CN106376032A - 热点区域自动识别方法和装置 - Google Patents
热点区域自动识别方法和装置 Download PDFInfo
- Publication number
- CN106376032A CN106376032A CN201610799023.2A CN201610799023A CN106376032A CN 106376032 A CN106376032 A CN 106376032A CN 201610799023 A CN201610799023 A CN 201610799023A CN 106376032 A CN106376032 A CN 106376032A
- Authority
- CN
- China
- Prior art keywords
- cell
- area
- adjacent area
- hot spot
- spot region
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及热点区域自动识别方法和装置。该方法包括:在出现用户数大于第一门限和/或业务量大于第二门限的待识别小区的情况下,触发针对待识别小区的热点区域识别步骤。热点区域识别步骤包括:获取待识别小区的共站邻区和各邻站邻区在相同时刻下的相关业务数据;以共站邻区为中心原点,连接到各邻站邻区确定覆盖面积;根据共站邻区、各邻站邻区的业务数据、覆盖面积,计算覆盖面积对应的业务密度数据;从覆盖面积内共站邻区和各邻站邻区的历史周期的业务密度数据中提取有效数据,计算对应的动态基线;根据动态基线和预先设置的容忍度,确定热点原始区域;基于热点原始区域构成热点区域。本发明可以自动进行热点区域识别,准确性高,效率高。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种热点区域自动识别方法和装置。
背景技术
当前移动无线网络处于快速发展阶段,网络负荷开始面临大业务量考验,在局部热点区域已呈现出高用户密度、高并发、大流量的特征。及时掌握并确保热点区域的业务质量与客户感知,是网络运营工作的重点。
现有的热点区域监控能力主要通过事先划定好可能发生业务热点的范围,人工梳理出需要重点关注的网元,在保障期间进行持续关注。该方法能够将网络监控范围精准到热点区域,解决对日常可预见性的热点区域业务负荷及网络质量的监控能效。
但是人工干预设定热点区域具有一定的局限性,人工梳理及手工配置的人力成本消耗高,立足于该方案的信令大数据分析热点区域自动捕获能力更加凸显高效。
根据当前信令数据采集能力,要实现热点区域自动捕获及业务质量监控,存在的问题与缺陷,有以下几点:
1、信令大数据实时采集能力目前有待进一步提升,特别针对指标数据的时延控制能力存在缺口,该缺口伴随着采集范围的扩大存在加大恶化的表现。数据时延将直接影响到对热点区域突然并发问题的捕获能力。
2、底层数据来源多样性,涉及信令、网管、拨测、路测,将对上层数据汇聚提高难度,将不同数据源、不同时间维度、不同时延、进行汇聚复合运算,对数据处理层的逻辑运算能力有很高的要求。
3、热点识别采用动态基线,横向比对算法,生成动态基线的历史数据都是基于5分钟采集、全网小区粒度,同时因热点区域的突发性,无法提前约定需要横向比对的数据范围,故全部动态基线都将是实时触发计算,这种计算方法的效率较低。
发明内容
技术问题
有鉴于此,本发明要解决的技术问题是,如何自动识别热点区域。
解决方案
本发明提供一种热点区域自动识别方法,包括:
在出现用户数大于第一门限和/或业务量大于第二门限的待识别小区的情况下,触发针对所述待识别小区的热点区域识别步骤;
所述热点区域识别步骤包括:
获取所述待识别小区的共站邻区和各邻站邻区在相同时刻下的相关业务数据;
以所述共站邻区为中心原点,连接到所述共站邻区周边的各所述邻站邻区,以确定覆盖面积;
根据所述共站邻区的业务数据、各所述邻站邻区的业务数据和所述覆盖面积,计算出所述覆盖面积对应的业务密度数据;
从所述覆盖面积内的全部所述共站邻区和各所述邻站邻区的历史周期的业务密度数据中,提取出有效数据,并计算出对应的动态基线;
根据所述动态基线和预先设置的容忍度,确定所述覆盖面积是否属于热点原始区域;
基于所述热点原始区域构成热点区域。
对于上述方法,在一种可能的实现方式中,基于所述热点原始区域构成热点区域包括:
在存在多个热点原始区域的情况下,将边界相邻的热点原始区域进行合并以构成热点区域。
对于上述方法,在一种可能的实现方式中,从所述覆盖面积内的全部所述共站邻区和各所述邻站邻区的历史周期的业务密度数据中,提取出有效数据,并计算出对应的动态基线,包括:
从所述覆盖面积内的所述共站邻区和各所述邻站邻区中提取用户数和/或业务量在d天内的历史周期的业务密度数据;
根据预先设定的有效值的百分比a%,从所提取的历史周期的业务密度数据中选取d*a%个有效数据,其中,所述有效数据为所提取的历史周期的业务密度数据中方差最小的d*a%个数据;
计算所选取的d*a%个有效数据的平均值E和方差sigma,并采用式M=E+sigma计算所述动态基线M。
对于上述方法,在一种可能的实现方式中,根据所述动态基线和预先设置的容忍度确定所述覆盖面积是否属于热点原始区域,包括:
采用式M*(1+rn)来计算第n级的业务波动门限,其中,rn为业务波动级别为n级的容忍度,n为正整数;
将所述覆盖面积的历史周期的业务密度数据的波动情况和业务波动门限进行比较,确定所述覆盖面积是否属于热点原始区域。
对于上述方法,在一种可能的实现方式中,还包括:
根据所述覆盖面积所属的业务波动级别,在GIS地图上采用相应颜色进行渲染。
本发明还提供一种热点区域自动识别方法,包括:
根据预先设定的小区业务质量指标劣化门限,触发针对待识别小区的热点区域识别步骤;
所述热点区域识别步骤包括:
根据所述待识别小区的共站邻区与在所述共站邻区周边的各邻站邻区的相同业务质量指标劣化的情况,查找各同质劣化小区;
