CN107171831B

CN107171831B - 网络部署方法和装置

Info

Publication number: CN107171831B
Application number: CN201710295839.6A
Authority: CN
Inventors: 曹瑞; 徐斌斌; 许海明
Original assignee: Huawei Technologies Co Ltd
Current assignee: Huawei Technologies Co Ltd
Priority date: 2017-04-28
Filing date: 2017-04-28
Publication date: 2020-09-11
Anticipated expiration: 2037-04-28
Also published as: CN107171831A

Abstract

本申请实施例提供了一种网络部署方法和装置。该方法包括：确定待部署的第二网络的网络基础信息，所述第二网络的网络基础信息包括所述第二网络的话统数据、所述第二网络的测量报告以及所述第二网络的工参数据中的至少一种；根据所述第二网络的网络基础信息以及规划预测模型，确定所述第二网络的关键质量指示KQI，所述规划预测模型用于表示所述第二网络的网络基础信息与所述第二网络的KQI之间的映射关系；在所述第二网络的KQI满足用户需求的情况下，部署所述第二网络。本申请实施例的网络部署方法和装置，有利于提高网络部署的效率，从而有利于在提高用户体验的同时，提高运营商的投资收益。

Description

网络部署方法和装置

技术领域

本申请实施例涉及通信领域，并且更具体地，涉及通信领域中的网络部署方法和装置。

背景技术

随着移动通信技术的飞速发展，人们对移动通信网络质量的要求日益提高，网络部署前的规划对于运营商来讲显得极为重要。其中，站址规划作为网络规划之根本，不仅仅涉及到用户的通信质量，也严重影响运营商利润。

目前的精准站址规划(accurate site planning，ASP)主要是针对覆盖、容量进行站点规划，无法在按照ASP网络规划方案进行部署之前预知该ASP网络规划方案的实施效果，可能造成方案调整后用户的满意度并没有改善，导致网络部署不够精准。

发明内容

本申请实施例提供的网络部署方法，有利于提高网络部署的效率，从而有利于在提高用户体验的同时，提高运营商的投资收益。

第一方面，提供了一种网络部署方法，包括：确定待部署的第二网络的网络基础信息，所述第二网络的网络基础信息包括所述第二网络的话统数据、所述第二网络的测量报告以及所述第二网络的工参数据中的至少一种；根据所述第二网络的网络基础信息以及规划预测模型，确定所述第二网络的关键质量指示KQI，所述规划预测模型用于表示所述第二网络的网络基础信息与所述第二网络的KQI之间的映射关系；在所述第二网络的KQI满足用户需求的情况下，部署所述第二网络。

具体地，待部署的第二网络已经规划完成，在部署第二网络之前，可以先对该第二网络进行仿真，根据该第二网络的网络基础信息以及现有的规划预测模型，预测该第二网络的KQI。应理解，KQI是主要针对不同业务提出的贴近用户感受的业务质量参数。当第二网络的KQI满足预设的用户需求的情况下，再部署该第二网络。

可选地，若第二网络的KQI不能够满足用户需求，可以对该第二网络进行重新规划并预测，直到第二网络的KQI满足用户需求之后再部署第二网络。

应理解，上述网络基础信息为用于表示网络的基本属性的信息，具体可以包括话统数据、测量报告以及工参数据等等，网络基础信息还可以包括用于衡量网络的其他信息，本申请实施例对此不作限定。作为一个可选的实施例，上述网络基础信息可以包括端到端时延(end to end round-trip time，E2E_RTT)、小区级的激活用户数、主服务小区的电平强度、信道质量、业务级资源块被使用个数RB_Used、小区发射功率等指标。

本申请实施例的网络部署方法，通过规划预测模型对待部署网络进行KQI的预测，在待部署网络的KQI满足用户需求的情况下再对该网络进行部署，能够避免部署后的网络无法满足用户需求的情况出现，有利于提高网络部署的效率，从而有利于在提高用户体验的同时，提高运营商的投资收益。

在第一方面的第一种可能的实现方式中，所述规划预测模型是根据第一网络的KQI以及所述第一网络的网络基础信息确定的，所述部署所述第二网络，包括：对所述第一网络进行改造，获得所述第二网络。

具体地，上述规划预测模型可以是根据第一网络的历史数据训练获得的，且上述第二网络是在第一网络的基础之上改造获得的。因此，可以采用基于第一网络的历史数据获得的规划预测模型对第二网络的KQI进行预测，由于第一网络和第二网络覆盖有相同的区域，这样所预测的KQI能够更精确，且只需要在第一网络的基础之上对第一网络与第二网络不同之处进行改造，进一步提高了网络部署的效率。

结合第一方面的上述可能的实现方式，在第一方面的第二种可能的实现方式中，在所述确定待部署的第二网络的网络基础信息之前，所述方法还包括：将所述第一网络按照经纬度划分成多个栅格；根据所述第一网络内所述多个栅格中的每个栅格的KQI，从所述多个栅格中确定至少一个问题栅格，所述至少一个问题栅格为KQI不满足所述用户需求的栅格；根据所述至少一个问题栅格，对所述第一网络进行规划，获得所述第二网络，所述规划包括增加站点、减少站点和移动站点中的至少一种。

具体地，上述第二网络可以是对第一网络的部分区域进行的改造。在规划第二网络时，可以先将第一网络按照经纬度划分成多个栅格，根据第一网络的历史数据，分别确定每个栅格的KQI是否满足用户需求，将KQI不满足用户需求的至少一个栅格确定为问题栅格，再对至少一个问题栅格进行规划，获得上述第二网络。

这样，由于划分了栅格，在进行第二网络规划的时候，只需要考虑问题栅格，即尽可能地将问题栅格消除即可，不需要考虑那些KQI满足用户需求的栅格，实现了对第一网络更加细粒度地改造，有利于提高网络部署的效率。

