CN111132190A - 基站负荷预警方法、装置 - Google Patents
基站负荷预警方法、装置 Download PDFInfo
- Publication number
- CN111132190A CN111132190A CN201911195883.5A CN201911195883A CN111132190A CN 111132190 A CN111132190 A CN 111132190A CN 201911195883 A CN201911195883 A CN 201911195883A CN 111132190 A CN111132190 A CN 111132190A
- Authority
- CN
- China
- Prior art keywords
- base station
- early warning
- optimization
- cell
- station load
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000005457 optimization Methods 0.000 claims abstract description 82
- 238000013136 deep learning model Methods 0.000 claims abstract description 25
- 230000008439 repair process Effects 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 33
- 230000005540 biological transmission Effects 0.000 claims description 9
- 230000007774 longterm Effects 0.000 abstract description 3
- 239000000463 material Substances 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 235000019580 granularity Nutrition 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0631—Management of faults, events, alarms or notifications using root cause analysis; using analysis of correlation between notifications, alarms or events based on decision criteria, e.g. hierarchy, tree or time analysis
-
- 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
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
-
- 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
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/16—Threshold monitoring
-
- 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)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种基站负荷预警方法、装置,基站负荷预警方法包括S101:获取投诉数据,根据投诉数据判断基站的投诉量和投诉增量是否超过预设阈值,若是,则执行S102,若否,则执行S103;S102:发出投诉量预警告警,并判断基站是否存在故障,若是,则执行S104,若否,则根据基站的负荷情况生成网络优化调整建议;S103:根据小区历史参数搭建深度学习模型,通过深度学习模型对基站进行基站负荷趋势预测,获取预测结果,根据预测结果生成网络优化调整建议;S104:获取故障原因并派单以维修基站。本发明通过深度学习模型对基站负荷情况进行预测,提出相关网络优化调整建议,耗费人力物力少,周期短,能够对基站长期情况进行跟踪反馈,提升了区域网络性能优化工作。
Description
技术领域
本发明涉及无线网络优化领域,尤其涉及一种基站负荷预警方法、装置。
背景技术
随着网络建设的不断发展,多种网络制式共存导致存量设备越来越多,维护难度不断攀高,网络质量下降、用户感知变差等问题日益凸显。如何及时预防网络性能下降、给出网络调整和优化建议,进而提升用户感知,成为重要课题。
目前基站维护以日常故障处理和上站巡检为主。日常故障处理主要以故障工单、分类告警级别和关键指标监控为主要手段。此类维护手段主要针对已发生故障的基站,对客户感知和投诉反应时效性较差;日常上站巡检主要是定期对基站运行环境和天馈系统进行检查。日常巡检相比工单形式的故障处理更为主动,但是此类检查所针对的基站主设备本身的性能检查内容较少,周期较长,耗费人力物力较大,并且不能对基站长期的运行状态进行跟踪反馈。
发明内容
为了克服现有技术的不足,本发明提出一种基站负荷预警方法、装置,能够实时监测投诉情况,对用户投诉情况进行处理,提升了用户感知,并通过深度学习模型对基站负荷情况进行预测,提出相关网络优化调整建议,耗费人力物力少,周期短,能够对基站长期情况进行跟踪反馈,提升了区域网络性能优化工作。
为解决上述问题,本发明采用的一个技术方案为:一种基站负荷预警方法,S101:获取投诉数据,根据所述投诉数据判断基站的投诉量和投诉增量是否超过预设阈值,若是,则执行S102,若否,则执行S103;S102:发出投诉量预警告警,并判断所述基站是否存在故障,若是,则执行S104,若否,则根据所述基站的负荷情况生成网络优化调整建议;S103:根据与所述基站相关的小区历史参数搭建深度学习模型,通过所述深度学习模型对所述基站进行基站负荷趋势预测,获取预测结果,根据所述预测结果生成网络优化调整建议;S104:获取故障原因并派单以维修所述基站。
进一步地,所述网络优化调整建议包括载频扩容、调整天馈下倾角/方向角、发射功率调整、邻区参数重选、切换参数中的至少一种。
进一步地,所述小区历史参数包括:上/下行利用率、上/下行流量、有数据传输的RRC数。
进一步地,所述根据与所述基站相关的小区历史参数搭建深度学习模型的步骤具体包括:
S201:采集所述小区历史参数,根据所述小区历史参数生成模型训练数据集;S202:设置深度记忆网络参数,将所述模型训练数据集喂给PTBModel进行训练以获取深度学习模型。
进一步地,所述将所述模型训练数据集喂给所述PTBModel进行训练的步骤具体包括:将所述模型训练数据集多次分批喂给PTBModel训练,并根据训练的结果对所述PTBModel的参数进行调整。
进一步地,所述预测结果包括所述小区未来预设时间内的小区历史参数。
进一步地,所述根据所述预测结果生成网络优化调整建议的步骤包括:判断所述小区未来预设时间内的小区历史参数是否触发预警门限,若是,则针对超过预警门限的所述小区历史参数进行优化调整,并生成网络优化调整建议。
进一步地,所述优化调整的类型包括覆盖类优化、吞吐率优化、掉话类优化、接入失败优化、切换类优化、时延类优化中的至少一种。
进一步地,所述针对超过预警门限的所述小区历史参数进行优化调整,并生成网络优化调整建议的步骤包括:根据优化调整的类型构建相关知识库模型,通过所述相关知识库模型输出网络优化调整建议。
基于相同的发明构思,本发明还提出一种基站负荷预警装置,所述基站负荷预警装置包括处理器、存储器,所述处理器与所述存储器耦合连接;所述存储器存储有程序数据,所述处理器在执行所述程序数据时实现如上所述的基站负荷预警方法。
相比现有技术,本发明的有益效果在于:根据投诉情况对基站进行优化,并通过小区历史参数创建深度学习模型,利用学习模型预测基站负荷情况,生成网络优化调整建议,本发明能够实时监测投诉情况,对用户投诉情况进行处理,提升了用户感知,并通过深度学习模型预测基站负荷情况,提出相关网络优化调整建议,耗费人力物力少,周期短,能够对基站长期情况进行跟踪反馈,提升了区域网络性能优化工作。
附图说明
图1为本发明基站负荷预警方法一实施例的流程图;
图2本发明基站负荷预警方法一实施例的工作流程图;
图3为本发明基站负荷预警方法控制方法一实施例的系统架构图;
图4为本发明基站负荷预警方法一实施例的TensorFlow数据流图;
图5为本发明基站负荷预警方法一实施例的切换成功率触发优化流程图;
图6为本发明基站负荷预警装置一实施例的结构图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
请参阅图1-5,其中,图1为本发明基站负荷预警方法一实施例的流程图;图2本发明基站负荷预警方法一实施例的工作流程图;图3为本发明基站负荷预警方法控制方法一实施例的系统架构图;图4为为本发明基站负荷预警方法一实施例的TensorFlow数据流图;图5为本发明基站负荷预警方法一实施例的切换成功率触发优化流程图。结合附图1-5对本发明基站负荷预警方法作详细说明。
在本实施例中,基站负荷预警方法包括:
S101:获取投诉数据,根据投诉数据判断基站的投诉量和投诉增量是否超过预设阈值,若是,则执行S102,若否,则执行S103。
在本实施例中,执行该基站负荷预警方法的设备可以为电脑、云端服务器、平板电脑、手机以及其他智能终端,与该基站负荷预警方法相关的基站负荷预警系统在该智能终端上。
在本实施例中,基站负荷合预警系统GIS地图为基础,以不同的时间粒度和不同的维度(小区、基站、热点地区)为组合载体,分别呈现性能指标、告警、基站配置信息。实现基站高负荷的预测与分析,以及TOPn站点的排名与输出,针对负荷等级评分高的站点,给予网络优化的支撑与指导。
基站负荷预警系统架构主要包括:
应用层:依托混合算法对基站关键指标进行预测,实现高负荷基站输出,并及时判断基站高负荷原因,输出网络优化、高负荷扩容和故障处理建议。
数据处理层:系统对告警数据、性能数据和投诉数据等进行深度学习和梳理,统一建立大数据分析模型;以深度记忆神经网络和传统的时间序列相结合的算法对小区站点负荷预测;结合相关知识库模型,部署问题定位定界算法。
数据源:在系统上接入告警、信令、性能指标和用户投诉等数据。
基站负荷预警系统具有以下几项主要功能:
基站常规负荷(关键指标)趋势预测:对基站关键指标未来一段时间内的走势进行预测,并判断是否超过告警阈值。
基站高负荷分析:结合相关知识库模型,通过问题定位定界算法判断基站高负荷原因。
基站高负荷处理建议:根据高负荷原因,给出故障处理、参数调整和扩容等建议。
在本实施例中,投诉增量为用于接收投诉的电话或其他终端在预设时间内接收的投诉数量。
在本实施例中,预设阈值为投诉量和投诉增量的阈值,该预设阈值可以根据管理人员需求自由设定。
在本实施例中,基站负荷预警系统可以对系统收到的所有投诉的投诉量和投诉增量设置预设阈值,在投诉量和/或投诉增量超过预设阈值后,确定并关联触发投诉量和/或投诉增量超过预设阈值的基站,也可以每一个基站设置一个预设阈值,并判断每一个基站收到的投诉是否超过预设阈值。
S012:发出投诉量预警告警,并判断基站是否存在故障,若是,则执行S104,若否,则根据基站的负荷情况生成网络优化调整建议。
在本实施例中,投诉量预警告警为4G投诉量告警预警,在其他实施例中,还可以为5G投诉量告警预警以及其他告警预警信息,该告警预警信息可以根据基站的工作内容和投诉的内容确定,并将该告警预警信息发送给基站管理人员。
在本实施例中,基站负荷预警系统确定触发投诉超过预设阈值的基站后,通过远程获取或调取资料库的方式获取与该基站的工作参数,根据该工作参数判断基站是否故障。
在上述实施例中,基站负荷预警系统根据基站的各种优化内容和优化方式创建相关知识库模型,根据该相关知识库模型建立搭建问题定界算法模型。若系统根据该工作参数确定基站未故障,通过该工作参数获取基站负荷情况,判断基站的各种工作参数指标是否触发预先设置的预警门限。并根据该问题定界算法模型针对触发预警门限的工作参数指标生成网络优化调整建议,优化基站的工作参数。
在本实施例中,工作参数为上/下行利用率、上/下行流量、有数据传输的RRC数。
在本实施例中,网络优化调整建议包括载频扩容、调整天馈下倾角/方向角、发射功率调整、邻区参数重选、切换参数中的至少一种。
S103:根据与基站相关的小区历史参数搭建深度学习模型,通过深度学习模型对基站进行基站负荷趋势预测,获取预测结果,根据预测结果生成网络优化调整建议。
基站负荷趋势预测是对基站的工作参数未来一段时间内的走势进行预测,并判断是否超过预警门限。在实际工作中利用历史小区指标数据预测下一周期小区历史参数,并判断预测的小区历史参数是否达到预警门限。若是,则进行扩容或其他网络优化建议。
其中,小区扩容的核定逻辑为:[“有效RRC用户数达到门限”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”]。按照大、中、小包的小区分类确定标准,当小区自忙时达到门限时实施载频扩容。其中,小区分类标准及扩容门限如表一所示:
表一、小区分类标准及扩容门限
在本实施例中,根据与基站相关的小区历史参数搭建深度学习模型的步骤具体包括:
S201:采集小区历史参数,根据小区历史参数生成模型训练数据集;
本发明的基站负荷预警系统引入TensorFlow深度学习库来承载深度记忆神经网络和时间序列混合算法,它采用了更适合描述深度神经网络模型的编程范式—数据流图。相比使用更广泛的命令式编程范式,基于声明式编程的数据流图的好处是开发速度快、代码可读性强、引用透明、预编译并行优化和内存复用等,这些都有助于定义数学函数或算法模型。
在本实施例中,进行基站负荷预测时,以小区为单位采集小区历史参数,该小区历史参数为基站在历史时间段内的工作参数,包括上/下行利用率、上/下行流量、有数据传输的RRC数。
其中,根据小区数据生成模型训练数据集时,需要将小区历史参数导入数据流图中,通过数据流图形成深度学习模型。
在本实施例中,TensorFlow数据流图中的所有数据均以张量的形式表示,它的抽象特性使其几乎能够表示所有的数据类型。因此,所有输入数据流图中的数据都需要转换为张量。请参阅表二,表二为数据类型示例。根据表一对数据流图中的张量进行描述。
表二、数据类型示例
操作是TensorFlow的模型载体,深度学习模型由数据流图中的一个个节点组成,节点按照功能不同分为三种:
(1)计算节点:无状态操作,主要负责张量间的计算;
(2)存储节点:有状态操作,通常用来存储模型参数;
(3)数据节点:占位符操作,定义输入数据的属性。
以简单的一元线性回归模型y=matmul(x,W)+b为例,它的数据流图由计算节点(矩阵乘法操作和加法操作)、存储节点(权重W和偏置b)和数据节点(自变量x)组成。
在本实施例中,将小区历史参数中的多种数据类型转化为张量,然后再导入深度学习模型进行训练以得到模型训练数据集。
以某个LTE小区的下行流量、下行利用率、和有数据传输的RRC(RadioResourceControl,无线资源控制)数为例,选择时间粒度可以为小时,天,月和年,这里我们以天为时间粒度,转化后的张量如下:
tensor=[[[1018.83],[99.94],[20]],[[994.19],[99.73],[10]],[[976.66],[97.82],[20]]]。
在本实施例中,用t-2,t-1,t天的数据张量进行模型训练,然后用t+1天对结果进行验证。得到的模型训练数据集如表三所示,表三中的X为训练数据,Y为验证数据。
表三、模型训练数据集S202:设置深度记忆网络参数,将所述模型训练数据集喂给PTBModel(Penn Treebank Dataset,文本数据集)进行训练以获取深度学习模型。
根据模型训练数据集进行深度学习模型的确定和调整。
在本实施例中,深度记忆网络参数为深度学习模型的参数,包括上/下行利用率、上/下行流量、有数据传输的RRC数,可以使用tf.flags来进行全局的参数设置。
在本实施例中,PTBModel负责TensorFlow中模型的构建和各种操作(op)的定义。PTBModel是核心部分。PTBModel构建模型包括多层深度记忆神经网络结构的构建,要想给模型更强的表达能力,可以添加多层深度记忆神经网络来处理数据。将深度记忆神经网络第一层的输出作为第二层的输入,以此类推搭建多层深度记忆网络结构。其中,深度记忆神经网络结构包括数据的输入预处理,网络结构的循环,损失函数计算,梯度计算和修剪。
通过PTBModel构建模型后,将模型训练数据集多次分批喂给PTBModel构建的模型以对该模型训练,并根据训练的结果对该模型的参数进行调整。
在本实施例中,通过结果预测的方式判断深度学习模型是否训练成功。在对模型进行训练时,可以将模型训练数据集按4:1的比例随机拆分为训练集和验证集,这是为了防止过度拟合。然后将数据的X列作为参数导入模型便可得到预测值,与实际的Y值相比便可得到该模型的优劣,并根据判断结果继续进行训练或确定模型搭建成功。其中,X和Y的具体数值可以根据用户需求进行设置,在此不做限定。
在本实施例中,将小区历史参数输入深度学习模型后获取的预测结果为小区在未来预设时间段的小区历史参数。基站负荷预警系统判断小区未来预设时间内的小区历史参数是否触发预警门限,若是,则针对超过预警门限的小区历史参数进行优化调整,并生成网络优化调整建议。其中,针对超过预警门限的小区历史参数进行优化调整,并生成网络优化调整建议的步骤包括:根据优化调整的类型构建相关知识库模型,通过相关知识库模型输出网络优化调整建议。
在本实施例中,优化调整的类型包括覆盖类优化、吞吐率优化、掉话类优化、接入失败优化、切换类优化、时延类优化中的至少一种。
在本实施例中,将预测结果与LTE网络优化相结合,即预测基站未来时间段的小区历史参数是否触发预警门限,然后根据触发预警门限的小区历史参数种类触发不同类型的优化调整,其中优化内容有:覆盖类优化、吞吐率优化、掉话类优化、接入失败优化、切换类优化、时延类优化等若干方面的专项优化。针对不对类型的专项优化内容,构建一个强相关知识库模型,输出具体优化建议,如干扰排查、天馈调整、覆盖优化、邻区优化和系统参数调整等。
在一个具体的实施例中,优化调整的类型为切换类优化,将LTE网络切换成功率关联映射至KPI指标TAU成功率、S1切换成功率、X2切换成功率、系统间切换成功率,观察关联KPI指标劣化情况,对劣化KPI指标进行分析,确定质差原因;若为核心网和终端问题则转至相关侧进行专业处理;若为无线侧原因,则判断小区参数和邻区关系是否存在问题。
S104:获取故障原因并派单以维修基站。
在确定基站故障后,根据基站的工作参数,确定基站故障的类型,并根据故障的类型向对应的维修人员发送维修任务以修复基站。
在上述实施例中,基站负荷预警系统采用基于X86服务器的分布式集群来存储和计算相关数据,前台负责功能展示,为方便用户业务访问,系统引入GIS地图来展现主要功能。系统在显示器的显示界面左侧呈现基站关键参数,显示界面右侧接入GIS地图,并将基站的实际小区历史工作参数和预测结果中的小区历史参数用不同颜色的折线表示。
有益效果:本发明的基站负荷预警方法根据投诉情况对基站进行优化,并通过小区历史参数创建深度学习模型,利用学习模型预测基站负荷情况,生成网络优化调整建议,本发明能够实时监测投诉情况,对用户投诉情况进行处理,提升了用户感知,并通过深度学习模型预测基站负荷情况,提出相关网络优化调整建议,耗费人力物力少,周期短,能够对基站长期情况进行跟踪反馈,提升了区域网络性能优化工作。
基于相同的发明构思,本发明还提出一种基站负荷预警装置,请参阅图6,图6为本发明基站负荷预警装置一实施例的结构图,结合图6对本发明的基站负荷预警装置作具体说明。
基站负荷预警装置包括处理器、存储器,处理器与存储器耦合连接;
存储器存储有程序数据,处理器在执行所述程序数据时实现如上述实施例所述的基站负荷预警方法。
在本实施例中,基站负荷预警装置可以为台式机、笔记本、平板电脑、手机、云端服务器以及其他能够执行基站负荷预警方法的智能终端或虚拟终端。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备、模块和电路,可以通过其他的方式实现。例如,以上所描述的装置实施方式仅仅是示意性的,例如,所述模块或的划分,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,例如多个或模块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,装置或的间接耦合或通信连接,可以是电性,机械或其他的形式。
所述作为分离部件说明的可以是或者也可以不是物理上分开的,作为显示的部件可以是或者也可以不是物理,即可以位于一个地方,或者也可以分布到多个位置。可以根据实际的需要选择其中的部分或者全部来实现本实施方式方案的目的。
上述实施方式仅为本发明的优选实施方式,不能以此来限定本发明保护的范围,本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
Claims (10)
1.一种基站负荷预警方法,其特征在于,所述基站负荷预警方法包括;
S101:获取投诉数据,根据所述投诉数据判断基站的投诉量和投诉增量是否超过预设阈值,若是,则执行S102,若否,则执行S103;
S102:发出投诉量预警告警,并判断所述基站是否存在故障,若是,则执行S104,若否,则根据所述基站的负荷情况生成网络优化调整建议;
S103:根据与所述基站相关的小区历史参数搭建深度学习模型,通过所述深度学习模型对所述基站进行基站负荷趋势预测,获取预测结果,根据所述预测结果生成网络优化调整建议;
S104:获取故障原因并派单以维修所述基站。
2.如权利要求1所述的基站负荷预警方法,其特征在于,所述网络优化调整建议包括载频扩容、调整天馈下倾角/方向角、发射功率调整、邻区参数重选、切换参数中的至少一种。
3.如权利要求1所述的基站负荷预警方法,其特征在于,所述小区历史参数包括:上/下行利用率、上/下行流量、有数据传输的RRC数。
4.如权利要求1所述的基站负荷预警方法,其特征在于,所述根据与所述基站相关的小区历史参数搭建深度学习模型的步骤具体包括:
S201:采集所述小区历史参数,根据所述小区历史参数生成模型训练数据集;
S202:设置深度记忆网络参数,将所述模型训练数据集喂给PTBModel进行训练以获取深度学习模型。
5.如权利要求4所述的基站负荷预警方法,其特征在于,所述将所述模型训练数据集喂给所述PTBModel进行训练的步骤具体包括:
将所述模型训练数据集多次分批喂给PTBModel训练,并根据训练的结果对所述PTBModel的参数进行调整。
6.如权利要求1所述的基站负荷预警方法,其特征在于,所述预测结果包括所述小区未来预设时间内的小区历史参数。
7.如权利要求6所述的基站负荷预警方法,其特征在于,所述根据所述预测结果生成网络优化调整建议的步骤包括:
判断所述小区未来预设时间内的小区历史参数是否触发预警门限,若是,则针对超过预警门限的所述小区历史参数进行优化调整,并生成网络优化调整建议。
8.如权利要求7所述的基站负荷预警方法,其特征在于,所述优化调整的类型包括覆盖类优化、吞吐率优化、掉话类优化、接入失败优化、切换类优化、时延类优化中的至少一种。
9.如权利要求8所述的基站负荷预警方法,其特征在于,所述针对超过预警门限的所述小区历史参数进行优化调整,并生成网络优化调整建议的步骤包括:
根据优化调整的类型构建相关知识库模型,通过所述相关知识库模型输出网络优化调整建议。
10.一种基站负荷预警装置,其特征在于,所述基站负荷预警装置包括处理器、存储器,所述处理器与所述存储器耦合连接;
所述存储器存储有程序数据,所述处理器在执行所述程序数据时实现如权利要求1-9任一项所述的基站负荷预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911195883.5A CN111132190A (zh) | 2019-11-28 | 2019-11-28 | 基站负荷预警方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911195883.5A CN111132190A (zh) | 2019-11-28 | 2019-11-28 | 基站负荷预警方法、装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111132190A true CN111132190A (zh) | 2020-05-08 |
Family
ID=70497052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911195883.5A Pending CN111132190A (zh) | 2019-11-28 | 2019-11-28 | 基站负荷预警方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111132190A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112532717A (zh) * | 2020-11-25 | 2021-03-19 | 四川易诚智讯科技有限公司 | 基于stm32单片机及长短时记忆网络的生产过程安全监控方法 |
CN113660608A (zh) * | 2021-08-17 | 2021-11-16 | 中国联合网络通信集团有限公司 | 容量热点区域确定方法、装置、设备及存储介质 |
CN113692009A (zh) * | 2020-05-18 | 2021-11-23 | 中国电信股份有限公司 | 基站退服预警方法、装置和计算机可读存储介质 |
CN113762978A (zh) * | 2020-06-03 | 2021-12-07 | 中国移动通信集团浙江有限公司 | 5g切片用户的投诉定界方法、装置及计算设备 |
CN113807013A (zh) * | 2021-09-17 | 2021-12-17 | 中国联合网络通信集团有限公司 | 天面数据处理方法、装置、电子设备及可读存储介质 |
CN113822454A (zh) * | 2020-06-18 | 2021-12-21 | 中国移动通信集团浙江有限公司 | 切片投诉处理资源的预估方法及装置 |
CN113852513A (zh) * | 2020-06-28 | 2021-12-28 | 北京市天元网络技术股份有限公司 | 网络容量预测方法及装置 |
CN113891342A (zh) * | 2020-07-02 | 2022-01-04 | 中国移动通信集团设计院有限公司 | 基站巡检方法、装置、电子设备及存储介质 |
CN114139811A (zh) * | 2021-12-04 | 2022-03-04 | 浙江中控技术股份有限公司 | 基于深度学习的控制系统优化方法、装置和电子装置 |
CN114339858A (zh) * | 2021-12-30 | 2022-04-12 | 天翼物联科技有限公司 | 终端发包参数调整方法、装置及相关设备 |
CN114666882A (zh) * | 2022-04-25 | 2022-06-24 | 浙江省通信产业服务有限公司 | 一种功率控制方法、装置、基站及存储介质 |
CN114679736A (zh) * | 2022-04-12 | 2022-06-28 | 中国联合网络通信集团有限公司 | 基站控制方法、装置、系统及储存介质 |
CN115103386A (zh) * | 2021-03-05 | 2022-09-23 | 中国电信股份有限公司 | 小区5g无线网络性能预警装置、方法及记录介质 |
CN115515171A (zh) * | 2021-06-21 | 2022-12-23 | 中国移动通信集团湖南有限公司 | Sa网络的负荷预测方法、装置及电子设备 |
CN116232868A (zh) * | 2023-03-12 | 2023-06-06 | 天翼云科技有限公司 | 5g无线话务统计智能分析及网络健康评测优化方法及系统 |
CN116916357A (zh) * | 2023-09-13 | 2023-10-20 | 中赣通信(集团)有限公司 | 基于多源数据分析的基站智能预警方法及系统 |
CN117835286A (zh) * | 2024-03-06 | 2024-04-05 | 四川楚信科技有限公司 | 一种umts无线网络负荷自动优化系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009267925A (ja) * | 2008-04-28 | 2009-11-12 | Nec Corp | 苦情発生予測システム、サーバ、苦情発生予測方法、及びプログラム |
CN103188705A (zh) * | 2011-12-29 | 2013-07-03 | 中国移动通信集团广东有限公司 | 一种对批量投诉进行告警定位的方法和告警定位装置 |
CN109561454A (zh) * | 2018-11-27 | 2019-04-02 | 北京天元创新科技有限公司 | 网络优化方法和装置 |
JP2019087784A (ja) * | 2017-11-01 | 2019-06-06 | 日本電気株式会社 | 基地局負荷推定装置、基地局負荷推定方法、基地局負荷推定プログラムおよび基地局負荷推定システム |
CN110267288A (zh) * | 2019-05-22 | 2019-09-20 | 中国联合网络通信集团有限公司 | 移动网络投诉定位方法及装置 |
-
2019
- 2019-11-28 CN CN201911195883.5A patent/CN111132190A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009267925A (ja) * | 2008-04-28 | 2009-11-12 | Nec Corp | 苦情発生予測システム、サーバ、苦情発生予測方法、及びプログラム |
CN103188705A (zh) * | 2011-12-29 | 2013-07-03 | 中国移动通信集团广东有限公司 | 一种对批量投诉进行告警定位的方法和告警定位装置 |
JP2019087784A (ja) * | 2017-11-01 | 2019-06-06 | 日本電気株式会社 | 基地局負荷推定装置、基地局負荷推定方法、基地局負荷推定プログラムおよび基地局負荷推定システム |
CN109561454A (zh) * | 2018-11-27 | 2019-04-02 | 北京天元创新科技有限公司 | 网络优化方法和装置 |
CN110267288A (zh) * | 2019-05-22 | 2019-09-20 | 中国联合网络通信集团有限公司 | 移动网络投诉定位方法及装置 |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113692009A (zh) * | 2020-05-18 | 2021-11-23 | 中国电信股份有限公司 | 基站退服预警方法、装置和计算机可读存储介质 |
CN113762978B (zh) * | 2020-06-03 | 2023-08-18 | 中国移动通信集团浙江有限公司 | 5g切片用户的投诉定界方法、装置及计算设备 |
CN113762978A (zh) * | 2020-06-03 | 2021-12-07 | 中国移动通信集团浙江有限公司 | 5g切片用户的投诉定界方法、装置及计算设备 |
CN113822454A (zh) * | 2020-06-18 | 2021-12-21 | 中国移动通信集团浙江有限公司 | 切片投诉处理资源的预估方法及装置 |
CN113822454B (zh) * | 2020-06-18 | 2023-08-18 | 中国移动通信集团浙江有限公司 | 切片投诉处理资源的预估方法及装置 |
CN113852513A (zh) * | 2020-06-28 | 2021-12-28 | 北京市天元网络技术股份有限公司 | 网络容量预测方法及装置 |
CN113852513B (zh) * | 2020-06-28 | 2022-11-22 | 北京市天元网络技术股份有限公司 | 网络容量预测方法及装置 |
CN113891342A (zh) * | 2020-07-02 | 2022-01-04 | 中国移动通信集团设计院有限公司 | 基站巡检方法、装置、电子设备及存储介质 |
CN113891342B (zh) * | 2020-07-02 | 2023-08-15 | 中国移动通信集团设计院有限公司 | 基站巡检方法、装置、电子设备及存储介质 |
CN112532717A (zh) * | 2020-11-25 | 2021-03-19 | 四川易诚智讯科技有限公司 | 基于stm32单片机及长短时记忆网络的生产过程安全监控方法 |
CN115103386A (zh) * | 2021-03-05 | 2022-09-23 | 中国电信股份有限公司 | 小区5g无线网络性能预警装置、方法及记录介质 |
CN115515171A (zh) * | 2021-06-21 | 2022-12-23 | 中国移动通信集团湖南有限公司 | Sa网络的负荷预测方法、装置及电子设备 |
CN113660608B (zh) * | 2021-08-17 | 2022-08-05 | 中国联合网络通信集团有限公司 | 容量热点区域确定方法、装置、设备及存储介质 |
CN113660608A (zh) * | 2021-08-17 | 2021-11-16 | 中国联合网络通信集团有限公司 | 容量热点区域确定方法、装置、设备及存储介质 |
CN113807013A (zh) * | 2021-09-17 | 2021-12-17 | 中国联合网络通信集团有限公司 | 天面数据处理方法、装置、电子设备及可读存储介质 |
CN114139811A (zh) * | 2021-12-04 | 2022-03-04 | 浙江中控技术股份有限公司 | 基于深度学习的控制系统优化方法、装置和电子装置 |
CN114339858A (zh) * | 2021-12-30 | 2022-04-12 | 天翼物联科技有限公司 | 终端发包参数调整方法、装置及相关设备 |
CN114339858B (zh) * | 2021-12-30 | 2023-12-05 | 天翼物联科技有限公司 | 终端发包参数调整方法、装置及相关设备 |
CN114679736A (zh) * | 2022-04-12 | 2022-06-28 | 中国联合网络通信集团有限公司 | 基站控制方法、装置、系统及储存介质 |
CN114679736B (zh) * | 2022-04-12 | 2024-04-16 | 中国联合网络通信集团有限公司 | 基站控制方法、装置、系统及储存介质 |
CN114666882A (zh) * | 2022-04-25 | 2022-06-24 | 浙江省通信产业服务有限公司 | 一种功率控制方法、装置、基站及存储介质 |
CN114666882B (zh) * | 2022-04-25 | 2024-01-02 | 浙江省通信产业服务有限公司 | 一种功率控制方法、装置、基站及存储介质 |
CN116232868A (zh) * | 2023-03-12 | 2023-06-06 | 天翼云科技有限公司 | 5g无线话务统计智能分析及网络健康评测优化方法及系统 |
CN116916357A (zh) * | 2023-09-13 | 2023-10-20 | 中赣通信(集团)有限公司 | 基于多源数据分析的基站智能预警方法及系统 |
CN116916357B (zh) * | 2023-09-13 | 2023-12-08 | 中赣通信(集团)有限公司 | 基于多源数据分析的基站智能预警方法及系统 |
CN117835286A (zh) * | 2024-03-06 | 2024-04-05 | 四川楚信科技有限公司 | 一种umts无线网络负荷自动优化系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111132190A (zh) | 基站负荷预警方法、装置 | |
CN110662245B (zh) | 基于深度学习的基站负荷预警方法及装置 | |
US10313943B2 (en) | Dynamic steering of traffic across radio access networks | |
CN111726833B (zh) | 一种网络负载均衡方法、装置和存储介质 | |
US10966108B2 (en) | Optimizing radio cell quality for capacity and quality of service using machine learning techniques | |
EP3780496B1 (en) | Feature engineering programming method and apparatus | |
CN105636056A (zh) | 一种频谱资源自优化的节能方法、装置和系统 | |
CN114007225A (zh) | Bwp的分配方法、装置、电子设备及计算机可读存储介质 | |
Kapassa et al. | Dynamic 5G slices for IoT applications with diverse requirements | |
CN104205666A (zh) | 用于无线系统的功率动态联合分配以及用户调度的方法和系统 | |
WO2023061253A1 (zh) | 一种优化网络容量的方法、装置及系统 | |
CN105491569A (zh) | 频谱资源分配、获取方法及装置 | |
CN111885618A (zh) | 一种网络性能优化方法和装置 | |
Temesgene et al. | Softwarization and optimization for sustainable future mobile networks: A survey | |
Wenjing et al. | Centralized management mechanism for cell outage compensation in LTE networks | |
Liang et al. | An online algorithm for virtualized network function placement in mobile edge industrial Internet of Things | |
CN110535670B (zh) | 一种nfv容量规划方法及电子设备 | |
Chiaraviglio et al. | Algorithms for the design of 5G networks with VNF-based Reusable Functional Blocks | |
WO2023241041A1 (zh) | 小区间的干扰协调方法、设备及存储介质 | |
Luna et al. | Solving large-scale real-world telecommunication problems using a grid-based genetic algorithm | |
US9622094B2 (en) | Self-optimizing communication network with criteria class-based functions | |
CN111107569B (zh) | 一种问题小区的筛选方法和装置 | |
CN117896779B (zh) | 基于5.5g自治网络的负载均衡方法、装置及设备 | |
Rouskas et al. | Green optimization schemes for mobile network design and operation | |
CN107182058B (zh) | 一种小区无线资源分配的方法和装置 |
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 |