CN112867110B - 通信小区的效能识别方法、装置及电子设备 - Google Patents

通信小区的效能识别方法、装置及电子设备 Download PDF

Info

Publication number
CN112867110B
CN112867110B CN202011645037.1A CN202011645037A CN112867110B CN 112867110 B CN112867110 B CN 112867110B CN 202011645037 A CN202011645037 A CN 202011645037A CN 112867110 B CN112867110 B CN 112867110B
Authority
CN
China
Prior art keywords
communication cell
cluster
time period
index
value
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
CN202011645037.1A
Other languages
English (en)
Other versions
CN112867110A (zh
Inventor
薛龙来
祁澎泳
夏伟
张中华
崔红涛
韩彬
李轲
宁亚可
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.)
Henan Information Consulting Design And Research Co ltd
Original Assignee
Henan Information Consulting Design And Research 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 Henan Information Consulting Design And Research Co ltd filed Critical Henan Information Consulting Design And Research Co ltd
Priority to CN202011645037.1A priority Critical patent/CN112867110B/zh
Publication of CN112867110A publication Critical patent/CN112867110A/zh
Application granted granted Critical
Publication of CN112867110B publication Critical patent/CN112867110B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/02—Power saving arrangements
    • H04W52/0203—Power saving arrangements in the radio access network or backbone network of wireless communication networks
    • H04W52/0206—Power saving arrangements in the radio access network or backbone network of wireless communication networks in access points, e.g. base stations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic
    • 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
    • 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)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请提供了一种通信小区的效能识别方法、装置及电子设备，涉及数据处理技术领域，该方法包括：基于各个通信小区的各项业务指标的归一化历史数据按照不同时段得到各个时段的聚类结果,将各个聚类结果与各个通信小区进行匹配得到聚类组合与各个通信小区的对应关系。基于各项指定业务指标的权重值以及各项指定业务的指标数据平均值计算得到每种聚类组合下的通信小区在各个时段的效能值。基于该效能值以及判定阈值得到每种聚类组合在各个时段的效能类型识别结果，并得到每个通信小区的效能类型识别结果。本申请能够提高通信小区效能类型的识别效率，有利于改善进行通信小区节能调节的效率。

Description

通信小区的效能识别方法、装置及电子设备
技术领域
本申请涉及通信技术领域，具体而言，涉及一种通信小区的效能识别方法、装置及电子设备。
背景技术
随着通信技术的发展，基站所在的通信小区需要进行节能调节，现阶段对通信小区进行节能时，需要通过一一分析计算每个通信小区业务数据，并基于每个通信小区的业务数据的设定阈值确定各个通信小区对应的效能类型进而基于效能类型进行节能调节策略，存在通信小区节能调节效率低的问题。
发明内容
本申请的实施例在于提供一种通信小区的效能识别方法、装置及电子设备，以解决目前方法进行通信小区节能调节时效率低的问题。
本申请的实施例提供了一种通信小区的效能识别方法，所述方法包括：
基于各个通信小区的各项业务指标的归一化历史数据按照不同时段分别进行聚类分析，得到各个时段的聚类结果，每个时段的聚类结果包括该时段对应的各个聚类分类；
针对每个时段，将所述时段下所述各个通信小区的所述各项业务指标的归一化历史数据的分布特性与所述时段对应的各个聚类分类中的归一化历史数据的分布特性进行匹配，以得到所述各个通信小区对应的聚类组合，所述聚类组合用于表示所述各个通信小区与所述各个时段对应的各个聚类分类的对应关系；
根据所述对应关系以及所述各个通信小区的各项指定业务指标的归一化历史数据，计算所述各个时段对应的各个聚类分类的通信小区的所述各项指定业务指标的权重值，所述指定业务指标为用于表征所述通信小区的繁忙程度的指标；
基于所述各个通信小区的所述各项指定业务指标的归一化历史数据，计算所述各个通信小区在所述各个时段对应的各个聚类分类的所述各项指定业务的指标数据平均值；
基于所述各个时段对应的各个聚类分类的通信小区的所述各项指定业务指标的权重值，以及所述各项指定业务的指标数据平均值，计算得到每种聚类组合下的通信小区在所述各个时段的效能值；
基于所述每种聚类组合下的通信小区在所述各个时段的效能值以及判定阈值得到所述每种聚类组合在所述各个时段的效能类型识别结果；
基于所述对应关系以及所述每种聚类组合在所述各个时段的效能类型识别结果，得到每个通信小区的效能类型识别结果。
在上述实现过程中，通过对各个通信小区的归一化历史数据进行聚类分析得到的各个时段的聚类结果，将各个通信小区的数据分布特性与聚类结果相匹配，得到将通信小区与各个时段的聚类结果组成的聚类组合的对应关系，得到各个聚类组合下的通信小区的效能类型识别结果即得到每个通信小区的效能类型识别结果，避免对每个通信小区进行逐个识别，能够提高通信小区效能类型的识别效率，有利于改善进行通信小区节能调节的效率。
可选地，所述方法还包括：根据每个通信小区的效能类型识别结果，确定需要进行节能的目标通信小区；基于各个目标通信小区的所述各项指定业务指标的归一化历史数据，计算每个目标通信小区在所述各个时段的节能指数，所述节能指数表示目标通信小区选取节能策略的优先级，所述节能指数的大小与目标通信小区在选取节能策略时的优先级正相关；基于所述各个目标通信小区的节能指数、场景属性以及所述场景属性对应的节能策略对所述各个目标通信小区进行节能调节，或者基于所述通信小区的扇区流量预测值对所述目标通信小区进行节能调节。
在上述实现过程中，通过计算目标通信小区的节能指数确定目标通信小区选取节能策略的优先级，通过节能指数确定各个目标小区选取节能策略的优先级，优先级高的目标小区优先选取节能策略，提高对目标通信小区进行通信调节的精细度；基于所述通信小区的扇区流量预测值对所述通信小区进行节能调节能够根据目标通信小区的实时流量预测值调整对所述目标通信小区进行节能调节，提高对目标通信小区进行通信调节的精细度。
