CN105282748A - 一种划分通信网络的基站簇的方法和装置 - Google Patents

Abstract

本发明实施例提供一种划分通信网络的基站簇的方法和装置，获取小区的相关度矩阵；将小区的相关度矩阵转换为基站的相关度矩阵，基站的相关度矩阵中的一行数据表示了一个基站在网络中的特征的特征向量；将所有的基站划分到初始设置的第一数目个基站簇中，每一个基站簇均具有等效位置；执行迭代步骤，在迭代步骤中对于每一个基站，根据特征向量获取该基站与不同的基站簇的等效位置之间的距离；以及根据距离和距离就近原则调整基站所属的基站簇，直至再次执行迭代步骤每一个基站所归属的基站簇不需要调整，形成第二数目个基站簇。采用聚类思想按照距离就近原则将各个基站划分到不同的基站簇中，形成了所需的通信网络的基站簇。

Description

一种划分通信网络的基站簇的方法和装置

技术领域

本发明涉及通信网络优化技术，特别是指一种划分通信网络的基站簇的方法和装置。

背景技术

簇优化是通信网络建网初期的一项重要任务，基站大规模入网时，需要将网络划分为若干个区块(簇)，每个区块包含一定数量的基站。通过优化逐个区块内的基站达到优化整个网络的目的。

划分小区簇的常用方法有人工划分、基于频率复用划分、话务分布数据分析法和基于复杂网络理论划分。频率复用划分法，根据小区的频率信息找出可使用一组频率的N个小区，将地域上连续、且满足预定的频率限制复用关系的小区划分成小区簇。话务分布数据分析法是根据小区的话务量和切换数据，将话务、覆盖和质量相关的若干个小区组成小区簇。基于复杂网络理论对通信网络进行划分则包括了谱方法，层次法，基于模块度的方法等。

基于人工划分的方法主要依据工程师的经验，划分的结果缺乏准确的衡量，通常效率差，准确性不高。频率复用划分法、话务分布数据缺乏与地理信息的关联，生成的小区簇可能在地域上不连续，不够合理，将地域上连续、且满足预定的频率限制复用关系的小区划分成小区簇，产生的结果可能是部分小区无法归簇。复杂网络的簇划分关注的是网络的拓扑结构。准确性差，由于主要依据人工经验，难以全面判断划分依据；花费时间长，由于边界部分每个站都需要做数据核查，通常需要花费几天的时间进行核查。

现有技术存在如下问题：簇划分的一个主要因素就是减少簇与簇之间的相关性，这是因为簇是逐个进行优化的，而无线网络很难做到空间上的隔离，簇与簇之间存在信号上的相互影响，先前划分好的簇优化会受到后续簇的影响。

发明内容

本发明要解决的技术问题是提供一种划分通信网络的基站簇的方法和装置，减少簇与簇之间的相关性，避免先前划分好的簇受到后续划分的簇的影响。

为解决上述技术问题，本发明的实施例提供一种划分通信网络的基站簇的方法，方法包括：获取小区的相关度矩阵；将小区的相关度矩阵转换为基站的相关度矩阵，所述基站的相关度矩阵中的一行数据表示了一个基站在网络中的特征的特征向量；将所有的基站划分到初始设置的第一数目个基站簇中，每一个基站簇均具有等效位置；执行迭代步骤，在所述迭代步骤中，对于每一个基站，根据特征向量获取该基站与不同的基站簇的等效位置之间的距离，根据所述距离和距离就近原则调整该基站所归属的基站簇，直至再次执行所述迭代步骤每一个基站所归属的基站簇不需要调整，形成第二数目个基站簇。

所述的方法中，获取小区的相关度矩阵包括：采用所有测量报告的主服务小区测量样本，从所述主服务小区测量样本中选取干扰小区和主服务小区的电平差在一定门限之内的样本，以这些样本占据全部主服务小区测量样本的占比作为小区的相关度矩阵的元素。

所述的方法中，将小区的相关度矩阵转换为基站的相关度矩阵包括：存在基站的集合Site(i)i＝1,2,…m，小区的集合Cell(j)j＝1,2,…n，其中，m是基站数量，n是小区数量，每个小区都归属于一个基站，因此有j∈Site(i)j＝1,2,…n；小区的相关度具体是指小区之间的干扰，则小区的相关度矩阵 $\mathrm{IM}=\left[\begin{array}{cccc}\mathrm{IM}\left(\mathrm{1,1}\right)& \mathrm{IM}\left(\mathrm{1,2}\right)& \text{\·\·\·}& \mathrm{IM}(1,n)\\ \·\·\·& & & \·\·\·\\ \mathrm{IM}(n,1)& \mathrm{IM}(n,2)& \·\·\·& \mathrm{IM}(n,n)\end{array}\right]$ ，小区业务量数据 $T=\left[\begin{array}{c}{T}_1\\ T_2\\ \·\·\·\\ T_n\end{array}\right]$ ；那么，基站的相关度矩阵是 $\mathrm{IS}=\left[\begin{array}{cccc}\mathrm{IS}\left(\mathrm{1,1}\right)& \mathrm{IS}\left(\mathrm{1,2}\right)& \·\·\·& \mathrm{IS}(1,m)\\ \·\·\·& & & \·\·\·\\ \mathrm{IS}(m,1)& \mathrm{IS}(m,2)& \·\·\·& \mathrm{IS}(m,m)\end{array}\right]$ ，其中： $\begin{array}{cc}\mathrm{IS}(i,j)=\underset{k\∈\mathrm{Site}\left(i\right),p\∈\mathrm{Site}\left(j\right)}{\mathrm{\Σ}}{T}_k\×\mathrm{IM}(k,p)& \mathrm{fpr\; i}\≠j\end{array}$ ，以及IS(i,j)＝0fori＝j，其中，两个基站之间的所有小区所有输入干扰IM(k,p)的业务加权之和表示两个基站之间的相关度，是一个有向关系。

