CN112559167B - 基于Voronoi动态图优化基站维护资源配置的方法 - Google Patents
基于Voronoi动态图优化基站维护资源配置的方法 Download PDFInfo
- Publication number
- CN112559167B CN112559167B CN202011229890.5A CN202011229890A CN112559167B CN 112559167 B CN112559167 B CN 112559167B CN 202011229890 A CN202011229890 A CN 202011229890A CN 112559167 B CN112559167 B CN 112559167B
- Authority
- CN
- China
- Prior art keywords
- node
- voronoi
- nodes
- partition
- index
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000010586 diagram Methods 0.000 title claims abstract description 18
- 238000013468 resource allocation Methods 0.000 title claims abstract description 13
- 238000005192 partition Methods 0.000 claims abstract description 88
- 238000011156 evaluation Methods 0.000 claims abstract description 31
- 238000004891 communication Methods 0.000 claims abstract description 30
- 238000004364 calculation method Methods 0.000 claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims description 49
- 230000008569 process Effects 0.000 claims description 19
- 230000005540 biological transmission Effects 0.000 claims description 14
- 238000012163 sequencing technique Methods 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 7
- 230000036962 time dependent Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract description 18
- 230000003442 weekly effect Effects 0.000 abstract description 8
- 238000013439 planning Methods 0.000 abstract description 4
- 230000008859 change Effects 0.000 description 11
- 238000007726 management method Methods 0.000 description 9
- WSFSSNUMVMOOMR-UHFFFAOYSA-N Formaldehyde Chemical compound O=C WSFSSNUMVMOOMR-UHFFFAOYSA-N 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000002354 daily effect Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/505—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/5038—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the execution order of a plurality of tasks, e.g. taking priority or time dependency constraints into consideration
-
- 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)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种基于Voronoi动态图优化基站维护资源配置的方法，在通信网络中构建平面点集和Voronoi区域集，形成Voronoi网络；基于节点位置以及动态指标因子构建权值函数，并计算出节点的权值；将整个通信网络中所有的Voronoi分区内的所有节点的权值二乘值作为Voronoi总体评估函数，并对当前周期与上一周期的所有节点的权值计算评估函数，通过比较当前周期下的评估函数与上一周期的评估函数计算结果进行网络运行判断。本发明基于Voronoi动态优化基站维护资源配置，将原有的巡检区域转变为动态Voronoi规划，通过对现有网络运维数据进行分析计算，进行周路线分析和月路线分析，态更新巡检区域和巡检路径，从而实现对于巡检效率的提升。
Description
技术领域
本发明涉及通信技术领域，具体而言涉及一种通信系统的基站维护，尤其是基于Voronoi动态图优化基站维护资源配置的方法。
背景技术
第五代移动通信技术(英语：5th generation mobile networks或5thgeneration wireless systems、5th-Generation，简称5G或5G技术)是最新一代蜂窝移动通信技术，也是继4G(LTE-A、WiMax)、3G(UMTS、LTE)和2G(GSM)系统之后的延伸。5G的性能目标是高数据速率、减少延迟、节省能源、降低成本、提高系统容量和大规模设备连接。目前我国的5G技术已进入商用阶段，三大运营商正在大规模建设与推广5G网络服务，面对5G网络的运营维护已然是目前国内通信服务商面对最重要的工程问题。从三大运营商频段划分和覆盖距离来看：移动的频段是2.6G(2515～2675MHz)160M，以及4.9G(频段4800～4900MHz)100M的频谱，其覆盖距离是424米；而电信和联通的频段是3.5G(3400～3500MHz)和(频段3500～3600MHz)，分别获得的100M的频谱，其覆盖距离是322米。很明显5G网络覆盖小区半径的缩小导致5G基站数量增多。由于基站数量的增多，以及维护保障技术需求的提升，基站维护资源的配置日益成为通讯维护团队最迫切解决的工程管理难题。
随着车联网、物联网、工业互联网、医疗卫生等应用的发展与需求，5G已经开始改变社会行业能力的同时,也改变着人们的生活。5G网络能够为这些应用提供更高速率、更短时延、更多连接的移动宽带业务服务的。从理论上看，国内三大运营商的频段划分决定其5G网络基站覆盖半径要远小于4G基站，因此从4G向5G升级，通信基站数量将显著增多，其日常维护工作量将显著增加。而如果采用传统的固定维修区域方式，其区域设置无法根据实际需求进行调整，其区域维护人员与物质之间也无法进行动态调配。其会造成许多管理困难，其主要在：
-区域之间难于调配资源：在一个地区的基站维护，往往会按照行政区块划分为多个维护片区，每个片区有固定的人员与维护物资储备。片区之间的资源调配需要经过上级部门来协调。这种模式下，由于通信业务的变化，其区块之间的工作负载差异很大，而上级调配往往滞后，会造成某些维护区域人力与物资缺乏，对维护造成影响；
-区域内部难于调配资源：即便在维护区域内部，其基站巡检与维护工作也会因为业务变动而造成负载不均现象。如按照固定路线做日常巡检，往往会因为一些临时问题而造成时间耽搁，最终降低工作效率。同时由于无法及时利用运营数据进行有效分析，造成在维护人员在区域内部基站间频繁往返，降低工作效率。
由此可见，传统固定维护区域的通讯基站管理模式，在5G广泛部署的现实情况下，必将对于维护团队带来极大的管理成本，造成不必要的时间耽搁与人力物力浪费，最终不利于提升通讯基站的使用效率与商业效益。
发明内容
本发明目的在于提供一种基于Voronoi动态图优化基站维护资源配置的方法，建立基于Voronoi图方法的维护区域动态优化及对应的资源调配管理方式，将既往的按照行政区块静态配置基站维护模式转变为按照现实运维数据的动态基站区块维护模式，以实现基站维护资源配置管理的智能化，从而降低管理成本、提升维护效益。
未实现上述目的，本发明的第一方面提出一种基于Voronoi动态图优化基站维护资源配置的方法，包括以下步骤：
步骤1、在具有n个基站的通信网络中，构建平面点集和Voronoi区域集，平面点集中的每个节点代表一个基站，并且都在Voronoi区域集内，形成Voronoi网络；
步骤2、基于节点位置以及动态指标因子构建权值函数，并计算出节点的权值；其中节点位置表示节点与对应Voronoi分区中心之间的距离，动态指标因子对应节点的四个关键指标的计算标准值，四个关键指标分别为通信传输流量指标、节点设备占空比、节点设备负债率以及节点设备故障率；
步骤3、将整个通信网络中所有的Voronoi分区内的所有节点的权值二乘值作为Voronoi总体评估函数，并对当前周期与上一周期的所有节点的权值计算评估函数，通过比较当前周期下的评估函数与上一周期的评估函数计算结果进行网络运行判断：
如果当前周期评估函数计算结果大于上一周期的评估函数计算结果，则对Voronoi网络中的节点进行优化分割调整，否则保持Voronoi网络的节点分布；
步骤4、在基站运行过程中，对每日基站运行数据收集汇总，对应获取基站对应节点的节点位置和动态指标因子关键指标，通过归一化获得动态指标因子后构建周数据矩阵和月数据矩阵，并基于周数据矩阵和月数据矩阵进行周路线分析和月路线分析，其中在第一天、第一周以及第一月所构建的Voronoi网络的分区，按照既有的行政区划进行划分，将已经建立好的基站对应节点归属到节点位置所属的行政区块中；
其中，在周路线分析过程中，针对每个Voronoi分区内部的节点进行多次特征值分解以获取Voronoi分区内部的节点的维护次序；
在月路线分析中，在初始化的第一个月第第二个月保持Voronoi网络的节点分布不变，并且在第三个月开始按照前述步骤3的方式进行Voronoi网络分区更新，得到下一个月的Voronoi网络分区更新，并在更新后执行周路线分析，得到分区更新后的Voronoi分区内部的维护次序。
优选地，所述步骤2中，对于点集Pn中的一个节点Pj所构建的权值函数为：
其中，Gj是第j个节点的地理位置，即经纬度坐标信息；
Tjq(n)是第j个节点的第q个时间相关的关键指标在当前时间周期的计算标准值；
Tjq(n-1)是第j个节点的第q个时间相关的关键指标在前一个时间周期的计算标准值；
|Tjq(n)-Tjq(n-1)|是第j个节点的第q个时间相关的关键指标在时间区间上的差值绝对值；
其中，l＝4，对应于所述四个关键指标；
Rk＝{x∈X|d(x，pk)＜d(x，pj)，j＝{0，1，2，…，n}，j≠k}
Pn＝{p0，p1，…，pn}
其中，Rk表示Voronoi区域集，Pn表示平面点集。
优选地，所述步骤2中，所选择的四个关键指标的计算标准值分别表示为：
通信传输流量指标标准值Tj1(n)；
节点设备占空比标准值Tj2(n)；
节点设备负债率标准值Tj3(n)；
节点设备故障率标准值Tj4(n)；
在获取任一关键指标的计算标准值时，首先按照时间来构建指标数据矩阵，并采用SVD算法求解主特征值，以所求的的特征值序列的均值与前一个时间周期的指标均值比作为该时间周期的标准值。
优选地，在所述步骤3中，根据构建以下评估函数作为Voronoi总体评估函数：
其中，
是第k个Voronoi分区中的所有节点的权值函数的均值。
优选地，在所述步骤3中，对Voronoi网络中节点的分割优化包括：
首先，按照当前Voronoi分区中的每个节点的地理位置构建一调整概率ψj，其表示节点与Voronoi分区中心点的距离的倒数：
其次，对于一个Voronoi分区，选取分区中最边缘的前m个节点，m≤3；
然后，将所选取的节点划归到最临近的另一个Voronoi分区中，计算该分配模式下的Voronoi区域集中节点的权值；
最后，对所有分区按照上述方式进行操作，选择权值最小的调整方案作为当前Voronoi网络节点调节的方案。
优选地，在所述步骤4中，对第k个Voronoi分区进行周路线分析过程中，还包括基于节点的地理位置生成初始化路径，具体包括：
首先，假设在一Voronoi分区内有m个节点，按照节点与分区中心点的距离从低到高进行排序；
其次，选取最靠近Voronoi分区中心点的节点，记为P0；
然后，从该节点P0开始，计算节点与附近节点的地理位置距离，取最近的节点P1作为下一个节点；
重复上述过程，直至形成遍历当前整个Voronoi分区的初始化路径。
优选地，在所述步骤4中，周路径分析获得对应Voronoi分区内节点的维护序列的过程包括：
首先，对于一个包括u个节点的Voronoi分区，计算分区内所有节点的v个关键指标对应的计算标准值，组合形成一个u*v的动态指标库M；
其次，将矩阵M逐行累加获得累加值，并按照累加值对矩阵M进行排序，取前v个构建矩阵M’；
然后，对矩阵M’做特征值分解，得到最大特征值向量对应的节点即为最先维护的节点，将该得到的节点加入到维护优先级序列Wout；
将前一步骤获得的节点从矩阵M中剔除，再进行排序，再取前v个构建矩阵M’，重复上述操作，获得下一个维护节点；
最后，重复上述剔除-排序-矩阵构建以及特征值分解操作，知道所剩余的节点少于v个而无法再构建矩阵，此时剩下的节点按照累积数值高度排序，加入到维护优先级序列的最后，构成整个Voronoi分区的维护序列
由此，本发明将基站(4G、5G基站等)作为具有固定属性(地理位置属性)和动态属性(流量等与时间相关的指标)的节点，而分配与管理基站的维护工作，视作随着动态属性的变化而变化，因此根据动态变化对分区和节点进行动态分割，将基站维护规划转换为基于甲醛Voronoi网络的三角剖分来进行动态规划。
现有技术原有的基站巡检维护大部分都是常态化检查，其巡检区域是固定的，而难于随着现实情况进行自动调整，在调配人员与物资方面难于实现智能化。而采用本发明所提出的系统，可将原有的巡检区域转变为动态Voronoi图，引入动态图智能模型，实现基于基站实际运载情况的动态化区块分割与路径优化管理，通过对现有网络运维数据进行分析计算，动态更新巡检区域和区域内的巡检路径，从而实现对于巡检效率的提升。
应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：
图1是本发明示例性实施例的基于Voronoi动态图优化基站维护资源配置的方法的流程图。
具体实施方式
为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
现有网络的基站运行是一个动态系统，其每个基站上的通信负载量是随着时间不断改变的。因而对于基站巡检不能采用静态模式、固定区域与固定路线，需要按照基站实际负载情况与维修需求情况进行自动调整，区域改变需要一定的时间，其实际操作上也比较复杂，而且过于频繁的区域改变，会影响维护团队之间的配合程度，降低维护效率。
本发明所提出基于Voronoi动态优化基站维护资源配置，将原有的巡检区域转变为动态Voronoi规划，通过对现有网络运维数据进行分析计算，动态更新巡检区域和巡检路径，从而实现对于巡检效率的提升。
结合图1所示示例性实施例的基于Voronoi动态图优化基站维护资源配置的方法，包括以下步骤：
步骤1、在具有n个基站的通信网络中，构建平面点集和Voronoi区域集，平面点集中的每个节点代表一个基站，并且都在Voronoi区域集内，形成Voronoi网络；
步骤2、基于节点位置以及动态指标因子构建权值函数，并计算出节点的权值；其中节点位置表示节点与对应Voronoi分区中心之间的距离，动态指标因子对应节点的四个关键指标的计算标准值，四个关键指标分别为通信传输流量指标、节点设备占空比、节点设备负债率以及节点设备故障率；
步骤3、将整个通信网络中所有的Voronoi分区内的所有节点的权值二乘值作为Voronoi总体评估函数，并对当前周期与上一周期的所有节点的权值计算评估函数，通过比较当前周期下的评估函数与上一周期的评估函数计算结果进行网络运行判断：
如果当前周期评估函数计算结果大于上一周期的评估函数计算结果，则对Voronoi网络中的节点进行优化分割调整，否则保持Voronoi网络的节点分布；
步骤4、在基站运行过程中，对每日基站运行数据收集汇总，对应获取基站对应节点的节点位置和动态指标因子关键指标，通过归一化获得动态指标因子后构建周数据矩阵和月数据矩阵，并基于周数据矩阵和月数据矩阵进行周路线分析和月路线分析，其中在第一天、第一周以及第一月所构建的Voronoi网络的分区，按照既有的行政区划进行划分，将已经建立好的基站对应节点归属到节点位置所属的行政区块中；
其中，在周路线分析过程中，针对每个Voronoi分区内部的节点进行多次特征值分解以获取Voronoi分区内部的节点的维护次序；
在月路线分析中，在初始化的第一个月第第二个月保持Voronoi网络的节点分布不变，并且在第三个月开始按照前述步骤3的方式进行Voronoi网络分区更新，得到下一个月的Voronoi网络分区更新，并在更新后执行周路线分析，得到分区更新后的Voronoi分区内部的维护次序。
优选地，所述步骤2中，对于点集Pn中的一个节点Pj所构建的权值函数为：
其中，Gj是第j个节点的地理位置，即经纬度坐标信息；
Tjq(n)是第j个节点的第q个时间相关的关键指标在当前时间周期的计算标准值；
Tjq(n-1)是第j个节点的第q个时间相关的关键指标在前一个时间周期的计算标准值；
|Tjq(n)-Tjq(n-1)|是第j个节点的第q个时间相关的关键指标在时间区间上的差值绝对值；
其中，l＝4，对应于所述四个关键指标；
Rk＝{x∈X|d(x，pk)＜d(x，pj)，j＝{0，1，2，…，n}，j≠k}
Pn＝{p0，p1，…，pn}
其中，Rk表示Voronoi区域集，Pn表示平面点集。
优选地，所述步骤2中，所选择的四个关键指标的计算标准值分别表示为：
通信传输流量指标标准值Tj1(n)；
节点设备占空比标准值Tj2(n)；
节点设备负债率标准值Tj3(n)；
节点设备故障率标准值Tj4(n)；
在获取任一关键指标的计算标准值时，首先按照时间来构建指标数据矩阵，并采用SVD算法求解主特征值，以所求的的特征值序列的均值与前一个时间周期的指标均值比作为该时间周期的标准值。
在本发明的实施例中，结合大数据分析和统计，将每个基站节点的维护量主要考虑4个关键性指标相关，即节点的通信传输流量、节点设备占空比、节点设备负载率与节点设备的故障率。这四个指标都是时间性变量，是与时间区间相关联。本发明取某个时间区间的均值作为该指标数据，即：
-通讯传输流量，指某个时间区间通过该节点所有字符流量的总和与总秒数比值；
-节点设备占空比，指某个时间区间内有没有流量负载与总秒数的比值；
-节点设备负载率，指某个时间区间内该设备CPU的运算负载均值；
-节点设备故障率，指某个时间区间内该设备故障时间秒数总和与总秒数的比值。
本发明选取上述4关键指标作为一个指标体系，来度量某个时间段该节点的加权运行状态。本发明取两个时间段，每周和每月。每周指标组是用来优化Voronoi分区内部的人员物质维护路径，每月指标组则主要是用来进行区域重新分割与人员物质重新规划。
由于这些关键指标是一个时间性离散变量，所以每个变量后面都留有一个测度时间周期n(对应低n-1表示前一个周期)。而在节点的权值计算过程中，所需的不是上述变量的累加值，而是某一个时间阶段的可比较指数，本发明采用矩阵主特征值法来对动态数据做离散标准化计算，得到计算标准值。
如此，由于基站的关键性数据会随着用户的需要而发生波动，其并不存在一个长期的均值，因此只做均值判断的话，与实际情况不符合。而，如果出现黑客攻击等特殊情况，其会出现短暂的剧烈波动，这些暂时性波动不计算到指标计算标准值中。因此，在本发明的实施过程中，我们舍弃通过设定阈值判断来对关键指标的波动情况做预判处理，而且采用简单的均值处理又将会引入偶发性波动数据的影响，因此在本发明的实施例中以基站的某个指标数据按照时间，构造一个指标数据矩阵，采用广义SVD算法求解其主特征值，以此特征值序列的均值与前一个周期的指标均值做比对，作为该时间段的指标规范化管理，即关键指标的计算标准量。
以通讯传输流量指标Tj1(n)(为方便说明，以下简称为T1)为例。
首先，将每天按照小时进行划分，每个小时经过该节点的传输数据字节总数被定义为该节点小时的传输流量T1i，i∈[1，24]。则每天都可以得到一个24*1的向量。在将每日的通讯传输流量数据汇总组成一个24*7的矩阵[T]1w，对矩阵[T]1w求解广义特征值，取最大特征值maxλx对应的特征值向量Tmaxw，则设定本周通讯传输流量的指标数值为∑Tmaxw(i)j，该数值就是向量所有元素的累加值。将这个累加值作为本周(当前周期)的指标值，该数字除以上一周(前一个周期)的数据指标值∑Tmaxw(i-1)j，得到最终衡量本周流量规划化的指标
如果需要计算月度的节点传输流量，则将月度每天的流量向量组合成一个24*30的矩阵，再求解广义特征值，取最大特征值向量后，计算获得每个月的通讯传输流量指标的计算标准值Tj1(n)。应当理解，该计算标准值不仅用作当前节点的权值计算，还会参与后一个周期的权值计算。
由此，本发明采用的方案与直接均值方差方法相比，能够更好地评估时间关键指标的趋势走向，避免造成的计算误差。同时，计算过程采用矩阵模型，有利于在并发环境下快速计算。
优选地，在所述步骤3中，根据构建以下评估函数作为Voronoi总体评估函数：
其中，
是第k个Voronoi分区中的所有节点的权值函数的均值。
优选地，在所述步骤3中，对Voronoi网络中节点的分割优化包括：
首先，按照当前Voronoi分区中的每个节点的地理位置构建一调整概率ψj，其表示节点与Voronoi分区中心点的距离的倒数：
其次，对于一个Voronoi分区，选取分区中最边缘的前m个节点，m≤3；
然后，将所选取的节点划归到最临近的另一个Voronoi分区中，计算该分配模式下的Voronoi区域集中节点的权值；
最后，对所有分区按照上述方式进行操作，选择权值最小的调整方案作为当前Voronoi网络节点调节的方案。
优选地，在所述步骤4中，对第k个Voronoi分区进行周路线分析过程中，还包括基于节点的地理位置生成初始化路径，具体包括：
首先，假设在一Voronoi分区内有m个节点，按照节点与分区中心点的距离从低到高进行排序；
其次，选取最靠近Voronoi分区中心点的节点，记为P0；
然后，从该节点P0开始，计算节点与附近节点的地理位置距离，取最近的节点P1作为下一个节点；
重复上述过程，直至形成遍历当前整个Voronoi分区的初始化路径。
优选地，在所述步骤4中，周路径分析获得对应Voronoi分区内节点的维护序列的过程包括：
首先，对于一个包括u个节点的Voronoi分区，计算分区内所有节点的v个关键指标对应的计算标准值，组合形成一个u*v的动态指标库M；
其次，将矩阵M逐行累加获得累加值，并按照累加值对矩阵M进行排序，取前v个构建矩阵M’；
然后，对矩阵M’做特征值分解，得到最大特征值向量对应的节点即为最先维护的节点，将该得到的节点加入到维护优先级序列W；
将前一步骤获得的节点从矩阵M中剔除，再进行排序，再取前v个构建矩阵M’，重复上述操作，获得下一个维护节点；
最后，重复上述剔除-排序-矩阵构建以及特征值分解操作，知道所剩余的节点少于v个而无法再构建矩阵，此时剩下的节点按照累积数值高度排序，加入到维护优先级序列的最后，构成整个Voronoi分区的维护序列
由此，本发明将基站(4G、5G基站等)作为具有固定属性(地理位置属性)和动态属性(流量等与时间相关的指标)的节点，而分配与管理基站的维护工作，视作随着动态属性的变化而变化，因此根据动态变化对分区和节点进行动态分割，将基站维护规划转换为基于甲醛Voronoi网络的三角剖分来进行动态规划。
下面结合具体的工程案例进行阐述和说明。
总体上，每日对于关键数据进行汇总，将基站节点的关键数据汇总到主服务器数据库中；
每周构建一次周数据矩阵，对该矩阵数据进行预处理，得到本周规范化指标集合。在周规范化数据指标上进行分析，得到各个区域内部的维护路线，下周维护的时候就按照该路线进行操作。
每个月构建一次月数据矩阵，对该矩阵数据进行预处理，得到本月规范化指标集合。在月规范化指标上进行分析，对基站节点的区域划分进行调整，得到下一个月的新区域划分方案。再执行一次周数据分析过程，得到新区域内部的维护路线。
在周路径分析中，主要过程包括：
1.如果Voronoi网络(即Voronoi图)已经修改过，则需要先计算一下地理位置信息，得到最新的维护路径；
2.对该区域中个节点上周动态数据构建指标矩阵；
3.将矩阵逐行累加，排序并生成可计算矩阵；
4.取最前面的4行构建一个4*4矩阵。对该矩阵做一次特征值分解，特征值最大向量对应的节点就是最先维护的节点，加入到维护优先级列表。
5.将该节点从数组中删除掉，再进行排序，再取最前面的4行构建一个矩阵，重复上述的操作，得到下一个维护节点；
6.重复上述操作，直到所剩余的节点少于5个无法构建方阵，这时剩下的节点按照累计数值高低排序；
7.最终该序列中的节点排序就是维护优先级
相对于月度的Voronoi图剖分计算，每周的路径计算只是对于每个区域内部的节点做简单的特征值计算，相比于评估函数计算减少了计算量。
每个月的Voronoi图分解的操作步骤如下：
1.第一个月，构建Voronoi图的分区，是按照既有的行政区块进行划分，将已经建立的基站节点放在行政区块中。由于是第一个月，尚没有可以参考的动态指标数据，因此只需要计算地理位置信息即可求得每个节点的权值；
2.第二个月，按照本月实施数据计算动态指标数据，由于没有前期增量信息，仍然保持原有的Voronoi分区不变。
3.第三个月，这时已经有了第一个月与第二个月的动态指标数据，可以按照权值公式计算当下所有节点的权值，以及当下Voronoi分区的评估函数值，并逐个分区计算节点调整ψj，构建每个分区的下一个周期参与调整计算的节点列表。仍然保持原有的Voronoi分区不变；
4.第四个月，计算整个图节点的权值以及整个网络的权值。然后逐个分区对可调整节点进行调整，重新计算网络的评估函数，取上述最小的节点调整方案，构建新的Voronoi分区。
5.重复上述操作。
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。
Claims (3)
1.一种基于Voronoi动态图优化基站维护资源配置的方法，其特征在于，包括以下步骤：
步骤1、在具有n个基站的通信网络中，构建平面点集和Voronoi区域集，平面点集中的每个节点代表一个基站，并且都在Voronoi区域集内，形成Voronoi网络；
步骤2、基于节点位置以及动态指标因子构建权值函数，并计算出节点的权值；其中节点位置表示节点与对应Voronoi分区中心之间的距离，动态指标因子对应节点的四个关键指标的计算标准值，四个关键指标分别为通信传输流量指标、节点设备占空比、节点设备负债率以及节点设备故障率；
步骤3、将整个通信网络中所有的Voronoi分区内的所有节点的权值二乘值作为Voronoi总体评估函数，并对当前周期与上一周期的所有节点的权值计算评估函数，通过比较当前周期下的评估函数与上一周期的评估函数计算结果进行网络运行判断：
如果当前周期评估函数计算结果大于上一周期的评估函数计算结果，则对Voronoi网络中的节点进行优化分割调整，否则保持Voronoi网络的节点分布；
步骤4、在基站运行中，对每日基站运行数据收集汇总，对应获取基站对应节点的节点位置和动态指标因子关键指标，通过归一化获得动态指标因子后构建周数据矩阵和月数据矩阵，并基于周数据矩阵和月数据矩阵进行周路线分析和月路线分析，其中在第一天、第一周以及第一月所构建的Voronoi网络的分区，按照既有的行政区划进行划分，将已经建立好的基站对应节点归属到节点位置所属的行政区块中；
其中，在周路线分析过程中，针对每个Voronoi分区内部的节点进行多次特征值分解以获取Voronoi分区内部的节点的维护次序；
在月路线分析中，在初始化的第一个月和第二个月保持Voronoi网络的节点分布不变，并且在第三个月开始按照前述步骤3的方式进行Voronoi网络分区更新，得到下一个月的Voronoi网络分区更新，并在更新后执行周路线分析，得到分区更新后的Voronoi分区内部的维护次序；
其中，所选择的四个关键指标的计算标准值分别表示为：
通信传输流量指标标准值Tj1(n)；所述通信传输流量是指某个时间区间通过节点的所有字符流量的总和与总秒数的比值；
节点设备占空比标准值Tj2(n)；所述节点设备占空比是指某个时间区间内有没有流量负载与总秒数的比值；
节点设备负载率标准值Tj3(n)；所述节点设备负载率是指某个时间区间内设备CPU的运算负载均值；
节点设备故障率标准值Tj4(n)；所述节点设备故障率是指某个时间区间内设备故障时间秒数总和与总秒数的比值；
在获取任一关键指标的计算标准值时，首先按照时间来构建指标数据矩阵，并采用SVD算法求解主特征值，以所求的特征值序列的均值与前一个时间周期的指标均值比作为该时间周期的标准值；
其中，在所述步骤2中，对于平面点集Pn中的第j个节点pj所构建的权值函数为：
其中，Gj是第j个节点的地理位置，即经纬度坐标信息；
Tjq(n)是第j个节点的第q个时间相关的关键指标在当前时间周期的计算标准值；
Tjq(n-1)是第j个节点的第q个时间相关的关键指标在前一个时间周期的计算标准值；
|Tjq(n)-Tjq(n-1)|是第j个节点的第q个时间相关的关键指标在时间区间上的差值绝对值；
其中，l＝4，对应于四个关键指标；
Rk＝{x∈X|d(x，pk)＜d(x，pj)，j＝{0，1，2，···，n}，j≠k}
Pn＝{p0，p1，…，pn}
其中，Rk表示第k个Voronoi区域，Pn表示平面点集；pn表示平面点集Pn中的第n个节点；
其中，在所述步骤3中，根据构建以下评估函数作为Voronoi，总体评估函数：
其中，
是第k个Voronoi分区中的所有节点的权值函数的均值；
在所述步骤3中，对Voronoi网络中节点的分割优化包括：
首先，按照当前Voronoi分区中的每个节点的地理位置构建一调整概率ψj，其表示节点与Voronoi分区中心点的距离的倒数：
其次，对于一个Voronoi分区，选取分区中最边缘的前m个节点，m≤3；
然后，将所选取的节点划归到最临近的另一个Voronoi分区中，计算分配模式下的Voronoi区域集中节点的权值；
最后，对所有分区按照上述方式进行操作，选择权值最小的调整方案作为当前Voronoi网络节点调节的方案。
2.据权利要求1所述的基于Voronoi动态图优化基站维护资源配置的方法，其特征在于，在所述步骤4中，对第k个Voronoi分区进行周路线分析过程中，还包括基于节点的地理位置生成初始化路径，具体包括：
首先，假设在一Voronoi分区内有m个节点，按照节点与分区中心点的距离从低到高进行排序；
其次，选取最靠近Voronoi分区中心点的节点，记为P0；
然后，从该节点P0开始，计算节点与附近节点的地理位置距离，取最近的节点P1作为下一个节点；
重复上述过程，直至形成遍历当前整个Voronoi分区的初始化路径。
3.据权利要求2所述的基于Voronoi动态图优化基站维护资源配置的方法，其特征在于，在所述步骤4中，周路径分析获得对应Voronoi分区内节点的维护序列的过程包括：
首先，对于一个包括u个节点的Voronoi分区，计算分区内所有节点的v个关键指标对应的计算标准值，组合形成一个u*v的动态指标库M；
其次，将矩阵M逐行累加获得累加值，并按照累加值对矩阵M进行排序，取前v个构建矩阵M’；
然后，对矩阵M’做特征值分解，得到最大特征值向量对应的节点即为最先维护的节点，将该得到的节点加入到维护优先级序列W；
将前一步骤获得的节点从矩阵M中剔除，再进行排序，再取前v个构建矩阵M’，重复上述操作，获得下一个维护节点；
最后，重复上述剔除-排序-矩阵构建以及特征值分解操作，知道所剩余的节点少于v个而无法再构建矩阵，此时剩下的节点按照累积数值高度排序，加入到维护优先级序列的最后，构成整个Voronoi分区的维护序列。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011229890.5A CN112559167B (zh) | 2020-11-06 | 2020-11-06 | 基于Voronoi动态图优化基站维护资源配置的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011229890.5A CN112559167B (zh) | 2020-11-06 | 2020-11-06 | 基于Voronoi动态图优化基站维护资源配置的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112559167A CN112559167A (zh) | 2021-03-26 |
| CN112559167B true CN112559167B (zh) | 2023-05-09 |
Family
ID=75041572
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011229890.5A Active CN112559167B (zh) | 2020-11-06 | 2020-11-06 | 基于Voronoi动态图优化基站维护资源配置的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112559167B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114115329B (zh) * | 2021-10-28 | 2023-06-16 | 中国人民解放军陆军工程大学 | 中继协同无人机任务规划方法及装置 |
| CN114205246A (zh) * | 2021-12-14 | 2022-03-18 | 中国电信股份有限公司 | 云资源规划方法、装置以及存储介质 |
| CN114237246B (zh) * | 2021-12-16 | 2024-05-24 | 东软集团股份有限公司 | 最优巡检路径确定方法、装置、介质和设备 |
| CN115689069B (zh) * | 2023-01-03 | 2023-04-04 | 东北电力大学 | 基于人工智能的电网调度控制方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102036254A (zh) * | 2010-12-10 | 2011-04-27 | 上海百林通信软件有限公司 | 一种有关网络的快速自动邻区规划方法 |
| CN104038957A (zh) * | 2014-06-13 | 2014-09-10 | 杭州大光明通信系统集成有限公司 | 一种基于一体化结构的4g基站运维信息分析处理方法 |
| US9949230B1 (en) * | 2016-12-07 | 2018-04-17 | At&T Intectual Property I, L.P. | Base station identification based location quality data determination |
| CN108696877A (zh) * | 2017-04-11 | 2018-10-23 | 中国移动通信集团安徽有限公司 | 跟踪区的边界小区的确认方法和装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8433327B2 (en) * | 2010-05-19 | 2013-04-30 | Alcatel Lucent | Methods of determining coverage areas |
-
2020
- 2020-11-06 CN CN202011229890.5A patent/CN112559167B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102036254A (zh) * | 2010-12-10 | 2011-04-27 | 上海百林通信软件有限公司 | 一种有关网络的快速自动邻区规划方法 |
| CN104038957A (zh) * | 2014-06-13 | 2014-09-10 | 杭州大光明通信系统集成有限公司 | 一种基于一体化结构的4g基站运维信息分析处理方法 |
| US9949230B1 (en) * | 2016-12-07 | 2018-04-17 | At&T Intectual Property I, L.P. | Base station identification based location quality data determination |
| CN108696877A (zh) * | 2017-04-11 | 2018-10-23 | 中国移动通信集团安徽有限公司 | 跟踪区的边界小区的确认方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112559167A (zh) | 2021-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112559167B (zh) | 基于Voronoi动态图优化基站维护资源配置的方法 | |
| CN111356148B (zh) | 一种实现网络优化的方法及相关设备 | |
| CN103116696B (zh) | 基于稀疏采样的手机定位数据的人员常驻地点识别方法 | |
| CN105556554A (zh) | 多个设备相关性 | |
| CN105188030B (zh) | 一种移动网络数据进行地理栅格映射的方法 | |
| CN108181607A (zh) | 基于指纹库的定位方法、装置及计算机可读存储介质 | |
| CN108289302B (zh) | 定位td-lte网络大气波导干扰的方法及系统 | |
| CN102970696A (zh) | 一种用于通信系统的频率优化方法 | |
| Bachir et al. | Using mobile phone data analysis for the estimation of daily urban dynamics | |
| CN114173356A (zh) | 网络质量的检测方法、装置、设备及存储介质 | |
| CN106446345A (zh) | 基于细分地理区域的配网运行指标处理方法 | |
| CN114095856B (zh) | 用于基站节能的处理方法和处理装置 | |
| CN102131202A (zh) | 一种基于面积法的通信网络信息地理网格化的方法 | |
| CN105873087A (zh) | 一种网络指标预测方法、装置及电子设备 | |
| CN116796904A (zh) | 一种轨道交通新线客流预测方法、系统、电子设备及介质 | |
| CN112738729A (zh) | 一种用手机信令数据判别探亲返乡游客的方法及系统 | |
| Mishra et al. | Second-level digital divide: A longitudinal study of mobile traffic consumption imbalance in france | |
| CN113867966A (zh) | 一种混合云模式的云资源调度方法 | |
| CN101888650B (zh) | 机器对机器业务接入容量的确定方法及系统 | |
| CN111194045A (zh) | 一种基于用户群体聚集行为模型进行节能的方法 | |
| US11234164B2 (en) | Forecasting traffic demand experienced by wireless communication system with application to channel allocation | |
| CN115622260A (zh) | 一种多能源组合的集中监控方法及系统 | |
| CN114153899A (zh) | 一种获取不同用地类型单位建筑面积就业岗位数的方法、电子设备 | |
| CN111144675B (zh) | 一种片区规划方法、装置、设备及存储介质 | |
| CN112784423A (zh) | 基于复杂网络的城市区域特征分析方法 |
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 | ||
| CB02 | Change of applicant information |
Address after: 210012 building 10, No. 19, ningshuang Road, Yuhuatai District, Nanjing, Jiangsu Province Applicant after: Jiahuan Technology Co.,Ltd. Address before: Building 10, No.19, ningshuang Road, Yuhuatai District, Nanjing City, Jiangsu Province, 210000 Applicant before: Nanjing Jiahuan Technology Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |