CN107995643B - 基于数据驱动的网元参数预测优化方法及装置 - Google Patents

基于数据驱动的网元参数预测优化方法及装置 Download PDF

Info

Publication number
CN107995643B
CN107995643B CN201810105818.8A CN201810105818A CN107995643B CN 107995643 B CN107995643 B CN 107995643B CN 201810105818 A CN201810105818 A CN 201810105818A CN 107995643 B CN107995643 B CN 107995643B
Authority
CN
China
Prior art keywords
network
parameter configuration
matrix
data
network element
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
Application number
CN201810105818.8A
Other languages
English (en)
Other versions
CN107995643A (zh
Inventor
曾柏森
牛宪华
陈思利
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.)
Chengdu Technological University CDTU
Original Assignee
Chengdu Technological University CDTU
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 Chengdu Technological University CDTU filed Critical Chengdu Technological University CDTU
Priority to CN201810105818.8A priority Critical patent/CN107995643B/zh
Publication of CN107995643A publication Critical patent/CN107995643A/zh
Application granted granted Critical
Publication of CN107995643B publication Critical patent/CN107995643B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • H04W24/06—Testing, supervising or monitoring using simulated traffic

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Telephonic Communication Services (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了基于数据驱动的网元参数预测优化方法及装置，构建包含网元、参数配置、网元性能的网络数据矩阵，利用矩阵分解预测网元在不同参数配置下的网元性能，根据预测网元性能优于实际性能的情况，推荐参数配置优化方案。本发明利用已有网元参数配置及其性能指标数据建模，自动学习网络优化“经验”，捕获网络数据的隐含特征和本质结构，预测网元在不同网络参数配置下的网络性能，在实际调整网元参数前了解网元性能可能的变化，并推荐可能的更优参数配置。此外，本发明提供了网元参数自动优化的新思路和方法，提高了网络优化的智能化水平。

