CN110063066B - 过调小区检测 - Google Patents
过调小区检测 Download PDFInfo
- Publication number
- CN110063066B CN110063066B CN201780075328.1A CN201780075328A CN110063066B CN 110063066 B CN110063066 B CN 110063066B CN 201780075328 A CN201780075328 A CN 201780075328A CN 110063066 B CN110063066 B CN 110063066B
- Authority
- CN
- China
- Prior art keywords
- cell
- cells
- given cell
- mobile network
- overshoot
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims 6
- 230000000694 effects Effects 0.000 claims 2
- 230000005540 biological transmission Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005067 remediation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/54—Interprogram communication
- G06F9/542—Event management; Broadcasting; Multicasting; Notifications
-
- 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
- H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- 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
- H04W36/0011—Control or signalling for completing the hand-off for data sessions of end-to-end connection
- H04W36/0016—Hand-off preparation specially adapted for end-to-end data sessions
-
- 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
- H04W36/00833—Handover statistics
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
一种系统包括:输入/输出(I/O)模块,该输入/输出(I/O)模块操作用于接收与移动网络中的至少小区间性能相关联的特征的操作数据;处理电路;模型生成器应用,该模型生成器应用由所述处理电路执行,并且操作用于:使用至少一个预测模型来分析训练集,所述训练集包括至少过调小区的所述特征的值的示例,并且生成评分模型以用于从所述移动网络中的小区当中检测所述过调小区;以及激增者检测应用,该激增者检测应用由所述处理电路执行,并且操作用于:将所述评分模型与所述操作数据一起使用以从移动网络的小区当中检测所述过调小区,并且减少所述过调小区的干扰。
Description
相关申请的交叉引用
本申请要求保护于2017年12月7日提交的、序列号为62/430,951的美国临时专利申请的优先权权益。
技术领域
本发明总体涉及无线电接入网络(RAN)中的过调小区(overshooting cell)检测。
背景技术
在全球移动通讯系统(UMTS)无线电网络中,过调小区是一个主要问题。这些小区(通常被称为“激增者(boomer)”)是覆盖面积大于必要的小区。因此,激增者小区可能会对RAN的其他小区造成干扰,从而影响它们所服务的用户和周围小区的用户两者的体验质量(QoE)。普遍估计的是,在UMTS网络中,5-15%的宏小区都是激增者小区。
发明内容
根据本公开的第一方面,提供了一种用于无线电接入网络的系统,包括:输入/输出I/O模块,该I/O模块操作用于接收与移动网络中的至少小区间性能相关联的特征的操作数据;处理电路;模型生成器应用,该模型生成器应用由所述处理电路执行,并且操作用于:使用至少一个预测模型来分析训练集,所述训练集包括至少过调小区的所述特征的值的示例,并且生成评分模型,以用于从所述移动网络中的小区当中检测所述过调小区;以及激增者检测应用,该激增者检测应用由所述处理电路执行,并且操作用于:将所述评分模型与所述操作数据一起使用以从移动网络的小区当中检测所述过调小区,并且减少所述过调小区的干扰,其中,所述特征中的至少一个特征至少表示给定小区和分层小区之间的关系,其中,所述给定小区的覆盖面积基于与所述给定小区的物理距离被组织在层中,并且其中,所述层中的第一层从与所述给定小区最接近的第一小区开始并延伸可配置的距离,并且所述层中的后续层从与所述层中的前一层最接近的下一小区开始,并延伸所述可配置的距离。
