CN102695218B - 基于模式识别的切换自优化方法 - Google Patents

Abstract

本发明涉及无线通信技术领域，公开了一种基于模式识别的切换自优化方法，包括以下步骤：S1、对网络中的切换行为进行检测和统计，所述切换行为分为正常切换行为和异常切换行为；S2、利用假设检验的方法，根据S1所统计的结果对切换行为进行识别，当识别出切换异常行为时执行步骤S3；S3、根据贝叶斯决策方法以及当前网络的状态调整相应的网络切换参数，从而实现切换自优化。本发明基于模式识别理论，对要改善的异常场景进行合理、准确的判断，在综合考虑行为的风险等因素后，对相应参数进行调整，从而减少不必要的切换，降低无线链路连接失败率，提高用户体验。

Description

基于模式识别的切换自优化方法

技术领域

本发明涉及无线通信技术领域，特别是涉及一种基于模式识别的切换自优化方法。

背景技术

当前3GPP(3rd Generation Partnership Project，第三代合作伙伴计划)在LTE(Long Term Evolution，长期演进)网络中引入SON(Self-Organizing Network，自组织网络)，其目标是使无线接入网络可以实现自配置、自优化，自修复的功能。3GPP下属的多个工作组都参与了SON的特性制定和标准化工作，其目前主集中在SA5和RAN3工作组。其中SA5主要是制定SON操作管理需求和网元与操作维护中心(O&M)之间的接口标准，RAN3主要讨论SON用例的实现方案，以及对于SON在X2和S1之间的信令过程。

切换是无线通信过程中的重要过程。在当前的网络系统中，靠人工手动进行优化的系统不仅浪费时间，而且会导致成本过高。在LTE网络中引入SON，其自配置、自优化，自修复的功能不仅可以改善系统性能，还可以减少人工工作量，降低运营成本。Rel-9SON自优化研究集中在负载平衡和切换参数的最优化。Rel-10除继续讨论这两点外还对干扰的控制、容量和覆盖率最优化以及RACH(RandomAccess Channel，随机访问信道)最优化三个方面进行研究讨论。

在SON中，切换自优化算法的主要目标就是提高切换成功率，减少与切换相关的无线链路失败的次数，提高网络资源的使用效率。切换异常的场景主要有以下五种：过早切换、过晚切换、乒乓切换、切换到错误小区和小区重选参数与切换参数不匹配。下面详细介绍各种切换异常场景的成因及特征：

(1)过早切换：主要发生在重叠覆盖的热区，用户检测到的目标小区信号质量并不稳定，用户切换后目标小区信号质量已经非常低了，就会发生无线链路失败，随即与原基站重新建立连接。可以通过将相应的切换门限值调高，使其不易切换，就可以避免用户在邻区信号质量并不稳定的情况下进行不必要的切换。

(2)过晚切换：主要是由于用户的移动速率过快，在服务小区的信号质量已经极低时才触发切换，使得用户在切换初始或切换过程中就发生无线链路连接失败。与过早切换相对，过晚切换是由于对于高速移动的用户切换参数设置得过高所导致的，切换门限值较高，切换难度大，需要将门限值向低的方向适量调节。

(3)乒乓切换：用户在一定周期内，原小区和目标小区之间来回切换次数超过了预先设定的门限值，用户在这两个小区内停留的时间都很短，不会发生无线链路连接失败，但却对无线资源造成严重浪费。

(4)切换到错误小区：由于特定偏置参数设置不合理，导致在切换准备阶段，选择了错误的目标小区，切换到了非服务小区和目标小区的第三邻区。因此用户或者切换不成功，或者即使切换成功，也会马上发生无线链路失败。