所述的方法中，将小区的相关度矩阵转换为基站的相关度矩阵还包括：存在基站的集合Site(i)i＝1,2,…m，小区的集合Cell(j)j＝1,2,…n，其中，m是基站数量，n是小区数量，每个小区都归属于一个基站，因此有j∈Site(i)j＝1,2,…n；小区的相关度具体是指小区之间的切换，则基站的相关度矩阵的元素表示的是基站之间相互切换的次数： $\begin{array}{cc}\mathrm{IS}(i,j)=\underset{k\∈\mathrm{Site}\left(i\right),p\∈\mathrm{Site}\left(j\right)}{\mathrm{\Σ}}H(k,p)& \mathrm{for\; i}\≠j\\ \text{IS}(i,j)=0& \mathrm{for\; i}=j\end{array}$ ，H(k,p)为小区k切向小区p发生的次数。

所述的方法中，根据特征向量获取该基站与不同的基站簇的等效位置之间的距离包括：设d_i为第i个基站的特征向量，d_j是一个基站簇的等效特征向量，两个特征向量之间的余弦距离是向量点积，||d_i||、||d_j||表示向量长度，D(i,j)表示第i个基站到基站簇的等效位置之间的余弦距离。

所述的方法中，根据所述距离和距离就近原则调整基站所属的基站簇包括：根据余弦距离以及距离就近原则将各个基站调整到对应的基站簇中，且允许调整后的基站簇的数目与调整前的基站簇的数目不同。

所述的方法中，还包括：设定Cluster(i),Cluster(j)表示不同簇包含的基站，i,j为簇号，则计算簇和簇之间的相关系数 $R(i,j)=\left\{\begin{array}{cc}\underset{k\∈\mathrm{Cluster}\left(i\right),p\∈\mathrm{Cluster}\left(j\right)}{\mathrm{\Σ}}\mathrm{IS}(k,p)& \mathrm{for\; i}\≠j\\ 0& \mathrm{for\; i}\≠j\end{array}\right.$ ，相关系数的数值越大则相关性越高。

一种划分通信网络的基站簇的装置，包括：小区矩阵单元，用于获取小区的相关度矩阵；基站矩阵单元，用于将小区的相关度矩阵转换为基站的相关度矩阵，所述基站的相关度矩阵中的一行数据表示了一个基站在网络中的特征的特征向量；初始簇单元，用于将所有的基站划分到初始设置的第一数目个基站簇中，每一个基站簇均具有等效位置；聚类单元，用于执行迭代，在所述迭代中，对于每一个基站，根据特征向量获取该基站与不同的基站簇的等效位置之间的距离，根据所述距离和距离就近原则调整该基站所归属的基站簇，直至再次执行所述迭代步骤每一个基站所归属的基站簇不需要调整，形成第二数目个基站簇。

所述的装置中，基站矩阵单元包括：基站干扰矩阵构建模块，用于当存在基站的集合Site(i)i＝1,2,…m，小区的集合Cell(j)j＝1,2,…n，其中，m是基站数量，n是小区数量，每个小区都归属于一个基站，因此有j∈Site(i)j＝1,2,…n；小区的相关度具体是指小区之间的干扰时，获取小区的相关度矩阵 $\mathrm{IM}=\left[\begin{array}{cccc}\mathrm{IM}\left(\mathrm{1,1}\right)& \mathrm{IM}\left(\mathrm{1,2}\right)& \text{\·\·\·}& \mathrm{IM}(1,n)\\ \·\·\·& & & \·\·\·\\ \mathrm{IM}(n,1)& \mathrm{IM}(n,2)& \·\·\·& \mathrm{IM}(n,n)\end{array}\right]$ ，小区业务量数据 $T=\left[\begin{array}{c}{T}_1\\ T_2\\ \·\·\·\\ T_n\end{array}\right]$ ；那么，基站的相关度矩阵是 $\mathrm{IS}=\left[\begin{array}{cccc}\mathrm{IS}\left(\mathrm{1,1}\right)& \mathrm{IS}\left(\mathrm{1,2}\right)& \·\·\·& \mathrm{IS}(1,m)\\ \·\·\·& & & \·\·\·\\ \mathrm{IS}(m,1)& \mathrm{IS}(m,2)& \·\·\·& \mathrm{IS}(m,m)\end{array}\right]$ ，其中： $\begin{array}{cc}\mathrm{IS}(i,j)=\underset{k\∈\mathrm{Site}\left(i\right),p\∈\mathrm{Site}\left(j\right)}{\mathrm{\Σ}}{T}_k\×\mathrm{IM}(k,p)& \mathrm{fpr\; i}\≠j\end{array}$ ，以及IS(i,j)＝0fori＝j，其中，两个基站之间的所有小区所有输入干扰IM(k,p)的业务加权之和表示两个基站之间的相关度，是一个有向关系；以及，基站切换矩阵构建模块，用于当存在基站的集合Site(i)i＝1,2,…m，小区的集合Cell(j)j＝1,2,…n，其中，m是基站数量，n是小区数量，每个小区都归属于一个基站，因此有j∈Site(i)j＝1,2,…n；小区的相关度具体是指小区之间的切换，则基站的相关度矩阵的元素表示的是基站之间相互切换的次数： $\begin{array}{cc}\mathrm{IS}(i,j)=\underset{k\∈\mathrm{Site}\left(i\right),p\∈\mathrm{Site}\left(j\right)}{\mathrm{\Σ}}H(k,p)& \mathrm{for\; i}\≠j\\ \text{IS}(i,j)=0& \mathrm{for\; i}=j\end{array}$ ，H(k,p)为小区k切向小区p发生的次数。

所述的装置中，聚类单元包括：簇调整模块，用于根据余弦距离以及距离就近原则将各个基站调整到对应的基站簇中，且允许调整后的基站簇的数目与调整前的基站簇的数目不同。

本发明的上述技术方案的有益效果如下：在获取小区的相关度矩阵之后，根据该小区的相关度矩阵得到基站的相关度矩阵，采用聚类算法建立基站所在的簇之间的相关度，通过迭代将不同的基站划分到了不同的簇中，形成了所需的通信网络的基站簇。

附图说明

图1表示一种划分通信网络的基站簇的方法流程示意图；

图2表示基站之间的链接示意图；

图3表示将基站划分到基站簇的结果示意图。

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。

基站基础数据主要包括基站的经纬度信息，基站包含的小区信息，因为通信网基站一般由多个小区组成，小区是一个基本单位，考虑到簇优化一般按照物理上的基站划分比较方便，所以需要基站和小区的准确对应数据。

因为通信网络的相关性数据一般都是按照小区进行统计，所以得到的一般是小区之间的干扰矩阵或者小区之间的切换矩阵作为小区之间的相关度矩阵。矩阵表示的是不同小区之间的信号相互影响的程度大小，数据一般在0-1之间，数值越高，相关性越强。又由于小区之间的信号是有方向性的，A小区对B小区的影响通常和B小区对A小区的影响并不相同，所以相关性是一个有向关系，因此采用矩阵表示这一有向关系。

基站基础数据和小区干扰数据是矩阵的相关性数据的基础。

采取基站之间的干扰矩阵或者切换矩阵衡量基站之间的相关性，以及运用了K-means聚类的自动簇规划方法，根据预先设定的簇数量聚类成簇。

本发明实施例提供一种划分通信网络的基站簇的方法，如图1所示，包括：

步骤101，获取小区的相关度矩阵；

步骤102，将小区的相关度矩阵转换为基站的相关度矩阵，所述基站的相关度矩阵中的一行表示了一个基站在网络中的特征的特征向量；

步骤103，将所有的基站划分到初始设置的第一数目个基站簇中，每一个基站簇均具有等效位置；

步骤104，执行迭代步骤，在所述迭代步骤中，对于每一个基站，根据特征向量获取该基站与不同的基站簇的等效位置之间的距离，根据所述距离和距离就近原则调整该基站所归属的基站簇，直至再次执行所述迭代步骤每一个基站所归属的基站簇不需要调整，形成第二数目个基站簇。

应用所提供的技术，在获取小区的相关度矩阵之后，根据该小区的相关度矩阵得到基站的相关度矩阵，采用聚类思想按照距离就近原则将各个基站划分到不同的基站簇中，形成了所需的通信网络的基站簇。

建立网络节点和相关度，计算节点之间相关度通常用的是节点之间的距离因子，距离因子在通信上并不是真正的物理距离，其表示的是两个节点之间在信号覆盖上的相关程度。干扰矩阵采用距离因子来描述小区相互之间在同频或者邻频下受到影响的程度大小。

在一个优选实施例中，采用所有测量报告(MR，MeasurementReport)的主服务小区测量样本，从所述样本中选取干扰小区和主服务小区的电平差在一定门限之内的样本占比作为干扰矩阵的元素。例如，主服务小区100个样本，某干扰小区和主服务小区电平差在9db以内的样本数是50个，那么小区干扰矩阵中对应的数值是0.5。

需要注意的是，原始的干扰矩阵描述的是小区之间的相关性，而本发明实施例需要用的是基站之间的相关性，所以需要首先将小区相关性转换为基站相关性。在一个优选实施例中，将小区相关性转换为基站相关性的过程包括：