根据本公开的第二方面,提供了一种用于检测移动网络中的过调小区的方法,所述方法在计算系统上被执行,并且所述方法包括:针对已知的过调小区和非过调小区,基于历史性能数据生成训练集;基于大量的过调指标生成评分模型,其中,所述大量的过调指标中的每个过调指标的值被加权,以提供总体评分;整理操作中的多个小区的实际性能数据;使用所述评分模型对操作中的每个所述小区进行评分;基于所述评分,确定操作中的所述小区中的哪些小区是过调小区;以及对所述过调小区的所述评分所指示的问题进行补救,其中,所述特征中的至少一个特征至少表示给定小区和分层小区之间的关系,其中,所述给定小区的覆盖面积基于与所述给定小区的物理距离被组织在层中,并且其中,所述层中的第一层从与所述给定小区最接近的第一小区开始并延伸可配置的距离,并且所述层中的后续层从与所述层中的前一层最接近的下一小区开始,并延伸所述可配置的距离。
根据本公开的第三方面,提供了一种非暂时性计算机可读介质,其承载有计算机可读指令,所述计算机可读指令在由一个或多个处理器执行时,使得所述一个或多个处理器执行根据第二方面所述的方法。
附图说明
结合附图,本公开的实施例将通过以下具体实施方式被更充分地理解和领会,在附图中:
图1是根据本文所述的实施例的分组在层(tier)中的小区的图示:
图2是根据本文所述的实施例构造和操作的示例性过调小区检测过程的流程图:以及
图3是根据本文所述的实施例的被配置和操作用于至少执行图2的过程的激增者检测器服务器的示意性图示。
具体实施方式
概述
系统包括:输入/输出(I/O)模块,该输入/输出(I/O)模块操作用于接收与移动网络中的至少小区间性能相关联的特征的操作数据;处理电路;模型生成器应用,该模型生成器应用由所述处理电路执行,并且操作用于:使用至少一个预测模型来分析训练集(这些训练集包括至少过调小区的特征的值的示例),并且生成评分模型以用于从移动网络中的小区当中检测过调小区;以及激增者检测应用,该激增者检测应用由所述处理电路执行,并且操作用于:将所述评分模型与所述操作数据一起使用以从移动网络的小区当中检测过调小区,并且减少过调小区的干扰。
具体实施方式
由于过调小区对QoE的影响,检测和减轻它们的影响是移动网络中的一个重要问题,因此是RAN优化的主要目标。然而,检测过调小区可能是困难的。对于单个小区的性能,准确的高分辨率无线电测量难以实现和分析,并且对于检测单个过调小区,通常可用的聚合计数器也同样难以分析。无线电工程师通常使用一些粗略的指标,结合多年的经验和一些试验及错误,来定位这些小区并缓解问题。然而,这个过程可能是冗长和容易出错的。
根据本文所述的实施例,过调小区检测系统可以采用评分机制来提供对这样的潜在干扰的小区的自动检测,从而减少对手动检测程序的依赖,并提高效率。
过调小区检测系统可以使用各种小区间特征(即,与至少两个小区之间的通信相关的特征)和/或小区内特征(单独地或以各种组合)来建模典型的“过调指标”(OI),以便检测潜在干扰的过调小区。系统可以根据在可配置的时间段(例如24小时、48小时等)内整理的实际小区数据来评估特征,并且然后自动调整相关设置,以减少被识别为激增者的小区的覆盖面积。这样的特征的示例可以包括:
入站(inbound)邻居:此特征可以引用切换(handover)到源小区(即正在被评估的小区)的相邻小区的数量。
出站(outbound)邻居:此特征可以参考从源小区切换的相邻小区的数量。要理解的是,相对较高数量的出站邻居可以指示过调小区。出站邻居的值也可以与入站邻居的值结合使用——如果出站邻居明显多于入站邻居,则可以指示过调小区。要理解的是,可以基于从接收小区收集到的数据来计算出站邻居OI。根据本文所述的实施例,为了确定入站/出站邻居的数量而计数的小区可以通过在将给定小区计算为第二小区的入站/出站邻居之前施加最小百分比和/或最小绝对数量的实例来在一定程度上进行过滤或加权。例如,如果从第二小区的切换占到给定小区的所有切换的不到2%,则第二小区可能不被视为给定小区的入站邻居。替代地或者另外地,可以定义切换的最小数量(即,依据与百分比相对的绝对数量),以便过滤掉不太重要的邻居关系。要理解的是,根据本文所述的实施例,这样的过滤可以以与本文所述的一些或全部其他特征大致相似的方式应用。
“丢失邻居”事件:此特征可以参考与源小区相关联的“丢失邻居”事件。出站丢失邻居事件可以表示用户设备(UE)向服务小区(即源小区)的报告,其中,它在“报告范围”内检测为足以进行潜在切换的小区未被定义为源小区的邻居,并且因此该小区不能执行切换。入站丢失邻居事件可以相反地表示相同的情况,其中,UE在非相邻小区中,并且检测先前示例的服务小区。要理解的是,也可以至少部分地基于来自网络中的其他小区的数据来计算丢失事件。例如,可以使用小区的扰码将来自其他小区的数据与正在被评估的小区关联。
丢失邻居:根据上文讨论的丢失邻居事件,此特征可以反映入站/出站丢失邻居的总数。可以根据针对丢失邻居事件报告的不同扰码的数量来计算丢失邻居的数量,其中每个报告的扰码通常代表不同的小区。
“未监控邻居”事件:此特征可以类似于丢失邻居事件特征,但不同之处在于RAN知道将报告的目标扰码与给定小区匹配。当目标扰码在源小区的邻居列表中时,可能会发生这种情况;要理解的是,此特征可能无法从所有RAN供应商得到。与邻居(切换)报告和“丢失邻居”事件类似,系统还可以对传入/传出的小区/事件进行计数。
未监控总程度(total degree):此特征可以参考与小区具有传入或传出“未监控邻居”关系的小区数量。
