CN102932826A - 蜂窝移动通信系统网络自组织中的小区中断探测定位方法 - Google Patents

Abstract

一种蜂窝移动通信系统网络自组织中的小区中断探测定位方法，是在包含多小区的侦听区域中，用户在触发A3事件时，同时将其各个KPI参数和位置信息上报给基站；在每个侦听周期内,基站将接收到的这些数据上报给OAM，OAM采用聚类分析方法根据这些数据对用户进行分类；并根据聚类分析结果，判断侦听区域中是否有小区发生中断；若发生中断，再根据各类用户在网络中的分布定位中断小区，并统计发生中断的小区数量和区分小区中断的类型，保证及时发现网络故障，并触发相应补偿措施。本发明不需要为小区提前设定衡量小区是否正常运营的KPI参数模型，操作步骤简单，无需人工干预，降低能量损耗和运维成本，且能避免因参数值模型设置不准确，造成误判的可能。

Description

蜂窝移动通信系统网络自组织中的小区中断探测定位方法

技术领域

本发明涉及一种蜂窝移动通信系统网络自组织中的小区中断探测定位方法，确切地说，涉及一种蜂窝移动通信系统网络自组织SON（Self-OrganizingNetworks）中自治愈部分的小区中断探测和中断小区定位方法，属于无线通信的技术领域。

背景技术

在下一代宽带移动通信网络IMT-Advanced中，引入了家庭基站和中继站，并采用增强型的多输入多输出（MIMO）、多点协作（CoMP）和载波聚合等先进技术，从而引入大量的参数和数据处理，为网络的配置、优化以及中断小区的探测和补偿带来了更高的技术复杂度与人工运维成本。在这种背景下，网络自组织技术作为一种先进的无线通信技术，获得了学术界和产业界的共同关注。

IMT-Advanced系统的网络自组织（SON）技术具有自配置、自优化、自治愈的三大功能。其中，网络自治愈能够自动、快速、准确地检测和定位影响网络性能的故障，并实现自动恢复正常运行，以确保用户连续、高质量的通信过程。为了实现网络自治愈，要求移动蜂窝网络具有小区中断探测定位和中断小区性能补偿的两方面功能，其中的小区中断探测定位是自治愈的基础和前提。

目前，小区中断的部分故障由运维管理中心OAM（Operation Administrationand Maintenance）通过警报或性能监视器来发现的，这样，某些小区中断往往需要很长时间（长达数小时或数天）才能被探测到，或者是通过长时间的性能分析或用户反馈才被发现。而且，现在的故障发现和识别都牵涉到大量的人力分析，以及对基站的不断访问，使得中断探测定位既费时，又低效。因此，网络自组织技术中的中断探测因为其能够提高网络运维的效率，并减少人为干预，降低网络维护的成本，就成为业内关注的焦点。

网络自组织技术中的小区中断探测机制在实施过程中，首先需要收集来自移动台（UE）、基站（eNodeB）、运维管理中心（OAM）等的测量信息，并提取可以准确判断小区性能中断的数据信息。然而，可探测和提取的数据信息并不是完整齐全的，而无线网络的性能又是时变的，所以如何在有限的探测信息前提下，实现准确的小区中断探测定位，迫切需要一种高效的小区中断探测方法。

发明内容

有鉴于此，本发明的目的是提供一种蜂窝移动通信系统网络自组织中的小区中断探测定位方法，该方法是在包含多小区的侦听区域中,用户在触发A3事件（邻小区的服务质量优于服务小区的设定偏移量）时，将其关键性能指标KPI（Key Performance Indicator）参数和位置信息上报给基站。在每个侦听周期内，OAM收集基站上报的触发A3事件的各用户的KPI参数及其位置信息，并根据用户的KPI参数对这些用户基于动态聚类分析方法进行分类；再根据聚类分析的结果，判断侦听区域中是否有小区发生中断和发生中断的类型。若发生中断，则根据各类中断的用户在网络中的分布定位中断小区，从而保证网络故障的及时发现；再针对小区中断的不同类型，触发相应的中断补偿措施，给用户提供高质量的服务。

