CN111741452B - 一种NB-IoT基站剩余容量预测的方法和装置 - Google Patents

一种NB-IoT基站剩余容量预测的方法和装置 Download PDF

Info

Publication number
CN111741452B
CN111741452B CN202010696217.6A CN202010696217A CN111741452B CN 111741452 B CN111741452 B CN 111741452B CN 202010696217 A CN202010696217 A CN 202010696217A CN 111741452 B CN111741452 B CN 111741452B
Authority
CN
China
Prior art keywords
network management
prediction
correlation
sector
base station
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
CN202010696217.6A
Other languages
English (en)
Other versions
CN111741452A (zh
Inventor
叶志钢
冯晔
张本军
王赟
谭国权
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.)
Wuhan Greenet Information Service Co Ltd
Original Assignee
Wuhan Greenet Information Service 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 Wuhan Greenet Information Service Co Ltd filed Critical Wuhan Greenet Information Service Co Ltd
Priority to CN202010696217.6A priority Critical patent/CN111741452B/zh
Publication of CN111741452A publication Critical patent/CN111741452A/zh
Application granted granted Critical
Publication of CN111741452B publication Critical patent/CN111741452B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/70—Services for machine-to-machine communication [M2M] or machine type communication [MTC]
    • 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
    • H04L41/147—Network analysis or design for predicting network behaviour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及通信领域，特别是涉及一种NB‑IoT基站剩余容量预测的方法和装置。主要包括：选择活跃终端数大于预设活跃终端数阈值的扇区作为预测扇区组；获取预测扇区组内的各信道中的网管指标；以每二个网管指标一组进行相关性分析，获取相关性高于预设相关性阈值的网管指标组，作为预测网管指标组；根据业务模型、预测网管指标组的相关性模型和预测网管指标组的值，获取预测扇区组的剩余容量。本发明可以根据NB‑IoT网络的特性和业务特性，对网络剩余容量进行较为准确的预测，为业务发展提供支持。