设置输入数据：基站数量m，小区数量n，

基站的集合：Site(i)i＝1,2,…m

小区的集合：Cell(j)j＝1,2,…n

因为每个小区都归属于一个基站，因此有Cell(j)∈Site(i)，j＝1,2,…n

小区的相关度具体是指小区之间的干扰，则小区级干扰矩阵是一个方阵 $\mathrm{IM}=\left[\begin{array}{cccc}\mathrm{IM}\left(\mathrm{1,1}\right)& \mathrm{IM}\left(\mathrm{1,2}\right)& \text{\·\·\·}& \mathrm{IM}(1,n)\\ \·\·\·& & & \·\·\·\\ \mathrm{IM}(n,1)& \mathrm{IM}(n,2)& \·\·\·& \mathrm{IM}(n,n)\end{array}\right]$ ；

小区业务量数据 $T=\left[\begin{array}{c}{T}_1\\ T_2\\ \·\·\·\\ T_k\\ \·\·\·\\ T_n\end{array}\right]$

那么，基站的相关度矩阵是 $\mathrm{IS}=\left[\begin{array}{cccc}\mathrm{IS}\left(\mathrm{1,1}\right)& \mathrm{IS}\left(\mathrm{1,2}\right)& \·\·\·& \mathrm{IS}(1,m)\\ \·\·\·& & & \·\·\·\\ \mathrm{IS}(m,1)& \mathrm{IS}(m,2)& \·\·\·& \mathrm{IS}(m,m)\end{array}\right]$

其中： $\begin{array}{cc}\mathrm{IS}(i,j)=\underset{\mathrm{Cell}\left(k\right)\∈\mathrm{Site}\left(i\right),\mathrm{Cell}\left(p\right)\∈\mathrm{Site}\left(j\right)}{\mathrm{\Σ}}{T}_k\×\mathrm{IM}(k,p)& \mathrm{for\; i}\≠j\\ \text{IS}(i,j)=0& \mathrm{for\; i}=j\end{array}$

IS(i,j)表示第j个基站与第i个基站之间的相关度，T_k表示小区业务量数据T中的第k行的数值，IM(k,p)表示第j个基站中第p个小区对第k个小区的干扰度，是小区级干扰矩阵IM中第k行第p列的数值。

公式采用了简略式的表达方式，整个公式表示，基站j中全部的小区对基站i中全部的小区的影响，就是基站j与基站i之间的相关度。换言之，两个基站之间的相关度由两个基站的所有小区所有输入干扰的业务加权之和构成，两个基站之间的相关性是一个有向关系，即A基站收到B基站的影响与B基站受到A基站的影响是不同的。

i表示主服务基站，j表示其它对主服务基站有干扰的基站，有向关系指的是基站之间相互存在干扰，但是彼此影响的程度不是相同的，比如A干扰B很厉害，但是B对A影响却很小。输入干扰指的是所有的其它基站对主服务基站的干扰，与之对应的输出干扰指的是本基站对所有其它基站的干扰。

基站的相关度矩阵中的第i行向量描述的是第i个基站在网络中的特征的特征向量。

有时候不能完整的获取基站之间的干扰矩阵信息，这时可以采用切换数据来处理。根据通信协议，切换是在测量发生的情况下发生的，因此，切换数据属于干扰矩阵的子集，即干扰矩阵的数据要更完整准确。

采用切换数据来处理时，在一个优选实施例中，将小区的相关度矩阵转换为基站的相关度矩阵还包括：

存在基站的集合Site(i)i＝1,2,…m，小区的集合Cell(j)j＝1,2,…n，其中，m是基站数量，n是小区数量，每个小区都归属于一个基站，因此有j∈Site(i)j＝1,2,…n；

小区的相关度具体是指小区之间的切换，基站之间的相关度矩阵变为基站之间相互切换的次数。设H(k,p)为小区k切向小区p之间发生的次数，那么：

$\begin{array}{cc}\mathrm{IS}(i,j)=\underset{k\∈\mathrm{Site}\left(i\right),p\∈\mathrm{Site}\left(j\right)}{\mathrm{\Σ}}H(k,p)& \mathrm{for\; i}\≠j\\ \text{IS}(i,j)=0& \mathrm{for\; i}=j\end{array}$ 。

在一个优选实施例中，将所有的基站划分到初始设置的第一数目个基站簇中，每一个基站簇均具有等效位置。通常应当是按照距离就近原则，将所有的基站划分到初始设置的第一数目个基站簇中，例如在某区域中，需要将区域内的基站划分为若干个簇，如图2所示，每一个基站对应着一个点。

在一个优选实施例中，根据特征向量获取该基站与不同的基站簇的等效位置之间的距离包括：

设d_i为第i个基站的特征向量，d_j是一个基站簇的等效特征向量，两个特征向量之间的余弦距离是，其中，·表示向量点积，||d_i||、||d_j||表示向量长度，D(i,j)表示第i个基站到基站簇的等效位置之间的余弦距离。计算出一个基站到基站簇的距离的过程中，一个基站到簇的距离是一个基站到这个簇的质心的距离，质心即这个簇包含的所有基站的特征向量的向量平均值，表示为质心向量，距离则是指这个基站的特征向量到簇的质心向量之间的距离。质心向量即为基站簇的等效特征向量。

因此，为获取不同基站与第一数目个基站簇的等效位置之间的距离，需要根据相关度矩阵得到各个特征向量。

特征向量描述的是节点在整个网络中和其它节点的关系特性。全球移动通信系统(GSM，GlobalSystemforMobileCommunications)、时分同步码分多址(TD-SCDMA，TimeDivision-SynchronousCodeDivisionMultipleAccess)和宽带码分多址(WCDMA，WidebandCodeDivisionMultipleAccess)等网络中，对于m个基站，以某基站为中心节点，建立和其余m-1个基站的相关度矩阵，即基站的相关度矩阵-IS矩阵，IS矩阵的第i行向量描述的是第i个基站在整个网络中的特征向量。特征向量是一个稀疏的有向数据，比如共有100个基站，对于其中的某一个基站而言，可能只和10个基站发生覆盖上的相关关系，整个网络构成的IS矩阵也是一个稀疏矩阵。

计算特征向量之间的距离：由于每个基站的特征向量都是稀疏的形式，同时各个基站之间的业务量也存在差别，所以不采用常规的欧氏距离，而是采用余弦距离来计算两个向量之间的相似度，设d_i为第i个基站的特征向量，那么：

$D(i,j)=\left|\right|d_i-d_j\left|\right|=\cos (i,j)=\frac{d_i\•d_j}{\left|\right|d_i\left|\right|\left|\right|d_j\left|\right|}$

·表示向量点积，||d_i||、||d_j||表示向量长度，起作用的是两个向量的相关性数值，向量长度是计算相关度的中间数值。

具体基于K-means算法聚类划分基站到不同的簇中。K-means算法是经典的聚类方法，基本思想是：以空间中k个点为中心进行聚类，对最靠近k个点的对象归类。通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果。聚类的过程是一个迭代过程，相关性较高的基站放到一个基站簇中，再逐步迭代收敛直至得到预期的基站簇。

在一个优选实施例中，根据所述距离和距离就近原则调整基站所属的基站簇包括：根据余弦距离以及距离就近原则将各个基站调整到对应的基站簇中，且允许调整后的基站簇的数目与调整前的基站簇的数目不同。

迭代步骤中，按照初始质心将所有的基站按照余弦距离就近原则划分到基站簇，然后计算划分出来的簇的真实质心，再按照真实质心按照余弦距离就近原则再划分簇，如此循环执行迭代步骤。收敛的原则是：直至再次执行所述迭代步骤每一个基站所归属的基站簇不需要调整，即新的划分和前一次划分是一样的，结束迭代，形成第二数目个基站簇。第一数目个基站簇和第二数目个基站簇的数目可以不同。

在一个应用场景中，采用K-means聚类，在K-means聚类过程中包括：建立基站之间的相关度，如图2所示，是基站之间的链接图；根据簇的数量进行K-means聚类，簇规划划分结果如图3所示，按照K-means聚类算法分为K个簇。K-means聚类算法过程中，起作用的是两个向量的相关性数值，向量长度是计算相关性的中间数值。聚类的过程是一个迭代过程，相关性较高的基站放到一个簇中，再逐步迭代收敛。通过迭代，逐次更新各聚类中心的值，直至得到最好的聚类结果。

K-means聚类算法的优势在于简洁和快速，可以根据初始设定聚类的数量，例如k个基站簇，进行灵活的聚类。

在一个优选实施例中，还包括：设定Cluster(i)，Cluster(J)表示不同簇包含的基站，i，j为簇号，则计算簇和簇之间的相关系数 $R(i,j)=\left\{\begin{array}{cc}\underset{k\∈\mathrm{Cluster}\left(i\right),p\∈\mathrm{Cluster}\left(j\right)}{\mathrm{\Σ}}\mathrm{IS}(k,p)& \mathrm{for\; i}\≠j\\ 0& \mathrm{for\; i}\≠j\end{array}\right.$ ，相关系数的数值越大则相关性越高。簇与簇之间相关性具体指的是簇与簇之间的相关系数，因为K-means是局部最优的聚类方法，所以，簇与簇之间的相关系数的数值越大，相关性越高。

簇与簇的相关性计算是后续的一个归并的处理过程，在一个优选实施例中，还包括：如果基站簇与基站簇之间的相关性结果的数值较大，将两个簇再合并为一个基站簇。

簇和簇之间的相关度结果如表1所示，其中，簇的编号从1至12：

簇号	1	2	3	4	5	6	7	8	9	10	11	12
													1	0	0	0	6642	0	0	0	0	39702	0	0	0
2	0	0	0	506	0	0	33249	0	0	0	0	0
													3	0	0	0	0	52590	8627	0	0	0	0	0	0
4	6701	315	0	0	0	0	0	115	15208	0	0	0
													5	0	0	52201	0	0	0	0	0	0	0	0	0
6	0	0	8004	0	0	0	0	0	0	0	0	0
													7	O	36387	0	0	0	0	0	0	0	0	0	0
8	0	0	0	65	0	0	0	0	0	0	0	0
													9	40982	0	0	16953	0	0	0	0	0	0	0	0
10	0	0	0	0	0	0	0	0	0	0	0	0
													11	0	0	0	0	0	0	0	0	0	0	0	55827
12	0	0	0	0	0	0	0	0	0	0	53448	0

从表1的结果看到：第10个簇和其它簇的关系都是0，即地理上很隔离；而第11个簇和第12个簇相互间的关系相对较强。

本发明实施例提供一种划分通信网络的基站簇的装置，包括：

小区矩阵单元，用于获取小区的相关度矩阵；

基站矩阵单元，用于将小区的相关度矩阵转换为基站的相关度矩阵，所述基站的相关度矩阵中的一行表示了一个基站在网络中的特征的特征向量；

初始簇单元，用于将所有的基站划分到初始设置的第一数目个基站簇中，每一个基站簇均具有等效位置；

聚类单元，用于执行迭代，在所述迭代中，对于每一个基站，根据特征向量获取该基站与不同的基站簇的等效位置之间的距离，根据所述距离和距离就近原则调整该基站所归属的基站簇，直至再次执行所述迭代步骤每一个基站所归属的基站簇不需要调整，形成第二数目个基站簇。

在一个优选实施例中，基站矩阵单元包括：

基站干扰矩阵构建模块，用于当存在基站的集合Site(i)i＝1,2,…m，小区的集合Cell(j)j＝1,2,…n，其中，m是基站数量，n是小区数量，每个小区都归属于一个基站，因此有j∈Site(i)j＝1,2,…n；小区的相关度具体是指小区之间的干扰时，获取小区的相关度矩阵 $\mathrm{IM}=\left[\begin{array}{cccc}\mathrm{IM}\left(\mathrm{1,1}\right)& \mathrm{IM}\left(\mathrm{1,2}\right)& \text{\·\·\·}& \mathrm{IM}(1,n)\\ \·\·\·& & & \·\·\·\\ \mathrm{IM}(n,1)& \mathrm{IM}(n,2)& \·\·\·& \mathrm{IM}(n,n)\end{array}\right]$ ，小区业务量数据 $T=\left[\begin{array}{c}{T}_1\\ T_2\\ \·\·\·\\ T_n\end{array}\right]$ ；

那么，基站的相关度矩阵是 $\mathrm{IS}=\left[\begin{array}{cccc}\mathrm{IS}\left(\mathrm{1,1}\right)& \mathrm{IS}\left(\mathrm{1,2}\right)& \·\·\·& \mathrm{IS}(1,m)\\ \·\·\·& & & \·\·\·\\ \mathrm{IS}(m,1)& \mathrm{IS}(m,2)& \·\·\·& \mathrm{IS}(m,m)\end{array}\right]$ ，其中： $\begin{array}{cc}\mathrm{IS}(i,j)=\underset{k\∈\mathrm{Site}\left(i\right),p\∈\mathrm{Site}\left(j\right)}{\mathrm{\Σ}}{T}_k\×\mathrm{IM}(k,p)& \mathrm{fpr\; i}\≠j\end{array}$ ，以及IS(i,j)＝0fori＝j，其中，两个基站之间的所有小区所有输入干扰IM(k,p)的业务加权之和表示两个基站之间的相关度，是一个有向关系；

以及，

基站切换矩阵构建模块，用于当存在基站的集合Site(i)i＝1,2,…m，小区的集合Cell(j)j＝1,2,…n，其中，m是基站数量，n是小区数量，每个小区都归属于一个基站，因此有j∈Site(i)j＝1,2,…n；小区的相关度具体是指小区之间的切换时，设H(k,p)为小区k切向小区p之间发生的次数，则基站之间的相关度矩阵的元素表示的是基站之间相互切换的次数，那么：

$\begin{array}{cc}\mathrm{IS}(i,j)=\underset{k\∈\mathrm{Site}\left(i\right),p\∈\mathrm{Site}\left(j\right)}{\mathrm{\Σ}}H(k,p)& \mathrm{for\; i}\≠j\\ \text{IS}(i,j)=0& \mathrm{for\; i}=j\end{array}$ 。

在一个优选实施例中，聚类单元包括：

簇调整模块，用于根据基站到基站簇的等效位置之间的余弦距离以及距离就近原则将各个基站调整到对应的基站簇中，且允许调整后的基站簇的数目与调整前的基站簇的数目不同。

在一个优选实施例中，还包括：

簇与簇相关性计算单元，用于计算簇与簇之间的相关性；簇与簇之间相关性具体指的是簇与簇之间的相关系数，因为K-means是局部最优的聚类方法，簇与簇之间的相关系数的数值越大，相关性越高，设定Cluster(i),Cluster(j)表示不同簇包含的基站，i,j为簇号，则计算簇和簇之间的相关系数 $R(i,j)=\left\{\begin{array}{cc}\underset{k\∈\mathrm{Cluster}\left(i\right),p\∈\mathrm{Cluster}\left(j\right)}{\mathrm{\Σ}}\mathrm{IS}(k,p)& \mathrm{for\; i}\≠j\\ 0& \mathrm{for\; i}\≠j\end{array}\right.$ ，相关系数的数值越大则相关性越高。

按照聚类算法分为K个簇，这一过程中，对N个列向量采用余弦距离，按照余弦距离就近原则将所有的基站划分到K个簇，每个簇包含不同数量的基站。

一个应用场景中，原先划分一个309个站的网络需要至少48小时，现在运用本申请的方法进行处理，整个建立和处理数据的过程只需要约两个小时，大大提升了规划基站簇的效率。

原先对密集城区划分簇的时候，通常对道路复杂的区域网络难以执行规划，采用本方案之后的优势是：现在通过准确的相关性判断，根据实践可以得出结论，其准确性提升了50％以上；基站入网时，可以采用同样的方法模型进行直接运算，数分钟之内即可得到解决方案，解决了通用性问题。

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 (10)

1.一种划分通信网络的基站簇的方法，其特征在于，方法包括：

获取小区的相关度矩阵；

将小区的相关度矩阵转换为基站的相关度矩阵，所述基站的相关度矩阵中的一行数据表示了一个基站在网络中的特征的特征向量；

将所有的基站划分到初始设置的第一数目个基站簇中，每一个基站簇均具有等效位置；

执行迭代步骤，在所述迭代步骤中，对于每一个基站，根据特征向量获取该基站与不同的基站簇的等效位置之间的距离，根据所述距离和距离就近原则调整该基站所归属的基站簇，直至再次执行所述迭代步骤每一个基站所归属的基站簇不需要调整，形成第二数目个基站簇。

2.根据权利要求1所述的方法，其特征在于，获取小区的相关度矩阵包括：

采用所有测量报告的主服务小区测量样本，从所述主服务小区测量样本中选取干扰小区和主服务小区的电平差在一定门限之内的样本，以这些样本占据全部所述主服务小区测量样本的占比作为小区的相关度矩阵的元素。

3.根据权利要求1所述的方法，其特征在于，将小区的相关度矩阵转换为基站的相关度矩阵包括：

存在基站的集合Site(i)i＝1,2,…m，小区的集合Cell(j)j＝1,2,…n，其中，m是基站数量，n是小区数量，每个小区都归属于一个基站，因此有j∈Site(i)j＝1,2,…n；

小区的相关度具体是指小区之间的干扰时，小区的相关度矩阵 $\mathrm{IM}=\left[\begin{array}{cccc}\mathrm{IM}\left(\mathrm{1,1}\right)& \mathrm{IM}\left(\mathrm{1,2}\right)& \text{\·\·\·}& \mathrm{IM}(1,n)\\ \·\·\·& & & \·\·\·\\ \mathrm{IM}(n,1)& \mathrm{IM}(n,2)& \·\·\·& \mathrm{IM}(n,n)\end{array}\right]$ ，小区业务量数据 $T=\left[\begin{array}{c}{T}_1\\ T_2\\ \·\·\·\\ T_n\end{array}\right]$ ；

那么，基站的相关度矩阵是 $\mathrm{IS}=\left[\begin{array}{cccc}\mathrm{IS}\left(\mathrm{1,1}\right)& \mathrm{IS}\left(\mathrm{1,2}\right)& \·\·\·& \mathrm{IS}(1,m)\\ \·\·\·& & & \·\·\·\\ \mathrm{IS}(m,1)& \mathrm{IS}(m,2)& \·\·\·& \mathrm{IS}(m,m)\end{array}\right]$ ，其中： $\begin{array}{cc}\mathrm{IS}(i,j)=\underset{k\∈\mathrm{Site}\left(i\right),p\∈\mathrm{Site}\left(j\right)}{\mathrm{\Σ}}{T}_k\×\mathrm{IM}(k,p)& \mathrm{fpr\; i}\≠j\end{array}$ ，以及IS(i,j)＝0fori＝j，其中，两个基站之间的所有小区所有输入干扰IM(k,p)的业务加权之和表示两个基站之间的相关度，是一个有向关系。

4.根据权利要求3所述的方法，其特征在于，将小区的相关度矩阵转换为基站的相关度矩阵还包括：

存在基站的集合Site(i)i＝1,2,…m，小区的集合Cell(j)j＝1,2,…n，其中，m是基站数量，n是小区数量，每个小区都归属于一个基站，因此有j∈Site(i)j＝1,2,…n；

小区的相关度具体是指小区之间的切换，则基站的相关度矩阵的元素表示的是基站之间相互切换的次数：

$\begin{array}{cc}\mathrm{IS}(i,j)=\underset{k\∈\mathrm{Site}\left(i\right),p\∈\mathrm{Site}\left(j\right)}{\mathrm{\Σ}}H(k,p)& \mathrm{for\; i}\≠j\\ \text{IS}(i,j)=0& \mathrm{for\; i}=j\end{array}$ ，H(k,p)为小区k切向小区p发生的次数。

