CN111885662B - 邻区关系优化方法和装置 - Google Patents
邻区关系优化方法和装置 Download PDFInfo
- Publication number
- CN111885662B CN111885662B CN202010755869.2A CN202010755869A CN111885662B CN 111885662 B CN111885662 B CN 111885662B CN 202010755869 A CN202010755869 A CN 202010755869A CN 111885662 B CN111885662 B CN 111885662B
- Authority
- CN
- China
- Prior art keywords
- cell
- anr
- network
- cells
- parameter information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000005457 optimization Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 51
- 230000002093 peripheral effect Effects 0.000 claims description 41
- 238000010801 machine learning Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000005192 partition Methods 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 15
- 238000010295 mobile communication Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000032823 cell division Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/0005—Control or signalling for completing the hand-off
- H04W36/0055—Transmission or use of information for re-establishing the radio link
- H04W36/0061—Transmission or use of information for re-establishing the radio link of neighbour cell information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/0005—Control or signalling for completing the hand-off
- H04W36/0083—Determination of parameters used for hand-off, e.g. generation or modification of neighbour cell lists
- H04W36/00835—Determination of neighbour cell lists
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/16—Performing reselection for specific purposes
- H04W36/165—Performing reselection for specific purposes for reducing network power consumption
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请提供一种邻区关系优化方法和装置,该方法包括:获取非自动邻区关系ANR网络的工参信息,包括小区经纬度、小区方位角、小区下倾角、天线挂高和宏站室分类型;将非ANR网络中的服务小区与服务小区周围预设范围内的小区的工参信息作为输入量,输入到小区切换次数预测模型中,得到非ANR网络中服务小区与服务小区周围预设范围内的小区之间的切换次数;其中,小区切换次数预测模型是根据ANR网络的工参信息和邻区关系数据进行训练得到的;根据非ANR网络中的服务小区与服务小区周围预设范围内的小区之间的切换次数,优化所述非ANR网络中小区的邻区关系。本申请能够提高邻区关系优化效率准确率。
Description
技术领域
本发明实施例涉及移动通信技术领域,尤其涉及一种邻区关系优化方法和装置。
背景技术
在移动通信网络建设中,邻区关系的处理至关重要,其关系着用户在不同基站小区之间移动时基站的切换速率和切换成功率。由于移动通信网络规模庞大,手动维护邻区关系需要耗费非常大的时间和人力成本,因此,邻区关系自动优化需求极为迫切。
相关技术中,公开了一种邻区优化技术,即获取各系统的工参信息,至少包括地理信息和小区方向角信息;根据站点的地理信息和小区方向角信息,计算小区与邻小区的距离,以及小区连线夹角,本小区夹角、邻小区夹角;根据站点类型,分别针对宏站间邻区、宏站与室分间邻区以及室分间邻区三种情况进行邻区添加;得到的宏站间、宏站与室分、室分间的邻区规划优化结果。