Description

一种NB-IoT基站剩余容量预测的方法和装置
技术领域
本发明涉及通信领域，特别是涉及一种NB-IoT基站剩余容量预测的方法和装置。
背景技术
窄带物联网（Narrow Band Internet of Things, 简写为：NB-IoT）是物联网的一个新兴的重要分支技术。NB-IoT构建于蜂窝网络，只消耗大大约180kHz的带宽，可直接部署于全球移动通信系统（Global System for Mobile Communications，简写为：GSM）网络、通用移动通信系统 (Universal Mobile Telecommunications System，简写为：UMTS)网络或长期演进（Long Term Evolution，简写为：LTE）网络，以降低部署成本、实现平滑升级。
但是，NB-IoT在帧结构、时隙结构、物理信道、数据传输过程等方面与传统的LTE网络都有较大的差别，为了增强下行和上行覆盖，NB-IoT的NPDCCH、NPDSCH、NPUSCH、NPRACH等物理信道可以根据覆盖等级进行多次传输，同时NPDCCH和NPDSCH在不同的子帧进行传输，NB-IoT与LTE的容量计算方法完全不同。
鉴于此，如何克服该现有技术所存在的缺陷，解决现有网络容量计算方法无法准确估算NB-IoT网络容量瓶颈，并且无法获取行业业务和容量之间的对应关系，因而无法预测NB-IoT网络剩余容量的情况，是本技术领域待解决的问题。
发明内容
针对现有技术的以上缺陷或改进需求，本发明解决了现有网络剩余容量预测模型无法预测NB-IoT剩余容量的问题。
本发明实施例采用如下技术方案：
第一方面，本发明提供了一种NB-IoT基站剩余容量预测的方法，具体为：选择活跃终端数大于预设活跃终端数阈值的扇区作为预测扇区组；获取预测扇区组内的各信道中的网管指标；以每二个网管指标一组进行相关性分析，获取相关性高于预设相关性阈值的网管指标组，作为预测网管指标组；根据业务模型、预测网管指标组的相关性模型和预测网管指标组的值，获取预测扇区组的剩余容量。
优选的，根据基站各扇区的活跃终端数选定预测扇区组，包括：获取每个基站中每天的平均活跃终端数大于活跃终端数阈值的活跃扇区，将属于同一基站的所有活跃扇区合并作为该基站的预测扇区组。
优选的，以每二个网管指标一组进行相关性分析，包括：根据每个网管指标组中两个网管指标的值进行线性回归，建立线性趋势预测拟线；根据线性趋势预测拟线建立线性回归模型，使用线性拟合作为两个网管指标的相关性模型。
优选的，当两个网管指标的相关性模型的预测R值低于预设预测R值阈值时，使用高阶多项式进行拟合，使用拟合后的高阶多项式作为两个网管指标的相关性模型。
优选的，若两个网管指标的相关性模型的预测R值和高阶多项式拟合的预测R值之差小于预设预测R值差阈值，使用线性回归模型作为两个网管指标的相关性模型。
优选的，获取相关性高于预设相关性阈值的网管指标组，包括：根据每个网管指标组中两个网管指标的相关性模型，计算相关性模型的标准差，标准差大于预设标准差阈值的网管指标组作为预测网管指标组。
优选的，根据每个网管指标组中两个网管指标的值进行线性回归后，根据每二个网管指相关性模型的标准差作为相关性指标，对所有的网管指标建立相关性矩阵，去除相关性低于预设相关性阈值的网管指标组，选取相关性高于预设相关性阈值的网管指标组建立相关性模型。
优选的，获取预测扇区组内各扇区的剩余容量，包括：根据业务模型、预测网管指标组的相关性模型和预测网管指标组的值计算预测扇区组内各扇区的峰值用户数；根据各扇区的总用户容量和峰值用户数，计算各扇区的剩余容量。
优选的，进行剩余容量预测的扇区用户为覆盖等级0的用户。
另一方面，本发明提供了一种NB-IoT基站剩余容量预测的装置，具体为：包括至少一个处理器和存储器，至少一个处理器和存储器之间通过数据总线连接，存储器存储能被至少一个处理器执行的指令，指令在被处理器执行后，用于完成第一方面中的NB-IoT基站剩余容量预测的方法。
与现有技术相比，本发明实施例的有益效果在于：通过对不同网管指标组建立相关性模型，根据网管指标、用户数量和容量之间的对应关系，根据现有网管指标的值对基站的剩余容量进行预测。通过该预测的方式，可以根据NB-IoT网络的特性和业务特性，对网络剩余容量进行较为准确的预测，为业务发展提供支持。在本实施例的优选方案中，提供了建立相关性模型的优化方式，以建立更准确的预测模型，对基站剩余容量进行更准确的预测。
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。显而易见地，下面所描述的附图仅仅是本发明的一些实施例，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为本发明实施例提供的一种NB-IoT基站剩余容量预测的方法流程图；
图2为本发明实施例提供的另一种NB-IoT基站剩余容量预测的方法流程图；
图3为本发明实施例提供的另一种NB-IoT基站剩余容量预测的方法流程图；
图4为本发明实施例提供的一种NB-IoT基站剩余容量预测的装置结构示意图。
具体实施方式
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说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明是一种特定功能系统的体系结构，因此在具体实施例中主要说明各结构模组的功能逻辑关系，并不对具体软件和硬件实施方式做限定。
此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。下面就参考附图和实施例结合来详细说明本发明。