为了达到上述目的，本发明提供了一种蜂窝移动通信系统网络自组织SON（Self-Organizing Networks）中的小区中断探测定位方法，其特征在于：在包含多个小区的侦听区域中，用户在触发表示邻小区服务质量优于服务小区设定偏移量的A3事件时，同时将其各个关键性能指标KPI参数和位置信息上报给基站；在每个侦听周期内,基站将接收到的这些数据上报给运维管理中心OAM，OAM采用聚类分析方法根据所述数据对用户进行分类；并根据聚类分析结果，判断侦听区域中是否有小区发生中断，并统计发生中断的小区数量和区分小区中断的类型；若发生中断，再根据各类用户在网络中的分布定位中断小区，保证及时发现网络故障，并触发相应补偿措施。

本发明方法的特点是：运用数据挖掘中的聚类分析技术自动探测定位中断小区。聚类分析可以在没有任何先验知识的情况下，自动将数据基于各种具体的聚类算法进行分类，有些算法需要提前设定分类个数（例如K均值（K-means）算法），另一些算法不需要预先设定分类个数，只是在运算中根据设定标准找出适合成为聚类中心（每类分别对应一个聚类中心）的点，再根据这些点的多少来确定聚类结果输出的分类个数，如仿射传播AP算法。对于中断情况未知的通信网络，因无法预知中断小区的个数，此时需要一种动态聚类算法对所收集的用户数据进行分类，以便将处于不同中断程度的中断小区区分开来。

因此，本发明的创新技术是：利用数据挖掘中的动态聚类算法，对触发A3事件用户进行动态分类。传统的聚类算法需要提前设定分类个数，或者不能保证输出的分类个数为最优，而本发明首创的动态AP聚类算法是通过比较不同分类个数下的聚类质量，保证以最优的分类个数输出分类结果。这样，在中断小区个数与类型未知的情况下，聚类算法能够将正常用户和处于不同中断程度的用户区分开来。进而，在侦听区域发生多个小区不同类型中断的时候，不仅探测是否存在中断小区，若存在，还将定位并区分不同类型的中断小区，以便针对不同的中断小区触发相应的中断补偿措施。

此外，本发明不需要提前为每个小区设定用于衡量小区是否正常运营的KPI参数值的模型，只需利用网络收集到的用户上报的各种KPI参数和位置信息，对每个侦听区域中的所有触发A3事件用户进行分类，从而定位中断小区。整个操作过程中，步骤简单，计算复杂度低，无需人工干预，降低了因专设收集参数的功能模块而造成的能量损耗和运维成本，而且，避免了因参数值模型设置不准确，带来的错误判断的可能性。因此，本发明具有很好的推广应用前景。

附图说明

图1是本发明网络自组织中的小区中断探测定位方法操作步骤流程图。

图2是本发明方法仿真实施例中设置两种不同小区中断程度的场景图。

图3是图2的仿真实施例中本发明操作步骤流程图。

图4是本发明方法聚类质量评价指标值随聚类分类数的动态变化图。

图5是本发明方法仿真结果的聚类示意图。

图6是本发明方法用户位置映射定位中断小区示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步的详细描述。

本发明是针对海量信息无法高效进行无线网络性能判决和故障诊断的问题，提出的一种蜂窝移动通信系统网络自组织中的小区中断探测定位方法。该方法是在一个包含多个小区的侦听区域中，用户在触发A3事件（表示邻小区服务质量优于服务小区设定偏移量）时，将其各个关键性能指标KPI参数和位置信息同时上报给基站；在每个侦听周期内,基站将接收到的这些数据上报给运维管理中心OAM，OAM采用聚类分析方法根据这些数据对用户进行分类；并根据聚类分析结果，判断侦听区域中是否有小区发生中断；若发生中断，再根据各类用户在网络中的分布定位中断小区，并统计发生中断的小区数量和区分小区中断的类型，保证及时发现网络故障，并触发相应补偿措施。

本发明的重要创新是提出一种聚类分析方法：动态仿射传播AP算法。众所周知，传统的AP算法不用预先确定分类个数，运算前设置的偏向参数p能决定每个数据点成为最终聚类中心的可能性，p值越大，可能的聚类中心越多，表示算法输出的分类个数越多。通常在无先验知识时，将p设定为各数据点间相似度的中间值p_m，使得输出的分类个数适中。但在许多情况下，偏向参数设置为p_m不能使AP算法产生最优的聚类结果。另一方面，当AP算法的输出结果发生震荡（迭代过程中产生聚类结果不断发生摆动）时，摆脱震荡的一种方法是逐步调整p，直到震荡消失。

为了避免上述两个缺陷，本发明提出的动态AP算法的特点或操作步骤是：先确定偏向参数p的调整范围，再设置两种步长分别用于动态调整偏向参数p，分别用于快速摆脱震荡和产生多个具有不同分类个数的聚类结果，再根据聚类质量评价指标从这些聚类结果中寻找出最优的聚类结果。因该算法的特点是增设偏向参数p的动态调整范围和用两种步长动态调整偏向参数p，故被称为动态仿射传播AP算法。

参见图1.介绍本发明方法的具体操作步骤：

步骤1，用户在触发A3事件时，将其各个KPI参数（服务小区和邻小区的最大参考信号接收功率RSRP_s和RSRP_n（Reference Signal Receiving Power），服务小区和邻小区的最大参考信号接收质量RSRQ_s和RSRQ_n（Reference SignalReceiving Quality））及其位置坐标(U_X,U_Y)同时上报给基站；在每个侦听周期内,基站再将这些KPI参数和位置信息上报给OAM；式中，下标s和n分别为表示服务小区serving和邻小区neighboring的首字母。

步骤2，OAM接收到触发A3事件的各个用户的KPI参数（RSRP_s、RSRP_n、RSRQ_s和RSRQ_n）及其位置坐标(U_X,U_Y)，就根据用户的这些KPI参数数据用本发明提出的动态仿射传播AP算法对这些触发A3事件的用户进行分类，并根据聚类质量评价指标评选出最优的聚类结果。其中，用动态AP算法对触发A3事件的用户进行分类是本发明的关键，包括下述操作内容：

（21）OAM将步骤1收集的触发A3事件的各个用户及其KPI参数组成用户集合D={X₁,X₂,…,X_i,…,X_N}，其中，自然数下标i为用户序号，其最大值为N，故X_i为触发A3事件的第i个用户，每个用户携带4个KPI参数组成该用户的KPI参数向量，即X_i=(RSRP_si,RSRP_ni,RSRQ_si,RSRQ_ni)作为参与聚类算法的一个数据点。

（22）采用动态AP聚类算法对集合D={X₁,X₂,…,X_i,…,X_N}中的所有用户进行分类，故集合D中的X₁,X₂,…,X_i,…,X_N共N个数据点都参与聚类算法：先选用欧式距离为相似度的测度指标，计算其中任意两个数据点X_i和X_k之间的相似度s(i,k)：s(i,k)=-||X_i-X_k||²，式中，自然数下标k为用户序号，其最大值为N，且i≠k。该步骤（22）包括下列操作内容：

当i＝k时，定义数据点X_k的偏向参数p_k=s(k,k)，其数值大小能够决定该数据点X_k成为聚类中心的可能性的大小。此时，先假设所有数据点成为聚类中心的可能性相同，即s(k,k)=p_k=p，再根据任意两个不同数据点的相似度s(i,k)和上述N个数据点的偏向参数p=p_k=s(k,k)构成行数和列数均为N的矩阵S=[s(i,k)]_N×N；进而在动态AP算法中，引入偏向参数p的动态调整范围p∈[p_min,p_max]，使得其对应的聚类分类个数的范围为

然后，设置初始偏向参数p=p_max。

（23）按照任意两个不同数据点X_i和X_k之间的响应度r(i,k)和效应度a(i,k)的下述三个计算公式，进行传统AP聚类算法的迭代运算，且每一次迭代运算都要更新下述两种参数：响应度r(i,k)和效应度a(i,k)：

响应度

式中，序号k′≠k，响应度r(i,k)是数据点X_k适宜作为数据点X_i的聚类中心的程度；

当i≠k时，效应度 $a(i,k)=\min \{0,r(k,k)+\underset{i^{\′}\∉\{i,k\}}{\mathrm{\Σ}}\max \{0,r(i^{\′},k)\left\}\right\},$

当i＝k时，效应度

式中，序号i′≠i且i′≠k，效应度a(i,k)是数据点X_i选择数据点X_k作为其聚类中心的适合程度。

（24）为避免迭代计算过程中因震荡造成聚类结果的来回摆动，在每次循环迭代t计算过程中，引入阻尼系数λ∈[0,1]，使得每次迭代的响应度r(i,k)和效应度a(i,k)都根据下述两个公式r(i,k)^t=(1-λ)r(i,k)^t-1+λr(i,k)^t和a(i,k)^t=(1-λ)a(i,k)^t-1+λα(i,k)^t中的上次迭代的响应度和效应度，以及本次迭代操作步骤（23）中的响应度和效应度进行加权更新；其中，t为迭代次数。

此时，还要执行步骤（24）的下述两项后续操作内容：

（24a）每次迭代结束后，依据公式

判断数据点X_i的聚类中心，式中，center_i为数据点X_i的聚类中心，迭代结束产生的所有聚类中心的个数就是所有用户D={X₁,X₂,…,X_i,…,X_N}被聚类分类的总类别个数；

（24b）在迭代算法执行过程中，随时观察和判断聚类结果是否保持稳定；若是，则表明算法收敛，并产生聚类结果，结束该步骤（24），跳转执行步骤（26）；否则，即算法迭代达到最大迭代次数，聚类结果仍存在摆动，则表示算法无法收敛，即执行后续步骤（25）。

（25）将当前设置的偏向参数p的数值降低第一个设定步长p_step1后，返回执行步骤（23）和（24）后，再次判断是否使得聚类结果实现收敛；直到聚类结果实现收敛时，才停止迭代运算，并输出聚类结果。

（26）为获得不同分类个数下的分类结果，以便对不同分类个数对应的分类结果进行聚类质量的比较，实现最优分类；在步骤（24）获得一个聚类结果后，还将p的数值下降第二个设定步长p_step2，返回执行步骤（23）~（25）；然后继续将参数p的数值下降而执行迭代操作，直到降至初始设定的偏向参数p值的动态调整范围下限p_min，以便获得多个分类个数下的不同分类结果。

（27）采用聚类质量评价指标

评价每个数据点X_j的聚类质量，进而评价不同聚类分类个数下的聚类质量；其中，自然数下标j为用户序号，其最大值为N。该步骤包括下列操作内容：

假设分类个数c={c₁，c₂，...,c_i，...,c_K}总共有K类，X_j属于其中的一类c_i，式中，a(j)为数据点X_j与它所属类c_i的其他数据点间的平均距离；因d(X_j,c_other)为数据点X_j到另一类c_other的所有数据点的平均距离，故b(j)=min{d(X_j,c_other)}是该数据点X_j到其他所有各类c_other的其他数据点之间的最小平均距离，c_other∈{c₁，c₂,…,c_k}且c_other≠c_i；类c_i的平均聚类质量为

式中，m为该类c_i所包含的数据点总数；并从K类c={c₁，c₂,…,c_K}的SL_av(c_i)中寻找得到最小值SL_min(K)=min{SL_av(c_i)},作为本次分类的K类中包括类内紧凑度或类间可分度的聚类质量最差的类；再从偏向参数p∈[p_min,p_max]所确定的从2到

的多个分类个数的分类结果所对应的多个聚类质量评价指标{SL_min(K)}中寻找最大值，则该最大值对应的K就是最优聚类的分类个数，即最优分类个数为 $\mathrm{opti}\_\mathrm{cluster}=\underset{K}{\arg \max }\left\{{\mathrm{SL}}_{\min }\left(K\right)\right\}.$

步骤3，OAM判断该最优分类对应的聚类质量评价指标值是否小于门限值，若是，则说明触发A3事件的用户数据点的聚类可分性差，也就是所有触发A3事件的用户性能之间差异不显著，故判断该侦听区域内没有发生小区中断；否则，即该最优分类的聚类质量评价指标大于门限值，说明该聚类的可分性好，表示该侦听区域内触发A3事件的用户数据点之间存在差异,则判断该侦听区域存在小区中断，执行后续步骤（4）；

步骤4，OAM提取所有触发A3事件的用户位置坐标(U_X,U_Y)，根据最优分类个数，将各类中的用户数据点都映射到网络侦听区域的小区拓扑中；并判断是否有某个分类中的数据点超过设定门限比例值的数据点集中于同一小区，若是，则判断该小区为中断小区，并统计中断小区的数量和区分小区中断的类型；若否，则判断没有小区发生中断。

本发明已经进行多次仿真实施试验，下面简要介绍仿真场景和评估结果：

参见图2，以LTE系统19小区场景，按表1设置的系统参数为例，具体说明本发明方法各个操作步骤：设置扇区0（1）天线增益对比正常天线增益下降50dBi，扇区4（1）天线增益对比正常天线增益下降100dBi，即小区201及202设定为不同中断程度的中断小区，其他小区203为正常小区。

下表1是在图2所示的仿真侦听区域中的系统仿真参数，小区0和小区4根据不同的天线增益下降程度设定为不同中断程度的中断小区：

系统仿真参数	参数设置
		仿真场景	市区宏小区
小区布局	19个小区，3扇区/小区
		用户分布	均匀分布
路损模型	L=128.1+37.6log10R
		扇区0(1)与正常小区天线增益之差	50dBi
扇区4(1)与正常小区天线增益之差	100dBi
		阴影衰落标准差	8dB
最初小区选择标准	按位置接入
		基站端总发射功率	46dBm
终端用户数	40个用户/扇区
		业务类型	Full Buffer
切换门限	0.5dB
		切换触发时间	80ms

参见图3，介绍在图2所述中断场景下的本发明方法操作步骤：

01，基站进入侦听周期，对图2中的19个小区进行侦听。若在实际系统中，应选择相邻、且地形和业务特征相似的几个小区为一个侦听单位。

02，用户在触发A3事件时，将其KPI参数及位置坐标(U_X,U_Y)上报给基站，上报的KPI参数包含用户接收到的服务小区和邻小区的最大参考信号接收功率（RSRP_s和RSRP_n），接收到的服务小区和邻小区的最大参考信号接收质量（RSRQ_s和RSRQ_n）；在每个侦听周期内，基站将上述参数值上报给OAM，OAM收集触发A3事件的各用户的KPI参数及位置坐标(U_X,U_Y)。

03，为便于分析数据，对数据进行预处理，通常采用数据归一化。

04，OAM根据触发A3事件的各用户的四个参数（RSRP_s，RSRP_n，RSRQ_s，RSRQ_n），利用动态AP算法对触发A3事件的用户进行分类，设置初始p值和设定两种调整步长，使得算法在调整p值过程中将数据点分成不同的类别个数，利用聚类质量评价指标，评价最终应把数据分为多少类为最优，使得所有数据点，即所有触发A3事件的用户，依据聚类质量评价指标值分成最优类数。

05，当最优分类对应的聚类质量评价指标小于设定门限E时，说明触发A3事件用户数据的聚类可分性较差，即所有触发事件的用户性能没有明显差异，判断该侦听区域内没有发生小区中断；若获得最优分类数时的聚类质量评价指标大于门限E时，表示聚类可分性较好，说明侦听区域中触发事件的用户数据间存在差异,判断该侦听区域存在小区中断，进入步骤06。

在图2的仿真场景中，取门限E为0.5，按照04所述动态AP算法对02获得的数据点，经过03中的数据预处理后，进行最优聚类，得到的最优类数为3，即分类数为3时对应的聚类评价指标最大。此时对应的聚类质量评价指标值为0.6226，大于门限E=0.5，说明聚类可分性好，触发A3事件用户存在明显差异，即存在中断。如图4所示，在不同分类个数下对应的聚类质量评价指标的变化，在分类数为3时，该指标值最大，说明最优分类为3类，且对应指标值大于0.5，说明该侦听区域在此侦听周期内存在中断。

06，提取所有触发A3事件的用户位置坐标(U_X,U_Y)，根据最优分类（图2实施例的最优分类为3类），将各类中的用户数据映射到网络侦听区域的小区拓扑中。若某类中的数据点有超过设定比例值集中于同一小区，则判断该小区为中断小区。如图2的仿真场景中，选取的设定比例值为50，第1类中95%（大于门限50%）的点集中在小区201，第2类中100%（大于门限50%）的点集中在小区202，故判断小区201及202为中断小区，且中断类型或中断程度不同。

图4是将02中收集的用户数据，并经过03中的数据预处理后，再利用04中的动态AP算法在不同分类个数下对应的聚类质量评价指标图，该指标最大值出现在分类个数为3时，从图4中可以看出：最优分类为3类，对应的指标值为0.6226，大于设定门限E=0.5，说明触发A3事件的用户聚类可分性好，也就是说明该侦听区域在这次侦听周期内存在中断。

图5是将02中收集的用户数据和经过03中的数据预处理后，再利用04中的动态AP算法依据聚类质量评价指标将数据分成最优类数，即分为3类的结果示意图，其中第1簇A及第2簇B为包含点数较小的类，属于异常点类；第3簇C为点数较多的类，属于正常点类。

图6是将簇A、B和C中的用户数据映射于无线网络小区拓扑中，所得到的结果示意图，类A中95%（大于门限50%）的点集中在601，类B中100%（大于门限50%）的点集中在602，说明区域601和602都为中断区域，图中603为正常区域。将图6与图2比较，可以发现异常点的集中区域601及602对应图2的小区201及202，即仿真场景预先设置的中断小区内。说明按照本发明方法准确的判断出侦听区域中存在中断小区，并成功定位中断小区为小区201及202。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (7)

1.一种蜂窝移动通信系统网络自组织SON中的小区中断探测定位方法，其特征在于：在包含多个小区的侦听区域中，用户在触发表示邻小区服务质量优于服务小区设定偏移量的A3事件时，同时将其各个关键性能指标KPI参数和位置信息上报给基站；在每个侦听周期内,基站将接收到的这些数据上报给运维管理中心OAM，OAM采用聚类分析方法根据所述数据对用户进行分类；并根据聚类分析结果，判断侦听区域中是否有小区发生中断；若发生中断，再根据各类用户在网络中的分布定位中断小区，并统计发生中断的小区数量和区分小区中断的类型，保证及时发现网络故障，并触发相应补偿措施。

2.根据权利要求1所述的方法，其特征在于：所述聚类分析方法是动态仿射传播AP算法，该算法操作步骤是：先确定偏向参数p的调整范围，再设置两种步长分别用于动态调整偏向参数p，以便能够快速摆脱震荡和产生多个具有不同分类个数的聚类结果，再根据聚类质量评价指标从这些聚类结果中寻找出最优的聚类结果；因该动态AP算法的特点是增设偏向参数p的动态调整范围，并利用两种步长动态调整偏向参数p，实现快速摆脱震荡和产生多个具有不同分类个数的聚类结果的目的，故被称为动态仿射传播算法。

3.根据权利要求1所述的方法，其特征在于：所述方法包括下列操作步骤：

（1）用户在触发A3事件时，同时将其KPI的各个参数（RSRP_s、RSRP_n、RSRQ_s和RSRQ_n）及其位置坐标(U_X,U_Y)上报给基站；在每个侦听周期内,基站再将这些KPI参数和位置信息上报给OAM；

（2）OAM接收到触发A3事件的各个用户的KPI参数及其位置坐标(U_X,U_Y)，就根据所述用户的这些KPI参数（RSRP_s、RSRP_n、RSRQ_s和RSRQ_n），利用动态AP算法对这些触发A3事件的用户进行分类，并根据聚类质量评价指标评选出最优的聚类结果；

（3）判断该最优分类对应的聚类质量评价指标值是否小于门限值，若是，则说明触发A3事件的用户数据点的聚类可分性差，也就是所有触发A3事件的用户性能之间差异不显著，故判断该侦听区域内没有发生小区中断；否则，即该最优分类的聚类质量评价指标大于门限值，说明该聚类的可分性好，表示该侦听区域内触发A3事件的用户数据点之间存在差异,则判断该侦听区域存在小区中断，执行后续步骤（4）；

（4）OAM提取所有触发A3事件的用户位置坐标(U_X,U_Y)，根据最优分类个数，将各类中的用户数据点都映射到网络侦听区域的小区拓扑中；并判断是否有某个分类中的数据点超过设定门限比例值的数据点集中于同一小区，若是，则判断该小区为中断小区，并统计中断小区的数量和区分小区中断的类型；若否，则判断没有小区发生中断。

4.根据权利要求3所述的方法，其特征在于：所述步骤（1）中，用户上报的其各个KPI参数包括：服务小区和邻小区的最大参考信号接收功率RSRP_s和RSRP_n，服务小区和邻小区的最大参考信号接收质量RSRQ_s和RSRQ_n；式中，下标s和n分别为表示服务小区serving和邻小区neighboring的首字母。

5.根据权利要求3所述的方法，其特征在于：所述步骤（2）中，利用动态AP算法对触发A3事件的用户进行分类的操作包括下述内容：

（21）OAM将步骤（1）中收集的触发A3事件的各个用户及其KPI参数组成用户集合D={X₁,X₂,…,X_i,…,X_N}，其中，自然数下标i为用户序号，其最大值为N，故X_i为触发A3事件的第i个用户，且每个用户携带4个KPI参数组成该用户的KPI参数向量，即X_i=(RSRP_si,RSRP_ni,RSRQ_si,RSRQ_ni)；

（22）采用动态AP聚类算法对集合D={X₁,X₂,…,X_i,…,X_N}中的所有用户进行分类，故集合D中的X₁,X₂,…,X_i,…,X_N共N个数据点都参与聚类算法：先选用欧式距离为相似度的测度指标，计算其中任意两个数据点X_i和X_k之间的相似度s(i,k)：s(i,k)=-||X_i-X_k||²，式中，自然数下标k为用户序号，其最大值为N，且i≠k；

当i＝k时，定义数据点X_k的偏向参数p_k=s(k,k)，其数值大小决定该数据点X_k成为聚类中心的可能性：p_k越大，则数据点X_k成为聚类中心的可能性越大；此时，先假设所有数据点成为聚类中心的可能性相同，即s(k,k)=p_k=p，再根据任意两个不同数据点的相似度s(i,k)和上述N个数据点的偏向参数p=p_k=s(k,k)构成行数和列数均为N的矩阵S=[s(i,k)]_N×N；进而在动态AP算法中，引入偏向参数p的动态调整范围p∈[p_min,p_max]，使得其对应的聚类分类个数的范围为

然后，设置初始偏向参数p=p_max；

（23）按照任意两个不同数据点X_i和X_k之间的响应度r(i,k)和效应度a(i,k)的下述三个计算公式，进行传统AP聚类算法的迭代运算，且每次迭代都要更新下述两种参数：响应度r(i,k)和效应度a(i,k)：

响应度

式中，序号k′≠k，响应度r(i,k)是数据点X_k适宜作为数据点X_i的聚类中心的程度；

当i≠k时，效应度 $a(i,k)=\min \{0,r(k,k)+\underset{i^{\′}\∉\{i,k\}}{\mathrm{\Σ}}\max \{0,r(i^{\′},k)\left\}\right\},$

当i＝k时，效应度

式中，序号i′≠i且i′≠k，效应度a(i,k)是数据点X_i选择数据点X_k作为其聚类中心的适合程度；

（24）为避免迭代计算过程中因震荡造成聚类结果的来回摆动，在每次循环迭代t计算过程中，引入阻尼系数λ∈[0,1]，使得每次迭代的响应度r(i,k)和效应度a(i,k)都根据下述两个公式r(i,k)^t=(1-λ)r(i,k)^t-1+λr(i,k)^t和a(i,k)^t=(1-λ)a(i,k)^t-1+λα(i,k)^t中的上次迭代的响应度和效应度，以及本次迭代操作步骤（23）中的响应度和效应度进行加权更新；其中，t为迭代次数；

（25）将当前设置的偏向参数p的数值降低第一个设定步长p_step1后，返回执行步骤（23）和（24）后，再次判断是否使得聚类结果实现收敛；直到聚类结果实现收敛时，才停止迭代运算，并输出聚类结果；

（26）为获得不同分类个数下的分类结果，以便对不同分类个数对应的分类结果进行聚类质量的比较，实现最优分类；在步骤（24）获得一个聚类结果后，还将p的数值下降第二个设定步长p_step2，返回执行步骤（23）~（25）；然后继续将参数p的数值下降而执行迭代操作，直到降至初始设定的偏向参数p值的动态调整范围下限p_min，以便获得多个分类个数下的不同分类结果；

（27）采用聚类质量评价指标

评价每个数据点X_j的聚类质量，进而评价不同聚类分类个数下的聚类质量；其中，自然数下标j为用户序号，其最大值为N。

6.根据权利要求5所述的方法，其特征在于：所述步骤（24）还包括下述两项后续操作内容：

（24a）每次迭代结束后，依据公式

判断数据点X_i的聚类中心，式中，center_i为数据点X_i的聚类中心，迭代结束产生的所有聚类中心的个数就是所有用户D={X₁,X₂,…,X_i,…,X_N}被聚类分类的总类别个数；

（24b）在迭代算法执行过程中，随时观察和判断聚类结果是否保持稳定；若是，则表明算法收敛，并产生聚类结果，结束该步骤（24），跳转执行步骤（26）；否则，即达到了最大迭代次数后，聚类结果仍存在摆动，表示算法无法收敛，即执行后续步骤（25）。

7.根据权利要求5所述的方法，其特征在于：所述步骤（27）包括下列操作内容：假设分类个数c={c₁，c₂,…,c_i，…,c_K}总共有K类，X_j属于其中的一类c_i，式中，a(j)为数据点X_j与它所属类c_i的其他数据点间的平均距离；因d(X_j,c_other)为数据点X_j到另一类c_other的所有数据点的平均距离，故b(j)=min{d(X_j,c_other)}是该数据点X_j到其他所有各类c_other的其他数据点之间的最小平均距离，c_other∈{c₁,c₂,…,c_k}且c_other≠c_i；类c_i的平均聚类质量为

式中，m为该类c_i所包含的数据点总数；并从K类c={c₁，c₂,…,c_K}的SL_av(c_i)中寻找得到最小值SL_min(K)=min{SL_av(c_i)},作为本次分类的K类中包括类内紧凑度或类间可分度的聚类质量最差的类；再从偏向参数p∈[p_min,p_max]所确定的从2到

的多个分类个数的分类结果所对应的多个聚类质量评价指标{SL_min(K)}中寻找最大值，则该最大值对应的K就是最优聚类的分类个数，即最优分类个数为 $\mathrm{opti}\_\mathrm{cluster}=\underset{K}{\arg \max }\left\{{\mathrm{SL}}_{\min }\left(K\right)\right\}.$

Images