总入度(total in degree):此特征可以表示与小区具有任何种类的入站关系的小区数量,即具有非零切换尝试、丢失邻居或未监控邻居的相邻小区,无论权重如何。要理解的是,总入度的值越大,源小区过调的指示就越明显。
PD95/PD99中的小区:此特征可以表示覆盖面积内的小区数量,该覆盖面积由传播延迟(PD)有效定义,以用于进行可能由源小区达到的95%或99%的UE通信。系统使用以各种距离偏差(取决于供应商和/或配置)聚合的数据为每个小区导出用户计数(特别是呼叫启动)的直方图。系统使用直方图来估计第95和第99个百分位数,这在某种程度上反映了小区到达了“多远”。因此,传播延迟可以有效地作为源小区传输最远距离的代理(proxy)。因此,PD95或PD99的值越大,指示源小区过调就越明显。要理解的是,PD95和PD99的使用是示例性的;根据本文所述的实施例,可以配置用于确定源小区传输最远距离的代理的百分位数。例如,此特征可以替代地使用第97和第98个百分位数等。
集群大小:此特征可以表示与源小区有重要关系的小区的数量,例如,根据对入站/出站邻居、丢失邻居和/或未监控邻居的分析。该关系可以被认为在入站/出站信号的相对权重高于给定阈值的情况下为重要的。例如,对于相邻小区,重要关系的阈值权重可以被定义为源小区或相邻小区中该类型的总事件的2%;对于非相邻小区,阈值权重可以被定义为源小区或非相邻小区中该类型的总事件的5%。要理解的是,集群的大小越大,指示源小区过调就越明显。
根据本文所述的实施例,与源小区具有重要关系的相邻小区的小区集群可用于根据其操作上下文使源小区的一些或所有特征的结果标准化。例如:
标准化PD99:此特征表示源小区的PD99标准化为集群中小区的平均PD99。与非标准化PD99一样,源小区的PD99相对于其集群中的小区的PD99越大,指示源小区过调越明显。标准化如下计算:(源小区的PD99-针对所有集群的小区的PD99的平均数)/集群分布的标准差。因此,标准偏差=0,那么标准化PD也将为0。要理解的是,标准化PD95可以用一般类似的方式推导。
标准化总入度:此特征表示源小区的总入度值,被标准化为集群中所有小区的总入度。要理解的是,与其集群中的小区相比,值越大,指示源小区过调就越明显。标准化可以如下计算:源小区的“总入度”值/集群中小区的“总入度”值的中值。
根据本文所述的实施例,系统还可以支持用于评估源小区是过调者的可能性的层的定义。现在参考图1,图1示出了示例性源小区10的分层小区。如图1所示,源小区10可以沿小区11、12、13和14的一般方向呈弧形传输,其中小区11是传输弧中最近的小区。要理解的是,图1的传输弧可以表示简化的示例性潜在小区“束宽”,表示对源小区10的假定覆盖面积的粗略估计。实际上,覆盖面积可以被定义为半径(例如根据传播延迟推导的)、角度(例如来自天线波束宽度)和方位角(例如来自天线方位角)的函数。要理解的是,小区通常不具有全360度覆盖,而是由传输弧确定的覆盖的一部分。类似地要理解的是,在操作中,小区的覆盖“占用空间(footprint)”可能会受到各种技术和/或环境因素的影响,因此可能实际上不会接近图1所示的弧。
源小区10的第1层可以被定义为从最近的小区11(到源小区)的位置开始,并进一步延伸“X”米(以下简称“Xm”)的距离。根据本文所述的示例性实施例,Xm可以被定义为500米。然而,要理解的是,本文所述的实施例可以支持Xm的其他值。第2层可以被定义为在第1层中的小区之后从下一个最近的小区(即最近的小区12)开始,并也进一步延伸Xm的距离。第3层可以被定义为在第2层中的小区之后从下一个最近的小区(即最近的小区13)开始,并且也进一步延伸Xm的距离。因此,所描绘的小区11位于第1层;所描绘的小区12位于第2层;并且所描绘的小区13位于第3层。要理解的是,额外的层可以以类似的方式定义,使得小区14将位于第4层等等。第5层(未显示)将类似地被定义为源小区传输弧在第4层之后从最近小区延伸的Xm宽部分内的小区。其他层可以以类似地方式定义。类似地要理解的是,由于小区20不在源10的传输弧内,它们不与任何层相关联。还要理解的是,Xm可能是“空中距离”的测量,而不考虑地形。例如,当从地面上的点A移动到点B时,“地面距离”可能会受到中间地形是否有丘陵、山谷或平地的影响。根据图1的实施例,这些层可以被定义为根据空气中的距离的平滑弧,其中可以忽略特定地形。
许多特征可以被定义为层的函数。例如:
第N层关系:此特征表示源小区与第N层中的小区之间的关系的数量,其中N表示一个或定义的层。在本文所述的示例性实施例中,N可以等于5。要理解的是,第5层处与源小区10有关系的小区越多,源小区10就越有可能过调。
第大于I层处的未监控传入:此特征表示第I+1层及更高层中与源小区10有传入“未监控邻居”关系的小区的数量。在本文所述的示例性实施例中,I可以等于3。要理解的是,在第4层及更高层处与源小区10有传入“未监控邻居”关系的小区越多,源小区10就越有可能过调。
第大于J层处高于阈值的邻居权重:邻居权重可以计算为从源小区到目标小区的切换数量除以从源小区到所有目标小区的切换总数。此特征表示第J+l层中目标小区的权重之和并且超过阈值权重。在本文所述的示例性实施例中,J可以等于3。要理解的是,第4层及更高层的总和权重越大,源小区10就越有可能过调。
根据本文所述的实施例,系统还可以采用人工智能(AI)、机器学习和/或任何合适的预测模型来提供专家系统,该专家系统可以根据人类专家可能隐含使用的基本逻辑、方法和启发式来起作用。