结合第一方面的上述可能的实现方式，在第一方面的第三种可能的实现方式中，所述根据所述第二网络的网络基础信息以及规划预测模型，确定所述第二网络的关键质量指示KQI，包括：根据所述第二网络内所述多个栅格中的每个栅格的网络基础信息以及所述规划预测模型，确定所述第二网络内所述多个栅格中的每个栅格的KQI；所述方法还包括：根据所述第二网络内所述多个栅格中的每个栅格的KQI，确定所述第二网络内的至少一个站点中的每个站点能够消除的所述问题栅格的个数；按照所述每个站点能够消除的所述问题栅格的个数，确定所述每个站点的部署优先级；所述在所述第二网络的KQI满足用户需求的情况下，按照所述第二网络对所述第一网络进行改造，包括：按照所述每个站点的部署优先级，对所述第一网络进行改造。

具体地，在已经划分了栅格的基础之上，可以对待部署的第二网络进行仿真，再根据规划预测模型，确定在第二网络内多个栅格中每个栅格的KQI，可选地，可以仅确定有调整站点的栅格的KQI，并且逐个站点进行判断，判断有调整站点的栅格的KQI是否满足用户需求，进一步确定每个调整站点能够消除的问题栅格的个数。最后，根据每个调整站点能够消除的问题栅格的个数从大到小的顺序，确定每个调整站点的部署优先级，并按照每个站点的部署优先级，将第一网络进行改造成第二网络。

可选地，若某一个站点部署之后，已经消除了所有的问题栅格，那么可以无需再部署后续站点，这样，能够以较少的站点数量进行网络部署，网络部署的复杂度较低。

结合第一方面的上述可能的实现方式，在第一方面的第四种可能的实现方式中，所述KQI包括视频业务的下载速率、视频业务的初缓时延以及视频业务的视频平均意见得分vMOS中的至少一种。

第二方面，提供了另一种网络部署方法，包括：确定样本数据，所述样本数据包括第一网络的KQI以及所述第一网络的网络基础信息，所述第一网络的网络基础信息包括所述第一网络的话统数据、所述第一网络的测量报告以及所述第一网络的工参数据中的至少一种；采用机器学习算法对所述样本数据进行处理，获得规划预测模型，所述规划预测模型用于对待部署的第二网络的KQI进行预测。

本申请实施例的网络部署方法，通过利用样本数据以及机器学习算法训练规划预测模型，以便于利用该规划预测模型对待部署网络的KQI进行预测，在待部署网络的KQI满足预设条件的情况下，再对该待部署网络进行部署，有利于提高网络部署的效率，从而有利于在提高用户体验的同时，提高运营商的投资收益。

在第二方面的第一种可能的实现方式中，在所述采用机器学习算法对所述样本数据进行处理，获得所述规划预测模型之前，所述方法还包括：根据所述样本数据，确定所述第一网络的KQI与所述第一网络的网络基础信息之间的对应关系；确定所述第一网络的KQI的经纬度信息；根据所述第一网络的KQI的经纬度信息以及所述第一网络的KQI与所述第一网络的网络基础信息之间的对应关系，确定所述样本数据与所述第一网络的多个栅格之间的对应关系。

可选地，可以对样本数据进行数据清洗，去除空值数据以及不满足业务实际取值的数据，本申请实施例对此不作限定。

结合第二方面的上述可能的实现方式，在第二方面的第二种可能的实现方式中，所述采用机器学习算法对所述样本数据进行处理，获得所述规划预测模型，包括：采用多个候选机器学习算法对所述样本数据进行处理，获得多个候选规划预测模型；根据模型评价指标，从所述多个候选规划预测模型中确定所述规划预测模型，所述模型评价指标包括拟合优度、均方根误差以及模型精度中的至少一个。

具体地，可以采用多个候选机器学习算法对样本数据进行处理，例如，随机森林算法、梯度提升树(gradient boosting decision tree，GBDT)、支持向量机(Support VectorMachine，SVM)等，从而获得对应的多个候选规划预测模型，再结合模型评价指标，从该多个候选规划预测模型中选取最优的模型作为最终采用的规划预测模型。

结合第二方面的上述可能的实现方式，在第二方面的第三种可能的实现方式中，所述KQI包括视频业务的下载速率、视频业务的初缓时延以及视频业务的视频平均意见得分vMOS中的至少一种。

第三方面，提供了一种网络部署装置，用于执行第一方面或第一方面任意可能的实现方式中的方法。具体地，该装置包括用于执行上述第一方面或第一方面的任意可能的实现方式中的方法的单元。

第四方面，提供了另一种网络部署装置，用于执行第二方面或第二方面任意可能的实现方式中的方法。具体地，该装置包括用于执行上述第二方面或第二方面的任意可能的实现方式中的方法的单元。

第五方面，提供了另一种网络部署装置，该装置包括：至少一个处理器、存储器和通信接口。其中，该至少一个处理器、该存储器和该通信接口均通过总线连接，该存储器用于存储计算机执行指令，该至少一个处理器用于执行该存储器存储的计算机执行指令，使得该装置可以通过该通信接口与其它装置进行数据交互来执行第一方面或第一方面的任意可能的实现方式中的方法。

第六方面，提供了另一种网络部署装置，该装置包括：至少一个处理器、存储器和通信接口。其中，该至少一个处理器、该存储器和该通信接口均通过总线连接，该存储器用于存储计算机执行指令，该至少一个处理器用于执行该存储器存储的计算机执行指令，使得该装置可以通过该通信接口与其它装置进行数据交互来执行第二方面或第二方面的任意可能的实现方式中的方法。

