CN106488481A - 对移动网络性能建模 - Google Patents

对移动网络性能建模 Download PDF

Info

Publication number
CN106488481A
CN106488481A CN201610753493.5A CN201610753493A CN106488481A CN 106488481 A CN106488481 A CN 106488481A CN 201610753493 A CN201610753493 A CN 201610753493A CN 106488481 A CN106488481 A CN 106488481A
Authority
CN
China
Prior art keywords
information
base station
network
link
configuration data
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
Application number
CN201610753493.5A
Other languages
English (en)
Other versions
CN106488481B (zh
Inventor
大卫·查尔斯·帕德菲尔德
M·扎德赫-库查克
霍华德·约翰·托马斯
沃尔特·费瑟斯通
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Viavi Solutions UK Ltd
Original Assignee
Viavi Solutions UK Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Viavi Solutions UK Ltd filed Critical Viavi Solutions UK Ltd
Publication of CN106488481A publication Critical patent/CN106488481A/zh
Application granted granted Critical
Publication of CN106488481B publication Critical patent/CN106488481B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W36/00—Hand-off or reselection arrangements
    • H04W36/0005—Control or signalling for completing the hand-off
    • H04W36/0083—Determination of parameters used for hand-off, e.g. generation or modification of neighbour cell lists
    • H04W36/0085—Hand-off measurements
    • H04W36/0088—Scheduling hand-off measurements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W36/00—Hand-off or reselection arrangements
    • H04W36/16—Performing reselection for specific purposes
    • H04W36/165—Performing reselection for specific purposes for reducing network power consumption
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W36/00—Hand-off or reselection arrangements
    • H04W36/16—Performing reselection for specific purposes
    • H04W36/20—Performing reselection for specific purposes for optimising the interference level
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/20—Control channels or signalling for resource management
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports

Abstract

本发明公开了对移动网络性能建模。设备得到与基站相关的上行链路信息并得到与和基站通信的移动设备相关的下行链路信息。设备基于上行链路信息和下行链路信息来确定观测的网络性能信息并基于上行链路信息和下行链路信息来确定预测模型以预测网络性能信息。设备还改变与基站相关的网络配置数据以产生改变的网络配置数据并基于预测模型针对改变的网络配置数据确定预测的网络性能信息。设备还基于比较预测的网络性能信息与观测的网络性能信息来选择性地将改变的网络配置数据传输到基站。