可选地，在所述基于各个通信小区的各项业务指标的归一化历史数据按照不同时段分别进行聚类分析之前，所述方法还包括：
对所述各项业务指标的历史数据进行归一化处理得到所述各项业务指标的归一化历史数据；对所述归一化历史数据进行数据清洗，得到清洗后的所述各项业务指标的归一化历史数据。
在上述实现过程中，对所述各项业务指标的历史数据进行归一化能够将不同量纲的数据处理为不带量纲的数据，避免不同量纲数据导致的聚类结果失准的问题，提高聚类分析的有效性；对归一化历史数据进行数据清洗能够去除归一化历史数据中的无效值，提高基于清洗后的所述各项业务指标的归一化历史数据进行聚类分析的有效性。
可选地，所述基于各个通信小区的各项业务指标的归一化历史数据按照不同时段分别进行聚类分析，得到各个时段的聚类结果，每个时段的聚类结果包括该时段对应的各个聚类分类，包括：
基于所述清洗后的所述各项业务指标的归一化历史数据按照所述各个时段分别进行预聚类分析，得到所述各个时段分别对应的各个粗略预估聚类分类；基于所述各个时段分别对应的各个粗略预估聚类分类进行聚类分析，得到所述各个时段分别对应的各个聚类分类。
在上述实现过程中，通过对所述清洗后的所述各项业务指标的归一化历史数据按照所述各个时段预聚类分析以及通过对预聚类得到的粗略预估聚类分类进行聚类分析的两步聚类方法得到各个时段分别对应的各个聚类分类，提高聚类的运算速率。
可选地，所述根据所述对应关系以及所述各个通信小区的各项指定业务指标的归一化历史数据，计算所述各个时段对应的各个聚类分类的通信小区的所述各项指定业务指标的权重值，包括：
根据所述对应关系以及所述各个通信小区的各项指定业务指标的归一化历史数据，计算所述各个时段对应的各个聚类分类的通信小区的所述各项指定业务指标的信息熵；基于所述各个时段对应的各个聚类分类的通信小区的所述各项指定业务指标的信息熵，通过第一计算公式计算计算所述各个时段对应的各个聚类分类的通信小区的所述各项指定业务指标的权重值；
所述第一计算公式包括：
Figure BDA0002879967050000041
其中，Ej,i表示在第i个时段第j项所述业务指标的信息熵，ωj,i表示在第i个时段第j项所述业务指标的权重值。
在上述实现过程中，不同指定业务指标对于效能值的影响程度不同，得到所述各个时段对应的各个聚类分类的通信小区的所述各项指定业务指标的权重值，并基于所述各个时段对应的各个聚类分类的通信小区的所述各项指定业务指标的权重值计算每种聚类组合下的通信小区在所述各个时段的效能值，提高每种聚类组合下的通信小区在所述各个时段的效能值的准确度。
可选地，所述基于所述各个时段对应的各个聚类分类的通信小区的所述各项指定业务指标的权重值，以及所述各项指定业务的指标数据平均值，计算得到每种聚类组合下的通信小区在所述各个时段的效能值，包括：
基于所述各个时段对应的各个聚类分类的通信小区的所述各项指定业务指标的权重值，以及所述各项指定业务的指标数据平均值，通过第二计算公式计算计算得到每种聚类组合下的通信小区在所述各个时段的综合业务值，作为效能值；所述第二计算公式包括：
Figure BDA0002879967050000042
其中，Zi表示第i个时段的所述综合业务值，ωj,i表示在第i个时段时第j项指定业务指标的权重值，εj,i表示在第i个时段时第j项指定业务指标的所述指标数据平均值。
在上述实现过程中，每种聚类组合下的通信小区在所述各个时段的效能值考虑到不同指定业务指标的不同的影响程度以及各个指定业务指标在各个时段的指标数据平均值，提高每种聚类组合下的通信小区在所述各个时段的效能值的准确性。
可选地，基于所述对应关系以及所述每种聚类组合在所述各个时段的效能类型识别结果，得到每个通信小区的效能类型识别结果，包括：
当任一聚类组合下的通信小区在所述各个时段的效能值均小于所述判定阈值，确定所述任一聚类组合下的通信小区为低效能小区，所述低效能小区为需要进行低效能管理的通信小区；当任一聚类组合下的通信小区在所述各个时段的效能值均大于所述判定阈值，确定所述任一聚类组合下的通信小区为高效能小区，所述高效能小区为需要进行高效能资源保证的通信小区；当任一聚类组合下的通信小区在部分时段的效能值大于或等于所述判定阈值，以及在部分时段的效能值小于或等于所述判定阈值，确定所述任一聚类组合下的通信小区中存在需要进行节能管理的小区。
在上述实现过程中，通过判定各个聚类组合下的通信小区的效能识别结果确定每个通信小区的效能识别结果，避免一一判定每个通信小区的效能识别结果，提高通信小区效能识别结果判定的效率。
可选地，所述基于所述各个目标通信小区的节能指数、场景属性以及所述场景属性对应的节能策略对所述各个目标通信小区进行节能调节，包括：
在第一目标通信小区基于第一目标通信小区的节能指数、场景属性以及场景属性对应的节能策略选择节能策略，且所述选择的节能策略中包括载波关断策略或者深度休眠策略时，基于泰森多边形算法以及Sibson插值算法计算所述第一目标通信小区的各个扇区流量预测值；其中，所述第一目标通信小区为所述各个目标通信小区中的任一通信小区；基于所述各个扇区流量预测值以及预设判定条件确定所述第一目标通信小区的节能策略，以对所述第一目标通信小区进行节能调节。
在上述实现过程中，在所述选择的节能策略中包括载波关断策略或者深度休眠策略时，基于所述第一目标通信小区的各个扇区流量预测值以及预设判定条件对所述第一目标通信小区进行节能调节，考虑所述第一目标通信小区的不同扇区在流量实时变化的情况下对节能调节的影响，提高对通信小区进行节能调节的精细度。
本申请的实施例提供了一种通信小区的效能识别装置，所述通信小区的效能识别包括：
聚类模块，用于基于各个通信小区的各项业务指标的归一化历史数据按照不同时段分别进行聚类分析，得到各个时段的聚类结果，每个时段的聚类结果包括该时段对应的各个聚类分类；
匹配模块，用于针对每个时段，将所述时段下所述各个通信小区的所述各项业务指标的归一化历史数据的分布特性与所述时段对应的各个聚类分类中的归一化历史数据的分布特性进行匹配，以得到所述各个通信小区对应的聚类组合，所述聚类组合用于表示所述各个通信小区与所述各个时段对应的各个聚类分类的对应关系；
权重计算模块，用于根据所述对应关系以及所述各个通信小区的各项指定业务指标的归一化历史数据，计算所述各个时段对应的各个聚类分类的通信小区的所述各项指定业务指标的权重值，所述指定业务指标为用于表征所述通信小区的繁忙程度的指标；
平均值计算模块，用于基于所述各个通信小区的所述各项指定业务指标的归一化历史数据，计算所述各个通信小区在所述各个时段对应的各个聚类分类的所述各项指定业务的指标数据平均值；
效能值计算模块，用于基于所述各个时段对应的各个聚类分类的通信小区的所述各项指定业务指标的权重值，以及所述各项指定业务的指标数据平均值，计算得到每种聚类组合下的通信小区在所述各个时段的效能值；
第一识别模块，用于基于所述每种聚类组合下的通信小区在所述各个时段的效能值以及判定阈值得到所述每种聚类组合在所述各个时段的效能类型识别结果；
第二识别模块，用于基于所述对应关系以及所述每种聚类组合在所述各个时段的效能类型识别结果，得到每个通信小区的效能类型识别结果。
本实施例还提供了一种电子设备，所述电子设备包括存储器和处理器，所述存储器中存储有程序指令，所述处理器运行所述程序指令时，执行上述任意方法中的步骤。
本实施例还提供了一种存储介质，所述存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器运行时，执行上述任意方法中的步骤。
综上所述，本申请提供的通信小区的效能识别方法、装置及电子设备，通过对各个通信小区的归一化历史数据进行聚类分析得到的各个时段的聚类结果，将各个通信小区的数据分布特性与聚类结果相匹配，得到将通信小区与各个时段的聚类结果组成的聚类组合的对应关系，得到各个聚类组合下的通信小区的效能类型识别结果即得到每个通信小区的效能类型识别结果，避免对每个通信小区进行逐个识别，能够提高通信小区效能类型的识别效率，有利于改善进行通信小区节能调节的效率。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
图1为本申请实施例提供的一种通信小区的效能识别方法的流程图。
图2为本申请实施例提供的一种历史数据预处理步骤的流程图。
图3为本申请实施例提供的一种聚类分析步骤的流程图。
图4为本申请实施例提供的一种效能识别步骤的流程图。