但是,现有的邻区规划优化技术是基于动通信网络工参人为设定邻区关系的判别规则和固定门限,且不同地区的地形地貌、无线环境和基站分布等均存在差异,仅仅依靠人为设定邻区关系判别规则来处理邻区关系不仅耗费大量时间和人力成本,还通常会导致邻区关系优化效率和准确率降低。
发明内容
本发明实施例提供一种邻区关系优化方法和装置,以解决现有技术中依靠人为设定邻区关系判别规则来处理邻区关系不仅耗费大量时间和人力成本,还通常会导致邻区关系优化效率和准确率降低的问题。
本发明实施例的第一方面提供一种邻区关系优化方法,包括:
获取非自动邻区关系ANR网络的工参信息,所述工参信息包括小区经纬度、小区方位角、小区下倾角、天线挂高和宏站室分类型;
将所述非ANR网络中的服务小区与所述服务小区周围预设范围内的小区的工参信息作为输入量,输入到小区切换次数预测模型中,得到所述小区切换次数预测模型输出的非ANR网络中服务小区与服务小区周围预设范围内的小区之间的切换次数;其中,所述小区切换次数预测模型是根据ANR网络的工参信息和邻区关系数据进行训练得到的
根据非ANR网络中的服务小区与服务小区周围预设范围内的小区之间的切换次数,优化所述非ANR网络中小区的邻区关系。
可选的,所述方法还包括:获取自动邻区关系ANR网络的工参信息和邻区关系数据;根据所述工参信息和所述邻区关系数据,生成训练样本;基于机器学习回归算法对所述训练样本进行训练,得到所述小区切换次数预测模型。
可选的,所述邻区关系数据包括邻区之间的切换次数;
所述根据所述工参信息和所述邻区关系数据,生成训练样本,包括:
根据基站标识和小区标识之间的对应关系,确定所述工参信息和所述邻区关系数据之间的对应关系,以得到正样本数据,所述正样本数据包括ANR网络中的每个服务小区和每个服务小区的相邻小区的工参信息,以及,每个服务小区和相邻小区的切换次数;
确定所述正样本数据中每个服务小区的周边小区,所述周边小区与所述服务小区之间的距离符合预设条件、所述周边小区的数量与所述正样本数据中服务小区的相邻小区的数量相同并且所述周边小区不属于所述正样本数据中的相邻小区;
将每个服务小区与所述每个服务小区的周边小区的工参信息以及每个服务小区与周边小区的切换次数确定为负样本数据。
可选的,所述确定所述正样本数据中每个服务小区的周边小区,包括:
获取所述正样本数据中每个服务小区以及每个服务小区周围预设范围的小区的小区经纬度;
根据小区经纬度,计算每个服务小区与周围预设范围内的小区之间的距离值;
将周围预设范围内的小区中,与每个服务小区之间距离值最低的预设数量个小区确定为每个服务小区的周边小区,所述预设数量与所述正样本数据中服务小区的相邻小区的数量相同。
可选的,所述基于机器学习回归算法对所述训练样本进行训练,包括:
将切换次数作为每个正样本数据或负样本数据的训练标签,采用XGBoost算法对所述正样本数据和所述负样本数据进行训练。
可选的,所述根据非ANR网络中的服务小区与服务小区周围预设范围内的小区之间的切换次数,优化所述非ANR网络中小区的邻区关系,包括:
按照由多到少的顺序,对非ANR网络中的服务小区与服务小区周围预设范围内的小区之间的切换次数进行排序,得到非ANR网络中小区的邻区关系。
本发明实施例的第二方面提供一种邻区关系优化装置,包括:
获取模块,用于获取非自动邻区关系ANR网络的工参信息,所述工参信息包括小区经纬度、小区方位角、小区下倾角、天线挂高和宏站室分类型;
处理模块,用于将所述非ANR网络中的服务小区与所述服务小区周围预设范围内的小区的工参信息作为输入量,输入到小区切换次数预测模型中,得到所述小区切换次数预测模型输出的非ANR网络中服务小区与服务小区周围预设范围内的小区之间的切换次数;其中,所述小区切换次数预测模型是根据ANR网络的工参信息和邻区关系数据进行训练得到的;
优化模块,用于根据非ANR网络中的服务小区与服务小区周围预设范围内的小区之间的切换次数,优化所述非ANR网络中小区的邻区关系。
可选的,所述装置还包括:训练模块,所述训练模块用于:
获取自动邻区关系ANR网络的工参信息和邻区关系数据;
根据所述工参信息和所述邻区关系数据,生成训练样本;
基于机器学习回归算法对所述训练样本进行训练,得到所述小区切换次数预测模型。
本发明实施例的第三方面提供一种电子设备,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行本发明实施例第一方面提供的邻区关系优化方法。
本发明实施例的第四方面提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现本发明实施例第一方面提供的邻区关系优化方法。
本发明实施例提供一种邻区关系优化方法和装置,该方法通过利用现有ANR网络的工参信息和邻区关系数据进行训练得到相应的小区切换次数预测模型,通过小区切换次数预测模型来预测非ANR网络中各个服务小区与周边小区的切换次数,从而根据预测结果优化非ANR网络的邻区关系,不需要人为设定邻区判别规则,不仅节省大量时间和人力成本,还提高了邻区关系优化效率和准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一示例性实施例示出的邻区关系优化方法的流程示意图;
图2是本发明另一示例性实施例示出的邻区关系优化方法的流程示意图;
图3是本发明一示例性实施例示出的邻区关系优化装置的结构示意图;
图4是本发明一示例性实施例示出的邻区关系优化系统的结构示意图;
图5是本发明一示例性实施例示出的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
目前,在移动通信网络建设中,邻区关系的处理至关重要,其关系着用户在不同基站小区之间移动时基站的切换速率和切换成功率。由于移动通信网络规模庞大,手动维护邻区关系需要耗费非常大的时间和人力成本,因此,邻区关系自动优化需求极为迫切。相关技术中,公开了一种邻区优化技术,即获取各系统的工参信息,至少包括地理信息和小区方向角信息;根据站点的地理信息和小区方向角信息,计算小区与邻小区的距离,以及小区连线夹角,本小区夹角、邻小区夹角;根据站点类型,分别针对宏站间邻区、宏站与室分间邻区以及室分间邻区三种情况进行邻区添加;得到的宏站间、宏站与室分、室分间的邻区规划优化结果。
但是,现有的邻区规划优化技术是基于移动通信网络工参人为设定邻区关系的判别规则和固定门限,且不同地区的地形地貌、无线环境和基站分布等均存在差异,仅仅依靠人为设定邻区关系判别规则来处理邻区关系不仅耗费大量时间和人力成本,还通常会导致邻区关系优化效率和准确率降低。
针对此缺陷,本发明的技术方案的技术构思在于:根据部分具备自动邻区关系(Automatic Neighbor Relation,ANR)功能的移动通信网络的邻区关系智能学习,预测其他不具备ANR功能的移动通信网络邻区关系,即,获取具备ANR功能的移动通信网络的工参信息、ANR邻区和对应的邻区切换次数、需优化的不具备ANR功能的移动通信网络的工参信息,通过机器学习的回归算法对具备ANR功能的移动通信网络中的服务小区、ANR邻区和对应的邻区切换次数进行训练,得到切换次数预测模型,基于得到的切换次数预测模型和不具备ANR功能的移动通信网络的工参信息,便可以直接确定不具备ANR功能的移动通信网络邻区关系,从而能够预测待优化目标小区的邻区。
图1是本发明一示例性实施例示出的邻区关系优化方法的流程示意图。
如图1所示,本实施例提供的方法可以包括以下步骤:
S101,获取非自动邻区关系ANR网络的工参信息,所述工参信息包括小区经纬度、小区方位角、小区下倾角、天线挂高和宏站室分类型。
具体的,非ANR网络的工参信息全部存储在非ANR网络工参数据库中,非ANR网络工参数据库中还包含基站标识、小区标识以及每个小区的工参信息的对应关系。当需要获取相关数据时,可以以基站标识-小区标识为索引,在非ANR网络工参数据库中获取每个基站小区的工参信息,包括小区经纬度、小区方位角、小区下倾角、天线挂高和宏站室分类型等信息。
S102,将所述非ANR网络中的服务小区与所述服务小区周围预设范围内的小区的工参信息作为输入量,输入到小区切换次数预测模型中,得到所述小区切换次数预测模型输出的非ANR网络中服务小区与服务小区周围预设范围内的小区之间的切换次数;其中,所述小区切换次数预测模型是根据ANR网络的工参信息和邻区关系数据进行训练得到的。
具体的,小区切换次数预测模型是预先根据ANR网络的工参信息和邻区关系数据进行训练得到的,训练得到的小区切换次数预测模型用于表征两小区工参信息到两小区切换次数的映射关系。因此,将非ANR网络中的服务小区与所述服务小区周围预设范围内的小区的工参信息输入到小区切换次数预测模型中后,该模型直接输出服务小区和服务小区周围预设范围内的小区之间的切换次数。
其中,预设范围可以根据实际情况进行确定。比如,以非ANR网络中的第一服务小区为中心,周围1公里范围内包含三个小区,分别为第一小区、第二小区和第三小区。将第一服务小区和第一小区的工参信息输入到小区切换次数预测模型中,便可以直接得到第一服务小区和第一小区之间的切换次数,同样的,将第一服务小区和第二小区的工参信息输入到小区切换次数预测模型,便可以得到第一服务小区和第二小区之间的切换次数。
S103,根据非ANR网络中的服务小区与服务小区周围预设范围内的小区之间的切换次数,优化所述非ANR网络中小区的邻区关系。
在一种可能的实施例中,可以按照由多到少的顺序,对非ANR网络中的服务小区与服务小区周围预设范围内的小区之间的切换次数进行排序,按照排序结果优化邻区关系。
比如,非ANR网络中的第一服务小区和其周围的第一小区开始没有建立邻区关系。而根据步骤S102和S103后,确定了第一服务小区和第一小区之间的切换次数大于预设切换次数阈值,则建立第一服务小区和第一小区之间的邻区关系,建立邻区关系后,当用户终端从第一服务小区移动到第一小区后,便可以提高小区切换的成功率。再比如,第一服务小区和周围的第三小区开始存在邻区关系,但是经上述处理后,第一服务小区和第三小区之间的切换次数排序很低,且低于了预设阈值,则需要将第一服务小区和第三小区之间的邻区关系删除,或者更改邻区关系属性等。
需要说明的是,上述仅仅列举了两种根据模型预测得到的非ANR网络中小区的邻区切换次数来优化非ANR网络中小区的邻区关系的两个例子,在具体实施时还可以包含更多中优化方式,此处不做具体限定。
本实施例中,通过利用现有ANR网络的工参信息和邻区关系数据进行训练得到相应模型,通过模型可以自动优化非ANR网络的邻区关系,不需要人为设定邻区判别规则,不仅节省大量时间和人力成本,还提高了邻区关系优化效率和准确率。
在一种可能的实施例中,训练得到小区切换次数预测模型的方法可以包括:获取自动邻区关系ANR网络的工参信息和邻区关系数据;根据所述工参信息和所述邻区关系数据,生成训练样本;基于机器学习回归算法对所述训练样本进行训练,得到所述小区切换次数预测模型。
其中,邻区关系数据包括邻区之间的切换次数。
具体的,根据基站标识-小区标识的索引关系,在ANR网络工参数据库中获取ANR网络的工参信息,以及,在ANR邻区关系数据网管服务器中获取基站邻区关系xml文件,解析文件得到邻区关系数据,包括ANR网络中的服务小区和周围小区的切换次数。通过基站标识-小区标识将ANR网络中各个服务小区和每个服务小区的邻区工参、邻区切换次数关联起来,生成正样本数据,正样本数据包括:ANR网络中的每个服务小区和每个服务小区的相邻小区的工参信息,以及,每个服务小区和相邻小区的切换次数。
进一步的,确定负样本数据包括:确定所述正样本数据中每个服务小区的周边小区,所述周边小区与所述服务小区之间的距离符合预设条件、所述周边小区的数量与所述正样本数据中服务小区的相邻小区的数量相同并且所述周边小区不属于所述正样本数据中的相邻小区;将每个服务小区与所述每个服务小区的周边小区的工参信息以及每个服务小区与周边小区的切换次数确定为负样本数据。
具体的,获取所述正样本数据中每个服务小区以及每个服务小区周围预设范围内非正样本数据中的相邻小区的小区的小区经纬度;根据小区经纬度,计算每个服务小区与周围预设范围内的小区之间的距离值;将周围预设范围内的小区中,与每个服务小区之间距离值最低的预设数量个小区确定为每个服务小区的周边小区,所述预设数量与所述正样本数据中服务小区的相邻小区的数量相同。
图2是本发明另一示例性实施例示出的邻区关系优化方法的流程示意图,本实施例在图1所示实施例的基础上,对邻区关系优化方法进一步详细解释。
如图2所示,本实施例提供的方法可以包括以下步骤。
S201,获取自动邻区关系ANR网络的工参信息,所述工参信息包括:小区经纬度、小区方位角、小区下倾角、天线挂高和宏站室分类。
其中,ANR网络的工参信息全部存储在ANR网络工参数据库中,可以根据基站标识-小区标识在ANR网络工参数据库中索引需要的小区的工参信息。
S202,采集ANR网络的邻区关系数据,所述邻区关系数据包括邻区切换次数。
具体的,在ANR邻区关系数据网管服务器中获取ANR网络中基站邻区关系xml文件,对基站邻区关系xml文件进行解析,得到大量ANR网络中的邻区关系数据,包括ANR网络中的邻区切换次数。
S203,将ANR网络的工参数据和邻区关系数据通过基站ID-小区ID索引关联起来生成正样本数据,所述正样本数据包括:ANR网络中的每个服务小区和每个服务小区的相邻小区的工参信息,以及,每个服务小区和相邻小区的切换次数。
S204,以正样本数据中每个服务小区为中心,获取周边预设范围内非正样本数据中的相邻小区的周边小区,所述周边小区的数量与所述正样本数据中服务小区的相邻小区的数量相同。
S205,将每个服务小区与所述每个服务小区的周边小区的工参信息以及每个服务小区与周边小区的切换次数确定为负样本数据。
具体的,获取所述正样本数据中每个服务小区以及每个服务小区周围预设范围内非正样本数据中的相邻小区的小区的小区经纬度;根据小区经纬度,计算每个服务小区与周围预设范围内的小区之间的距离值;将周围预设范围内的小区中,与每个服务小区之间距离值最低的预设数量个小区确定为每个服务小区的周边小区,所述预设数量与所述正样本数据中服务小区的相邻小区的数量相同。
经过步骤S203-S205,最终得到的正负样本数据的特征如表1所示。
表1
S206,将切换次数作为每个正样本数据或负样本数据的训练标签,采用XGBoost算法对所述正样本数据和所述负样本数据进行训练,得到小区切换次数预测模型。
需要说明的是,为了提高训练得到的模型的准确性,可以将负样本数据中每个服务小区与周边小区之间的切换次数设为0。
具体的,XGBoost算法是一种开源的机器学习算法,是Gradient Boosting算法的高效实现版本,其在工程实践中表现出优良的效果和效率,因而被工业界广为使用。具体算法包括如下过程:
机器学习模型的预测精度由模型的偏差和方差共同决定,损失函数代表了模型的偏差,想要方差小则需要简单的模型,所以目标函数Obj由模型的损失函数l与抑制模型复杂度的正则项Ω组成为: 由于boosting模型是前向加法,以第t步的模型为例,模型对第i个样本xi的预测为:其中,由第t-1步的模型给出的预测值,ft(xi)是这次需要加入的新模型的预测值,至此目标函数就可以写成:
根据函数f(x+Δx)在点x处的二阶泰勒展开公式:
其中,T为叶子数目,ω为叶子权重。
S207,获取非ANR网络的工参信息。
具体的,非ANR网络的工参信息均存储在非ANR网络数据库中,在需要时可以根据基站标识-小区标识在非ANR网络数据库中获取非ANR网络基站小区对应的工参信息。其中,非ANR网络的工参信息与ANR网络的工参信息包含的字段相同,即非ANR网络的工参信息也包括小区经纬度、小区方位角、小区下倾角、天线挂高和宏站室分类型。
S208,将非ANR网络中的服务小区和非ANR网络中的服务小区周围的小区的工参信息输入小区切换次数预测模型,得到非ANR网络中每个服务小区和其周围的小区之间的切换次数。
S209,根据预测得到的非ANR网络中每个服务小区和其周围的小区之间的切换次数,优化非ANR网络的邻区关系。
具体的,小区切换次数预测模型是预先根据ANR网络的工参信息和邻区关系数据进行训练得到的,训练得到的小区切换次数预测模型用于表征两小区工参信息到两小区切换次数的映射关系。因此,将非ANR网络中的服务小区与所述服务小区周围预设范围内的小区的工参信息输入到小区切换次数预测模型中后,该模型直接输出服务小区和服务小区周围预设范围内的小区之间的切换次数。
其中,预设范围可以根据实际情况进行确定。比如,以非ANR网络中的第一服务小区为中心,周围1公里范围内包含三个小区,分别为第一小区、第二小区和第三小区。将第一服务小区和第一小区的工参信息输入到小区切换次数预测模型中,便可以直接得到第一服务小区和第一小区之间的切换次数,同样的,将第一服务小区和第二小区的工参信息输入到小区切换次数预测模型,便可以得到第一服务小区和第二小区之间的切换次数。
图3是本发明一示例性实施例示出的邻区关系优化装置的结构示意图。
如图3所示,本实施例提供的装置包括:获取模块301,处理模块302和优化模块303;其中,获取模块,用于获取非自动邻区关系ANR网络的工参信息,所述工参信息包括小区经纬度、小区方位角、小区下倾角、天线挂高和宏站室分类型;处理模块,用于将所述非ANR网络中的服务小区与所述服务小区周围预设范围内的小区的工参信息作为输入量,输入到小区切换次数预测模型中,得到所述小区切换次数预测模型输出的非ANR网络中服务小区与服务小区周围预设范围内的小区之间的切换次数;其中,所述小区切换次数预测模型是根据ANR网络的工参信息和邻区关系数据进行训练得到的;优化模块,用于根据非ANR网络中的服务小区与服务小区周围预设范围内的小区之间的切换次数,优化所述非ANR网络中小区的邻区关系。
进一步的,本实施例提供的装置还包括:训练模块304,所述训练模块用于:获取自动邻区关系ANR网络的工参信息和邻区关系数据;根据所述工参信息和所述邻区关系数据,生成训练样本;基于机器学习回归算法对所述训练样本进行训练,得到所述小区切换次数预测模型。
进一步的,所述邻区关系数据包括邻区之间的切换次数;所述训练模块具体用于:根据基站标识和小区标识之间的对应关系,确定所述工参信息和所述邻区关系数据之间的对应关系,以得到正样本数据,所述正样本数据包括ANR网络中的每个服务小区和每个服务小区的相邻小区的工参信息,以及,每个服务小区和相邻小区的切换次数;确定所述正样本数据中每个服务小区的周边小区,所述周边小区与所述服务小区之间的距离符合预设条件、所述周边小区的数量与所述正样本数据中服务小区的相邻小区的数量相同并且所述周边小区不属于所述正样本数据中的相邻小区;将每个服务小区与所述每个服务小区的周边小区的工参信息以及每个服务小区与周边小区的切换次数确定为负样本数据。
进一步的,所述训练模块具体用于:获取所述正样本数据中每个服务小区以及每个服务小区周围预设范围不属于正样本数据中得相邻小区的小区的小区经纬度;根据小区经纬度,计算每个服务小区与周围预设范围内的小区之间的距离值;将周围预设范围内的小区中,与每个服务小区之间距离值最低的预设数量个小区确定为每个服务小区的周边小区,所述预设数量与所述正样本数据中服务小区的相邻小区的数量相同。
需要说明的是,本实施例提供的装置的各模块的具体实现可参考上述有关方法实施例中的描述,此处不再赘述。
图4是本发明一示例性实施例示出的邻区关系优化系统的结构示意图。
如图4所示,本实施例提供的系统包括:ANR邻区关系数据网管服务器401,ANR网络工参数据库402,非ANR网络工参数据库403,基站邻区关系xml文件解析模块404,样本数据生成模块405,机器学习回归算法训练平台406,处理器407。
其中,ANR邻区关系数据网管服务器用于提供ANR网络中基站邻区关系xml文件。
基站邻区关系xml文件解析模块用于对这些文件进行解析,得到大量ANR网络的邻区关系数据,包括ANR网络的邻区切换次数。
ANR网络工参数据库用于提供大量的ANR网络的工参数据,包括小区经纬度、小区方位角、小区下倾角、天线挂高和宏站室分类型。
非ANR网络工参数据库用于提供大量的非ANR网络的工参数据,包括小区经纬度、小区方位角、小区下倾角、天线挂高和宏站室分类型。
样本数据生成模块用于根据ANR网络的工参信息和邻区关系数据生成正样本数据和负样本训练数据。
机器学习回归算法训练平台用于根据机器学习回归算法对正负样本数据进行训练,得到小区切换次数预测模型。
处理器用于根据非ANR网络的工参数据和训练得到的小区切换次数预测模型,来预测非ANR网络中服务小区与周边小区之间的切换次数,相关技术人员根据非ANR网络的服务小区与周边小区之间的切换次数,来优化非ANR网络的邻区关系。
需要说明的是,上述各个模块的具体功能实现可以参考上述有关该方法中的描述。
图5为本发明实施例提供的电子设备的硬件结构示意图。如图5所示,本实施例提供的电子设备50包括:至少一个处理器501和存储器502。其中,处理器501、存储器502通过总线503连接。
在具体实现过程中,至少一个处理器501执行所述存储器502存储的计算机执行指令,使得至少一个处理器501执行上述方法实施例中的邻区关系优化方法。
处理器501的具体实现过程可参见上述方法实施例,其实现原理和技术效果类似,本实施例此处不再赘述。
在上述的图5所示的实施例中,应理解,处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application SpecificIntegrated Circuit,简称:ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器。
总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component Interconnect,PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请的另一实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现上述方法实施例中的邻区关系优化方法。
上述的计算机可读存储介质,上述可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。可读存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的可读存储介质耦合至处理器,从而使处理器能够从该可读存储介质读取信息,且可向该可读存储介质写入信息。当然,可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits,简称:ASIC)中。当然,处理器和可读存储介质也可以作为分立组件存在于设备中。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (7)
1.一种邻区关系优化方法,其特征在于,包括:
以基站标识-小区标识为索引,在非ANR网络工参数据库中获取非自动邻区关系ANR网络的工参信息,所述非ANR网络工参数据库中存储有全部的非ANR网络的工参信息和基站标识、小区标识以及每个小区的工参信息的对应关系,所述工参信息包括小区经纬度、小区方位角、小区下倾角、天线挂高和宏站室分类型;
将所述非ANR网络中的服务小区与所述服务小区周围预设范围内的小区的工参信息作为输入量,输入到小区切换次数预测模型中,得到所述小区切换次数预测模型输出的非ANR网络中服务小区与服务小区周围预设范围内的小区之间的切换次数;其中,所述小区切换次数预测模型是根据ANR网络的工参信息和邻区关系数据进行训练得到的;
根据非ANR网络中的服务小区与服务小区周围预设范围内的小区之间的切换次数,优化所述非ANR网络中小区的邻区关系;
还包括:
获取自动邻区关系ANR网络的工参信息和邻区关系数据;
根据所述工参信息和所述邻区关系数据,生成训练样本;
基于机器学习回归算法对所述训练样本进行训练,得到所述小区切换次数预测模型;
所述邻区关系数据包括邻区之间的切换次数;
所述根据所述工参信息和所述邻区关系数据,生成训练样本,包括:
根据基站标识和小区标识之间的对应关系,确定所述工参信息和所述邻区关系数据之间的对应关系,以得到正样本数据,所述正样本数据包括ANR网络中的每个服务小区和每个服务小区的相邻小区的工参信息,以及,每个服务小区和相邻小区的切换次数;
确定所述正样本数据中每个服务小区的周边小区,所述周边小区与所述服务小区之间的距离符合预设条件、所述周边小区的数量与所述正样本数据中服务小区的相邻小区的数量相同并且所述周边小区不属于所述正样本数据中的相邻小区;
将每个服务小区与所述每个服务小区的周边小区的工参信息以及每个服务小区与周边小区的切换次数确定为负样本数据。
2.根据权利要求1所述的方法,其特征在于,所述确定所述正样本数据中每个服务小区的周边小区,包括:
获取所述正样本数据中每个服务小区以及每个服务小区周围预设范围的小区的小区经纬度;
根据小区经纬度,计算每个服务小区与周围预设范围内的小区之间的距离值;
将周围预设范围内的小区中,与每个服务小区之间距离值最低的预设数量个小区确定为每个服务小区的周边小区,所述预设数量与所述正样本数据中服务小区的相邻小区的数量相同。
3.根据权利要求1所述的方法,其特征在于,所述基于机器学习回归算法对所述训练样本进行训练,包括:
将切换次数作为每个正样本数据或负样本数据的训练标签,采用XGBoost算法对所述正样本数据和所述负样本数据进行训练。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述根据非ANR网络中的服务小区与服务小区周围预设范围内的小区之间的切换次数,优化所述非ANR网络中小区的邻区关系,包括:
按照由多到少的顺序,对非ANR网络中的服务小区与服务小区周围预设范围内的小区之间的切换次数进行排序,得到非ANR网络中小区的邻区关系。
5.一种邻区关系优化装置,其特征在于,包括:
获取模块,用于以基站标识-小区标识为索引,在非ANR网络工参数据库中获取非自动邻区关系ANR网络的工参信息,所述非ANR网络工参数据库中存储有全部的非ANR网络的工参信息和基站标识、小区标识以及每个小区的工参信息的对应关系,所述工参信息包括小区经纬度、小区方位角、小区下倾角、天线挂高和宏站室分类型;
处理模块,用于将所述非ANR网络中的服务小区与所述服务小区周围预设范围内的小区的工参信息作为输入量,输入到小区切换次数预测模型中,得到所述小区切换次数预测模型输出的非ANR网络中服务小区与服务小区周围预设范围内的小区之间的切换次数;其中,所述小区切换次数预测模型是根据ANR网络的工参信息和邻区关系数据进行训练得到的;
优化模块,用于根据非ANR网络中的服务小区与服务小区周围预设范围内的小区之间的切换次数,优化所述非ANR网络中小区的邻区关系;
还包括:训练模块,所述训练模块用于:
获取自动邻区关系ANR网络的工参信息和邻区关系数据;
根据所述工参信息和所述邻区关系数据,生成训练样本;
基于机器学习回归算法对所述训练样本进行训练,得到所述小区切换次数预测模型;
所述邻区关系数据包括邻区之间的切换次数;
所述训练模块具体用于:
根据基站标识和小区标识之间的对应关系,确定所述工参信息和所述邻区关系数据之间的对应关系,以得到正样本数据,所述正样本数据包括ANR网络中的每个服务小区和每个服务小区的相邻小区的工参信息,以及,每个服务小区和相邻小区的切换次数;
确定所述正样本数据中每个服务小区的周边小区,所述周边小区与所述服务小区之间的距离符合预设条件、所述周边小区的数量与所述正样本数据中服务小区的相邻小区的数量相同并且所述周边小区不属于所述正样本数据中的相邻小区;
将每个服务小区与所述每个服务小区的周边小区的工参信息以及每个服务小区与周边小区的切换次数确定为负样本数据。
6.一种电子设备,其特征在于,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如权利要求1至4任一项所述的邻区关系优化方法。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求1至4任一项所述的邻区关系优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010755869.2A CN111885662B (zh) | 2020-07-31 | 2020-07-31 | 邻区关系优化方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010755869.2A CN111885662B (zh) | 2020-07-31 | 2020-07-31 | 邻区关系优化方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111885662A CN111885662A (zh) | 2020-11-03 |
CN111885662B true CN111885662B (zh) | 2022-07-08 |
Family
ID=73204784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010755869.2A Active CN111885662B (zh) | 2020-07-31 | 2020-07-31 | 邻区关系优化方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111885662B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113395707B (zh) * | 2021-06-23 | 2022-09-13 | 南京华苏科技有限公司 | 一种基于平均站间距的邻区规划方法 |
US11606732B1 (en) | 2021-09-08 | 2023-03-14 | T-Mobile Usa, Inc. | Coverage improvement for 5G new radio wireless communication network, such as for over-shooting cells |
US11800382B1 (en) | 2021-09-08 | 2023-10-24 | T-Mobile Usa, Inc. | Coverage improvement for 5G new radio wireless communication network |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105592508A (zh) * | 2014-10-29 | 2016-05-18 | 中兴通讯股份有限公司 | 无线接入网节点的邻区关系建立方法及装置 |
CN106332191A (zh) * | 2015-07-03 | 2017-01-11 | 中国移动通信集团广东有限公司 | 一种lte网络中电路域回落的邻区添加方法及装置 |
CN106792929A (zh) * | 2015-11-23 | 2017-05-31 | 中国电信股份有限公司 | 邻区切换关系优化方法和装置 |
CN108271164A (zh) * | 2016-12-31 | 2018-07-10 | 中国移动通信集团河北有限公司 | Lte邻区优化方法和装置 |
CN110536307A (zh) * | 2019-09-03 | 2019-12-03 | 南京华苏科技有限公司 | 一种基于泰森多边形的邻区规划的方法及装置 |
CN110770761A (zh) * | 2017-07-06 | 2020-02-07 | 华为技术有限公司 | 深度学习系统和方法以及使用深度学习的无线网络优化 |
CN111405585A (zh) * | 2020-03-19 | 2020-07-10 | 北京联合大学 | 一种基于卷积神经网络的邻区关系预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2918102B1 (en) * | 2012-11-08 | 2017-07-19 | Telefonaktiebolaget LM Ericsson (publ) | Methods and network nodes for handling handover failures |
-
2020
- 2020-07-31 CN CN202010755869.2A patent/CN111885662B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105592508A (zh) * | 2014-10-29 | 2016-05-18 | 中兴通讯股份有限公司 | 无线接入网节点的邻区关系建立方法及装置 |
CN106332191A (zh) * | 2015-07-03 | 2017-01-11 | 中国移动通信集团广东有限公司 | 一种lte网络中电路域回落的邻区添加方法及装置 |
CN106792929A (zh) * | 2015-11-23 | 2017-05-31 | 中国电信股份有限公司 | 邻区切换关系优化方法和装置 |
CN108271164A (zh) * | 2016-12-31 | 2018-07-10 | 中国移动通信集团河北有限公司 | Lte邻区优化方法和装置 |
CN110770761A (zh) * | 2017-07-06 | 2020-02-07 | 华为技术有限公司 | 深度学习系统和方法以及使用深度学习的无线网络优化 |
CN110536307A (zh) * | 2019-09-03 | 2019-12-03 | 南京华苏科技有限公司 | 一种基于泰森多边形的邻区规划的方法及装置 |
CN111405585A (zh) * | 2020-03-19 | 2020-07-10 | 北京联合大学 | 一种基于卷积神经网络的邻区关系预测方法 |
Non-Patent Citations (1)
Title |
---|
Draft report of the SQ SWG ad-hoc meeting #5 on Acoustic;SQ SWG Chairman;《TSG-SA4 SQ SWG ad-hoc meeting on Acoustic Aspects Tdoc S4-AHQ067》;20120627;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111885662A (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111885662B (zh) | 邻区关系优化方法和装置 | |
US20210133536A1 (en) | Load prediction method and apparatus based on neural network | |
CN107204894B (zh) | 网络业务质量的监控方法及装置 | |
CN110996377B (zh) | 一种基站节能方法、系统、装置和存储介质 | |
CN104864548A (zh) | 一种空调运行的控制方法及系统 | |
CN112836911A (zh) | 小区节能参数的确定方法、装置、电子设备及存储介质 | |
CN110602713A (zh) | 基站建设评估方法及装置 | |
CN107046691B (zh) | 一种lte无线网络快速选址方法 | |
CN114595970A (zh) | 资源调度智能决策方法、装置、电子设备及存储介质 | |
CN117421567A (zh) | 一种应用于城市的电厂能源管理方法及系统 | |
CN112580844A (zh) | 气象数据处理方法、装置、设备及计算机可读存储介质 | |
CN116862079B (zh) | 一种企业污染物排放预测方法及预测系统 | |
CN111105050B (zh) | 风机维护计划的生成方法、装置、设备及存储介质 | |
JPH11346438A (ja) | 電力需要量予測方法 | |
CN113890833B (zh) | 网络覆盖预测方法、装置、设备及存储介质 | |
CN111343664A (zh) | 用户定位方法、装置、设备及介质 | |
CN115757002A (zh) | 一种能耗确定方法、装置、设备及计算机可读存储介质 | |
CN113207134A (zh) | 一种数据处理方法、装置、设备及计算机存储介质 | |
CN112434430A (zh) | 预测台区容量的方法及装置 | |
FI130624B (en) | Managing neighborhood settings in mobile networks | |
CN102547765A (zh) | 一种异系统邻区自动规划方法及其系统 | |
CN117651289B (zh) | 一种用于无线电通信设备测试的数据处理方法及装置 | |
CN116979532B (zh) | 一种电力系统动态状态估计可观性评估方法和系统 | |
CN117353305B (zh) | 一种台区电能质量预测方法、装置、介质及电子设备 | |
CN115801952B (zh) | 一种天线系统的控制方法和系统 |
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 |