Description

对移动网络性能建模
背景
移动设备例如智能电话、平板计算机、膝上型计算机和其它电子手持设备变得日益普遍。为了支持增长数量的移动设备，移动网络(例如第三代(3G)和第四代(4G)移动网络)使用具有宏小区的无线电网络子系统，其使用一个或多个高功率基站。虽然在技术中的进步使这些基站覆盖相对大的地理区域以提高移动通信变得可能，这是可能不足够利用网络资源以充分优化用于移动通信的移动网络的一体适用的方法。
随着进一步发展网络功能虚拟化(NFV)和软件定义联网(SDN)的技术的第五代(5G)系统的到来，引入输送网络基础设施即服务(NaaS)的概念。这样的网络可支持多租户并可包括支持不同类型的多个运营商的基础设施。因此，单独运营商的控制范围可被约束到服从于与基础设施所有者的协定以接收NaaS的网络基础设施的一个或多个部分或“分片”。因此，自组织网络(SON)可以以网络的一个或多个单独分片为目标，其中每个网络分片可包括不同组的网络功能。
概述
(1)本发明提供了一种用于提高网络性能的设备，包括：
一个或多个处理器，其配置成：
得到与基站相关的上行链路信息；
得到与和所述基站通信的移动设备相关的下行链路信息；
基于所述上行链路信息和所述下行链路信息来确定观测的网络性能信息；
基于所述上行链路信息和所述下行链路信息来确定预测模型以预测网络性能信息；
改变与所述基站相关的网络配置数据以产生改变的网络配置数据；
基于所述预测模型来针对所述改变的网络配置数据确定预测的网络性能信息；以及
基于比较预测的网络性能信息与观测的网络性能信息来将所述改变的网络配置数据传输到所述基站。
(2)如(1)的设备，其中使用包括下列项中的一个或多个的输入来确定所述预测模型：
所述下行链路信息，或
所述网络配置数据；以及
其中所述上行链路信息是估计的上行链路信息；以及
其中所述一个或多个处理器在得到估计的上行链路信息时：
基于将所述下行链路信息或所述网络配置数据中的至少一个输入到所述预测模型内来确定估计的上行链路信息。
(3)如(2)的设备，其中所述一个或多个处理器：
接收观测的上行链路信息，
观测的上行链路信息与所述基站相关；
比较观测的上行链路信息与估计的上行链路信息以确定所述基站正接收干扰信号；以及
执行减轻所述干扰信号的行动。
(4)如(1)的设备，其中所述一个或多个处理器在得到所述下行链路信息时：
从与多个小区相关的多个移动设备接收下行链路信息。
(5)如(1)的设备，其中所述上行链路信息与在所述基站和所述移动设备之间的上行链路相关；以及
其中所述下行链路信息与在所述基站和所述移动设备之间的下行链路相关。
(6)如(1)的设备，其中所述预测模型是第一预测模型，以及预测的网络性能信息是第一预测的网络性能信息；以及
其中所述一个或多个处理器：
基于所述上行链路信息、所述下行链路信息和所述第一预测的网络性能信息来确定第二预测模型，
所述第二预测模型预测不同于所述第一预测的网络性能信息的第二预测的网络性能信息。
(7)如(1)的设备，其中所述上行链路信息包括下列项中的一个或多个：
由所述基站提供的下行链路信道的频率，
与所述基站相关的上行链路接收信号强度指示器，
由所述基站接收的信息的上行链路信噪比，
与所述基站相关的上行链路调制和编码方案，或
与所述基站相关的吞吐量。
(8)一种存储指令的非暂时计算机可读介质，所述指令包括：
当由一个或多个处理器执行时使所述一个或多个处理器执行下列操作的一个或多个指令：
得到与基站相关的上行链路信息；
得到与和所述基站通信的移动设备相关的下行链路信息；
基于所述上行链路信息和所述下行链路信息来确定观测的网络性能信息；
确定预测模型以预测网络性能信息；
基于所述预测模型、所述上行链路信息和所述下行链路信息来确定所述基站的预测的网络性能信息；
比较预测的网络性能信息与观测的网络性能信息以确定所述基站接收到干扰信号；以及
使减轻所述干扰信号的行动被执行。
(9)如(8)的计算机可读介质，其中所述一个或多个指令当由所述一个或多个处理器执行时还使所述一个或多个处理器：
基于下列项中的至少一个来特征化所述干扰信号：
所述干扰信号的频率范围，
所述干扰信号的到达时间，
所述干扰信号的源是否在移动，
所述干扰信号的振幅，或
所述干扰信号的细节的细节宽度。
(10)如(8)的计算机可读介质，其中所述一个或多个指令当由所述一个或多个处理器执行时还使所述一个或多个处理器找出所述干扰信号的源。
(11)如(10)的计算机可读介质，其中所述基站是第一基站；以及
其中使所述一个或多个处理器找出所述干扰信号的所述源的所述一个或多个指令使所述一个或多个处理器：
通过比较来自第二基站的上行链路信息与来自所述第一基站的所述上行链路信息来找出所述干扰信号的所述源。
(12)如(11)的计算机可读介质，其中使所述一个或多个处理器找出所述干扰信号的所述源的所述一个或多个指令使所述一个或多个处理器：
基于在所述第一基站和所述第二基站处的所述干扰信号的振幅和所述干扰信号的到达时间来找出所述干扰信号的所述源。
(13)如(11)的计算机可读介质，其中使所述一个或多个处理器找出所述干扰信号的所述源的所述一个或多个指令使所述一个或多个处理器：
基于在所述第一基站和所述第二基站处的所述干扰信号的到达角和所述干扰信号的天线方向图来找出所述干扰信号的所述源。
(14)如(8)的计算机可读介质，其中使所述一个或多个处理器使所述行动被执行的所述一个或多个指令使所述一个或多个处理器执行下列操作中的至少一个：
使所述基站改变天线的倾斜的量，
使所述基站将所述移动设备切换到另一基站，
使所述基站将所述移动设备切换到另一频率，
使所述基站将所述移动设备切换到另一载波，
使所述基站从上行链路调度移除一个或多个网络资源，
使所述基站使与所述移动设备的通信的带宽变窄，或
使所述基站将与下行链路相关的频率改变到所述移动设备。
(15)一种用于提高网络性能的方法，包括：
由设备得到与基站相关的上行链路信息；
由所述设备得到与和所述基站通信的移动设备相关的下行链路信息；
由所述设备基于所述上行链路信息和所述下行链路信息来确定观测的网络性能信息；
由所述设备确定预测模型以预测网络性能信息；
由所述设备改变与所述基站相关的网络配置数据以产生改变的网络配置数据；
由所述设备基于所述预测模型来针对所述改变的网络配置数据确定预测的网络性能信息；以及
由所述设备基于比较预测的网络性能信息与观测的网络性能信息来将所述改变的网络配置数据传输到所述基站。
(16)如(15)的方法，其中改变所述网络配置数据包括：
改变所述网络配置数据以关于与所述移动设备相关的所述信息提高网络性能。
(17)如(16)的方法，其中改变所述网络配置数据包括：
改变所述网络配置数据以提高下列项中的至少一个：
掉话的概率，
阻塞呼叫的概率，
所述移动设备的功率余量，
下行链路接收信号码功率，
上行链路接收信号强度指示器，
上行链路信噪比，
上行链路吞吐量，
下行链路每芯片能量，或
下行链路噪声功率密度。
(18)如(15)的方法，其中使用包括下列项中的一个或多个的输入来确定所述预测模型：
所述下行链路信息，或
关于所述网络配置数据的信息；以及
其中得到所述上行链路信息包括：
基于将所述下行链路信息或所述网络配置数据中的至少一个输入到所述预测模型中来确定所述上行链路信息。
(19)如(18)的方法，其中确定所述上行链路信息包括：
基于邻基站的上行链路信息来确定所述基站的所述上行链路信息。
(20)如(18)的方法，其中所述上行链路信息是估计的上行链路信息；以及
其中所述方法还包括：
接收观测的上行链路信息；
比较观测的上行链路信息与估计的上行链路信息以确定所述基站正接收干扰信号；以及
执行减轻所述干扰信号的行动。
附图的简要说明
图1A-1C是本文所述的示例实现的概观的图；
图2是本文所述的系统和/或方法可在其中被实现的示例环境的图；
图3是图2的一个或多个设备的示例部件的图；
图4是在图2中描绘的自优化网络(SON)系统的示例功能部件的图；
图5是用于基于呼叫跟踪信息、测量信息和/或配置信息来训练预测模型的示例过程的流程图；
图6A和6B是与图5所示的示例过程有关的示例实现的图；
图7是用于基于预测模型来配置移动网络的示例过程的流程图；
图8A-8C是与图7所示的示例过程有关的示例实现的图；
图9是用于基于预测模型来识别并减轻干扰的示例过程的流程图；以及
图10A-10C是与图9所示的示例过程有关的示例实现的图。
详细描述
示例实现的下面的详细描述参考附图。在不同附图中的相同参考数字可等同于相同或相似的元件。
当前移动网络可能未能充分利用用户、用户的移动设备的详细知识和其它特定的信息来更好分配网络资源，以便实现更有效、专注和定制的网络规划。自组织或自优化网络(SON)系统可使用各种机制来确定移动网络是否正运转到给定组的业务条件的期望水平(例如最佳地、在期望服务质量(QoS)处等)。移动网络的基站可包含控制移动网络的小区站点的各种方面的配置参数。SON系统可基于由基站得到的测量值(例如上行链路信息)、与移动设备相关的呼叫跟踪信息(例如下行链路信息)或其它所获取的数据来改变这些参数以改变网络行为。例如，SON系统可自动改变各种网络参数，如果这样的改变将导致一些或所有用户的更好的用户体验的话。网络参数可包括发射功率水平、邻小区关系表、天线电倾角、天线指向方向/角度(例如标高、倾角和/或方位角)、切换阈值(例如在被繁重地使用的4G网络上的语音用户的移动设备可被鼓励执行到另一网络的基站的切换，以便释放4G资源)等。
SON系统可对网络配置数据做出改变，以便提高移动网络性能。例如，SON系统可调节网络配置数据以改变小区尺寸，平衡在整个移动网络当中的负载，提高总移动网络容量，提高总移动网络覆盖，减轻干扰，等等。然而，一些变化可以比其它变化导致更好的结果。例如，第一网络配置可以比第二网络配置引起对移动网络容量的更大提高。在没有描述上行链路(即从移动设备传输到基站的数据)和下行链路(即从基站传输到移动设备的数据)的信息的情况下，结果可能难以或不可能预测。此外，在没有描述上行链路和下行链路的信息的情况下，干扰(例如中继器、谐波干扰等)的源可能难以找出并减轻。
本文所述的系统和/或方法可提供可对移动网络例如移动网络的网络重配置的结果建模的SON系统。SON系统可包括允许SON系统从基站接收测量信息(包括上行链路信息)并从基站接收呼叫跟踪信息(包括下行链路信息)的体系结构。基于测量信息和呼叫跟踪信息，SON系统可训练预测模型。预测模型可基于观测的测量信息和/或呼叫跟踪信息来预测网络性能，可估计丢失的测量信息/呼叫跟踪信息，和/或可识别并找出蜂窝干扰(例如无源相互调制产品)并确定可减轻蜂窝干扰的行动。以这种方式，SON系统可预测改进网络重配置的性能的网络重配置的结果，增加移动网络容量并减少移动网络干扰。
图1A-1C是本文所述的示例实现100的概观的图。如图1A所示，基站可经由上行链路(例如从移动设备到基站)和下行链路(例如从基站到移动设备)与移动设备通信。如进一步示出的，基站可向SON系统提供测量信息，包括与基站有关的上行链路信息。如所示，基站可向SON系统提供呼叫跟踪信息，包括与移动设备有关的下行链路信息。
如所示，SON系统可基于上行链路信息和下行链路信息来训练预测模型。预测模型可基于上行链路信息和下行链路信息来预测网络性能信息。在一些实现中，预测模型可预测其它信息。例如，预测模型可为不向SON系统提供上行链路信息等的基站输出估计的上行链路信息。
