CN107864478B - 数据驱动的推出规划优化方法 - Google Patents
数据驱动的推出规划优化方法 Download PDFInfo
- Publication number
- CN107864478B CN107864478B CN201710771454.2A CN201710771454A CN107864478B CN 107864478 B CN107864478 B CN 107864478B CN 201710771454 A CN201710771454 A CN 201710771454A CN 107864478 B CN107864478 B CN 107864478B
- Authority
- CN
- China
- Prior art keywords
- network
- cells
- mobile network
- data
- deriving
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/02—Resource partitioning among network components, e.g. reuse partitioning
- H04W16/04—Traffic adaptive resource partitioning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- 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
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/0289—Congestion control
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
- Telephonic Communication Services (AREA)
Abstract
提供了数据驱动的推出规划优化方法。一种用于提供针对包括多个小区的扇区的移动网络(100)的优化的网络推出计划(101)的方法包括:从若干网络计数器收集数据(A)的第一步骤,之后是为数据业务确定可用网络资源的数据分析步骤(B),其进一步包括使用概率质量函数(PMF)和累积分布函数(CDF)建模以便评估存在于所述扇区中的用户的可实现的数据吞吐量可以是多少的拥塞检测子步骤(B1),其中所述拥塞检测子步骤(B1)进一步涉及小区之间的至少一个载波聚合(CA)场景,并且通过将基于所有可能的小区连接配置概率而加权的聚合CDF曲线(g)的预定义的百分位数与预定义的最小吞吐量水平(Tm)进行比较来检测拥塞情况(Cs)。
Description
技术领域
本发明涉及用于移动电信营运者(carrier)并且尤其用于蜂窝网络运营商的推出(roll-out)规划的领域。
背景技术
现今,诸如流式传输服务或数据下载之类的带宽消耗应用越来越多地被忙个不停的人在公共场所中或者在使用公共运输工具时使用。此外,用于工作目的的比如VPN(虚拟专用网)的远程访问解决方案也被长距离和/或在乘车上下班时行进的人广泛地使用,并且他们热衷于在任何可能的时间下载大量数据,所述大量数据包括每个的大小达到几兆字节的电子邮件的附件。因此,越来越多的数据业务通过移动网络生成,并且既要求扩大的覆盖范围以便允许普适计算,又要求改进的网络容量以提供永久可靠的数据通信。
对于游牧使用,无线LAN技术(也被称为WLAN)相当普遍以提供通过所谓的WiFi连接的高速因特网访问。这就是为什么每个智能电话、平板计算机和膝上型计算机现在装配有用于因特网连通性的这样的无线接口的原因。然而,所谓的“热点”区域(在那里这样的类型的连接可用)的范围被限于最多约一百米,并且在实践中由于定界墙壁和地面的衰减被降至室内约100平方米的大小。因此,它们的使用通常被限于宾馆、餐馆、商店等等。此外,没有预知在邻近区域之间的切换,因此没有留下用于移动性支持的空间。
相比之下,主要意图用于同步语音信道建立的大规模移动蜂窝网络提供这样的移动性支持,但是迄今为止不适于普遍的高速数据连接。现在随着示出好得多的带宽能力的诸如3G和4G(比如UMTS<E)之类的新蜂窝技术的出现,网络覆盖范围和容量二者可以被改进,并且这样的移动网络的范例从仅同步语音业务支持显著转变成增强的覆盖范围以及用于数据业务的进一步带宽供应,在这些类型的网络可用时作为对WLAN网络的补充,并且否则作为对WLAN网络的替代。然而因此,这些移动网络的容量也受到挑战。
为了跟上来自消费者的此不间断的增长的需求的步调,移动网络运营商不断地推出新的网络设备,使得可以满足他们的预期。然而,以最低可能成本的网络容量的最大化是非常困难的运用,因为大多数相关增量变化(诸如添加新的基站)不仅大大影响覆盖范围和容量,而且当然同时显著影响预算考虑,因为这些网络元件及其相关构造成本是最大的资本支出。另一方面,从技术人员收集的执行更多较小调整的实际经验可能证明是不太有效的。
因此,提出了依靠当前业务数据的用于推出规划的数据驱动模型,其涉及利用可用网络计数器数据并且顾及严格的预算约束考虑。
预测性算法的任务将是确定在特定小区上(即通过特定的载波频率)针对数据业务可能如何向用户提供服务,其取决于连接至所述特定小区的用户的当前数目。该算法可以首先通过排除语音业务来确定可用于这样的业务的物理资源块的数量,并且然后使用概率质量函数建模来评估对于小区中的用户而言可实现的数据吞吐量应该是多少。然后,通过计算累积分布函数,并且为被提供最差服务的用户设置较低的吞吐量边界,可确定是否可能根据载波的标准用好的质量为这些用户提供服务,并且否则采取适当的重新定尺寸的度量。
如果预测性算法能够做载波聚合(CA),则它可能变得甚至更有用。载波聚合技术现在在新一代无线技术上相当普遍,并且除了别的之外在比如LTE的新4G标准上可用。因此,从这样的算法导出的针对包括多个小区的扇区的技术建议可以被改进,或者至少将有助于全面优化用于使移动网络升级的任何推出规划,因为所提出的基于小区的建模可能在新的用户想要在给定物理位置处连接至移动网络时对于评估实际上将如何向他提供服务而言更加现实。
因此,存在对用于还能够考虑这些发展、特别是载波聚合的移动网络营运者的推出规划方法的需要。
发明内容
本发明旨在为支持载波聚合且产生具有提高的准确度的数据业务预测的移动营运者提供进一步优化的推出规划方法。
本发明的另一目的是为支持较宽范围的加权参数以便较好地细化技术建议的移动营运者提供进一步优化的推出规划方法。
为此,本发明涉及一种用于提供针对包括装配有多个小区的扇区的移动网络的优化的网络推出计划的方法,每个小区以它自己的相应载波频率工作,该方法包括:
- 从若干网络计数器收集数据的第一步骤,之后是
- 为数据业务确定可用网络资源的数据分析步骤,所述数据分析步骤进一步包括使用概率质量函数(PMF)和累积分布函数(CDF)建模以便评估存在于所述扇区中的用户的可实现的数据吞吐量可以是多少的拥塞检测子步骤。拥塞检测子步骤进一步涉及小区之间的至少一个载波聚合(CA)场景,并且通过将基于所有可能的小区连接配置概率而加权的聚合CDF曲线的预定义的百分位数(percentile)与预定义的最小吞吐量水平进行比较来检测拥塞情况。