根据所查找到的同质劣化小区的数量相对于本次热点识别过程中所分析的关联邻区的占比,触发热点区域确定过程,所述触发热点区域确定过程包括将本次热点识别过程中的所分析的关联邻区进行封闭连接以形成热点区域。
对于上述方法,在一种可能的实现方式中,根据所述待识别小区的共站邻区与在所述共站邻区周边的各邻站邻区的相同业务质量指标劣化的情况,查找各同质劣化小区,包括:
在所述待识别小区的共站邻区与各邻站邻区存在相同业务质量指标劣化的情况下,查找是否存在所述待识别小区的同质劣化小区;
如果存在,则根据当前查找到的同质劣化小区执行查找步骤,所述查找步骤包括:查找所述当前查找到的同质劣化小区的共站邻区与邻站邻区中是否存在当前查找到的同质劣化小区的同质劣化小区;
如果存在,则根据当前查找到的同质劣化小区继续执行所述查找步骤,直至查找不到当前查找到的同质劣化小区的同质劣化小区为止。
对于上述方法,在一种可能的实现方式中,还包括:
根据所述热点区域内各小区的业务质量劣化级别,在GIS地图上采用相应颜色进行渲染。
本发明还提供一种热点区域自动识别装置,包括:
触发模块,用于在出现用户数大于第一门限和/或业务量大于第二门限的待识别小区的情况下,触发热点区域识别模块对所述待识别小区进行热点区域识别;
所述热点区域识别模块包括:
业务数据获取单元,用于获取所述待识别小区的共站邻区和各邻站邻区在相同时刻下的业务数据;
覆盖面积确定单元,用于以所述共站邻区为中心原点,连接到所述共站邻区周边的各所述邻站邻区,以确定覆盖面积;
业务密度计算单元,用于根据所述共站邻区的业务数据、各所述邻站邻区的业务数据和所述覆盖面积,计算出所述覆盖面积对应的业务密度数据;
动态基线计算单元,用于从所述覆盖面积内的全部所述共站邻区和各所述邻站邻区的历史周期的业务密度数据中,提取出有效数据,并计算出对应的动态基线;
热点区域确定单元,用于根据所述动态基线和预先设置的容忍度,确定所述覆盖面积是否属于热点原始区域;基于所述热点原始区域构成热点区域。
对于上述装置,在一种可能的实现方式中,所述热点区域确定单元还用于在存在多个热点原始区域的情况下,将边界相邻的热点原始区域进行合并以构成热点区域。
对于上述装置,在一种可能的实现方式中,所述动态基线计算单元还用于:
从所述覆盖面积内的所述共站邻区和各所述邻站邻区中提取用户数和/或业务量在d天内的历史周期的业务密度数据;
根据预先设定的有效值的百分比a%,从所提取的历史周期的业务密度数据中选取d*a%个有效数据,其中,所述有效数据为所提取的历史周期的业务密度数据中方差最小的d*a%个数据;
计算所选取的d*a%个有效数据的平均值E和方差sigma,并采用式M=E+sigma计算所述动态基线M。
对于上述装置,在一种可能的实现方式中,所述热点区域确定单元还用于:
采用式M*(1+rn)来计算第n级的业务波动门限,其中,rn为业务波动级别为n级的容忍度,n为正整数;
将所述覆盖面积的历史周期的业务密度数据的波动情况和业务波动门限进行比较,确定所述覆盖面积是否属于热点原始区域。
对于上述装置,在一种可能的实现方式中,还包括:
渲染模块,用于根据所述覆盖面积所属的业务波动级别,在GIS地图上采用相应颜色进行渲染。
本发明还提供一种热点区域自动识别装置,包括:
触发模块,用于根据预先设定的小区业务质量指标劣化门限,触发热点区域识别模块对待识别小区的热点区域进行识别;
所述热点区域识别模块包括:
查找单元,用于根据所述待识别小区的共站邻区与在所述共站邻区周边的各邻站邻区的相同业务质量指标劣化的情况,查找各同质劣化小区;
热点区域确定单元,用于根据所查找到的同质劣化小区的数量相对于本次热点识别过程中所分析的关联邻区的占比,触发热点区域确定过程,所述触发热点区域确定过程包括将本次热点识别过程中的所分析的关联邻区进行封闭连接以形成热点区域。
对于上述装置,在一种可能的实现方式中,所述查找单元还用于:
在所述待识别小区的共站邻区与各邻站邻区存在相同业务质量指标劣化的情况下,查找是否存在所述待识别小区的同质劣化小区;
如果存在,则根据当前查找到的同质劣化小区执行查找步骤,所述查找步骤包括:查找所述当前查找到的同质劣化小区的共站邻区与邻站邻区中是否存在当前查找到的同质劣化小区的同质劣化小区;
如果存在,则根据当前查找到的同质劣化小区继续执行所述查找步骤,直至查找不到当前查找到的同质劣化小区的同质劣化小区为止。
对于上述装置,在一种可能的实现方式中,还包括:
渲染模块,用于根据所述热点区域内各小区的业务质量劣化级别,在GIS地图上采用相应颜色进行渲染。
有益效果
本发明可以自动进行热点区域识别,相对现有的人工判断方法,通过设置好热点自动捕获门限,完成热点区域自动捕获,能够节省人力成本,具备准确性高,效率高的优点。
进一步地,本发明可以参考待识别小区的共站邻区与各邻站邻区相关历史数据协同分析,能通过周期性数据对热点区域突发问题做出有效的分析和评估,规避了实时数据采集时延的延时性。
进一步地,本发明将底层数据逐级汇总,形成不同级别的关联分析数据,降低了输出最终结果所需的运算能力和需求,并且还可以按不同数据层次给出对比情况。
进一步地,本发明通过分析待识别小区的共站邻区与各邻站邻区相关历史数据,提取有效数据,并计算对应的动态基线,不需实时采集和实时出发计算,提升了识别效率和运算需求。
根据下面参考附图对示例性实施例的详细说明,本发明的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本发明的示例性实施例、特征和方面,并且用于解释本发明的原理。
图1示出根据本发明一实施例的热点区域自动识别方法的流程图;
图2示出根据本发明另一实施例的热点区域自动识别方法的流程图;
图3示出根据本发明另一实施例的热点区域自动识别方法的流程图;
图4示出根据本发明另一实施例的热点区域自动识别方法的流程图;
图5示出根据本发明另一实施例的热点区域自动识别方法中的覆盖面积计算方式的示意图;
