CN111278039A - 用户感知压抑识别方法、装置、设备及介质 - Google Patents
用户感知压抑识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN111278039A CN111278039A CN201811479820.8A CN201811479820A CN111278039A CN 111278039 A CN111278039 A CN 111278039A CN 201811479820 A CN201811479820 A CN 201811479820A CN 111278039 A CN111278039 A CN 111278039A
- Authority
- CN
- China
- Prior art keywords
- packet type
- type cells
- different packet
- users
- user
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 81
- 230000008447 perception Effects 0.000 title claims abstract description 78
- 230000001629 suppression Effects 0.000 claims abstract description 43
- 238000011156 evaluation Methods 0.000 claims description 37
- 238000004364 calculation method Methods 0.000 claims description 36
- 230000003139 buffering effect Effects 0.000 claims description 21
- 238000013441 quality evaluation Methods 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013211 curve analysis Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 239000002360 explosive Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 102000016550 Complement Factor H Human genes 0.000 description 1
- 108010053085 Complement Factor H Proteins 0.000 description 1
- 235000011464 Pachycereus pringlei Nutrition 0.000 description 1
- 240000006939 Pachycereus weberi Species 0.000 description 1
- 235000011466 Pachycereus weberi Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 102000051759 human factor J Human genes 0.000 description 1
- 108700008420 human factor J Proteins 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明实施例公开了一种用户感知压抑识别方法、装置、设备及介质，该方法包括：采集不同包型小区话务数据；根据不同包型小区话务数据，计算不同包型小区的多个业务的用户实际体验速率；根据不同包型小区的多个业务的用户实际体验速率、不同包型小区的多个业务中每一个业务的业务时长占比、业务并发系数以及应用层到空口速率比例系数，计算不同包型小区的多个业务的空口保障速率；根据不同包型小区的多个业务的空口保障速率，得到不同包型小区的压抑用户数和流量门限；根据不同包型小区的压抑用户数和流量门限，实现用户感知压抑识别。根据本发明实施例的上述方法，可以从用户体验角度出发，全面识别用户感知压抑情况。
Description
技术领域
本发明涉及通信技术领域，尤其涉及一种用户感知压抑识别方法、装置、设备及介质。
背景技术
随着网络和市场的发展，新资费套餐刺激4G流量爆发式增长，面临热点区域的不断涌现，网络负荷问题凸显，流量压抑小区的用户长期演进语音承载(Voice over Long-Term Evolution，VOLTE)业务感知和数据业务感知均受到影响，网络质量明显下滑，用户满意度下降。流量优化面临流量激发困难、业务预测主观、功能配置效率低下、资源入网较慢等诸多痛点，使当前的流量优化工作面临严峻挑战，亟待引入新的策略方法解决问题。
现有针对压抑模型小区评估方法主要从物理资源块(Physical Resource Block，PRB)利用率、用户数、流量三个方面进行识别，都是基于小区容量方面考虑，未从用户体验角度考虑，不能有效表征用户感知。
其中，用户感知压抑是指通信网络指标无法满足用户需求时，导致用户需求被抑制。
例1：某D运营商只考虑流量方面，未考虑用户数、PRB利用率；某L运营商只考虑PRB利用率、用户数，未考虑流量维度。
例2：覆盖高铁小区通常不能同时满足以上三个条件，高铁小区瞬时用户数较多但是流量不能达到扩容门限，该情况为由于用户压抑导致流量较低，实际上是需要扩容的。
例3：在单用户作大数据下载业务时，小区流量虽然达到标准，但PRB利用率达不到标准。
现有技术具有如下缺点：
第一、通过PRB利用率、用户数、流量三个维度对流量压抑小区进行容量评估，无法全面识别用户感知压抑情况；
第二、现有容量压抑评估方法的识别结果，没有考虑实际用户感知速率，跟真实用户感知存在一定差距；
第三、现有容量压抑评估方法难以满足网络结构演进的需求。
综上所述，现有方法没有考虑实际用户感知速率，无法全面识别用户感知压抑情况。
发明内容
本发明实施例提供了一种用户感知压抑识别方法、装置、设备及介质，可以从用户体验角度出发，全面识别用户感知压抑情况。
第一方面，本发明实施例提供了一种用户感知压抑识别方法，方法包括：