第七方面，提供了一种计算机可读介质，用于存储计算机程序，该计算机程序包括用于执行第一方面或第一方面的任意可能的实现方式中的方法的指令。

第八方面，提供了一种计算机可读介质，用于存储计算机程序，该计算机程序包括用于执行第二方面或第二方面的任意可能的实现方式中的方法的指令。

附图说明

图1是本申请实施例的通信系统示意图。

图2是本申请实施例的网络架构的示意图。

图3是本申请实施例提供的网络部署方法的示意性流程图。

图4是本申请实施例提供的另一网络部署方法的示意性流程图。

图5是本申请实施例提供的另一网络部署方法的示意性流程图。

图6是本申请实施例提供的另一网络部署方法的示意性流程图。

图7是本申请实施例提供的网络部署装置的示意性框图。

图8是本申请实施例提供的另一网络部署装置的示意性框图。

图9是本申请实施例提供的另一网络部署装置的示意性框图。

图10是本申请实施例提供的另一网络部署装置的示意性框图。

具体实施方式

下面将结合附图，对本申请实施例中的技术方案进行描述。

本申请实施例的技术方案可以应用于各种通信系统，例如：全球移动通信(globalsystem of mobile communication，GSM)系统、码分多址(code division multipleaccess，CDMA)系统、宽带码分多址(wideband code division multiple access，WCDMA)系统、通用分组无线业务(general packet radio service，GPRS)、长期演进(long termevolution，LTE)系统、LTE频分双工(frequency division duplex，FDD)系统、LTE时分双工(time division duplex，TDD)、通用移动通信系统(universal mobiletelecommunication system，UMTS)或全球互联微波接入(worldwide interoperabilityfor microwave access，WiMAX)通信系统或未来的5G系统等。

图1示出了本申请实施例应用的通信系统100。该通信系统100可以包括至少一个网络设备110。网络设备100可以是与终端设备通信的设备，如基站或基站控制器等。每个网络设备100可以为特定的地理区域提供通信覆盖，并且可以与位于该覆盖区域(小区)内的终端设备(例如UE)进行通信。该网络设备100可以是GSM系统或码分多址(code divisionmultiple access，CDMA)系统中的基站(base transceiver station，BTS)，也可以是WCDMA系统中的基站(Node B，NB)，还可以是LTE系统中的演进型基站(evolutional Node B，eNB或eNode B)，或者是云无线接入网络(cloud radio access network，CRAN)中的无线控制器，或者该网络设备可以为中继站、接入点、车载设备、可穿戴设备、未来5G网络中的网络侧设备或者未来演进的公共陆地移动网络(public land mobile network，PLMN)中的网络设备等。

该无线通信系统100还包括位于网络设备110覆盖范围内的多个终端设备120。该终端设备120可以是移动的或固定的。该终端设备120可以指接入终端、用户设备(userequipment，UE)、用户单元、用户站、移动站、移动台、远方站、远程终端、移动设备、用户终端、终端、无线通信设备、用户代理或用户装置。接入终端可以是蜂窝电话、无绳电话、会话启动协议(session initiation protocol，SIP)电话、无线本地环路(wireless localloop，WLL)站、个人数字处理(personal digital assistant，PDA)、具有无线通信功能的手持设备、计算设备或连接到无线调制解调器的其它处理设备、车载设备、可穿戴设备、未来5G网络中的终端设备或者未来演进的公共陆地移动网络(public land mobile network，PLMN)中的终端设备等。

图1示例性地示出了一个网络设备和两个终端设备，可选地，该通信系统100可以包括多个网络设备并且每个网络设备的覆盖范围内可以包括其它数量的终端设备，本申请实施例对此不做限定。

可选地，该无线通信系统100还可以包括网络控制器、移动管理实体等其他网络实体，本申请实施例不限于此。

图2示例性地示出了本申请实施例的网络架构200，该网络架构包括网络设备210、网络设备220、网络设备230以及网络设备240，这四个网络设备分别位于不同的区域。可选地，可以按照经纬度将上述网络架构栅格化，即图2中的虚线所示，将网络架构200划分成多个栅格，以便于对该网络架构200进行更加细粒度地管理部署，但本申请实施例对此不作限定。

目前的精准站址规划(accurate site planning，ASP)主要是针对覆盖、容量进行站点规划，无法在按照ASP网络规划方案进行部署之前预知该ASP网络规划方案的实施效果，可能造成方案调整后用户的满意度并没有改善，导致网络部署不够精准。随着移动宽带(mobile broadband，MBB)数据业务应用的快速发展，越来越多的运营商意识到良好的用户体验可以提高用户的满意度和忠诚度。有鉴于此，本申请实施例提出基于关键质量指标(key quality indicator，KQI)的网络部署方案，有利于提高网络部署的准确率。

图3是根据本申请实施例的网络部署方法的示意性流程图。应理解，该方法300可以应用于图1所示的通信系统100和/或图2所示的网络架构200，但本申请实施例不限于此。还应理解，该方法300可以由任何具有数据处理功能的设备执行，可选地，该设备可以为计算机，但本申请实施例对此不作限定。

S310，确定待部署的第二网络的网络基础信息，所述第二网络的网络基础信息包括所述第二网络的话统数据、所述第二网络的测量报告以及所述第二网络的工参数据中的至少一种；

S320，根据所述第二网络的网络基础信息以及规划预测模型，确定所述第二网络的关键质量指示KQI，所述规划预测模型用于表示所述第二网络的网络基础信息与所述第二网络的KQI之间的映射关系；

S330，在所述第二网络的KQI满足用户需求的情况下，部署所述第二网络。

应理解，上述规划预测模型可以表示为自变量为网络基础信息，因变量为KQI的函数，即KQI＝f(网络基础信息)。

还应理解，上述网络基础信息为用于表示网络的基本属性的信息，具体可以包括话统数据、测量报告以及工参数据等等，网络基础信息还可以包括用于衡量网络的其他信息，本申请实施例对此不作限定。作为一个可选的实施例，上述网络基础信息可以包括端到端时延(end to end round-trip time，E2E_RTT)、小区级的激活用户数、主服务小区的电平强度、信道质量、业务级资源块被使用个数RB_Used、小区发射功率等指标。

由于目前视频业务逐渐成为运营商流量的主力，运营商的移动数据流量增长主要由视频业务带来。为了更好地满足用户在观看视频时的业务体验，需要一套系统和方法来评估第二规划站点对视频体验的改善。业务体验指标KQI主要包括下载速率、初缓时延以及视频平均意见得分(mean opinion score of video，vMOS)由主要受视频的分辨率、初缓时延及卡顿时长占比三个关键因素的影响。而本申请实施例考虑到关键质量指示KQI，更大程度地从用户的角度考虑，以便满足用户的需求。

应理解，本申请实施例不仅限制于ASP新增规划，同样适用于扩容，两网合并，扇区劈裂，ACP网络优化调整的网络场景。

还应理解，上述业务体验指标KQI适用于所有数据业务，例如，网页浏览、视频、文件下载、电子邮件、模拟信号数字化(voice over internet protocol，VOIP)、实时通信(instant messaging，IM)、对等网络(peer to peer，P2P)等等，本申请实施例对此不作限定。

作为一个可选的实施例，所述规划预测模型是根据第一网络的KQI以及所述第一网络的网络基础信息确定的，

所述部署所述第二网络，包括：

对所述第一网络进行改造，获得所述第二网络。

作为一个可选的实施例，在所述确定待部署的第二网络的网络基础信息之前，所述方法还包括：

将所述第一网络按照经纬度划分成多个栅格；

根据所述第一网络内所述多个栅格中的每个栅格的KQI，从所述多个栅格中确定至少一个问题栅格，所述至少一个问题栅格为KQI不满足所述用户需求的栅格；

根据所述至少一个问题栅格，对所述第一网络进行规划，获得所述第二网络，所述规划包括增加站点、减少站点和移动站点中的至少一种。

具体地，上述第二网络可以是对第一网络的部分区域进行的改造。在规划第二网络时，可以先将第一网络按照经纬度划分成多个栅格，如图2所示，根据第一网络的历史数据，分别确定每个栅格的KQI是否满足用户需求，将KQI不满足用户需求的至少一个栅格确定为问题栅格，再对至少一个问题栅格进行规划，获得上述第二网络。

作为一个可选的实施例，所述根据所述第二网络的网络基础信息以及规划预测模型，确定所述第二网络的关键质量指示KQI，包括：

根据所述第二网络内所述多个栅格中的每个栅格的网络基础信息以及所述规划预测模型，确定所述第二网络内所述多个栅格中的每个栅格的KQI；

所述方法还包括：

根据所述第二网络内所述多个栅格中的每个栅格的KQI，确定所述第二网络内的至少一个站点中的每个站点能够消除的所述问题栅格的个数；

按照所述每个站点能够消除的所述问题栅格的个数，确定所述每个站点的部署优先级；

所述在所述第二网络的KQI满足用户需求的情况下，按照所述第二网络对所述第一网络进行改造，包括：

按照所述每个站点的部署优先级，对所述第一网络进行改造。

例如，第二网络在第一网络的基础之上共增加了4个站点，站点A、站点B、站点C以及站点D，经过预测，站点A能够消除的问题栅格为3个，站点B能够消除的问题栅格为4个，站点C能够消除的问题栅格为1个，站点D能够消除的问题栅格为2个，那么按照每个站点能够消除的问题栅格的个数从大到小依次为站点B、站点A、站点D、站点C，按照这个顺序，应该先部署站点B，后部署站点A，再部署站点D，最后部署站点C。

可选地，若某一个站点部署之后，已经消除了所有的问题栅格，那么可以无需再部署后续站点，即在上述例子中，先部署了站点B，再部署站点A，若在站点A部署之后，经过计算已经没有问题栅格了，那么可以不用再部署站点C和站点D。这样，能够以较少的站点数量进行网络部署，网络部署的复杂度较低。

作为一个可选的实施例，所述KQI包括视频业务的下载速率、视频业务的初缓时延以及视频业务的视频平均意见得分vMOS中的至少一种。

图4是根据本申请实施例的网络部署方法的示意性流程图。应理解，该方法400可以应用于图1所示的通信系统100和/或图2所示的网络架构200，但本申请实施例不限于此。还应理解，该方法400可以由任何具有数据处理功能的设备执行，可选地，该设备可以为计算机，但本申请实施例对此不作限定。

S410，确定样本数据，所述样本数据包括第一网络的KQI以及所述第一网络的网络基础信息，所述第一网络的网络基础信息包括所述第一网络的话统数据、所述第一网络的测量报告以及所述第一网络的工参数据中的至少一种；

S420，采用机器学习算法对所述样本数据进行处理，获得规划预测模型，所述规划预测模型用于对待部署的第二网络的KQI进行预测。

具体地，可以获得第一网络的样本数据，包括第一网络的KQI以及第一网络的网络基础信息，采用机器学习算法对第一网络的样本数据进行训练，获得用于对待部署的第二网络的KQI进行预测的规划预测模型。应理解，该规划预测模型可以表示为自变量为网络基础信息，因变量为KQI的函数，即KQI＝f(网络基础信息)。

作为一个可选的实施例，在所述采用机器学习算法对所述样本数据进行处理，获得所述规划预测模型之前，所述方法还包括：

根据所述样本数据，确定所述第一网络的KQI与所述第一网络的网络基础信息之间的对应关系；

确定所述第一网络的KQI的经纬度信息；

根据所述第一网络的KQI的经纬度信息以及所述第一网络的KQI与所述第一网络的网络基础信息之间的对应关系，确定所述样本数据与所述第一网络的多个栅格之间的对应关系。

具体地，在采用机器学习算法对样本数据进行处理之前，可以先对样本数据进行预处理，主要可以包括数据源关联、地理定位以及数据栅格化三个步骤。应理解，样本数据中会存在大量历史KQI以及大量历史网络基础信息，首先需要将样本数据中的KQI与网络基础信息进行关联，并确定每个KQI的地理位置，例如，经纬度信息，再根据地理位置，确定关联后的样本数据与多个栅格之间的对应关系。

可选地，可以在样本数据中进行特征选择，即经过分析选取与KQI相关程度较高的部分特征，将其他特征剔除掉，从而便于后续的机器学习，但本申请实施例对此不作限定。

作为一个可选的实施例，所述采用机器学习算法对所述样本数据进行处理，获得所述规划预测模型，包括：

采用多个候选机器学习算法对所述样本数据进行处理，获得多个候选规划预测模型；

根据模型评价指标，从所述多个候选规划预测模型中确定所述规划预测模型，所述模型评价指标包括拟合优度、均方根误差以及模型精度中的至少一个。

应理解，模型评价指标可以包括模型判定系数(又称为拟合优度)、均方根误差、模型精度等，还可以包括其他指标，本申请实施例对此不作限定。

下面结合一个具体的实施例对本申请实施例进行详细地说明。应理解，本申请实施例主要分为模型训练和模型应用两个部分。

图5示出了本申请实施例的网络部署方法的示意性流程图。首先介绍模型训练部分。

在S510中，通过机器学习算法对第一网络的样本数据进行处理，训练得到KQI与网络基础信息之间的规划预测模型；

具体地，可以利用机器学习算法，挖掘第一网络的网络基础信息，例如覆盖、干扰、容量、激活用户数等，与第一网络的KQI之间的映射关系，得到函数KQI＝f(网络基础信息)。以下，为了不失一般性，采用LTE网络中的视频用户体验指标vMOS进行举例说明。

具体的模型训练过程如图6所示：

S610，数据预处理

数据预处理可以包括多数据的关联、地理化定位及数据栅格化三个步骤，通过对样本数据进行关联，构建样本的不同维度的特征向量，经过地理化定位和栅格化处理，实现对数据的规整处理。

样本数据可以包括视频业务话单数据、话统数据、测量报告MR以及工参数据中的至少一个。具体地，视频业务话单数据可以包括路测的视频业务话单，或者基于探针的用户级的视频业务话单，例如，KQI、端到端时延(end to end round-trip time，E2E_RTT)等指标；话统数据可以包括无线侧相关参数，例如，小区级的激活用户数；测量报告MR是终端反馈给网络侧的无线信息，例如，主服务小区的电平强度、信道质量、业务级资源块被使用个数RB_Used等；工参数据是指无线网络中小区的物理特征，例如，小区发射功率。应理解，上述样本数据还可以包括其他能够反映网络情况的数据，本申请实施例对此不作限定。

(1)数据关联

数据关联主要是为了将不同种类且相关的数据进行关联处理，对于上述视频业务话单数据、话统数据、测量报告MR以及工参数据均存在的情况，需要执行如下操作。

a)将视频业务话单与MR进行关联

设T为时间冗余，T为大于0的数，默认为5s，若视频业务话单的国际移动用户识别码(International Mobile Subscriber Identification Number，IMSI)与MR中的IMSI相同，那么可以将该视频业务话单与该MR进行关联。

可选地，进行关联的数据应满足下列公式：

视频业务话单的开始时间-T<MR的上报时间<视频业务话单的结束时间+T

b)将视频业务话单与话统数据进行关联

具体地，若满足下列关联条件，可以将视频业务话单与话统数据进行关联：

视频业务话单的小区标识符(E-UTRAN cell identifier，ECI)与话统数据中的ECI相同；和/或

视频业务话单的开始时间和结束时间落在话统数据的统计周期内。

c)将视频业务话单与工参数据进行关联

具体地，若视频业务话单的ECI与工参数据的ECI相同，可以将视频业务话单与工参数据进行关联。

(2)地理定位

具体地，可以获取每个视频业务话单的地理信息，若视频业务话单是通过路测方式得到的，那么视频业务话单中应包含各自的地理信息，可以直接从视频业务话单中获取；若视频业务话单是采用探针方式得到的，那么需要通过MR地理定位技术获取每个视频业务话单的地理信息。应理解，地理信息可以为经纬度信息，本申请实施例对此不作限定。

(3)数据栅格化

将每个视频业务话单的经纬度进行栅格化处理，栅格的规格可以是预设的，例如，可以为50*50米，具体地，可以确定每个栅格的标识，例如ID号，再给属于同一栅格的视频业务话单分配同一栅格的ID号，也可以将属于同一个栅格的视频业务话单的经纬度用该栅格的左上角的经纬度替代，本申请实施例对此不作限定。

S620，数据清洗

在对样本数据进行训练之前，可以先对噪声数据和异常数据进行清洗，从而提升预测模型的精度。主要清洗方法可以包括：清洗空值数据、清洗离数据中心点较远的异常数据以及清洗超出具体业务的实际取值的数据等等，本申请实施例对此不作限定。

S630，特征选择

(1)基于视频业务特征，获取与业务体验指标可能相关的特征变量；

(2)通过皮尔逊相关系数，分析第一步获取的特征值与视频业务体验指标vMOS的相关系数，剔除相关程度低的特征变量；

(3)逐一分析(2)中获取的特征变量的特征分布情况，剔除方差较小的特征变量；

(4)通过梯度提升树(gradient boosting decision tree，GBDT)算法，分析(3)获取的特征变量与视频业务体验指标vMOS的重要系数，剔除重要系数低的特征变量。

通过上述步骤，最终可以选择出与视频业务体验vMOS相关程度最高的主要影响因素。

S640，模型训练及精度验证

在这一步骤中，可以先确定多个候选机器学习算法，例如，随机森林算法、梯度提升算法、支持向量机算法等等，通过迭代对比不同的候选机器学习算法的学习效果，最终选择模型评价指标最好的算法作为最终采用的机器学习算法。可选地，最终的机器学习算法可以是随机森林算法。

对于多个候选机器学习算法的学习效果，可以采用模型评价指标进行评价，具体地，可以随机从最初的样本数据中抽取70％的数据作为训练数据，30％的数据作为测试数据，来验证模型的精度。

上述模型评价指标可以包括拟合优度R2、均方根误差(root-mean-square error，RMSE)以及模型精度Model Accuracy中的至少一个，下面分别针对这三个模型评价指标进行分析。

(1)拟合优度R2

R2又称模型判定系数，R2越趋近于1，表示预测值和真实值越接近，但为使风险最小，R2不易过大。R2很少会有小于0的情况，如果R2小于0，则表示预测数据比真实数据的均值小，反映到真实值与预测值的散点图上，则基本上是水平线。在上述公式中，

为第i个预测值，

为真实值y的平均值，y_i为第i个预测值。

(2)均方根误差RMES

其中，RMSE为预测值与真实值的均方根误差，同一指标在不同算法、不同数据处理的过程中计算得到的RMSE越小越好。

(3)模型精度Model Accuracy

模型精度Model Accuracy表示精度小于或等于某一阈值(即预测值和真实值之间的相对误差小于或等于某一阈值)的样本在所有样本中所占的比例，例如，可以设置预测值和真实值之间的相对误差小于或等于0.3的样本在所有样本中所占的比例大于0.7的模型即为达标。精度可以理解为预测值和真实值之间的相对误差，此处不再赘述。应理解，上述0.3和0.7仅仅为一种示例性说明，在实际应用中，还可以设置其他数值，本申请实施例对此不作限定。

S650，从多个候选预测模型中，选取R2大、RMSE小的模型作为最终的规划预测模型。

在一种具体的实现方式中，可以优先比较模型精度Model Accuracy，在满足模型精度Model Accuracy的要求下，再优先选择R2较大的模型，在R2相同的情况下，再选择RMSE较小的模型，但本申请实施例对此不作限定。

可选地，也可以设置阈值，在上述多个候选规划预测模型的模型评价指标满足阈值的情况下，选取其作为最终的规划预测模型，若上述多个候选规划预测模型的模型评价指标均不满足阈值，可以执行S610，重新对样本数据进行处理并训练。

经过上述的机器学习算法的训练，得到了最终的规划预测模型，下面介绍该规划预测模型的应用。

在S520中，将仿真获得的数据，即待部署的第二网络的网络基础信息，作为规划预测模型的输入，得到的输出结果即为第二网络的KQI的预测值；

在S530中，确定预测得到的KQI是否达标，即是否满足预设的用户需求；

在S540中，若该第二网络的KQI达标，确定即将部署该第二网络；

在S550中，若该第二网络的KQI未达标，对第二网络进行优化，获取新的第二网络以及新的第二网络的仿真数据，输入到规划预测模型中进行KQI的预测，直到KQI达标为止。

上述训练模型与应用模型两部分的执行主体可以为不同的装置，也可以为相同的装置，本申请实施例对此不作限定。

本申请实施例的网络部署方法，通过利用样本数据以及机器学习算法训练规划预测模型，再利用规划预测模型对待部署网络进行KQI的预测，在待部署网络的KQI满足用户需求的情况下再对该网络进行部署，能够避免部署后的网络无法满足用户需求的情况出现，有利于提高网络部署的效率，从而有利于在提高用户体验的同时，提高运营商的投资收益。

应理解，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

上文中结合图1至图6，详细描述了根据本申请实施例的网络部署方法，下面将结合图7至图10，详细描述根据本申请实施例的网络部署装置。

图7示出了本申请实施例提供的生成网络部署装置700，该装置700包括：

确定单元710，用于确定待部署的第二网络的网络基础信息，所述第二网络的网络基础信息包括所述第二网络的话统数据、所述第二网络的测量报告以及所述第二网络的工参数据中的至少一种；

所述确定单元710还用于：

根据所述第二网络的网络基础信息以及规划预测模型，确定所述第二网络的关键质量指示KQI，所述规划预测模型用于表示所述第二网络的网络基础信息与所述第二网络的KQI之间的映射关系；

部署单元720，用于在所述第二网络的KQI满足用户需求的情况下，部署所述第二网络。

本申请实施例的网络部署装置，通过规划预测模型对待部署网络进行KQI的预测，在待部署网络的KQI满足用户需求的情况下再对该网络进行部署，能够避免部署后的网络无法满足用户需求的情况出现，有利于提高网络部署的效率，从而有利于在提高用户体验的同时，提高运营商的投资收益。

可选地，所述规划预测模型是根据第一网络的KQI以及所述第一网络的网络基础信息确定的，所述部署单元720具体用于：对所述第一网络进行改造，获得所述第二网络。

可选地，所述装置还包括：划分单元，用于在所述确定待部署的第二网络的网络基础信息之前，将所述第一网络按照经纬度划分成多个栅格；所述确定单元710还用于：根据所述第一网络内所述多个栅格中的每个栅格的KQI，从所述多个栅格中确定至少一个问题栅格，所述至少一个问题栅格为KQI不满足所述用户需求的栅格；所述装置还包括：规划单元，用于根据所述至少一个问题栅格，对所述第一网络进行规划，获得所述第二网络，所述规划包括增加站点、减少站点和移动站点中的至少一种。