(5)小区的重选参数和切换参数不匹配造成的异常切换场景：当用户刚刚建立呼叫连接就立即切换到另一小区的现象，导致用户在空闲状态下自主选择的小区与在连接状态下所连接的小区不同。在通信领域对于切换优化过程的研究已经非常多，并且切换优化算法的类别也层出不穷。例如，有些研究针对各异常场景发生次数的多少来识别是哪种异常切换，从而进行相应参数的调整。首先，这样的识别是不合理的，而且仅就异常切换的场景进行参数的高或低的调节也是欠妥的。对于错误的切换失败场景判断可能导致系统做出错误的参数调整，错误的参数调整方式不但不能解决系统目前存在的切换异常，还不可避免地对正常的切换造成负面影响。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是：如何降低切换失败率。

(二)技术方案

为了解决上述技术问题，本发明提供一种基于模式识别的切换自优化方法，包括以下步骤：

S1、对网络中的切换行为进行检测和统计，所述切换行为分为正常切换行为和异常切换行为；

S2、利用假设检验的方法，根据S1所统计的结果对切换行为进行识别，当识别出切换异常行为时执行步骤S3；

S3、根据贝叶斯决策方法以及当前网络的状态调整相应的网络切换参数，从而实现切换自优化。

优选地，所述异常切换行为分为过早切换行为和过晚切换行为，在步骤S1中，在预设的检测周期内对所述正常切换行为和异常切换行为的数量分别进行统计。

优选地，步骤S2中对切换行为进行识别的步骤具体为：

假设网络中过早切换行为和过晚切换行为出现的概率相同，则根据中心极限定理将步骤S1的切换行为统计结果描述为服从数学期望μ₀＝0.5的高斯分布，对于数学期望落在(0.5-x，0.5+x)范围内的切换行为，识别为正常切换行为；对于数学期望落在小于或等于0.5-x范围的切换行为，识别为过早切换行为，对于数学期望落在大于或等于0.5+x范围的切换行为，识别为过晚切换行为，x为正实数。

优选地，正实数σ表示所述高斯分布的标准差，n表示检测到的切换行为样本的个数，α表示置信度，μ_α/2表示高斯分布中用于划分不同样本类型的边界位置的分位点，且置信度α＝P{|U|≥μ_α/2}，其中，统计量 表示检测到的任一切换行为样本，所述样本类型包括正常切换行为样本、过早切换行为样本和过晚切换行为样本。

优选地，步骤S3具体为：

S31、将任一异常切换行为样本的贝叶斯概率表示为：

$P\left({\mathrm{\ω}}_i\right|X)=\frac{P\left(X\right|{\mathrm{\ω}}_i)P\left({\mathrm{\ω}}_i\right)}{P\left(X\right)}$

其中，ω_i表示异常切换行为，i＝1或2，而X为检测周期内统计得到的异常切换行为样本集，P(X|ω_i)表示在异常切换行为ω_i的情况下，样本集X出现的概率，P(ω_i)表示异常切换行为ω_i出现的先验概率，P(X)表示样本集X出现的先验概率；

S32、调整网络切换参数，以使函数最小，其中a表示调整网络切换参数的行为，S表示当前网络的状态，λ(a|ω_i，S)表示在当前网络状态S发生异常切换行为ω_i的情况下，执行调整网络切换参数的行为a时所产生的风险。参数调整的方式为：如果为过晚切换行为则增大小区特定偏置CIO，如果为过早切换行为，则减小CIO。

优选地，在步骤S32之后包括步骤S33：将当前网络可以接受的最大切换失败率设为A，在步骤S32进行参数调整后，判断网络切换失败率是否低于A，若是，则更新网络切换参数，否则进一步调整网络切换参数，以降低切换失败率。

优选地，所述网络的状态为繁忙或空闲。

(三)有益效果

上述技术方案具有如下优点：基于模式识别理论，对要改善的异常场景进行合理、准确的判断，在综合考虑行为的风险等因素后，对相应参数进行调整，从而减少不必要的切换，降低无线链路连接失败率，提高用户体验。

附图说明

图1是本发明实施例的方法流程图；

图2是本发明实施例的方法中采用的假设检验的样本分布图，用于分析如何对三种切换状态进行识别。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

