CN104581748B - 一种在无线通信网络中识别场景的方法和装置 - Google Patents

Abstract

本发明提供一种在无线通信网络中识别场景的方法和装置，选用多维度特征属性来表征小区，对特征值向量包含的每一维度的特征属性的取值进行预处理：建立特征属性的特征值向量，特征值向量包含每一维度的特征属性；将各个小区初始分配到不同的临时场景簇中；对于一个小区，基于该小区的特征值向量与各个临时场景簇的中心的差异度距离，调整该小区所属的场景簇，将完成调整的场景簇作为第一类场景簇；基于第一类场景簇中各个小区的特征值向量计算临近的第一类场景簇之间的距离，合并距离符合合并阈值的第一类场景簇形成第二类场景簇。通过实现这一技术，使得在同一个第二类场景簇中的小区之间具有高的特征相似度，而不同场景簇中的小区特征差别较大。

Description

一种在无线通信网络中识别场景的方法和装置

技术领域

本发明涉及无线通信网络技术，特别是指一种在无线通信网络中识别场景的方法和装置。

背景技术

无线通信的网络结构越来越复杂，对各层网络所处空间维度内的覆盖、业务、干扰、故障、资源配置等特征场景模型进行综合识别和定量的划分是一项极为重要的基础性分析工作，将直接影响到各级网络优化、规划建设方案和策略的制定，尤其是对于无线配置参数的个性化、精细化、智能化调整工作具有非常重要的作用。

现有的无线通信网络特征场景划分方法远未实现智能化和定量化，主要依赖于网络规划工程师个人经验的定性判断，这种人工划分方式无法精细化的指导优化工作，可以说，当前的场景划分方式，仍然处于较为粗放的阶段，更无无法建立起量化识别的模式。例如：当前已有的方法是按照地理覆盖特征的不同，将场景分为三大类：室内覆盖场景、室外覆盖场景、室外覆盖移动场景，每一类又可区分若干小类：

现有技术存在如下问题：无线网络特征场景识别工作都是根据网络规划经验来人为配置的，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。在不同的无线网络特征场景下，即使面对相同的网络质量问题，网络优化过程中涉及的参数取值的选取或调整幅度也会不尽相同，也就是说，不同的网络特征环境下，往往会采用不同的优化模型，因此，对网络特征场景的判断准确与否，也将直接影响到网络优化调整的最终效果，而当前的这种粗粒度的定性的场景划分方式，并不能精确的识别网络特征，也就不能作为网络质量综合分析的输入依据。

发明内容

本发明要解决的技术问题是提供一种在无线通信网络中识别场景的方法和装置，解决现有的场景划分方式依赖人工，无法对无线网络场景进行定量、精细化的识别的缺陷。

为解决上述技术问题，本发明的实施例提供一种在无线通信网络中识别场景的方法，方法包括：选用多维度的特征属性来表征小区，对特征值向量包含的每一维度的特征属性的取值进行预处理：建立所述特征属性的特征值向量，特征值向量包含每一维度的特征属性；将各个小区初始分配到不同的临时场景簇中；对于一个小区，基于该小区的特征值向量与各个所述临时场景簇的中心的差异度距离，再次调整该小区所属的场景簇，并将完成调整的场景簇作为第一类场景簇；基于第一类场景簇中各个小区的特征值向量计算临近的第一类场景簇之间的距离，合并所述距离符合合并阈值的第一类场景簇形成第二类场景簇。

所述的方法中，选用多维度的特征属性来表征小区包括：所述多维度的特征属性中，根据相关指数来评估各个特征属性之间的关联程度，去除关联程度为高于线性相关阈值的特征属性；将剩余的所述特征属性作为选用的特征属性。

所述的方法中，对特征值向量包含的每一维度的特征属性的取值进行预处理包括：μ是一个特征属性所有样本取值的均值，σ为一特征属性所有样本取值的标准差，经过处理的特征属性的取值x'符合标准正态分布，均值μ为0，标准差σ为1。

所述的方法中，将各个小区初始分配到不同的临时场景簇中包括：预先设定第一数目个所述临时场景簇，当形成每一个临时场景簇时，在临时场景簇中包括有唯一一个定点小区；在剩余的小区中，计算各个小区与不同临时场景簇中所述定点小区之间的距离，将各个小区分到所述距离最近的临时场景簇中。

所述的方法中，对于一个小区，基于小区的特征值向量与各个所述临时场景簇的中心的差异度距离，再次调整该小区所属的场景簇具体包括：均值步骤，在一个所述临时场景簇中，计算小区的特征值向量的每一个特征属性的算术平均值，各个所述算术平均值组成一个等效中心特征值向量，所述等效中心特征值向量表征所述临时场景簇的场景簇中心，差异度距离步骤，计算一个小区到场景簇中心的差异度距离，重新分配步骤，按照距离最近原则重新将该小区分配到最近的临时场景簇中，重复执行三个步骤直至不再有小区会被重新分配。

所述的方法中，基于第一类场景簇中各个小区的特征值向量计算临近的第一类场景簇之间的距离，合并所述距离符合合并阈值的第一类场景簇形成第二类场景簇，具体包括：计算每个第一类场景簇内所属特征值向量的平均值，该平均值表征了所述第一类场景簇的场景簇中心；计算每两个第一类场景簇的距离，将距离最近的两个第一类场景簇进行合并作为新的场景簇；直到满足所设定的场景簇划分门限数量，形成的是第二类场景簇。

一种在无线通信网络中识别场景的装置，包括：特征属性提取单元，用于采用多维度的特征属性表征小区，建立所述特征属性的特征值向量，特征值向量包含每一维度的特征属性；小区初始分配单元，用于将各个小区初始分配到不同的临时场景簇中；小区调整单元，用于对于一个小区，基于小区的特征值向量与各个所述临时场景簇的中心的差异度距离，再次调整该小区所属的场景簇，并将完成调整的场景簇作为第一类场景簇；场景簇合并单元，用于基于第一类场景簇中各个小区的特征值向量计算临近的第一类场景簇之间的距离，合并所述距离符合合并阈值的第一类场景簇形成第二类场景簇。

所述的装置中，小区初始分配单元包括：随机分配模块，用于预先设定第一数目个所述临时场景簇，当形成每一个临时场景簇时，在临时场景簇中包括有唯一一个定点小区；分配调整模块，用于在剩余的小区中，计算各个小区与不同临时场景簇中所述定点小区之间的距离，将各个小区分到所述距离最近的临时场景簇中。

所述的装置中，小区调整单元包括：均值计算模块，用于在一个所述临时场景簇中，计算小区的特征值向量的每一个特征属性的算术平均值，各个所述算术平均值组成一个等效中心特征值向量，所述等效中心特征值向量表征所述临时场景簇的场景簇中心，差异度距离模块，用于计算一个小区到场景簇中心的差异度距离，重新分配模块，用于按照距离最近原则重新将该小区分配到最近的临时场景簇中，并通知所述均值计算模块重复执行，直至不再有小区会被重新分配。

所述的装置中，场景簇合并单元包括：簇中心计算模块，用于计算每个第一类场景簇内所属特征值向量的平均值，该平均值表征了所述第一类场景簇的场景簇中心；合并模块，用于计算每两个第一类场景簇的距离，将距离最近的两个第一类场景簇进行合并作为新的场景簇；直到满足所设定的场景簇划分门限数量，形成的是第二类场景簇。

本发明的上述技术方案的有益效果如下：将小区随机分到多个临时场景簇，基于小区的特征值向量调整各个临时场景簇形成第一类场景簇，然后根据小区的特征值向量调整第一类场景簇，形成符合要求的第二类场景簇，使得在同一个第二类场景簇中的小区之间具有高的特征相似度，而不同场景簇中的小区特征差别较大，这与无线网络场景识别的需求高度一致，实现对无线网络场景的定量、精细化的认知，通过定量的分析为后续的配置分析建立可靠的依据。

附图说明

图1表示一种在无线通信网络中识别场景的方法流程示意图；

图2表示将小区初始分配到不同的临时场景簇中的示意图；

图3表示合并不同的场景簇的示意图；

图4表示一种在无线通信网络中识别场景的装置的结构示意图。

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。

对网络特征场景的精确识别，也会对网络规划建设、扩容调整带来重要指导意义。为了达到对无线网络特征场景进行精确识别的目的，以无线网络小区为基本单元，多维度特征属性表征每个小区，并把这些多维空间中的小区，按照各自无线网络条件和用户行为特点进行自动类别划分。

本发明实施例提供一种在无线通信网络中识别场景的方法，如图1所示，包括：

步骤101，采用多维度的特征属性表征小区，建立所述特征属性的特征值向量，特征值向量包含每一维度的特征属性；

步骤102，如图2所示，将各个小区初始分配到不同的临时场景簇中；

步骤103，对于一个小区，基于小区的特征值向量与各个所述临时场景簇的中心的差异度距离，再次调整该小区所属的场景簇，并将完成调整的场景簇作为第一类场景簇；

步骤104，如图3所示，基于第一类场景簇中各个小区的特征值向量计算临近的第一类场景簇之间的距离，合并所述距离符合合并阈值的第一类场景簇形成第二类场景簇。

应用所提供的技术，将小区随机分到多个临时场景簇，基于小区的特征值向量调整各个临时场景簇形成第一类场景簇，然后根据小区的特征值向量调整第一类场景簇，形成符合要求的第二类场景簇，使得在同一个第二类场景簇中的小区之间具有高的特征相似度，而不同场景簇中的小区特征差别较大，这与无线网络场景识别的需求高度一致，实现对无线网络场景的定量、精细化的认知，通过定量的分析为后续的配置分析建立可靠的依据。

选取场景的特征属性过程中，为量化并识别无线网络特征场景，要对描述小区的主要的特征属性进行选取和评估，理想情况下，不包含无关和冗余特征属性，即理想的特征属性应该是每个有价值的非目标特征与目标特征强相关，而非目标特征之间是不相关或是弱相关的。

在一个优选实施例中，选用多维度的特征属性来表征小区包括：

所述多维度的特征属性中，根据相关指数来评估各个特征属性之间的关联程度，去除关联程度为高于线性相关阈值的特征属性；将剩余的所述特征属性作为选用的特征属性。

所选择的特征属性应与最终的场景划分结果高度相关，应去除无关的属性。

多维度的特征属性中，各个维度的特征属性之间的相关指数y介于–1与+1之间，

当y>0时，表示两个特征属性正相关，y<0时，两个特征属性负相关；

当|y|=1时，表示两个特征属性完全线性相关，当y=0时，表示两特征属性间无线性相关关系；

当0<|y|<1时，表示两个特征属性存在一定程度的线性相关，且|y|越接近1，两个特征属性间线性关系越密切，|y|越接近于0，表示两个特征属性的线性相关越弱。

为了评估所选特征属性之间的相关程度，设计了描述特征属性之间的相关系数矩阵。

	网络属性1	网络属性2	网络属性3	网络属性4
					网络属性1	1
网络属性2	相关指数1	1
					网络属性3	相关指数2	相关指数4	1
网络属性4	相关指数3	相关指数5	相关指数6	1

表中，特征属性间的相关指数的值介于–1与+1之间，即–1≤y≤+1，当y>0时，表示两变量正相关；y<0时，两变量为负相关；当|y|=1时，表示两变量为完全线性相关；当y=0时，表示两变量间无线性相关关系。

当0<|y|<1时，表示两变量存在一定程度的线性相关，且|y|越接近1，两变量间线性关系越密切；|y|越接近于0，表示两变量的线性相关越弱，一般可按三级划分：低度相关，如0～0.4；显著性相关，如0.4～0.7；以及高度相关，如0.7～1。