由要求保护的解决方案授予的优点是它可被用来包括较宽广范围的建模场景,以用于现在以逐个扇区为基础通过聚合的度量来评估如何向存在于物理位置处的用户提供服务。因此,以更好的精度来定义存在于物理位置处的用户的可允许的数据吞吐量,以协调的方式来预测容量调整,而仍单独地执行每个小区的微调。
根据一个优选实施例,依靠所测得的负载均衡特征以逐个小区为基础识别痛点。这使得有可能在执行推出规划时将以用于每个扇区的模块化方式的改进作为目标。
根据另一优选实施例,然后将基于所有可用小区之间的负载均衡特征在网络上识别的痛点标注为覆盖范围问题或容量问题。这使得有可能将所有可用技术解决方案修整成仅其相关子集,并且因此有可能在执行推出规划时使整体处理大大容易。
根据另一优选实施例,基于订阅类型来定义对应于用户简档(profile)的服务类别,并且针对每个扇区上的每个用户简档计算可实现的吞吐量。因此,网络定尺寸可以完美地匹配根据以逐个简档为基础导出的模式的业务约束。
根据另一优选实施例,所提出的推出规划方法进一步涉及依靠由移动营运者设置的扇区值且依靠痛点严重性的后续优先化步骤。该优先化步骤进一步帮助细化和优化推出规划。
根据另一优选实施例,所提出的推出规划方法进一步涉及成本估计步骤,其包括资本和运营支出二者。可以优选地在优先化步骤之后执行该成本估计步骤以便鉴于预定义的预算约束来验证规定的建议,以使得网络所有权的整体总成本被并行地最小化。
根据另一优选实施例,所提出的推出规划方法进一步涉及业务增长预测方案以便微调推出的时间线。当与例如依靠按类型的新订阅预期的服务类别区分方案组合时,然后还可以依靠关于用户简档的整体业务增长的分布来调整推出的时间线。
因此,所提出的推出规划方法有效地使用移动网络的计数器,以便对应该在哪里使用技术、何时使用技术以及使用哪个技术以便以最低可能成本来最大化受监视的移动网络的容量提出建议。
参考图示本发明的优选实施例的绘图,在下面的详述描述中讨论旨在优化移动网络的推出的其他有利特征。将理解,关于这些优选实施例中的每个的有利特征可以被单独或组合地采取以用于实现本发明。
附图说明
现在将参考附图更详细地描述本发明,在附图中:
图1图示根据本发明的优选实施例的所提出的用于优化的推出规划的方法的一系列步骤。
图2a示出从在具有两个小区的载波聚合场景中用于每个小区的网络计数器及其组合导出的累积分布函数曲线,以及用于吞吐量阈值比较和业务拥塞分析的聚合累积分布函数曲线。
图2b示出与前面图2a上相同的累积分布函数,但是现在其中重点在每个小区对负载均衡分析的贡献上。
具体实施方式
在移动蜂窝网络中,被分成一个或多个扇区的物理位置通常被称为站点。通常3个扇区中的每个都跨过120°,以便提供各向同性的服务能力。然后每个扇区被定义为由一个或多个小区覆盖的站点周围的物理区域,所述小区即使用特定载波和技术通过一个或多个天线元件向扇区提供服务的网络元件。
在下文中,将针对涉及LTE技术(长期演进、4G移动标准)以及两个小区的站点来描述优选的推出规划优化方法,所述两个小区分别以800MHz和1800MHz的相应载波频率工作且分别具有以它们的载波中心频率为中心的10MHz和20MHz的带宽。然而,该优选实施例及有关其的所有特征被给出仅作为示例,并且不应该以限制性的方式来解释;特别地,鉴于下面的解释将领会到,所提出的算法使用的公式也已经被扩展到包括多于两个小区的扇区,通常附加的第三小区以2100MHz的载波频率工作,并且还可以进一步扩展到以2600MHz的载波频率工作的第四小区,等等,由此于是可以对可用载波频率中的任何载波频率执行载波聚合,不管在每个载波频率上可用的带宽(NB:针对LTE作为示例给出的中心频率是纯指示性的,并且所提出的算法将对任何其他中心频率类似地起作用)。
图1是示出一系列优选步骤(A)到(F)的示意图,所述步骤用于实现本发明的所提出的用于优化的推出规划的方法,针对移动网络100(优选地是蜂窝移动网络100)产生改进的推出计划101。因为移动网络的每个扇区向其运营支撑系统(OSS)周期性地发送计数器数据集合,所以所提出的方法在第一数据收集步骤(A)中使用这些计数器的供应输入参数的子集,并且然后在后续数据分析步骤(B)中处理它们以便以逐个扇区为基础来评估用户的可实现的吞吐量是多少。在第一拥塞检测子步骤(B1)中,它根据载波的质量标准来确定是否足够的吞吐量将可用于被提供最差服务的用户;然后在进一步的痛点识别子步骤(B2)中,准确地定位起初涉及的小区(只要可能),并且最后在第三所谓的痛点分类子步骤(B3)中,针对该被识别的小区出现的问题的种类,即它主要关于容量还是覆盖范围,是辅助设置。当如覆盖范围问题或容量问题的这样的标注可能时,后续动作建议步骤(D)被大大简化,因为不相关的技术选项已经被修整为该分析步骤(B)的输出。
实际上,作为示例,可以从下面的列表之中选取在检测到拥塞时可采取的可能动作:
- 在区域中安装新的室外宏站点
- 向给定扇区添加新的小区
- 扩展给定小区上的带宽
- 添加天线元件
- 在区域中安装新的室内小小区
- 在区域中安装新的室外小小区
- 在给定扇区中的现有小区之间执行负载均衡调整。
在所有这些提出的技术选项之中,一些实质上针对覆盖范围(例如新的室内小小区的安装),而其他实质上针对容量(例如在现有扇区上添加新的小区),并且因此解决——被标注为覆盖范围或容量的——一个类型的问题的解决方案仅可以在试图解决另一类型的问题时被忽视。
因此,还依靠例如扇区值(例如火车站,在那里通常生成许多业务,以及对移动营运者在服务质量方面的名声非常重要的其他类似的关键地点)以及取决于已经建立的资源的稀缺水平的问题的严重性简化了后续优先化步骤(E)。
然后通过在最后的所谓的成本估计步骤(F)中考虑在资本支出(也被称为CAPEX,涉及新的网络材料(诸如天线)等的获取)以及运营支出(也被称为OPEX,主要针对人力和维护成本)方面的预算约束来产生最优推出计划101。然后,从将发现最关键且紧急的动作的列表顶部开始向下分配预算,直到预算被耗尽为止。
迄今为止还没有被考虑用于优化推出计划(101)的一个方面是最后期限的设置和调整。实际上,迄今为止,由网络计数器提供的数据被假定是目前数据,并且因此既不提供关于业务演进的任何历史观点也不提供为了预测网络业务将在短期和中期内如何演进的任何推断方案。在增长预测步骤(C)中精确地解决如何处理时间线,该增长预测步骤(C)的功能是推算通常在接下来的6个、12个和24个月内的网络数据;然后数据分析步骤(B)以及其所有子步骤(B1、B2、B3)被反复做,这允许以精细粒度为推出设置最后期限,连同在每个阶段处的最好的可能的技术选项。在图1上,通过从增长预测步骤(C)回到数据分析步骤(B)的反馈环路而具体化数据分析步骤(B)的反复做。稍后在该文档中详述关于增长预测方案建模的优选示例以便进一步优化推出规划。
在下文中,提到资源元素(RE)(其对应于经定义的数量的时间-频率资源)以及由RE集合组成的物理资源块(PRB)(其对应于到用户的最小可分配资源)和信道质量指示符(CQI)(其通过指示每个RE可以发送的位的数目来指示用户和给定小区之间的无线电信道质量)。在LTE中设置成1ms的传输时间间隔(TTI)对应于用于一个用户的最小调度时间。下面在这里定义的公式是意在实现根据本发明的推出规划过程的优选实施例的数据分析步骤(B),其中现在针对吞吐量估计考虑载波聚合(CA)技术,在该载波聚合(CA)技术中用户可以组合两个或更多小区的资源。