例如,系统可以馈送由训练集,这些训练集包括已知的过调和非过调小区的特征值的许多示例。然后,系统可以采用机器学习算法,例如决策树学习,以从训练集中的示例学习并生成模型,该模型用于对组件OI值进行评分并且在用于评估未知示例时对分类结果(即“过调”或“不过调”)进行推断。根据本文所述的实施例,可以采用自适应增强算法(adaptive boosting algorithm)来增强决策树学习。要理解的是,本文所述的实施例不一定局限于使用具有自适应增强算法的决策树。例如,根据本文所述的一些实施例,可以使用随机森林算法(random forest algorithm)来代替或补充决策树和/或自适应增强。也可以应用其他AI领域,例如,深度学习和/或用于机器学习的其他支持向量机(SVM)或其他模型。
因此,在操作中,网络中的多个小区是根据所确定的模型来评分的,其中每个特征可以输入到机器学习过程中,然后根据机器学习的结果进行不同的加权。系统可以对评分小区进行分类,并且可以根据为给定评分定义的“决策阈值”识别过调和非过调小区。
根据本文所述的实施例,系统可以操作以采用远程电子倾斜(RET)命令来自动补救过调小区。公共导频信道(CPICH)设置也可以调整,以减小UE选择过调小区的范围。
现在参考图2,图2是根据本文所述的实施例构造和操作的示例性过调小区检测过程100的流程图。系统可以基于已知的过调和非过调小区的实际性能数据来生成(步骤110)训练集。要理解的是,已知过调和非过调小区的选择和标记可以基于手动检查。
系统可以任选地绘制(步骤120)上文所述的一些或所有过调指标,以根据每个过调指标提供检测过调小区的推定基线的视觉表示。
系统可以采用一个或多个机器学习算法和/或预测模型,以基于一些或所有过调指标生成评分模型(步骤130)。根据一些实施例,系统可以采用与自适应增强算法可选地结合的决策树学习来生成评分模型。如上文所述,系统还可以采用其他机器学习算法和/或预测模型。评分模型将包括上文所述的至少一些过调指标(即特征),其中每个所包含的过调指标的值可以被加权或过滤以便提供总体评分。
在操作中,系统在必要时可以连续地或周期性地整理(步骤140)来自多个小区以及与这些小区进行至少一些形式的通信的小区的实际性能数据,以对评分模型中的过调指标进行评估。例如,实际性能数据可以从供应商提供的统计数据进行整理和/或由移动网络的自优化网络(SON)功能提供。然后,系统可以使用在步骤130中生成的评分模型对每个小区进行评分。
基于每个小区的评分,系统然后可以确定(步骤160)哪些小区是过调小区。系统可以尝试自主补救(步骤170)过调小区的问题。例如,系统可以采用RET命令来调整过调小区的传输强度和/或模式。公共导频信道(CPICH)设置也可以被调整,以减小UE选择过调小区的范围。要理解的是,系统可以采用现有的SON功能来实现这样的补救。例如,系统可以将指令和/或至少建议转发给SON服务器,而不是直接与过调小区进行通信。然后,SON服务器可以向过调小区提供RET命令和/或CPICH设置。然后控制可以返回到步骤140。
要理解的是,过程100还可以包括反馈和调整步骤,其中系统可以评估步骤170的有效性并相应地做出反应。系统还可以周期性地重新执行步骤110-130,以便基于新的实际性能数据和针对参与小区的发现来更新评分模型。要进一步理解的是,过程100可以被有效地分为两个过程。步骤110-130可以表示设置过程,该设置过程可以被重复以执行周期性和/或按需更新;而步骤140-170可以作为定期调度操作过程来执行。
现在参考图3,图3是激增者检测器服务器205的示意性图示,该激增者检测器服务器205根据本文所述的实施例被配置和操作用于至少针对图2的过程100所述从移动网络200中的小区201当中检测过调小区。服务器205可以使用任何合适的(一个或多个)计算设备来实现,这些计算设备可支持执行本文所述的激增者小区检测。例如,服务器205可以使用多用途个人计算机、计算机平板电脑或智能手机上的硬件、软件和/或固件来实现。服务器205还可以在通信路由器或交换机上或专用物联网(IOT)设备上实现。服务器205还可以被实现为移动网络200的一个或多个元件上的集成组件,例如,移动管理实体(MME)、网关(例如,PGW、SGW)或移动基站(例如,eNodeB)。
服务器205包括处理电路210、输入/输出(I/O)模块220、模型生成器230、评分模型23S、激增者检测器240和操作数据245。模型生成器230、评分模型235、激增者检测器240和操作数据245可以使用用于存储软件和/或操作数据的任何合适的存储器(例如光学存储介质、磁存储介质、电子存储介质和/或其组合)来实现。要理解的是,存储器或其部分可以被实现为服务器205的物理组件和/或与服务器205通信的一个或多个次级设备的物理组件。
处理电路210可以操作用于执行存储在存储器中的指令。例如,处理器210可以操作用于执行模型生成器230和/或激增者检测器240。要理解的是,处理电路110可以被实现为中央处理单元(CPU)和/或一个或多个其他集成电路,例如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、全定制集成电路等或者这样的集成电路的组合。类似地要理解的是,服务器205可以包括处理电路210的多个实例。例如,处理电路210的一个这样的实例可以是特殊用途的处理器,以用于执行模型生成器230和/或激增者检测器240,从而执行如图2所示的过程100的一些或所有处理逻辑。
I/O模块220可以是任何合适的软件或硬件组件,例如通用串行总线(USB)端口、磁盘读卡器、调制解调器或收发器,其可操作以使用本领域已知的协议来通过通信网络(例如,主干网、互联网或经由WiFi连接)直接或间接与移动网络200的元件(例如,基站、MME、网关等)通信。要理解的是,本文所述实施例还可以支持以下配置:I/O模块220和移动网络200元件之间的一些或所有通信由本地服务器代理,并通过互联网、局域网和/或合适的无线技术转发给I/O模块220。本文中归因于服务器205的至少一些功能也可以在这样的本地服务器上执行。类似地要理解的是,由于I/O模块220操作用于与移动网络200的元件通信,服务器205的物理位置可能不一定在移动网络200的任何(一个或多个)特定元件附近。
模型生成器230可以是用硬件、固件或软件实现的应用,所述软件可以由处理电路210执行,以至少执行过程100(图2)的步骤110-130,如上文所述的,从而生成评分模型235。激增者检测器240可以是用硬件、固件或软件实现的应用,所述软件可以由处理电路210执行以使用评分模型235和实际性能数据(例如操作数据245),以至少执行上文所述的过程100(图2)的步骤140-170,从而自主地检测和补救移动网络200中的过调小区。
要理解的是,本公开的实施例的软件组件可以在需要的情况下以ROM(只读存储器)的形式实现。软件组件在需要的情况下通常可以使用常规技术用硬件实现。要进一步理解的是,软件组件可以被实例化,例如:作为非暂时性计算机可读介质、计算机程序产品和/或在承载计算机可读指令的有形介质上,当由一个或多个处理器执行时,使得一个或多个处理器执行本文所述的方法。在一些情况下,可以将软件组件实例化为可由适当的计算机解释的信号,尽管在本公开的某些实施例中可以排除这种实例化。
要理解的是,本公开的实施例的各种特征可以在单个实施例中相结合地提供,为了清楚起见,这样的各种特征是在单独实施例的上下文中描述的。
本领域技术人员要理解的是,本公开的实施例不受上文特别显示和描述的内容的限制。相反,本公开的实施例的范围由所附权利要求及其等效物限定。
Claims (19)
1.一种用于无线电接入网络的系统,包括:
输入/输出I/O模块,该I/O模块操作用于接收与移动网络中的至少小区间性能相关联的特征的操作数据;
处理电路;
模型生成器应用,该模型生成器应用由所述处理电路执行,并且操作用于:
使用至少一个预测模型来分析训练集,所述训练集包括至少过调小区的所述特征的值的示例,并且
生成评分模型,以用于从所述移动网络中的小区当中检测所述过调小区;以及
激增者检测应用,该激增者检测应用由所述处理电路执行,并且操作用于:
将所述评分模型与所述操作数据一起使用以从移动网络的小区当中检测所述过调小区,并且
减少所述过调小区的干扰,
其中,所述特征中的至少一个特征至少表示给定小区和分层小区之间的关系,其中,所述给定小区的覆盖面积基于与所述给定小区的物理距离被组织在层中,并且其中,所述层中的第一层从与所述给定小区最接近的第一小区开始并延伸可配置的距离,并且所述层中的后续层从与所述层中的前一层最接近的下一小区开始,并延伸所述可配置的距离。
2.根据权利要求1所述的系统,其中:
所述至少一个预测模型是由自适应增强算法修改的决策树机器学习算法。
3.根据权利要求1或2所述的系统,其中:
所述激增者检测应用操作用于根据所述移动网络中的给定小区与单独的其他小区的总交互的最小百分比来过滤所述给定小区的所述特征中的至少一个特征的所述操作数据。
4.根据权利要求1或2所述的系统,其中:
所述激增者检测应用操作用于根据所述移动网络中的给定小区与单独的其他小区之间的交互的最小数量来过滤所述给定小区的所述特征中的至少一个特征的所述操作数据。
5.根据权利要求1或2所述的系统,其中,所述特征中的至少一个特征表示所述移动网络中的给定小区的相邻小区的数量,其中,所述相邻小区与所述给定小区具有成功切换关系。
6.根据权利要求1或2所述的系统,其中,所述特征中的至少一个特征与所述移动网络中的给定小区的入站切换活动相关联。
7.根据权利要求1或2所述的系统,其中,所述特征中的至少一个特征与所述移动网络中的给定小区的出站切换活动相关联。
8.根据权利要求1或2所述的系统,其中,所述特征中的至少一个特征表示切换事件的数量。
9.根据权利要求8所述的系统,其中,所述切换事件是成功的。
10.根据权利要求8所述的系统,其中,所述切换事件是不成功的。
11.根据权利要求1或2所述的系统,其中,所述特征中的至少一个特征表示在给定小区的覆盖面积内的小区的数量,其中所述覆盖面积根据针对与所述给定小区的距离的代理来定义,其中,针对与所述给定小区的距离的所述代理是基于所述给定小区与用户设备UE成功通信的传播延迟PD的可配置百分位数的。
12.根据权利要求1或2所述的系统,其中,所述特征中的至少一个特征是给定小区的集群大小,其中,所述集群大小表示所述移动网络中与所述给定小区具有显著交互的其他小区的数量,其中,所述显著交互被定义为所述给定小区的所有小区间交互的可配置百分比。
13.根据权利要求12所述的系统,其中,根据所述集群中的所述其他小区的特征值,从所述特征当中的至少第二特征推导出标准化特征。
14.根据权利要求1或2所述的系统,其中,所述特征中的至少一个特征是给定小区的总入度,其中,所述总入度表示所述移动网络中与所述给定小区具有交互的所有其他小区的数量。
15. 根据权利要求1或2所述的系统,其中,所述激增者检测应用操作用于通过以下方式中的至少一种来减少所述过调小区的干扰:
使用远程电子倾斜RET命令来调整所述过调小区的天线设置;或
调整公共导频信道CPICH设置,以减小UE选择所述过调小区的范围。
16.根据前述权利要求1或2所述的系统,其中,所述训练集进一步包括至少非过调小区的所述特征的值的示例。
17.一种用于检测移动网络中的过调小区的方法,所述方法在计算系统上被执行,并且所述方法包括:
针对已知的过调小区和非过调小区,基于历史性能数据生成训练集;
基于大量的过调指标生成评分模型,其中,所述大量的过调指标中的每个过调指标的值被加权,以提供总体评分;
整理操作中的多个小区的实际性能数据;
使用所述评分模型对操作中的每个所述小区进行评分;
基于所述评分,确定操作中的所述小区中的哪些小区是过调小区;以及
对所述过调小区的所述评分所指示的问题进行补救,
其中,与所述移动网络中的至少小区间性能相关联的特征中的至少一个特征至少表示给定小区和分层小区之间的关系,其中,所述给定小区的覆盖面积基于与所述给定小区的物理距离被组织在层中,并且其中,所述层中的第一层从与所述给定小区最接近的第一小区开始并延伸可配置的距离,并且所述层中的后续层从与所述层中的前一层最接近的下一小区开始,并延伸所述可配置的距离。
18.一种非暂时性计算机可读介质,其承载有计算机可读指令,所述计算机可读指令在由一个或多个处理器执行时,使得所述一个或多个处理器执行权利要求17所述的方法。
19.一种用于无线电接入网络的方法,包括:
接收与移动网络中的小区性能相关联的特征的操作数据,其中,所述特征中的至少一个特征至少表示给定小区和分层小区之间的关系,其中,所述给定小区的覆盖面积基于与所述给定小区的物理距离被组织在层中,并且其中,所述层中的第一层从与所述给定小区最接近的第一小区开始并延伸可配置的距离,并且所述层中的后续层从与所述层中的前一层最接近的下一小区开始并延伸所述可配置的距离;
使用至少一个预测模型来分析训练集,所述训练集包括至少过调小区的所述特征的值的示例;
生成评分模型,以用于从所述移动网络中的小区当中检测所述过调小区;
将所述评分模型与所述操作数据一起使用以从移动网络的小区当中检测所述过调小区;并且
减少所述过调小区的干扰。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201662430951P | 2016-12-07 | 2016-12-07 | |
US62/430,951 | 2016-12-07 | ||
PCT/IB2017/057087 WO2018104817A1 (en) | 2016-12-07 | 2017-11-14 | Overshooting cell detection |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110063066A CN110063066A (zh) | 2019-07-26 |
CN110063066B true CN110063066B (zh) | 2022-09-02 |
Family
ID=60574659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780075328.1A Active CN110063066B (zh) | 2016-12-07 | 2017-11-14 | 过调小区检测 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10251102B2 (zh) |
EP (1) | EP3552423B1 (zh) |
CN (1) | CN110063066B (zh) |
WO (1) | WO2018104817A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10740656B2 (en) * | 2018-09-19 | 2020-08-11 | Hughes Network Systems, Llc | Machine learning clustering models for determining the condition of a communication system |
WO2020079678A1 (en) | 2018-10-15 | 2020-04-23 | Cellwize Wireless Technologies Ltd. | Managing a cellular network using machine learning to classify the access points |
US11470490B1 (en) | 2021-05-17 | 2022-10-11 | T-Mobile Usa, Inc. | Determining performance of a wireless telecommunication network |
US11665660B1 (en) * | 2021-12-28 | 2023-05-30 | Rakuten Symphony Singapore Pte. Ltd. | Suspected cell identification |