如图1B所示，SON系统可基于测量信息和呼叫跟踪信息来确定观测的网络性能信息。观测的网络性能信息可包括例如上行链路/下行链路接收的信号强度指示器、掉话的百分比、调制和编码方案等。如进一步示出的，SON系统可提议对移动网络的改变以促进网络性能提高。如所示，SON系统可使用预测模型来预测所提议的变化是否提高关于上行链路和下行链路的性能。在这里，所提议的变化提高关于上行链路和下行链路的性能，所以SON系统使所提议的变化被实现。如进一步示出的，SON系统可使基站基于重配置信息来重新配置上行链路/下行链路以实现所提议的变化。以这种方式，SON系统可改变移动网络配置以提高网络性能，并可预测变化的效应以确定改变是否值得实现。
如图1C所示，在一些情况下，干扰可使由基站接收的观测的上行链路信息不同于由移动设备传输的上行链路信息。如进一步示出的，为了检测干扰，SON系统可基于结合图1A确定的预测模型来确定所预测的上行链路信息。如所示，SON系统可比较观测的上行链路信息与所预测的上行链路信息，并可基于观测的上行链路信息不同于所预测的上行链路信息来识别干扰。如进一步示出的，SON系统可特征化干扰(例如可确定干扰的频率、干扰的振幅、干扰的波型、干扰的源是否是移动的等)，可找出干扰的源(例如基于来自基站的信息、基于来自几个基站的信息等)，并可执行减轻干扰的行动。以这种方式，SON系统基于预测模型来识别干扰，特征化并找出干扰，并使减轻行动被执行，这提高上行链路性能并减小在基站处的干扰。
图2是本文所述的系统和/或方法可在其中被实现的示例环境200的图。如图2所示，环境200可包括SON系统210、基站220、移动设备230、具有网络资源245的移动网络240、以及网络250。可经由有线连接、无线连接或有线和无线连接的组合来使环境200的设备互连。
SON系统210可包括能够接收、产生、存储、处理和/或提供信息例如本文所述的信息的一个或多个设备。例如，SON系统210可包括一个或多个计算设备，例如一个或多个服务器设备、桌上型计算机、工作站计算机、在云计算环境中提供的虚拟机(VM)或类似设备。在一些实现中，SON系统210可由管理和/或操作环境200的一个或多个部分的实体例如电信服务提供商、电视服务提供商、互联网服务提供商等利用。
基站220可包括能够传送去往移动设备230和/或从移动设备230接收的业务例如音频、视频、文本和/或其它业务的一个或多个设备。在一些实现中，基站220可包括与从网络250接收业务和/或将业务发送到网络250的LTE网络相关的eNB。此外或可选地，一个或多个基站220可与RAN相关，RAN不与LTE网络相关。基站220可经由空中接口将业务发送到移动设备230和/或从移动设备230接收业务。在一些实现中，基站220可包括小小区基站，例如微小区、微微小区和/或毫微微小区的基站。在一些实现中，基站220可以关于测量信息、网络性能信息等与移动网络240的另一基站220通信。
移动设备230可包括能够与基站220和/或网络(例如移动网络240、网络250等)通信的一个或多个设备。例如，移动设备230可包括无线通信设备、无线电话、个人通信系统(PCS)终端(例如其可组合蜂窝无线电话与数据处理和数据通信能力)、智能电话、智能仪表、车辆、自动贩卖机、膝上型计算机、平板计算机、个人游戏系统和/或类似的设备。移动设备230可(例如经由基站220)将业务发送到网络250和/或从网络250接收业务。
移动网络240可包括移动通信网络，例如3G移动网络、4G移动网络、异构网络和/或这些或其它类型的网络的组合。在一些实现中，移动网络240可相应于包括OSS的演进分组系统(EPS)、无线电接入网络(例如被称为长期演进(LTE)网络)、无线核心网络(例如被称为演进分组核心(EPC)网络)、互联网协议(IP)多媒体子系统(IMS)网络和分组数据网络(PDN)。LTE网络可包括基站(eNB)。EPC网络可包括移动性管理实体(MME)、服务网关(SGW)、策略与计费规则功能(PCRF)、PDN网关(PGW)、基站控制器(BSC)、无线电网络控制器(RNC)、操作和维护中心(OMC)、网络管理系统(NMS)和/或网络管理中心(NMC)。IMS网络可包括归属用户服务器(HSS)、代理呼叫会话控制功能(P-CSCF)、查询呼叫会话控制功能(I-CSCF)和服务呼叫会话控制功能(S-CSCF)。
在一些实现中，移动网络240可包括一个或多个网络资源245，例如OSS、eNB、MME、SGW、PCRF、PGW、HSS、P-CSCF、I-CSCF、S-CSCF等。在一些实现中，网络资源245可基于接口(例如X2接口、北向接口(NBI)等)交换信息。
网络250可包括一个或多个有线和/或无线网络。例如，网络250可包括移动网络、公共陆地移动网络(PLMN)、局域网(LAN)、广域网(WAN)、城域网(MAN)、电话网络(例如公共交换电话网络(PSTN))、自组织网络、内联网、互联网、基于光纤的网络、云计算网络、私有网络和/或这些和其它类型的网络的组合。在一些实现中，网络250可包括一个或多个设备到设备无线网络，其中通信可通过在设备之间的直接通信在网络250的控制下或独立地出现。在一些实现中，直接设备到设备链路包括一个或多个跳跃。这样的直接设备到设备链路可以用协作的方式与由网络250调停的点到点和/或点到多点链路一起被使用。
在图2中所示的设备和网络的数量和布置作为例子被提供。实际上，与图2所示的那些设备和/或网络相比，可以有额外的设备和/或网络、更少的设备和/或网络、不同的设备和/或网络或不同地布置的设备和/或网络。此外，图2所示的两个或多个设备可在单个设备内实现，或图2所示的单个设备可被实现为多个分布式设备。此外或可选地，环境200的一组设备(例如一个或多个设备)可执行被描述为由环境200的另一组设备执行的一个或多个功能。
图3是设备300的示例部件的图。设备300可相应于SON系统210、基站220、移动设备230和/或网络资源245。在一些实现中，SON系统210、基站220、移动设备230和/或网络资源245可包括一个或多个设备300和/或设备300的一个或多个部件。如图3所示，设备300可包括总线310、处理器320、存储器330、存储部件340、输入部件350、输出部件360和通信接口370。
总线310可包括允许在设备300的部件当中的通信的部件。处理器320在硬件、固件或硬件和固件的组合中实现。处理器320可包括处理器(例如中央处理单元(CPU)、图形处理单元(GPU)、加速处理单元(APU)等)、微处理器和/或解释和/或执行指令的任何处理部件(例如现场可编程门阵列(FPGA)、专用集成电路(ASIC)等)。在一些实现中，处理器320可包括能够被编程为执行功能的一个或多个处理器。存储器330可包括随机存取存储器(RAM)、只读存储器(ROM)和/或存储信息和/或指令用于由处理器320使用的另一类型的动态或静态存储设备(例如闪存、磁性存储器、光学存储器等)。
存储部件340可存储与设备300的操作和使用有关的信息和/或软件。例如，存储部件340可包括硬盘(例如磁盘、光学盘、磁光盘、固态盘等)、光盘(CD)、数字通用盘(DVD)、软盘、盒式磁盘、磁带盒/或另一类型的计算机可读介质连同相应的驱动器。
输入部件350可包括允许设备300例如经由用户输入(例如触摸屏显示器、键盘、袖珍键盘、鼠标、按钮、开关、麦克风等)接收信息的部件。此外或可选地，输入部件350可包括用于感测信息的传感器(例如全球定位系统(GPS)部件、加速计、陀螺仪、振动器等)。输出部件360可包括提供来自设备300的输出信息的部件(例如显示器、扬声器、一个或多个发光二极管(LED)等)。
通信接口370可包括使设备300能够例如经由有线连接、无线连接或有线和无线连接的组合与其它设备通信的像收发器的部件(例如收发器、分开的接收器和发射器等)。通信接口370可允许设备300从另一设备接收信息和/或向另一设备提供信息。例如，通信接口370可包括以太网接口、光学接口、同轴接口、红外接口、射频(RF)接口、通用串行总线(USB)接口、Wi-Fi接口、移动网络接口等。
设备300可执行在本文所述的一个或多个过程。设备300可响应于处理器320执行由计算机可读介质例如存储器330和/或存储部件340存储的软件指令而执行这些过程。计算机可读介质在本文被定义为非暂时存储器设备。存储器设备包括在单个物理存储设备内的存储器空间或在多个物理存储设备当中扩展的存储器空间。
软件指令可从另一计算机可读介质或从另一设备经由通信接口370被读取到存储器330和/或存储部件340内。当被执行时，存储在存储器330和/或存储部件340中的软件指令可使处理器320执行本文所述的一个或多个过程。此外或可选地，硬连线电路可代替或结合软件指令来使用以执行本文所述的一个或多个过程。因此，本文所述的实现不限于硬件电路和软件的任何特定的组合。例如，本文所述的实现可基于网络功能虚拟化(NFV)、公共(例如互联网)云计算环境、私有云计算环境等来实现。
图3所示的部件的数量和布置作为例子被提供。实际上，与图3所示的那些部件相比，设备300可包括额外的部件、更少的部件、不同的部件或不同地布置的部件。此外或可选地，环境300的一组部件(例如一个或多个部件)可执行被描述为由设备300的另一组部件执行的一个或多个功能。
图4是SON系统210的示例功能部件的图。如图4所示，SON系统210可包括上行链路建模器410、上行链路干扰检测器420、上行链路计算器430、网络配置部件440、上行链路模拟器450和派生建模器460。
上行链路建模器410可基于呼叫跟踪信息和/或测量信息来产生和/或训练预测模型以预测网络性能。在一些实现中，上行链路建模器410可接收呼叫跟踪信息和/或测量信息，并可相应地产生/训练预测模型。上行链路建模器410可向SON系统210的其它部件(例如上行链路干扰检测器420、上行链路计算器430、网络配置部件440、上行链路模拟器450和派生建模器460等)提供预测模型、呼叫跟踪信息和/或测量信息。在一些实现中，SON系统210的一个或多个功能可在分布式控制系统下在网络元件上被分布和操作。在一些实现中，SON系统210的一个或多个功能可以用集中式方式操作。在这样的实现中，SON系统210的一个或多个功能可由集中式控制节点确定，可以用混合方式操作，等等。在一些实现中，上行链路建模器410可执行上面关于在基站220和移动设备230之间的下行链路所述的操作。
上行链路干扰检测器420可基于预测模型并基于测量信息来检测在移动网络240中的干扰。上行链路干扰检测器420可从基站220和/或上行链路建模器410接收测量信息，并可从上行链路建模器410接收预测模型。上行链路干扰检测器420可特征化和/或找出干扰的源，并可提供信息和/或使行动被执行以向网络管理员通知干扰的源，减轻干扰的源，等等。
上行链路计算器430可为基站220和/或实际测量信息不是令人满意(例如未接收到、不完整、不足够、不满足准确度阈值等)的区域确定估计的测量信息。上行链路计算器430可基于从上行链路建模器410接收的预测模型并基于测量信息和/或呼叫跟踪信息(例如对于在特定的基站220/区域附近的基站220/区域，对于具有与特定的基站220/区域在历史角度上类似的测量信息和/或呼叫跟踪信息的基站220/区域，等等)来为特定的基站220/区域确定估计的测量信息。在一些实现中，上行链路计算器430可从上行链路建模器410、网络配置部件440或另一部件/设备接收识别要估计哪个测量信息的信息。