对本发明实施例中使用到的一些术语解释如下。
（1）窄带物联网
全称Narrow Band Internet of Things, 简写为：NB-IoT。NB-IoT是IoT领域一个新兴的技术，支持低功耗设备在广域网的蜂窝数据连接，也被叫作低功耗广域网。NB-IoT支持待机时间长、对网络连接要求较高设备的高效连接。NB-IoT设备电池寿命相对于广域网设备电池寿命显著提高，并能提供非常全面的室内蜂窝数据连接覆盖。
（2）基站扇区
在蜂窝通信网中，基站可设在小区的中心，用全向天线形成圆形的覆盖区，这就是“中心激励”方式。也可将基站设在每个小区六边形的三个顶点上，每个基站采用三副120度扇形辐射的定向天线，分别覆盖三个相邻小区的各三分之一的区域，每个小区由三副120度扇形天线共同覆盖，这就是“顶点激励”方式，而每副天线覆盖的区域就是一个基站扇区。
（3）无线资源控制
全称Radio Resource Control，简写为：RRC，又称为无线资源管理（RadioResource Management，简写为：RRM），是指通过一定的策略和手段进行无线资源管理、控制和调度，在满足服务质量的要求下，尽可能地充分利用有限的无线网络资源，确保到达规划的覆盖区域，尽可能地提高业务容量和资源利用率。
（4）窄带物理随机接入信道
Narrowband Physical Random Access Channel，简写为：NPRACH。NPRACH是用户终端（User Equipment,简写为：UE)一开始发起呼叫时的接入信道，UE接收到快速物理接入信道（Fast Physical Access Channel，简写为PRACH）响应消息后，会根据Node B指示的信息在PRACH信道发送RRC Connection Request消息，进行RRC连接的建立。
（5）窄带物理下行控制信道
Narrowband Physical Downlink Control Channel，简写为：NPDCCH。NPDCCH是物理下行控制信道。NPDCCH承载调度以及其他控制信息，具体包含传输格式、资源分配、上行调度许可、功率控制以及上行重传信息等。
（6）窄带下行物理信道
Narrowband Physical Downlink Shared Channel，简写为NPDSCH。LTE物理下行信道中的一种，是LTE承载主要用户数据的下行链路通道，所有的用户数据都可以使用，还包括没有在PBCH中传输的系统广播消息和寻呼消息-LTE中没有特定的物理层寻呼信道。
（7）上行物理共享信道
Narrowband Physical Uplink Shared Channel，简写为NPUSCH。用于传送上行控制信息和上行数据。NPUSCH和pucch在频域上所处的位置不同，NPUCCH处于频带的两端，NPUSCH处于中间，占据绝大部分资源。
（8）MSG1-MSG5
UE接入网络需要过程，分为msg1到msg5的5个步骤：
MSG1指的是开环功控，UE逐步提升功率发探针的过程；
MSG2指的是某一时刻ENB接收到MSG1回复的ACK；
MSG3指的是UE发送的RRC建立请求或重建请求；
MSG4指的是ENB发给UE的RRC建立或重建命令；
MSG5指的是手机回复的RRC建立或重建完成。
（9）覆盖等级
即覆盖增强等级（Coverage Enhancement Level，简写为CE Level或CEL），为了兼顾覆盖深度和容量性能，将NB-IoT小区划分为不同覆盖等级，UE根据信号强度选择相应的覆盖等级进行业务传输。
CE Level共分三个等级，数值从0到2，分别对应可对抗144dB、154dB、164dB的信号衰减，可根据最大耦合损耗（Maximum Coupling Loss，简写为：MCL）的值进行等级划分。基站和UE之间会根据其所在的CEL来选择相对应的信息重发次数。
0表示常规覆盖，MCL<144dB，与现有GPRS覆盖一致。即：信号好，优先保证传输速率。
1表示扩展覆盖，144dB<MCL<154dB，在现有GPRS覆盖的基础上提升了10dB。即：信号较弱，优先保证覆盖，数据传输速率较低。
2表示极端覆盖，154dB<MCL<164dB，在现有GPRS覆盖的基础上提升了20dB。即：信号极弱，优先保证覆盖，数据传输速率低。
对于MCL的定义，详见3GPP规范TS 36.888。
实施例1：
随着NB-IOT的业务发展，NB-IOT终端的投放越来越多，NB-IOT网络负荷逐渐提升,为了更好的发展业务，需要了解网络剩余容量能够支持多少行业用户的发展。本实施例通过分析NB-IoT用户的业务模型和NB-IoT上下行数据流程，结合实际的网络使用数据计算出NB-IoT容量和业务的对应关系。
如图1所示，本发明实施例提供的NB-IoT基站剩余容量预测的方法具体步骤如下：
步骤101：选择活跃终端数大于预设活跃终端数阈值的扇区作为预测扇区组。
在蜂窝通信网中，基站可设在小区的中心，用全向天线形成圆形的覆盖区，这就是“中心激励”方式。也可将基站设在每个小区六边形的三个顶点上，每个基站采用三副120度扇形辐射的定向天线，分别覆盖三个相邻小区的各三分之一的区域，每个小区由三副120度扇形天线共同覆盖，这就是“顶点激励”方式，而每副天线覆盖的区域就是一个基站扇区。
在本实施例的实际实施场景中，各扇区中每天的活跃终端数间差距较大，若使用活跃终端数较少的扇区进行预测，可能会因为用户数量过少而导致预测不准确。因此，本实施例中需要根据基站各扇区的活跃终端数选定预测扇区组，获取每个基站中每天的平均活跃终端数大于活跃终端数阈值的活跃扇区，将属于同一基站的所有活跃扇区合并作为该基站的预测扇区组。在本实施例的优选方案中，为了保障分析的准确性，对需分析的数据进行筛选，活跃终端数阈值大于基站总的平均活跃用户数在每个扇区的平均值。
步骤102：获取预测扇区组内的各信道中的网管指标。
NB-IoT是一个180KHz的窄带物联网。时频资源是非常有限的，虽然有着广覆盖，大连接，低功耗的优点，但背后都是有着各种限制。广覆盖背后依靠的重传技术进一步限制了容量。为了更好的分析，需要对研究对象进一步细化。从NB-IoT的信令业务流程来看，需要分析的对象简单的归为2类：
1、接入过程：MSG1-MSG5，包含随机接入和RRC建立过程。
利用的网络资源：NPRACH、NPDCCH、NPDSCH、NPUSCH。
2、数据交互：各种COAP和TCP的业务交互过程。
利用的网络资源： NPDCCH、NPDSCH、NPUSCH。
根据NB-IOT特征，将这些信道对应至网管指标：NPRACH信道占用率、RRC建立请求次数、RRC建立成功率、上行子载波利用率、下行子载波利用率和上行子载波干扰噪声。在无线传输领域，这些指标中最容量易受限产生的3个瓶颈分别是接入信道瓶颈、上行信道瓶颈和下行信道瓶颈。
在本实施例中，需要通过网管系统获取预测扇区组中各扇区相应的网管指标具体数值，用于后续的分析和预测。
步骤103：以每二个网管指标一组进行相关性分析，获取相关性高于预设相关性阈值的网管指标组，作为预测网管指标组。
在对基站剩余容量进行预测时，需要评估行业业务对NB-IOT网络的冲击，主要分为2个方面，一是容易产生NB-IOT网络容量瓶颈，二是行业业务和容量之间的对应关系。在本实施例中，根据网管指标使用以下3个指标评估容量：NPRACH占用率评估接入信道瓶颈、上行子载波占用率评估上行信道瓶颈和下行子载波占用率评估下行信道瓶颈。通过平台数据和网管数据结合，可以尝试建立以下4组对应关系：上行流量与上行子载波的对应关系、下行流量与下行子载波的对应关系、活跃用户数与NPRACH占用率的对应关系和上行流量与上行子载波干扰噪声的对应关系。通过在不同对应关系间的相关性，即可根据每个网管指标组中的一个网管指标对另一个网管指标进行预测。
为了简化计算和分析，根据网管指标相关性的一般规律，本实施例中使用线性回归模型对每两个网管指标的相关性进行分析。在本实施例的具体实施场景中，网管指标的相关性通过线性回归的标准差进行定量。线性回归是利用数理统计中回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，运用十分广泛。其表达形式为y = w'x+e，e为误差服从均值为0的正态分布。回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。在本实施例中，每个网管指标组中，可以由网管系统直接获取到的网管指标作为自变量，需进行预测的网管指标作为因变量，建立线性回归模型。通过线性回归模型，可以根据网管系统直接获取到的网管指标的值对网管指标组中另一个值进行预测。同时，可以通过线性回归模型的标准差，即R值，对线性回归模型的预测准确度进行定量分析。
本实施例中，如图2所示，建立线性回归模型的步骤如下：
步骤201：根据每个网管指标组中两个网管指标的值进行线性回归，建立线性趋势预测拟线。
步骤202：根据线性趋势预测拟线建立线性回归模型，使用线性拟合作为两个网管指标的相关性模型。
进一步的，为了建立线性回归模型，需要多个数据进行回归，因此，可以在一个时间段内对网管指标的数据进行多次获取，以获取足够的数据量。在本实施例的一般实施场景中，可以根据分析成本、效率和预测精度的需求选择合适的取值时间段和获取频率。取值时间越长并且获取频率越高的情况下，预测精度越高，但成本越大；取值时间越短或获取频率越小的情况下，预测精度越低，但成本也较低。在本实施例的优选方案中，预测时间段可以设置为一周。
在本实施例的某些实施场景中，网管指标的值并不符合线性回归模型，线性拟合的预测R值低于预设预测R值阈值，此时，使用线性回归模型无法准确的通过自变量值获取因变量值，即无法通过网管系统获得的数据对另一个网管指标的值进行预测。该场景下，不能简单的使用线性回归模型作为相关性模型，而需要对相关性模型进行经一部优化。本实施例中，该场景下使用高阶多项式进行拟合，使用拟合后的高阶多项式作为两个网管指标的相关性模型。
使用高阶多项式作为相关性模型，相对于使用线性回归作为相关性模型，预测时计算更复杂，计算量更大，但对于非线性关系的两个网管指标的预测准确度更高。因此，在选择相关性模型时，为了兼顾计算的简便和预测的精确，在高阶多项式作为相关性模型的预测准确度并不明显优于线性回归模型的情况下，选用线性回归模型作为相关性模型进行预测。具体的，若线性拟合的预测R值和高阶多项式拟合的预测R值之差小于预设预测R值差阈值，使用线性拟合作为两个网管指标的相关性模型。在本实施例的具体实施方式中，可以根据计算能力和预测精度的需求选取合适的预设预测R值差阈值。在一般的使用场景中，为了保证误差较小，预设预测R值差阈值小于0.05，优选方案中，预设预测R值差阈值可以使用0.03。
在进行预测时，若两个网管指标的相关性较低，则通过其中一个网管指标对另一个网管指标预测的准确性也较低。在本实施例的某些使用场景中，某些网管指标组中的两个网管指标即使进行了准确度更高的高阶多项式进行拟合，依然无法达到预测需要的准确度。因此，为了进行更准确的预测，本实施例提供的预测方法中，仅使用相关性较高的网管指标组进行预测。为了计算每个网管指标组的相关性，可以根据每个网管指标组中两个网管指标的相关性模型，计算相关性模型的线性回归标准差，线性回归标准误差大于预设标准误差阈值的网管指标组作为预测网管指标组。在本实施例的一般使用场景中，线性回归的标准差在0.8左右时可以视为误差较低，在预测精度要求不高的场景中，预设相关性阈值可设为0.8；线性回归的标准差在0.9时预测准确率较高，在预测精度要求较高的场景中，预测相关性阈值可设为0.9。
进一步的，在本实施例的具体过程中，为了避免对相关性较低的网管指标组建立相关性模型导致的计算资源浪费，可以简便的对各网管指标组内两个网管指标的相关性进行初步筛选。在本实施例的具体实施方案中，根据每个网管指标组中两个网管指标的值进行线性回归后，根据每二个网管指相关性模型的标准差作为相关性指标，对所有的网管指标建立相关性矩阵，以获取相关性高于预设相关性阈值的网管指标组。通过查看相关性矩阵，可以便捷的去除相关性低于预设相关性阈值的网管指标组，选取相关性高于预设相关性阈值的网管指标组建立相关性模型，从而筛选出相关性最高的网管指标组进行预测，减少建立相关性模型的计算量。
步骤104：根据业务模型、预测网管指标组的相关性模型和预测网管指标组的值，获取预测扇区组剩余容量。
在步骤103中建立网管指标组的相关性模型，并筛选出预测准确性较高的网管指标组后，即可通过步骤102中获取到的网管指标的值，代入网管指标组的相关性模型中，对需要预测的网管指标进行计算，并进一步根据业务模型对预测扇区组内各扇区的剩余容量进行预测。
如图3所示，获取预测扇区组内各扇区的剩余容量的步骤为：
步骤301：根据业务模型、预测网管指标组的相关性模型和预测网管指标组的值计算预测扇区组内各扇区的峰值用户数。
步骤302：根据各扇区的总用户容量和峰值用户数，计算各扇区的剩余容量。
由于不同业务的特性，对不同业务中的剩余容量进行预测时，需要优先考虑先受到限制的网管指标，并根据先受到限制的网管指标的剩余容量进行预测。
另一方面，本实施例主要使用线性回归模型作为相关性模型进行预测，线性回归在扇区用户都是覆盖等级0时相关性较高。因此，进行剩余容量预测的扇区用户使用覆盖等级0的用户作为预测用户。
经过本实施例中提供的步骤101-步骤104后，即可通过网管指标的值和网管指标组的相关性模型，获取到预测扇区组内相关业务的剩余容量。由于整个基站的剩余容量主要取决于活跃终端数较多的预测扇区组的剩余容量，因此可以通过预测扇区组的剩余容量估算整个基站的剩余容量。
本实施例提供的NB-IoT基站剩余容量预测的方法，通过对需预测的网管指标和其它网管指标之间建立相关性模型，简便快捷的对网管指标的趋势进行预测，以便了解网络剩余容量能够支持多少行业用户的发展，更好的发展业务。
实施例2：
本实施例在实施例1的基础上，通过实例对NB-IoT基站剩余容量预测的方法具体实施过程进行说明。主要分析行业业务和NB-IoT容量的对应关系，并且根据某市智慧白色家电行业（以下简称白电）特征分析数据结果。建立用户数-容量的对应关系，对基站的剩余容量进行预测。白点业务包括共享空调、共享洗衣机、共享冰箱等，业务中的智慧白色家电可以通过无线网络进行控制和计费以实现共享，每个可以联网的智慧白色家电作为一个终端。
在某具体实施场景中，白电业务分布于某市60个扇区，每日活跃终端数在2200-3000范围内波动，平均活跃终端数2400左右。
该场景中各扇区间每天的活跃终端数差距较大，活跃终端数最高超过20%，最低小于1%。为了保障分析的准确性，对数据进行筛选，需要根据步骤101选取预测扇区组。根据本实施例的实际情况，活跃终端数阈值设置为50，即选取平均活跃终端数>50的扇区分析。
根据该场景下的实际统计数据，某市存在4个LG扇区，3个PSH扇区，以及BZ扇区、GQ-1(209)扇区和LC扇区各1个，总共10个扇区符合活跃终端数大于50的预设活跃终端数阈值。由于某市LG的4个扇区属于同一基站，且是白电终端的主要业务发生地，故将其作为一个预测扇区组进行具体分析。
根据步骤102，在本实施例提供的具体实施场景中，通过网管系统获取预测扇区组内的各信道内主要使用如下网管指标进行分析和预测：平台的活跃用户数、上下行流量、上下行包数、网管的NPRACH占用率和上下行子载波利用率。
在本实施提供的实际使用场景中，在进行线性回归分析时，扇区用户都是覆盖等级0时，网管指标的相关性较高。因此，进行剩余容量预测的扇区用户为仅选取覆盖等级0的用户。
根据步骤103进行相关性分析时，首先对需进行分析预测的网管指标组进行初步筛选。根据实际统计数据，初步计算每两个网管指标的相关性将4个某市LG的扇区合并计算相关性。通过所有网管指标两两间的相关性数据，初步选取相关性较高的指标进行回归分析。根据本实施例的实际情况，以预设相关性阈值0.85为标准，确定使用线性回归对以下各对网管指标进行分析:上行流量-上行子载波利用率分析、下行流量-下行子载波利用率分析、上行流量-上行子载波噪声分析、活跃用户数-NPRACH占用率分析、RRC建立成功次数-上行子载波利用率分析、RRC建立成功次数-上行子载波利用率分析、活跃用户数-RRC建立成功次数分析、活跃用户数-上行流量分析和活跃用户数-下行流量分析。
具体的，对上述每组的两个网管指标进行分析的过程如下。
（1）上下行流量和上下行子载波占用率
根据预测扇区组的历史数据生成下行流量-下行子载波占用率的线性回归分析结果，下行流量和下行子载波占用率相关性>0.6。
根据预测扇区组的历史数据生成上行流量-上行子载波占用率的线性回归分析结果，下行流量和下行子载波占用率相关性>0.6。
根据线性回归结果。可以认为当扇区用户全为覆盖等级0时，可以用线性进行预测。
根据线性回归分析，建立下行流量模型：y=0.0001x+31.4%，其中，y为下行子载波占用率，x为下行流量（单位Kbyte）。
针对某市LG4个扇区，继续跟踪一周数据，并使用6阶多项式拟合预测。
上行流量线性拟合公式：y=7E-07x2+6E-05x+0.0191；R²=0.6668。其中，y为上行子载波利用率，x为上行流量。
下行流量线性拟合公式：y=-3E-10x6+5E-08x5-3E-06x4+5E-05x3- 0.0005x2+0.002x+0.3127；R²=0.3984。其中，y为下行子载波利用率，x为下行流量。
上下行流量与上下行子载波利用率的线性回归的标准误差较大，无法作为预测子载波利用率的指标，因此下行流量-下行子载波占用率和上行流量-上行子载波占用率这两组网管指标不作为预测网管指标组。
（2）上行流量和上行子载波噪声
根据相关性矩阵和10个样本扇区的历史数据所做的线性回归结果看，暂时无法找到上行流量和上行子载波噪声没有显性的规律。因此，上行流量-上行子载波噪声不作为预测网管指标组。
（3）活跃用户数和NPRACH占用率
根据相关性矩阵，活跃用户数和NPRACH占用率在扇区用户都是覆盖等级0时相关性较高。合并某市LG的4个扇区数据，活跃用户和NPRACH占用率相关性>0.7。
根据预测扇区组的历史数据，使用6阶多项式拟合预测NPRACH占用率。拟合重视为：y=-4E-13x6+4E-10x5-1E-07x4+2E-05x3-0.001x2+0.0239x- 0.0308；R²=0.6016。其中，y为NPRACH占用率，x为活跃用户数。
NPRACH的线性回归的标准误差较大，不作为预测网管指标组。
（4）RRC建立成功次数和上下行子载波占用率
根据相关性矩阵，RRC建立成功次数和上下行子载波占用率在扇区用户都是覆盖等级0时相关性较高：根据历史数据做线性回归分析，RRC建立成功次数和上行子载波占用率相关性>0.92，RRC建立成功次数和下行子载波占用率相关性>0.93。
合并某市LG的4个扇区数据，线性回归之后，做出RRC建立成功次数-上行子载波占用率和RRC建立成功次数-下行子载波占用率线形趋势预测拟线。
线性预测R值没有超过0.9，对相关性模型进一步修正。
线性拟合预测曲线R 没有4阶多项式拟合预测高，所有修正模型为：
上行子载波占用率模型：y=-5E-13x4+8E-10x3-3E-07x2+ 4E-05x+0.0185；R²=0.9。其中，y为上行子载波占用率，x为RRC请求成功次数。
下行子载波占用率模型：y=5E-12x4-4E-09x3+ 8E-07x2+6E-06x+0.3136；R²=0.93。其中，y为下行子载波占用率，x为RRC请求成功次数。
线性回归的标准差高于预设相关性阈值0.8，作为预测网管指标组。
（5）活跃用户和RRC建立成功次数
根据相关性矩阵，活跃用户数和RRC建立成功次数在扇区用户都是覆盖等级0时相关性较高：合并某市LG的4个扇区数据进行线性回归分析，活跃用户和RRC建立成功次数相关性>0.88。
使用5阶多项式拟合RRC成功次数，获取活跃用户和RRC建立成功次数的相关性模型：y=2E-09x5-2E-06x4+0.0004x3-0.0259x2+2.3945x+7.66；R²=0.7963。其中，y为RRC成功次数，x为活跃用户数。线性回归的标准差接近预设相关性阈值0.8，作为预测网管指标组。
（6）活跃用户和上行流量
根据相关性矩阵，活跃用户数和RRC建立成功次数在扇区用户都是覆盖等级0时相关性较高：合并某市LG的4个扇区数据，活跃用户和上行流量相关性>0.9。
线性回归之后，做出线性趋势预测拟线和6阶多项式对比分析。
线性拟合预测R值>0.82，6阶多项式拟合曲线R值>0.85，未有显著提升。R值>0.8已经可以说明此模型拟合程度较好，为方便实现，减轻计算量，故选用线性拟合模型预测。上行流量模型：y=3.3631x+14.735；R²=0.8258，其中，y为上行流量，x为活跃用户数。
线性回归的标准差大于预设相关性阈值0.8，作为预测网管指标组。
通过预测网管指标组的相关性模型，可以建立白电行业业务和NB-IOT扇区容量模型。
当扇区用户都是覆盖等级0，新增用户也满足覆盖等级0。
（1）活跃用户数模型
y=3.3631x+14.735，其中y为上行流量（单位Kbyte），x为活跃用户数。
y=2E-09x5-2E-06x4+ 0.0004x3-0.0259x2+2.3945x+7.66，其中，y为RRC连接成功次数，x为活跃用户数。
（2）上行子载波占用率模型
y=-5E-13x4+8E-10x3-3E-07x2+4E-05x+0.0185；R²=0.9，其中，y为上行子载波占用率，x为RRC请求成功次数。
（3）下行子载波占用率模型
y=5E-12x4-4E-09x3+8E-07x2+6E-06x+0.3136；R² = 0.93，其中，y为下行子载波占用率，x为RRC请求成功次数。
由于白电业务流量存在波峰波谷，业务流量处于波峰最高点时扇区内的活跃用户数最多，此时扇区内的活跃用户数即峰值用户数。根据白电业务模型下行的子载波利用率先受到限制，按照一定的时间间隔对下行子载波流量进行采样，根据到的数据及相关性模型，即可预测一段时间内的活跃用户数变化，并通过比较不同时间点的用户数量获得峰值用户数。
根据现有白电行业业务模型，在扇区用户都是覆盖等级0的用户时，白电行业用户发展都是覆盖等级0的用户时，某市LG4扇区下行子载波利用率70%时对应总容量为1457。可以根据相关性模型获取各扇区的峰值用户数，并预测各扇区的剩余容量。
剩余容量预测结果如表1：
表1
Figure DEST_PATH_IMAGE001
实施例3：
在上述实施例1至实施例2提供的NB-IoT基站剩余容量预测的方法的基础上，本发明还提供了一种可用于实现上述方法的NB-IoT基站剩余容量预测的装置，如图4所示，是本发明实施例的装置架构示意图。本实施例的NB-IoT基站剩余容量预测的装置包括一个或多个处理器21以及存储器22。其中，图4中以一个处理器21为例。
处理器21和存储器22可以通过总线或者其他方式连接，图4中以通过总线连接为例。
存储器22作为一种NB-IoT基站剩余容量预测方法非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如实施例1至实施例2中的NB-IoT基站剩余容量预测方法。处理器21通过运行存储在存储器22中的非易失性软件程序、指令以及模块，从而执行NB-IoT基站剩余容量预测的装置的各种功能应用以及数据处理，即实现实施例1至实施例2的NB-IoT基站剩余容量预测的方法。
存储器22可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器22可选包括相对于处理器21远程设置的存储器，这些远程存储器可以通过网络连接至处理器21。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
程序指令/模块存储在存储器22中，当被一个或者多个处理器21执行时，执行上述实施例1至实施例2中的NB-IoT基站剩余容量预测的方法，例如，执行以上描述的图1、图2和图3所示的各个步骤。
本领域普通技术人员可以理解实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器（Read Only Memory，简写为：ROM）、随机存取存储器（Random AccessMemory，简写为：RAM）、磁盘或光盘等。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种NB-IoT基站剩余容量预测的方法，其特征在于：
选择活跃终端数大于预设活跃终端数阈值的扇区作为预测扇区组；
获取预测扇区组内的各信道中的网管指标；
以每二个网管指标一组进行相关性分析，获取相关性高于预设相关性阈值的网管指标组，作为预测网管指标组；
根据业务模型、预测网管指标组的相关性模型和预测网管指标组中两个网管指标的值，获取预测扇区组的剩余容量。
2.根据权利要求1所述的NB-IoT基站剩余容量预测的方法，其特征在于，所述选择活跃终端数大于预设活跃终端数阈值的扇区作为预测扇区组，包括：获取每个基站中每天的平均活跃终端数大于活跃终端数阈值的活跃扇区，将属于同一基站的所有活跃扇区合并作为该基站的预测扇区组。
3.根据权利要求1所述的NB-IoT基站剩余容量预测的方法，其特征在于，所述以每二个网管指标一组进行相关性分析，包括：
根据每个网管指标组中两个网管指标的值进行线性回归，建立线性趋势预测拟线；
根据线性趋势预测拟线建立线性回归模型，使用线性拟合作为两个网管指标的相关性模型。
4.根据权利要求3所述的NB-IoT基站剩余容量预测的方法，其特征在于，当所述两个网管指标的相关性模型的预测R值低于预设预测R值阈值时，使用高阶多项式进行拟合，使用拟合后的高阶多项式作为两个网管指标的相关性模型。
5.根据权利要求4所述的NB-IoT基站剩余容量预测的方法，其特征在于：若所述两个网管指标的相关性模型的预测R值和高阶多项式拟合的预测R值之差小于预设预测R值差阈值，使用线性回归模型作为两个网管指标的相关性模型。
6.根据权利要求1所述的NB-IoT基站剩余容量预测的方法，其特征在于，所述获取相关性高于预设相关性阈值的网管指标组，包括：根据每个网管指标组中两个网管指标的相关性模型，计算相关性模型的标准差，标准差大于预设标准差阈值的网管指标组作为预测网管指标组。
7.根据权利要求3所述的NB-IoT基站剩余容量预测的方法，其特征在于，还包括：所述根据每个网管指标组中两个网管指标的值进行线性回归后，根据每二个网管指相关性模型的标准差作为相关性指标，对所有的网管指标建立相关性矩阵，去除相关性低于预设相关性阈值的网管指标组，选取相关性高于预设相关性阈值的网管指标组建立相关性模型。
8.根据权利要求1所述的NB-IoT基站剩余容量预测的方法，其特征在于，所述获取预测扇区组的剩余容量，包括：
根据业务模型、预测网管指标组的相关性模型和预测网管指标组中两个网管指标的值计算预测扇区组内各扇区的峰值用户数；
根据各扇区的总用户容量和峰值用户数，计算各扇区的剩余容量。
9.根据权利要求1所述的NB-IoT基站剩余容量预测的方法，其特征在于：进行剩余容量预测的扇区用户为覆盖等级0的用户。
10.一种NB-IoT基站剩余容量预测的装置，其特征在于：
包括至少一个处理器和存储器，所述至少一个处理器和存储器之间通过数据总线连接，所述存储器存储能被所述至少一个处理器执行的指令，所述指令在被所述处理器执行后，用于完成权利要求1-9中任一项所述的NB-IoT基站剩余容量预测的方法。
CN202010696217.6A 2020-07-20 2020-07-20 一种NB-IoT基站剩余容量预测的方法和装置 Active CN111741452B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010696217.6A CN111741452B (zh) 2020-07-20 2020-07-20 一种NB-IoT基站剩余容量预测的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010696217.6A CN111741452B (zh) 2020-07-20 2020-07-20 一种NB-IoT基站剩余容量预测的方法和装置

Publications (2)

Publication Number Publication Date
CN111741452A CN111741452A (zh) 2020-10-02
CN111741452B true CN111741452B (zh) 2020-11-17

Family

ID=72655040

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010696217.6A Active CN111741452B (zh) 2020-07-20 2020-07-20 一种NB-IoT基站剩余容量预测的方法和装置

Country Status (1)

Country Link
CN (1) CN111741452B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112423324B (zh) * 2021-01-22 2021-04-30 深圳市科思科技股份有限公司 无线智能决策通信方法、装置和系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107770786A (zh) * 2016-08-15 2018-03-06 中国移动通信有限公司研究院 一种网络性能的测试方法、设备及系统
CN108260108A (zh) * 2018-01-16 2018-07-06 重庆邮电大学 一种基于非正交的窄带物联网NB-IoT随机接入方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100902773B1 (ko) * 2007-08-02 2009-06-15 포항공과대학교 산학협력단 무선 통신 시스템에서의 자원 관리 방법
CN105050121A (zh) * 2015-08-20 2015-11-11 中国联合网络通信集团有限公司 优化扇区的方法及装置
US10306615B2 (en) * 2015-12-09 2019-05-28 Mediatek Inc. Control-less data transmission for narrow band internet of things
WO2019197276A1 (en) * 2018-04-09 2019-10-17 Telefonaktiebolaget Lm Ericsson (Publ) N4 connection establishment for combined upf-nimf
CN110601800A (zh) * 2018-06-12 2019-12-20 中国移动通信集团山东有限公司 一种窄带物联网上行数据传输方法及基站
CN109068351A (zh) * 2018-09-27 2018-12-21 京信通信系统（中国）有限公司 基站容量调整方法、装置和通信系统
CN109275157B (zh) * 2018-11-28 2021-08-17 中国联合网络通信集团有限公司 一种基站的nprach的配置参数优化方法和装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107770786A (zh) * 2016-08-15 2018-03-06 中国移动通信有限公司研究院 一种网络性能的测试方法、设备及系统
CN108260108A (zh) * 2018-01-16 2018-07-06 重庆邮电大学 一种基于非正交的窄带物联网NB-IoT随机接入方法

Also Published As

Publication number Publication date
CN111741452A (zh) 2020-10-02

Similar Documents

Publication Publication Date Title
Molina-Masegosa et al. Configuration of the C-V2X mode 4 sidelink PC5 interface for vehicular communication
RU2711033C1 (ru) Способы и устройства обеспечения покрытия лучом устройства связи, работающего в сети беспроводной связи
CN109314866B (zh) 用于未许可频带的性能测量计数器
RU2727175C1 (ru) Расширение опорных сигналов мобильности для контроля линии радиосвязи в системе, основанной на формировании луча
CN113545119B (zh) 具有功率节省功能的波束管理电子设备和方法
EP4344287A1 (en) Optimizing a cellular network using machine learning
Maheshwari et al. DRX over LAA-LTE-a new design and analysis based on semi-Markov model
EP3200507B1 (en) Method and device for selecting heterogeneous network serving cell based on inter-cell cooperation
CN106793047B (zh) 一种上行功率控制方法及基站
US20210258941A1 (en) Optimization of 5g (fifth generation) beam coverage and capacity and nsi (network slice instance) resource allocation
US20230180123A1 (en) Adjusting power consumption in a telecommunications network based on traffic prediction
JP2020500452A (ja) ビームベースのシステムにおける無線リンク監視を実行するためのモビリティ基準信号の再利用
US20230292355A1 (en) Information Sending Method and Apparatus
US20220247634A1 (en) Information processing method, apparatus, device and computer readable storage medium
CN101754377A (zh) 一种小区上下行子帧自适应配置方法
CN110139313B (zh) 覆盖增强等级的上报方法、资源调度方法及通信设备
CN110087253B (zh) 覆盖增强等级的判断方法及终端
KR101617466B1 (ko) 셀룰러 상향링크 통신 시스템에서 단말의 스케줄링 방법 및 기지국 장치
CN111741452B (zh) 一种NB-IoT基站剩余容量预测的方法和装置
US20170303261A1 (en) Method and device for allocating radio resource
CN112640348B (zh) 数据传输方法、设备及系统、存储介质
de Almeida Inter-Cell Interference Impact on LTE Performance in Urban Scenarios
CN103796283A (zh) 选择服务小区的方法、设备及系统
CN103178937B (zh) 一种物理信道资源管理方法及基站
KR101136486B1 (ko) 적응적 세미 퍼시스턴트 스케쥴링 방법 및 장치

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