CN110505650B - 随机异构分层网容量智能评估方法及装置 - Google Patents

随机异构分层网容量智能评估方法及装置 Download PDF

Info

Publication number
CN110505650B
CN110505650B CN201810469703.7A CN201810469703A CN110505650B CN 110505650 B CN110505650 B CN 110505650B CN 201810469703 A CN201810469703 A CN 201810469703A CN 110505650 B CN110505650 B CN 110505650B
Authority
CN
China
Prior art keywords
capacity
cell
index data
determining
preset
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
CN201810469703.7A
Other languages
English (en)
Other versions
CN110505650A (zh
Inventor
刘吉宁
黄海晖
陆南昌
李晖晖
夏龙根
刘晓鸣
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.)
China Mobile Communications Group Co Ltd
China Mobile Group Guangdong Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Group Guangdong Co Ltd
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 China Mobile Communications Group Co Ltd, China Mobile Group Guangdong Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN201810469703.7A priority Critical patent/CN110505650B/zh
Publication of CN110505650A publication Critical patent/CN110505650A/zh
Application granted granted Critical
Publication of CN110505650B publication Critical patent/CN110505650B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Abstract

本发明实施例提供了一种随机异构分层网容量智能评估方法及装置，该方法能够对不同场景进行区分，并对不同场景下的容量负荷类指标数据和/或用户感知类指标数据与下载速率进行线性拟合，获得指标数据与下载速率的拟合曲线，接着在满足下载速率达到预设速率的情况下，将拟合曲线中的拐点作为该场景下第一指标数据的门限值。从而相比于现有技术，能够根据网络实际值实时进行门限值的变更，使得变更之后的门限值更适合当前的网络环境，为容量问题小区的评估提供了更为精确的标准，有效提高评估的准确性。此外，本发明实施例提供的方法无需耗费较多的人力物力，无需对工作人员有较高的要求，简单易实现。

Description

随机异构分层网容量智能评估方法及装置
技术领域
本发明实施例涉及计算机技术领域，具体涉及一种随机异构分层网容量智能评估方法及装置。
背景技术
目前对于容量问题小区的识别与输出主要采用的是高负荷待扩容新算法。高负荷待扩容小区定义如下：按照大、中、小包的小区分类确定标准，当满足(“有数据传输的RRC数达到门限”且“上行利用率达到门限”且“上行流量达到门限”)或(“有效RRC用户数达到门限”且“下行利用率达到门限(PDSCH或PDCCH)”且“下行流量达到门限”)条件，即为待扩容小区。
然而，在实现发明创造的过程中，发明人发现，现有技术采用TOP N的方式截取全网负荷较高的小区，并以这部分小区为样本，得出小区扩容固定门限值。但随着网络容量的变化，该门限值将不能满足集团日益增长的业务量需求，比如用户数。高负荷小区制定的门限值为大包10，中包20，小包50，但根据7月份数据统计，某地区的用户数平均值为大包14.56，中包27.98，小包28.82(条件：上行RPB利用率大于50％，上行流量大于0.3GB)，高负荷扩容算法滞后于网络实际值，如果需要重新制定门限，对评估人员的个人水平要求高，且计算量大，在快速响应目前移动互联网复杂性的业务需求的过程中，容易造成容量问题小区识别错误或命中率过低，从而造成定位不精准而无法应用到实际业务分析中。
发明内容
本发明实施例提供一种用于随机异构分层网容量智能评估方法及装置。
第一方面，本发明实施例提供一种随机异构分层网容量智能评估方法，包括：
获取不同场景下的若干组网络数据，其中每一组网络数据包括第一指标数据以及网络在第一指标数据情况下对应的下载速率，所述第一指标数据为容量负荷类指标数据和/或用户感知类指标数据；
对于每一种场景，利用二次线性拟合法对所述第一指标数据以及对应的下载速率进行建模，得到所述第一指标数据与对应的下载速率的拟合曲线；并将所述拟合曲线中满足第一预设条件的拐点所对应的第一指标数据值作为该场景下第一指标数据的门限值；其中，所述第一预设条件为下载速率达到预设速率。
第二方面，本发明实施例提供一种随机异构分层网容量智能评估装置，包括：
获取单元，用于获取不同场景下的若干组网络数据，其中每一组网络数据包括第一指标数据以及网络在第一指标数据情况下对应的下载速率，所述第一指标数据为容量负荷类指标数据和/或用户感知类指标数据；
拟合单元，用于对于每一种场景，利用二次线性拟合法对所述第一指标数据以及对应的下载速率进行建模，得到所述第一指标数据与对应的下载速率的拟合曲线；并将所述拟合曲线中满足第一预设条件的拐点所对应的第一指标数据值作为该场景下第一指标数据的门限值；其中，所述第一预设条件为下载速率达到预设速率。
第三方面，本发明的又一实施例提供了一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述方法的步骤。
第四方面，本发明的又一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，该程序被处理器执行时实现如第一方面所述方法的步骤。
本发明实施例提供了一种随机异构分层网容量智能评估方法及装置，该方法能够对不同场景进行区分，并对不同场景下的容量负荷类指标数据和/或用户感知类指标数据与下载速率进行线性拟合，获得指标数据与下载速率的拟合曲线，接着在满足下载速率达到预设速率的情况下，将拟合曲线中的拐点作为该场景下第一指标数据的门限值。从而相比于现有技术，能够根据网络实际值实时进行门限值的变更，使得变更之后的门限值更适合当前的网络环境，为容量问题小区的评估提供了更为精确的标准，有效提高评估的准确性。此外，本发明实施例提供的方法无需耗费较多的人力物力，无需对工作人员有较高的要求，简单易实现。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1是本发明实施例提供的一种随机异构分层网容量智能评估方法流程图；
图2是本发明实施例提供的用户数与下行PRB平均利用率拟合曲线示意图；
图3是本发明实施例提供的连接用户数与激活用户数示意图
图4是本发明实施例提供的用户数与下载速率拟合曲线示意图；
图5是本发明实施例提供的下载速率与RSRP均值拟合曲线示意图；
图6是本发明实施例提供的下载速率与sinrUL拟合曲线示意图；
图7是本发明实施例提供的下载速率与模三干扰比例拟合曲线示意图；
图8是本发明实施例提供的下载速率与弱覆盖比例拟合曲线示意图；
图9是本发明实施例提供的搭建随机异构系统示意图；
图10是本发明实施例提供的异构系统内各小区容量情况示意图；
图11是本发明实施例提供的异构系统内各小区建议调整方案示意图；
图12是本发明实施例提供的异构系统内各小区调整后方案预测示意图；
图13是本发明实施例提供的一种具体的随机异构分层网容量智能评估方法流程图；
图14是本发明提供的一种随机异构分层网容量智能评估装置实施例结构示意图；
图15是本发明提供的一种网络侧设备实施例结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
第一方面，本发明实施例提供了一种随机异构分层网容量智能评估方法，如图1所示，包括：
S101、获取不同场景下的若干组网络数据，其中每一组网络数据包括第一指标数据以及网络在第一指标数据情况下对应的下载速率，所述第一指标数据为容量负荷类指标数据和/或用户感知类指标数据；
S102、对于每一种场景，利用二次线性拟合法对所述第一指标数据以及对应的下载速率进行建模，得到所述第一指标数据与对应的下载速率的拟合曲线；并将所述拟合曲线中满足第一预设条件的拐点所对应的第一指标数据值作为该场景下第一指标数据的门限值；其中，所述第一预设条件为下载速率达到预设速率。
本发明实施例提供的方法能够对不同场景进行区分，并对不同场景下的容量负荷类指标数据和/或用户感知类指标数据与下载速率进行线性拟合，获得指标数据与下载速率的拟合曲线，接着在满足下载速率达到预设速率的情况下，将拟合曲线中的拐点作为该场景下第一指标数据的门限值。从而相比于现有技术，能够根据网络实际值实时进行门限值的变更，使得变更之后的门限值更适合当前的网络环境，为容量问题小区的评估提供了更为精确的标准，有效提高评估的准确性。此外，本发明实施例提供的方法无需耗费较多的人力物力，无需对工作人员有较高的要求，简单易实现。
下面对上述方法实施例的各个步骤进行详细说明。
步骤S101、获取不同场景下的若干组网络数据，其中每一组网络数据包括第一指标数据以及网络在第一指标数据情况下对应的下载速率，第一指标数据为容量负荷类指标数据和/或用户感知类指标数据
其中，这里的场景具体可以为：室分、地铁、高速铁路、一般场景、高速道路、重要场景、海域沙漠区域(超远)、高校园区、城中村、郊区农村等等，当然还可以为其他具体场景。
这里的容量负荷类指标数据可以为：有效用户数、上、下行PRB 利用率、PDCCH信道CCE占用率、空口上、下行流量、无线利用率等；这里的用户感知类指标数据可以为：无线接通率、无线掉线率、切换成功率等。
步骤S102、对于每一种场景，利用二次线性拟合法对第一指标数据以及对应的下载速率进行建模，得到第一指标数据与对应的下载速率的拟合曲线；并将拟合曲线中满足第一预设条件的拐点所对应的第一指标数据值作为该场景下第一指标数据的门限值；其中，第一预设条件为下载速率达到预设速率。
具体来说，本发明实施例提供的方法主要是根据容量负荷类指标数据以及用户感知类指标数据来确定门限值。客户感知及上层指标是网络问题发生后表现的现象，这些现象由不同或者相似的原因导致，对多维度的数据进行关联分析，挖掘出哪些是容量问题引起了客户感知不好、上层指标变差是多维数据关联研究的关键。容量不足会导致网络产生速率问题、语音质量问题、2/4G分流问题、网管指标问题、小区负荷问题等。通过研究量化网络资源和各性能指标之间的关系，可以找寻出容量饱和时指标劣化前的临界值，进一步提升网络预警、故障定位和处理的能力。
其中，研究量化网络资源和各性能指标之间的关系可以采用二次线性拟合法。下面首先对二次线性拟合法的基本原理进行说明。
·二次线性拟合法的基本原理
给定任意一组数据序列(xi，yi)，i＝0，1，…，m，用二次多项式函数拟合这组数据。
设拟合曲线为p(x)＝a0+a1x+a2x2，则拟合函数与数据序列的均方误差如式(1)所示：
Figure GDA0003953469980000061
由多元函数的极值原理，Q(a0，a1，a2)的极值(包括极大值以及极小值)满足式(2)：
Figure GDA0003953469980000062
整理得二次多项式函数拟合的法方程如式(3)所示：
Figure GDA0003953469980000071
将(xi，yi)，i＝0，1，…，m的数值代入到法方程式(3)中，即可得到
Figure GDA0003953469980000072
的解，进而将得到的a0、a1以及a2的结果代入到p(x)＝a0+a1x+a2x2中得到拟合曲线。
举例来说：给定任意一组指标数据，如表1所示，用上述所述的二次多项式函数来拟合的这组数据。
表1 RRC用户数与下行PRB平均利用率数据表
Figure GDA0003953469980000073
设p(x)＝a0+a1x+a2x2，由计算得表2：
表2 RRC用户数与下行PRB平均利用率二次多项式函数计算表
Figure GDA0003953469980000074
Figure GDA0003953469980000081
将数据代入法方程式(3)得到表3：
表3代入后得到的三元一次方程矩阵
Figure GDA0003953469980000082
解方程得：
p(x)＝0.009230297－0.002861462x－(-3.90116E+05)x2 (4)
拟合后结果如图2所示，之后将该拟合曲线的拐点值作为门限值即可。
下面详细说明利用二次线性拟合法对几种指标数据进行拟合的过程及结果。
·用户数与下载速率
具体来说，以用户连接数与用户感知指标为导向评估容量问题小区，可找出不同场景用户对应的用户感知期望值。首先解释一下连接用户数与激活用户数的定义。连接用户数(RRC-connetcted users)：建立了RRC连接的用户数目；激活用户数(Active users)：根据3GPP TS36.314定义，激活用户为采样周期内buffer中有数据的用户，采样周期取值范围为1ms～100ms。中移动定义激活用户为100ms内buffer 中有数据的用户。
二者的区别在于：如图3所示，当用户在10S内没有任何数据传输，会从RRC连接态进入idle态。在RRC连接态中，若100ms内有数据传输，那么处于激活态。对于单载波单小区来说，理论上支持的用户数为：连接用户数1200个，激活用户数400个。
对现网不同类型、不同场景、不同业务方面的站点小区，结合连接用户数关联用户感知速率进行关联分析，通过大量数据的关联性或相关性分析，发现某些属性同时出现的规律和模式，总结不同连接用户数对应的用户感知速率规律，设定动态监控跟踪门限及时上报，进行相关优化或扩容。
下面以前期某市针对大话务小区的关联用户感知速率与连接用户数分析为例。前期某地市有客户投诉在家4G上网速度慢，经核查无线侧的覆盖、干扰均正常，通过现场实际测试，发现该区域是属于用户密集区域，高峰期用户数的增加对下载速率产生了一定的影响。通过提取核心侧指标进行分析，建立用户数与下载速率间的分布图，但由于数据量庞大，不能直观的找寻出其中的关联关系，无法制定具有针对性的容量规划方案。因此，可以采用本发明实施例提供的方法，获取现网中用户数与下载速率的数据，之后对用户数以及下载速率进行拟合。通过数学建模方法，搭建起两者指标间的有效关联关系，直观的分析出该指标间的变化趋势，拟合之后的结果可以参见图4。
由图4分析可知：
Figure GDA0003953469980000101
小区内最大用户数在0～50区间用户下行速率可保持在 10mbps以上，用户感知较好(单用户下载速率10mbps时，可实现3s打开OTT)；
Figure GDA0003953469980000102
小区内最大用户数在50～100区间用户下行速率小于5mbps 占比提升，用户感知受小幅影响，但尚可接受(OTT业务可正常使用，但打开时延增加)；
Figure GDA0003953469980000103
小区内最大用户数在100～150区间用户下行速率小于1mbps 占比提升，用户感知明显下降，用户感知恶劣，实际测试用户开始出现无法上网情况；
Figure GDA0003953469980000104
小区内最大用户数在200～600区间，小区集中为高容量高性能站点，下载速率较高，曲线呈上升趋势。
由上述案例可以看出，通过多维度数据的关联性或相关性分析，可以发现某些属性同时出现的规律和模式，进一步提升网络预警、故障定位和处理的能力。
·无线侧干扰覆盖指标与下载速率
对于无线侧而言，无线侧的干扰、覆盖、容量和故障是影响客户感知的基本因素。在本技术方案中，由于容量和故障等评估指标不属于软采指标，故暂不对这2项指标开展关联分析。
通过软采数据可以得到rsrp、sinrUL、模三干扰和弱覆盖比例等反映无线侧干扰与覆盖情况的指标。采用关联分析方法，利用下载速率与对应的指标开展关联分析，确定对应的关联系数。
注：关联分析法是一种简单、实用的分析技术，就是发现存在于大量数据集中的关联性或相关性，从而描述了一个事物中某些属性同时出现的规律和模式。关联系数主要描述2组数据之间的变化规律，当该系数绝对值越靠近1时，说明2组数据之间的关联性越强；当该系数绝对值越靠近0时，说明2组数据之间关联性弱，相互之间影响不大。
取下载速率与rsrp、sinrUL、模三干扰和弱覆盖比例等指标进行关联分析，得到关联系数如表4所示。
表4下载速率与rsrp、sinrUL、模三干扰和弱覆盖比例关联系数
下载速率 RSRP均值 sinrUL平均值 模三干扰比例 弱覆盖比例
关联系数 0.83 0.81 -0.65 -0.83
根据上述关联分析的结论，确定无线侧的覆盖、干扰等指标会对下载速率造成影响。为进一步验证相关指标的劣化门限，采用归一化拟合的方法，搭建rsrp、sinrUL、模三干扰和弱覆盖比例等指标与下载速率的变化规律模型。
取投诉小区下载速率与对应的无线侧指标，采用0.1Mbps区间进行数据的归一化处理并拟合，结果如下：
(1)下载速率与RSRP建模：
参见图5，通过数据的拟合处理，下载速率与RSRP均值模型搭建如图5所示。通过测算，下载速率要保证在1.5Mbps以上时，RSRP 均值需要保证在-110.11dbm以上，与目前无线侧评估无线侧弱覆盖门限一致；当RSRP均值越高时，对应的下载速率越高。
(2)下载速率与sinUL建模：
参见图6，通过数据的拟合处理，下载速率与sinrUL平均值模型搭建如图6所示。通过测算，下载速率要保证在1.5Mbps以上时，sinrUL平均值需要保证在12.45以上，当sinrUL平均值越高时，对应的下载速率越高。
(3)下载速率与模三干扰建模：
参见图7，通过数据的拟合处理，下载速率与模三干扰比例模型搭建如图7所示。通过测算，下载速率要保证在1.5Mbps以上时，模三干扰比例需要保证在86.2％以下，当模三干扰比例越小时，对应的下载速率越高。
(4)下载速率与弱覆盖比例建模：
参见图8，通过数据的拟合处理，下载速率与弱覆盖比例模型搭建如图8所示。通过测算，下载速率要保证在1.5Mbps以上时，弱覆盖比例需要保证在57.4％以下，当弱覆盖比例越小时，对应的下载速率越高。
从而基于上述(1)至(4)能够建立感知的干扰与覆盖指标模型：从上述模型分析结果可知，在单独考虑覆盖或干扰的情况下，对客户感知造成影响的指标门限如表5所示。
表5干扰与覆盖指标门限值、关系系数及相关性
Figure GDA0003953469980000121
从关联系数可以发现，下载速率与rsrp、sinrUL、模三干扰和弱覆盖比例等描述无线覆盖环境的指标关联性都很强，说明此类下载速率低的投诉小区主要是由于无线侧环境较差导致的。
从而通过上述方法能够得到各个场景下各个指标的门限值。进一步地，本发明实施例提供的方法还能够利用这些门限值对容量问题小区进行评估，具体来说，本发明实施例提供的方法还可以包括：
S103、若目标小区满足第二预设条件的天数超过预设天数，则确定该目标小区为容量问题小区；其中，第二预设条件为：目标小区当天超过对应门限值的第一指标数据的个数达到预设值。
具体来说，通过容量问题小区智能评估算法，采用长周期历史样本数据，可以通过步骤S102的计算输出不同场景下的各指标阈值表。表6为一种指标阈值表的示例。
表6各指标阈值表示例
Figure GDA0003953469980000131
根据表6所示的门限值来判断，当系统中的现网小区连续若干天 (例如可以为7天)都有若干个及以上指标超过阈值时(例如8个，其中，容量类5大个，感知类3大个；当然也可以根据实际情况对这一标准进行设置)，可以认为该小区是属于高负荷低感知小区，即为容量问题小区。
表7示出了广东地市根据上述方法得到的某月容量小区输出列表。
表7广东地市某月容量小区输出列表
Figure GDA0003953469980000132
现有技术定位出存在容量问题小区后，仅根据该小区的业务量等指标给出本小区对应的建议解决方案，而实际生产中，通常我们在解决容量问题小区时，是需要根据其周边小区的业务量、告警、规划等信息来进行综合判断，最终得出该区域内所有小区的共同协调优化方案。显然，现有技术中的解决方案并不一定能够达到预期的效果。基于此，本发明实施例提供的方法能够在判断出容量问题小区后，给出对应的优化策略，具体来说，可以包括：
S104、以容量问题小区为中心，根据小区MR重叠覆盖度、切换请求次数以及基于小区的中心半径，查找与所述容量问题小区存在强关系邻区，搭建随机异构网络系统；
也就是说，搭建异构网络系统优先级为：1、基于小区MR重叠覆盖；2、基于小区邻区切换关系；3、基于小区中心半径。图9示出了基于上述三个优先级查找到的强关系邻区所搭建的异构网络系统 (图中圆圈阴影部分即为系统覆盖范围)。
S105、确定容量问题小区在异构系统内的邻小区的负荷情况；
其中，这里确定容量问题小区在异构系统内的邻小区的负荷情况的方式可以有很多种，其中一种可选的方式包括：
S1051、根据现网小区的历史样本数据确定不同基站设备的各容量指标的上限以及下限；
举例来说，通过挖掘现网小区历史样本数据，按上限＝设备实际承载能力*1.2系数，下限＝设备实际承载能力*0.8系数，评估出不同覆盖类型、不同厂家的容量上下限评估表。表8示出了一种评估表示例。
表8设备容量上下限评估表
Figure GDA0003953469980000151
S1052、对于异构系统内的所有邻小区：若第一小区大于所述上限的容量指标的个数达到预设值，则确定第一小区的负荷情况为饱和；若第二小区所述下限的容量指标的个数达到预设值，则确定第二小区的负荷情况为空闲；余下小区的负荷情况确定为一般。
还以上面的例子来说，根据表8中的上下限对所有邻小区进行判断：
当异构系统中的小区超过若干个(例如3个)指标大于【上限】时，认为该小区当前状态已饱和；
当异构系统中的小区超过若干个(例如3个)指标小于【下限】时，认为该小区当前状态为空闲；
指标集介于饱和与空闲状态的，认为该小区当前状态为一般。
图10示出了邻小区判断结果的一个示例。
S106、根据负荷情况，确定对应的容量优化操作。
也即以容量小区为中心，综合评估异构内邻小区的负荷情况，输出该容量小区的建议优化解决方案。确定解决方案的判断原则的一种可选的方式为：
(1)若饱和状态的邻小区占比超过第一预设值，则确定优化操作为在所述容量问题小区周边新建站点；
(2)若空闲状态的邻小区占比超过第二预设值，则确定优化操作为利用空闲状态的邻小区分担所述容量问题小区的负荷；
(3)若一般状态的邻小区占比超过第三预设值，则确定优化操作为对所述容量问题小区进行扩容；
(4)若一般状态的邻小区占比未超过第三预设值且异构系统中还存在空闲状态小区，则确定优化操作为对空闲状态的邻小区参数进行调整以分担所述容量问题小区的负荷；
(5)若一般状态的邻小区占比未超过第三预设值且异构系统中不存在空闲状态小区，则确定优化操作为在所述容量问题小区周边新建站点。
举例来说，表9示出了一种异构系统容量判决原则的示例。
表9异构系统容量判决原则的示例
Figure GDA0003953469980000161
由上述叙述可知，优化调整的方案主要包括：扩容、新建站点以及负荷分担，进一步地，不同的调整方案也会有其对应的具体的调整规则。
a)载波扩容：
(1)若小区预测指标满足扩容条件，则根据预测的最大用户数与扩容条件中用户数门限(400)的比例确定扩容载波数；
(2)根据各频段带宽原则分析需扩容小区是否能满足需扩容的载波数，是则直接进行扩容，否则进行小区分裂；
注：若小区使用光分布系统(MDAS)，则无法进行小区扩容，直接进行小区分裂，增加容量。
各频段扩容原则：
Figure GDA0003953469980000172
F频小区，不建议扩容；
Figure GDA0003953469980000173
D频小区，最大为3个载波，D1，D2，D3；
Figure GDA0003953469980000174
E频小区，最大为2个载波，E1，E2；(预留10m带宽，可用于保障期间严重拥塞应急扩容)
结合覆盖区域预测业务量及RRU覆盖分布，确定小区分裂方案及载波分配方案。
b)硬件扩容、小区分裂
(1)负荷评估
热点区域负荷评估，采取以下容量评估标准，对区域基站负荷进行评估，对于负荷过高站点，制定扩容方案，提升网络容量。表10 列举了一些不同站型的对应的扩容方法。
表10不同站型的扩容方法
Figure GDA0003953469980000171
(2)多基带板站点单板负荷均衡
若保障站点存在多个基带单板，则需根据各载波的负荷调整载波与基带板的捆绑关系，使站点各基带板负荷均衡。
c)站点规划：新增宏站、室分、微小站、应急通信车
宏站规划：高负荷站点周边300米以内无规划站点，载波扩容、小区分裂及相关优化手段无法解决容量问题，可以考虑规划新增宏站。
室分规划：高负荷宏站无法兼顾室内外热点区域问题，室内无室分站点，载波扩容、小区分裂及相关优化手段无法解决容量问题，可以考虑规划新增室分。
微小站规划：热点区域高负荷宏站、室分，载波扩容、小区分裂及相关优化手段无法解决容量问题，无法建设宏站或室分，可以考虑规划新增室分。
应急通信车：节假日、大型活动短期高容量问题或是扩容无法及时实施，可以考虑应急通信车来进行临时扩容保障用户感知。
d)传输扩容
传输配置规划：需对传输进行核查，确定传输是否支持，若否，则推动传输侧加大带宽。表11示出了各个站型的LSP属性设置表。
表11LSP属性设置表(Mb/s)
Figure GDA0003953469980000181
为了对优化之后的结果进行预测，本发明实施例提供的方法还可以包括：
S107、根据不同基站设备的理论承载最大能力，确定设备承载能力静态表；
其中，设备承载能力静态表包括单载频容量表以及单站3载频容量表；参见表12，单载频容量表用于描述各类基站设备在单载频情况下的容量；参见表13，单站3载频容量表用于描述各类基站设备在单站3载频情况下的容量；
表12单载频容量表
Figure GDA0003953469980000191
表13单站3载频容量表
Figure GDA0003953469980000201
在得到上述承载能力静态表之后，根据所述设备承载能力静态表，对于不同的容量优化操作确定对应的容量分配策略，可以包括：
(1)在优化操作为对容量问题小区进行扩容时，容量分配策略为：对于扩容后的容量问题小区先分配预设比例(例如30％)的单载频容量，再根据容量问题小区与邻区的切换关系强弱比例分配剩余单载频容量；
(2)在优化操作为新建站点时，容量分配策略为：对于新建站点根据容量问题小区邻区业务量强弱占比分配单站3载频容量；
(3)在优化操作为负荷均衡时，容量分配策略为：分配预设比例(例如30％)的容量问题小区业务至异构系统中最空闲邻区。
方案预测的结果可以参见图12，可见经过优化调整之后的饱和小区可以优化转变为空闲小区或一般小区，从而能够大大提高问题小区内用户的上网体感。
图13示出了本发明实施例提供的一种具体的容量评估及优化整天调整方法，由于前文中已经进行了详细说明，在此不再赘述。
第二方面，本发明实施例提供了又一种随机异构分层网容量智能评估装置，如图14所示，包括：
获取单元1401，用于获取不同场景下的若干组网络数据，其中每一组网络数据包括第一指标数据以及网络在第一指标数据情况下对应的下载速率，所述第一指标数据为容量负荷类指标数据和/或用户感知类指标数据；
拟合单元1402，用于对于每一种场景，利用二次线性拟合法对所述第一指标数据以及对应的下载速率进行建模，得到所述第一指标数据与对应的下载速率的拟合曲线；并将所述拟合曲线中满足第一预设条件的拐点所对应的第一指标数据值作为该场景下第一指标数据的门限值；其中，所述第一预设条件为下载速率达到预设速率。
在一些实施方式中，所述装置还包括：
判定单元1403，用于若目标小区满足第二预设条件的天数超过预设天数，则确定该目标小区为容量问题小区；其中，所述第二预设条件为：目标小区当天超过对应门限值的第一指标数据的个数达到预设值。
在一些实施方式中，所述装置还包括：
系统搭建单元1404，用于以所述容量问题小区为中心，根据小区MR重叠覆盖度、切换请求次数以及基于小区的中心半径，查找与所述容量问题小区存在强关系的邻区，搭建随机异构网络系统；
符合确定单元1405，用于确定所述容量问题小区在异构系统内的邻小区的负荷情况；
优化操作单元1406，用于根据所述负荷情况，确定对应的容量优化操作。
在一些实施方式中，所述符合确定单元1405确定所述容量问题小区在异构系统内的邻小区的负荷情况，包括：
根据现网小区的历史样本数据确定不同基站设备的各容量指标的上限以及下限；
对于异构系统内的所有邻小区：若第一小区大于所述上限的容量指标的个数达到预设值，则确定第一小区的负荷情况为饱和；若第二小区所述下限的容量指标的个数达到预设值，则确定第二小区的负荷情况为空闲；余下小区的负荷情况确定为一般。
在一些实施方式中，所述优化操作单元1406根据所述负荷情况，确定对应的容量优化操作，包括：
若饱和状态的邻小区占比超过第一预设值，则确定优化操作为在所述容量问题小区周边新建站点；
若空闲状态的邻小区占比超过第二预设值，则确定优化操作为利用空闲状态的邻小区分担所述容量问题小区的负荷；
若一般状态的邻小区占比超过第三预设值，则确定优化操作为对所述容量问题小区进行扩容；
若一般状态的邻小区占比未超过第三预设值且异构系统中还存在空闲状态小区，则确定优化操作为对空闲状态的邻小区参数进行调整以分担所述容量问题小区的负荷；
若一般状态的邻小区占比未超过第三预设值且异构系统中不存在空闲状态小区，则确定优化操作为在所述容量问题小区周边新建站点。
在一些实施方式中，所述装置还包括：
能力确定单元1407，用于根据不同基站设备的理论承载最大能力，确定设备承载能力静态表；其中，所述设备承载能力静态表包括单载频容量表以及单站3载频容量表；所述单载频容量表用于描述各类基站设备在单载频情况下的容量，所述单站3载频容量表用于描述各类基站设备在单站3载频情况下的容量；
根据所述设备承载能力静态表，对于不同的容量优化操作确定对应的容量分配策略，包括：
在所述优化操作为对所述容量问题小区进行扩容时，所述容量分配策略为：对于扩容后的容量问题小区先分配预设比例的单载频容量，再根据容量问题小区与邻区的切换关系强弱比例分配剩余单载频容量；
在所述优化操作为新建站点时，所述容量分配策略为：对于新建站点根据所述容量问题小区邻区业务量强弱占比分配单站3载频容量；
在所述优化操作为负荷均衡时，所述容量分配策略为：分配预设比例的容量问题小区业务至异构系统中最空闲邻区。
由于第二方面所介绍的随机异构分层网容量智能评估装置为可以执行本发明实施例中的随机异构分层网容量智能评估方法的装置，故而基于本发明实施例中所介绍的随机异构分层网容量智能评估方法，本领域所属技术人员能够了解本实施例的随机异构分层网容量智能评估装置的具体实施方式以及其各种变化形式，所以在此对于该随机异构分层网容量智能评估装置如何实现本发明实施例中的随机异构分层网容量智能评估方法不再详细介绍。只要本领域所属技术人员实施本发明实施例中随机异构分层网容量智能评估方法所采用的装置，都属于本申请所欲保护的范围。
图15示出本发明实施例提供的网络侧设备的结构框图。
参照图15，该网络侧设备，包括：处理器(processor)1501、存储器(memory)1502以及总线1503；
其中，所述处理器1501以及存储器1502通过所述总线1503完成相互间的通信。
所述处理器1501用于调用所述存储器1502中的程序指令，以执行第一方面实施例所提供的方法。
本发明实施例还公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述第一方面实施例所提供的方法。
本发明实施例还提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述第一方面实施例所提供的方法。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。
本发明的某些部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的网关、代理服务器、系统中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序 (例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

Claims (7)

1.一种随机异构分层网容量智能评估方法，其特征在于，包括：
获取不同场景下的若干组网络数据，其中每一组网络数据包括第一指标数据以及网络在第一指标数据情况下对应的下载速率，所述第一指标数据为容量负荷类指标数据和/或用户感知类指标数据；
对于每一种场景，利用二次线性拟合法对所述第一指标数据以及对应的下载速率进行建模，得到所述第一指标数据与对应的下载速率的拟合曲线；并将所述拟合曲线中满足第一预设条件的拐点所对应的第一指标数据值作为该场景下第一指标数据的门限值；其中，所述第一预设条件为下载速率达到预设速率；
所述方法还包括：
若目标小区满足第二预设条件的天数超过预设天数，则确定该目标小区为容量问题小区；
其中，所述第二预设条件为：目标小区当天超过对应门限值的第一指标数据的个数达到预设值；
以所述容量问题小区为中心，根据小区MR重叠覆盖度、切换请求次数以及小区的中心半径，查找与所述容量问题小区存在强关系的邻区，搭建随机异构网络系统；
确定所述容量问题小区在异构系统内的邻小区的负荷情况；
根据所述负荷情况，确定对应的容量优化操作。
2.根据权利要求1所述的方法，其特征在于，所述确定所述容量问题小区在异构系统内的邻小区的负荷情况，包括：
根据现网小区的历史样本数据确定不同基站设备的各容量指标的上限以及下限；
对于异构系统内的所有邻小区：若第一小区大于所述上限的容量指标的个数达到预设值，则确定第一小区的负荷情况为饱和；若第二小区所述下限的容量指标的个数达到预设值，则确定第二小区的负荷情况为空闲；余下小区的负荷情况确定为一般。
3.根据权利要求1所述的方法，其特征在于，所述根据所述负荷情况，确定对应的容量优化操作，包括：
若饱和状态的邻小区占比超过第一预设值，则确定优化操作为在所述容量问题小区周边新建站点；
若空闲状态的邻小区占比超过第二预设值，则确定优化操作为利用空闲状态的邻小区分担所述容量问题小区的负荷；
若一般状态的邻小区占比超过第三预设值，则确定优化操作为对所述容量问题小区进行扩容；
若一般状态的邻小区占比未超过第三预设值且异构系统中还存在空闲状态小区，则确定优化操作为对空闲状态的邻小区参数进行调整以分担所述容量问题小区的负荷；
若一般状态的邻小区占比未超过第三预设值且异构系统中不存在空闲状态小区，则确定优化操作为在所述容量问题小区周边新建站点。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
根据不同基站设备的理论承载最大能力，确定设备承载能力静态表；其中，所述设备承载能力静态表包括单载频容量表以及单站3载频容量表；所述单载频容量表用于描述各类基站设备在单载频情况下的容量，所述单站3载频容量表用于描述各类基站设备在单站3载频情况下的容量；
根据所述设备承载能力静态表，对于不同的容量优化操作确定对应的容量分配策略，包括：
在所述优化操作为对所述容量问题小区进行扩容时，所述容量分配策略为：对于扩容后的容量问题小区先分配预设比例的单载频容量，再根据容量问题小区与邻区的切换关系强弱比例分配剩余单载频容量；
在所述优化操作为新建站点时，所述容量分配策略为：对于新建站点根据所述容量问题小区邻区业务量强弱占比分配单站3载频容量；
在所述优化操作为负荷均衡时，所述容量分配策略为：分配预设比例的容量问题小区业务至异构系统中最空闲邻区。
5.一种随机异构分层网容量智能评估装置，其特征在于，包括：
获取单元，用于获取不同场景下的若干组网络数据，其中每一组网络数据包括第一指标数据以及网络在第一指标数据情况下对应的下载速率，所述第一指标数据为容量负荷类指标数据和/或用户感知类指标数据；
拟合单元，用于对于每一种场景，利用二次线性拟合法对所述第一指标数据以及对应的下载速率进行建模，得到所述第一指标数据与对应的下载速率的拟合曲线；并将所述拟合曲线中满足第一预设条件的拐点所对应的第一指标数据值作为该场景下第一指标数据的门限值；其中，所述第一预设条件为下载速率达到预设速率；
所述装置还包括：
判定单元，用于若目标小区满足第二预设条件的天数超过预设天数，则确定该目标小区为容量问题小区；其中，所述第二预设条件为：目标小区当天超过对应门限值的第一指标数据的个数达到预设值；
系统搭建单元，用于以所述容量问题小区为中心，根据小区MR重叠覆盖度、切换请求次数以及基于小区的中心半径，查找与所述容量问题小区存在强关系的邻区，搭建随机异构网络系统；
符合确定单元，用于确定所述容量问题小区在异构系统内的邻小区的负荷情况；
优化操作单元，用于根据所述负荷情况，确定对应的容量优化操作。
6.一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-4任一所述方法的步骤。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4任一所述方法的步骤。
CN201810469703.7A 2018-05-16 2018-05-16 随机异构分层网容量智能评估方法及装置 Active CN110505650B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810469703.7A CN110505650B (zh) 2018-05-16 2018-05-16 随机异构分层网容量智能评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810469703.7A CN110505650B (zh) 2018-05-16 2018-05-16 随机异构分层网容量智能评估方法及装置

Publications (2)

Publication Number Publication Date
CN110505650A CN110505650A (zh) 2019-11-26
CN110505650B true CN110505650B (zh) 2023-03-17

Family

ID=68584303

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810469703.7A Active CN110505650B (zh) 2018-05-16 2018-05-16 随机异构分层网容量智能评估方法及装置

Country Status (1)

Country Link
CN (1) CN110505650B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109362092B (zh) * 2018-12-07 2021-12-03 中国移动通信集团福建有限公司 网络参数调整方法、装置、设备及介质
CN112954808A (zh) * 2019-12-11 2021-06-11 中国移动通信集团山东有限公司 载波资源调整方法、装置、存储介质和计算机设备
CN113015204B (zh) * 2019-12-20 2024-03-22 中国移动通信集团陕西有限公司 网络小区负载均衡方法及装置
CN113747455A (zh) * 2020-05-27 2021-12-03 中国联合网络通信集团有限公司 网络优化方法及装置
CN114071520B (zh) * 2020-08-06 2023-11-21 中国移动通信集团广东有限公司 Lte网络问题定位方法、装置及电子设备
CN112437457B (zh) * 2020-12-08 2023-10-03 中国联合网络通信集团有限公司 小区移动网络控制方法、装置、设备及存储介质
CN116980917A (zh) * 2022-04-13 2023-10-31 中兴通讯股份有限公司 无线网络用户感知优化方法、装置、电子设备和存储介质
CN115250495A (zh) * 2022-06-08 2022-10-28 浪潮通信信息系统有限公司 无线高负荷小区多维扩容评估方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103002459A (zh) * 2011-09-15 2013-03-27 中兴通讯股份有限公司 一种wcdma网络扩容规划的方法和装置
CN105323770A (zh) * 2014-07-31 2016-02-10 中国移动通信集团公司 无线通信系统的扩容评估方法及装置
CN105634787A (zh) * 2014-11-26 2016-06-01 华为技术有限公司 网络关键指标的评估方法、预测方法及装置和系统
CN105992228A (zh) * 2015-01-29 2016-10-05 中国移动通信集团浙江有限公司 一种无线网络的扩容方法、装置及电子设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103002459A (zh) * 2011-09-15 2013-03-27 中兴通讯股份有限公司 一种wcdma网络扩容规划的方法和装置
CN105323770A (zh) * 2014-07-31 2016-02-10 中国移动通信集团公司 无线通信系统的扩容评估方法及装置
CN105634787A (zh) * 2014-11-26 2016-06-01 华为技术有限公司 网络关键指标的评估方法、预测方法及装置和系统
CN105992228A (zh) * 2015-01-29 2016-10-05 中国移动通信集团浙江有限公司 一种无线网络的扩容方法、装置及电子设备

Also Published As

Publication number Publication date
CN110505650A (zh) 2019-11-26

Similar Documents

Publication Publication Date Title
CN110505650B (zh) 随机异构分层网容量智能评估方法及装置
Cheng et al. A novel big data based telecom operation architecture
CN106714239B (zh) 一种lte网络负载自动均衡的方法和系统
CN112235804B (zh) 基站远端单元动态划归方法和装置、小区组网方法和系统
Ide et al. Channel sensitive transmission scheme for V2I-based Floating Car Data collection via LTE
US20140003268A1 (en) System and Method for Grouping and Selecting Transmission Points
CN103002495A (zh) 无线网络结构的评估方法及装置
Hu et al. A study of LTE network performance based on data analytics and statistical modeling
Mehmeti et al. Reducing the cost of consistency: Performance improvements in next generation cellular networks with optimal resource reallocation
CN103139825A (zh) 在lte系统中进行边缘用户划分的方法、装置及其基站
Chen et al. Understanding the complexity of 3G UMTS network performance
CN103686895A (zh) 切换控制方法、无线网络控制器和接入节点
WO2020215282A1 (en) Method and apparatus for evaluate data traffic depressed by radio issues
US10568047B2 (en) Base station sleep mode based on powder consumption and/or quality of service
Singh et al. A learning based mobile user traffic characterization for efficient resource management in cellular networks
De Vries et al. The emperor has no problem: Is wi-fi spectrum really congested?
CN114630359B (zh) 确定网络覆盖的方法、装置、电子设备、计算机存储介质
Chi et al. Qoe-aware energy efficient hierarchical small cell deployment for multimedia iot services
Nie et al. Coverage and association bias analysis for backhaul constrained HetNets with eICIC and CRE
WO2017211178A1 (zh) 划分超级小区的方法及装置
CN103139829A (zh) 在lte系统中进行边缘用户划分的方法、装置及其基站
CN112954808A (zh) 载波资源调整方法、装置、存储介质和计算机设备
Lima et al. Offloading surrogates characterization via mobile crowdsensing
Cici et al. Cell-to-cell activity prediction for smart cities
Gao et al. A downlink coverage self-optimizing algorithm for LTE cellular networks based on big data analytics

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