仍参考图1,为了提供将用作在本发明的框架内实现的算法的输入参数的数据,使用八个不同的网络计数器:
1. 第一计数器c1,对小区中每个TTI的总可用PRB的每日数目进行计数;
2. 第二计数器c2,对该小区中总用户的每日数目进行计数;
3. 第三计数器c3,对该小区中活跃用户的每日数目进行计数;
4. 第四计数器c4,对VoLTE(即通过LTE的语音)所使用的PRB的每日数目进行计数;
5. 第五计数器c5,对CQI的平均每日分布进行计数;
6. 第六计数器c6,对支持CA和一定数目的辅助小区的用户的每日数目进行计数;
7. 第七计数器c7,对支持CA的用户之中的配置有一定数目的辅助小区的用户的每日数目进行计数;
8. 第八计数器c8,对被要求发送语音或数据的TTI的每日数目进行计数。
在该数据分析步骤期间用作用于运行被推出规划方法采取的算法的输入的参数如下:
- 每个TTI的总PRB数(Total PRBs per TTI):在一个TTI内小区中可用PRB的总数目,其仅是小区的带宽的函数(例如对于10MHz是50PRB/TTI,对于20MHz是100PRB/TTI)。该值由第一计数器c1返回;
- VoLTE PRB数(VoLTE PRBs):小区中的用于VoLTE业务的PRB的数目。该输入值由第四计数器c4例如在QCI(即服务质量(QoS)类别标识符)的帮助下返回。实际上,通常语音业务在网络上被重优先化,因为其对延迟和抖动非常敏感,并且因此被指定最高可能的优先级(即:QCI=1)。因此,仅有必要测量标记有该服务类别——并且更一般而言,有关语音业务的所有可能的服务类别(即通常QCI 1和5)——的全部业务;
- 总UE数(Total UEs):小区中用户的总数目。该输入值由第二计数器c2返回;
- 活跃TTI数(Active TTIs):在观察时段期间——通常每日——实际上发送数据或语音的TTI的总数目,因此忽视最终未使用的TTI。该输入值由第八计数器c8返回;
- 每个TTI的活跃UE数(Active UEs per TTI):在一个TTI内小区中的活跃用户的平均数目,“活跃”意味着数据在正被发送或等待被发送给这样的用户的过程中。通过使由第三计数器c3返回的值除以由第八计数器c8返回的值来获得该输入值;
- 不能够CA的UE数(CA non capable UEs):小区中的不支持CA并且因此每次仅可以被连接至一个小区的用户的数目;
- 能够CA的UE数(CA capable UEs):小区中的支持CA的用户的数目,如在本示例中关于至少两个小区,但是可能关于更多小区(3、4……)。该输入值由第六计数器c6返回;
- 能够&被配置CA的UE数(CA capable & configured UEs):其是小区中的支持CA的用户的数目的子集。它表示小区中的不仅能够使用CA而且被配置成使用CA的用户的数目。该输入值由第七计数器c7返回;
- 能够但未被配置CA的UE数(CA capable not configured UEs):该输入值由两个前面的计数器c6 & c7产生,作为小区中实际上能够CA但未被配置成使用CA的用户的数目;
- 小区中CQI的概率质量函数(PMF):
这些输入值是从由第五计数器c5提供的可用数据导出的。
为了评估如何向给定小区C i 的用户提供服务,首先通过排除语音业务来计算该小区中每个TTI可用于数据的PRB的数目,如下面的公式(1)中所解释的:
然后,如在下面的公式(2)中那样计算小区C i 中每个TTI的当前存在于小区C i 中的用户可以预期用于数据的PRB的数目:
并且最后,基于由公式(2)产生的值,通过下面的公式(3)导出存在于使用小区C=C i 的扇区中的用户的可实现的吞吐量的PMF,在这里Rt参数对应于归因于并非通过无线电发送的所有位都被正确地接收到的事实的校正因数。Rt因此对应于块误码率(BLER)并且通常被估计在10%左右。
其中:
为了提供由存在于站点上的用户所实现的平均吞吐量的更现实的估计,该站点的扇区装配有利用不同载波覆盖相同区域的多个小区且不只单个小区C i ,所提出的推出规划方法现在将CA结合在新的概率建模中。
在扇区具有分别以第一载波频率L1和第二载波频率L2工作的2个小区C i 和C j 的情况下,对于用户而言存在3个可能配置:
(i)用户仅被连接至小区C i
(ii)用户仅被连接至小区C j
(iii)使用CA,用户被连接至C i 和C j 二者。
对应于配置场景(i)的下面的公式(4)给出扇区中的用户仅被连接至小区C i 的概率
当然,类似的公式(4)将适用于配置场景(ii)的小区C j 。
就配置场景(iii)而言,下面的公式(5)给出扇区中的用户被连接至C i+ C j 的概率:
进一步地,下面的公式(6)给出使用两个小区C i 、C j 的扇区中的用户的可实现的吞吐量的PMF:
其中:
扇区中的用户的可实现的吞吐量的PMF对应于所有3个可能配置的聚合,因此提供根据下面的公式(7)的更准确且现实的建模,其实际上是上面在这里提及的公式(3)的修改版本,现在考虑CA并且将通过前面的公式(4)和(5)产生的每个场景的概率作为权重w。
其中:
然后将扇区中被提供最差服务的用户中的一些的吞吐量定义为扇区中所有用户的可实现吞吐量的PMF的低百分位数(percentile)Pe,并且如果所获得的值位于确定是否出现拥塞的预定义的最小吞吐量水平Tm以下则相应地提出建议,如鉴于在下文中讨论的图2a进一步解释的。在当前描述的优选实施例中,该低百分位数Pe被设置成0.1(即10%),如在下面的公式(9)中所示。
因此,因为在上面的公式(9)中所定义的PMF吞吐量中的任何的累积分布函数(CDF)都是由下面的公式(10)定义的:
所以公式(9)可以被再用公式表示为下面的公式(11):
现在转向图2a,其示出了根据上面的公式计算的预期吞吐量的CDF曲线,针对以第一载波频率L1——对于LTE而言通常为800MHz——工作的第一小区C i 描绘了第一曲线f1,针对以第二载波频率L2——对于LTE而言通常为1800MHz——工作的第二小区C j 描绘了第二曲线f2,第三曲线f3对应于C i 和C j 二者之间的载波聚合,并且最后通过经由应用公式(7)以及公式(4)和(5)的权重w对前三个曲线进行加权而获得第四所谓的聚合曲线g。
通过将公式(11)应用于聚合曲线g,简单地通过检测对应于CDF=0.1值的水平线何时与该聚合曲线g相交来获得低端吞吐量。用粗体黑色着重号将根据所描绘的示例产生9.33Mbps的吞吐量的该点具体化。为了解释该值,有必要将其与根据所说明的实施例设置成10Mbps的预定最小吞吐量水平Tm进行比较。对于下载数据而言并且甚至对于视频流式传输而言,这样的阈值被认为是合理的。然后可以通过将所获得的低端吞吐量值与该最小吞吐量水平Tm进行比较而容易地使拥塞情况Cs可视化:如果Thr < Tm,则检测到拥塞。因此,在图2a上,出现拥塞,因为所产生的9.33Mbps的低端吞吐量值实际上低于10Mbps的预置边界。根据其他替代实施例,最小吞吐量水平Tm可以被设置成其他阈值,并且百分位数也可以被设置成其他比率;然而可以领会到,所选取的百分位数值越低连同所设置的最小吞吐量水平Tm的值越高,确保的服务质量就越好。