在一些实现中，上行链路计算器430可基于测量信息、呼叫跟踪信息和/或从上行链路建模器410接收的预测模型来确定网络性能信息。上行链路计算器430可向网络配置部件440或另一部件或设备提供网络性能信息。
网络配置部件440可产生网络配置，并可基于测量信息、呼叫跟踪信息、预测模型和/或上行链路度量来预测与所产生的网络配置相关的网络性能效应。在一些实现中，网络配置部件440可从上行链路建模器410接收测量信息、呼叫跟踪信息、预测模型，并可从上行链路计算器430接收上行链路度量和/或估计的测量信息。网络配置部件440可提供信息和/或使行动基于所预测的网络性能效应和/或所产生的网络配置来被执行。例如，网络配置部件440可使基站220和/或移动设备230被重新配置，可向网络管理员提供信息，等等。在一些实现中，网络配置部件440可产生和/或训练与基站220的下行链路网络配置有关的预测模型。
上行链路模拟器450可基于由网络配置部件440产生的网络配置数据来调节上行链路特征。例如，上行链路模拟器450可接收识别已更新的网络配置数据的信息和呼叫跟踪信息/测量信息，并可调节网络配置信息以实现关于在基站220和移动设备230之间的上行链路的已更新的网络配置数据的信息。
派生建模器460可从上行链路建模器410和/或基站220接收预测模型和呼叫跟踪信息，并可基于所预测的模型和呼叫跟踪信息得到一个或多个辅助预测模型。在一些实现中，派生建模器460可向网络配置部件440提供辅助预测模型和/或基于一个或多个辅助预测模型而确定的信息。
图4所示的功能部件的数量和布置作为例子被提供。实际上，与图4所示的那些功能部件相比，SON系统210可以有额外的功能部件、更少的功能部件、不同的功能部件或不同地布置的功能部件。此外或可选地，SON系统210的一组功能部件(例如一个或多个功能部件)可执行被描述为由SON系统210的另一组功能部件执行的一个或多个功能。例如，SON系统210可与和一个或多个其它实体和/或移动网络240相关的另一SON系统210交互作用。
图5是用于基于呼叫跟踪信息、测量信息和/或配置信息来训练预测模型的示例过程500的流程图。在一些实现中，图5的一个或多个过程块可由SON系统210执行。在一些实现中，图5的一个或多个过程块可由与SON系统210分离或包括SON系统210的另一设备或一组设备例如基站220、移动设备230和网络资源245执行。
如图5所示，过程500可包括接收识别移动设备的呼叫跟踪信息、与移动设备相关的一个或多个小区和与移动设备有关的下行链路信息(块510)。例如，SON系统210可接收呼叫跟踪信息。呼叫跟踪信息可识别移动设备230(例如基于设备标识符，例如国际移动用户标识(IMSI)、国际移动台设备标识(IMEI)、移动设备号码(MDN)、识别与移动设备230相关的用户的用户标识符等)。呼叫跟踪信息可基于小区标识符例如小区全局标识(CGI)、增强小区全局标识(E-CGI)、位置区域代码(LAC)等来识别一个或多个小区。
SON系统210可从可服务于一个或多个小区的基站220接收呼叫跟踪信息，且基站220可收集与一个或多个小区相关的移动设备230的呼叫跟踪信息。例如，在一个或多个小区中的移动设备230可经由基站220访问移动网络240，且基站220可基于经由基站220访问移动网络240的移动设备230来确定呼叫跟踪信息。此外或可选地，基站220可持续地确定并提供呼叫跟踪信息。
基站220可基于由移动设备230收集的信息来确定呼叫跟踪信息。基站220可以以特定的间隔(例如每30秒、每1分钟、每五分钟、每15分钟、每30分钟、每小时一次、每日等)确定呼叫跟踪信息，并可将呼叫跟踪信息提供到SON系统210。此外和可选地，SON系统210可请求呼叫跟踪信息，并可基于请求呼叫跟踪信息来接收呼叫跟踪信息。在一些实现中，SON系统210可基于应用编程接口(API)来从基站220和/或网络资源245得到呼叫跟踪信息。例如，SON系统210的分布式节点可基于API来收集信息，可基于所收集的信息来确定呼叫跟踪信息，并可向SON系统210的中心节点提供呼叫跟踪信息。
在一些实现中，呼叫跟踪信息可包括下行链路信息。下行链路信息可与由移动设备230接收和/或提供的信息有关。例如，下行链路信息可包括与由移动设备230拨打的电路切换呼叫(例如呼叫的数量、呼叫的持续时间等)、由移动设备230接收和/或提供的分组切换呼叫(例如呼叫的数量、呼叫的持续时间等)有关的信息、由移动设备230接收和/或提供的LTE上语音呼叫(例如呼叫的数量、呼叫的持续时间等)、与移动设备230相关的发射功率水平、在基站220和移动设备230之间的下行链路路径损耗、与在基站220和移动设备230之间的下行链路信道相关的频率、与移动设备230相关的下行链路接收信号码功率(RSCP)、移动设备230的下行链路每芯片接收能量(Ec)、移动设备230的下行链路噪声功率密度(N0)、移动设备230的接收信号参考质量(RSRQ)、移动设备230的功率余量标识符、信道质量指示(CQI)、子频带CQI、信道等级的估计、根据E-UTRA标准(例如LTE 36.331、LTE 36.423)的信息等。
如在图5中进一步示出的，过程500可包括接收包括与一个或多个小区的基站有关的上行链路信息的测量信息(块520)。例如，SON系统210可从基站220接收测量信息。基站220可与由呼叫跟踪信息识别的一个或多个小区相关。例如，基站220可服务于与一个或多个小区相关的移动设备230，并可提供与一个或多个小区有关的测量信息。在一些实现中，基站220可以以特定的间隔(例如每五分钟、每15分钟、每小时一次、每日等)确定测量信息，并可向SON系统210提供测量信息。此外或可选地，SON系统210可请求测量信息，并可基于请求测量信息来接收测量信息。此外或可选地，基站220可持续地提供测量信息。在一些实现中，SON系统210可基于应用编程接口(API)来从基站220和/或网络资源245得到测量信息。例如，SON系统210的分布式节点可基于API来收集信息，可基于所收集的信息来确定测量信息，并可向中央SON系统210提供测量信息。
在一些实现中，测量信息可包括上行链路信息。上行链路信息可与由基站220接收和/或提供的信息有关。例如，上行链路信息可识别由基站220提供的下行链路信道的频率、与基站220相关的上行链路RSSI、由基站220接收的信息的上行链路SNR、与基站220相关的上行链路调制和编码方案(MCS)、本底噪声、与基站220相关的吞吐量(例如以每秒位、每秒千位、每秒兆位、可路由的呼叫的数量、基站220可维持的会话的数量等为单位)、基站220的下行链路传播损耗、在上行链路信道频率和下行链路信道频率之间的差异、所接收的总宽带功率(RWTP)、训练序列码(TSC)、前同步码、循环前缀等。
在一些实施方式中，测量信息可与多个基站220有关。例如，多个基站220可相互通信(例如经由X2接口等)以确定一个或多个小区的测量信息。与多个基站220有关的测量信息可包括例如一个或多个高上行链路干扰指示器、一个或多个上行链路干扰超载指示器、两个或更多个基站220的相对窄带发射功率、在两个或更多个基站220之间传输的几乎空白子帧(ABS)消息、预期上行链路/下行链路配置信息、协作多点信息(CoMP信息)、CoMP假设、网络辅助干扰消除信息等。测量信息可与载波、子载波、子带、资源块和/或小区相关。
在一些实现中，SON系统210可接收与基站220和/或移动设备230有关的配置信息。配置信息可与基站220和/或其它网络设备的配置有关，基于该配置提供网络服务。例如，配置信息可包括邻小区关系表、天线电倾角、天线指向方向/角度(例如标高、倾角和/或方位角)、切换阈值等。在一些实现中，SON系统210可从基站220接收配置信息。此外或可选地，SON系统210可从另一源(例如网络资源245、用户输入、规划工具等)接收配置信息。
如在图5中进一步示出的，过程500可包括基于一个或多个小区来处理呼叫跟踪信息(块530)。例如，SON系统210可基于由呼叫跟踪信息识别的一个或多个小区来处理呼叫跟踪信息。在一些实现中，SON系统210可使在特定小区中的移动设备230与特定小区和/或与服务于特定小区的基站220相关。此外或可选地，SON系统210可确定特定小区的聚集的呼叫跟踪信息。例如，SON系统210可组合来自在特定小区中的移动设备230的呼叫跟踪信息(例如通过使呼叫跟踪信息等平均化)。
如在图5中进一步示出的，过程500可包括使经处理的呼叫跟踪信息与测量信息匹配(块540)。例如，SON系统210可使经处理的呼叫跟踪信息与测量信息匹配。在一些实现中，SON系统210可基于呼叫跟踪信息和/或测量信息与其相关的小区来使经处理的呼叫跟踪信息与测量信息匹配。例如，SON系统210可使相应于特定小区的特定基站220与特定的基站220服务于的每个移动设备230(例如在特定小区中的每个移动设备230，建立与特定的基站220的会话的每个移动设备230，等等)匹配。以这种方式，SON系统210可使特定小区和/或基站220的上行链路信息与特定小区和/或基站220的下行链路信息相关，这提高与特定小区和/或基站220有关的预测的网络性能效应的准确度。
在一些实现中，SON系统210可确定某个信息缺少、不可用或类似情况。例如，SON系统210可确定特定的基站220没有提供测量信息，提供了失真的测量信息，等等。在这样的情况下，SON系统210可估计特定的基站220的测量信息，如下面关于图7更详细描述的。
如在图5中进一步示出的，过程500可包括基于经处理的呼叫跟踪信息和测量信息来训练预测模型以基于输入来预测网络性能信息(块550)。例如，SON系统210可基于经处理的呼叫跟踪信息和测量信息来训练一个或多个预测模型。一个或多个预测模型可基于输入来预测网络性能。例如，SON系统210可将上行链路信息、下行链路信息和/或配置信息输入到预测模型，且预测模型可输出预测的网络性能信息。SON系统210可基于所接收的测量信息、呼叫跟踪信息和/或配置信息来产生和/或训练预测模型，如上面更详细所述的。
预测模型可输出预测的网络性能信息。预测的网络性能信息可预测与基站220相关的上行链路RSSI、由基站220接收的上行链路SNR、与基站220相关的吞吐量(例如以每秒位、每秒千位、每秒兆位、可路由的呼叫的数量、基站220可维持的会话的数量等为单位)等。在一些实现中，预测模型可为一组移动设备230输出预测的网络性能信息。例如，预测模型可输出上述信息的平均预测值、满足与上述信息有关的阈值的移动设备230的一部分等。在一些实现中，SON系统210可输出与网络性能信息有关的统计信息。例如，SON系统210可输出一组网络性能信息的平均值、一组网络性能信息的方差、一组网络性能信息的四分位范围、一组网络性能信息的标准偏差、满足特定阈值或目标值的一组网络性能信息的比等。
在一些实现中，SON系统210可产生预测模型。例如，SON系统210可接收呼叫跟踪信息和测量信息，并可产生与呼叫跟踪信息和测量信息有关的预测模型。在一些实现中，为了产生预测模型，SON系统210可确定在输入变量(例如在呼叫跟踪信息和测量信息中)和输出变量(例如在观测的网络性能信息中)之间的关联。SON系统210可确定要对输入变量执行以预测输出变量的值的一个或多个操作。以这种方式，SON系统210可基于呼叫跟踪信息、测量信息和观测的网络性能信息来产生预测模型以预测网络性能。