图5为本申请的实施例提供的一种目标通信小区节能调节步骤的流程图。
图6为本申请实施例提供的一种目标通信小区节能调节步骤的流程图。
图7为本申请实施例提供的一种基于流量预测进行节能调节步骤的流程图。
图8为本申请实施例提供的一种通信小区的效能识别装置示意图。
图例：90-通信小区的效能识别装置；901-聚类模块；902-匹配模块；903-权重计算模块；904-平均值计算模块；905-效能值计算模块；906-第一识别模块；907-第二识别模块；908-节能调节模块；909-预处理模块。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
在本申请的描述中，需要说明的是，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例而了解。本申请的目的和其他优点可通过在所写的说明书、以及附图中所特别指出的结构来实现和获得。
为了提高信小区的节能调节的效率，本申请的实施例提供了一种通信小区的效能识别方法，请参看图1，图1为本申请实施例提供的一种通信小区的效能识别方法的流程图，所述通信小区的效能识别方法包括以下分步骤：
步骤S2：基于各个通信小区的各项业务指标的归一化历史数据按照不同时段分别进行聚类分析，得到各个时段的聚类结果，每个时段的聚类结果包括该时段对应的各个聚类分类。
可以理解的是，归一化历史数据是对历史数据进行经过归一化处理得到的数据，通信小区的历史数据包括小区基础信息、业务层数据、网络层数据以及用户感知数据。其中，小区基础信息包括小区宏站或者室分基站、小区标识、历史数据统计时间段、小区频段、小区经纬度信息等数据。网络层数据包括空口上行业务流量、上行PRB(Physical ResourceBlock,物理资源块)平均利用率、上行PRB利用率最大值、下行PRB平均利用率以及下行PRB利用率最大值等数据。业务层数据包括空口上行业务流量、空口下行业务流量、RRC(RadioResource Control，无线资源控制)连接最大数、RRC连接平均数等数据。用户感知数据包括RRC连接建立成功率、E-RAB(Evolved Radio Access Bearer，演进的无线接入承载)建立成功率。
可以理解的是，对各个基站的各项业务指标的归一化历史数据分时段进行聚类分析，聚类分析得到在不同时段时不同种类的通信小区。举例来说，获取指定地区8000个(通信小区数目可以根据实际情况选取)通信小区在近一个月(历史数据的统计时段可以任意选取)的历史数据，对这些历史数据分凌晨时段(0-6时)、白天时段(6-18时)、夜晚时段(18-24时)这三个时段进行聚类分析，假设得到凌晨时段的5种聚类分类、白天时段的3种聚类类型以及夜晚时段的2种聚类类型。
可以理解的是，时段的划分可以根据指定地区所在的当地实际情况进行划分，这里只作为一种举例，并不唯一。聚类得到的各时段的聚类结果和各个通信小区的归一化历史数据相关，随着归一化历史数据的变化得到的聚类结果也会发生变化，这里得到的聚类结果只作为一种举例，并不唯一。
其中，凌晨时段的5种聚类类型可以表示为凌晨聚类-5、凌晨聚类-4、凌晨聚类-3、凌晨聚类-2、凌晨聚类-1这五种类型。白天时段的3中聚类类型可以表示为白天聚类-3、白天聚类-2、白天聚类-1这三种类型。夜晚时段的2种聚类类型可以表示为夜晚聚类-2、夜晚聚类-1这两种类型。
可以理解的是，可以用聚类得到的轮廓系数评估聚类分析的质量，轮廓系数的取值区间为[-1,1]，其中，-1代表聚类分类效果差，1代表聚类分类效果好，0代表聚类分类发生重叠，聚类分类效果较差，轮廓系数越接近1代表聚类分类的效果越好。
请参看图2，图2为本申请实施例提供的一种历史数据预处理步骤的流程图。可选地，在步骤S2之前，所述通信小区的效能识别方法还包括步骤S1，步骤S1包括以下分步骤：
步骤S11：对各项业务指标的历史数据进行归一化处理得到各项业务指标的归一化历史数据。
可以理解的是，对历史数据进行归一化处理能够避免不同量纲的数据以及数值差异大的数据对聚类分析的不良影响，用xi表示历史数据中第i项业务指标的历史数据值，xmin表示第i项业务指标的历史数据值在统计时间段内的最小值，xmax表示第i项业务指标的历史数据值在统计时间段内指定时刻的最大值，因此对各项业务指标的数据进行归一化的公式可以表示为
Figure BDA0002879967050000101
x′表示第i项业务指标的历史数据值在指定时刻的归一化值。
步骤S12：对归一化历史数据进行数据清洗，得到清洗后的各项业务指标的归一化历史数据。
可以理解的是，对归一化历史数据进行数据清洗包括对历史数据进行完整性检查、删除归一化数据中存在的错误值以及无效值，并采用分类回归树对归一化历史数据中的空值进行插补。通过对归一化历史数据进行数据清洗，能够提高归一化历史数据的完整性以及有效性。
请参看图3，图3为本申请实施例提供的一种聚类分析步骤的流程图。可选地，步骤S2包括以下分步骤：
步骤S21：基于清洗后的各项业务指标的归一化历史数据按照各个时段分别进行预聚类分析，得到各个时段分别对应的各个粗略预估聚类分类。
步骤S22：基于各个时段分别对应的各个粗略预估聚类分类进行聚类分析，得到各个时段分别对应的各个聚类分类。
由步骤S21以及步骤S22可知，采用两步聚类算法对清洗后的各项业务指标的归一化历史数据按照各个时段分别进行预聚类分析。在步骤S21中的预聚类阶段采用BIRCH(Balanced Iterative Reducing and Clustering using Hierarchies，基于层次结构的平衡迭代聚类)算法中CF(Clustering Feature，聚类特征)树生长的方法逐个读取各个通信小区的归一化历史数据，在生成CF树的同时预先聚集密集区域中的归一化历史数据对应的数据点，形成各个子簇也就是得到在各个时段下粗略预估聚类分类。以各个时段下的粗略预估聚类分类为对象，在得到CF树之后采用对数似然距离度量方法，根据最小原则将各个粗略预估聚类分类进行合并得到各个时段分别对应的各个聚类分类。
可以理解的是，两步聚类算法能够通过预聚类以及聚类两个阶段确定最佳簇数，并且在针对各个通信小区的归一化历史数据聚类处理的过程中，如果通信小区的归一化历史数据中存在离群点就对离群点进行处理，如果通信小区的归一化历史数据中不存在离群点时则不需要处理。两步聚类算法将各个通信小区的归一化数据对应的点分派到不同簇的过程就比较简单，能够提高聚类分析的运算效率。
步骤S3：针对每个时段，将所述时段下各个通信小区的各项业务指标的归一化历史数据的分布特性与所述时段对应的各个聚类分类中的归一化历史数据的分布特性进行匹配，以得到各个通信小区对应的聚类组合，聚类组合用于表示各个通信小区与各个时段对应的各个聚类分类的对应关系。
可以理解的是，分析每一个通信小区在不同时段各项业务指标的归一化历史数据的分布特性，并对照在对应时段下聚类分类中的各项业务指标的归一化历史数据的分布特性，将每个通信小区划分到各个时段的聚类分类下就得到每个小区在不同时段下聚类分类的一个组合，也就是将每个通信小区与聚类组合相对应。以步骤S2中的聚类结果为例，当A通信小区的归一化历史数据在凌晨时段的分布特性与聚类分类凌晨聚类-4的归一化历史数据的分布特性匹配、A通信小区的归一化历史数据在白天时段的分布特性与聚类分类白天聚类-3的归一化历史数据的分布特性匹配以及A通信小区的归一化历史数据在夜晚时段的分布特性与聚类分类夜晚聚类-2的归一化历史数据的分布特性匹配时，则该A通信小区与聚类组合凌晨聚类-4&白天聚类-3&夜晚聚类-2相对应。分析每一个通信小区的历史数据的分布特征就可以将各个通信小区与不同的聚类组合对应起来。
步骤S4：根据对应关系以及各个通信小区的各项指定业务指标的归一化历史数据，计算各个时段对应的各个聚类分类的通信小区的各项指定业务指标的权重值，指定业务指标为用于表征通信小区的繁忙程度的指标。
可选地，步骤S4包括以下分步骤：
步骤S41：根据对应关系以及各个通信小区的各项指定业务指标的归一化历史数据，计算各个时段对应的各个聚类分类的通信小区的各项指定业务指标的信息熵。
可以理解的是，可以通过公式
Figure BDA0002879967050000121
计算得到第i个时段下对应的各个聚类分类的通信小区的各项指定业务指标的信息熵，其中Ej,i表示在第i个时段下指定聚类分类的通信小区的第j项指定业务指标的信息熵，pkj,i表示在第i个时段的第k个聚类分类下的通信小区的第j项指定业务指标的归一化历史数据的比重值，其中/>
Figure BDA0002879967050000122
其中x′kj,i表示在第i个时段的第k个聚类分类下的通信小区的第j项指定业务指标的归一化历史数据，x′kj,i的计算与步骤S11同理，不再赘述。
可以理解的是，指定业务指标可以为各项业务指标中用于表示通信小区繁忙程度的指标，以步骤S2中列举的各项业务指标为例，指定业务指标可以包括RRC连接平均数、空口下行业务流量以及下行PRB平均利用率这三项指标。可以根据实际情况选用各项业务指标中的指标作为指定业务指标。
步骤S42：基于各个时段对应的各个聚类分类的通信小区的各项指定业务指标的信息熵，通过第一计算公式计算各个时段对应的各个聚类分类的通信小区的各项指定业务指标的权重值。
步骤S43：第一计算公式包括：
Figure BDA0002879967050000123
其中，Ej,i表示在第i个时段第j项业务指标的信息熵，ωj,i表示在第i个时段第j项业务指标的权重值。
可以理解的是，以步骤S2中的聚类分类凌晨聚类-4、白天聚类-3以及夜晚聚类-2为例，计算凌晨时段对应的聚类分类凌晨聚类-4下的各个通信小区的指定业务指标(例如步骤S41中的RRC连接平均数、空口下行业务流量以及下行PRB平均利用率)的权重，可以得到凌晨时段下RRC连接平均数的权重、空口下行业务流量的权重以及下行PRB平均利用率的权重。同理，可以计算得到白天时段下RRC连接平均数的权重、空口下行业务流量的权重以及下行PRB平均利用率的权重，可以计算得到夜晚时段下RRC连接平均数的权重、空口下行业务流量的权重以及下行PRB平均利用率的权重。
步骤S5：基于各个通信小区的各项指定业务指标的归一化历史数据，计算各个通信小区在各个时段对应的各个聚类分类的各项指定业务的指标数据平均值。
作为一种实施方式，计算各个通信小区在各个时段对应的各个聚类分类的各项指定业务的指标数据平均值可以用在每个时段中的单位时间的指定业务的指标数据平均值来计算，例如，以步骤S41中的指定业务指标空口下行业务流量为例，得到在凌晨时段的指标数据平均值可以通过在0-6时的空口下行业务流量数据总和除以6小时就得到每小时指标数据平均值。单位时间可以根据实际情况进行选择。也可以通过在指定聚类分类(例如凌晨聚类-4)下的所有通信小区在0-6时的空口下行业务流量总和除以6计算得到指标数据平均值中的口下行业务流量数据平均值。RRC连接平均数、以及下行PRB平均利用率的平均值的计算和上述空口下行业务流量数据平均值的计算类似，不再赘述。
步骤S6：基于各个时段对应的各个聚类分类的通信小区的所述各项指定业务指标的权重值，以及各项指定业务的指标数据平均值，计算得到每种聚类组合下的通信小区在各个时段的效能值。
可选地，步骤S6包括以下分步骤：
步骤S61：基于各个时段对应的各个聚类分类的通信小区的各项指定业务指标的权重值，以及各项指定业务的指标数据平均值，通过第二计算公式计算得到每种聚类组合下的通信小区在各个时段的综合业务值，作为效能值。
步骤S62：第二计算公式包括：
Figure BDA0002879967050000131
其中，Zi表示第i个时段的综合业务值，ωj,i表示在第i个时段第j项指定业务指标的权重值，εj,i表示在第i个时段时第j项指定业务指标的指标数据平均值。
可以理解的实施，以步骤S41中的RRC连接平均数、空口下行业务流量以及下行PRB平均利用率这三项指定业务指标为例，在计算凌晨时段的RRC连接平均数、空口下行业务流量以及下行PRB平均利用率这三项指定业务指标的综合业务值时，分别基于步骤S41-43得到的凌晨时段的RRC连接平均数的权重、空口下行业务流量的权重以及下行PRB平均利用率的权重以及凌晨时段时RRC连接平均数的指标数据平均值、空口下行业务流量的指标数据平均值以及下行PRB平均利用率的指标数据平均值，基于第二计算公式得到凌晨时段的综合业务值，同理可以得到白天时段的综合业务值以及夜晚时段的综合业务值。
步骤S7：基于每种聚类组合下的通信小区在各个时段的效能值以及判定阈值得到每种聚类组合在各个时段的效能类型识别结果。
以步骤S3、步骤S41以及步骤S61-62中的相关描述举例，A通信小区对应的凌晨聚类分类凌晨聚类-4的效能值为0.8，判定阈值设为0.5，则凌晨聚类-4的效能识别结果为高；A通信小区对应的白天聚类分类白天聚类-3效能值为0.6，判定阈值设为0.5，则白天聚类-3的效能识别结果为高，A通信小区对应的夜晚聚类分类夜晚聚类-2效能值为0.4，判定阈值设为0.5，则夜晚聚类-2的效能识别结果为低，综合起来聚类组合凌晨聚类-4&白天聚类-3&夜晚聚类-2对应的效能识别结果为“高-高-低”。
步骤S8：基于对应关系以及每种聚类组合在各个时段的效能类型识别结果，得到每个通信小区的效能类型识别结果。
请参看图4，图4为本申请实施例提供的一种效能识别步骤的流程图。可选地，步骤S8包括以下分步骤：
步骤S81：当任一聚类组合下的通信小区在各个时段的效能值均小于判定阈值，确定任一聚类组合下的通信小区为低效能小区，低效能小区为需要进行低效能管理的通信小区。
步骤S82：当任一聚类组合下的通信小区在各个时段的效能值均大于判定阈值，确定任一聚类组合下的通信小区为高效能小区，高效能小区为需要进行高效能资源保证的通信小区。
步骤S83：当任一聚类组合下的通信小区在部分时段的效能值大于或等于判定阈值，以及在部分时段的效能值小于或等于判定阈值，确定任一聚类组合下的通信小区中存在需要进行节能管理的小区。
可以理解的是，以步骤S7中聚类组合凌晨聚类-4&白天聚类-3&夜晚聚类-2对应的效能识别结果为“高-高-低”为例，则聚类组合凌晨聚类-4&白天聚类-3&夜晚聚类-2下的通信小区的效能类型识别结果为存在需要进行节能管理的小区。举例来说，当聚类组合凌晨聚类-4&白天聚类-3&夜晚聚类-1对应的效能识别结果为“高-高-高”，那么聚类组合凌晨聚类-4&白天聚类-3&夜晚聚类-1下的通信小区均为需要进行高效能资源保证的通信小区。同理，当聚类组合凌晨聚类-3&白天聚类-1&夜晚聚类-2对应的效能识别结果为“低-低-低”，那么聚类组合凌晨聚类-3&白天聚类-1&夜晚聚类-2下的通信小区均为需要进行低效能管理的通信小区。通过效能类型识别结果将存在需要进行节能管理的小区筛选出来进行节能管理。
请参看图5，图5为本申请的实施例提供的一种目标通信小区节能调节步骤的流程图。可选地，在步骤S8之后，所述通信小区的效能识别还包括步骤S9，步骤S9包括以下分步骤：
步骤S91：根据每个通信小区的效能类型识别结果，确定需要进行节能的目标通信小区。
可以理解的是，将符合步骤S83的通信小区筛选出来就可以确定需要进行节能的目标通信小区。
步骤S92：基于各个目标通信小区的各项指定业务指标的归一化历史数据，计算每个目标通信小区在各个时段的节能指数，节能指数表示目标通信小区选取节能策略的优先级，节能指数的大小与目标通信小区在选取节能策略时的优先级正相关。
作为一种实施方式，通过公式αi＝1-x′d,i计算得到在第i个时段下指定业务指标xd,i的节能指数αi，其中x′d,i＝xd,i-xd,i,min/xd,i,max-xd,i,min,其中，xd,i,min表示在第i个时段下指定业务指标xd,i的最小值，xd,i,max表示在第i个时段下指定业务指标xd,i的最大值。
步骤S93：基于各个目标通信小区的节能指数、场景属性以及场景属性对应的节能策略对各个目标通信小区进行节能调节。
可以理解的是，基于节能指数确定各个目标通信小区选取节能策略的优先级，基于各个目标通信小区选取节能策略的优先级确定各个通信小区选取节能策略的先后顺序，根据实践经验确定目标通信小区对应的场景属性，根据该场景属性对应的节能策略进行目标通信小区的节能调节。例如在实际生产生活中，场景属性包括旗舰营业厅及办公楼、交通枢纽、商业购物区以及工业园区等不同的场景属性。在不同的场景属性之下，根据实践经验设定不同的节能调节策略，例如在商业购物区由于潮汐效应明显，在夜晚时段用户较少可以采用载波节能策略，在凌晨时段由于无用户可以采用小区关断或者深度休眠的节能策略。这里列举的节能策略只是根据实践经验得出的一种节能策略的实施例，根据不同的场景属性可以有不同的节能策略，并不唯一。常见的节能策略包括符号关断、通道关断、载波关断、小区关断或者深度休眠。不同的场景属性中可以从上述节能策略中进行选择以对各个场景属性下的通信小区进行节能调节。
可以理解的是，为了避免机关单位的出现通信异常，根据实际情况对机关单位设置白名单，对白名单上的各个通信小区不进行节能调节。
请参看图6，图6为本申请的实施例提供的一种目标通信小区节能调节步骤的流程图。可选地，步骤S92包括以下分步骤：
步骤S921：在第一目标通信小区基于第一目标通信小区的节能指数、场景属性以及场景属性对应的节能策略选择节能策略，且选择的节能策略中包括载波关断策略或者深度休眠策略时，基于泰森多边形算法以及Sibson插值算法计算第一目标通信小区的各个扇区流量预测值；其中，第一目标通信小区为各个目标通信小区中的任一通信小区。
可以理解的是，Sibson插值算法(也称自然邻域法插值)是一种基于自然邻域的插值算法，核心思想是对平面上任意指定点，利用该任意指定点的自然邻域处已知数据值的加权平均值计算待求点处的数据值。在对某个网格流量预测计算过程中，可以先在基站通信小区的基站点集中找到该基站点集的自然邻域，得到的这些自然邻域处的流量负载可以视为己知值，然后根据Sibson插值公式计算出目标网格的流量负载。
作为一种实施方式，基于泰森多边形算法以及Sibson插值算法计算第一目标通信小区的各个扇区流量预测值包括：基于各个通信小区中的基站构建泰森多边形，将构建得到的泰森多边形(Voronoi多边形，也称为冯洛诺伊多边形、Voronoi图)划分为指定数目个的大小相同的网格，计算处每个网格中的流量预测值，采用自然领域法进行二阶泰森多边形分割得到多个多边形，基于所述多个多边形进行Sibson插值计算得到第一目标通信小区的各个扇区流量预测值。
步骤S922：基于各个扇区流量预测值以及预设判定条件确定第一目标通信小区的节能策略，以对第一目标通信小区进行节能调节。
请参看图7，图7为本申请实施例提供的一种基于流量预测进行节能调节步骤的流程图。
可选地，步骤S922包括以下分步骤：
步骤S9221：判断第一目标通信小区的节能策略中是否包括载波关断策略或者深度休眠策略。
当第一目标通信小区的节能策略中包括载波关断策略或者深度休眠策略时，进入步骤S9222：计算第一目标通信小区的各个扇区流量预测值。
步骤S9223：判断第一目标通信小区是否4/5G共站址。
作为一种实施方式，当第一目标通信小区不是4/5G共站址时，进入步骤S9224。当第一目标通信小区是4/5G共站址时，进入步骤S9225,4/5G共站址表示同一个通信小区中同时包括4G基站以及5G基站。
步骤S9224：判断第一目标通信小区是否满足第一判决条件。
作为一种实施方式，步骤S9224包括以下子步骤：
可以理解的是，第一目标通信小区满足第一判决条件时，表示第一目标通信小区存在5G覆盖层小区和5G容量层小区。第一目标通信小区不满足第一判决条件时，表示第一目标通信小区只存在5G覆盖层小区。
步骤S9224A：当第一目标通信小区满足第一判决条件时，对5G容量层小区进行节能调节，5G容量层小区中的5G容量层单载波小区采用深度休眠的节能策略，对5G容量层小区中的5G容量层多载波小区采用载波关断的节能策略。
步骤S9224B：当第一目标通信小区不满足第一判决条件时，则对5G覆盖层小区进行节能调节，对5G覆盖层小区进行节能调节，5G覆盖层小区的5G覆盖层单载波小区采用深度休眠的节能策略，对5G覆盖层小区中的5G覆盖层多载波小区采用载波关断的节能策略。
在步骤S9224A之后进入步骤S9224C：在对5G容量层小区中的5G容量层多载波小区采用载波关断的节能策略第一预定时间后，判断第一目标通信小区是否满足第三判决条件。
可以理解的是，第一预定时间可以根据实际情况进行设定。第三判决条件具体为采用预设时间颗粒提取第一目标通信小区的小区PRB利用率，第一目标通信小区满足第三判决条件表示第一目标通信小区的PRB利用率小于40％，第一目标通信小区不满足第三判决条件表示第一目标通信小区的PRB利用率大于等于40％。
步骤S9224D：当第一目标通信小区满足第三判决条件时，第一目标通信小区采取深度休眠的节能策略。
步骤S9224E：当第一目标通信小区不满足第三判决条件时，第一目标通信小区结束载波关断的节能策略。
在步骤S9224B之后进入步骤S9224F：在对5G覆盖层小区中的5G覆盖层多载波小区采用载波关断的节能策略第一预定时间后，判断第一目标通信小区是否满足第三判决条件。
在步骤S9224F之后进入步骤S9224G：当第一目标通信小区满足第三判决条件时，第一目标通信小区采取深度休眠的节能策略。
步骤S9224H：当第一目标通信小区不满足第三判决条件时，第一目标通信小区结束载波关断的节能策略。
当第一目标通信小区是4/5G共站址时，进入步骤S9225：判断第一目标通信小区是否满足第一判决条件。
作为一种实施方式，步骤S9225包括以下分步骤：
步骤S9225A：判断第一目标通信小区是否满足第一判决条件。
步骤S9225B：当第一目标通信小区满足第一判决条件时，对5G容量层小区进行节能调节，5G容量层小区中的5G容量层单载波小区采用深度休眠的节能策略，对5G容量层小区中的5G容量层多载波小区采用载波关断的节能策略。
步骤S9225C：当第一目标通信小区不满足第一判决条件时，对5G覆盖层小区进行节能调节，判断5G覆盖层小区中的5G覆盖层单载波小区是否满足第二判决条件。
步骤S9225D：当5G覆盖层小区中的5G覆盖层单载波小区满足第二判决条件，表示与指定5G扇区同覆盖下的4G扇区的频带资源在满足原有4G流量负载需求的前提下，能满足新增频带资源的需求，第一目标通信小区中的5G覆盖层单载波小区采用深度休眠策略，第一目标通信小区中的5G覆盖层5G覆盖层多载波小区采用载波关断的节能策略。
步骤S9225E：在第一目标通信小区采用深度休眠策略达到第二预定时间后，判断第一目标通信小区是否满足第二判决条件。
步骤S9225F：当第一目标通信小区满足第二判决条件，第一目标通信小区采用深度休眠的节能策略。
步骤S9225G：当第一目标通信小区不满足第二判决条件，判断第一目标通信小区是否满足第三判决条件。
步骤S9225H：当第一目标通信小区满足第三判决条件，第一目标通信小区采用载波关断的节能策略。
步骤S9225I：当第一目标通信小区不满足第三判决条件，第一目标通信小区结束载波关断的节能策略。
可以理解的是，在第一判决条件中，假设有A、B两个通信小区，采集邻区对A-B和B-A的MR(Measure Report,测量报告)，A-B中在前的A通信小区是主服务小区，在后的B通信小区是邻小区，在邻区对A-B的1个采样点中，若邻小区的B通信小区的电平高于-105dBm，或邻小区的B通信小区的电平小于-105dBm且邻小区的B通信小区的电平比主服务小区A通信小区的电平大-3dB以上，则该采样点是好点。统计邻区对A-B内好点的数量，将邻区对A-B内好点的数量与邻区对A-B内总采样点的数量的比例，记为好点比例。
若邻区对A-B的好点比例高于80％，而邻区对B-A的好点比例低于80％，则认为B通信小区是A通信小区的容量层。若邻区对B-A以及邻区对A-B的好点比例均高于80％，则A通信小区、B通信小区中好点比例高的通信小区可减容。若邻区对B-A以及邻区对A-B的好点比例均低于80％，则A通信小区、B通信小区均不可减容。若邻区B-A对的好点比例高于80％，而邻区对A-B的好点比例低于80％，则认为A通信小区是B通信小区的容量层。
可以理解的是，在第二判决条件中第一目标通信小区的扇区i的用户平均传输速率为Ci＝Wlog(1+S/N)，其中，S/N＝(pi+gi)/(∑gm+σ0),S/N表示扇区i中的信噪比，gi为扇区i下的用户接收信号的平均路径损耗，可以通过信道模型得到。W表示扇区i中的信道带宽，pi表示扇区i中信号传输功率，σ0表示高斯白噪声。通过公式SINR＝10lg(S/N)，其中S/N是下行通信链路上的信噪比，可以通过MR提取的RSRQ(ReferenceSignalReceivingQuality,参考信号接收质量)通过换算得到，具体换算过程可以参照国际通信行业标准化组织规定的5G通信标准中的相关内容。假设由泰森多边形算法以及Sibson插值算法计算得到在时间段T内的扇区i的流量预测值为Li,则在该时间段T内的扇区i所需要的频带资源为Wi5G＝(Li)/(Tlog(1+10∧(SINRi/10))),若此时与该5G扇区i5G同覆盖下的4G扇区i4G的频带资源Wi4G在满足原有4G流量负载需求的前提下，仍可满足新增频带资源Wi5G的需求且5G接入用户较少或无接入用户，此时5G扇区i5G可以采用深度休眠的节能策略。
请参看图8，图8为本申请实施例提供的一种通信小区的效能识别装置示意图。通信小区的效能识别装置90包括：
聚类模块901，用于基于各个通信小区的各项业务指标的归一化历史数据按照不同时段分别进行聚类分析，得到各个时段的聚类结果，每个时段的聚类结果包括该时段对应的各个聚类分类。
匹配模块902，用于针对每个时段，将所述时段下各个通信小区的各项业务指标的归一化历史数据的分布特性与时段对应的各个聚类分类中的归一化历史数据的分布特性进行匹配，以得到各个通信小区对应的聚类组合，聚类组合用于表示各个通信小区与各个时段对应的各个聚类分类的对应关系。
权重计算模块903，用于根据对应关系以及各个通信小区的各项指定业务指标的归一化历史数据，计算各个时段对应的各个聚类分类的通信小区的各项指定业务指标的权重值，指定业务指标为用于表征通信小区的繁忙程度的指标。
平均值计算模块904，用于基于各个通信小区的各项指定业务指标的归一化历史数据，计算各个通信小区在各个时段对应的各个聚类分类的各项指定业务的指标数据平均值。
效能值计算模块905，用于基于各个时段对应的各个聚类分类的通信小区的各项指定业务指标的权重值，以及各项指定业务的指标数据平均值，计算得到每种聚类组合下的通信小区在各个时段的效能值。
第一识别模块906，用于基于每种聚类组合下的通信小区在各个时段的效能值以及判定阈值得到每种聚类组合在各个时段的效能类型识别结果。
第二识别模块907，用于基于所述对应关系以及每种聚类组合在各个时段的效能类型识别结果，得到每个通信小区的效能类型识别结果。
可选地，通信小区的效能识别装置90还包括节能调节模块908，节能调节模块908用于：根据每个通信小区的效能类型识别结果，确定需要进行节能的目标通信小区；基于各个目标通信小区的各项指定业务指标的归一化历史数据，计算每个目标通信小区在各个时段的节能指数，节能指数表示目标通信小区选取节能策略的优先级，节能指数的大小与目标通信小区在选取节能策略时的优先级正相关；基于各个目标通信小区的节能指数、场景属性以及场景属性对应的节能策略对各个目标通信小区进行节能调节。
在上述实现过程中，通过计算目标通信小区的节能指数确定目标通信小区选取节能策略的优先级，通过节能指数确定各个目标小区选取节能策略的优先级，优先级高的目标小区优先选取节能策略，提高对目标通信小区进行通信调节的精细度；基于所述通信小区的扇区流量预测值对所述通信小区进行节能调节能够根据目标通信小区的实时流量预测值调整对所述目标通信小区进行节能调节，提高对目标通信小区进行通信调节的精细度。
可选地，通信小区的效能识别装置90还包括预处理模块909，预处理模块909用于：对各项业务指标的历史数据进行归一化处理得到各项业务指标的归一化历史数据；对归一化历史数据进行数据清洗，得到清洗后的各项业务指标的归一化历史数据。
在上述实现过程中，对所述各项业务指标的历史数据进行归一化能够将不同量纲的数据处理为不带量纲的数据，避免不同量纲数据导致的聚类结果失准的问题，提高聚类分析的有效性；对归一化历史数据进行数据清洗能够去除归一化历史数据中的无效值，提高基于清洗后的所述各项业务指标的归一化历史数据进行聚类分析的有效性。
可选地，聚类模块901用于：基于清洗后的各项业务指标的归一化历史数据按照各个时段分别进行预聚类分析，得到各个时段分别对应的各个粗略预估聚类分类；基于各个时段分别对应的各个粗略预估聚类分类进行聚类分析，得到各个时段分别对应的各个聚类分类。
在上述实现过程中，通过对所述清洗后的所述各项业务指标的归一化历史数据按照所述各个时段预聚类分析以及通过对预聚类得到的粗略预估聚类分类进行聚类分析的两步聚类方法得到各个时段分别对应的各个聚类分类，提高聚类的运算速率。
可选地，权重计算模块903用于：根据所述对应关系以及各个通信小区的各项指定业务指标的归一化历史数据，计算各个时段对应的各个聚类分类的通信小区的各项指定业务指标的信息熵；基于各个时段对应的各个聚类分类的通信小区的各项指定业务指标的信息熵，通过第一计算公式计算计算各个时段对应的各个聚类分类的通信小区的各项指定业务指标的权重值；第一计算公式包括：
Figure BDA0002879967050000221
其中，Ej,i表示在第i个时段第j项业务指标的信息熵，ωj,i表示在第i个时段第j项业务指标的权重值。
在上述实现过程中，不同指定业务指标对于效能值的影响程度不同，得到所述各个时段对应的各个聚类分类的通信小区的所述各项指定业务指标的权重值，并基于所述各个时段对应的各个聚类分类的通信小区的所述各项指定业务指标的权重值计算每种聚类组合下的通信小区在所述各个时段的效能值，提高每种聚类组合下的通信小区在所述各个时段的效能值的准确度。
可选地，效能值计算模块905用于：基于各个时段对应的各个聚类分类的通信小区的各项指定业务指标的权重值，以及各项指定业务的指标数据平均值，通过第二计算公式计算得到每种聚类组合下的通信小区在各个时段的综合业务值，作为效能值；第二计算公式包括：
Figure BDA0002879967050000231
其中，Zi表示第i个时段的所述综合业务值，ωj,i表示在第i个时段时第j项指定业务指标的权重值，εj,i表示在第i个时段时第j项指定业务指标的指标数据平均值。
在上述实现过程中，每种聚类组合下的通信小区在所述各个时段的效能值考虑到不同指定业务指标的不同的影响程度以及各个指定业务指标在各个时段的指标数据平均值，提高每种聚类组合下的通信小区在所述各个时段的效能值的准确性。
可选地，第二识别模块907用于：当任一聚类组合下的通信小区在各个时段的效能值均小于判定阈值，确定任一聚类组合下的通信小区为低效能小区，低效能小区为需要进行低效能管理的通信小区；当任一聚类组合下的通信小区在各个时段的效能值均大于判定阈值，确定任一聚类组合下的通信小区为高效能小区，高效能小区为需要进行高效能资源保证的通信小区；当任一聚类组合下的通信小区在部分时段的效能值大于或等于判定阈值，以及在部分时段的效能值小于或等于判定阈值，确定任一聚类组合下的通信小区中存在需要进行节能管理的小区。
在上述实现过程中，通过判定各个聚类组合下的通信小区的效能识别结果确定每个通信小区的效能识别结果，避免一一判定每个通信小区的效能识别结果，提高通信小区效能识别结果判定的效率。
可选地，节能调节模块908用于：在第一目标通信小区基于第一目标通信小区的节能指数、场景属性以及场景属性对应的节能策略选择节能策略，且选择的节能策略中包括载波关断策略或者深度休眠策略时，基于泰森多边形算法以及Sibson插值算法计算第一目标通信小区的各个扇区流量预测值；其中，第一目标通信小区为各个目标通信小区中的任一通信小区；基于各个扇区流量预测值以及预设判定条件确定第一目标通信小区的节能策略，以对第一目标通信小区进行节能调节。
在上述实现过程中，在所述选择的节能策略中包括载波关断策略或者深度休眠策略时，基于所述第一目标通信小区的各个扇区流量预测值以及预设判定条件对所述第一目标通信小区进行节能调节，考虑所述第一目标通信小区的不同扇区在流量实时变化的情况下对节能调节的影响，提高对通信小区进行节能调节的精细度。
本实施例还提供了一种存储介质，所述存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器运行时，执行上述任意方法中的步骤。
本实施例还提供了一种电子设备，所述电子设备包括存储器和处理器，所述存储器中存储有程序指令，所述处理器运行所述程序指令时，执行上述任意方法中的步骤。
综上所述，本申请的实施例提供了一种通信小区的效能识别方法、装置及电子设备，通过对各个通信小区的归一化历史数据进行聚类分析得到的各个时段的聚类结果，将各个通信小区与聚类结果相匹配，得到将通信小区与各个时段的聚类结果组成的聚类组合的对应关系，得到各个聚类组合下的通信小区的效能类型识别结果即得到每个通信小区的效能类型识别结果，避免对每个通信小区进行效能类型识别，提高了基于效能类型识别进行通信小区节能调节的效率。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的框图显示了根据本申请的多个实施例的设备的可能实现的体系架构、功能和操作。在这点上，框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图中的每个方框、以及框图的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。因此本实施例还提供了一种可读取存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行区块数据存储方法中任一项所述方法中的步骤。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种通信小区的效能识别方法，其特征在于，所述方法包括：
基于各个通信小区的各项业务指标的归一化历史数据按照不同时段分别进行聚类分析，得到各个时段的聚类结果，每个时段的聚类结果包括该时段对应的各个聚类分类；
针对每个时段，将所述时段下所述各个通信小区的所述各项业务指标的归一化历史数据的分布特性与所述时段对应的各个聚类分类中的归一化历史数据的分布特性进行匹配，以得到所述各个通信小区对应的聚类组合，所述聚类组合用于表示所述各个通信小区与所述各个时段对应的各个聚类分类的对应关系；
根据所述对应关系以及所述各个通信小区的各项指定业务指标的归一化历史数据，计算所述各个时段对应的各个聚类分类的通信小区的所述各项指定业务指标的权重值，所述指定业务指标为用于表征所述通信小区的繁忙程度的指标；
基于所述各个通信小区的所述各项指定业务指标的归一化历史数据，计算所述各个通信小区在所述各个时段对应的各个聚类分类的所述各项指定业务的指标数据平均值；
基于所述各个时段对应的各个聚类分类的通信小区的所述各项指定业务指标的权重值，以及所述各项指定业务的指标数据平均值，计算得到每种聚类组合下的通信小区在所述各个时段的效能值；
基于所述每种聚类组合下的通信小区在所述各个时段的效能值以及判定阈值得到所述每种聚类组合在所述各个时段的效能类型识别结果；
基于所述对应关系以及所述每种聚类组合在所述各个时段的效能类型识别结果，得到每个通信小区的效能类型识别结果。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据每个通信小区的效能类型识别结果，确定需要进行节能的目标通信小区；
基于各个目标通信小区的所述各项指定业务指标的归一化历史数据，计算每个目标通信小区在所述各个时段的节能指数，所述节能指数表示目标通信小区选取节能策略的优先级，所述节能指数的大小与目标通信小区在选取节能策略时的优先级正相关；
基于所述各个目标通信小区的节能指数、场景属性以及所述场景属性对应的节能策略对所述各个目标通信小区进行节能调节。
3.根据权利要求1所述的方法，其特征在于，在所述基于各个通信小区的各项业务指标的归一化历史数据按照不同时段分别进行聚类分析之前，所述方法还包括：
对所述各项业务指标的历史数据进行归一化处理得到所述各项业务指标的归一化历史数据；
对所述归一化历史数据进行数据清洗，得到清洗后的所述各项业务指标的归一化历史数据。
4.根据权利要求3所述的方法，其特征在于，所述基于各个通信小区的各项业务指标的归一化历史数据按照不同时段分别进行聚类分析，得到各个时段的聚类结果，每个时段的聚类结果包括该时段对应的各个聚类分类，包括：
基于所述清洗后的所述各项业务指标的归一化历史数据按照所述各个时段分别进行预聚类分析，得到所述各个时段分别对应的各个粗略预估聚类分类；
基于所述各个时段分别对应的各个粗略预估聚类分类进行聚类分析，得到所述各个时段分别对应的各个聚类分类。
5.根据权利要求1所述的方法，其特征在于，所述根据所述对应关系以及所述各个通信小区的各项指定业务指标的归一化历史数据，计算所述各个时段对应的各个聚类分类的通信小区的所述各项指定业务指标的权重值，包括：
根据所述对应关系以及所述各个通信小区的各项指定业务指标的归一化历史数据，计算所述各个时段对应的各个聚类分类的通信小区的所述各项指定业务指标的信息熵；
基于所述各个时段对应的各个聚类分类的通信小区的所述各项指定业务指标的信息熵，通过第一计算公式计算所述各个时段对应的各个聚类分类的通信小区的所述各项指定业务指标的权重值；
所述第一计算公式包括：
Figure FDA0003974743210000031
其中，Ej,i表示在第i个时段第j项所述业务指标的信息熵，ωj,i表示在第i个时段第j项所述业务指标的权重值。
6.根据权利要求5所述的方法，其特征在于，所述基于所述各个时段对应的各个聚类分类的通信小区的所述各项指定业务指标的权重值，以及所述各项指定业务指标的指标数据平均值，计算得到每种聚类组合下的通信小区在所述各个时段的效能值，包括：
基于所述各个时段对应的各个聚类分类的通信小区的所述各项指定业务指标的权重值，以及所述各项指定业务指标的指标数据平均值，通过第二计算公式计算得到每种聚类组合下的通信小区在所述各个时段的综合业务值，作为效能值；
所述第二计算公式包括：
Figure FDA0003974743210000032
其中，Zi表示第i个时段的所述综合业务值，ωj,i表示在第i个时段时第j项指定业务指标的权重值，εj,i表示在第i个时段时第j项指定业务指标的所述指标数据平均值。
7.根据权利要求1所述的方法，其特征在于，所述基于所述对应关系以及所述每种聚类组合在所述各个时段的效能类型识别结果，得到每个通信小区的效能类型识别结果，包括：
当任一聚类组合下的通信小区在所述各个时段的效能值均小于所述判定阈值，确定所述任一聚类组合下的通信小区为低效能小区，所述低效能小区为需要进行低效能管理的通信小区；
当任一聚类组合下的通信小区在所述各个时段的效能值均大于所述判定阈值，确定所述任一聚类组合下的通信小区为高效能小区，所述高效能小区为需要进行高效能资源保证的通信小区；
当任一聚类组合下的通信小区在部分时段的效能值大于或等于所述判定阈值，以及在部分时段的效能值小于或等于所述判定阈值，确定所述任一聚类组合下的通信小区中存在需要进行节能管理的小区。
8.根据权利要求2所述的方法，其特征在于，所述基于所述各个目标通信小区的节能指数、场景属性以及所述场景属性对应的节能策略对所述各个目标通信小区进行节能调节，包括：
在第一目标通信小区基于第一目标通信小区的节能指数、场景属性以及场景属性对应的节能策略选择节能策略，且所述选择的节能策略中包括载波关断策略或者深度休眠策略时，基于泰森多边形算法以及Sibson插值算法计算所述第一目标通信小区的各个扇区流量预测值；其中，所述第一目标通信小区为所述各个目标通信小区中的任一通信小区；
基于所述各个扇区流量预测值以及预设判定条件确定所述第一目标通信小区的节能策略，以对所述第一目标通信小区进行节能调节。
9.一种通信小区的效能识别装置，其特征在于，所述装置包括：
聚类模块，用于基于各个通信小区的各项业务指标的归一化历史数据按照不同时段分别进行聚类分析，得到各个时段的聚类结果，每个时段的聚类结果包括该时段对应的各个聚类分类；
匹配模块，用于针对每个时段，将所述时段下所述各个通信小区的所述各项业务指标的归一化历史数据的分布特性与所述时段对应的各个聚类分类中的归一化历史数据的分布特性进行匹配，以得到所述各个通信小区对应的聚类组合，所述聚类组合用于表示所述各个通信小区与所述各个时段对应的各个聚类分类的对应关系；
权重计算模块，用于根据所述对应关系以及所述各个通信小区的各项指定业务指标的归一化历史数据，计算所述各个时段对应的各个聚类分类的通信小区的所述各项指定业务指标的权重值，所述指定业务指标为用于表征所述通信小区的繁忙程度的指标；
平均值计算模块，用于基于所述各个通信小区的所述各项指定业务指标的归一化历史数据，计算所述各个通信小区在所述各个时段对应的各个聚类分类的所述各项指定业务的指标数据平均值；
效能值计算模块，用于基于所述各个时段对应的各个聚类分类的通信小区的所述各项指定业务指标的权重值，以及所述各项指定业务的指标数据平均值，计算得到每种聚类组合下的通信小区在所述各个时段的效能值；
第一识别模块，用于基于所述每种聚类组合下的通信小区在所述各个时段的效能值以及判定阈值得到所述每种聚类组合在所述各个时段的效能类型识别结果；
第二识别模块，用于基于所述对应关系以及所述每种聚类组合在所述各个时段的效能类型识别结果，得到每个通信小区的效能类型识别结果。
10.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器中存储有程序指令，所述处理器运行所述程序指令时，执行权利要求1-8中任一项所述方法中的步骤。
CN202011645037.1A 2020-12-31 2020-12-31 通信小区的效能识别方法、装置及电子设备 Active CN112867110B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011645037.1A CN112867110B (zh) 2020-12-31 2020-12-31 通信小区的效能识别方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011645037.1A CN112867110B (zh) 2020-12-31 2020-12-31 通信小区的效能识别方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN112867110A CN112867110A (zh) 2021-05-28
CN112867110B true CN112867110B (zh) 2023-03-31

Family

ID=76000995

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011645037.1A Active CN112867110B (zh) 2020-12-31 2020-12-31 通信小区的效能识别方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN112867110B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2919531A1 (en) * 2014-03-10 2015-09-16 Aspire Technology Limited Method and system for determining where and when in a cellular mobile network power consumption savings can be achieved without impacting quality of service
CN105163326A (zh) * 2015-09-30 2015-12-16 南京华苏科技股份有限公司 一种基于无线网络话务特征的小区聚类方法和系统
CN107567079A (zh) * 2017-08-11 2018-01-09 武汉大学 一种移动互联网数据驱动的基站节能方法
CN109618285A (zh) * 2019-02-27 2019-04-12 广东工业大学 一种基于覆盖树的基站控制方法、装置及设备
CN109934477A (zh) * 2019-03-06 2019-06-25 深圳供电局有限公司 能耗数据的处理方法、装置、计算机设备和存储介质
CN111985526A (zh) * 2020-07-02 2020-11-24 华北理工大学 一种基于相似场景聚类的尾随间隔管理策略生成方法及其系统
WO2020254859A1 (en) * 2019-06-19 2020-12-24 Telefonaktiebolaget Lm Ericsson (Publ) Machine learning for handover

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2919531A1 (en) * 2014-03-10 2015-09-16 Aspire Technology Limited Method and system for determining where and when in a cellular mobile network power consumption savings can be achieved without impacting quality of service
CN105163326A (zh) * 2015-09-30 2015-12-16 南京华苏科技股份有限公司 一种基于无线网络话务特征的小区聚类方法和系统
CN107567079A (zh) * 2017-08-11 2018-01-09 武汉大学 一种移动互联网数据驱动的基站节能方法
CN109618285A (zh) * 2019-02-27 2019-04-12 广东工业大学 一种基于覆盖树的基站控制方法、装置及设备
CN109934477A (zh) * 2019-03-06 2019-06-25 深圳供电局有限公司 能耗数据的处理方法、装置、计算机设备和存储介质
WO2020254859A1 (en) * 2019-06-19 2020-12-24 Telefonaktiebolaget Lm Ericsson (Publ) Machine learning for handover
CN111985526A (zh) * 2020-07-02 2020-11-24 华北理工大学 一种基于相似场景聚类的尾随间隔管理策略生成方法及其系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
分布式文件系统数据块聚类存储节能策略;王政英等;《计算机应用》;20150210(第02期);全文 *

Also Published As

Publication number Publication date
CN112867110A (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
CN109495920B (zh) 一种无线通信网络特征画像方法、设备和计算机程序产品
CN111356148B (zh) 一种实现网络优化的方法及相关设备
WO2021209024A1 (zh) 节能方法、基站、控制单元及存储介质
CN104809658B (zh) 一种低压配网台区线损的快速分析方法
CN110505650B (zh) 随机异构分层网容量智能评估方法及装置
CN110996377B (zh) 一种基站节能方法、系统、装置和存储介质
CN108243435B (zh) 一种lte小区场景划分中的参数优化方法及装置
CN111385128B (zh) 突发负荷的预测方法及装置、存储介质、电子装置
JP7486659B2 (ja) 基地局の省エネルギー処理方法及び処理装置
CN103902636A (zh) 基于过滤聚类法推送信息的方法和服务器
CN115878227B (zh) 一种基于人群分类的边缘计算任务卸载方法
CN113133035B (zh) 一种lte高负荷小区甄别方法及系统
CN108989092A (zh) 一种无线网络预测方法、电子设备及存储介质
CN117078048A (zh) 基于数字孪生的智慧城市资源管理方法及系统
Rajesh et al. Achieving QoS in GSM Network by Efficient Anomaly Mitigation and Data Prediction Model
CN112867110B (zh) 通信小区的效能识别方法、装置及电子设备
WO2020215282A1 (en) Method and apparatus for evaluate data traffic depressed by radio issues
CN111985526B (zh) 一种基于相似场景聚类的尾随间隔管理策略生成方法及其系统
CN109685101B (zh) 一种多维数据自适应采集方法及系统
CN104519511A (zh) 一种检测通信网络小区场景突变的方法和装置
CN109447490A (zh) 一种基于用户地址的户变关系异常判别方法
CN114079997B (zh) 一种基于wsn改进路由协议的高性能通信方法
Zhang et al. Discussion about the weather impact on the daily outages in urban distribution system
CN115833116B (zh) 一种基于多目标优化的配电网重构优化方法
CN117915372B (zh) 一种基于多维数据分析的通信运营管理系统及方法

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
GR01 Patent grant
GR01 Patent grant