如图1所示，整个自优化过程分为3个阶段：切换信息处理及统计阶段、异常切换状态的识别阶段和参数调整阶段。

S1)首先是对切换信息的监测、处理和统计，每次用户与服务基站或目标基站链接/重链接完成后，基站之间都会互通本次切换的状态(包括正常切换(即切换成功)，发生过早切换，发生过晚切换等)。综合考虑用户数量、用户的移动性特征和切换实际发生的数量等指标，设定一定的检测周期，对网络中的切换行为进行检测和统计，尤其是对于切换失败的场景，按不同类型标记、统计并记录。本发明仅粗略的将发生的异常切换归结为过早切换和过晚切换两种。基站将过早切换标记为0，过晚切换标记为1，并在一定周期内对数据进行统计。

S2)识别阶段采用假设检验的方法对设计进行分析，将切换的状态判决为正常状态，过早和过晚切换三种情况。首先假设网络切换参数设置合理，根据数理统计学知识观察判定结果是否落在拒绝域内从而决定是否接受原假设，即是否可以认为网络切换参数设置合理。若拒绝了原假设，即认为网络参数设置存在问题，则进一步地判断其切换异常场景。

其次，假设网络中过早和过晚切换的情况以相同的概率出现，根据中心极限定理可以知道网络中异常切换的统计样本服从数学期望μ₀＝0.5的高斯分布。对于过早切换，样本的数学期望显然是在小于0.5的区间，而对于过晚切换则是在大于0.5的区间。对于样本均值在0.5附近的观察样本，则可以认为其属于正常区间。

如果是正常状态，说明这个周期内的切换情况基本没有异常，则基站继续进行下一周期的检测、标记、统计切换信息。如果是异常切换，则需通过下一步的贝叶斯决策考虑当前网络质量情况，和行为风向等问题，确定参数调整的方向和程度。

S3)调整阶段采用贝叶斯决策中的最小风险决策，在对参数进行调整、改善异常切换的同时考虑到了当前的网络质量情况，以及该行为在网络中存在的风险等。

在对于某一切换异常场景的贝叶斯概率的描述可以用下面的式子表示

$P\left({\mathrm{\ω}}_i\right|X)=\frac{P\left(X\right|{\mathrm{\ω}}_i)P\left({\mathrm{\ω}}_i\right)}{P\left(X\right)}---\left(1\right)$

其中ω_i表示异常切换行为，i＝1或2，而X为一定周期内对异常切换相关指标的统计样本集。可以知道由于受观察历史数据的影响，P(X|ω_i)代表了对于系统切换异常的后验概率，在此，可以用统计量U来代替，其表示了在某种切换异常场景下，出现观察集X的概率。而P(ω_i)则是某类切换异常场景出现的先验概率，其说明了本发明预先对于某类切换异常场景出现的知识，P(X)表示样本集X出现的先验概率。

同时，为了计算系统对于某类切换异常问题所进行切换参数调整而带来的风险，可以构造风险函数λ(a|w_i，S)，其中a表示为解决某切换异常问题所需要进行的行为，在本发明中也即对参数的调整，S表示当前网络的状态(S∈{繁忙，空闲})。

风险函数是为了描述在某个网络状态下对于切换参数进行调整所带来的风险。显然系统在忙时对切换参数进行调整可能带来更大的风险。另一方面，如果当系统中存在严重的过早或过晚切换问题而没有得到及时纠正，同样会造成网络系统性能的急剧下降，从而带来另一类的风险。因此，为了对切换参数调整进行最优决策，需要满足下式

$R=\min \underset{i=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{\λ}\left(a\right|{\mathrm{\ω}}_i,S)P\left({\mathrm{\ω}}_i\right|X)---\left(2\right)$