采集不同包型小区话务数据；
根据所述不同包型小区话务数据，计算不同包型小区的多个业务的用户实际体验速率；
根据所述不同包型小区的多个业务的用户实际体验速率、所述不同包型小区的多个业务中每一个业务的业务时长占比、业务并发系数以及应用层到空口速率比例系数，计算不同包型小区的多个业务的空口保障速率；
根据所述不同包型小区的多个业务的空口保障速率，得到不同包型小区的压抑用户数和流量门限；
根据所述不同包型小区的压抑用户数和流量门限，实现所述用户感知压抑识别。
根据本发明所述的用户感知压抑识别方法，所述根据所述不同包型小区话务数据，计算不同包型小区的多个业务的用户实际体验速率，包括：
当业务类型为视频业务时，根据所述不同包型小区下视频播放数据，得到同一分辨率下不同视频的质量评估结果、初始缓冲评估结果和播放卡顿评估结果；
根据所述同一分辨率下不同视频的质量评估结果、初始缓冲评估结果和播放卡顿评估结果，基于初始缓冲预设权重和播放卡顿预设权重，计算视频业务需求速率；
针对不同分辨率，分别计算所述视频业务需求速率；
根据所述不同分辨率下的视频业务需求速率，计算所述不同包型小区的视频业务的用户视频需求体验速率。
根据本发明所述的用户感知压抑识别方法，所述根据所述同一分辨率下不同视频的质量评估结果、初始缓冲评估结果和播放卡顿评估结果，基于初始缓冲预设权重和播放卡顿预设权重，计算视频业务需求速率，包括：
对所述同一分辨率下不同视频的质量评估结果进行平均计算；
对所述同一分辨率下不同视频的初始缓冲评估结果进行标准差计算；
根据所述质量评估结果的平均计算所得结果和所述初始缓冲评估结果的标准差计算所得结果，计算视频业务需求速率。
根据本发明所述的用户感知压抑识别方法，所述方法还包括：
根据所述不同包型小区话务数据，得到多个用户中每一个用户在预设时间段内不同业务的次数和所述多个用户所用统计时间段的时长；
根据所述多个用户中每一个用户在预设时间段内不同业务的次数和所述多个用户所用统计时间段的时长，计算所述业务并发系数。
根据本发明所述的用户感知压抑识别方法，所述方法还包括：
根据不同业务类型预设权重和所述不同业务类型对应的应用层包大小，计算所述应用层到空口速率比例系数。
根据本发明所述的用户感知压抑识别方法，所述根据所述不同包型小区的多个业务的空口保障速率，得到不同包型小区的压抑用户数和流量门限，包括：
将所述不同包型小区的多个业务的空口保障速率作为门限，基于所述不同包型小区话务数据的样本点，通过对不同包型小区的空口保障速率与下行激活用户数、所述下行激活用户数与有效无线资源控制RRC用户数、所述有效RRC用户数与体验保障上行流量、以及所述有效RRC用户数与体验保障下行流量进行拟合曲线分析，得到所述不同包型小区的压抑用户数和流量门限。
根据本发明所述的用户感知压抑识别方法，所述方法还包括：
将所述不同包型小区的空口保障速率作为门限，根据所述不同包型小区的空口保障速率与下行激活用户数的拟合曲线，得到所述不同包型小区的空口保障速率对应的下行激活用户数；
根据所述不同包型小区的下行激活用户数和有效RRC用户数的拟合曲线，得到所述不同包型小区的空口保障速率对应的下行激活用户数对应的有效RRC用户数；
根据所述不同包型小区的空口保障速率对应的下行激活用户数对应的有效RRC用户数，得到压抑用户数。
根据本发明所述的用户感知压抑识别方法，所述方法还包括：
基于所述压抑用户数，根据不同包型小区的有效RRC用户数与体验保障上行流量、以及所述有效RRC用户数与体验保障下行流量的拟合曲线，得到与所述压抑用户数对应的体验保障上行流量和体验保障下行流量；
根据所述压抑用户数对应的体验保障上行流量和体验保障下行流量，得到不同包型小区的流量门限。
根据本发明所述的用户感知压抑识别方法，所述方法还包括：
获取不同包型小区的自忙时流量均值；
将所述不同包型小区的自忙时流量均值与所述不同包型小区的流量门限进行比较，实现流量压抑的识别。
第二方面，本发明实施例提供了一种用户感知压抑识别装置，装置包括：
采集模块，用于采集不同包型小区话务数据；
第一计算模块，用于根据所述不同包型小区话务数据，计算不同包型小区的多个业务的用户实际体验速率；
第二计算模块，用于根据所述不同包型小区的多个业务的用户实际体验速率、所述不同包型小区的多个业务中每一个业务的业务时长占比、业务并发系数以及应用层到空口速率比例系数，计算不同包型小区的多个业务的空口保障速率；
压抑用户数和流量门限模块，用于根据所述不同包型小区的多个业务的空口保障速率，得到不同包型小区的压抑用户数和流量门限；
用户感知压抑识别模块，用于根据所述不同包型小区的压抑用户数和流量门限，实现所述用户感知压抑识别。
根据本发明所述的用户感知压抑识别装置，第一计算模块具体用于：
当业务类型为视频业务时，根据所述不同包型小区下视频播放数据，得到同一分辨率下不同视频的质量评估结果、初始缓冲评估结果和播放卡顿评估结果；
根据所述同一分辨率下不同视频的质量评估结果、初始缓冲评估结果和播放卡顿评估结果，基于初始缓冲预设权重和播放卡顿预设权重，计算视频业务需求速率；
针对不同分辨率，分别计算所述视频业务需求速率；
根据所述不同分辨率下的视频业务需求速率，计算所述不同包型小区的视频业务的用户视频需求体验速率。
根据本发明所述的用户感知压抑识别装置，第一计算模块具体用于：
对所述同一分辨率下不同视频的质量评估结果进行平均计算；
对所述同一分辨率下不同视频的初始缓冲评估结果进行标准差计算；
根据所述质量评估结果的平均计算所得结果和所述初始缓冲评估结果的标准差计算所得结果，计算视频业务需求速率。
根据本发明所述的用户感知压抑识别装置，装置还包括：
次数和时长模块，用于根据所述不同包型小区话务数据，得到多个用户中每一个用户在预设时间段内不同业务的次数和所述多个用户所用统计时间段的时长；
第三计算模块，用于根据所述多个用户中每一个用户在预设时间段内不同业务的次数和所述多个用户所用统计时间段的时长，计算所述业务并发系数。
根据本发明所述的用户感知压抑识别装置，装置还包括：
第四计算模块，用于根据不同业务类型预设权重和所述不同业务类型对应的应用层包大小，计算所述应用层到空口速率比例系数。
根据本发明所述的用户感知压抑识别装置，压抑用户数和流量门限模块具体用于：