Description

基于数据驱动的网元参数预测优化方法及装置
技术领域
本发明涉及移动网络优化领域，尤其涉及基于网元参数预测优化方法和装置。
背景技术
移动网络日益复杂，网络管理和优化的难度不断加剧。移动通信营商面临如何提高运维效率、控制运维和服务成本的巨大考验。传统移动网络优化主要依靠工程师经验，这些经验需要通过大量工作积累才能掌握，这种学习过程非常繁琐且难以共享。一些网络优化工具通过构建分析规则和定制判断标准实现了一定程度的网络优化自动化，但难以实现复杂程度更高的优化目标。
发明内容
为了解决上述问题，本发明提出基于数据驱动的网元参数预测优化方法及装置，构建包含网元、参数配置、网元性能的网络数据矩阵，利用矩阵分解预测网元在不同参数配置下的网元性能，根据预测网元性能优于实际性能的情况，确定推荐的参数配置方案。
具体的，一种数据驱动的网元参数预测优化方法，其特征在于，包括：
步骤101：网元数据整理，将网元数据整理形成网络数据矩阵；
步骤102：数据建模及预测，针对不同的网络数据矩阵，预测网元在不同参数配置下的性能指标；
步骤103：预测结果处理，汇总各项网络性能指标预测值，对比实际性能进行参数配置推荐。
作为一种优选，所述将网元数据整理形成网络数据矩阵包括如下步骤：
步骤201：在目标网络范围内，将数据采集时长以一定的时间颗粒度划分多个时间段，在每个时间段内采集网元的差异化配置参数和网络性能指标统计数据，形成网络数据集；
步骤202：将单个网元所涉及的配置参数作为一套参数配置，将采集到不同的网元参数配置套进行编号，用参数配置套编号替换原网络数据集中的参数配置，形成新网络数据集；
步骤203：按照不同的网络性能指标和时间段分割新网络数据集，每种网络性能指标在所选取的一个或多个时间段内形成一个网络数据矩阵，矩阵行是网元，矩阵列是参数配置套编号，对于选取一个时间段的情形，矩阵值是在所选取的一个时间段内该项网络性能指标，对于选取多个时间段的情形，矩阵值是将所选取的多个时间段内该项网络性能指标进行统计处理得到的结果，所述将所选取的多个时间段内该项网络性能指标进行统计处理包含但不限于求平均值、最小值或最大值。
作为一种优选，所述预测网元在不同参数配置下的性能指标的实现方式为：针对所选网络数据矩阵，利用矩阵分解将网络数据矩阵填充为满矩阵，形成网络数据预测矩阵；
所述矩阵分解方法包含但不限于潜在因子模型、LU分解、QR分解或奇异值分解。
作为一种优选，所述汇总各项网络性能指标预测值，对比实际性能进行参数配置推荐包括如下步骤：
步骤301：针对每个网络数据预测矩阵，筛选出预测性能优于实际性能或人为设定门限的参数配置套编号，形成一个网络参数配置套推荐子集；
步骤302：按照网元汇总全部网络数据预测矩阵的网络参数配置套推荐子集，将出现在所有网络参数配置套推荐子集中的参数配置套作为网元的参数配置优化方案。
作为一种优选，所述网元为各类通信计算机网元或移动通信基站小区；所述网元所涉及的配置参数包括但不限于基站小区参数、功能、告警、基站小区天线方位角、下倾角、网元操作频次、告警次数；所述网络性能指标包含但不限于RRC建立成功率、掉线率、切换成功率。
本发明还提出基于数据驱动的网元参数预测优化装置，其特征在于，包括数据获取模块、建模预测模块、参数配置推荐模块；
所述数据获取模块用于网元数据的获取和整理，将网元数据整理形成网络数据矩阵；
所述建模预测模块用于针对所选网络数据矩阵，利用矩阵分解将网络数据矩阵填充为满矩阵，形成网络数据预测矩阵，所述矩阵分解方法包含但不限于潜在因子模型、LU分解、QR分解或奇异值分解；
所述参数配置推荐模块用于对预测结果进行处理，汇总各项网络性能指标预测值，对比实际性能进行参数配置推荐。
作为一种优选，所述数据获取模块包括网元数据采集单元、参数配置套编号单元、网络数据矩阵生成单元；
所述网元数据采集单元用于在目标网络范围内，将数据采集时长以一定的时间颗粒度划分多个时间段，在每个时间段内采集网元的差异化配置参数和网络性能指标统计数据，形成网络数据集；
所述参数配置套编号单元用于将单个网元所涉及的配置参数作为一套参数配置，将采集到不同的网元参数配置套进行编号，用参数配置套编号替换原网络数据集中的参数配置，形成新网络数据集；
所述网络数据矩阵生成单元用于按照不同的网络性能指标和时间段分割新网络数据集，每种网络性能指标在所选取的一个或多个时间段内形成一个网络数据矩阵，矩阵行是网元，矩阵列是参数配置套编号，对于选取一个时间段的情形，矩阵值是在所选取的一个时间段内该项网络性能指标，对于选取多个时间段的情形，矩阵值是将所选取的多个时间段内该项网络性能指标进行统计处理得到的结果。
作为一种优选，所述网络数据矩阵生成单元还包括统计处理子单元，所述统计处理子单元用于对所选取的多个时间段内该项网络性能指标进行包括含但不限于求平均值、最小值或最大值的统计处理。
作为一种优选，所述参数配置推荐模块包括筛选单元和汇总单元；
所述筛选单元用于针对每个网络数据预测矩阵，筛选出预测性能优于实际性能或人为设定门限的参数配置套编号，形成一个网络参数配置套推荐子集；
所述汇总单元用于按照网元汇总全部网络数据预测矩阵的网络参数配置套推荐子集，将出现在所有网络参数配置套推荐子集中的参数配置套作为网元的参数配置优化方案。
作为一种优选，所述网元为各类通信计算机网元或移动通信基站小区；所述网元所涉及的配置参数包括但不限于基站小区参数、功能、告警、基站小区天线方位角、下倾角、网元操作频次、告警次数；所述网络性能指标包含但不限于RRC建立成功率、掉线率、切换成功率。
上述方法可以使用上述装置实现，也可以使用其他装置实现。
本发明的有益效果在于：
1. 本发明利用已有网元参数配置及其性能指标数据建模，自动学习网络优化“经验”，捕获网络数据的隐含特征和本质结构，预测网元在不同网络参数配置下的网络性能，在实际调整网元参数前了解网元性能可能的变化，并推荐可能的更优参数配置；
2. 基于机器算法提供了网络参数优化的新思路和方法，提高了网络的智能化水平，减少人工排查问题的工作量。
附图说明
图1是本发明实施例数据驱动的网元参数预测优化方法的整体技术方案示意图。
图2是本发明实施例数据驱动的网元参数预测优化方法中网络数据整理方法示意图。
图3是本发明实施例数据驱动的网元参数预测优化方法中数据建模及预测方法示意图。
图4是本发明实施例数据驱动的网元参数预测优化方法中预测结果处理方法示意图。
图5是本发明实施例基于数据驱动的网元参数预测优化装置结构图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图说明本发明的具体实施方式。
本发明提供的一种数据驱动的网元参数预测优化方法的具体实施例如图1所示，其步骤包括：
步骤101：网元数据整理，将网元数据整理形成网络数据矩阵；
步骤102：数据建模及预测，针对不同的网络数据矩阵，预测网元在不同参数配置下的性能指标；
步骤103：预测结果处理，汇总各项网络性能指标预测值，对比实际性能进行参数配置推荐。
作为一种优选实施例，将网元数据整理形成网络数据矩阵的方法如图2所示，具体包括如下步骤：
步骤201：在目标网络范围内，将数据采集时长以一定的时间颗粒度划分多个时间段，在每个时间段内采集网元的差异化配置参数和网络性能指标统计数据，形成网络数据集；
步骤202：将单个网元所涉及的配置参数作为一套参数配置，将采集到不同的网元参数配置套进行编号，用参数配置套编号替换原网络数据集中的参数配置，形成新网络数据集；
步骤203：按照不同的网络性能指标和时间段分割新网络数据集，每种网络性能指标在所选取的一个或多个时间段内形成一个网络数据矩阵，矩阵行是网元，矩阵列是参数配置套编号，对于选取一个时间段的情形，矩阵值是在所选取的一个时间段内该项网络性能指标，对于选取多个时间段的情形，矩阵值是将所选取的多个时间段内该项网络性能指标进行统计处理得到的结果。
其中，网络数据矩阵的示例如表1所示。表1示例为某实际运营的LTE本地网，数据采集时长1周，以小时作为时间颗粒度，统计各网元小时级的参数配置和性能指标，共有3168套网络参数配置(每套配置包含131个基站小区参数、55个功能、8种告警)，并将网络性能指标设定为RRC建立成功率，掉线率，切换成功率；对于RRC建立成功率这个指标，选取了1周内每天上午8：00到9：00的RRC建立成功率指标，将这7个时段的平均值填入到表1的矩阵中。