本发明中涉及到a表示为解决某切换异常问题所需要进行的行为，在本发明中也即对参数的调整。λ(a|ω_i，S)表示在当前网络状态S发生异常切换行为ωi的情况下，执行调整网络切换参数的行为a时所产生的风险，该风险可以用衡量网络传输质量的指标所产生的变化来表征，例如可以是QoS、传输带宽的降低，也可以是数据传输时延、数据丢包率的提高。如果是过晚切换则需要调整CIO(小区特定偏置)增加一定步长。若非过晚切换，则为过早切换，需要调整CIO减小一定步长。所述一定步长并不是一个固定值，其随切换的异常程度和风险等问题是自适应变化的，该一定步长的值可以根据现有技术得到。

调整参数CIO的机理如下：切换的A3事件触发条件为Mn＞Mp+Hys-CIO，其中，Mn、Mp分别表示目标小区和服务小区的信号强度，CIO变大可以使得A3事件触发切换更容易一点，因此可以避免过晚切换；CIO变小则可避免过早切换。CIO的取值范围一般是-20～20dB。

上述调节参数CIO的目的是为了使降低切换失败率的同时对网络造成的风险最小。如果调整参数降低切换失败率的时候，使其风险较大，系统就不通过调节参数来降低切换失败率了，系统允许的最大风险值设为R_max，若上式(2)中的R≤R_max，则表示可以通过参数的相应调整来降低切换失败率，否则系统可采用其他现有方式来实现这一目的。

将当前网络可以接受的最大切换失败率设为A，为给定值。参数调整后，判断优化后计算得到的切换失败率(1-(正常切换次数/切换总数))是否低于A，如果低于A，则将网络切换参数更新，即可解决当前较严重的切换问题。如果高于A，仍需进一步地进行参数调整，以降低切换失败率，完成切换的自优化。

图2示意了本发明采用假设检验方法得到的样本分布图，用以识别预处理的切换状态。

如图2所示，假设网络中过早和过晚切换的情况以相同的概率出现，同时，可以认为网络中统计异常切换信息样本是独立同分布的，因此根据中心极限定理可以知道网络中异常切换信息样本服从数学期望μ＝0.5的高斯分布。其分布为

$Y=\frac{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{X}_k-0.5n}{\sqrt{n}\mathrm{\σ}}---\left(3\right)$

其中X₁，X₂，…X_n是观测到的样例，其方差为σ²。随着观测样本数量的增加，分布逐渐变成尖峰。

对于某一个样本，可以根据其统计特性分析，判断其处于正常状态，过早切换或是过晚切换。对于样本均值在0.5附近的观察样本，则可以认为其属于正常区间，说明切换的问题并不是由于参数设置不正确带来的，这就无需对参数进行调整。对于过早切换，样本的数学期望显然是在小于0.5的区间，而对于过晚切换则是在大于0.5的区间。这两种情况就需要通过接下来的参数调整阶段，降低切换失败率。

基于上述论述，步骤S2中，对系统切换参数设置正常这一假设进行检验，可以将该问题转化为检验样本均值是否是0.5。可以取两个相互对立的假设表示上述场景：原假设H₀表示样本均值在在0.5附近，这时的系统切换参数设置正常，切换状态为正常状态；假设H₁说明系统中存在由于参数设置错误而引发的某种切换异常现象。

为此可以构造统计量

$U=\frac{\stackrel{\‾}{X}-{\mathrm{\μ}}_0}{\mathrm{\σ}/\sqrt{n}}---\left(4\right)$

为了区分不同场景，就需要划分不同样本类型的边界位置，即分位数。为了得到分位数则需要指定置信度，置信度说明了对于这样一种分类的可靠程度。在此，为了将整个样本的分布函数划分为三个区间，则需要指定上下两个分位数，即对于某一个置信度α，通过查表可得上侧α/2分位点μ_α/2，使得P{|U|≥μ_α/2}＝α。

若样本个数为n，若满足|U|＜μ_α/2，即对于样本位于区间 $\stackrel{\‾}{X}\∈(0.5-x,0.5+x),$ 其中， $x=\frac{\mathrm{\σ}}{\sqrt{n}}{\mathrm{\μ}}_{\mathrm{\α}/2},$ 则有