仍在图2a中,由叉号而不是着重号指示的所有其他CDF曲线f1、f2 & f3的其他吞吐量针对0.1的CDF值分别读数是2.93Mbps、8.84 Mbps和18.09 Mbps,但是还不具有与现实的统计建模对应的任何意义,不同于与低端服务场景对应的聚合曲线g的9.33Mbps的吞吐量;这些吞吐量值仅指示针对单独采取的场景(i)、(ii)和(iii)中的每个可以达到多少低端吞吐量。
通过将所产生的由图2a的粗体着重号点指示的低端吞吐量值——在这里是9.33Mbps——与最小吞吐量水平Tm比较而进行的拥塞情况Cs的检测可以被视为前面在图1中图示的数据分析步骤(B)的第一拥塞检测子步骤(B1)。当所计算出的粗体着重号点发现自身在位于与图2a中描绘的最小吞吐量水平Tm对应的垂直线的左边的虚线区中时,发生这样的拥塞情况Cs。依靠聚合曲线g的所获得的低端吞吐量与最小吞吐量水平Tm之间的差异,或者这两个值之间的比率,也可以确定拥塞水平,这可能对在后续步骤(诸如图1中图示的优先化步骤(E))中采取的动作进行优先化有帮助。在目前详述的示例中,9.33的吞吐量接近10Mbps,使得拥塞水平不显著。相比之下,假如通过根据所提出的方法的计算返回5Mbps的吞吐量,则拥塞水平可以被视为严重。
根据本发明的推出规划方法的优选实施例,数据分析步骤(B)的接下来的子步骤是在下面鉴于图2b以及以下公式(12)、(13)和(14)进一步解释的痛点识别子步骤(B2)。
其中,如下定义每个贡献:
聚合曲线g的在图2a中可见并且在图2b中也可见的具有0.1的CDF的粗体着重号点实际上是通过将由前面的公式(4)&(5)产生的权重w应用于曲线f1、f2 和f3获得的。在图2b中可见的叉号指示被公式(13)使用的CDF值。
于是,然后如下定义2个小区的贡献的比率r:
根据下面的公式(15)来确定痛点PP:
其中b参数对应于均衡比率,在这里被选取为等于1.25。换言之,如果两个小区C i &C j 的贡献的比率被包括在0.8到1.25内,即接近1,则认为这两个小区被拥塞问题等同地影响。否则,有可能准确地定位两个小区C i 和C j 中的哪一个最受影响。换言之,痛点识别子步骤(B2)可能指示在各小区之间拥塞问题是否是均衡的,并且否则指示哪个小区最受涉及。因此,作为该痛点识别子步骤(B2)的结果,在该阶段集中于要针对在后续动作建议步骤(D)期间分析的每个扇区的特定小区采取的度量已经可以是可能的。
如果可以在痛点识别子步骤(B2)期间识别出特定小区,则根据所描述的优选实施例提出数据分析步骤(B)的另一有利分类子步骤(B3),以便将这些痛点(PP)分类成子种类,并且进一步修整要在后续动作建议步骤(D)期间考虑的用来解决拥塞问题的相关技术选项。
特别地,如果痛点PP不是均衡的并且因此涉及给定小区,例如小区C i ,则痛点分类子步骤(B3)如下确定所检测到的问题是关于覆盖范围还是容量:
其中小区中的用户在室内或在小区边缘处的概率被定义为:
在上面的公式(17)中,通过测量将本来可以在所涉及的小区上潜在地使用CA但实际上由于其无线电状况而没有使用CA的用户的数目之间的比率来估计差覆盖范围(badcoverage)的概率。在公式(16)中将该比率与通常被设置成在20%左右的PCov边界百分比进行比较,以便确定对于所涉及的痛点而言最关键问题是覆盖范围(cov)还是容量(cap)。
因此,痛点分类子步骤(B3)允许通过仍将载波聚合(CA)包括为建模参数来将痛点(PP)标注为覆盖范围问题或容量问题。可用技术选项的附加修整进一步简化后续建议步骤(D)的处理。根据变体实施例,在痛点识别子步骤(B2)中使用的输入参数b(均衡比率)和在痛点分类子步骤(B3)中使用的PCov(差覆盖范围的边界概率)可以被调整到不同水平,这取决于技术选项的过滤被试图如何执行。所设置的均衡比率b越接近1,准确地定位各个小区并且执行其后续分类就变得越容易;于是,所设置的差覆盖范围Pcov的边界概率越高,将面向容量解决的技术建议就越多。
如前面已经提及的,尽管进一步鉴于图2a和2b针对数据分析步骤(B)给出的详述示例仅涉及以两个载波频率工作的2个小区的事实,但是所公开的方法也可扩展到涉及使用CA的相同原理以其他相应载波工作的附加小区的场景,例如以第三载波频率L3——对于LTE而言通常是2100MHz——工作的第三小区C k ,以及以第四载波频率L4——对于LTE通常是2600MHz——工作的第四小区C l ,等等。
假定对于支持CA的给定技术而言可能同时多路复用随机数目的载波,即同时还超过两个,于是具有例如使用这样的技术的三个小区的扇区的场景将是:
(i)用户连接到小区1 C i
(ii)用户连接到小区2 C j
(iii)用户连接到小区3 C k
(iv)用户连接到小区1+小区2 C i +C j
(v)用户连接到小区1+小区3 C i +C k
(vi)用户连接到小区2+小区3 C j +C k
(vii)用户连接到小区1+小区2+小区3 C i +C j +C k 。
然后将通过使所有这些CDF与是这些场景(i)至(vii)之一的配置的概率的对应权重组合,即Pr(Conf = (i)-(vii)),通过从附加网络计数器取得其他输入并且调整所涉及的公式——例如(4)和(5),获得聚合的CDF曲线。然后将通过比较CDF聚合曲线的——通常也是0.1的——所选百分位数是否低于预定义的最小吞吐量水平Tm——通常仍是10Mbps,类似地获得拥塞检测。
然后,在已执行该第一拥塞检测子步骤(B1)之后,将通过也如前面那样根据公式(12)、(13)和(14)计算每个小区的贡献来类似地设置用于痛点识别的触发点。然后,将计算两个比率:小区1和小区2 (C i &C j )的贡献之间的第一比率以及小区1和小区3 (C i & C k )的贡献之间的第二比率,而不是仅一个比率r。然后,我们再次使用相同的阈值1.25和0.8——即通过应用均衡比率b的相同值——以便识别触发点。痛点(PP)配置可以如下:
- 仅一个小区被识别:当一个小区的贡献高于其他2个时。在该情况下,可以进一步执行后续分类子步骤(B3)以便确定该被识别的小区主要因覆盖范围问题还是容量问题而被涉及到;
- 两个小区被识别:当两个小区的贡献高于第三个但在它们之间均衡时;在该情况下,执行两个进一步的计算以简化判定过程;并且最后如前面那样,
- 当所有三个小区的贡献类似时的均衡情况,在该情况下不进行进一步的计算步骤。
针对四载波场景或更多将进行相同的原理和公式调整,对于其,在数据分析步骤(B)期间,相同的子步骤序列(B1、B2、B3)将适用,痛点分类步骤(B3)仍然服从前面的痛点识别子步骤(B2)的结果。
根据图1中图示的优选实施例,还将可能的是,在本发明的框架内考虑用户的订阅类型以便分离数据流和针对每个类别的用户做出有区别的计算。实际上,一些移动营运者要求依靠订阅类型来提供各种水平的最大数据吞吐量(例如针对小包“S”最大1Mbps,针对中等包“M”最大10Mbps,以及针对大包“L”最大30Mbps);因此,认为不管用户的订阅类别如何应该在所有用户之间等同地分配所有网络资源将是不现实的或者甚至不公平的。因此,提出在本发明的框架内将订阅种类映射到各种服务类别,以便依靠这些种类来提供有区别的网络资源分配方案。例如,使用LTE技术,不管用户的QCI数据种类如何,语音相关业务总是被用QCI类别1和5来标记。在前面的计算中,总是在计算数据吞吐量曲线之前从载波的可用资源移除语音相关业务;然后,与任何QCI数据类别无关地在活跃用户之间等同地划分剩余资源,即可用于数据业务的资源——参见例如在本文档中较早引入的公式(1)。因此,每个载波仅产生一个聚合吞吐量曲线。图1中标注“S”、“M”和“L”的箭头背后的想法指示通过每个QCI数据类别(例如被映射到订阅类型“S”的类别9,被映射到订阅类型“M”的类别8,以及被映射到订阅类型“L”的类别7)计算一个聚合吞吐量分布以便每一个QCI数据类别产生一个低端吞吐量值来分离针对每个订阅类型的数据流的可能性。这样,移动载波的资源将被考虑到其优先级而分配给每个QCI数据类别,从而使得所提供的用于为扇区中的用户评估预期吞吐量的统计建模甚至更现实。甚至可以领会到,涉及QoS类别分割的这样的业务建模也可以被应用于独立采用的单个小区,并且不一定被应用于具有多个小区的扇区,因为该QoS分割不服从任何CA技术的使用。