US11937175B2 (en) * | 2022-01-04 | 2024-03-19 | Rakuten Symphony Singapore Pte. Ltd. | Automatic cell range |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1713764A (zh) * | 2004-06-23 | 2005-12-28 | 大唐移动通信设备有限公司 | 检查小区间紧密程度及其自动检查网络问题的方法 |
CN104703229A (zh) * | 2013-12-10 | 2015-06-10 | 中国电信股份有限公司 | 一种优化切换方法和系统 |
WO2016016782A2 (en) * | 2014-07-28 | 2016-02-04 | Telefonaktiebolaget L M Ericsson (Publ) | System and method of automatic neighbor relation (anr) intelligence enhancement for boomer neighbor in lte |
CN107113635A (zh) * | 2014-12-17 | 2017-08-29 | 华为技术有限公司 | 用于确定小区状态以调整天线配置参数的方法和装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008014818A1 (en) | 2006-08-02 | 2008-02-07 | Arieso | Simulation tool and method for simulating a communication system |
US9269040B2 (en) | 2011-03-01 | 2016-02-23 | Telefonaktiebolaget L M Ericsson | Event monitoring devices and methods |
US20140162682A1 (en) * | 2012-12-06 | 2014-06-12 | At&T Intellectual Property I, L.P. | Overshooting cell detection for self optimizing network applications |
US20160165472A1 (en) * | 2014-12-09 | 2016-06-09 | Futurewei Technologies, Inc. | Analytics assisted self-organizing-network (SON) for coverage capacity optimization (CCO) |
-
2017
- 2017-11-14 EP EP17809028.8A patent/EP3552423B1/en active Active
- 2017-11-14 US US15/811,729 patent/US10251102B2/en active Active
- 2017-11-14 WO PCT/IB2017/057087 patent/WO2018104817A1/en unknown
- 2017-11-14 CN CN201780075328.1A patent/CN110063066B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1713764A (zh) * | 2004-06-23 | 2005-12-28 | 大唐移动通信设备有限公司 | 检查小区间紧密程度及其自动检查网络问题的方法 |
CN104703229A (zh) * | 2013-12-10 | 2015-06-10 | 中国电信股份有限公司 | 一种优化切换方法和系统 |
WO2016016782A2 (en) * | 2014-07-28 | 2016-02-04 | Telefonaktiebolaget L M Ericsson (Publ) | System and method of automatic neighbor relation (anr) intelligence enhancement for boomer neighbor in lte |
CN107113635A (zh) * | 2014-12-17 | 2017-08-29 | 华为技术有限公司 | 用于确定小区状态以调整天线配置参数的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
US20180160345A1 (en) | 2018-06-07 |
EP3552423B1 (en) | 2022-01-05 |
US10251102B2 (en) | 2019-04-02 |
EP3552423A1 (en) | 2019-10-16 |
WO2018104817A1 (en) | 2018-06-14 |
CN110063066A (zh) | 2019-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110063066B (zh) | 过调小区检测 | |
US10327159B2 (en) | Autonomous, closed-loop and adaptive simulated annealing based machine learning approach for intelligent analytics-assisted self-organizing-networks (SONs) | |
US10785101B2 (en) | Automatically optimize parameters via machine learning | |
US10382979B2 (en) | Self-learning, adaptive approach for intelligent analytics-assisted self-organizing-networks (SONs) | |
US11641589B2 (en) | Contextualized network optimization | |
EP3225046B1 (en) | Method and apparatus for determining cell states to adjust antenna configuration parameters | |
US9578530B2 (en) | Method and apparatus for determining cell states to adjust antenna configuration parameters | |
Gómez-Andrades et al. | Automatic root cause analysis for LTE networks based on unsupervised techniques | |
EP3259881B1 (en) | Adaptive, anomaly detection based predictor for network time series data | |
US20160165472A1 (en) | Analytics assisted self-organizing-network (SON) for coverage capacity optimization (CCO) | |
WO2017050113A1 (en) | System and method for a multi view learning approach to anomaly detection and root cause analysis | |
US20160050571A1 (en) | Network optimization method, and network optimization device | |
EP3241379A1 (en) | Analytics-assisted, multi-agents, self-learning, self-managing, flexible and adaptive framework for intelligent son | |
EP2683190A1 (en) | Operation Monitoring Apparatus, Cause Event Estimating Method for the same, and Information Communication Network System | |
EP3183903B1 (en) | Received signal strength based interferer classification of cellular network cells | |
CN113133069A (zh) | 一种目标小区的确定方法、装置、电子设备及存储介质 | |
Moysen et al. | On the potential of ensemble regression techniques for future mobile network planning | |
CN114731524A (zh) | 监测多个网络节点的性能 | |
US9609533B2 (en) | Method and device for optimizing a handover parameter | |
WO2020135157A1 (zh) | 无线系统的性能评估方法和装置 | |
Gómez-Andrades et al. | Unsupervised performance functions for wireless self-organising networks | |
EP3641373B1 (en) | System and method for determining communication channels in a wireless network | |
Alesand | Identification of Flying Drones in Mobile Networks using Machine Learning | |
Shi et al. | Spectrum Sensing for Cognitive Radio based on RVM | |
EP4302512A1 (en) | Automated root cause analysis of network issues in a cellular network using machine learning |
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 |