5.根据权利要求1所述的方法，其特征在于，根据特征向量获取该基站与不同的基站簇的等效位置之间的距离包括：

设d_i为第i个基站的特征向量，d_j是一个基站簇的等效特征向量，两个特征向量之间的余弦距离是，其中，·表示向量点积，||d_i||、||d_j||表示向量长度，D(i,j)表示第i个基站到基站簇的等效位置之间的余弦距离。

6.根据权利要求5所述的方法，其特征在于，根据所述距离和距离就近原则调整基站所属的基站簇包括：

根据余弦距离以及距离就近原则将各个基站调整到对应的基站簇中，且允许调整后的基站簇的数目与调整前的基站簇的数目不同。

7.根据权利要求1所述的方法，其特征在于，还包括：

设定Cluster(i),Cluster(j)表示不同簇包含的基站，i,j为簇号，则计算簇和簇之间的相关系数 $R(i,j)=\left\{\begin{array}{cc}\underset{k\∈\mathrm{Cluster}\left(i\right),p\∈\mathrm{Cluster}\left(j\right)}{\mathrm{\Σ}}\mathrm{IS}(k,p)& \mathrm{for\; i}\≠j\\ 0& \mathrm{for\; i}\≠j\end{array}\right.$ ，相关系数的数值越大则相关性越高。

8.一种划分通信网络的基站簇的装置，其特征在于，包括：

小区矩阵单元，用于获取小区的相关度矩阵；

基站矩阵单元，用于将小区的相关度矩阵转换为基站的相关度矩阵，所述基站的相关度矩阵中的一行数据表示了一个基站在网络中的特征的特征向量；

初始簇单元，用于将所有的基站划分到初始设置的第一数目个基站簇中，每一个基站簇均具有等效位置；

聚类单元，用于执行迭代，在所述迭代中，对于每一个基站，根据特征向量获取该基站与不同的基站簇的等效位置之间的距离，根据所述距离和距离就近原则调整该基站所归属的基站簇，直至再次执行所述迭代步骤每一个基站所归属的基站簇不需要调整，形成第二数目个基站簇。

9.根据权利要求8所述的装置，其特征在于，基站矩阵单元包括：

基站干扰矩阵构建模块，用于当存在基站的集合Site(i)i＝1,2,…m，小区的集合Cell(j)j＝1,2,…n，其中，m是基站数量，n是小区数量，每个小区都归属于一个基站，因此有j∈Site(i)j＝1,2,…n；小区的相关度具体是指小区之间的干扰时，获取小区的相关度矩阵 $\mathrm{IM}=\left[\begin{array}{cccc}\mathrm{IM}\left(\mathrm{1,1}\right)& \mathrm{IM}\left(\mathrm{1,2}\right)& \text{\·\·\·}& \mathrm{IM}(1,n)\\ \·\·\·& & & \·\·\·\\ \mathrm{IM}(n,1)& \mathrm{IM}(n,2)& \·\·\·& \mathrm{IM}(n,n)\end{array}\right]$ ，小区业务量数据 $T=\left[\begin{array}{c}{T}_1\\ T_2\\ \·\·\·\\ T_n\end{array}\right]$ ；

那么，基站的相关度矩阵是 $\mathrm{IS}=\left[\begin{array}{cccc}\mathrm{IS}\left(\mathrm{1,1}\right)& \mathrm{IS}\left(\mathrm{1,2}\right)& \·\·\·& \mathrm{IS}(1,m)\\ \·\·\·& & & \·\·\·\\ \mathrm{IS}(m,1)& \mathrm{IS}(m,2)& \·\·\·& \mathrm{IS}(m,m)\end{array}\right]$ ，其中： $\begin{array}{cc}\mathrm{IS}(i,j)=\underset{k\∈\mathrm{Site}\left(i\right),p\∈\mathrm{Site}\left(j\right)}{\mathrm{\Σ}}{T}_k\×\mathrm{IM}(k,p)& \mathrm{fpr\; i}\≠j\end{array}$ ，以及IS(i,j)＝0fori＝j，其中，两个基站之间的所有小区所有输入干扰IM(k,p)的业务加权之和表示两个基站之间的相关度，是一个有向关系；

以及，

基站切换矩阵构建模块，用于当存在基站的集合Site(i)i＝1,2,…m，小区的集合Cell(j)j＝1,2,…n，其中，m是基站数量，n是小区数量，每个小区都归属于一个基站，因此有j∈Site(i)j＝1,2,…n；小区的相关度具体是指小区之间的切换，则基站的相关度矩阵的元素表示的是基站之间相互切换的次数： $\begin{array}{cc}\mathrm{IS}(i,j)=\underset{k\∈\mathrm{Site}\left(i\right),p\∈\mathrm{Site}\left(j\right)}{\mathrm{\Σ}}H(k,p)& \mathrm{for\; i}\≠j\\ \text{IS}(i,j)=0& \mathrm{for\; i}=j\end{array}$ ，H(k,p)为小区k切向小区p发生的次数。

10.根据权利要求8所述的装置，其特征在于，聚类单元包括：

簇调整模块，用于根据基站到基站簇的等效位置之间的余弦距离以及距离就近原则将各个基站调整到对应的基站簇中，且允许调整后的基站簇的数目与调整前的基站簇的数目不同。