择同时期的历史实测数据和同时期的用户上报数据并结合天气、景点人数预期等数据，建立空间模型的基础上，建立如图6所示的网络覆盖性能的时间变化模型，左图为同时期旅游黄金周的用户MR数据，右图为当前实测数据，可以结合左图的历史数据和右图的实测数据，以及天气、经济、渠道、政策等多因素建立预期模型，对即将到来的旅游高峰期的网络覆盖性能进行预期。

在本实施例中，根据数据的来源对数据进行了分类，从而可以根据场景类型的不同，采用不同的建模方法，提升了模型用于网络覆盖评价时得到的网络覆盖状况信息准确性，并且由于可以对使用的实测数据和用户上报数据的权重做出调整，模型的准确性得以进一步提高。对于季节性的景点，还可以实现得到网络覆盖性能的时间变化模型，为提前做好网络覆盖的测试工作、保证旅游季网络通信提供了便利。

图7为本申请实施例提供的网络覆盖状况信息处理装置的结构示意图。示例的，请参见图7所示，该网络覆盖状况信息处理装置700可以包括：第一网络覆盖模型建立模块701、第二网络覆盖模型建立模块702、参数求解模块703和网络覆盖状况信息输出模块704。

其中，第一网络覆盖模型建立模块701，用于获取目标区域的实测数据，并根据实测数据建立目标区域的第一网络覆盖模型，其中实测数据包括道路测试和/或定点测试的数据。

第二网络覆盖模型建立模块702，用于获取目标区域的实测数据和用户上报数据，并根据实测数据和用户上报数据建立目标区域的第二网络覆盖模型。

参数求解模块703，用于采用小生境多目标遗传粒子群法对第一网络覆盖模型和第二网络覆盖模型进行优化，分别得到第一最优解和第二最优解；根据第一最优解和第二最优解，确定目标区域内网络覆盖性能指标参数。

网络覆盖状况信息输出模块704，用于将网络覆盖性能指标参数与预设值作比较，输出目标区域的网络覆盖状况信息。

在一种可能的实现方式中，第一网络覆盖模型建立模块701，具体用于使用聚类算法对实测数据进行筛选，得到聚类后的数据；根据聚类后的数据建立第一网络覆盖模型。

图8为本申请实施例提供的电子设备示意图。参考图8，该设备可以是移动电话，计算机，平板设备，等。

电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，输入/输出(I/O)接口810，以及通信组件812，组件之间可通过总线相连。

处理组件802通常控制电子设备800的整体操作，诸如与显示，数据通信和记录操作相关联的操作。处理组件802可以包括一个或多个处理器814来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，实测数据，用户上报数据，地图数据等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与触摸或滑动操作相关的持续时间和压力。

I/O接口810为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

通信组件812被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件812经由wifi获取历史实测数据。在一个示例性实施例中，通信组件812还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器804，上述指令可由电子设备800的处理器814执行以完成上述方法。

本申请实施例还提供一种非临时性计算机可读存储介质，当该存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述电子设备的网络覆盖状况信息处理方法。

本申请实施例还提供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，实现如上的数据处理方法。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案。

另外，在本申请各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。上述模块成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器执行本申请各个实施例所提供方法的部分步骤。

应理解，上述处理器可以是中央处理单元(Central Processing Unit，简称CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

存储器可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器，还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。

总线可以是工业标准体系结构(Industry Standard Architecture，简称ISA)总线、外部设备互连(Peripheral Component Interconnect，简称PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，简称EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。

一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits，简称ASIC)中。当然，处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。