此外或可选地，SON系统210可训练现有的预测模型。例如，SON系统210可基于特定的网络配置数据来预测网络性能信息的值，并可实现特定的网络配置数据。SON系统210可在实现特定的网络配置数据之后接收呼叫跟踪信息和/或测量信息。SON系统210可基于呼叫跟踪信息和/或测量信息来确定观测的网络性能信息，并可比较观测的网络性能信息与网络性能信息的预测值。如果网络性能信息的预测值是不准确的，则SON系统210可调节预测模型以提高预测的网络性能信息的准确度。以这种方式，SON系统210训练预测模型，其提高预测的网络性能信息的准确度并因而提高网络性能。
在一些实现中，SON系统210可基于现有的预测模型来产生/训练辅助预测模型。例如，SON系统210(例如SON系统210的派生建模器460)可接收预测模型以及呼叫跟踪信息和/或测量信息用于用作对预测模型的输入。假设预测模型基于呼叫跟踪信息和/或测量信息输出所预测的上行链路RSSI。在这样的情况下，派生建模器460可确定在所预测的上行链路RSSI和辅助预测值(例如在基站220处观察到的掉话的数量、在基站220处观察到的拥塞的呼叫的数量等)之间的关系。派生建模器460可在一些实现中对所预测的上行链路RSSI、辅助预测值和在呼叫跟踪信息和/或测量信息中的一个或多个变量执行分析(例如线性回归分析、多回归分析等)，以产生辅助预测模型。以这种方式，SON系统210可产生辅助预测模型以基于所预测的上行链路RSSI来预测网络性能信息，这增加了SON系统210可预测的信息的广度并提高了网络弹性。
虽然图5示出过程500的示例块，在一些实施方式中，与在图5中描绘的那些块相比，过程500可包括额外的块、更少的块、不同的块或不同地布置的块。此外或可选地，过程500的两个或更多个块可并行地被执行。
图6A和6B是与图5所示的示例过程500有关的示例实现600的图。图6A和6B示出基于呼叫跟踪信息、测量信息和/或配置信息来训练预测模型的例子。
如图6A所示，移动设备230可周期性地确定信息605(例如RXLEV值、RXQUAL值、RSCP值、EcN0值、RSRP值和RSRQ值)，并可向基站220提供所确定的信息605。基站220可向SON系统210提供测量信息610。测量信息610可包括与基站220有关的上行链路信息。如进一步示出的，基站220可基于所确定的信息605来确定呼叫跟踪信息615，并可向SON系统210提供呼叫跟踪信息615。在一些实现中，基站220可经由一个或多个网络资源245(例如中间控制器节点、管理节点、一个或多个移动边缘计算(MEC)资源等)向SON系统210提供呼叫跟踪信息615。在呼叫跟踪信息615由一个或多个MEC资源收集的情况下，一个或多个MEC资源可从移动设备230收集信息，可处理信息以确定呼叫跟踪信息615，并可向SON系统210提供呼叫跟踪信息615。
如图6B所示，SON系统210的上行链路建模器410接收测量信息610和呼叫跟踪信息615。如由参考数字620所示的，上行链路建模器410基于被包括在呼叫跟踪信息615中的小区标识符来将呼叫跟踪信息615分组。例如，上行链路建模器410可接收多个移动设备230的呼叫跟踪信息615，并可将与同一小区标识符相关的移动设备230分组。如由参考数字625所示的，上行链路建模器410可基于将呼叫跟踪信息分组来确定经处理的呼叫跟踪信息。
如由参考数字630所示的，上行链路建模器410可基于被包括在经处理的呼叫跟踪信息625和测量信息610中的小区标识符来使经处理的呼叫跟踪信息625与测量信息610匹配。例如，上行链路建模器410可使特定基站220和/或小区的测量信息610与移动设备230的经处理的呼叫跟踪信息625匹配，移动设备230与特定的基站220和/或小区相关。如由参考数字635所示的，上行链路建模器410可基于测量信息610和呼叫跟踪信息615来产生/训练预测模型以输出预测的网络性能信息。
如上面所指示的，图6A和6B仅作为例子被提供。其它例子是可能的并可不同于关于图6A和6B所述的内容。
图7是用于基于预测模型来配置移动网络的示例过程700的流程图。在一些实现中，图7的一个或多个过程块可由SON系统210执行。在一些实现中，图7的一个或多个过程块可由与SON系统210分离或包括SON系统210的另一设备或一组设备例如基站220、移动设备230和/或网络资源245执行。
如图7所示，过程700可包括得到识别预测模型的信息、网络配置、呼叫跟踪信息和/或测量信息(块710)。例如，SON系统210可得到识别预测模型的信息、网络配置、呼叫跟踪信息和/或测量信息。在一些实现中，SON系统210可从基站220得到识别预测模型的信息、网络配置、呼叫跟踪信息和/或测量信息的信息，如上面结合图5更详细描述的。在一些实现中，SON系统210可产生和/或训练预测模型，如上面结合图5更详细描述的。在一些实现中，SON系统210可从另一设备得到识别预测模型的信息、网络配置、呼叫跟踪信息和/或测量信息的信息。例如，另一SON系统210、网络资源245或另一设备可向SON系统210提供信息。
如进一步在图7中所示的，过程700可包括确定没有相关的测量信息的小区的估计的上行链路信息(块720)。例如，SON系统210可确定与不令人满意的(例如缺少的、不准确的、不完整的等)测量信息相关的小区的估计的上行链路信息。估计的上行链路信息可包括上行链路信息的预计值(例如上行链路信息，如上面结合图5更详细描述的)。在一些实现中，SON系统210可基于结合块710得到的预测模型来确定估计的上行链路信息。例如，SON系统210可将小区的呼叫跟踪信息输入到预测模型，并可确定预测模型的输出，包括估计的上行链路信息。
在一些实现中，SON系统210可基于另一小区的上行链路信息来确定特定小区的估计的上行链路信息。例如，SON系统210可基于邻小区的上行链路信息、基于与类似的移动设备230相关的上行链路信息和/或在历史角度上类似的小区跟踪信息、基于由网络管理员指定的另一小区、基于由SON系统210监控的所有小区的平均值等来确定估计的上行链路。
如进一步在图7中所示的，过程700可包括基于所得到的信息来确定观测的网络性能信息(块730)。例如，SON系统210可基于识别预测模型的信息、网络配置、呼叫跟踪信息、所得到的测量信息和/或估计的测量信息来确定观测的网络性能信息。
观测的网络性能信息可包括与基站220相关的上行链路RSSI、由基站220接收的信息的上行链路SNR、与基站220相关的吞吐量(例如以每秒位、每秒千位、每秒兆位、被成功地路由的呼叫的数量、基站220可维持的会话的数量等为单位)等。在一些实现中，观测的网络性能信息可包括上述信息(例如在一组移动设备230当中的网络性能信息值的平均值、多个基站220的组合吞吐量等)的组合。
如进一步在图7中所示的，过程700可包括可基于识别网络配置的信息来改变网络配置数据，以产生改变的网络配置数据(块740)。例如，SON系统210可改变移动网络240的网络配置数据以确定可能的改变的网络配置数据。SON系统210可改变网络配置数据以试图提高网络性能，如由网络性能信息识别的。例如，SON系统210可改变网络配置数据以试图提高基站220的RSCP、RSSI、Ec、N0、SNR、吞吐量等。
在一些实现中，SON系统210可通过将呼叫从第一小区/基站220重新路由到第二小区/基站220、通过改变由基站220和/或移动设备230传输的信号的功率水平、通过改变小区的几何形状、通过改变信号调制方案、通过改变信号编码方案或通过执行类似的行动来改变网络配置数据。
如进一步在图7中所示的，过程700可包括基于改变的网络配置数据并基于预测模型来确定预测的网络性能信息(块750)。例如，SON系统210可基于改变的网络配置数据并基于预测模型来确定预测的网络性能信息。在一些实现中，SON系统210可将改变的网络配置数据的参数输入到预测模型，且预测模型可输出预测的网络性能信息。在一些实现中，SON系统210可基于预测模型的输出来确定预测的网络性能信息。例如，预测模型可基于改变的网络配置数据信息来输出所预测的呼叫跟踪信息和/或所预测的测量信息，且SON系统210可基于所预测的呼叫跟踪信息和/或所预测的测量信息来确定预测的网络性能信息。
如在图7中进一步示出的，过程700可包括基于比较预测的网络性能信息与观测的网络性能信息来选择性地传输改变的网络配置数据(块760)。例如，SON系统210可比较预测的网络性能信息与观测的网络性能信息。如果预测的网络性能信息指示相对于观测的网络性能信息的网络性能的提高，则SON系统210可传输改变的网络配置数据以使改变的网络配置数据被实现。
如果预测的网络性能信息基于改变的网络配置数据不指示网络性能的提高，则SON系统210可以不使网络配置数据被调节。在这样的情况下，SON系统210可产生另一改变的网络配置数据，可针对该另一改变的网络配置数据确定预测的网络性能信息，并可相应地使网络配置数据被调节或产生又另一改变的网络配置数据。以这种方式，SON系统210可以迭代地调节网络配置数据，这随着时间的过去迭代地提高网络性能。
在一些实现中，SON系统210可确定要执行来使网络配置数据被调节的配置行动。例如，SON系统210可基于已更新的功率水平、已更新的小区几何形状、已更新的信号调制/编码方案等来确定关于上行链路的要(例如通过基站220)执行的一个或多个配置行动。配置行动可包括例如修改发射功率水平、邻小区关系表、天线电倾角、天线机械倾角、天线指向方向/角度(例如标高、倾角和/或方位角)、切换阈值等。在一些实现中，SON系统210可推荐去激活一个或多个基站220和/或激活一个或多个基站220。以这种方式，SON系统210可确定关于基站220的上行链路要执行来调节网络配置数据的配置行动，这提高上行链路的性能并因此提高移动网络性能。
虽然图7示出过程700的示例块，在一些实现中，与在图7中描绘的那些块相比，过程700可包括额外的块、更少的块、不同的块或不同地布置的块。此外或可选地，过程700的两个或更多个块可并行地被执行。
图8A-8C是与图7所示的示例过程700有关的示例实现800的图。图8A-8C示出基于预测模型来配置移动网络的例子。
如在图8A中且由参考数字805所示的，上行链路建模器410可向上行链路计算器430提供识别预测模型的信息。如由参考数字810所示的，上行链路计算器430可基于预测模型来估计丢失上行链路信息的小区的上行链路信息。例如，上行链路计算器430可将与小区有关的呼叫跟踪信息输出到预测模型等。如由参考数字815所示的，上行链路计算器430可向网络配置部件440提供估计的上行链路信息。如由参考数字820所示的，上行链路建模器410可向网络配置部件440提供预测模型、经处理的呼叫跟踪信息和测量信息。
如由参考数字825所示的，网络配置部件440可基于从上行链路建模器410接收的经处理的呼叫跟踪信息和测量信息来确定观测的网络性能信息。如由参考数字830所示的，网络配置部件440可产生对网络配置数据的可能变化，例如重新路由呼叫、改变基站220和/或移动设备230的功率水平、改变小区的几何形状、改变信号调制、改变信号编码等。
