CN104427505A - 一种小区场景划分的方法及装置 - Google Patents

Abstract

本发明提供一种小区场景划分的方法及装置，涉及通信领域，一种小区场景划分方法，包括：获得小区的多项指标；获得所述多项指标中每一项指标的权重；根据所述权重对指标加权，对小区集合进行聚类划分，得到小区的场景类数。区分出小区各项指标的重要度，有效地聚合小区场景，在划分小区场景时提前给出应聚合为多少类场景，解决了场景类数过多或过少都会导致类别冗余度高的问题，提升了智能划分移动通信网络话务场景的方法的准确度。

Description

一种小区场景划分的方法及装置

技术领域

本发明涉及通信领域，特别是指一种小区场景划分的方法及装置。

背景技术

对于现代移动通信网络的建设和优化来说，有效地区分场景是能够更精确制定规划建设方案、更准确确定网络优化策略、实现精细化管理和资源有效利用的重要基础。目前场景划分的方法主要有两种，一种是人为划分场景，一种是智能划分场景。

目前移动通信网络的场景划分主要基于按覆盖和业务等特点根据经验人为配置。这种场景的划分方法是一种粗粒度的定性的划分，并不能作为精细化调整优化的准确依据，也无法指导网络规划建设和扩容调整。用这种方法划分的情况下，同属于一类场景的小区其网络特征会存在不同程度的差异。也就是说，这种粗粒度的定性划分并不能精确的识别小区网络特征。

智能划分小区场景的方法能够综合考虑多项业务指标间的关联，并且可以从多维度定量地分析小区的网络特征。虽然此种划分方法在精细化划分场景方面有着显著优势，但目前仍存在一些问题。其中，在考虑各项指标时，不区分指标的重要度，不能有效地聚合小区场景，在划分小区场景时无法提前给出应聚合为多少类场景，场景类数过多或过少都会导致类别冗余度高。

由此，要实现精细化划分小区场景，需要综合考虑多项网络指标，然而人工分析无法全面衡量多项指标，只能依靠智能模型划分场景。因此，提升场景智能划分方法的准确度是非常必要的。

发明内容

本发明要解决的技术问题是提供一种小区场景划分的方法及装置，可以更准确地反映场景类内小区的相似度，得到更佳的场景分类。

为解决上述技术问题，本发明的实施例提供一种小区场景划分方法，包括：

获得小区的多项指标；

获得所述多项指标中每一项指标的权重；

根据所述权重对指标加权，对小区集合进行聚类划分，得到小区的场景类数。

其中，获得所述多项指标中每一项指标的权重的步骤包括：

计算所述每一项指标的均方差；

对所述每一项指标的均方差进行归一化，得到所述每一项指标的权重。

其中，计算所述每一项指标的均方差的步骤包括：

通过公式：计算所述每一项指标的均方差；

其中，σ_i为每一项指标的均方差，v_ij是指标ai的取值，j=1,2,…,m，m表示指标ai取值情况有m种，μ_i是ai的平均值。

其中，根据所述权重对指标加权，对小区集合进行聚类划分，得到小区的场景类数的步骤包括：

根据所述权重对指标加权，得到第一加权结果；

选择两个中心点，根据所述第一加权结果对小区集合进行二分聚类分裂，得到第一场景类别小区子集合和第二场景类别小区子集合；

采用最短描述长度原理评估第一场景类别小区子集合和第二场景类别小区子集合，判断小区子集合是否保留，如果不保留，则将分裂前的小区集合作为一个场景类别，否则对保留的小区子集合中小区，根据所述小区的权重对指标进行加权，得到第二加权结果；

根据所述第二加权结果，对保留的小区子集合重复进行所述二分聚类分裂，再重复所述最短描述长度原理的评估方法，直到二分聚类分裂结果没有保留为止；

将没有保留的小区集合作为一类场景，从而得到所述小区集合的所有场景类数。

其中，所述采用最短描述长度原理评估第一场景类别小区子集合和第二场景类别小区子集合，判断所述小区子集合是否保留的具体步骤为：

获取新的两个场景类别中心与各自类中每个小区之间关系所需的第一信息；

获取两个场景类别二分聚类分裂之前原场景中心与所有小区之间关系所需的第二信息；

如果所述第一信息大于所述第二信息，则不保留二聚分类结果，否则保留。

其中，得到小区的场景类数后还包括：

根据所述小区的多项指标评估小区的场景的网络特征。

其中，根据所述小区的多项指标评估，所述小区的场景的网络特征的步骤包括：

计算指标取值为第一值的第一概率；

计算所述指标在场景中取值为所述第一值的第二概率；

获得所述第二概率的平方与所述第一概率平方的差；

根据所述差，得到所述小区的场景的网络特征。

其中，获得所述第二概率的平方与所述第一概率平方的差的步骤包括：

通过公式：U_i＝P[a_i＝v_ij|C_l]²-P[a_i＝v_ij]²获得所述第二概率的平方与所述第一概率平方的差；

其中，概率P[a_i＝v_ij]为第一概率，P[a_i＝v_ij|C_l]为第二概率，U_i为所述差，C_l为场景。

为了更好地解决上述技术问题，本发明的实施例还提供一种小区场景划分装置，包括：

第一获取模块，用于获得小区的多项指标；

第二获取模块，用于获得所述多项指标中每一项指标的权重；

分类模块，用于根据所述权重对指标加权，对小区集合进行聚类划分，得到小区的场景类数。

其中，所述用于获得所述多项指标中每一项指标的权重的第二获取模块包括：

第一获取子模块，计算所述每一项指标的均方差；

第二获取子模块，对所述每一项指标的均方差进行归一化，得到所述每一项指标的权重。

其中，用于根据所述权重对指标加权，对小区集合进行聚类划分，得到小区的场景类数的分类模块包括：

加权模块，用于根据所述权重对指标加权，得到第一加权结果；

二分聚类分裂模块，选择两个中心点，通过所述第一加权结果对小区集合进行二分聚类分裂，得到第一场景类别小区子集合和第二场景类别小区子集合；

第一评估模块，用于采用最短描述长度原理评估第一场景类别小区子集合和第二场景类别小区子集合，判断所述小区子集合是否保留，如果不保留，则将分裂前的小区集合作为一个场景类别，否则对保留的小区子集合中小区，根据所述小区的权重对指标进行加权，得到第二加权结果；

迭代模块，用于对保留的小区子集合重复进行所述二分聚类分裂，再重复所述最短描述长度原理的评估方法评估，直到二分聚类分裂结果没有保留为止；

第三获取子模块，用于将没有保留的小区集合作为一类场景，从而得到所述小区集合的所有场景类数。

其中，小区场景划分装置，还包括：

第二评估模块，用于根据所述小区的多项指标评估所述小区场景的网络特征。

本发明的上述技术方案的有益效果如下：

上述方案中，通过区分各项指标的重要度得到指标权重，在计算小区间差异度距离并对小区进行聚合分类处理时引入指标的权重，通过二分聚类来确定小区集合应被聚合成多少类场景。更准确反映小区的相似度，提高了场景划分准确度。得到场景类别后通过利用概率的平方差来评估场景的网络特征，量化地呈现各类场景的指标特征，能够高效地判断出小区场景类的网络特征。有利于进行优化和资源利用，有效提升了场景智能划分的准确度，为能够更精确制定规划建设方案、更准确确定网络优化策略、实现精细化管理和资源有效利用奠定了基础。

附图说明

图1为本发明的实施例一种小区场景划分方法的流程示意图；

图2为本发明的实施例用二分聚类确定场景划分数量的流程示意图；

图3为本发明的实施例一种小区场景划分方法的具体流程示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

本发明针对现有的场景划分中，在考虑各项指标时，不区分指标的重要度，不能有效地聚合小区场景的问题，提供一种小区场景划分的方法及装置。

如图1所示，本发明的实施例一种小区场景划分方法，包括：

步骤11，获得小区的多项指标；

步骤12，获得所述多项指标中每一项指标的权重；

步骤13，根据所述权重对指标加权，对小区集合进行聚类划分，得到小区的场景类数。

其中，指标包括覆盖率，小区话务量，话务密度和/或数据流量等可以用来划分小区场景综合考虑的各项指标。通过获得小区的各项指标，并计算指标的权重，从而获得指标的重要度，经过加权，对小区进行聚类划分，有效地聚合小区场景，获得准确的小区场景类数，减少由于场景划分的类数过多或过少导致的类别冗余度高的情况。

需要指出的是本发明的实施例一种小区场景划分方法，其中，获得所述多项指标中每一项指标的权重的步骤包括：

步骤121，计算所述每一项指标的均方差；

步骤122，对所述每一项指标的均方差进行归一化，得到所述每一项指标的权重。

由于均方差是衡量样本波动大小的量，因此，均方差越大，说明该指标在不同小区中取值变化越大，也就越为重要。通过对每一项指标的均方差归一化，从而得到每一项指标的权重。

其中，计算所述每一项指标的均方差的步骤包括：

步骤1211，通过公式：计算所述每一项指标的均方差；

其中，σ_i为每一项指标的均方差，v_ij是指标ai的取值，j=1,2,…,m，m表示指标ai取值情况有m种，μ_i是ai的平均值。

需要指出的是ai为小区指标集中的任意一个，每个小区可以表示为一个n维向量，每一维度代表一个指标，每个指标取值情况有m种。

具体说明本发明的实施例一种小区场景划分方法，对小区集合进行聚类划分，得到小区的场景类数的步骤包括：

步骤131，根据所述权重对指标加权，得到第一加权结果；

步骤132，选择两个中心点，根据所述第一加权结果对小区集合进行二分聚类分裂，得到第一场景类别小区子集合和第二场景类别小区子集合；

步骤133，采用最短描述长度原理评估第一场景类别小区子集合和第二场景类别小区子集合，判断小区子集合是否保留，如果不保留，则将分裂前的小区集合作为一个场景类别，否则对保留的小区子集合中小区，根据所述小区的权重对指标进行加权，得到第二加权结果；

步骤134，根据所述第二加权结果，对保留的小区子集合重复进行所述二分聚类分裂，再重复所述最短描述长度原理的评估方法，直到二分聚类分裂结果没有保留为止；

步骤135，将没有保留的小区集合作为一类场景，从而得到所述小区集合的所有场景类数。

其中，所述采用最短描述长度原理评估第一场景类别小区子集合和第二场景类别小区子集合，判断所述小区子集合是否保留的具体步骤为：

步骤1331，获取新的两个场景类别中心与各自类中每个小区之间关系所需的第一信息；

步骤1332，获取两个场景类别二分聚类分裂之前原场景中心与所有小区之间关系所需的第二信息；

步骤1333，如果所述第一信息大于所述第二信息，则不保留二聚分类结果，否则保留。

举例如图2所示，是本发明的实施例用二分聚类确定场景划分类数的流程示意图。

设置初始类别个数k=2，选择两个中心点，根据指标的加权情况，对小区集合进行聚类处理。

第一次二分聚类得到场景包括小区集合A、小区集合B，评估后可知第一次的场景分裂需要保留。

第二次分别对保留下来的集合A、集合B进行二分聚类处理，并对分裂进行评估。评估结果集合A的场景分裂需要保留，集合B分裂后其所需信息量大于分裂前，因此停止对集合B的处理，并将集合B作为一类场景。

第三次对集合A分裂得到的值得保留下来的子集合AA、AB进行二分聚类处理及评估。评估结果集合AA的分类需保留，集合AB分裂需终止。将AB作为一类场景。

第四次对集合AA分裂得到的子集合AAA、AAB进行二分聚类处理及评估。评估结果集合AAA、AAB的分裂需终止，并作为最终场景类。

因此小区集合最终被最大程度聚合为四类场景，分别是B、AB、AAA、AAB。

这样，解决了场景类别数量初始值设置的问题，有效确定小区分属的场景类别，减少由于场景划分的类数过多或过少导致的类别冗余度高的情况。

现有的智能识别小区场景的方法，在聚合出小区场景类别后，没有具体指明每一类小区场景的网络特征，本发明的实施例一种小区场景划分方法，得到小区的场景类数后还包括：

步骤14，根据所述小区的多项指标评估小区的场景的网络特征。

其中，根据所述小区的多项指标评估，所述小区的场景的网络特征的步骤包括：

步骤141，计算指标取值为第一值的第一概率；

步骤142，计算所述指标在场景中取值为所述第一值的第二概率；

步骤143，获得所述第二概率的平方与所述第一概率平方的差；

步骤144，根据所述差，得到所述小区的场景的网络特征。

通过计算概率相差度可以量化的呈现各类场景的指标特征，综合概率相差度最高和最低的指标，可以得到较为准确的场景网络特征，有利于进行小区优化和资源利用。

需要指出的是本发明的实施例一种小区场景划分方法，获得所述第二概率的平方与所述第一概率平方的差的步骤包括：

步骤1431，通过公式：U_i＝P[a_i＝v_ij|C_l]²-P[a_i＝v_ij]²获得所述第二概率的平方与所述第一概率平方的差；

其中，概率P[a_i＝v_ij]为第一概率，P[a_i＝v_ij|C_l]为第二概率，U_i为所述差，C_l为场景。

例如场景C_l中的某个小区因为已考虑小区所在的场景类，所以在评估该小区指标ai取值为vij的概率时，相对于概率P[a_i＝v_ij]来说的概率P[a_i＝v_ij|C_l]应该更大。各项指标的概率情况会有不同，P[a_i＝v_ij|C_l]较P[a_i＝v_ij]越大，则说明此类场景中该项指标的特征越明显。为了更好的显示各项指标概率的情况，用平方的差来计算P[a_i＝v_ij|C_l]和P[a_i＝v_ij]的相差程度，得到较为准确的场景网络特征。

下面结合图3整体说明整个方法的一个流程：

步骤31，对获得的各项指标加权，获得小区的相似度；

步骤32，对小区集二分聚类；

步骤33，判断步骤32中分裂的集合是否值得保留，如果不值得保留，原集合的分裂取消，并作为一个最终场景类，否则，得到继续分裂的小区子集合，并对子集指标加权，迭代重复步骤32和步骤33，直到没有值得保留的分裂集合，循环结束；

步骤34，得到小区集合所有的场景分类；

步骤35，利用概率平方差的计算呈现场景网络特征。

这样，在智能划分小区场景时可以充分考虑各项指标的重要度，并且能够通过二分聚类有效确定小区集合应被聚合成多少类场景，在得到场景类别后，利用概率平方的差来量化地呈现场景的网络特征，提高了智能划分小区场景的准确度，为能够更精确制定规划建设方案、更准确确定网络优化策略、实现精细化管理和资源有效利用奠定了基础。

为了更好地实现上述目的，本发明的实施例一种小区场景划分装置，包括：

第一获取模块，用于获得小区的多项指标；

第二获取模块，用于获得所述多项指标中每一项指标的权重；

分类模块，用于根据所述权重对指标加权，对小区集合进行聚类划分，得到小区的场景类数。

其中，所述用于获得所述多项指标中每一项指标的权重的第二获取模块包括：

第一获取子模块，计算所述每一项指标的均方差；

第二获取子模块，对所述每一项指标的均方差进行归一化，得到所述每一项指标的权重。

其中，用于根据所述权重对指标加权，对小区集合进行聚类划分，得到小区的场景类数的分类模块包括：

加权模块，用于根据所述权重对指标加权，得到第一加权结果；

二分聚类分裂模块，选择两个中心点，通过所述第一加权结果对小区集合进行二分聚类分裂，得到第一场景类别小区子集合和第二场景类别小区子集合；

第一评估模块，用于采用最短描述长度原理评估第一场景类别小区子集合和第二场景类别小区子集合，判断所述小区子集合是否保留，如果不保留，则将分裂前的小区集合作为一个场景类别，否则对保留的小区子集合中小区，根据所述小区的权重对指标进行加权，得到第二加权结果；

迭代模块，用于对保留的小区子集合重复进行所述二分聚类分裂，再重复所述最短描述长度原理的评估方法评估，直到二分聚类分裂结果没有保留为止；

第三获取子模块，用于将没有保留的小区集合作为一类场景，从而得到所述小区集合的所有场景类数。

其中，小区场景划分装置，还包括：

第二评估模块，用于根据所述小区的多项指标评估所述小区场景的网络特征。

需要指出的是，其中，用于根据所述小区的多项指标评估所述小区场景的网络特征的第二评估模块包括：

第一计算模块，用于计算指标取值为第一值的第一概率；

第二计算模块，用于计算所述指标在场景中取值为所述第一值的第二概率；

第四获取子模块，用于获得所述第二概率的平方与所述第一概率平方的差；

第五获取子模块，用于根据所述差，得到所述小区的场景的网络特征。

这样，通过上述小区场景划分装置，小区场景划分方法可以具体实现，所以小区场景划分方法的实施例的有益效果均适用于此小区划分装置。

以上所述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，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (12)

1.一种小区场景划分方法，其特征在于，包括：

获得小区的多项指标；

获得所述多项指标中每一项指标的权重；

根据所述权重对指标加权，对小区集合进行聚类划分，得到小区的场景类数。

2.根据权利要求1所述的小区场景划分方法，其特征在于，获得所述多项指标中每一项指标的权重的步骤包括：

计算所述每一项指标的均方差；

对所述每一项指标的均方差进行归一化，得到所述每一项指标的权重。

3.根据权利要求2所述的小区场景划分方法，其特征在于，计算所述每一项指标的均方差的步骤包括：

通过公式：计算所述每一项指标的均方差；

其中，σ_i为每一项指标的均方差，v_ij是指标ai的取值，j=1,2,…,m，m表示指标ai取值情况有m种，μ_i是ai的平均值。

4.根据权利要求1所述的小区场景划分方法，其特征在于，根据所述权重对指标加权，对小区集合进行聚类划分，得到小区的场景类数的步骤包括：

根据所述权重对指标加权，得到第一加权结果；

选择两个中心点，根据所述第一加权结果对小区集合进行二分聚类分裂，得到第一场景类别小区子集合和第二场景类别小区子集合；

采用最短描述长度原理评估第一场景类别小区子集合和第二场景类别小区子集合，判断小区子集合是否保留，如果不保留，则将分裂前的小区集合作为一个场景类别，否则对保留的小区子集合中小区，根据所述小区的权重对指标进行加权，得到第二加权结果；

根据所述第二加权结果，对保留的小区子集合重复进行所述二分聚类分裂，再重复所述最短描述长度原理的评估方法，直到二分聚类分裂结果没有保留为止；

将没有保留的小区集合作为一类场景，从而得到所述小区集合的所有场景类数。

5.根据权利要求4所述的小区场景划分方法，其特征在于，所述采用最短描述长度原理评估第一场景类别小区子集合和第二场景类别小区子集合，判断所述小区子集合是否保留的具体步骤为：

获取新的两个场景类别中心与各自类中每个小区之间关系所需的第一信息；

获取两个场景类别二分聚类分裂之前原场景中心与所有小区之间关系所需的第二信息；

如果所述第一信息大于所述第二信息，则不保留二聚分类结果，否则保留。

6.根据权利要求1所述的小区场景划分方法，其特征在于，得到小区的场景类数后还包括：

根据所述小区的多项指标评估小区的场景的网络特征。

7.根据权利要求6所述的小区场景划分方法，其特征在于，根据所述小区的多项指标评估，所述小区的场景的网络特征的步骤包括：

计算指标取值为第一值的第一概率；

计算所述指标在场景中取值为所述第一值的第二概率；

获得所述第二概率的平方与所述第一概率平方的差；

根据所述差，得到所述小区的场景的网络特征。

8.根据权利要求7所述的小区场景划分方法，其特征在于，获得所述第二概率的平方与所述第一概率平方的差的步骤包括：

通过公式：U_i＝P[a_i＝v_ij|C_l]²-P[a_i＝v_ij]²获得所述第二概率的平方与所述第一概率平方的差；

其中，概率P[a_i＝v_ij]为第一概率，P[a_i＝v_ij|C_l]为第二概率，U_i为所述差，C_l为场景。

9.一种小区场景划分装置，其特征在于，包括：

第一获取模块，用于获得小区的多项指标；

第二获取模块，用于获得所述多项指标中每一项指标的权重；

分类模块，用于根据所述权重对指标加权，对小区集合进行聚类划分，得到小区的场景类数。

10.根据权利要求9所述的小区场景划分装置，其特征在于，所述用于获得所述多项指标中每一项指标的权重的第二获取模块包括：

第一获取子模块，计算所述每一项指标的均方差；

第二获取子模块，对所述每一项指标的均方差进行归一化，得到所述每一项指标的权重。

11.根据权利要求9所述的小区场景划分装置，其特征在于，用于根据所述权重对指标加权，对小区集合进行聚类划分，得到小区的场景类数的分类模块包括：

加权模块，用于根据所述权重对指标加权，得到第一加权结果；

二分聚类分裂模块，选择两个中心点，通过所述第一加权结果对小区集合进行二分聚类分裂，得到第一场景类别小区子集合和第二场景类别小区子集合；

第一评估模块，用于采用最短描述长度原理评估第一场景类别小区子集合和第二场景类别小区子集合，判断所述小区子集合是否保留，如果不保留，则将分裂前的小区集合作为一个场景类别，否则对保留的小区子集合中小区，根据所述小区的权重对指标进行加权，得到第二加权结果；

迭代模块，用于对保留的小区子集合重复进行所述二分聚类分裂，再重复所述最短描述长度原理的评估方法评估，直到二分聚类分裂结果没有保留为止；

第三获取子模块，用于将没有保留的小区集合作为一类场景，从而得到所述小区集合的所有场景类数。

12.根据权利要求9所述的小区场景划分装置，其特征在于，还包括：

第二评估模块，用于根据所述小区的多项指标评估所述小区场景的网络特征。