表1
网络数据矩阵(RRC建立成功率)
网元 参数配置1 参数配置2 参数配置3 参数配置4
网元1 99.30% 空值 99.00% 空值
网元2 空值 98.70% 空值 空值
网元3 99.70% 空值 空值 98.90%
作为一种优选实施例，在步骤203中，所述将所选取的多个时间段内该项网络性能指标进行统计处理包含但不限于求平均值、最小值或最大值。
作为一种优选实施例，所述预测网元在不同参数配置下的性能指标的实现方式为：针对所选网络数据矩阵，利用矩阵分解将网络数据矩阵填充为满矩阵，形成网络数据预测矩阵。上述处理中，可以选择对所有网络数据矩阵进行矩阵分解；也可以选择部分网络数据矩阵进行矩阵分解，仅针对几个选定的较为关键的网络性能指标进行相关计算处理，可以缩短计算时间，提高效率。
其中，网络数据预测矩阵的示例如表2所示。示例为表1的数据利用潜在因子模型(Latent Factor Model)对网络数据矩阵进行建模和预测得到的网络数据预测矩阵。
表2
网络数据预测矩阵(RRC建立成功率)
网元 参数配置1 参数配置2 参数配置3 参数配置4
网元1 99.30% 预测值1 99.00% 预测值2
网元2 预测值3 98.70% 预测值4 预测值5
网元3 99.70% 预测值6 预测值7 98.90%
作为一种优选实施例，其中矩阵分解方法包含但不限于潜在因子模型(LatentFactor Model)、LU分解(LU Decomposition)、QR分解或奇异值分解。这类矩阵分解方法在本发明中的实现方法与现有技术中推荐系统的推荐算法实现相类似，具体为：
（1）将网络数据矩阵拟分解为几个矩阵相乘的形式；
（2）将（1）中几个矩阵相乘的结果拟设为网络数据预测矩阵；
（3）求解损失函数的表达形式，即求解所有原网络数据矩阵中非空值与拟设的网络数据预测矩阵中对应值之间误差的平方之和。
（4）利用如梯度下降法等迭代方法求解使得损失函数达到最小并收敛的网络数据预测矩阵，得到表现为由几个矩阵相乘的形式的网络数据预测矩阵。
（5）将（4）得到的结果通过矩阵乘法计算得到网络数据预测矩阵。
作为一种优选实施例，汇总各项网络性能指标预测值，对比实际性能进行参数配置推荐包括如下步骤：
步骤301：针对每个网络数据预测矩阵，筛选出预测性能优于实际性能或人为设定门限的参数配置套编号，形成一个网络参数配置套推荐子集；
步骤302：按照网元汇总全部网络数据预测矩阵的网络参数配置套推荐子集，将出现在所有网络参数配置套推荐子集中的参数配置套作为网元的参数配置优化方案。
这个方案实际上就是对于同一网元，某一参数配置在各项网络性能指标的预测值均优于现网实际性能或人为设定门限，则该参数配置即为参数配置优化方案。
表3为网元的参数配置优化方案的示例，示例中某小区存在4种网络参数配置：网络参数配置113、网络参数配置2388、网络参数配置2643、网络参数配置2843，算法推荐的网络参数配置是2711，即网络参数配置2711在RRC建立成功率、掉线率、切换成功率的预测值均优于现网实际性。对比这5种网络参数状态的如下表，主要涉及7种功能和4种告警信息，其中0表示功能未开启或无告警，1表示功能开启或存在告警。作为本示例方案推荐的网络参数配置2711中功能均正常开启，且无重要告警，符合逻辑和经验，可以作为优化的措施予以执行。
表3
Figure DEST_PATH_IMAGE001
作为一种优选实施例，网元为各类通信计算机网元，或者网元为移动通信基站小区。
作为一种优选实施例，网元所涉及的配置参数包括但不限于基站小区参数、功能、告警，以及基站小区天线方位角、下倾角等工程参数，以及网元操作频次、告警次数等有次数统计的网络信息数据。
作为一种优选实施例，网络性能指标包含RRC建立成功率、掉线率、切换成功率。当然，网络配置参数数据不限于以上各项，还包含其它所有能提取的性能统计指标。相应的，网络数据矩阵数量可以根据需求确定。
本发明提供的基于数据驱动的网元参数预测优化装置实施例如图5所示。