如在图8B中且由参考数字835所示的，网络配置部件440可向预测模型输出对网络配置数据的可能改变、经处理的呼叫跟踪信息和测量信息。如由参考数字840所示的，预测模型可输出预测的网络性能信息。假设网络配置部件440比较预测的网络性能信息与观测的网络性能信息以确定是否实现对网络配置数据的改变。进一步假设网络配置部件440确定实现对网络配置数据的改变。如由参考数字845所示的，网络配置部件440可向上行链路模拟器450提供识别对网络配置数据的可能改变的信息。如由参考数字850所示的，基于对网络配置数据的可能改变，上行链路模拟器450可向网络配置部件440提供上行链路重配置信息。上行链路重配置信息可识别要执行来基于对网络配置数据的改变来重新配置基站220的操作。
如在图8C中且由参考数字855所示的，SON系统210可向基站220提供重配置信息，包括上行链路重配置信息。如由参考数字860所示的，基站220可基于重配置信息来重新配置上行链路和/或下行链路。以这种方式，SON系统210基于预测模型来重新配置移动网络240，这提高移动网络240的效率并减小在实现网络变化时的不确定性。
如上面指示的，图8A和8B仅作为例子被提供。其它例子是可能的并可不同于结合图8A和8B所述的内容。
图9是用于基于预测模型来识别并减轻干扰的示例过程900的流程图。在一些实现中，图9的一个或多个过程块可由SON系统210执行。在一些实现中，图9的一个或多个过程块可由与SON系统210分离或包括SON系统210的另一设备或一组设备例如基站220、移动设备230和网络资源245执行。
如图9所示，过程900可包括从接收可能的干扰信号的基站接收观测的上行链路信息(块910)。例如，SON系统210可从基站220接收观测的上行链路信息。在一些实现中，SON系统210可从基站220接收与测量信息相关的观测的上行链路信息，如上面结合图5更详细描述的。基站220可与干扰的源相关。例如，干扰的源可以广播基站220接收的干扰信号，可改变由移动设备230经由上行链路传输的信号，等等。干扰的源可包括例如同轴电缆外出信号、双向信号放大器、荧光、与信号相关的高阶谐振效应、充当用于通过另一移动设备230通信到网络/来自网络的通信的继电器的移动设备230等。
如在图9中所示的，过程900可包括基于预测模型来确定基站的所预测的上行链路信息(块920)。例如，SON系统210可基于预测模型来确定基站220的所预测的上行链路信息。预测模型可基于与特定基站220相关的测量信息和/或呼叫跟踪信息来预测特定基站220的上行链路信息。SON系统210可产生和/或训练预测模型，如上面结合图5的块550更详细描述的。
如在图9中进一步示出的，过程900可包括比较观测的上行链路信息与所预测的上行链路信息以识别出可能干扰的信号是干扰信号(块930)。例如，SON系统210可比较观测的上行链路信息与所预测的上行链路信息以识别干扰信号。在一些实现中，SON系统210可基于观测的上行链路信息与所预测的上行链路信息是否相差特定的阈值来确定干扰信号是否存在。如果在观测的上行链路信息与所预测的上行链路信息之间的差异满足特定的阈值，则SON系统210可确定基站220接收到干扰信号。如果差异不满足特定的阈值，则SON系统210可确定基站220没有接收到干扰信号。
如在图9中进一步示出的，过程900可包括特征化干扰信号(块940)。例如，SON系统210可通过确定干扰信号的频率、干扰信号的振幅、干扰信号的到达时间、干扰信号的源是静止的还是移动的等来特征化干扰信号。
SON系统210可分析干扰信号以特征化干扰信号。例如，SON系统210可分析子带效应以确定与干扰信号相关的频率范围。作为另一例子，SON系统210可分析在物理资源块中的错误以确定在干扰信号中的细节的长度。作为另一例子，SON系统210可确定干扰信号在时域中的影响以确定在干扰信号中的细节的长度。作为又另一例子，SON系统210可确定干扰信号的振幅是恒定的还是可变的。作为另一例子，SON系统210可分析干扰信号的频率特征中的变化以确定干扰信号的源是静止的还是移动的。作为又另一例子，SON系统210可分析由基站220接收的信号的个体符号(例如位、比特等)以确定干扰信号的到达时间。
在一些实现中，干扰信号可由多个基站220接收。例如，干扰信号可到达多个小区，且因此可由多个基站220接收。在这样的情况下，SON系统210可针对多个基站220中的两个或更多个来特征化干扰信号。通过针对两个或更多个基站220来特征化干扰信号，SON系统210可提高找出干扰的源的准确度，如下面更详细描述的。
如在图9中进一步示出的，过程900可包括找出干扰信号的源(块950)。例如，SON系统210可找出干扰的源。为了找出干扰的源，SON系统210可分析从一个或多个基站220接收的测量信息。在一些实现中，SON系统210可分析从多个不同的基站220接收的测量信息，这提高位置的准确度。
SON系统210可分析测量信息、配置信息和/或特征化信息以找出干扰信号的源。例如，SON系统210可比较与不同的基站220相关的振幅和/或到达时间以定位源。作为另一例子，SON系统210可分析干扰信号的到达角和/或由干扰信号产生的天线方向图以定位源。作为又另一例子，SON系统210可确定干扰信号的频率是否覆盖多个频带和/或载波带。
作为另一例子，SON系统210可使用来自多个基站220的特征化信息来确定特定的干扰信号是否由多个基站220接收。如果特定的干扰信号由多个基站220接收，则SON系统210可分析多个基站220的测量信息和/或配置信息以产生源的一组可能的位置，并试图从这组可能的位置缩小到源的位置。以这种方式，SON系统210找出干扰信号的源，这便于干扰符号的减轻并提高网络性能。
如在图9中进一步示出的，过程900可包括使减轻干扰信号的行动被执行(块960)。例如，SON系统210可使减轻干扰信号的行动被执行。在一些实现中，SON系统210可确定改变的网络配置数据以减轻干扰信号，并可执行上面结合图5和7所述的操作。以这种方式，SON系统210可使用预测模型来改变网络配置数据，这提高网络性能和/或简化改变的网络配置数据的实现。
在一些实现中，SON系统210可使行动被执行。例如，SON系统210可使基站220切换移动设备230(例如到另一基站220、另一频带、另一小区等)。作为另一例子，SON系统210可使基站220将天线向下倾斜以减小由基站220服务的小区的尺寸。作为另一例子，SON系统210可执行关于基站220的电压驻波比测试以确定由基站220的天线反射的功率的量。作为另一例子，SON系统210可向实体(例如网络管理员、工程师、技术人员以执行驱动测试来确定干扰的源的物理位置等)提供通知。作为另一例子，SON系统210可使基站220的带宽变窄以排除干扰信号的频率。作为另一例子，SON系统210可从上行链路调度移除一个或多个网络资源245。作为另一例子，SON系统210可改变在基站220和一个或多个移动设备230之间的下行链路的下行链路频率。在一些实现中，SON系统210可执行另一类型的行动。以这种方式，SON系统210基于呼叫跟踪信息和/或测量信息来特征化、找出并减轻干扰信号，这减少在基站220处的噪声并提高网络性能。
虽然图9示出过程900的示例块，在一些实施方式中，与在图9中描绘的那些块相比，过程900可包括额外的块、更少的块、不同的块或不同地布置的块。此外或可选地，过程900的两个或多个块可并行地被执行。
图10A-10C是与图9所示的示例过程900有关的示例实现1000的图。图10A-10C示出基于预测模型来识别并减轻干扰的例子。
如图10A所示，移动设备230可经由上行链路向基站220提供信号。如由参考数字1005所示的，基站220可从干扰源接收干扰信号。如由参考数字1010所示的，基站220可接收观测的上行链路信息1010，其可基于干扰信号而不同于由移动设备230传输的上行链路信息。
如图10B所示，SON系统210可向上行链路建模器410提供观测的上行链路信息1010。如进一步示出的，上行链路建模器410可基于观测的上行链路信息1010和其它信息来产生/训练预测模型，并可向上行链路干扰检测器420提供预测模型。如由参考数字1015所示的，上行链路干扰检测器420可基于预测模型来确定基站220的所预测的上行链路信息。如由参考数字1020所示的，上行链路干扰检测器420可基于在观测的上行链路信息和所预测的上行链路信息之间的差异来检测干扰信号。如由参考数字1025所示的，上行链路干扰检测器420可特征化干扰信号，并可找出干扰信号的源。在这里，干扰信号与静止源和1950兆赫兹(MHz)的频率相关，且干扰信号的源位于小区40573内。
如在图10C中且由参考数字1030所示的，SON系统210可确定要执行来减轻干扰信号的减轻行动。在这里，SON系统210将移动设备230切换到邻基站220，使基站220将天线向下倾斜，并提示工程师队执行驱动测试。如由参考数字1035所示的，SON系统210可向基站220提供重配置信息，且基站220可基于重配置信息来切换移动设备230并将天线向下倾斜。如由参考数字1040所示的，SON系统210可提示工程师队在小区40573中执行驱动测试。以这种方式，SON系统210基于预测模型来识别、特征化和找出干扰信号，这允许SON系统210使提高上行链路性能的减轻行为被执行。
如上面指示的，图10A-10C仅作为例子被提供。其它例子是可能的并可不同于结合图10A-10C所述的内容。
以这种方式，SON系统210基于预测模型来预测网络重配置的结果，这提高网络重配置的性能，增加移动网络容量，并减少移动网络干扰。此外，SON系统210找出并减轻蜂窝干扰的源，这提高蜂窝上行链路性能。
前述公开提供说明和描述，但并没有被规定为无遗漏的或将实现限制到所公开的精确形式。修改和变化按照上述公开是可能的或可从实现的实施被获取。
如在本文所使用的，术语部件旨在被广泛地解释为硬件、固件和/或硬件和软件的组合。
在本文结合阈值来描述这样的实现。如在本文使用的，满足阈值可以指值大于阈值、多于阈值、高于阈值、大于或等于阈值、小于阈值、少于阈值、低于阈值、小于或等于阈值、等于阈值等。
将明显的是，可以在不同形式的硬件、固件或硬件和软件的组合中实现本文所述的系统和/或方法。用于实现这些系统和/或方法的实际专用控制硬件或软件代码不是实现的限制。因此，系统和/或方法的操作和行为在本文被描述而不参考特定的软件代码——应理解，软件和硬件可设计成基于本文的描述来实现系统和/或方法。
即使在权利要求中详述和/或在说明书中公开了特征的特定组合，这些组合也不意欲限制可能的实现的公开。事实上，可以用未特别在权利要求中详述和/或在说明书中公开的方式来组合这些特征中的很多。虽然所列出的每个从属权利要求可直接从属于仅仅一个权利要求，可能的实现的公开包括与权利要求集合中的每个其它权利要求组合的每个从属权利要求。
在本文使用的元件、行动或指令不应被解释为关键的或必要的，除非明确地这样描述。此外，如在本文使用的，冠词“a”和“an”意欲包括一个或多个项目，并可与“一个或多个”可互换地使用。此外，如在本文使用的，术语“组”意欲包括一个或多个项目(例如相关项目、不相关项目、相关项目和不相关项目的组合等)，并可与“一个或多个”可互换地使用。在只有一个项目被预期的场合，使用术语“一个”或类似的语言。此外，如在本文使用的，术语“has(具有)”、“have(具有)”、“having(具有)”或类似术语被规定为开放式术语。此外，短语“基于”意欲意指“至少部分地基于”，除非明确地规定相反的情况。