可选地，所述确定单元710具体用于：根据所述第二网络内所述多个栅格中的每个栅格的网络基础信息以及所述规划预测模型，确定所述第二网络内所述多个栅格中的每个栅格的KQI；根据所述第二网络内所述多个栅格中的每个栅格的KQI，确定所述第二网络内的至少一个站点中的每个站点能够消除的所述问题栅格的个数；按照所述每个站点能够消除的所述问题栅格的个数，确定所述每个站点的部署优先级；所述部署单元720具体用于：按照所述每个站点的部署优先级，对所述第一网络进行改造。

可选地，所述KQI包括视频业务的下载速率、视频业务的初缓时延以及视频业务的视频平均意见得分vMOS中的至少一种。

应理解，这里的装置700以功能单元的形式体现。这里的术语“单元”可以指应用特有集成电路(application specific integrated circuit，ASIC)、电子电路、用于执行一个或多个软件或固件程序的处理器(例如共享处理器、专有处理器或组处理器等)和存储器、合并逻辑电路和/或其它支持所描述的功能的合适组件。在一个可选例子中，本领域技术人员可以理解，装置700可以具体为计算机，装置700可以用于执行上述方法实施例300中的各个流程和/或步骤，为避免重复，在此不再赘述。

图8示出了本申请实施例提供的另一网络部署装置800，该装置800包括：

确定单元810，用于确定样本数据，所述样本数据包括第一网络的KQI以及所述第一网络的网络基础信息，所述第一网络的网络基础信息包括所述第一网络的话统数据、所述第一网络的测量报告以及所述第一网络的工参数据中的至少一种；

处理单元820，用于采用机器学习算法对所述样本数据进行处理，获得规划预测模型，所述规划预测模型用于对待部署的第二网络的KQI进行预测。

本申请实施例的网络部署装置，通过利用样本数据以及机器学习算法训练规划预测模型，以便于利用该规划预测模型对待部署网络的KQI进行预测，在待部署网络的KQI满足预设条件的情况下，再对该待部署网络进行部署，有利于提高网络部署的效率，从而有利于在提高用户体验的同时，提高运营商的投资收益。

可选地，所述确定单元810还用于：在所述采用机器学习算法对所述样本数据进行处理，获得所述规划预测模型之前，根据样本数据，确定所述第一网络的KQI与所述第一网络的网络基础信息之间的对应关系；确定所述第一网络的KQI的经纬度信息；根据所述第一网络的KQI的经纬度信息以及所述第一网络的KQI与所述第一网络的网络基础信息之间的对应关系，确定所述样本数据与所述第一网络的多个栅格之间的对应关系。

可选地，所述处理单元820具体用于：采用多个候选机器学习算法对所述样本数据进行处理，获得多个候选规划预测模型；所述确定单元810还用于：根据模型评价指标，从所述多个候选规划预测模型中确定所述规划预测模型，所述模型评价指标包括拟合优度、均方根误差以及模型精度中的至少一个。

应理解，这里的装置800以功能单元的形式体现。这里的术语“单元”可以指应用特有集成电路(application specific integrated circuit，ASIC)、电子电路、用于执行一个或多个软件或固件程序的处理器(例如共享处理器、专有处理器或组处理器等)和存储器、合并逻辑电路和/或其它支持所描述的功能的合适组件。在一个可选例子中，本领域技术人员可以理解，装置800可以具体为计算机，装置800可以用于执行上述方法实施例400中的各个流程和/或步骤，为避免重复，在此不再赘述。

图9示出了本申请实施例提供的另一网络部署装置900。该装置900包括至少一个处理器910、存储器920和通信接口930；所述至少一个处理器910、所述存储器920和所述通信接口930均可以通过总线连接；

所述存储器920，用于存储计算机执行指令；

所述至少一个处理器910，用于执行所述存储器920存储的计算机执行指令，使得所述装置900可以通过所述通信接口930与其他装置进行数据交互来执行上述方法实施例提供的信息处理方法。

其中，该至少一个处理器910用于执行以下操作：

确定待部署的第二网络的网络基础信息，所述第二网络的网络基础信息包括所述第二网络的话统数据、所述第二网络的测量报告以及所述第二网络的工参数据中的至少一种；

在所述第二网络的KQI满足用户需求的情况下，部署所述第二网络。

可选地，所述规划预测模型是根据第一网络的KQI以及所述第一网络的网络基础信息确定的，该至少一个处理器910具体用于：对所述第一网络进行改造，获得所述第二网络。

可选地，该至少一个处理器910还用于：在所述确定待部署的第二网络的网络基础信息之前，将所述第一网络按照经纬度划分成多个栅格；根据所述第一网络内所述多个栅格中的每个栅格的KQI，从所述多个栅格中确定至少一个问题栅格，所述至少一个问题栅格为KQI不满足所述用户需求的栅格；根据所述至少一个问题栅格，对所述第一网络进行规划，获得所述第二网络，所述规划包括增加站点、减少站点和移动站点中的至少一种。

可选地，该至少一个处理器910具体用于：根据所述第二网络内所述多个栅格中的每个栅格的网络基础信息以及所述规划预测模型，确定所述第二网络内所述多个栅格中的每个栅格的KQI；根据所述第二网络内所述多个栅格中的每个栅格的KQI，确定所述第二网络内的至少一个站点中的每个站点能够消除的所述问题栅格的个数；按照所述每个站点能够消除的所述问题栅格的个数，确定所述每个站点的部署优先级；所述部署单元720具体用于：按照所述每个站点的部署优先级，对所述第一网络进行改造。

应理解，装置900可以具体为计算机，并且可以用于执行上述方法实施例300中对应的各个步骤和/或流程。

图10示出了本申请实施例提供的另一网络部署装置1000。该装置1000包括至少一个处理器1010、存储器1020和通信接口1030；所述至少一个处理器1010、所述存储器1020和所述通信接口1030均可以通过总线连接；

所述存储器1020，用于存储计算机执行指令；

所述至少一个处理器1010，用于执行所述存储器1020存储的计算机执行指令，使得所述装置1000可以通过所述通信接口1030与其他装置进行数据交互来执行上述方法实施例提供的信息处理方法。

其中，该至少一个处理器1010用于执行以下操作：

确定样本数据，所述样本数据包括第一网络的KQI以及所述第一网络的网络基础信息，所述第一网络的网络基础信息包括所述第一网络的话统数据、所述第一网络的测量报告以及所述第一网络的工参数据中的至少一种；

采用机器学习算法对所述样本数据进行处理，获得规划预测模型，所述规划预测模型用于对待部署的第二网络的KQI进行预测。

可选地，该至少一个处理器1010还用于：在所述采用机器学习算法对所述样本数据进行处理，获得所述规划预测模型之前，根据样本数据，确定所述第一网络的KQI与所述第一网络的网络基础信息之间的对应关系；确定所述第一网络的KQI的经纬度信息；根据所述第一网络的KQI的经纬度信息以及所述第一网络的KQI与所述第一网络的网络基础信息之间的对应关系，确定所述样本数据与所述第一网络的多个栅格之间的对应关系。

可选地，该至少一个处理器1010具体用于：采用多个候选机器学习算法对所述样本数据进行处理，获得多个候选规划预测模型；根据模型评价指标，从所述多个候选规划预测模型中确定所述规划预测模型，所述模型评价指标包括拟合优度、均方根误差以及模型精度中的至少一个。

应理解，装置1000可以具体为计算机，并且可以用于执行上述方法实施例400中对应的各个步骤和/或流程。

应理解，在本申请实施例中，至少一个处理器可以包括不同类型的处理器，或者包括相同类型的处理器；处理器可以是以下的任一种：中央处理器(central processingunit，CPU)、ARM(advanced RISC machines)处理器、现场可编程门阵列(fieldprogrammable gate array，FPGA)、专用处理器等具有计算处理能力的器件。一种可选实施方式，该至少一个处理器还可以集成为众核处理器。

存储器可以是以下的任一种或任一种组合：随机存取存储器(random accessmemory，RAM)、只读存储器(read only memory，ROM)、非易失性存储器(non-volatilememory，NVM)、固态硬盘(solid state drives，SSD)、机械硬盘、磁盘、磁盘整列等存储介质。

通信接口用于本装置与其他设备之间的数据交互。通信接口可以是以下的任一种或任一种组合：网络接口(例如，以太网接口)、无线网卡等具有网络接入功能的器件。

可选地，本申请实施例中的装置还可以包括总线。该总线可以包括地址总线、数据总线、控制总线等，为便于表示，在图9至图10中用一条粗线表示该总线。总线可以是以下的任一种或任一种组合：工业标准体系结构(industry standard architecture，ISA)总线、外设组件互连标准(peripheral component interconnect，PCI)总线、扩展工业标准结构(extended industry standard architecture，EISA)总线等有线数据传输的器件。

在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件单元组合执行完成。软件单元可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器执行存储器中的指令，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。

应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

另外，本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

应理解，在本申请实施例中，“与A相应的B”表示B与A相关联，根据A可以确定B。但还应理解，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其它信息确定B。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本申请实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易向到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims

1.一种网络部署方法，其特征在于，包括：

根据所述第二网络内多个栅格中的每个栅格的网络基础信息以及规划预测模型，确定所述每个栅格的关键质量指示KQI，所述规划预测模型用于表示所述第二网络的网络基础信息与所述第二网络的KQI之间的映射关系；

根据所述每个栅格的KQI，确定所述第二网络内的至少一个站点中的每个站点能够消除的问题栅格的个数；

在所述第二网络的KQI满足用户需求的情况下，按照所述每个站点的部署优先级，对第一网络进行改造以获得所述第二网络。

2.根据权利要求1所述的方法，其特征在于，所述规划预测模型是根据所述第一网络的KQI以及所述第一网络的网络基础信息确定的。

3.根据权利要求2所述的方法，其特征在于，所述问题栅格为KQI不满足所述用户需求的栅格，在所述确定待部署的第二网络的网络基础信息之前，所述方法还包括：

将所述第一网络按照经纬度划分成多个栅格；

根据所述第一网络内所述多个栅格中的每个栅格的KQI，从所述多个栅格中确定至少一个所述问题栅格；

4.根据权利要求1至3中任一项所述的方法，其特征在于，所述KQI包括视频业务的下载速率、视频业务的初缓时延以及视频业务的视频平均意见得分vMOS中的至少一种。

5.一种网络部署装置，其特征在于，包括：

确定单元，用于确定待部署的第二网络的网络基础信息，所述第二网络的网络基础信息包括所述第二网络的话统数据、所述第二网络的测量报告以及所述第二网络的工参数据中的至少一种；

所述确定单元还用于：

按照所述每个站点能够消除的所述问题栅格的个数，确定所述每个站点的部署优先级；部署单元，用于按照所述每个站点的部署优先级，对第一网络进行改造以获得所述第二网络。

6.根据权利要求5所述的装置，其特征在于，所述规划预测模型是根据所述第一网络的KQI以及所述第一网络的网络基础信息确定的。

7.根据权利要求6所述的装置，其特征在于，所述问题栅格为KQI不满足用户需求的栅格，所述装置还包括：

划分单元，用于在所述确定待部署的第二网络的网络基础信息之前，将所述第一网络按照经纬度划分成多个栅格；

所述确定单元还用于：

所述装置还包括：

规划单元，用于根据所述至少一个问题栅格，对所述第一网络进行规划，获得所述第二网络，所述规划包括增加站点、减少站点和移动站点中的至少一种。

8.根据权利要求5至7中任一项所述的装置，其特征在于，所述KQI包括视频业务的下载速率、视频业务的初缓时延以及视频业务的视频平均意见得分vMOS中的至少一种。