图6示出根据本发明另一实施例的热点区域自动识别方法中的渲染效果的示意图;
图7示出根据本发明一实施例的热点区域自动识别装置的结构示意图;
图8示出根据本发明另一实施例的热点区域自动识别装置的结构示意图。
具体实施方式
以下将参考附图详细说明本发明的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外,为了更好的说明本发明,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本发明同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本发明的主旨。
本发明实施例主要从重要区域质量保障效果、和网络性能管理过程两个层面分别明确衡量标准,通过小区业务面指标(例如流量、用户数等)波动情况监测,结合信令控制面各指标值(例如质量劣化),运用大数据分析合理设置省、地市、区县、重要保障热点触发规则,实现重要区域质量监测分析,及时掌握并确保重点区域的业务质量与客户感知。
首先,在地域上可以将例如省、地市、区县3个固定场景,以及重点保障场景区域中所属全量小区等视为重要区域。
然后,基于基础数据进行热点识别。举例而言,基于信令的指标集可以包括:用户数、业务量、控制面指标、信令面指标等4类。涉及网页浏览、视频业务、即时通信、应用下载四个业务和网络附着、承载建立、TAU更新、域名查询、连接建立等环节。指标集可以全都采用无线小区空间维度,5分钟为时间统计粒度。各指标的类型以及对应的含义等,可以参见例如表1的相关内容,但是表1也仅是一种示例,即可以采用表1中的部分或全部指标作为热点识别的基础数据,也可以采用与表1类似的其他指标作为热点识别的基础数据。
表1
热点识别(或热点业务识别)是指按照某种计算规则,主要采用阈值和波动门限、横向对比法,找出区域内使用量最高、增长量最高或业务模型发生明显变化的业务,及时掌握区域内用户访问业务的情况。以下通过几个具体实施例来介绍热点区域自动识别的过程。
实施例1
图1示出根据本发明一实施例的热点区域自动识别方法的流程图。如图1所示,该热点区域自动识别方法主要可以包括:
步骤101、在出现用户数大于第一门限和/或业务量大于第二门限的待识别小区的情况下,触发步骤102。举例而言,可以对重要区域的各小区进行监控,发现重要区域的某个小区的用户密度和/或业务密度发生突变,可以将该小区认为是待识别小区。
步骤102、对所述待识别小区进行热点区域识别,具体可以包括:
步骤1021、获取所述待识别小区的共站邻区和各邻站邻区在相同时刻下的相关业务数据;其中,一个小区的共站邻区为该小区所归属基站覆盖范围内的其他小区;一个小区的邻站邻区为与该小区归属基站直接相邻的基站覆盖范围内的所有小区。
步骤1022、以所述共站邻区为中心原点,连接到所述共站邻区周边的各所述邻站邻区,以确定覆盖面积;
步骤1023、根据所述共站邻区的业务数据、各所述邻站邻区的业务数据和所述覆盖面积,计算出所述覆盖面积对应的业务密度数据;
步骤1024、从所述覆盖面积内的全部所述共站邻区和各所述邻站邻区的历史周期的业务密度数据中,提取出有效数据,并计算出对应的动态基线;
步骤1025、根据所述动态基线和预先设置的容忍度,确定所述覆盖面积是否属于热点原始区域。
此外,在步骤1026中,基于所述热点原始区域构成热点区域。具体而言,如果存在多个热点原始区域,可以将边界相邻的热点原始区域进行合并以构成热点区域,从而形成完整的热点区域识别结果。
举例而言,步骤1024具体可以包括:
从所述共站邻区和各所述邻站邻区中提取用户数和/或业务量在d天内的历史周期的业务密度数据;其中,天数d可按周、月周期需求调整为7、30等,最大可设置为365,缺省可以选择为最优值30,可以根据具体的应用需求灵活设置,本发明不限定d的具体数值。
根据预先设定的有效值的百分比a%,从所提取的历史周期的业务密度数据中选取d*a%个有效数据,其中,所述有效数据为所提取的历史周期的业务密度数据中方差最小的d*a%个数据;
计算所选取的d*a%个有效数据的平均值E和方差sigma,并采用式M=E+sigma计算所述动态基线M。
然后,在步骤1025中,可以采用式M*(1+rn)来计算第n级的业务波动门限,其中,rn为业务波动级别为n级的容忍度,n为正整数。然后将所述覆盖面积的历史周期的业务密度数据的波动情况和业务波动门限进行比较,确定所述覆盖面积是否属于热点原始区域。
最后,在步骤103中,可以根据所述覆盖面积所属的业务波动级别,在GIS(Geographic Information System,地理信息系统)地图上采用相应颜色进行渲染。参见图6。
实施例2
图2示出根据本发明另一实施例的热点区域自动识别方法的流程图。如图2所示,该热点区域自动识别方法主要是基于用户密度、业务密度突变进行热点区域的自动识别,具体可以包括:
步骤201、当某个小区用户数和/或业务量实时数据指标大于某个预设定静态门限,触发热点区域分析。例如,对重要区域的各小区进行监控,发现重要区域的某个小区的用户密度和/或业务密度发生突变。
步骤202、提取该小区的共站邻区与邻站邻区相同时刻下业务数据。
步骤203、以共站邻区为中心,连接共站邻区周边的邻站邻区,再将邻站邻区进行依次连接,形成空间维度封闭的覆盖面积。
步骤204、业务密度=业务总量/覆盖面积。其中,覆盖面积的计算方式可以有多种,例如如图5所示,将覆盖面积根据拆分为多个三角形分别计算后合并。
步骤205、提取小区用户数或各业务量30天历史周期的数据。其中,30天仅是一种示例,具体可以根据实际应用场景灵活选择。
步骤206、根据预设定有效值的百分比a%,选取其中30*a%个数据作为有效数据计算动态基线(这是为了剔除其中的异常数据)。
具体而言,有效数据为其中方差最小的30*a%个数。可以计算选取的30*a%个有效数据的平均值E和方差sigma,动态基线M=E+sigma。