Claims (13)

1.一种用于提高网络性能的设备，包括：
用于得到与基站相关的上行链路信息的装置；
用于得到与和所述基站通信的移动设备相关的下行链路信息的装置；
用于基于所述上行链路信息和所述下行链路信息来确定观测的网络性能信息的装置；
用于基于所述上行链路信息和所述下行链路信息来确定预测模型以预测网络性能信息的装置；
用于改变与所述基站相关的网络配置数据以产生改变的网络配置数据的装置；
用于基于所述预测模型来针对所述改变的网络配置数据确定预测的网络性能信息的装置；以及
用于基于比较所述预测的网络性能信息与观测的网络性能信息来将所述改变的网络配置数据选择性地传输到所述基站的装置。
2.如权利要求1所述的设备，其中，所述预测模型是使用包括下列项中的一个或多个的输入来确定的：
所述下行链路信息，或
所述网络配置数据；以及
其中所述上行链路信息是估计的上行链路信息；以及
其中用于得到估计的上行链路信息的所述装置包括：
用于基于将所述下行链路信息或所述网络配置数据中的至少一个输入到所述预测模型内来确定所述估计的上行链路信息的装置。
3.如权利要求2所述的设备，还包括：
用于接收观测的上行链路信息的装置，
所述观测的上行链路信息与所述基站相关；
用于比较所述观测的上行链路信息与所述估计的上行链路信息以确定所述基站正接收干扰信号的装置；以及
用于执行减轻所述干扰信号的行动的装置。
4.如权利要求1所述的设备，其中用于得到所述下行链路信息的所述装置包括：
用于从与多个小区相关的多个移动设备接收下行链路信息的装置。
5.如权利要求1所述的设备，其中所述上行链路信息与在所述基站和所述移动设备之间的上行链路相关；以及
其中所述下行链路信息与在所述基站和所述移动设备之间的下行链路相关。
6.如权利要求1所述的设备，其中所述预测模型是第一预测模型，以及所述预测的网络性能信息是第一预测的网络性能信息；以及
其中所述设备包括：
用于基于所述上行链路信息、所述下行链路信息和所述第一预测的网络性能信息来确定第二预测模型的装置，
所述第二预测模型预测不同于所述第一预测的网络性能信息的第二预测的网络性能信息。
7.如权利要求1所述的设备，其中所述上行链路信息包括下列项中的一个或多个：
由所述基站提供的下行链路信道的频率，
与所述基站相关的上行链路接收信号强度指示器，
由所述基站接收的信息的上行链路信噪比，
与所述基站相关的上行链路调制和编码方案，或
与所述基站相关的吞吐量。
8.一种用于提高网络性能的方法，包括：
由设备得到与基站相关的上行链路信息；
由所述设备得到与和所述基站通信的移动设备相关的下行链路信息；
由所述设备基于所述上行链路信息和所述下行链路信息来确定观测的网络性能信息；
由所述设备确定预测模型以预测网络性能信息；
由所述设备改变与所述基站相关的网络配置数据以产生改变的网络配置数据；
由所述设备基于所述预测模型来针对所述改变的网络配置数据确定预测的网络性能信息；以及
由所述设备基于比较所述预测的网络性能信息与观测的网络性能信息来将所述改变的网络配置数据选择性地传输到所述基站。
9.如权利要求8所述的方法，其中改变所述网络配置数据包括：
改变所述网络配置数据以关于与所述移动设备相关的所述信息提高网络性能。
10.如权利要求9所述的方法，其中改变所述网络配置数据包括：
改变所述网络配置数据以提高下列项中的至少一个：
掉话的概率，
阻塞呼叫的概率，
所述移动设备的功率余量，
下行链路接收信号码功率，
上行链路接收信号强度指示器，
上行链路信噪比，
上行链路吞吐量，
下行链路每芯片能量，或
下行链路噪声功率密度。
11.如权利要求8所述的方法，其中使用包括下列项中的一个或多个的输入来确定所述预测模型：
所述下行链路信息，或
关于所述网络配置数据的信息；以及
其中得到所述上行链路信息包括：
基于将所述下行链路信息或所述网络配置数据中的至少一个输入到所述预测模型中来确定所述上行链路信息。
12.如权利要求11所述的方法，其中确定所述上行链路信息包括：
基于邻基站的上行链路信息来确定所述基站的所述上行链路信息。
13.如权利要求11所述的方法，其中所述上行链路信息是估计的上行链路信息；以及
其中所述方法还包括：
接收观测的上行链路信息；
比较所述观测的上行链路信息与所述估计的上行链路信息以确定所述基站正接收干扰信号；以及
执行减轻所述干扰信号的行动。
CN201610753493.5A 2015-08-28 2016-08-29 对移动网络性能建模 Active CN106488481B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US14/839,569 US10117142B2 (en) 2015-08-28 2015-08-28 Modeling mobile network performance
US14/839,569 2015-08-28

Publications (2)

Publication Number Publication Date
CN106488481A true CN106488481A (zh) 2017-03-08
CN106488481B CN106488481B (zh) 2020-01-21

Family

ID=56925975

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610753493.5A Active CN106488481B (zh) 2015-08-28 2016-08-29 对移动网络性能建模

Country Status (3)

Country Link
US (1) US10117142B2 (zh)
EP (1) EP3136775B1 (zh)
CN (1) CN106488481B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109428882A (zh) * 2017-09-05 2019-03-05 财团法人工业技术研究院 网络通信系统的控制方法与边缘运算装置
CN110022235A (zh) * 2019-04-18 2019-07-16 维沃移动通信有限公司 信息处理方法、终端和服务器
CN110121180A (zh) * 2018-02-05 2019-08-13 华为技术有限公司 一种数据分析装置、系统及方法
CN111052849A (zh) * 2017-09-28 2020-04-21 中兴通讯股份有限公司 移动网络交互代理

Families Citing this family (49)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9319916B2 (en) 2013-03-15 2016-04-19 Isco International, Llc Method and appartus for signal interference processing
US10039022B2 (en) 2015-06-09 2018-07-31 At&T Intellectual Property I, L.P. Remote diagnosis and cancellation of passive intermodulation
US20170215094A1 (en) * 2016-01-22 2017-07-27 Hitachi, Ltd. Method for analyzing and inferring wireless network performance
EP3430739B1 (en) * 2016-03-18 2023-05-24 Telefonaktiebolaget LM Ericsson (PUBL) Method, controller, network node site and computer program
CA3024175A1 (en) 2016-06-01 2017-12-07 Isco International, Llc Method and apparatus for performing signal conditioning to mitigate interference detected in a communication system
US10149193B2 (en) 2016-06-15 2018-12-04 At&T Intellectual Property I, L.P. Method and apparatus for dynamically managing network resources
US10454836B2 (en) 2016-11-01 2019-10-22 At&T Intellectual Property I, L.P. Method and apparatus for dynamically adapting a software defined network
US10284730B2 (en) 2016-11-01 2019-05-07 At&T Intellectual Property I, L.P. Method and apparatus for adaptive charging and performance in a software defined network
US10505870B2 (en) 2016-11-07 2019-12-10 At&T Intellectual Property I, L.P. Method and apparatus for a responsive software defined network
US10469376B2 (en) 2016-11-15 2019-11-05 At&T Intellectual Property I, L.P. Method and apparatus for dynamic network routing in a software defined network
US10039006B2 (en) 2016-12-05 2018-07-31 At&T Intellectual Property I, L.P. Method and system providing local data breakout within mobility networks
US10264075B2 (en) * 2017-02-27 2019-04-16 At&T Intellectual Property I, L.P. Methods, systems, and devices for multiplexing service information from sensor data
US10469286B2 (en) 2017-03-06 2019-11-05 At&T Intellectual Property I, L.P. Methods, systems, and devices for managing client devices using a virtual anchor manager
US10298279B2 (en) 2017-04-05 2019-05-21 Isco International, Llc Method and apparatus for increasing performance of communication paths for communication nodes
US10673751B2 (en) 2017-04-27 2020-06-02 At&T Intellectual Property I, L.P. Method and apparatus for enhancing services in a software defined network
US10819606B2 (en) 2017-04-27 2020-10-27 At&T Intellectual Property I, L.P. Method and apparatus for selecting processing paths in a converged network
US10212289B2 (en) 2017-04-27 2019-02-19 At&T Intellectual Property I, L.P. Method and apparatus for managing resources in a software defined network
US10749796B2 (en) 2017-04-27 2020-08-18 At&T Intellectual Property I, L.P. Method and apparatus for selecting processing paths in a software defined network
US10382903B2 (en) 2017-05-09 2019-08-13 At&T Intellectual Property I, L.P. Multi-slicing orchestration system and method for service and/or content delivery
US10257668B2 (en) 2017-05-09 2019-04-09 At&T Intellectual Property I, L.P. Dynamic network slice-switching and handover system and method
US10187098B1 (en) 2017-06-30 2019-01-22 At&T Intellectual Property I, L.P. Facilitation of passive intermodulation cancelation via machine learning
US10390275B2 (en) 2017-07-13 2019-08-20 Hon Hai Precision Industry Co., Ltd. Handover method, apparatus, and system involving a mobile edge computing (MEC) entity
US10070344B1 (en) 2017-07-25 2018-09-04 At&T Intellectual Property I, L.P. Method and system for managing utilization of slices in a virtual network function environment
US10812121B2 (en) * 2017-08-09 2020-10-20 Isco International, Llc Method and apparatus for detecting and analyzing passive intermodulation interference in a communication system
US10284313B2 (en) 2017-08-09 2019-05-07 Isco International, Llc Method and apparatus for monitoring, detecting, testing, diagnosing and/or mitigating interference in a communication system
US10405219B2 (en) 2017-11-21 2019-09-03 At&T Intellectual Property I, L.P. Network reconfiguration using genetic algorithm-based predictive models
US10965654B2 (en) 2017-11-28 2021-03-30 Viavi Solutions Inc. Cross-interface correlation of traffic
US10560206B2 (en) 2017-12-12 2020-02-11 Viavi Solutions Inc. Processing a beamformed radio frequency (RF) signal
US10104548B1 (en) 2017-12-18 2018-10-16 At&T Intellectual Property I, L.P. Method and apparatus for dynamic instantiation of virtual service slices for autonomous machines
US10484891B2 (en) * 2017-12-23 2019-11-19 Fortinet, Inc. Generating recommendations for achieving optimal cellular connectivity based on connectivity details and current and predicted future events
EP3525507B1 (en) 2018-02-07 2021-04-21 Rohde & Schwarz GmbH & Co. KG Method and test system for mobile network testing as well as prediction system
US11323927B2 (en) * 2018-04-20 2022-05-03 Telefonaktiebolaget Lm Ericsson (Publ) Automated observational passive intermodulation (PIM) interference detection in cellular networks
US10979326B2 (en) * 2018-05-11 2021-04-13 Viavi Solutions Inc. Detecting interference of a beam
US10805935B2 (en) 2018-05-14 2020-10-13 At&T Intellectual Property I, L.P. Adaptable packet scheduling for interference mitigation
US10631263B2 (en) 2018-09-14 2020-04-21 Viavi Solutions Inc. Geolocating a user equipment
US10595191B1 (en) 2018-12-06 2020-03-17 At&T Intellectual Property I, L.P. Mobility management enhancer
US10728138B2 (en) 2018-12-21 2020-07-28 At&T Intellectual Property I, L.P. Analytics enabled radio access network (RAN)- aware content optimization using mobile edge computing
CN109379240B (zh) * 2018-12-25 2021-06-25 湖北亿咖通科技有限公司 车联网流量预测模型构建方法、装置和电子设备
WO2020148116A1 (en) * 2019-01-14 2020-07-23 British Telecommunications Public Limited Company Network management
US10797805B1 (en) * 2019-07-24 2020-10-06 Cisco Technology, Inc. Optimized frequency searching for simultaneously received packet detection
US11044155B2 (en) * 2019-07-31 2021-06-22 International Business Machines Corporation Utilizing unstructured data in self-organized networks
US11894887B2 (en) 2019-08-27 2024-02-06 Lg Electronics Inc. Method and communication device for transmitting and receiving camera data and sensor data
CN112825502A (zh) * 2019-11-20 2021-05-21 中兴通讯股份有限公司 网络切片创建方法、基础网络控制器、系统和存储介质
US11792251B2 (en) * 2020-01-06 2023-10-17 International Business Machines Corporation Media stream network action decisions
US11424791B2 (en) 2020-04-16 2022-08-23 Qualcomm Incorporated Machine learning model selection in beamformed communications
WO2021256978A1 (en) * 2020-06-15 2021-12-23 Telefonaktiebolaget Lm Ericsson (Publ) Reconfiguration procedure in a wireless communication network
US11330451B2 (en) * 2020-07-20 2022-05-10 Vmware, Inc. Service aware closed loop uplink power control optimization
US11329737B1 (en) * 2021-01-04 2022-05-10 Verizon Patent And Licensing Inc. Systems and methods for modification of radio access network parameters based on channel propagation models generated using machine learning techniques
US11742963B2 (en) * 2021-02-16 2023-08-29 Viavi Solutions Inc. Real-time optimization of network parameters

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110002285A1 (en) * 2009-07-02 2011-01-06 Samsung Electronics Co. Ltd. Apparatus and method for managing resource to decrease inter-cell interference in a broadband wireless commmunication system
CN102065115A (zh) * 2010-05-31 2011-05-18 百度在线网络技术（北京）有限公司 基于系统性能来调整获取网络资源的方式的方法和设备
CN103179625A (zh) * 2011-12-20 2013-06-26 华为技术有限公司 移动通信系统中的小区优化方法、装置和系统
US20140120930A1 (en) * 2012-10-31 2014-05-01 Nokia Siemens Networks Oy Method, Apparatus, Computer Program Product and System for Communicating Predictions
US20150043386A1 (en) * 2012-02-22 2015-02-12 Telefonaktiebolaget L M Ericsson (Publ) Self-Organizing Network Function Interaction

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9462520B2 (en) * 2013-01-21 2016-10-04 Telefonaktiebolaget L M Ericsson (Publ) Systems and methods for using enhanced receiver and gaps when handling interference
US10004008B2 (en) * 2013-10-01 2018-06-19 Qualcomm, Incorporated Hybrid management of handovers in a self organizing network (SON)
US20150365206A1 (en) * 2014-06-12 2015-12-17 Qatar University Qstp-B System and methods for interference mitigation in femtocell network

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110002285A1 (en) * 2009-07-02 2011-01-06 Samsung Electronics Co. Ltd. Apparatus and method for managing resource to decrease inter-cell interference in a broadband wireless commmunication system
CN102065115A (zh) * 2010-05-31 2011-05-18 百度在线网络技术（北京）有限公司 基于系统性能来调整获取网络资源的方式的方法和设备
CN103179625A (zh) * 2011-12-20 2013-06-26 华为技术有限公司 移动通信系统中的小区优化方法、装置和系统
US20150043386A1 (en) * 2012-02-22 2015-02-12 Telefonaktiebolaget L M Ericsson (Publ) Self-Organizing Network Function Interaction
US20140120930A1 (en) * 2012-10-31 2014-05-01 Nokia Siemens Networks Oy Method, Apparatus, Computer Program Product and System for Communicating Predictions

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109428882A (zh) * 2017-09-05 2019-03-05 财团法人工业技术研究院 网络通信系统的控制方法与边缘运算装置
CN111052849A (zh) * 2017-09-28 2020-04-21 中兴通讯股份有限公司 移动网络交互代理
CN110121180A (zh) * 2018-02-05 2019-08-13 华为技术有限公司 一种数据分析装置、系统及方法
US11523288B2 (en) 2018-02-05 2022-12-06 Huawei Technologies Co., Ltd. Data analysis apparatus, system, and method
CN110022235A (zh) * 2019-04-18 2019-07-16 维沃移动通信有限公司 信息处理方法、终端和服务器

Also Published As

Publication number Publication date
US10117142B2 (en) 2018-10-30
US20170064591A1 (en) 2017-03-02
CN106488481B (zh) 2020-01-21
EP3136775A1 (en) 2017-03-01
EP3136775B1 (en) 2019-02-20

Similar Documents

Publication Publication Date Title
CN106488481A (zh) 对移动网络性能建模
EP3029976B1 (en) Techniques for providing a small cell deployment plan
CN106658405B (zh) 用于增强网络拓扑信息的方法和设备
EP3151029B1 (en) Determining an indoor/outdoor classification for a call
US9585031B2 (en) Method to guide the placement of new small cell
US9848338B2 (en) Small cell planning
US11968000B2 (en) Interference detection and avoidance in citizen broadband radio service (CBRS)
US11290915B2 (en) Systems and methods for granular beamforming across multiple portions of a radio access network based on user equipment information
US20240155359A1 (en) System, method, and apparatus for providing optimized network resources
US11251857B2 (en) Systems and methods for selecting radio beams
US11672001B2 (en) Systems and methods for interference management in a radio access network
US11716161B2 (en) Systems and methods for modification of radio access network parameters based on channel propagation models generated using machine learning techniques
US11638171B2 (en) Systems and methods for dynamic wireless network configuration based on mobile radio unit location
CN106899933B (zh) 基于粒子群方法来确定移动设备位置
US20230403584A1 (en) Reporting environmental states of a user equipment
WO2023209275A1 (en) Apparatus, method and computer program for load prediction

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Burke County, England

Applicant after: JDSU UK LTD

Address before: England Hampshire

Applicant before: JDSU UK LTD

GR01 Patent grant
GR01 Patent grant