基于数据驱动的网元参数预测优化装置包括数据获取模块、建模预测模块、参数配置推荐模块；其中，数据获取模块用于网元数据的获取和整理，将网元数据整理形成网络数据矩阵；建模预测模块用于针对所选网络数据矩阵，利用矩阵分解将网络数据矩阵填充为满矩阵，形成网络数据预测矩阵，矩阵分解方法包含但不限于潜在因子模型、LU分解、QR分解或奇异值分解；参数配置推荐模块用于对预测结果进行处理，汇总各项网络性能指标预测值，对比实际性能进行参数配置推荐。
作为一种优选实施例，数据获取模块包括网元数据采集单元、参数配置套编号单元、网络数据矩阵生成单元；网元数据采集单元用于在目标网络范围内，将数据采集时长以一定的时间颗粒度划分多个时间段，在每个时间段内采集网元的差异化配置参数和网络性能指标统计数据，形成网络数据集；参数配置套编号单元用于将单个网元所涉及的配置参数作为一套参数配置，将采集到不同的网元参数配置套进行编号，用参数配置套编号替换原网络数据集中的参数配置，形成新网络数据集；网络数据矩阵生成单元用于按照不同的网络性能指标和时间段分割新网络数据集，每种网络性能指标在所选取的一个或多个时间段内形成一个网络数据矩阵，矩阵行是网元，矩阵列是参数配置套编号，对于选取一个时间段的情形，矩阵值是在所选取的一个时间段内该项网络性能指标，对于选取多个时间段的情形，矩阵值是将所选取的多个时间段内该项网络性能指标进行统计处理得到的结果。
作为一种优选实施例，网络数据矩阵生成单元还包括统计处理子单元，统计处理子单元用于对所选取的多个时间段内该项网络性能指标进行包括含但不限于求平均值、最小值或最大值的统计处理。
作为一种优选实施例，参数配置推荐模块包括筛选单元和汇总单元；筛选单元用于针对每个网络数据预测矩阵，筛选出预测性能优于实际性能或人为设定门限的参数配置套编号，形成一个网络参数配置套推荐子集；汇总单元用于按照网元汇总全部网络数据预测矩阵的网络参数配置套推荐子集，将出现在所有网络参数配置套推荐子集中的参数配置套作为网元的参数配置优化方案。
作为一种优选实施例，网元为各类通信计算机网元或移动通信基站小区；网元所涉及的配置参数包括但不限于基站小区参数、功能、告警、基站小区天线方位角、下倾角、网元操作频次、告警次数；网络性能指标包含但不限于RRC建立成功率、掉线率、切换成功率。
上述实施例中的方法可以使用上述实施例中的装置实现，也可以使用其他装置实现。
本发明实施例利用已有网元参数配置及其性能指标数据建模，自动学习网络优化“经验”，捕获网络数据的隐含特征和本质结构，预测网元在不同网络参数配置下的网络性能，在实际调整网元参数前了解网元性能可能的变化，并推荐可能的更优参数配置。此外，基于机器算法提供了网络参数优化的新思路和方法，提高了网络的智能化水平，减少人工排查问题的工作量。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，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，所述单元的划分，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。另一点，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，可以是电性，机械或其它的形式。
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实施例方案的目的。
另外，在本发明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，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元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）或处理器（processor）执行本发明各个实施例所述方法的部分步骤。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。
本领域技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (7)

1.一种数据驱动的网元参数预测优化方法，其特征在于，包括：
步骤101：网元数据整理，将网元数据整理形成网络数据矩阵；
所述将网元数据整理形成网络数据矩阵包括如下步骤：
步骤201：在目标网络范围内，将数据采集时长以一定的时间颗粒度划分多个时间段，在每个时间段内采集网元的差异化配置参数和网络性能指标统计数据，形成网络数据集；
步骤202：将单个网元所涉及的配置参数作为一套参数配置，将采集到不同的网元参数配置套进行编号，用参数配置套编号替换原网络数据集中的参数配置，形成新网络数据集；
步骤203：按照不同的网络性能指标和时间段分割新网络数据集，每种网络性能指标在所选取的一个或多个时间段内形成一个网络数据矩阵，矩阵行是网元，矩阵列是参数配置套编号，对于选取一个时间段的情形，矩阵值是在所选取的一个时间段内该项网络性能指标，对于选取多个时间段的情形，矩阵值是将所选取的多个时间段内该项网络性能指标进行统计处理得到的结果，所述将所选取的多个时间段内该项网络性能指标进行统计处理包含但不限于求平均值、最小值或最大值；
步骤102：数据建模及预测，针对不同的网络数据矩阵，预测网元在不同参数配置下的性能指标；
所述预测网元在不同参数配置下的性能指标的实现方式为：针对所选网络数据矩阵，利用矩阵分解将网络数据矩阵填充为满矩阵，形成网络数据预测矩阵；所述矩阵分解方法包含但不限于潜在因子模型、LU分解、QR分解或奇异值分解；
步骤103：预测结果处理，汇总各项网络性能指标预测值，对比实际性能进行参数配置推荐。
2.如权利要求1所述的一种数据驱动的网元参数预测优化方法，其特征在于，所述汇总各项网络性能指标预测值，对比实际性能进行参数配置推荐包括如下步骤：
步骤301：针对每个网络数据预测矩阵，筛选出预测性能优于实际性能或人为设定门限的参数配置套编号，形成一个网络参数配置套推荐子集；
步骤302：按照网元汇总全部网络数据预测矩阵的网络参数配置套推荐子集，将出现在所有网络参数配置套推荐子集中的参数配置套作为网元的参数配置优化方案。
3.如权利要求1所述的一种数据驱动的网元参数预测优化方法，其特征在于，所述网元为各类通信计算机网元或移动通信基站小区；所述网元所涉及的配置参数包括但不限于基站小区参数、功能、告警、基站小区天线方位角、下倾角、网元操作频次、告警次数；所述网络性能指标包含但不限于RRC建立成功率、掉线率、切换成功率。
4.基于数据驱动的网元参数预测优化装置，其特征在于，包括数据获取模块、建模预测模块、参数配置推荐模块；
所述数据获取模块用于网元数据的获取和整理，将网元数据整理形成网络数据矩阵；
所述数据获取模块包括网元数据采集单元、参数配置套编号单元、网络数据矩阵生成单元；
所述网元数据采集单元用于在目标网络范围内，将数据采集时长以一定的时间颗粒度划分多个时间段，在每个时间段内采集网元的差异化配置参数和网络性能指标统计数据，形成网络数据集；
所述参数配置套编号单元用于将单个网元所涉及的配置参数作为一套参数配置，将采集到不同的网元参数配置套进行编号，用参数配置套编号替换原网络数据集中的参数配置，形成新网络数据集；
所述网络数据矩阵生成单元用于按照不同的网络性能指标和时间段分割新网络数据集，每种网络性能指标在所选取的一个或多个时间段内形成一个网络数据矩阵，矩阵行是网元，矩阵列是参数配置套编号，对于选取一个时间段的情形，矩阵值是在所选取的一个时间段内该项网络性能指标，对于选取多个时间段的情形，矩阵值是将所选取的多个时间段内该项网络性能指标进行统计处理得到的结果；
所述建模预测模块用于针对所选网络数据矩阵，利用矩阵分解将网络数据矩阵填充为满矩阵，形成网络数据预测矩阵，所述矩阵分解方法包含但不限于潜在因子模型、LU分解、QR分解或奇异值分解；
所述参数配置推荐模块用于对预测结果进行处理，汇总各项网络性能指标预测值，对比实际性能进行参数配置推荐。
5.如权利要求4所述的基于数据驱动的网元参数预测优化装置，其特征在于，所述网络数据矩阵生成单元还包括统计处理子单元，所述统计处理子单元用于对所选取的多个时间段内该项网络性能指标进行包括但不限于求平均值、最小值或最大值的统计处理。
6.如权利要求4所述的基于数据驱动的网元参数预测优化装置，其特征在于，所述参数配置推荐模块包括筛选单元和汇总单元；
所述筛选单元用于针对每个网络数据预测矩阵，筛选出预测性能优于实际性能或人为设定门限的参数配置套编号，形成一个网络参数配置套推荐子集；
所述汇总单元用于按照网元汇总全部网络数据预测矩阵的网络参数配置套推荐子集，将出现在所有网络参数配置套推荐子集中的参数配置套作为网元的参数配置优化方案。
7.如权利要求4所述的基于数据驱动的网元参数预测优化装置，其特征在于，所述网元为各类通信计算机网元或移动通信基站小区；所述网元所涉及的配置参数包括但不限于基站小区参数、功能、告警、基站小区天线方位角、下倾角、网元操作频次、告警次数；所述网络性能指标包含但不限于RRC建立成功率、掉线率、切换成功率。
CN201810105818.8A 2018-02-02 2018-02-02 基于数据驱动的网元参数预测优化方法及装置 Active CN107995643B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810105818.8A CN107995643B (zh) 2018-02-02 2018-02-02 基于数据驱动的网元参数预测优化方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810105818.8A CN107995643B (zh) 2018-02-02 2018-02-02 基于数据驱动的网元参数预测优化方法及装置

Publications (2)

Publication Number Publication Date
CN107995643A CN107995643A (zh) 2018-05-04
CN107995643B true CN107995643B (zh) 2020-03-10

Family

ID=62040445

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810105818.8A Active CN107995643B (zh) 2018-02-02 2018-02-02 基于数据驱动的网元参数预测优化方法及装置

Country Status (1)

Country Link
CN (1) CN107995643B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113660674B (zh) * 2021-08-24 2022-04-08 电子科技大学 一种智能实现网络构建和网络优化的方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102694700A (zh) * 2012-06-12 2012-09-26 中国人民解放军理工大学 一种基于奇异值分解的可用带宽预测方法
CN104918271A (zh) * 2014-03-12 2015-09-16 中国移动通信集团福建有限公司 一种基站的工程参数优化方法和装置
CN105120477A (zh) * 2015-07-21 2015-12-02 浙江宇脉科技有限公司 一种移动网络优化方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9426040B2 (en) * 2014-01-06 2016-08-23 Cisco Technology, Inc. Mixed distributed/centralized routing techniques based on closed-loop feedback from a learning machine to avoid dark zones

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102694700A (zh) * 2012-06-12 2012-09-26 中国人民解放军理工大学 一种基于奇异值分解的可用带宽预测方法
CN104918271A (zh) * 2014-03-12 2015-09-16 中国移动通信集团福建有限公司 一种基站的工程参数优化方法和装置
CN105120477A (zh) * 2015-07-21 2015-12-02 浙江宇脉科技有限公司 一种移动网络优化方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
TD-SCDMA无线网络优化方法研究与应用;王关金;《万方数据知识服务平台》;20110530;全文 *

Also Published As

Publication number Publication date
CN107995643A (zh) 2018-05-04

Similar Documents

Publication Publication Date Title
CN109495920B (zh) 一种无线通信网络特征画像方法、设备和计算机程序产品
Khatib et al. Self-healing in mobile networks with big data
US20220207434A1 (en) Model training method, apparatus, and system
CN107547154B (zh) 一种建立视频流量预测模型的方法及装置
CN108293005A (zh) 用于共享状态相关信息的方法和设备
EP1374486A1 (en) Method for configuring a network by defining clusters
CN101547450B (zh) 移动通信网络的位置区划分方法及装置
CN113239639B (zh) 策略信息生成方法、装置、电子装置和存储介质
CN108243435B (zh) 一种lte小区场景划分中的参数优化方法及装置
CN113382477B (zh) 应用于无线网络用户间上行干扰建模的方法
JP7486659B2 (ja) 基地局の省エネルギー処理方法及び処理装置
Lv et al. Distributed mobility load balancing with RRM in LTE
CN110087246A (zh) 基于地理格网的rf终端设备空间聚类方法
US11716240B2 (en) Method, device and computer program product for anomaly detection
CN107995643B (zh) 基于数据驱动的网元参数预测优化方法及装置
CN105744548A (zh) Pci优化方法及装置
CN112308345A (zh) 通信网络负荷预测方法、装置及服务器
CN109011565A (zh) 一种游戏运行前状态的分析方法、装置及服务器
Chen et al. Modeling the tracking area planning problem using an evolutionary multi-objective algorithm
Slimen et al. Anomaly prevision in radio access networks using functional data analysis
CN102186203A (zh) 数据业务信道数目的确定方法、装置和系统
CN113867736B (zh) 部署方案生成方法及装置
CN112836843A (zh) 一种基站退服告警预测方法及装置
CN112929887B (zh) 基于流量预测设置室分站的方法、装置和电子设备
CN109729540A (zh) 一种基于神经网络的基站参数自动优化方法

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