步骤207、动态基线计算好之后,需设置容忍度r1、r2、r3、r4,最终形成四级波动门限,用以区分波动等级。表2中的4个容忍度仅是一种示例,具体可以根据实际应用场景灵活设置。
表2
步骤208、如果该覆盖面积的历史周期的业务密度数据的业务波动级别在波动门限范围内,则该覆盖面积则判定为热点原始区域。
步骤209、将边界相邻的热点原始区域进行合并,则形成完整的区域识别。
实施例3
图3示出根据本发明另一实施例的热点区域自动识别方法的流程图。如图3所示,该热点区域自动识别方法主要可以包括:
步骤301、根据预先设定的小区业务质量指标劣化门限,触发步骤302。具体而言,可以预先设定小区的业务质量指标劣化门限,参见表1可知,业务质量指标有多种,既包括各种KQI,也包括连接建立、域名查询、网络附着、承载建立、TAU等指标,每一种业务质量指标均可以设置对应的劣化门限。在例如重要区域内某个小区的某个业务质量指标突发劣化时,劣化后的该业务质量指标小于劣化门限,则可以触发热点区域识别的步骤。
步骤302、对待识别小区进行热点区域识别,具体可以包括:
步骤3021、根据所述待识别小区的共站邻区与在所述共站邻区周边的各邻站邻区的相同业务质量指标劣化的情况,查找各同质劣化小区;其中,同质劣化小区是指与待识别小区的某一个或者某几个业务质量指标同时出现劣化情况的小区。举例而言,参见表1,假设小区A和小区B的HTTP单次响应成功率均降低了10%或者都超出了业务质量指标劣化门限,则可以认为小区A是小区B的同质劣化小区,或小区B是小区A的同质劣化小区。
步骤3022、根据所查找到的同质劣化小区的数量相对于本次热点识别过程中所分析的关联邻区的占比,触发热点区域确定过程,所述触发热点区域确定过程包括将本次热点识别过程中的所分析的关联邻区进行封闭连接以形成热点区域。
其中,步骤3021可以包括:
步骤3021a、在所述待识别小区的共站邻区与各邻站邻区存在相同业务质量指标劣化的情况下,查找是否存在所述待识别小区的同质劣化小区;如果存在,则执行步骤3021b。
步骤3021b、根据当前查找到的同质劣化小区执行查找步骤3021c。在查找步骤3021c中,查找所述当前查找到的同质劣化小区的共站邻区与邻站邻区中是否存在当前查找到的同质劣化小区的同质劣化小区。
如果存在,则根据当前查找到的同质劣化小区继续执行所述查找步骤3021c,直至查找不到当前查找到的同质劣化小区的同质劣化小区为止,并且可以计算所查找到的同质劣化小区的数量,然后执行步骤3022。
最后,在步骤303中,可以根据所述热点区域内各小区的业务质量劣化级别,在GIS地图上采用相应颜色进行渲染,参见图6。
实施例4
图4示出根据本发明另一实施例的热点区域自动识别方法的流程图。如图4所示,该热点区域自动识别方法主要基于网络劣化进行热点区域的自动识别,具体可以包括:
步骤401、预设定某个小区业务质量指标劣化门限。
步骤402、基于该小区的业务指标劣化触发热点区域分析。
步骤403、分析该小区的共站邻区与邻站邻区是否存在相同业务质量指标劣化的情况,如果存在同质劣化小区,则执行步骤404。
步骤404、根据查找到的同质劣化小区分析该同质劣化小区的共站邻区与邻站邻区是否存同质劣化小区。如果存在,继续步骤404查找同质劣化小区,反之停止分析。在分析查找同质劣化小区的过程中,可以统计所查找到的同质劣化小区的数量。
步骤405、根据同质劣化小区数量相对于一次完整热点区域分析过程中关联邻区的占比触发热点区域识别,将分析过程中的所有分析过的小区(即关联邻区)进行封闭连接,自动形成热点区域。
如图6所示,基于GIS地图承载热点区域范围,各热点区域范围根据上述实施例中的业务波动级别或业务质量劣化级别,可以进行颜色渲染预警。渲染过程可以采用插值分析算法,形成渲染颜色由业务波动源小区或业务劣化源小区进行由深到浅的渐变扩散效果。
本发明实施例可以自动进行热点区域识别,相对现有的人工判断方法,具备准确性高,效率高的优点。通过设置好热点自动捕获门限,并且门限预值长期有效,完成热点区域自动捕获,大大节省人力成本。
基于信令数据的采集能力,相比原基于网管侧的采集能力,无论是在指标实时性,还是在业务细分角度,都有巨大提升。通过热点自动识别算法,可以实现热点区域监控无死角,热点区域监控有效性最高可达到100%。
本发明实施例的热点区域自动识别方法重新诠释了热点区域的定义。不再重复的通过人工收集,历史数据分析预先框定监控范围,而该方案中的热点区域完全动态生成,其热点覆盖面积将根据实时指标变化进行同步更新,做到监控对象有的放矢。
实施例5
图7示出根据本发明一实施例的热点区域自动识别装置的结构示意图。如图7所示,该热点区域自动识别装置具体可以包括:
触发模块51,用于在出现用户数大于第一门限和/或业务量大于第二门限的待识别小区的情况下,触发热点区域识别模块对所述待识别小区进行热点区域识别;
所述热点区域识别模块53包括:
业务数据获取单元531,用于获取所述待识别小区的共站邻区和各邻站邻区在相同时刻下的业务数据;
覆盖面积确定单元532,用于以所述共站邻区为中心原点,连接到所述共站邻区周边的各所述邻站邻区,以确定覆盖面积;
业务密度计算单元533,与业务数据获取单元531和覆盖面积确定单元532分别连接,用于根据所述共站邻区的业务数据、各所述邻站邻区的业务数据和所述覆盖面积,计算出所述覆盖面积对应的业务密度数据;
动态基线计算单元534,与业务密度计算单元连接,用于从所述覆盖面积内的全部所述共站邻区和各所述邻站邻区的历史周期的业务密度数据中,提取出有效数据,并计算出对应的动态基线;
热点区域确定单元535,与动态基线计算单元连接,用于根据所述动态基线和预先设置的容忍度,确定所述覆盖面积是否属于热点原始区域;基于所述热点原始区域构成热点区域。
在一种可能的实现方式中,热点区域确定单元535还用于在存在多个热点原始区域的情况下,将边界相邻的热点原始区域进行合并以构成热点区域。
在一种可能的实现方式中,所述动态基线计算单元534还用于:
从所述覆盖面积内的所述共站邻区和各所述邻站邻区中提取用户数和/或业务量在d天内的历史周期的业务密度数据;
根据预先设定的有效值的百分比a%,从所提取的历史周期的业务密度数据中选取d*a%个有效数据,其中,所述有效数据为所提取的历史周期的业务密度数据中方差最小的d*a%个数据;
计算所选取的d*a%个有效数据的平均值E和方差sigma,并采用式M=E+sigma计算所述动态基线M。
在一种可能的实现方式中,所述热点区域确定单元535还用于:
采用式M*(1+rn)来计算第n级的业务波动门限,其中,rn为业务波动级别为n级的容忍度,n为正整数;
将所述覆盖面积的历史周期的业务密度数据的波动情况和业务波动门限进行比较,确定所述覆盖面积是否属于热点原始区域。
在一种可能的实现方式中,该热点区域自动识别装置还包括:
渲染模块55,与热点区域识别模块53连接,用于根据所述覆盖面积所属的业务波动级别,在GIS地图上采用相应颜色进行渲染。
本实施例的热点区域自动识别装置能够执行实施例1、2的热点区域自动识别方法。本实施例与上述实施例相同的内容具有相同的含义,不再赘述。
实施例6
图8示出根据本发明另一实施例的热点区域自动识别装置的结构示意图。如图8所示,该热点区域自动识别装置主要基于网络劣化进行热点区域的自动识别,该热点区域自动识别装置具体可以包括:
触发模块61,用于根据预先设定的小区业务质量指标劣化门限,触发热点区域识别模块对待识别小区的热点区域进行识别;
所述热点区域识别模块63包括:
查找单元631,用于根据所述待识别小区的共站邻区与在所述共站邻区周边的各邻站邻区的相同业务质量指标劣化的情况,查找各同质劣化小区;
热点区域确定单元633,用于根据所查找到的同质劣化小区的数量相对于本次热点识别过程中所分析的关联邻区的占比,触发热点区域确定过程,所述触发热点区域确定过程包括将本次热点识别过程中的所分析的关联邻区进行封闭连接以形成热点区域。
在一种可能的实现方式中,所述查找单元631还用于:
在所述待识别小区的共站邻区与各邻站邻区存在相同业务质量指标劣化的情况下,查找是否存在所述待识别小区的同质劣化小区;
如果存在,则根据当前查找到的同质劣化小区执行查找步骤,所述查找步骤包括:查找所述当前查找到的同质劣化小区的共站邻区与邻站邻区中是否存在当前查找到的同质劣化小区的同质劣化小区;
如果存在,则根据当前查找到的同质劣化小区继续执行所述查找步骤,直至查找不到当前查找到的同质劣化小区的同质劣化小区为止。
在一种可能的实现方式中,该热点区域自动识别装置还包括:渲染模块65,用于根据所述热点区域内各小区的业务质量劣化级别,在GIS地图上采用相应颜色进行渲染。
本实施例的热点区域自动识别装置能够执行实施例3、4的热点区域自动识别方法。本实施例与上述实施例相同的内容具有相同的含义,不再赘述。
本发明可以自动进行热点区域识别,相对现有的人工判断方法,通过设置好热点自动捕获门限,完成热点区域自动捕获,能够节省人力成本,具备准确性高,效率高的优点。
进一步地,本发明可以参考待识别小区的共站邻区与各邻站邻区相关历史数据协同分析,能通过周期性数据对热点区域突发问题做出有效的分析和评估,规避了实时数据采集时延的延时性。
进一步地,本发明将底层数据逐级汇总,形成不同级别的关联分析数据,降低了输出最终结果所需的运算能力和需求,并且还可以按不同数据层次给出对比情况。
进一步地,本发明通过分析待识别小区的共站邻区与各邻站邻区相关历史数据,提取有效数据,并计算对应的动态基线,不需实时采集和实时出发计算,提升了识别效率和运算需求。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (16)
1.一种热点区域自动识别方法,其特征在于,包括:
在出现用户数大于第一门限和/或业务量大于第二门限的待识别小区的情况下,触发针对所述待识别小区的热点区域识别步骤;
所述热点区域识别步骤包括:
获取所述待识别小区的共站邻区和各邻站邻区在相同时刻下的相关业务数据;
以所述共站邻区为中心原点,连接到所述共站邻区周边的各所述邻站邻区,以确定覆盖面积;
根据所述共站邻区的业务数据、各所述邻站邻区的业务数据和所述覆盖面积,计算出所述覆盖面积对应的业务密度数据;
从所述覆盖面积内的全部所述共站邻区和各所述邻站邻区的历史周期的业务密度数据中,提取出有效数据,并计算出对应的动态基线;
根据所述动态基线和预先设置的容忍度,确定所述覆盖面积是否属于热点原始区域;
基于所述热点原始区域构成热点区域。
2.根据权利要求1所述的方法,其特征在于,基于所述热点原始区域构成热点区域包括:
在存在多个热点原始区域的情况下,将边界相邻的热点原始区域进行合并以构成热点区域。
3.根据权利要求1或2所述的方法,其特征在于,从所述覆盖面积内的全部所述共站邻区和各所述邻站邻区的历史周期的业务密度数据中,提取出有效数据,并计算出对应的动态基线,包括:
从所述覆盖面积内的所述共站邻区和各所述邻站邻区中提取用户数和/或业务量在d天内的历史周期的业务密度数据;
根据预先设定的有效值的百分比a%,从所提取的历史周期的业务密度数据中选取d*a%个有效数据,其中,所述有效数据为所提取的历史周期的业务密度数据中方差最小的d*a%个数据;
计算所选取的d*a%个有效数据的平均值E和方差sigma,并采用式M=E+sigma计算所述动态基线M。
4.根据权利要求3所述的方法,其特征在于,根据所述动态基线和预先设置的容忍度确定所述覆盖面积是否属于热点原始区域,包括:
采用式M*(1+rn)来计算第n级的业务波动门限,其中,rn为业务波动级别为n级的容忍度,n为正整数;
将所述覆盖面积的历史周期的业务密度数据的波动情况和业务波动门限进行比较,确定所述覆盖面积是否属于热点原始区域。
5.根据权利要求4所述的方法,其特征在于,还包括:
根据所述覆盖面积所属的业务波动级别,在GIS地图上采用相应颜色进行渲染。
6.一种热点区域自动识别方法,其特征在于,包括:
根据预先设定的小区业务质量指标劣化门限,触发针对待识别小区的热点区域识别步骤;
所述热点区域识别步骤包括:
根据所述待识别小区的共站邻区与在所述共站邻区周边的各邻站邻区的相同业务质量指标劣化的情况,查找各同质劣化小区;
根据所查找到的同质劣化小区的数量相对于本次热点识别过程中所分析的关联邻区的占比,触发热点区域确定过程,所述触发热点区域确定过程包括将本次热点识别过程中的所分析的关联邻区进行封闭连接以形成热点区域。
7.根据权利要求6所述的方法,其特征在于,根据所述待识别小区的共站邻区与在所述共站邻区周边的各邻站邻区的相同业务质量指标劣化的情况,查找各同质劣化小区,包括:
在所述待识别小区的共站邻区与各邻站邻区存在相同业务质量指标劣化的情况下,查找是否存在所述待识别小区的同质劣化小区;
如果存在,则根据当前查找到的同质劣化小区执行查找步骤,所述查找步骤包括:查找所述当前查找到的同质劣化小区的共站邻区与邻站邻区中是否存在当前查找到的同质劣化小区的同质劣化小区;
如果存在,则根据当前查找到的同质劣化小区继续执行所述查找步骤,直至查找不到当前查找到的同质劣化小区的同质劣化小区为止。
8.根据权利要求7所述的方法,其特征在于,还包括:
根据所述热点区域内各小区的业务质量劣化级别,在GIS地图上采用相应颜色进行渲染。
9.一种热点区域自动识别装置,其特征在于,包括:
触发模块,用于在出现用户数大于第一门限和/或业务量大于第二门限的待识别小区的情况下,触发热点区域识别模块对所述待识别小区进行热点区域识别;
所述热点区域识别模块包括:
业务数据获取单元,用于获取所述待识别小区的共站邻区和各邻站邻区在相同时刻下的业务数据;
覆盖面积确定单元,用于以所述共站邻区为中心原点,连接到所述共站邻区周边的各所述邻站邻区,以确定覆盖面积;
业务密度计算单元,用于根据所述共站邻区的业务数据、各所述邻站邻区的业务数据和所述覆盖面积,计算出所述覆盖面积对应的业务密度数据;
动态基线计算单元,用于从所述覆盖面积内的全部所述共站邻区和各所述邻站邻区的历史周期的业务密度数据中,提取出有效数据,并计算出对应的动态基线;
热点区域确定单元,用于根据所述动态基线和预先设置的容忍度,确定所述覆盖面积是否属于热点原始区域;基于所述热点原始区域构成热点区域。
10.根据权利要求9所述的装置,其特征在于,所述热点区域确定单元还用于在存在多个热点原始区域的情况下,将边界相邻的热点原始区域进行合并以构成热点区域。
11.根据权利要求9或10所述的装置,其特征在于,所述动态基线计算单元还用于:
从所述覆盖面积内的所述共站邻区和各所述邻站邻区中提取用户数和/或业务量在d天内的历史周期的业务密度数据;
根据预先设定的有效值的百分比a%,从所提取的历史周期的业务密度数据中选取d*a%个有效数据,其中,所述有效数据为所提取的历史周期的业务密度数据中方差最小的d*a%个数据;
计算所选取的d*a%个有效数据的平均值E和方差sigma,并采用式M=E+sigma计算所述动态基线M。
12.根据权利要求11所述的装置,其特征在于,所述热点区域确定单元还用于:
采用式M*(1+rn)来计算第n级的业务波动门限,其中,rn为业务波动级别为n级的容忍度,n为正整数;
将所述覆盖面积的历史周期的业务密度数据的波动情况和业务波动门限进行比较,确定所述覆盖面积是否属于热点原始区域。
13.根据权利要求12所述的装置,其特征在于,还包括:
渲染模块,用于根据所述覆盖面积所属的业务波动级别,在GIS地图上采用相应颜色进行渲染。
14.一种热点区域自动识别装置,其特征在于,包括:
触发模块,用于根据预先设定的小区业务质量指标劣化门限,触发热点区域识别模块对待识别小区的热点区域进行识别;
所述热点区域识别模块包括:
查找单元,用于根据所述待识别小区的共站邻区与在所述共站邻区周边的各邻站邻区的相同业务质量指标劣化的情况,查找各同质劣化小区;
热点区域确定单元,用于根据所查找到的同质劣化小区的数量相对于本次热点识别过程中所分析的关联邻区的占比,触发热点区域确定过程,所述触发热点区域确定过程包括将本次热点识别过程中的所分析的关联邻区进行封闭连接以形成热点区域。
15.根据权利要求14所述的装置,其特征在于,所述查找单元还用于:
在所述待识别小区的共站邻区与各邻站邻区存在相同业务质量指标劣化的情况下,查找是否存在所述待识别小区的同质劣化小区;
如果存在,则根据当前查找到的同质劣化小区执行查找步骤,所述查找步骤包括:查找所述当前查找到的同质劣化小区的共站邻区与邻站邻区中是否存在当前查找到的同质劣化小区的同质劣化小区;
如果存在,则根据当前查找到的同质劣化小区继续执行所述查找步骤,直至查找不到当前查找到的同质劣化小区的同质劣化小区为止。
16.根据权利要求15所述的装置,其特征在于,还包括:
渲染模块,用于根据所述热点区域内各小区的业务质量劣化级别,在GIS地图上采用相应颜色进行渲染。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610799023.2A CN106376032B (zh) | 2016-08-31 | 2016-08-31 | 热点区域自动识别方法和装置 |
CN201710452773.7A CN107205245B (zh) | 2016-08-31 | 2016-08-31 | 热点区域自动识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610799023.2A CN106376032B (zh) | 2016-08-31 | 2016-08-31 | 热点区域自动识别方法和装置 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710452773.7A Division CN107205245B (zh) | 2016-08-31 | 2016-08-31 | 热点区域自动识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106376032A true CN106376032A (zh) | 2017-02-01 |
CN106376032B CN106376032B (zh) | 2017-09-22 |
Family
ID=57899326
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610799023.2A Expired - Fee Related CN106376032B (zh) | 2016-08-31 | 2016-08-31 | 热点区域自动识别方法和装置 |
CN201710452773.7A Expired - Fee Related CN107205245B (zh) | 2016-08-31 | 2016-08-31 | 热点区域自动识别方法和装置 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710452773.7A Expired - Fee Related CN107205245B (zh) | 2016-08-31 | 2016-08-31 | 热点区域自动识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN106376032B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446343A (zh) * | 2018-03-06 | 2018-08-24 | 北京三快在线科技有限公司 | 区域聚合的方法、装置及电子设备 |
CN109743674A (zh) * | 2018-12-28 | 2019-05-10 | 中国联合网络通信集团有限公司 | 业务热点区域定位方法、装置、设备和可读介质 |
CN111225404A (zh) * | 2018-11-23 | 2020-06-02 | 华为技术有限公司 | 一种网络质量监控方法及装置 |
CN111858543A (zh) * | 2019-04-26 | 2020-10-30 | 中国移动通信集团河北有限公司 | 商业地图的质量评估方法、装置及计算设备 |
CN111917597A (zh) * | 2019-05-08 | 2020-11-10 | 中国移动通信集团福建有限公司 | 一种宽带业务监测方法和设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6459695B1 (en) * | 1999-02-22 | 2002-10-01 | Lucent Technologies Inc. | System and method for determining radio frequency coverage trouble spots in a wireless communication system |
CN103974330A (zh) * | 2013-01-31 | 2014-08-06 | 中国移动通信集团公司 | 一种均衡小区业务量的方法及装置 |
CN104254083A (zh) * | 2013-06-28 | 2014-12-31 | 华为技术有限公司 | 预测业务热点的方法及装置 |
WO2016062161A1 (zh) * | 2014-10-24 | 2016-04-28 | 中兴通讯股份有限公司 | 资源利用方法及装置 |
CN105635968A (zh) * | 2016-01-18 | 2016-06-01 | 广州杰赛科技股份有限公司 | 一种基于时间单元的热点区域识别方法、预测方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750361B (zh) * | 2012-06-13 | 2015-02-18 | 中国矿业大学 | 基于局部多层网格的轨迹数据热点区域发现方法 |
CN104516896B (zh) * | 2013-09-29 | 2018-03-09 | 国际商业机器公司 | 用于处理地图热点区域的方法和系统 |
CN104363619B (zh) * | 2014-10-28 | 2017-09-19 | 北京邮电大学 | 一种移动通信网的负载均衡方法和系统 |
CN105682023B (zh) * | 2015-12-31 | 2018-12-04 | 广州杰赛科技股份有限公司 | 一种用户聚集热点区域识别方法及装置 |
-
2016
- 2016-08-31 CN CN201610799023.2A patent/CN106376032B/zh not_active Expired - Fee Related
- 2016-08-31 CN CN201710452773.7A patent/CN107205245B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6459695B1 (en) * | 1999-02-22 | 2002-10-01 | Lucent Technologies Inc. | System and method for determining radio frequency coverage trouble spots in a wireless communication system |
CN103974330A (zh) * | 2013-01-31 | 2014-08-06 | 中国移动通信集团公司 | 一种均衡小区业务量的方法及装置 |
CN104254083A (zh) * | 2013-06-28 | 2014-12-31 | 华为技术有限公司 | 预测业务热点的方法及装置 |
WO2016062161A1 (zh) * | 2014-10-24 | 2016-04-28 | 中兴通讯股份有限公司 | 资源利用方法及装置 |
CN105635968A (zh) * | 2016-01-18 | 2016-06-01 | 广州杰赛科技股份有限公司 | 一种基于时间单元的热点区域识别方法、预测方法及装置 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446343A (zh) * | 2018-03-06 | 2018-08-24 | 北京三快在线科技有限公司 | 区域聚合的方法、装置及电子设备 |
CN108446343B (zh) * | 2018-03-06 | 2021-07-30 | 北京三快在线科技有限公司 | 区域聚合的方法、装置及电子设备 |
CN111225404A (zh) * | 2018-11-23 | 2020-06-02 | 华为技术有限公司 | 一种网络质量监控方法及装置 |
CN111225404B (zh) * | 2018-11-23 | 2021-08-31 | 华为技术有限公司 | 一种网络质量监控方法及装置 |
US11800386B2 (en) | 2018-11-23 | 2023-10-24 | Huawei Technologies Co., Ltd. | Network quality monitoring method and apparatus |
CN109743674A (zh) * | 2018-12-28 | 2019-05-10 | 中国联合网络通信集团有限公司 | 业务热点区域定位方法、装置、设备和可读介质 |
CN111858543A (zh) * | 2019-04-26 | 2020-10-30 | 中国移动通信集团河北有限公司 | 商业地图的质量评估方法、装置及计算设备 |
CN111858543B (zh) * | 2019-04-26 | 2024-03-19 | 中国移动通信集团河北有限公司 | 商业地图的质量评估方法、装置及计算设备 |
CN111917597A (zh) * | 2019-05-08 | 2020-11-10 | 中国移动通信集团福建有限公司 | 一种宽带业务监测方法和设备 |
CN111917597B (zh) * | 2019-05-08 | 2022-02-22 | 中国移动通信集团福建有限公司 | 一种宽带业务监测方法和设备 |
Also Published As
Publication number | Publication date |
---|---|
CN106376032B (zh) | 2017-09-22 |
CN107205245B (zh) | 2020-12-08 |
CN107205245A (zh) | 2017-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106376032A (zh) | 热点区域自动识别方法和装置 | |
CN105898762B (zh) | 基站优化及部署方法和装置 | |
CN106874381B (zh) | 一种基于Hadoop的无线电环境地图数据处理系统 | |
CN109493119B (zh) | 一种基于poi数据的城市商业中心识别方法及系统 | |
CN104853379A (zh) | 一种无线网络质量评估方法及装置 | |
CN112291706A (zh) | 一种基于大数据和人工智能的网络优化方法 | |
WO2016070673A1 (zh) | 用户属性分析方法及装置 | |
CN103037424B (zh) | 一种3g网络覆盖的评估方法及装置 | |
CN114880884B (zh) | 一种基于数字化能源系统的专业化建模分析方法及系统 | |
CN111080501B (zh) | 基于手机信令数据的真实人群密度时空分布估算方法 | |
WO2021103577A1 (zh) | 一种基于mdt的室内信号外泄分析方法及系统 | |
CN111465025B (zh) | 一种基于新型容量预测模型的旅游城市5g网络组网方法 | |
CN106470435B (zh) | 识别WiFi群的方法及系统 | |
CN105303292A (zh) | 配电数据存储方法和装置 | |
CN103096371A (zh) | 一种室内用户的识别方法和系统 | |
CN103632124B (zh) | 条码的识别方法及装置 | |
CN111031550B (zh) | 一种无线网络弱覆盖区域的判别方法及装置 | |
CN105848104B (zh) | 基于区域的人员流动状态监测方法及装置 | |
CN103796218A (zh) | 无线接入点的选址方法及装置 | |
Cecaj et al. | Data fusion for city life event detection | |
CN103544658A (zh) | 一种基于全配网的供电范围分析方法及系统 | |
CN110399537A (zh) | 一种基于人工智能技术的警情时空预测方法 | |
WO2023000856A1 (zh) | 一种异常事件检测方法、装置、电子设备、存储介质及计算机程序产品 | |
CN106056515A (zh) | 一种社区网格事件聚类特征的提取方法 | |
CN109348490A (zh) | 一种识别干扰铁路lte网络的邻接载波的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170922 Termination date: 20190831 |
|
CF01 | Termination of patent right due to non-payment of annual fee |