因为另外的原因,考虑订阅类型的这样的建模是进一步有利的,第一原因是它使得有可能还依靠每个数据类别来调整最小吞吐量水平Tm以便进一步微调推出规划。在计算预期的低端吞吐量时考虑订阅类型的另一基本优点是它允许针对增长预测来改进计算,并且因此还允许对推出计划(尤其涉及时间线)的更好微调。实际上,每个订阅类型的用户的数目可能显著地变化,使得根据其关键质量的加权可能高度相关(例如到目前为止通常最畅销的订阅类型是中等“M”)以在可被用来估计趋势的历史计数器数据之上推断业务增长预测,所述趋势例如活跃用户的数目在固定时间滑动窗口(例如过去的6个月或12个月)内以速率X/周的线性增长速率。
在图1中图示的步骤(C)中的未来低端吞吐量值的预测还可以基于未来计数器值(在这里为c1到c8)的预测,而每个计数器的未来值的预测基于该计数器的历史(过去)值,从其导出趋势。重要的是注意,计数器的历史值的分析可以产生不一定线性的趋势:它们也可以是指数的、对数的等。此外,计数器的历史值包括扰动(disruption)。这样的扰动可能使得趋势的估计是不精确的,或者在极端情况下是完全错误的。
存在两个类型的扰动:临时的和永久的。临时扰动是持续有限时间段的罕见事件,在该有限时间段期间计数器值是异常且非典型的。临时扰动的示例包括圣诞节-新年的时段(延续约两周)、暑假(通常覆盖七月和八月),以及网络元件的故障(持续非常有限的时间段,例如一个小时)。相比之下,永久扰动是在一时间点发生的网络配置中的根本改变并且保持在该新状态中。永久扰动的示例包括区域中新网络元件的部署,或者新的大型购物中心的开张。
历史计数器值中的这两个类型的扰动可能负面地影响预测步骤(C);因此,根据优选实施例,预测步骤(C)首先检测扰动,并且然后将扰动分类为是一个类型或另一个类型的,并且然后处理这些扰动以便移除其影响,从而使得预测结果更精确。
根据又一优选实施例,临时扰动的处理涉及针对预测步骤(C)部分地或完全地忽视该类型的扰动。部分忽视意味着被认为受临时扰动影响的数据样本被指定较低的重要性,并且因此被(例如通过乘以系数0.2而不是1)相应地加权,而具有正常重要性的所有其他样本没有被加权。完全忽视将意味着加权系数将被选取为等于0,以使得受临时扰动影响的数据样本将被完全忽略。
相比之下,永久扰动决不应该被忽视,并且进一步设置历史数据分析的时间边界。实际上,当在计数器的历史数据中检测到永久扰动时,发生永久扰动的时间优选地设置从目前到前面的时间限制(直到其为止分析可能及时往后退)的时间窗口。这意味着用来估计计数器的趋势的数据分析仅考虑在最后的永久扰动之后的样本,可是没有考虑在该扰动之前的样本。就增长预测步骤(C)而言,不仅QCI类别分割和扰动检测可能有用,如在前面的段落中所解释的,而且网络设备配置数据的使用可能有用以使得业务增长预测更精确。实际上,鉴于网络设备配置数据,有可能确定主要的配置改变(例如扇区中的新载波、区域中的新扇区、传输功率中的改变等)发生的最后时间,并且仅自作为起始点的该主要改变进行回顾以用于趋势估计,因此使得数据更精确得多。这些设备配置数据是由(除了网络计数器之外)图1上表示的所谓的其他数据源102返回的其他输入的部分。
还可以领会到,在本发明的框架内,也可以利用由图1中表示的这些其他数据源102供应的其他相关输入,比如网络-和用户-生成的事件跟踪,以便在网络设备配置数据之上进一步优化推出规划过程。实际上,在没有事件跟踪的情况下,所计算的所有结果都与扇区的整个地理区域相关;因此,不可能关于扇区的任何特定部分做出声明或得出任何结论,仅将扇区作为一个整体。使用用户-生成的事件跟踪(其是由每个单独的用户报告的事件),将有可能例如通过应用三边测量算法来定位在扇区内的特定地理区域上具有特殊焦点的结果。然后将能够将不同类型的热点识别为扇区区域内的子痛点,例如在其处可以安装附加的小小区。
尽管所描述的推出规划优化方法的优选实施例涉及LTE蜂窝移动网络的扇区,但是本领域普通技术人员将理解,该推出规划方法也可以被应用于支持载波聚合技术(包括其他代蜂窝网络、其他载波频率)并且还可能包括IEEE标准(比如WLAN、WiMAX等)的任何移动网络技术。
还将理解,所使用的网络计数器可以被设置成提供不同于每日比率(rate)的输入,尤其以便将网络容量调整到峰值时间,其中例如15分钟或者每小时比率将是最适当的。
最后但同样重要的,应该注意,在不脱离本发明的范围的情况下,作为对考虑存在于物理位置处的用户的可实现的吞吐量的代替,所提出的主要意图提供对整个扇区的现实吞吐量估计和拥塞检测评估以便支持推出规划的计算方案也可以被应用于为进入该同一物理位置的新用户计算吞吐量。实际上,最初的等式(1)&(2)将要求仅较小的改变,以便表达如下事实:然后将试图鉴于可用于数据业务的现有资源来确定新用户可能如何被边缘地(marginally)提供服务而不是计算扇区中所有当前用户之间的平均值。
参考列表&首字母缩略词
A | 数据收集步骤 |
B | 数据分析步骤 |
B1 | 拥塞检测子步骤 |
B2 | 痛点识别子步骤 |
B3 | 痛点分类子步骤 |
C | 增长预测步骤 |
D | 动作建议步骤 |
E | 优先化步骤 |
F | 成本估计步骤 |
b | 均衡比率 |
c1 | 第一网络计数器 |
c2 | 第二网络计数器 |
c3 | 第三网络计数器 |
c4 | 第四网络计数器 |
c5 | 第五网络计数器 |
c6 | 第六网络计数器 |
c7 | 第七网络计数器 |
Ci | 小区标识符 |
f1 | 对应于第一载波频率的第一曲线 |
f2 | 对应于第二载波频率的第二曲线 |
f3 | 对应于第一&第二载波频率二者的第三曲线 |
g | 聚合曲线 |
l1 | 第一载波频率 |
l2 | 第二载波频率 |
l3 | 第三载波频率 |
l4 | 第四载波频率 |
L | “大”订阅包 |
M | “中等”订阅包 |
Tm | (通过载波预置的)吞吐量最小水平 |
Cs | 拥塞情况 |
Pe | 用于计算的PMF的低百分位数 |
Pcov | 差覆盖范围的概率的下边界 |
q | CQI 值 |
Rt | 误块率 |
S | “小”订阅包 |
w | 加权参数 |
100 | 移动网络 |
101 | 推出计划 |
102 | 除了网络计数器之外的其他数据源 |
CA | 载波聚合 |
Cap | 容量 |
CDF | 累积分布函数 |
Cov | 覆盖范围 |
CQI | 信道质量指示符 |
LTE | 长期演进(4G移动技术标准) |
PMF | 概率质量函数 |
PP | 痛点 |
PRB | 物理资源块 |
QCI | 服务质量(QoS)类别标识符 |
RE | 资源元素 |
Thr | 吞吐量 |
TTI | 传输时间间隔 |
UE | 用户设备 |
VoLTE | 通过LTE的语音 |
Claims (13)
1.一种用于使用包括装配有多个小区的扇区的载波聚合来推出移动网络(100)的方法(101),所述方法包括:
- 从与所述多个小区中的两个或更多个小区相关联的多个网络计数器收集数据(A);
- 基于最小吞吐量水平(Tm)和聚合累积分布函数CDF(g)来检测(B1)网络拥塞情况(Cs),其中所述聚合CDF(g)取决于所述多个网络计数器;
- 在所述两个或更多个小区当中识别(B2)实现所述拥塞情况(Cs)的一个或多个小区;
- 针对所述所识别的一个或多个小区中的每一个确定(B3)是容量(PP-cap)还是覆盖痛点(PP-cov)与所述拥塞情况(Cs)相关联。
2.根据权利要求1所述的用于推出移动网络(100)的方法(101),其中所述扇区包括至少三个小区(C i 、C j 、C k ),并且其中假定载波聚合(CA)技术支持随机数目的载波频率的多路复用。
3.根据权利要求1或2所述的用于推出移动网络(100)的方法(101),其中在所述两个或更多个小区当中识别(B2)实现所述拥塞情况(Cs)的一个或多个小区的步骤在于痛点识别子步骤,且涉及小区之间贡献的至少一个比率(r)与均衡比率(b)的比较。
4.根据权利要求3所述的用于推出移动网络(100)的方法(101),其中确定(B3)是容量(PP-cap)还是覆盖痛点(PP-cov)与所述拥塞情况(Cs)相关联的步骤在于痛点分类子步骤,且计算差覆盖范围的概率、将该计算出的差覆盖范围的概率与预定义的下边界概率(PCoV)进行比较,并且相应地导出针对所述小区的覆盖范围或容量问题标注。
5.根据权利要求1或2所述的用于推出移动网络(100)的方法(101),其中检测(B1)网络拥塞情况(Cs)进一步根据不同的用户简档计算不同的聚合CDF曲线,其中每个用户简档对应于一个订阅类型并且每个订阅类型被映射到特定服务类别上。
6.根据权利要求5所述的用于推出移动网络(100)的方法(101),其中所述移动网络(100)所使用的技术是LTE并且所述服务类别是QCI类别。
7.根据权利要求1或2所述的用于推出移动网络(100)的方法(101),进一步包括基于历史计数器数据的增长预测步骤(C)。
8.根据权利要求7所述的用于推出移动网络(100)的方法(101),其中所述增长预测步骤(C)进一步涉及作为输入参数的网络设备配置数据。
9.根据权利要求7所述的用于推出移动网络(100)的方法(101),其中所述增长预测步骤(C)进一步包括基于历史计数器数据的演进的扰动检测步骤,由此随后将所述扰动分类为临时的或永久的,由此临时扰动被至少部分地忽视,而永久扰动为趋势估计设置时间窗。
10.根据权利要求1或2所述的用于推出移动网络(100)的方法(101),进一步包括后续的包括技术选项的列表的动作建议(D)的步骤,其中根据确定(B3)是容量(PP-cap)还是覆盖痛点(PP-cov)与所述拥塞情况(Cs)相关联的结果来修整技术选项的所述列表。
11.根据权利要求10所述的用于推出移动网络(100)的方法(101),进一步包括按照估价方案和/或拥塞水平加权的后续优先化步骤(E)。
12.根据权利要求1或2所述的用于推出移动网络(100)的方法(101),进一步包括后续成本优化步骤(F)。
13.根据权利要求1或2所述的用于推出移动网络(100)的方法(101),特征在于其进一步使用网络-和用户-生成的事件跟踪以便细化何处发生拥塞的定位信息。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP16189931.5A EP3300411B1 (en) | 2016-09-21 | 2016-09-21 | Data-driven roll-out planning optimization method |
EP16189931.5 | 2016-09-21 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107864478A CN107864478A (zh) | 2018-03-30 |
CN107864478B true CN107864478B (zh) | 2021-08-17 |
Family
ID=57017966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710771454.2A Active CN107864478B (zh) | 2016-09-21 | 2017-08-31 | 数据驱动的推出规划优化方法 |
Country Status (4)
Country | Link |
---|---|
US (6) | US10299141B2 (zh) |
EP (2) | EP3300411B1 (zh) |
JP (1) | JP6445108B2 (zh) |
CN (1) | CN107864478B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3300411B1 (en) * | 2016-09-21 | 2018-12-12 | Swisscom AG | Data-driven roll-out planning optimization method |
WO2019233589A1 (en) * | 2018-06-07 | 2019-12-12 | Telefonaktiebolaget Lm Ericsson (Publ) | Method and network agent for cell assignment |
CN111132208A (zh) * | 2018-10-30 | 2020-05-08 | 上海华为技术有限公司 | 一种容量预测方法以及容量预测装置 |
US11290917B2 (en) * | 2020-05-07 | 2022-03-29 | At&T Intellectual Property I, L.P. | Apparatuses and methods for estimating throughput in accordance with quality of service prioritization and carrier aggregation to facilitate network resource dimensioning |
US11463901B2 (en) | 2020-05-07 | 2022-10-04 | At&T Intellectual Property I, L.P. | Apparatuses and methods to facilitate load-aware radio access network resource allocations |
US11399306B1 (en) * | 2020-10-01 | 2022-07-26 | T-Mobile Innovations Llc | Dynamic enablement of user specific features in a dual connectivity network |
