CN109362092B - 网络参数调整方法、装置、设备及介质 - Google Patents
网络参数调整方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN109362092B CN109362092B CN201811494473.6A CN201811494473A CN109362092B CN 109362092 B CN109362092 B CN 109362092B CN 201811494473 A CN201811494473 A CN 201811494473A CN 109362092 B CN109362092 B CN 109362092B
- Authority
- CN
- China
- Prior art keywords
- map
- parameter
- cell
- atlas
- serving cell
- 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
- 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
- H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明实施例提供了一种网络参数调整方法、装置、设备及介质。该方法包括:确定第一服务小区的理论测量报告MR图谱;根据通过机器学习训练得到的第一服务小区所在场景对应的公共MR图谱和第一服务小区对应的个性化MR图谱,生成第一服务小区的网络参数被调整后的预测MR图谱;在预测MR图谱与理论MR图谱的相似度满足设定条件时,利用预测MR图谱对应的参数组对第一服务小区的网络参数进行调整。本发明所提供的方案能够对未来某一个时刻服务小区的网络参数进行预测,及时发现服务小区可能出现的故障,避免现有技术中存在的网络数据核查的滞后性,同时通过机器学习的方式能够有效提升网络数据核查的精准度,也能够有效提升网络参数的核查效率。
Description
技术领域
本发明涉及无线通信技术领域,尤其涉及一种网络参数调整方法、装置、设备及介质。
背景技术
随着移动通信网络的发展,无线网络结构和参数日益复杂,不同场景不同服务小区参数个性化特征表现越来越明显。
例如:在高速和超高速运动场景(例如:高铁环境)中,用户在不同服务小区之间需要实现快速切换;而在对速度没有特别要求的运动场景(例如:城区)中,用户在运动过程中需要在不同服务小区之间实现切换的需求远远低于高速和超高速运动场景中的快速切换需求。这就要求运营商针对不同场景对网络参数进行个性化配置,以满足该场景中用户的实际需求。
在实际应用中,存在有些服务小区在不同时间段所服务的用户不同,也就是说可能在某个时间段需要满足A场景的需要,而在另一个时间段需要满足B场景的需要。如何对运营商无线网络结构和参数进行合理性优化,以及怎样通过技术手段或参数调整使无线网络达到最佳运行状态,从而使网络资源获得最佳效益。这已经成为了无线网络优化的极大痛点。
目前对无线网络参数进行核查方法主要依靠人工方式。首先,根据不同的场景,对不同的服务小区进行分类,并为该场景下的服务小区制定不同参数规则和门限。其次,对于实际工作中的服务小区进行实时监控,获取该服务小区的网络参数,通过对比参数规则库表,如果参数配置与预先设定规则表内容不一致,则对该服务小区运行的网络参数进行修改。尤其是在网络出现故障或者网络质量差的时候,网络维护人员需要在现场对网络参数进行测试和核实,进而对发生错误的网络参数进行修改。
综上所述,现有网络数据核查方式存在的缺陷是:一方面通过简单参数比对,导致核查准确性比较差;另一方面,网络参数核查效率比较低。
发明内容
本发明实施例提供了一种网络参数调整方法、装置、设备及介质,有效提升无线网络参数的核查准确性以及提升无线网络参数的核查效率。
第一方面,本发明实施例提供了一种网络参数调整方法,方法包括:
确定第一服务小区的理论测量报告MR图谱;
根据通过机器学习训练得到的所述第一服务小区所在场景对应的公共MR图谱和所述第一服务小区对应的个性化MR图谱,生成所述第一服务小区的网络参数被调整后的预测MR图谱;
在所述预测MR图谱与所述理论MR图谱的相似度满足设定条件时,利用所述预测MR图谱对应的参数组对所述第一服务小区的网络参数进行调整。
第二方面,本发明实施例提供了一种网络参数调整装置,装置包括:
确定单元,用于确定第一服务小区的理论测量报告MR图谱;
生成单元,用于根据通过机器学习训练得到的所述第一服务小区所在场景对应的公共MR图谱和所述第一服务小区对应的个性化MR图谱,生成所述第一服务小区的网络参数被调整后的预测MR图谱;
调整单元,用于在所述预测MR图谱与所述理论MR图谱的相似度满足设定条件时,利用所述预测MR图谱对应的参数组对所述第一服务小区的网络参数进行调整。
第三方面,本发明实施例提供了一种网络参数调整设备,包括:至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令,当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序指令,当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。
本发明实施例提供的网络参数调整方法、装置、设备及介质,通过确定第一服务小区的理论测量报告MR图谱;根据通过机器学习训练得到的所述第一服务小区所在场景对应的公共MR图谱和所述第一服务小区对应的个性化MR图谱,生成所述第一服务小区的网络参数被调整后的预测MR图谱;在所述预测MR图谱与所述理论MR图谱的相似度满足设定条件时,利用所述预测MR图谱对应的参数组对所述第一服务小区的网络参数进行调整。基于机器学习训练得到的公共MR图谱和服务小区的个性化MR图谱,对未来某一个时刻服务小区的网络参数进行预测,通过得到的预测图谱能够及时发现服务小区可能出现的故障,避免现有技术中存在的网络数据核查的滞后性,同时通过机器学习的方式能够使得训练得到的结果越来越精准,有效提升网络数据核查的精准度,再者也能够有效提升网络参数的核查效率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了根据本发明一些实施例提供的网络参数调整方法的流程示意图;
图2示出了通过归一化的方式得到确定的参数组A对应的公共MR图谱示意图;
图3示出了MR特征数据对应的图谱示意图;
图4示出了区对460-00-424308-1_460-00-424308-5个性化MR图谱示意图;
图5示出了参数B对应的公共MR图谱示意图;
图6示出了预测小区对460-00-424308-1_460-00-424308-5从参数组A修改到参数组B的MR图谱示意图;
图7示出了预测图谱与修改前后该小区对的MR图谱对比结果示意图;
图8示出了根据本发明一些实施例提供的网络参数调整装置的结构示意图;
图9示出了根据本发明一些实施例提供的网络参数调整设备的结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例,为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细描述。
应理解,此处所描述的具体实施例仅被配置为解释本发明,并不被配置为限定本发明。对于本领域技术人员来说,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
图1为本发明实施例提供的一种网络参数调整方法的流程示意图。所述方法可以如下所示。
步骤101:确定第一服务小区的理论测量报告MR图谱。
在本发明提供的实施例中,所谓理论MR图谱可以理解为通过实验或者测试确定的理想化的MR图谱。这里的MR图谱可以理解为基于测量得到的各个网络参数对应的属性值所绘制的分布图,通过该分布图能够直观判断服务小区的网络状态。
具体地,根据所述第一服务小区所在场景以及接入所述第一服务小区的历史用户数据,绘制所述第一服务小区的理论MR图谱。
本发明实施例中记载的场景包括但不限于:一般城区、核心商业区、地铁区域、高校园区、高速铁路、郊区农村等等。
表1为本发明实施例中记载的场景区域示意表:
表1
步骤102:根据通过机器学习训练得到的所述第一服务小区所在场景对应的公共MR图谱和所述第一服务小区对应的个性化MR图谱,生成所述第一服务小区的网络参数被调整后的预测MR图谱。
在本发明提供的实施例中,通过以下方式生成述第一服务小区的网络参数被调整后的预测MR图谱:
p(s)=g(x)+t(s);
其中,p(s)为第一服务小区的网络参数被调整后的预测MR图谱,g(x)为第一服务小区对应的个性化MR图谱,X为第一服务小区的标识,t(s)为参数组s对应的所述第一服务小区所在场景对应的公共MR图谱。
下面详细说明如何得到不同场景对应的公共MR图谱以及不同服务小区对应的个性化MR图谱。
1、在本发明提供的实施例中,可以通过以下方式训练得到不同场景对应的公共MR图谱:
第一步,获取不同场景下不同服务小区的MR分布点数据,并分析提取每一个服务小区的多个MR特征数据,每一个所述MR特征数据对应一个参数组,所述参数组中包含网络参数对应的一个属性值。
具体地,可以通过网优大数据平台获取一般城区对应服务小区的MR分布点数据,不同小区之间的切换策略选取A3、A4、A5事件,主要包含的参数指标维度有主小区,频点,异频切换策略,异频起测门限,MN-MS,MS,MN,优先级,起测门限,RN-RS,RS,RN等。以主小区、频点和参数组为维度,获取RSRP电平值分布点情况,具体数据如下表2所示:
表2
在得到各服务小区的MR分布点数据之后,可以以同一个小区对(这里的小区对是指主小区和主小区的邻小区)为单位,分析同一个参数组的电平分布值的特征,比如根据MR电平分布图谱的峰度和偏度判断波形分布,使用T-检验判断是否符合正态分布。其中,对于不符合正态分布的MR电平分布图谱,采用卡方非参数检验方法进行分析。最终确定同一个小区对的MR电平分布图谱对应的类型,该类型分为三类:呈陡峭型分布、符合正态分布、呈平坡型分布;并获取小区对同参数组的MR特征数据,本发明实施例中MR特征数据包括但不限于最大电平,最小电平,电平峰值,电平中位数,第一个拐点电平等等,具体MR特征数据如下表3所示:
表3
第二步,确定各服务小区的归属频段,根据所述归属频段和场景,对各服务小区进行分组,场景相同且归属频段相同的服务属于同一个分组。
在本发明提供的实施例中,由于在第一步中通过主小区和邻小区的关系,得到的小区对的MR特征数据,进而可以根据小区对中主小区的频点,确定每一个小区对的频点与MR特征数据之间的映射关系。假设小区对460-00-422929-3_460-00-422929-6和460-00-422929-3_460-00-422929-9处理后的结果如下表4所示:
表4
从表4中可以看出,小区对460-00-422929-3_460-00-422929-6中,主小区为460-00-422929-3,归属频段为D频段,邻区为460-00-422929-6,归属频段为F频段。主邻小区的参数组不同,MR电平的分布点情况也不同,比如主小区460-00-422929-3中MR分布电平值为-114的有602分布点,而邻区460-00-422929-6中MR分布电平值为-114的有637分布点。
在得到每一个小区对主邻小区不同频段对应的MR特征数据之后,还需要进一步确定小区对的主导频段(即归属频段)。具体地,对每一个小区对进行载波均衡多元分类,输入维度包括但不限于主小区频段,邻区频段,主小区RSRP值,各邻区RSRP值,波形中位值,波形峰值,波形最小值,波形最大值;输出小区对对应的载波标签(即归属频段),这里的载波标签包括:D频段主导、F频段主导、DF均衡三类标签。
需要说明的是,在本发明提供的实施例中,在进行载波均衡多元分类过程中,所使用的分类算法包括但不限于:朴素贝叶斯算法、决策树算法、神经网络算法、KNN算法等。
例如:选择KNN算法作为载波均衡多元分类的分类算法,经过该分类算法确定每一个小区对的载波标签,如表5所示:
表5
最后,根据所述归属频段和场景,对各服务小区进行分组,场景相同且归属频段相同的服务属于同一个分组。
第三步,基于同一个分组中的各服务小区的MR特征数据,通过归一化的方式得到同一个分组对应的场景、各参数组以及参数组对应的公共MR图谱之间的对应关系。
具体地,针对同一个分组中的服务小区,执行以下操作:
确定一个参数组;
提取该分组中各服务小区的与确定的所述参数组对应的MR特征数据;
基于提取到的所述MR特征数据,通过归一化的方式得到确定的所述参数组对应的公共MR图谱,建立该分组对应的场景、确定的参数组以及所述参数组对应的公共MR图谱之间的对应关系。
假设参数组A如表6所示:
表6
通过归一化的方式得到确定的参数组A对应的公共MR图谱如图2所示。
2、在本发明提供的实施例中,可以通过以下方式训练得到不同服务小区对应的个性化MR图谱:
对于同一个场景下的各服务小区,在得到场景与不同参数组以及参数组对应的公共MR图谱之间的对应关系的情况下,选择一个参数组和一个服务小区;
确定选择的所述服务小区对应的选择的参数组对应的MR特征数据;
基于选择的参数组,通过差值计算的方式,确定选择的所述服务小区对应的MR特征数据与选择的参数组对应的公共MR图谱之间的差异;
根据所述差异,得到所述服务小区在网络参数满足选择的所述参数组时对应的个性化MR图谱。
以参数组A为例。具体地,提取参数组A的公共MR图谱后,可以计算参数组A对应的一个小区对的MR特征数据与公共MR图谱之间的差异,例如以MR分布点差值计算,这样就能获取参数组A的该小区对的个性化MR图谱。
比如,参数组A对应的小区对460-00-424308-1_460-00-424308-5,该小区对的主导频段为D频段,MR特征数据对应的图谱如图3所示。
通过小区对460-00-424308-1_460-00-424308-5的MR特征数据对应的图谱(图3)与参数组A对应的公共图谱(图2)计算偏差后,得到小区对460-00-424308-1_460-00-424308-5个性化MR图谱如图4所示。
按照上述方式分别对参数组A对应的所有小区对进行计算,得到各个小区对对应的个性化MR图谱。
步骤103:计算所述预测MR图谱与所述理论MR图谱的相似度。
在本发明提供的实施例中,可以通过以下方式计算参数组s对应的所述预测MR图谱与所述理论MR图谱的相似度:
其中,p(s)为第一服务小区的网络参数被调整后的预测MR图谱,m(s)为第一服务小区的理论MR图谱。
按照上述方式可以计算不同参数组对应的预测MR图谱与所述理论MR图谱的相似度,即可得到每一个参数组对应的相似度值。
步骤104:针对其中任意一个参数组对应的相似度值判断其是否满足设定条件,若满足,则执行步骤105。
在本发明提供的实施例中,设定条件可以为相似度按照从小到大顺序排列,排在最后的相似度;也可以为相似度按照从大到小顺序排列,排在最前面的相似度;还可以为设置一个数值区间,相似度落入该区间的为满足设定条件的,这里对于如何设置设定条件以及设定条件内容不做具体限定。
步骤105:在所述预测MR图谱与所述理论MR图谱的相似度满足设定条件时,利用所述预测MR图谱对应的参数组对所述第一服务小区的网络参数进行调整。
假设参数组B对应的MR特征数据如表7所示:
表7
而参数B对应的公共MR图谱如图5所示。
如果把参数组A中的小区对460-00-424308-1_460-00-424308-5的个性化图谱(图4)与参数组B的公共MR图谱(图5)进行合并处理,就能预测小区对460-00-424308-1_460-00-424308-5从参数组A修改到参数组B的MR图谱结果,具体如图6所示。
为了说明本发明提供方案的准确性,把小区对460-00-424308-1_460-00-424308-5从参数A修改到参数组B,然后进行跟踪该小区对的MR图谱变动情况,具体修改如下表8所示:
表8
那么预测图谱与修改前后该小区对的MR图谱对比结果,如图7所示。
从图7中可以看出,该小区对参数修改后的MR图谱与真实参数调整MR图谱变化趋势基本符合预期结果,因此可以使用本方案的处理方式对小区参数修改进行预测,提前获知参数修改后会造成小区电平值多大的波动情况。
通过本发明实施例提供的技术方案,确定第一服务小区的理论测量报告MR图谱;根据通过机器学习训练得到的所述第一服务小区所在场景对应的公共MR图谱和所述第一服务小区对应的个性化MR图谱,生成所述第一服务小区的网络参数被调整后的预测MR图谱;在所述预测MR图谱与所述理论MR图谱的相似度满足设定条件时,利用所述预测MR图谱对应的参数组对所述第一服务小区的网络参数进行调整。基于机器学习训练得到的公共MR图谱和服务小区的个性化MR图谱,对未来某一个时刻服务小区的网络参数进行预测,通过得到的预测图谱能够及时发现服务小区可能出现的故障,避免现有技术中存在的网络数据核查的滞后性,同时通过机器学习的方式能够使得训练得到的结果越来越精准,有效提升网络数据核查的精准度,再者也能够有效提升网络参数的核查效率。
图8为本发明实施例提供的一种网络参数调整装置的结构示意图。所述装置包括:确定单元801、生成单元802和调整单元803,其中:
确定单元801,用于确定第一服务小区的理论测量报告MR图谱;
生成单元802,用于根据通过机器学习训练得到的所述第一服务小区所在场景对应的公共MR图谱和所述第一服务小区对应的个性化MR图谱,生成所述第一服务小区的网络参数被调整后的预测MR图谱;
调整单元803,用于在所述预测MR图谱与所述理论MR图谱的相似度满足设定条件时,利用所述预测MR图谱对应的参数组对所述第一服务小区的网络参数进行调整。
在本发明提供的另一个实施例中,所述生成单元802通过以下方式训练得到不同场景对应的公共MR图谱:
获取不同场景下不同服务小区的MR分布点数据,并分析提取每一个服务小区的多个MR特征数据,每一个所述MR特征数据对应一个参数组,所述参数组中包含网络参数对应的一个属性值;
确定各服务小区的归属频段,根据所述归属频段和场景,对各服务小区进行分组,场景相同且归属频段相同的服务属于同一个分组;
基于同一个分组中的各服务小区的MR特征数据,通过归一化的方式得到同一个分组对应的场景、各参数组以及参数组对应的公共MR图谱之间的对应关系。
在本发明提供的另一个实施例中,所述生成单元802通过归一化的方式得到同一个分组对应的场景、各参数组以及参数组对应的公共MR图谱之间的对应关系,包括:
针对同一个分组中的服务小区,执行以下操作:
确定一个参数组;
提取该分组中各服务小区的与确定的所述参数组对应的MR特征数据;
基于提取到的所述MR特征数据,通过归一化的方式得到确定的所述参数组对应的公共MR图谱,建立该分组对应的场景、确定的参数组以及所述参数组对应的公共MR图谱之间的对应关系。
在本发明提供的另一个实施例中,所述生成单元802通过以下方式训练得到不同服务小区对应的个性化MR图谱:
对于同一个场景下的各服务小区,在得到场景与不同参数组以及参数组对应的公共MR图谱之间的对应关系的情况下,选择一个参数组和一个服务小区;
确定选择的所述服务小区对应的选择的参数组对应的MR特征数据;
基于选择的参数组,通过差值计算的方式,确定选择的所述服务小区对应的MR特征数据与选择的参数组对应的公共MR图谱之间的差异;
根据所述差异,得到所述服务小区在网络参数满足选择的所述参数组时对应的个性化MR图谱。
在本发明提供的另一个实施例中,所述生成单元802根据通过机器学习训练得到的所述第一服务小区所在场景对应的公共MR图谱和所述第一服务小区对应的个性化MR图谱,生成所述第一服务小区的网络参数被调整后的预测MR图谱,包括:
通过以下方式生成述第一服务小区的网络参数被调整后的预测MR图谱:
p(s)=g(x)+t(s);
其中,p(s)为第一服务小区的网络参数被调整后的预测MR图谱,g(x)为第一服务小区对应的个性化MR图谱,X为第一服务小区的标识,t(s)为参数组s对应的所述第一服务小区所在场景对应的公共MR图谱。
在本发明提供的另一个实施例中,所述调整单元803确定所述预测MR图谱与所述理论MR图谱的相似度满足设定条件,包括:
通过以下方式计算参数组s对应的所述预测MR图谱与所述理论MR图谱的相似度:
其中,p(s)为第一服务小区的网络参数被调整后的预测MR图谱,m(s)为第一服务小区的理论MR图谱。
在本发明提供的另一个实施例中,所述确定单元801确定第一服务小区的理论测量报告MR图谱,包括:
根据所述第一服务小区所在场景以及接入所述第一服务小区的历史用户数据,绘制所述第一服务小区的理论MR图谱。
需要说明的是,本发明实施例提供的装置可以通过软件方式实现,也可以通过硬件方式实现,这里不做具体限定。本发明实施例提供的装置通过确定第一服务小区的理论测量报告MR图谱;根据通过机器学习训练得到的所述第一服务小区所在场景对应的公共MR图谱和所述第一服务小区对应的个性化MR图谱,生成所述第一服务小区的网络参数被调整后的预测MR图谱;在所述预测MR图谱与所述理论MR图谱的相似度满足设定条件时,利用所述预测MR图谱对应的参数组对所述第一服务小区的网络参数进行调整。基于机器学习训练得到的公共MR图谱和服务小区的个性化MR图谱,对未来某一个时刻服务小区的网络参数进行预测,通过得到的预测图谱能够及时发现服务小区可能出现的故障,避免现有技术中存在的网络数据核查的滞后性,同时通过机器学习的方式能够使得训练得到的结果越来越精准,有效提升网络数据核查的精准度,再者也能够有效提升网络参数的核查效率。
另外,结合图1描述的本发明实施例的网络参数调整方法可以由网络参数调整设备来实现。图9示出了本发明实施例提供的网络调整参数设备的硬件结构示意图。
网络参数调整设备可以包括处理器901以及存储有计算机程序指令的存储器902。
具体地,上述处理器901可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器902可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器902可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器902可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器902可在数据处理装置的内部或外部。在特定实施例中,存储器902是非易失性固态存储器。在特定实施例中,存储器902包括只读存储器(ROM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器901通过读取并执行存储器902中存储的计算机程序指令,以实现上述实施例中的任意一种网络参数调整方法。
在一个示例中,网络参数调整设备还可包括通信接口903和总线910。其中,如图9所示,处理器901、存储器902、通信接口903通过总线910连接并完成相互间的通信。
通信接口903,主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
总线910包括硬件、软件或两者,将XXX设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线910可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线,但本发明考虑任何合适的总线或互连。
另外,结合上述实施例中的网络参数调整方法,本发明实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种网络参数调整方法。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
以上所述,仅为本发明的具体实施方式,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、模块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。应理解,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种网络参数调整方法,所述方法包括:
确定第一服务小区的理论测量报告MR图谱;
根据通过机器学习训练得到的所述第一服务小区所在场景对应的公共MR图谱和所述第一服务小区对应的个性化MR图谱,生成所述第一服务小区的网络参数被调整后的预测MR图谱;
在所述预测MR图谱与所述理论MR图谱的相似度满足设定条件时,利用所述预测MR图谱对应的参数组对所述第一服务小区的网络参数进行调整;
所述根据通过机器学习训练得到的所述第一服务小区所在场景对应的公共MR图谱和所述第一服务小区对应的个性化MR图谱,生成所述第一服务小区的网络参数被调整后的预测MR图谱,包括:
通过以下方式生成述第一服务小区的网络参数被调整后的预测MR图谱:
p(s)=g(x)+t(s);
其中,p(s)为第一服务小区的网络参数被调整后的预测MR图谱,g(x)为第一服务小区对应的个性化MR图谱,X为第一服务小区的标识,t(s)为参数组s对应的所述第一服务小区所在场景对应的公共MR图谱。
2.根据权利要求1所述的网络参数调整方法,其特征在于,通过以下方式训练得到不同场景对应的公共MR图谱:
获取不同场景下不同服务小区的MR分布点数据,并分析提取每一个服务小区的多个MR特征数据,每一个所述MR特征数据对应一个参数组,所述参数组中包含网络参数对应的一个属性值;
确定各服务小区的归属频段,根据所述归属频段和场景,对各服务小区进行分组,场景相同且归属频段相同的服务属于同一个分组;
基于同一个分组中的各服务小区的MR特征数据,通过归一化的方式得到同一个分组对应的场景、各参数组以及参数组对应的公共MR图谱之间的对应关系。
3.根据权利要求2所述的网络参数调整方法,其特征在于,通过归一化的方式得到同一个分组对应的场景、各参数组以及参数组对应的公共MR图谱之间的对应关系,包括:
针对同一个分组中的服务小区,执行以下操作:
确定一个参数组;
提取该分组中各服务小区的与确定的所述参数组对应的MR特征数据;
基于提取到的所述MR特征数据,通过归一化的方式得到确定的所述参数组对应的公共MR图谱,建立该分组对应的场景、确定的参数组以及所述参数组对应的公共MR图谱之间的对应关系。
4.根据权利要求2所述的网络参数调整方法,其特征在于,通过以下方式训练得到不同服务小区对应的个性化MR图谱:
对于同一个场景下的各服务小区,在得到场景与不同参数组以及参数组对应的公共MR图谱之间的对应关系的情况下,选择一个参数组和一个服务小区;
确定选择的所述服务小区对应的选择的参数组对应的MR特征数据;
基于选择的参数组,通过差值计算的方式,确定选择的所述服务小区对应的MR特征数据与选择的参数组对应的公共MR图谱之间的差异;
根据所述差异,得到所述服务小区在网络参数满足选择的所述参数组时对应的个性化MR图谱。
6.根据权利要求1所述的网络参数调整方法,其特征在于,确定第一服务小区的理论测量报告MR图谱,包括:
根据所述第一服务小区所在场景以及接入所述第一服务小区的历史用户数据,绘制所述第一服务小区的理论MR图谱。
7.一种网络参数调整装置,其特征在于,所述装置包括:
确定单元,用于确定第一服务小区的理论测量报告MR图谱;
生成单元,用于根据通过机器学习训练得到的所述第一服务小区所在场景对应的公共MR图谱和所述第一服务小区对应的个性化MR图谱,生成所述第一服务小区的网络参数被调整后的预测MR图谱;
调整单元,用于在所述预测MR图谱与所述理论MR图谱的相似度满足设定条件时,利用所述预测MR图谱对应的参数组对所述第一服务小区的网络参数进行调整;
所述生成单元,具体用于通过以下方式生成述第一服务小区的网络参数被调整后的预测MR图谱:
p(s)=g(x)+t(s);
其中,p(s)为第一服务小区的网络参数被调整后的预测MR图谱,g(x)为第一服务小区对应的个性化MR图谱,X为第一服务小区的标识,t(s)为参数组s对应的所述第一服务小区所在场景对应的公共MR图谱。
8.一种网络参数调整设备,其特征在于,包括:至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令,当所述计算机程序指令被所述处理器执行时实现如权利要求1-6任一项所述的方法。
9.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,当所述计算机程序指令被处理器执行时实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811494473.6A CN109362092B (zh) | 2018-12-07 | 2018-12-07 | 网络参数调整方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811494473.6A CN109362092B (zh) | 2018-12-07 | 2018-12-07 | 网络参数调整方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109362092A CN109362092A (zh) | 2019-02-19 |
CN109362092B true CN109362092B (zh) | 2021-12-03 |
Family
ID=65331734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811494473.6A Active CN109362092B (zh) | 2018-12-07 | 2018-12-07 | 网络参数调整方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109362092B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110266412B (zh) * | 2019-07-01 | 2021-06-18 | 中国电信股份有限公司 | 预测地铁通信网络sinr的方法和装置 |
CN114666812A (zh) * | 2020-12-24 | 2022-06-24 | 华为技术有限公司 | 信息处理的方法和装置 |
CN113535766B (zh) * | 2021-08-04 | 2024-03-08 | 城云科技(中国)有限公司 | 作业流配置方法、装置、电子装置及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107810505A (zh) * | 2015-03-27 | 2018-03-16 | 英特尔公司 | 实时图像捕获参数的机器学习 |
CN108207005A (zh) * | 2016-12-20 | 2018-06-26 | 中国移动通信集团设计院有限公司 | 一种lte无线网络的评估方法及服务器 |
CN110505650A (zh) * | 2018-05-16 | 2019-11-26 | 中国移动通信集团广东有限公司 | 随机异构分层网容量智能评估方法及装置 |
CN110602734A (zh) * | 2019-10-30 | 2019-12-20 | Oppo(重庆)智能科技有限公司 | 一种小区切换方法、装置及计算机可读存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6244996B2 (ja) * | 2014-03-10 | 2017-12-13 | 富士通株式会社 | 識別関数特定装置、識別関数特定プログラム、識別関数特定方法および生体認証装置 |
US20160165472A1 (en) * | 2014-12-09 | 2016-06-09 | Futurewei Technologies, Inc. | Analytics assisted self-organizing-network (SON) for coverage capacity optimization (CCO) |
-
2018
- 2018-12-07 CN CN201811494473.6A patent/CN109362092B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107810505A (zh) * | 2015-03-27 | 2018-03-16 | 英特尔公司 | 实时图像捕获参数的机器学习 |
CN108207005A (zh) * | 2016-12-20 | 2018-06-26 | 中国移动通信集团设计院有限公司 | 一种lte无线网络的评估方法及服务器 |
CN110505650A (zh) * | 2018-05-16 | 2019-11-26 | 中国移动通信集团广东有限公司 | 随机异构分层网容量智能评估方法及装置 |
CN110602734A (zh) * | 2019-10-30 | 2019-12-20 | Oppo(重庆)智能科技有限公司 | 一种小区切换方法、装置及计算机可读存储介质 |
Non-Patent Citations (2)
Title |
---|
MACROPHAGE LEARNING-TRACKING ALGORITHM IN TIME-LAPSE MR;ATSUKI TASHITA;《Proceedings of the 2016 International Conference on Machine Learning and Cybernetics》;20161231;全文 * |
基于MR数据与机器学习的LTE用户感知评估方法;王希;《移动通信》;20180914;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109362092A (zh) | 2019-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109362092B (zh) | 网络参数调整方法、装置、设备及介质 | |
US8054803B2 (en) | Method and apparatus for optimizing neighbor list automatically in synchronous CDMA network | |
CN111327450B (zh) | 一种质差原因的确定方法、装置、设备及介质 | |
US20080227455A1 (en) | Method and Apparatus For Optimizing Neighbor List Automatically in Asynchronous Wcdma Network | |
CN109874104B (zh) | 用户位置定位方法、装置、设备及介质 | |
CN111866847B (zh) | 移动通信网络数据分析方法、设备及计算机存储介质 | |
CN108377508B (zh) | 基于测量报告数据的用户感知分类方法和装置 | |
CN112637888B (zh) | 覆盖空洞区域识别方法、装置、设备及可读存储介质 | |
CN107517474B (zh) | 一种网络分析优化方法及装置 | |
CN109982392B (zh) | 基站小区的邻区配置方法、装置、设备及介质 | |
CN109993388B (zh) | 劣化小区主因判断方法、装置、设备及介质 | |
CN109996274B (zh) | Lte小区参数的调整方法、装置、设备及介质 | |
CN112566013B (zh) | 目标设备的定位方法、装置、设备及计算机存储介质 | |
CN109327854B (zh) | 轨道用户识别方法及装置 | |
CN111093229B (zh) | 负载均衡参数的确定方法、装置、设备和介质 | |
CN113133058A (zh) | 负载均衡方法、装置及系统 | |
JP3155954B2 (ja) | 電波伝搬損失特性推定方法 | |
CN112437469A (zh) | 服务质量保障方法、装置和计算机可读存储介质 | |
CN114547101B (zh) | 数据中台的数据质量评估方法、装置、设备及存储介质 | |
CN111385818B (zh) | 一种无线网络参数的优化方法、装置及设备 | |
CN109963286B (zh) | 小区越区覆盖判定方法、装置、设备及介质 | |
CN111984634B (zh) | 告警事务提取方法、装置、设备及计算机存储介质 | |
CN118158070A (zh) | 区域确定方法、装置、设备及计算机存储介质 | |
CN113382441A (zh) | 一种识别伴随用户的方法、装置、设备及可读存储介质 | |
CN115515143A (zh) | 一种基站覆盖场景确定方法、装置、设备及存储介质 |
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 |