$\stackrel{\‾}{X}\∈(0.5-\frac{\mathrm{\σ}}{\sqrt{n}}{\mathrm{\μ}}_{\mathrm{\α}/2},0.5+\frac{\mathrm{\σ}}{\sqrt{n}}{\mathrm{\μ}}_{\mathrm{\α}/2})---\left(5\right)$

其中，μ_α/2是样本的上分位数。该区间为置信区间，若统计量落在置信区间内，接受H₀，则认为系统参数的设置没有问题，属于正常状态。否则称其落入拒绝域，则拒绝H₀，说明系统中存在由于参数设置错误而引发的某种切换异常现象。特别地，针对本发明的具体问题，当时，此时的异常切换属于过早切换，否则为过晚切换。

由以上实施例可以看出，本发明基于模式识别理论，对要改善的异常场景进行合理、准确的判断，在综合考虑行为的风险等因素后，对相应参数进行调整，从而减少不必要的切换，降低无线链路连接失败率，提高用户体验。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。

Claims (4)

1.一种基于模式识别的切换自优化方法，其特征在于，包括以下步骤：

S1、对网络中的切换行为进行检测和统计，所述切换行为分为正常切换行为和异常切换行为；

S2、利用假设检验的方法，根据S1所统计的结果对切换行为进行识别，当识别出切换异常行为时执行步骤S3；

S3、根据贝叶斯决策方法以及当前网络的状态调整相应的网络切换参数，从而实现切换自优化；

步骤S2中对切换行为进行识别的步骤具体为：

假设网络中过早切换行为和过晚切换行为出现的概率相同，则根据中心极限定理将步骤S1的切换行为统计结果描述为服从数学期望μ₀＝0.5的高斯分布，对于数学期望落在(0.5-x,0.5+x)范围内的切换行为，识别为正常切换行为；对于数学期望落在小于或等于0.5-x范围的切换行为，识别为过早切换行为，对于数学期望落在大于或等于0.5+x范围的切换行为，识别为过晚切换行为，x为正实数；

正实数σ表示所述高斯分布的标准差，n表示检测到的切换行为样本的个数，α表示置信度，μ_α/2表示高斯分布中用于划分不同样本类型的边界位置的分位点，且置信度α＝P{|U|≥μ_α/2}，其中，统计量 表示检测到的任一切换行为样本，所述样本类型包括正常切换行为样本、过早切换行为样本和过晚切换行为样本；

步骤S3具体为：

S31、将任一异常切换行为样本的贝叶斯概率表示为：

$\left({\mathrm{\ω}}_i\right|X)=\frac{P\left(X\right|{\mathrm{\ω}}_i)P\left({\mathrm{\ω}}_i\right)}{P\left(X\right)}$

其中，ω_i表示异常切换行为，i＝1或2，而X为检测周期内统计得到的异常切换行为样本集，P(X|ω_i)表示在异常切换行为ω_i的情况下，样本集X出现的概率，P(ω_i)表示异常切换行为ω_i出现的先验概率，P(X)表示样本集X出现的先验概率；

S32、调整网络切换参数，以使函数最小，其中a表示调整网络切换参数的行为，S表示当前网络的状态，λ(a|ω_i，S)表示在当前网络状态S发生异常切换行为ω_i的情况下，执行调整网络切换参数的行为a时所产生的风险，参数调整的方式为：如果为过晚切换行为则增大小区特定偏置CIO，如果为过早切换行为，则减小CIO。

2.如权利要求1所述的方法，其特征在于，所述异常切换行为分为过早切换行为和过晚切换行为，在步骤S1中，在预设的检测周期内对所述正常切换行为和异常切换行为的数量分别进行统计。

3.如权利要求1所述的方法，其特征在于，在步骤S32之后包括步骤S33：将当前网络可以接受的最大切换失败率设为A，在步骤S32进行参数调整后，判断网络切换失败率是否低于A，若是，则更新网络切换参数，否则进一步调整网络切换参数，以降低切换失败率。

4.如权利要求1所述的方法，其特征在于，所述网络的状态为繁忙或空闲。