CN113645000B (zh) * | 2021-07-05 | 2023-06-23 | 暨南大学 | 一种面向m2m通信的短包传输方法 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6097956A (en) * | 1997-10-24 | 2000-08-01 | Nortel Networks Corporation | Accurate calculation of the probability of outage for the CDMA reverse link |
US7142523B1 (en) * | 2000-07-31 | 2006-11-28 | Lucent Technologies Inc. | Methods and apparatus for design, adjustment or operation of wireless networks using pre-frequency-assignment optimization |
US6801776B2 (en) * | 2000-09-28 | 2004-10-05 | Telefonaktiebolaget Lm Ericsson (Publ) | Systems and methods for dimensioning a wireless communication system |
GB2367970B (en) * | 2000-10-09 | 2004-01-21 | Ericsson Telefon Ab L M | Network topologies |
DE10251993B4 (de) * | 2002-11-06 | 2012-09-27 | Actix Gmbh | Verfahren und Vorrichtung zur Optimierung von zellularen drahtlosen Nachrichtennetzen |
US20060174164A1 (en) * | 2005-02-01 | 2006-08-03 | General Electric Company | Methods, systems, and computer program products for implementing condition monitoring activities |
JP4705115B2 (ja) * | 2005-02-07 | 2011-06-22 | ブリティッシュ・テレコミュニケーションズ・パブリック・リミテッド・カンパニー | ネットワーク監視 |
US8098590B2 (en) * | 2008-06-13 | 2012-01-17 | Qualcomm Incorporated | Apparatus and method for generating performance measurements in wireless networks |
JP5300710B2 (ja) * | 2009-12-14 | 2013-09-25 | 株式会社Kddi研究所 | サービス状態管理サーバおよび無線通信システム |
CN106160992B (zh) * | 2010-02-12 | 2020-07-03 | 交互数字专利控股公司 | 增强无线发射/接收单元的小区边缘性能的方法及网络 |
US9014091B2 (en) * | 2012-09-24 | 2015-04-21 | Intel Corporation | Network architecture for dual active personae cellular mobile devices |
IN2015DN02356A (zh) * | 2012-09-28 | 2015-09-04 | Ericsson Telefon Ab L M | |
WO2015087565A1 (ja) * | 2013-12-10 | 2015-06-18 | 日本電気株式会社 | 無線パラメータ制御装置、無線パラメータ制御方法、無線基地局および無線パラメータ制御プログラム |
JP2015119377A (ja) * | 2013-12-19 | 2015-06-25 | 日本電気株式会社 | 送信設定調整装置、移動局検出装置、無線通信システム、基地局装置、送信設定調整方法およびプログラム |
US9554359B2 (en) * | 2014-02-07 | 2017-01-24 | Apple Inc. | Dynamic antenna tuner setting for carrier aggregation scenarios |
EP3059891B1 (en) * | 2015-02-17 | 2020-06-10 | Samsung Electronics Co., Ltd | Method and apparatus for communication using a plurality of cells in a wireless communication system |
EP3300411B1 (en) * | 2016-09-21 | 2018-12-12 | Swisscom AG | Data-driven roll-out planning optimization method |
-
2016
- 2016-09-21 EP EP16189931.5A patent/EP3300411B1/en active Active
- 2016-09-21 EP EP18211752.3A patent/EP3477983B1/en active Active
-
2017
- 2017-08-31 CN CN201710771454.2A patent/CN107864478B/zh active Active
- 2017-09-12 US US15/702,279 patent/US10299141B2/en active Active
- 2017-09-21 JP JP2017181386A patent/JP6445108B2/ja active Active
-
2019
- 2019-05-20 US US16/416,771 patent/US10645594B2/en active Active
-
2020
- 2020-05-05 US US16/866,789 patent/US10887775B2/en active Active
-
2021
- 2021-01-05 US US17/141,559 patent/US11533635B2/en active Active
-
2022
- 2022-10-31 US US17/977,070 patent/US11716636B2/en active Active
-
2023
- 2023-07-31 US US18/228,107 patent/US20240031820A1/en active Pending
Non-Patent Citations (2)
Title |
---|