通过上表，可评估所选特征属性间的相关程度，并对高度线性相关的特征属性进行筛选和去除，而剩余特征属性用于场景划分。

在具体的划分之前对无线网络的特征属性的取值进行预处理，以消除不同数据量纲对场景划分结果的影响，在一个优选实施例中，

采用多维度的特征属性表征小区之后还包括：

对特征值向量包含的每一维度的特征属性的取值进行预处理：

公式1，μ是一个特征属性所有样本的均值，σ为一特征属性所有样本的标准差，经过处理的特征属性的取值x'符合标准正态分布，均值μ为0，标准差σ为1。

第一部分，场景簇初始划分。

在一个优选实施例中，将各个小区初始分配到不同的临时场景簇中包括：

预先设定第一数目个所述临时场景簇，当形成每一个临时场景簇时，在临时场景簇中包括有唯一一个小区；

在剩余的小区中，计算各个小区与不同临时场景簇之间的距离，将各个小区分到距离最近的临时场景簇中。

在一个优选实施例中，如图2所示，对于一个小区，基于小区的特征值向量与各个所述临时场景簇的中心的差异度距离，再次调整该小区所属的场景簇具体包括：

均值步骤，在一个所述临时场景簇中，计算临时场景簇中的小区的特征值向量的平均值，所述平均值表征所述临时场景簇的场景簇中心，

差异度距离步骤，计算该小区到场景簇中心的差异度距离，

重新分配步骤，按照距离最近原则重新将该小区分配到与该小区最近的临时场景簇中，重复执行三个步骤直至不再有小区会被重新分配。

两个小区间场景差异度的距离定义：

公式2

i=(x_i1,x_i2,…,x_ip)、j=(x_j1,x_j2,…,x_jp)是两个p维空间的小区(如两个含p个特征属性的无线小区)的特征值向量，q为正整数，a₁，……，a_p是特征值向量的附加权值,当所选无线网络属性对场景划分结果的影响程度不同时，使用附加权值可进行距离算法的调整。

对于N个小区，每两个小区间均会计算出一个场景差异度距离d(i,j)，形成距离矩阵形式：

在一个应用场景中，如图2所示，第一部分-初始场景划分算法包括：

步骤1，随机的把所有无线小区对象分配到k个非空的场景簇中；为便于描述，这里具体是两个场景簇-场景簇A和场景簇B，其中，场景簇A中有一个小区a，场景簇B中有一个小区b。

步骤2，计算每个场景簇的平均值，并用该平均值代表相应场景簇的场景簇中心；这里具体是两个场景簇中心，图2中采用实心圆表示。

步骤3，将每个无线小区对象根据其与各个场景簇中心的差异度距离，按照距离最近的原则将小区a和小区b重新分配到与它最近的场景簇中；

步骤4，回到步骤2，直到不再有新的小区被分配。将调整后不再发生变化的场景簇作为第一类场景簇。

在完成上述4个步骤的初步场景识别计算过程后，再进行如下算法过程，以用于实现不规则场景模型的构造。

第二部分，合并不规则的场景簇模型。

进行场景簇初始划分之后，如图3所示，会形成若干凸面形状的精细场景簇，即由于小区场景的不规则性，属于不同场景的小区的数量在理论上是不同的。但是出于精细识别场景的目的，在第一部分过程中可能会通过调整算法参数，划分出数量较多的场景簇，这样，在能够识别出特殊场景的同时，又会导致网络中通用场景划分过细。为此，若要构造出大小合理、可控的不规则场景模型，还需要设计一个重要的二次合并算法过程，用于合并相似场景簇，避免过度细分。

在一个优选实施例中，基于第一类场景簇中各个小区的特征值向量计算临近的第一类场景簇之间的距离，合并所述距离符合合并阈值的第一类场景簇形成第二类场景簇，具体包括：

步骤1，计算每个第一类场景簇内所属特征值向量的平均值，该平均值表征了所述第一类场景簇；

步骤2，计算每两个第一类场景簇的距离，将距离最近的两个第一类场景簇进行合并，作为新的场景簇；

步骤3，返回步骤1，直到满足所设定的场景簇划分门限数量，形成的是第二类场景簇。

可以将无线网络小区按照各自无线网络条件和用户行为特点进行自动类别划分，通过定量的分析，可以将小区自动划分到不同的场景簇里，从而为后续的配置模型分析建立可靠的依据。

本发明实施例提供一种在无线通信网络中识别场景的装置，如图4所示，包括：

特征属性提取单元401，用于采用多维度的特征属性表征小区，建立所述特征属性的特征值向量，特征值向量包含每一维度的特征属性；

小区初始分配单元402，用于将各个小区初始分配到不同的临时场景簇中；

小区调整单元403，用于将各个小区初始分配到不同的临时场景簇中，对于一个小区，基于小区的特征值向量与各个所述临时场景簇的中心的差异度距离，再次调整该小区所属的场景簇，并将完成调整的场景簇作为第一类场景簇；

场景簇合并单元404，用于基于第一类场景簇中各个小区的特征值向量计算临近的第一类场景簇之间的距离，合并所述距离符合合并阈值的第一类场景簇形成第二类场景簇。

在一个优选实施例中，小区初始分配单元402包括：

随机分配模块，用于预先设定第一数目个所述临时场景簇，当形成每一个临时场景簇时，在临时场景簇中包括有唯一一个定点小区。

分配调整模块，用于在剩余的小区中，计算各个小区与不同临时场景簇中所述定点小区之间的距离，将各个小区分到所述距离最近的临时场景簇中。

在一个优选实施例中，小区调整单元403包括：

均值计算模块，用于在一个所述临时场景簇中，计算小区的特征值向量的每一个特征属性的算术平均值，各个所述算术平均值组成一个等效中心特征值向量，所述等效中心特征值向量表征所述临时场景簇的场景簇中心，

差异度距离模块，用于计算一个小区到场景簇中心的差异度距离，

重新分配模块，用于按照距离最近原则重新将该小区分配到最近的临时场景簇中，并通知所述均值计算模块重复执行，直至不再有小区会被重新分配。

在一个优选实施例中，场景簇合并单元404包括：

簇中心计算模块，用于计算每个第一类场景簇内所属特征值向量的平均值，该平均值表征了所述第一类场景簇的场景簇中心；

合并模块，用于计算每两个第一类场景簇的距离，将距离最近的两个第一类场景簇进行合并作为新的场景簇；直到满足所设定的场景簇划分门限数量，形成的是第二类场景簇。

采用本方案之后的优势是：将小区分成多个场景簇，划分的最终效果就是使得在同一个场景簇中的无线小区之间具有较高的特征相似度，而不同簇中的小区特征差别较大，基于描述小区的属性值来计算而判断簇间或簇内相似度，这与无线网络场景识别的需求描述是高度一致的。精细化的定量的场景划分能够精确的识别网络特征，也能作为后续网络质量综合分析的依据。以及，对网络特征场景的精确识别方法，也对网络规划建设、扩容调整具有重要指导意义，这也是现有技术所不具有的。

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 (6)

1.一种在无线通信网络中识别场景的方法，其特征在于，方法包括：

选用多维度的特征属性来表征小区，对特征值向量包含的每一维度的特征属性的取值进行预处理：建立所述特征属性的特征值向量，特征值向量包含每一维度的特征属性；

将各个小区初始分配到不同的临时场景簇中；

对于一个小区，基于该小区的特征值向量与各个所述临时场景簇的中心的差异度距离，再次调整该小区所属的场景簇，包括：均值步骤，在一个所述临时场景簇中，计算小区的特征值向量的每一个特征属性的算术平均值，各个所述算术平均值组成一个等效中心特征值向量，所述等效中心特征值向量表征所述临时场景簇的场景簇中心；差异度距离步骤，计算一个小区的特征值向量到场景簇中心的差异度距离；重新分配步骤，按照距离最近原则重新将该小区分配到最近的临时场景簇中，重复执行这三个步骤直至不再有小区会被重新分配；

将完成调整的场景簇作为第一类场景簇；

基于第一类场景簇中各个小区的特征值向量计算临近的第一类场景簇之间的距离，合并所述距离符合合并阈值的第一类场景簇形成第二类场景簇，包括：计算每个第一类场景簇内所属特征值向量的平均值，该平均值表征了所述第一类场景簇的场景簇中心；计算每两个第一类场景簇的距离，将距离最近的两个第一类场景簇进行合并作为新的场景簇；直到满足所设定的场景簇划分门限数量，形成的是第二类场景簇。

2.根据权利要求1所述的方法，其特征在于，选用多维度的特征属性来表征小区包括：

所述多维度的特征属性中，根据相关指数来评估各个特征属性之间的关联程度，去除关联程度为高于线性相关阈值的特征属性；

将剩余的所述特征属性作为选用的特征属性。

3.根据权利要求1所述的方法，其特征在于，对特征值向量包含的每一维度的特征属性的取值进行预处理包括：

μ是一个特征属性所有样本取值的均值，σ为一特征属性所有样本取值的标准差，x表示特征值向量包含的每一维度的特征属性的取值。

4.根据权利要求1所述的方法，其特征在于，将各个小区初始分配到不同的临时场景簇中包括：

预先设定第一数目个所述临时场景簇，当形成每一个临时场景簇时，在临时场景簇中包括有唯一一个定点小区；

在剩余的小区中，计算各个小区与不同临时场景簇中所述定点小区之间的距离，将各个小区分到所述距离最近的临时场景簇中。

5.一种在无线通信网络中识别场景的装置，其特征在于，包括：

特征属性提取单元，用于采用多维度的特征属性表征小区，建立所述特征属性的特征值向量，特征值向量包含每一维度的特征属性；

小区初始分配单元，用于将各个小区初始分配到不同的临时场景簇中；

小区调整单元，用于对于一个小区，基于小区的特征值向量与各个所述临时场景簇的中心的差异度距离，再次调整该小区所属的场景簇，并将完成调整的场景簇作为第一类场景簇；小区调整单元包括：均值计算模块，用于在一个所述临时场景簇中，计算小区的特征值向量的每一个特征属性的算术平均值，各个所述算术平均值组成一个等效中心特征值向量，所述等效中心特征值向量表征所述临时场景簇的场景簇中心；差异度距离模块，用于计算一个小区的特征值向量到场景簇中心的差异度距离；重新分配模块，用于按照距离最近原则重新将该小区分配到最近的临时场景簇中，并通知所述均值计算模块重复执行，直至不再有小区会被重新分配；

场景簇合并单元，用于基于第一类场景簇中各个小区的特征值向量计算临近的第一类场景簇之间的距离，合并所述距离符合合并阈值的第一类场景簇形成第二类场景簇；场景簇合并单元包括：簇中心计算模块，用于计算每个第一类场景簇内所属特征值向量的平均值，该平均值表征了所述第一类场景簇的场景簇中心；合并模块，用于计算每两个第一类场景簇的距离，将距离最近的两个第一类场景簇进行合并作为新的场景簇；直到满足所设定的场景簇划分门限数量，形成的是第二类场景簇。

6.根据权利要求5所述的装置，其特征在于，小区初始分配单元包括：

随机分配模块，用于预先设定第一数目个所述临时场景簇，当形成每一个临时场景簇时，在临时场景簇中包括有唯一一个定点小区；

分配调整模块，用于在剩余的小区中，计算各个小区与不同临时场景簇中所述定点小区之间的距离，将各个小区分到所述距离最近的临时场景簇中。