将所述不同包型小区的多个业务的空口保障速率作为门限，基于所述不同包型小区话务数据的样本点，通过对不同包型小区的空口保障速率与下行激活用户数、所述下行激活用户数与有效无线资源控制RRC用户数、所述有效RRC用户数与体验保障上行流量、以及所述有效RRC用户数与体验保障下行流量进行拟合曲线分析，得到所述不同包型小区的压抑用户数和流量门限。
根据本发明所述的用户感知压抑识别装置，装置还包括：
下行激活用户数获取模块，用于将所述不同包型小区的空口保障速率作为门限，根据所述不同包型小区的空口保障速率与下行激活用户数的拟合曲线，得到所述不同包型小区的空口保障速率对应的下行激活用户数；
有效RRC用户数获取模块，用于根据所述不同包型小区的下行激活用户数和有效RRC用户数的拟合曲线，得到所述不同包型小区的空口保障速率对应的下行激活用户数对应的有效RRC用户数；
压抑用户数获取模块，用于根据所述不同包型小区的空口保障速率对应的下行激活用户数对应的有效RRC用户数，得到压抑用户数。
根据本发明所述的用户感知压抑识别装置，装置还包括：
流量获取模块，用于基于所述压抑用户数，根据不同包型小区的有效RRC用户数与体验保障上行流量、以及所述有效RRC用户数与体验保障下行流量的拟合曲线，得到与所述压抑用户数对应的体验保障上行流量和体验保障下行流量；
流量门限获取模块，用于根据所述压抑用户数对应的体验保障上行流量和体验保障下行流量，得到不同包型小区的流量门限。
根据本发明所述的用户感知压抑识别装置，装置还包括：
自忙时流量均值获取模块，用于获取不同包型小区的自忙时流量均值；
流量压抑识别模块，用于将所述不同包型小区的自忙时流量均值与所述不同包型小区的流量门限进行比较，实现流量压抑的识别。
本发明实施例提供了一种用户感知压抑识别设备，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用户感知压抑识别方法、装置、设备及介质，可以从用户角度出发，全面识别用户感知压抑情况。
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示出了本发明实施例的用户感知压抑识别方法的流程示意图；
图2示出了本发明实施例的用户感知压抑识别装置的结构示意图；
图3示出了本发明另一实施例的用户感知压抑识别方法的流程示意图；
图4示出了常规的速率算法示意图；
图5a、图6a和图7a分别示出了本发明实施例的大包小区、中包小区和小包小区的下行用户体验速率与下行激活用户数的拟合曲线1、以及下行激活用户数与有效RRC用户数的拟合曲线2的示意图；
图5b、图6b和图7b分别示出了本发明实施例的大包小区、中包小区和小包小区的有效RRC用户数与体验保障上行流量的拟合曲线3、以及有效RRC用户数与体验保障下行流量的拟合曲线4的示意图；
图8示出了本发明实施例的业务并发系数计算方法示意图；
图9示出了本发明实施例的流量转换比率的示意图；
图10示出了本发明实施例提供的用户感知压抑识别设备的硬件结构示意图。
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。
本发明实施例可提供一种用户感知压抑识别方法，参考图1，图1示出了本发明实施例的用户感知压抑识别方法100的流程示意图，该方法包括：
S110，采集不同包型小区话务数据；
S120，根据不同包型小区话务数据，计算不同包型小区的多个业务的用户实际体验速率；
S130，根据不同包型小区的多个业务的用户实际体验速率、不同包型小区的多个业务中每一个业务的业务时长占比、业务并发系数以及应用层到空口速率比例系数，计算不同包型小区的多个业务的空口保障速率；
S140，根据不同包型小区的多个业务的空口保障速率，得到不同包型小区的压抑用户数和流量门限；
S150，根据不同包型小区的压抑用户数和流量门限，实现用户感知压抑识别。
利用本发明提供的上述方案，通过根据不同包型小区话务数据，计算不同包型小区的多个业务的空口保障速率，根据不同包型小区的多个业务的空口保障速率，得到不同包型小区的压抑用户数和流量门限，根据压抑用户数和流量门限，实现所述用户感知压抑识别，可以从用户角度出发，全面识别用户感知压抑情况。
本发明实施例可提供一种用户感知压抑识别装置，参考图2，图2示出了本发明实施例的用户感知压抑识别装置200的结构示意图，该装置包括：
采集模块210，用于采集不同包型小区话务数据；
第一计算模块220，用于根据不同包型小区话务数据，计算不同包型小区的多个业务的用户实际体验速率；
第二计算模块230，用于根据不同包型小区的多个业务的用户实际体验速率、不同包型小区的多个业务中每一个业务的业务时长占比、业务并发系数以及应用层到空口速率比例系数，计算不同包型小区的多个业务的空口保障速率；
压抑用户数和流量门限模块240，用于根据不同包型小区的多个业务的空口保障速率，得到不同包型小区的压抑用户数和流量门限；
用户感知压抑识别模块250，用于根据不同包型小区的压抑用户数和流量门限，实现用户感知压抑识别。
利用本发明提供的上述方案，通过利用采集模块、第一计算模块和第二计算模块以根据不同包型小区话务数据，计算不同包型小区的多个业务的空口保障速率，根据不同包型小区的多个业务的空口保障速率，得到不同包型小区的压抑用户数和流量门限，根据压抑用户数和流量门限，实现所述用户感知压抑识别，可以从用户角度出发，全面识别用户感知压抑情况。
以下通过具体的实例，描述本发明实施例的可选的具体处理过程。需要说明的是，本发明的方案并不依赖于具体的算法，在实际应用中，可选用任何已知或未知的硬件、软件、算法、程序或其任意组合等来实现本发明的方案，只要是采用了本发明方案的实质思想，均落入本发明的保护范围。
为应对话务爆发式增长，大规模天线技术势必是未来5G时代的核心技术之一。大规模天线技术使4G能够保持连续演进。采用大规模天线，可以显著增加频谱效率，尤其在容量需求较大或者覆盖范围较广时，它可以使4G网络满足网络增长需求。
本发明实施例提供一种基于大规模阵列+多天线技术的用户感知压抑识别方法。通过采集小区的容量数据，建立基于用户体验的流量压抑的识别及解决模型，运用计算机进行客观判断，输出小区流量压抑情况。
在多天线技术场景下，本提案通过1)、建立含等待时延的实际用户感知速率的参考模型；2)、建立基于业务感知的压抑模型；3)、结合感知速率，通过大数据拟合方法，推导出压抑用户数及流量门限的标准。
参考图3，图3示出了本发明另一实施例的用户感知压抑识别方法300的流程示意图，该方法包括：
S310，采集现网小区话务数据；
S320，建立实际用户感知速率参考模型；
S330，建立基于业务感知的压抑模型；
S340，推导多天线感知压抑标准；
S350，实现用户压抑小区识别。
以下对本发明实施例提供的基于大规模阵列多天线技术的用户感知压抑识别方法300的各个步骤进行详细介绍，具体如下：
S310，采集现网小区话务数据。
采集现网工参信息和现网话务数据(周粒度)，分析输出小时级粒度的无线话统数据和用户面和控制面数据详细记录数据(X Detail Record，XDR，x代表不同的数据，如CDR代表Call Detail Record，UFDR：User flow detail record，用户流数据记录等)。
S320：建立实际用户感知速率参考模型。
根据不同包型小区话务数据，分别计算不同包型小区的多个业务的用户实际体验速率，当业务类型为视频业务时，该用户实际体验速率可以为用户视频需求体验速率。
常规的速率算法是掐头去尾速率：仅体现空口拥塞业务包出现分片时对应的传输量和传输时长，即反映在对应网络负荷下，空口可以承载的速率能力，如图4所示，图4示出了常规的速率算法示意图。
然而常规算法，无法体现用户真实感知速率，尤其是无法对大包业务初缓加载时段进行评估。而现网视频业务占比已超过50％，视频业务感知直接影响用户满意度，因为对视频业务进行建模。
可以将视频播放整个过程划分为2个阶段：初始缓冲、播放。初缓阶段即从打开视频APP，点击某个视频之后Catalog的DNS req为开始，以见到视频的第一个画面帧为结束的阶段；播放阶段即以从视频的第一个画面帧为开始，以播放完成为结束的阶段。协议里面未将初始缓冲部分考虑在内，根据实际体验评估，2秒之内95％以上实验者保持良好的注意力，3秒之后注意力开始分散，即用户等待时间小于3秒意味着优秀的网络。
为评估视频业务的用户视频需求体验速率，引入S函数表征用户视频需求体验速率；S函数可以包含3个变量(例如，视频质量、初缓时延、卡顿率)，因此用户视频需求体验速率可以是视频片源清晰度、视频初始缓冲、视频卡顿的综合。
其中，在一个实施例中，可以根据不同包型小区下视频播放数据，得到同一分辨率下不同视频的质量评估结果、初始缓冲评估结果和播放卡顿评估结果。
用户视频需求体验速率S的计算公式如公式(1)所示：
S＝Avg(Avg(sQualityi)+αstddev(sLoadingi)+β*max(sStallingi))i＝1..6 (1)
其中，上述公式(1)中各个计算因子的含义具体如下：
i＝1..6：分别表征不同分辨率的视频，例如i＝1表示240P…i＝5表示1080P；
Avg(sQualityi)：表征同一分辨率，不同视频的质量评估结果，对结果进行平均，获得单一分辨率的质量评估；
stddev(sLoadingi)：表征同一分辨率下，不同视频初始缓冲评估结果，对结果进行标准差处理，剔除异常统计点；
max(sStallingi)：表征同一分辨率下，不同视频播放卡顿的评估结果；
α为初始缓冲造成的质量损失权重系数；
β为播放卡顿造成的质量损失权重系数；
在获得视频片源质量、视频初始缓冲、视频卡顿的综合评估后，针对不同分辨率分别获得视频业务需求速率。
S330，建立基于业务感知的压抑模型。
综上，可以根据同一分辨率下不同视频的质量评估结果、初始缓冲评估结果和播放卡顿评估结果，基于初始缓冲预设权重和播放卡顿预设权重，计算视频业务需求速率；针对不同分辨率，分别计算视频业务需求速率；并根据不同分辨率下的视频业务需求速率，计算不同包型小区的视频业务的用户视频需求体验速率。
本发明实施例基于“多天线的感知识别方法”，搭建用户压抑识别模型，基于多天线用户体验的保障速率计算方式如公式(2)和(3)所示：
应用层保障速率V＝∑(业务时长占比I*业务速率要求S)*业务并发系数Y (2)
空口(PDCP)保障速率Pm＝应用层保障速率V*应用层到空口速率比例系数ρ (3)
其中，在上述公式中，各个计算公式因子含义如下：
首先，业务时长占比I：根据呼叫详细记录(call detail record，CDR)数据获取不同小区、不同业务的时长统计，计算任意业务占各个业务总时长的比例，计算公式如公式(4)所示：
其次，S表示业务i的速率要求，在S320中可以得到；
再次，业务并发系数Y值的计算公式如公式(5)所示：
其中，
用户n次数表示：单用户在K秒钟不同业务的次数，n为第n个用户；
表示n个用户所用统计时间段时长；
最后，应用层到空口速率比例系数ρ的计算公式如公式(6)所示：应用层到空口速率比例系数
其中，βi为不同业务类型权重，γi为不同业务类型对应的应用层包大小；在一个实施例中各维度权重值依据经验值进行取定；在其他实施例中，各维度权重值也可以设置默认初始值并采用遗传算法、神经网络等智能算法进行训练生成最优的权重值。
S340，推导多天线感知压抑标准。
结合感知速率，通过大数据拟合方法，推导出压抑用户数及流量门限方法。相对传统宏站而言，多天线小区频谱效率更高，利用率与流量呈现直线增长，无明显压抑现象。因此，不能以PRB利用率和感知速率来作为感知压抑的拐点。
第一、根据不同包型的小区的空口(PDCP)保障速率，基于现网大数据小时级话统数据的样本点，通过感知速率、用户数和流量的拟合曲线分析，获得基于保障速率的体验拐点：通过大数据拟合方法，推导出压抑用户数及流量门限方法。
首先：推导综合业务速率要求与下行激活用户数的拟合曲线公式，如公式(7)和(8)所示：
Yi＝Ai[Eiln(xi)+Fi]3+Bi[Eiln(xi)+Fi]2-Ci[Eiln(xi)+Fi]+Di (7)
Xi＝Eiln(xi)+Fi (8)
其中，在公式(7)和公式(8)中，各个计算公式因子含义如下：
i：小区包型标识，取值范围i＝{大包、中包、小包}；
Yi：综合业务速率；
Ai：下行速率归一化因子；
Bi：下行速率斜率因子；
Ci：下行速率补偿因子；
Di：下行速率调整常量；
Ei：有效RRC用户数映射因子；
Fi：有效RRC用户数校正因子；
xi：下行激活用户数；
Xi：有效RRC用户数。
其次：推导下行激活用户数与体验保障上、下行流量的拟合曲线公式
Y上行i＝GiXi 2+Hi*Xi-Zi (9)
Y下行i＝Jiln(Xi)-Ki (10)
在公式(9)和公式(10)中，各个计算公式因子含义如下：
i：小区包型标识，取值范围i＝{大包、中包、小包}；
Xi：有效RRC用户数；
Gi：基于有效RRC用户数上行流量斜率因子；
Hi：基于有效RRC用户数上行流量补偿因子；
Zi：基于有效RRC用户数上行流量调整常量；
Ji：基于有效RRC用户数下行流量映射因子；
Ki：基于有效RRC用户数下行流量调整常量；
Y上行i：体验保障上行流量；
Y下行i：体验保障下行流量。
参考图5、图6和图7，图5a、图6a和图7a分别示出了本发明实施例的大包小区、中包小区和小包小区的下行用户体验速率与下行激活用户数的拟合曲线1、以及下行激活用户数与有效RRC用户数的拟合曲线2的示意图；图5b、图6b和图7b分别示出了本发明实施例的大包小区、中包小区和小包小区的有效RRC用户数与体验保障上行流量的拟合曲线3、以及有效RRC用户数与体验保障下行流量的拟合曲线4的示意图。
其中，大包小区以2.29Mbps对应的体验保障上、下行流量，如图5所示；以2.20Mbps对应的体验保障上、下行流量，如图6所示；以2.09Mbps对应的体验保障上、下行流量，如图7所示。
参考图5a，将空口保障速率作为门限作一条平行于x轴(横坐标)的直线，该直线与图5a的曲线1的交点为体验拐点，该体验拐点的横坐标即为前述空口保障速率对应的下行激活用户数；接下来，以该体验拐点为起点作一条平行于y轴(纵坐标)的直线，该直线与图5a的曲线2相交于交点，以该交点为起点作一条平行于x轴的直线，该直线与y轴的交点为与前述空口保障速率对应的下行激活用户数对应的有效RRC用户数，该有效用户数可作为压抑用户数，从图5a可知压抑用户数为51。
参考图5b，基于压抑用户数，根据有效RRC用户数与体验保障上行流量的拟合曲线3、以及有效RRC用户数与体验保障下行流量的拟合曲线4，可得与压抑用户数对应的体验保障上行流量和体验保障下行流量。具体地，以压抑用户数51作为起点作一条平行于y轴的直线，该直线与曲线3和曲线4均具有一个交点，接下来，分别以两个交点为起点分别作两条平行于x轴的直线，可得与压抑用户数对应的体验保障上行流量和体验保障下行流量，该与压抑用户数对应的体验保障上行流量和体验保障下行流量可作为流量门限。
综上，可得大包小区的压抑用户数和流量门限，用于判断用户感知压抑。如图6所示的中包小区、以及如图7所示的小包小区的压抑用户数和流量门限的计算方法与图5所示的大包小区的压抑用户数和流量门限的计算方法类似，在此不再详述。
第二、根据上述公式推导，得到各个包型小区的体验保障速率与有效RRC用户数、体验保障上/下行流量的关系表，如表1所示：
表1
S350，实现用户压抑小区识别。
作为一个示例，通过各小区自忙时流量均值与忙时体验保障上、下行流量进行比较，实现流量压抑的识别。
下面通过一个具体实例对本发明实施例的具体实施方式进行详细描述。
通过对重要节点的算法进行示例，演示本发明实施例方法中各关键点的具体实施过程。为了节约篇幅，与本发明实施例方法所述内容相同之处简要描述。
第一步，采集不同包型小区话务数据。
其中，采集的数据源有工参、XDR和无线话统，数据处理的主要用途如表2：
表2
根据用户视频需求体验速率S的计算公式(1)、和业务时长占比的计算公式(4)，得出业务占比时长、和用户视频需求体验速率S的关系表如表3所示：
表3
第三步，根据业务并发系数的计算公式(5)，得到业务并发率＝1.7。计算示意表，如图8所示，图8示出了本发明实施例的业务并发系数计算方法示意图。
作为一个示例，首先，统计每一个用户在某一秒不同业务的次数；其次，统计单用户每秒的并发业务类型数量(非业务次数)；最后，将所有用户的并发次数取平均值，得到业务并发系数。
根据应用层到空口速率比例系数ρ的计算公式(6)，得到应用层到空口速率比例系数ρ＝1.11，如图9所示，图9示出了本发明实施例的流量转换比率的示意图。
根据空口(PDCP)保障速率的计算公式(3)，得到小区在各包型下的综合业务速率要求，如表4所示：
表4
第四步，根据体验保障上、下行流量与下行激活用户数的推导公式，结合各包型计算因子映射表(详见表5)，表5示出了本发明实施例的各包型小区的计算因子映射表。
表5
| 计算因子 | 大包小区 | 中包小区 | 小包小区 |
| 综合业务速率Y<sub>i</sub> | 2.29 | 2.2 | 2.09 |
| 下行速率归一化因子A<sub>i</sub> | -0.0002 | -0.0004 | -0.0003 |
| 下行速率斜率因子B<sub>i</sub> | 0.0176 | 0.0257 | 0.0192 |
| 下行速率补偿因子C<sub>i</sub> | -0.5766 | -0.6154 | -0.4806 |
| 下行速率调整常量D<sub>i</sub> | 7.9798 | 6.6823 | 5.3674 |
| 有效RRC用户数映射因子E<sub>i</sub> | 17.856 | -0.0702 | 0.0035 |
| 有效RRC用户数调整常量F<sub>i</sub> | 2.8235 | 5.2588 | 0.2471 |
| 基于有效RRC用户数上行流量斜率因子G<sub>i</sub> | -0.0001 | 0.019 | 0.0151 |
| 基于有效RRC用户数上行流量补偿因子H<sub>i</sub> | 0.0335 | 1.0491 | 1.0874 |
| 基于有效RRC用户数上行流量调整常量I<sub>i</sub> | -0.056 | 0.0604 | -0.0016 |
| 基于有效RRC用户数下行流量映射因子J<sub>i</sub> | 5.8697 | -0.0016 | 0.2613 |
| 基于有效RRC用户数下行流量调整常量K<sub>i</sub> | -8.3542 | 0.3125 | -0.2738 |
计算出各包型小区体验保障速率与有效RRC用户数、体验保障上/下行流量的关系，用于识别用户感知压抑情况，如表6所示。
表6
综上，本发明实施例通过采集小区的容量数据，建立基于用户体验的流量压抑的识别及解决模型的方法；并且基于识别及解决模型确定小区流量压抑情况。
与现有技术相比，本发明实施例提供的用户感知压抑识别方法、装置、设备及介质，具有如下优点：
第一、本发明实施例提供的方法解决了建设需求基站—预规划基站的价值评估问题，既可以有效评估预规划基站的价值，又可以实现预规划基站小区数和方位角判决；
第二、本发明实施例提供的方法可以通过分场景价值评估、预规划基站相关性判决、预规划基站小区数和方位角判决、预规划基站价值评估，实现策略选择灵活；提案还提供实现的装置原理、系统部署办法，不需要改变现有平台架构，只需通过增加简单的软件或者硬件来实现分场景预规划基站价值评估，可显著提升效率，适合广泛部署。
第三、本发明实施例进一步的阐明了实施方法原理和在特定平台下的具体应用，可有效为实现价值区域精准规划与降本增效提供具体方法。
另外，结合图1描述的本发明实施例的用户感知压抑识别方法可以由用户感知压抑识别设备来实现。图10示出了本发明实施例提供的用户感知压抑识别设备的硬件结构示意图。
用户感知压抑识别设备可以包括处理器1003以及存储有计算机程序指令的存储器1004。
图10是示出能够实现根据本发明实施例的通信方法和网络服务器的计算设备的示例性硬件架构的结构图。如图10所示，计算设备1000包括输入设备1001、输入接口1002、处理器1003、存储器1004、输出接口1005、以及输出设备1006。
其中，输入接口1002、处理器1003、存储器1004、以及输出接口1005通过总线1010相互连接，输入设备1001和输出设备1006分别通过输入接口1002和输出接口1005与总线1010连接，进而与计算设备1000的其他组件连接。
具体地，输入设备1001接收来自外部的输入信息，并通过输入接口1002将输入信息传送到处理器1003；处理器1003基于存储器1004中存储的计算机可执行指令对输入信息进行处理以生成输出信息，将输出信息临时或者永久地存储在存储器1004中，然后通过输出接口1005将输出信息传送到输出设备1006；输出设备1006将输出信息输出到计算设备1000的外部供用户使用。
计算设备1000可以执行本申请上述的通信方法中的各步骤。
处理器1003可以是一个或多个中央处理器(英文：Central Processing Unit，CPU)。在处理器1003是一个CPU的情况下，该CPU可以是单核CPU，也可以是多核CPU。
存储器1004可以是但不限于随机存储存储器(RAM)、只读存储器(ROM)，可擦除可编程只读存储器(EPROM)、光盘只读存储器(CD-ROM)、硬盘等中的一种或多种。存储器1004用于存储程序代码。
可以理解的是，在本发明实施例中，图2提供的采集模块210至用户感知压抑识别模块250中任一模块或全部模块的功能可以用图10所示的中央处理器1003实现。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
本说明书的各个部分均采用递进的方式进行描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点介绍的都是与其他实施例不同之处。尤其，对于装置和系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例部分的说明即可。
Claims (12)
1.一种用户感知压抑识别方法，包括：
采集不同包型小区话务数据；
根据所述不同包型小区话务数据，计算不同包型小区的多个业务的用户实际体验速率；
根据所述不同包型小区的多个业务的用户实际体验速率、所述不同包型小区的多个业务中每一个业务的业务时长占比、业务并发系数以及应用层到空口速率比例系数，计算不同包型小区的多个业务的空口保障速率；
根据所述不同包型小区的多个业务的空口保障速率，得到不同包型小区的压抑用户数和流量门限；
根据所述不同包型小区的压抑用户数和流量门限，实现所述用户感知压抑识别。
2.根据权利要求1所述的方法，其特征在于，所述根据所述不同包型小区话务数据，计算不同包型小区的多个业务的用户实际体验速率，包括：
当业务类型为视频业务时，根据所述不同包型小区下视频播放数据，得到同一分辨率下不同视频的质量评估结果、初始缓冲评估结果和播放卡顿评估结果；
根据所述同一分辨率下不同视频的质量评估结果、初始缓冲评估结果和播放卡顿评估结果，基于初始缓冲预设权重和播放卡顿预设权重，计算视频业务需求速率；
针对不同分辨率，分别计算所述视频业务需求速率；
根据所述不同分辨率下的视频业务需求速率，计算所述不同包型小区的视频业务的用户视频需求体验速率。
3.根据权利要求2所述的方法，其特征在于，所述根据所述同一分辨率下不同视频的质量评估结果、初始缓冲评估结果和播放卡顿评估结果，基于初始缓冲预设权重和播放卡顿预设权重，计算视频业务需求速率，包括：
对所述同一分辨率下不同视频的质量评估结果进行平均计算；
对所述同一分辨率下不同视频的初始缓冲评估结果进行标准差计算；
根据所述质量评估结果的平均计算所得结果和所述初始缓冲评估结果的标准差计算所得结果，计算视频业务需求速率。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述不同包型小区话务数据，得到多个用户中每一个用户在预设时间段内不同业务的次数和所述多个用户所用统计时间段的时长；
根据所述多个用户中每一个用户在预设时间段内不同业务的次数和所述多个用户所用统计时间段的时长，计算所述业务并发系数。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据不同业务类型预设权重和所述不同业务类型对应的应用层包大小，计算所述应用层到空口速率比例系数。
6.根据权利要求1所述的方法，其特征在于，所述根据所述不同包型小区的多个业务的空口保障速率，得到不同包型小区的压抑用户数和流量门限，包括：
将所述不同包型小区的多个业务的空口保障速率作为门限，基于所述不同包型小区话务数据的样本点，通过对不同包型小区的空口保障速率与下行激活用户数、所述下行激活用户数与有效无线资源控制RRC用户数、所述有效RRC用户数与体验保障上行流量、以及所述有效RRC用户数与体验保障下行流量进行拟合曲线分析，得到所述不同包型小区的压抑用户数和流量门限。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
将所述不同包型小区的空口保障速率作为门限，根据所述不同包型小区的空口保障速率与下行激活用户数的拟合曲线，得到所述不同包型小区的空口保障速率对应的下行激活用户数；
根据所述不同包型小区的下行激活用户数和有效RRC用户数的拟合曲线，得到所述不同包型小区的空口保障速率对应的下行激活用户数对应的有效RRC用户数；
根据所述不同包型小区的空口保障速率对应的下行激活用户数对应的有效RRC用户数，得到压抑用户数。
8.根据权利要求7所述的方法，其特征在于，所述方法还包括：
基于所述压抑用户数，根据不同包型小区的有效RRC用户数与体验保障上行流量、以及所述有效RRC用户数与体验保障下行流量的拟合曲线，得到与所述压抑用户数对应的体验保障上行流量和体验保障下行流量；
根据所述压抑用户数对应的体验保障上行流量和体验保障下行流量，得到不同包型小区的流量门限。
9.根据权利要求8所述的方法，其特征在于，所述方法还包括：
获取不同包型小区的自忙时流量均值；
将所述不同包型小区的自忙时流量均值与所述不同包型小区的流量门限进行比较，实现流量压抑的识别。
10.一种用户感知压抑识别装置，其特征在于，所述装置包括：
采集模块，用于采集不同包型小区话务数据；
第一计算模块，用于根据所述不同包型小区话务数据，计算不同包型小区的多个业务的用户实际体验速率；
第二计算模块，用于根据所述不同包型小区的多个业务的用户实际体验速率、所述不同包型小区的多个业务中每一个业务的业务时长占比、业务并发系数以及应用层到空口速率比例系数，计算不同包型小区的多个业务的空口保障速率；
压抑用户数和流量门限模块，用于根据所述不同包型小区的多个业务的空口保障速率，得到不同包型小区的压抑用户数和流量门限；
用户感知压抑识别模块，用于根据所述不同包型小区的压抑用户数和流量门限，实现所述用户感知压抑识别。
11.一种用户感知压抑识别设备，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1-9中任一项所述的方法。
12.一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1-9中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811479820.8A CN111278039B (zh) | 2018-12-05 | 2018-12-05 | 用户感知压抑识别方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811479820.8A CN111278039B (zh) | 2018-12-05 | 2018-12-05 | 用户感知压抑识别方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111278039A true CN111278039A (zh) | 2020-06-12 |
| CN111278039B CN111278039B (zh) | 2022-12-06 |
Family
ID=71001499
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811479820.8A Active CN111278039B (zh) | 2018-12-05 | 2018-12-05 | 用户感知压抑识别方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111278039B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112702144A (zh) * | 2020-12-17 | 2021-04-23 | 中国移动通信集团江苏有限公司 | 参数调整方法、装置、电子设备及计算机存储介质 |
| WO2023041051A1 (zh) * | 2021-09-18 | 2023-03-23 | 中兴通讯股份有限公司 | 用户感知评估方法、装置、存储介质以及电子装置 |
| CN114449541B (zh) * | 2020-10-30 | 2023-10-27 | 中国移动通信集团浙江有限公司 | 异常感知小区定位方法、装置、设备及可读介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150264098A1 (en) * | 2014-03-14 | 2015-09-17 | Huawei Technologies Co., Ltd. | System and Method for Dynamic Effective Rate Estimation for Real-Time Video Traffic |
| CN105407494A (zh) * | 2015-10-23 | 2016-03-16 | 中国联合网络通信集团有限公司 | 网络扩容方法及装置 |
| WO2016090856A1 (zh) * | 2014-12-08 | 2016-06-16 | 中兴通讯股份有限公司 | 小区切换方法及系统 |
| CN105992280A (zh) * | 2015-02-13 | 2016-10-05 | 中国移动通信集团浙江有限公司 | 一种数据处理方法及装置 |
| CN107438254A (zh) * | 2016-05-25 | 2017-12-05 | 中兴通讯股份有限公司 | 基于用户行为的业务识别方法、装置和系统 |
| CN108271197A (zh) * | 2016-12-30 | 2018-07-10 | 上海大唐移动通信设备有限公司 | 一种lte容量分析方法及装置 |
-
2018
- 2018-12-05 CN CN201811479820.8A patent/CN111278039B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150264098A1 (en) * | 2014-03-14 | 2015-09-17 | Huawei Technologies Co., Ltd. | System and Method for Dynamic Effective Rate Estimation for Real-Time Video Traffic |
| WO2016090856A1 (zh) * | 2014-12-08 | 2016-06-16 | 中兴通讯股份有限公司 | 小区切换方法及系统 |
| CN105992280A (zh) * | 2015-02-13 | 2016-10-05 | 中国移动通信集团浙江有限公司 | 一种数据处理方法及装置 |
| CN105407494A (zh) * | 2015-10-23 | 2016-03-16 | 中国联合网络通信集团有限公司 | 网络扩容方法及装置 |
| CN107438254A (zh) * | 2016-05-25 | 2017-12-05 | 中兴通讯股份有限公司 | 基于用户行为的业务识别方法、装置和系统 |
| CN108271197A (zh) * | 2016-12-30 | 2018-07-10 | 上海大唐移动通信设备有限公司 | 一种lte容量分析方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| P.WALI: "PS-SPS: Power saving-semi persistent scheduler for VoLTE in LTE-advanced", 《2015 IEEE INTERNATIONAL CONFERENCE ON ELECTRONICS, COMPUTING AND COMMUNICATION TECHNOLOGIES (CONECCT)》 * |
| 刘毅: "提升VoLTE用户感知的保障策略研究", 《移动通信》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114449541B (zh) * | 2020-10-30 | 2023-10-27 | 中国移动通信集团浙江有限公司 | 异常感知小区定位方法、装置、设备及可读介质 |
| CN112702144A (zh) * | 2020-12-17 | 2021-04-23 | 中国移动通信集团江苏有限公司 | 参数调整方法、装置、电子设备及计算机存储介质 |
| CN112702144B (zh) * | 2020-12-17 | 2022-08-09 | 中国移动通信集团江苏有限公司 | 参数调整方法、装置、电子设备及计算机存储介质 |
| WO2023041051A1 (zh) * | 2021-09-18 | 2023-03-23 | 中兴通讯股份有限公司 | 用户感知评估方法、装置、存储介质以及电子装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111278039B (zh) | 2022-12-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10091675B2 (en) | System and method for estimating an effective bandwidth | |
| CN103491556B (zh) | 一种网络调整的方法及装置 | |
| Yang et al. | Prospect pricing in cognitive radio networks | |
| WO2000030385A1 (en) | Determining subscriber demands on a communications system | |
| CN113467910B (zh) | 基于业务等级的过载保护调度方法 | |
| US11576187B2 (en) | Radio frequency resource allocation method, apparatus, device and system, and storage medium | |
| US20230362717A1 (en) | Method and system for managing mobile network congestion | |
| CN109391950B (zh) | 终端分布的预测方法、装置、设备及介质 | |
| Kbah et al. | Resource allocation in cellular systems for applications with random parameters | |
| CN111278039B (zh) | 用户感知压抑识别方法、装置、设备及介质 | |
| EP3688938B1 (en) | Predictive scheduler | |
| CN110677854A (zh) | 载频容量调整的方法、装置、设备和介质 | |
| US20230224943A1 (en) | Radio frequency resource allocation method, apparatus, device and system, and storage medium | |
| Xu et al. | Modeling buffer starvations of video streaming in cellular networks with large-scale measurement of user behavior | |
| CN115633380B (zh) | 一种考虑动态拓扑的多边缘服务缓存调度方法和系统 | |
| CN112153702B (zh) | 一种局域网带宽资源分配方法、存储装置及设备 | |
| CN116566696B (zh) | 一种基于云计算的安全性评估系统及方法 | |
| CN115022914A (zh) | 用户感知评估方法、装置、终端及存储介质 | |
| EP3366060B1 (en) | Allocating radio resources in a cellular network | |
| JP2012182677A (ja) | 通信トラヒック予測装置及び方法及びプログラム | |
| Hosein et al. | Congestion detection for QoS-enabled wireless networks and its potential applications | |
| JP6276206B2 (ja) | 帯域割り当て制御装置及び帯域割り当て制御方法 | |
| CN114501145B (zh) | 视频传输的码率控制方法、装置、电子装置和存储介质 | |
| CN114828050A (zh) | 业务容量的确定方法、装置、设备及介质 | |
| CN110868304B (zh) | 一种pcc策略下发方法及系统 |
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 |