Management architecture for aggregation of heterogeneous systems and spectrum bands;HOLLAND OLIVER et al.;《IEEE COMMUNICATIONS MAGAZINE》;20160901;第230-234页 * |
Performance analysis of LTE-advanced networks in different spectrum bands;FOURAT HAIDER et al.;《WIRELESS ADVANCED(WIAD)》;20110620;第112-118页 * |
Also Published As
Publication number | Publication date |
---|---|
US20190335340A1 (en) | 2019-10-31 |
EP3477983A2 (en) | 2019-05-01 |
EP3300411B1 (en) | 2018-12-12 |
US20200267570A1 (en) | 2020-08-20 |
JP6445108B2 (ja) | 2018-12-26 |
US20210127276A1 (en) | 2021-04-29 |
EP3477983A3 (en) | 2019-06-19 |
CN107864478A (zh) | 2018-03-30 |
US10887775B2 (en) | 2021-01-05 |
US10645594B2 (en) | 2020-05-05 |
US11716636B2 (en) | 2023-08-01 |
US11533635B2 (en) | 2022-12-20 |
JP2018050295A (ja) | 2018-03-29 |
US20180084435A1 (en) | 2018-03-22 |
EP3300411A1 (en) | 2018-03-28 |
US10299141B2 (en) | 2019-05-21 |
EP3477983B1 (en) | 2020-06-03 |
US20240031820A1 (en) | 2024-01-25 |
US20230066688A1 (en) | 2023-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107864478B (zh) | 数据驱动的推出规划优化方法 | |
US10327159B2 (en) | Autonomous, closed-loop and adaptive simulated annealing based machine learning approach for intelligent analytics-assisted self-organizing-networks (SONs) | |
US9179363B2 (en) | Systems and methods for determining a coupling characteristic in a radio communications network | |
US10382979B2 (en) | Self-learning, adaptive approach for intelligent analytics-assisted self-organizing-networks (SONs) | |
US9392508B2 (en) | Methods and systems for admission control and resource availability prediction considering user equipment (UE) mobility | |
CN110730466B (zh) | 确定广播波束权值的方法及装置、网元及存储介质 | |
US11122467B2 (en) | Service aware load imbalance detection and root cause identification | |
CN104956709A (zh) | 物理小区标识的分配 | |
US8843148B2 (en) | Method and apparatus of communications | |
US10798537B2 (en) | Next generation fixed wireless qualification tool for speed-tier based subscription | |
WO2015054900A1 (zh) | 一种wlan的功率和信道联合配置的方法及装置 | |
CN107210852A (zh) | 通过预测平滑的传输块大小来控制应用的操作的系统和方法 | |
US11564117B2 (en) | User equipment based network capability scoring for wireless wide area network management | |
Robalo et al. | Economic trade-off in the optimization of carrier aggregation with enhanced multi-band scheduling in LTE-Advanced scenarios | |
WO2020215282A1 (en) | Method and apparatus for evaluate data traffic depressed by radio issues | |
WO2020088734A1 (en) | Method and recommendation system for providing an upgrade recommendation | |
US9226162B2 (en) | Spectrum division method, device, and system | |
Tiwana et al. | Self-organizing networks: A packet scheduling approach for coverage/capacity optimization in 4G networks using reinforcement learning | |
KR101902894B1 (ko) | Pci 자동 할당 방법 및 장치 | |
Tiwana | Enhancemant of the Statistical Learning Automated Healing (SLAH) technique using packet scheduling | |
Jiang et al. | Traffic Management in Heterogeneous Mobile Networks | |
Laiho et al. | Advanced Analysis Methods and Radio Access Network Autotuning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |