CN113329430A - 网络优化方法和装置 - Google Patents
网络优化方法和装置 Download PDFInfo
- Publication number
- CN113329430A CN113329430A CN202110659464.3A CN202110659464A CN113329430A CN 113329430 A CN113329430 A CN 113329430A CN 202110659464 A CN202110659464 A CN 202110659464A CN 113329430 A CN113329430 A CN 113329430A
- Authority
- CN
- China
- Prior art keywords
- network
- abnormal state
- cell
- target
- parameters
- 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.)
- Pending
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000002159 abnormal effect Effects 0.000 claims abstract description 195
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 230000002452 interceptive effect Effects 0.000 description 4
- 238000005192 partition Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 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
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请实施例提供了一种网络优化方法和装置,在对网络小区进行网络优化时,采集网络小区对应的多个网络参数;根据多个网络参数,以及各网络参数在各网络异常状态下对应的权重值,确定网络小区对应的目标网络异常状态;根据目标网络异常状态,对网络小区进行网络优化。这样通过网络小区对应的多个网络参数以及各网络参数在各异常状态下对应的权重值,确定网络小区对应的目标网络异常状态,提高了确定出的目标网络异常状态的准确度,这样在根据准确度较高的目标网络异常状态对网络小区进行网络优化,提高了网络优化的准确度。
Description
技术领域
本申请涉及通信技术领域,尤其涉及一种网络优化方法和装置。
背景技术
第五代移动通信(5G)网络优化是目前技术人员首要的优化目标。5G网络基站主要是由基带单元(Building Base band Unite,简称BBU)、射频单元(Active Antenna Unit,简称AAU)组成。其中,5G网络AAU支持波束调整以及网络小区电子方位角和电子机械角的调整,因此,可以通过调整网络小区的波束以及网络小区电子方位角和电子机械角对5G网络小区进行优化,从而为用户提供更优质的服务。
通常情况下,在对网络小区进行优化时,需要先确定该网络小区对应的异常状态,再基于该异常状态有针对性地对网络小区进行优化。现有技术中,在确定网络小区对应的异常状态时,通常是技术人员依靠人工经验确定该网络小区对应的异常状态,并根据确定出的异常状态,手动调整相应的网络参数,从而实现对该网络小区的优化。
但是,依靠人工经验确定网络小区对应的异常状态,会使得确定的异常状态的准确度较差,从而导致网络优化的准确度较低。
发明内容
本申请实施例提供了一种网络优化方法和装置,在对网络小区进行网络优化时,提高了确定出的异常状态的准确度,从而提高了网络优化的准确度。
第一方面,本申请实施例提供了一种网络优化方法,所述网络优化方法包括:
采集网络小区对应的多个网络参数。
根据所述多个网络参数,以及各网络参数在各网络异常状态下对应的权重值,确定所述网络小区对应的目标网络异常状态。
根据所述目标网络异常状态,对所述网络小区进行网络优化。
在一种可能的实现方式中,所述根据所述多个网络参数,以及各网络参数在各网络异常状态下对应的权重值,确定所述网络小区对应的目标网络异常状态,包括:
针对所述各网络异常状态,确定所述多个网络参数的取值与所述各网络参数在所述网络异常状态下对应的权重值之间的乘积。
根据所述各网络异常状态对应的乘积,确定所述目标网络异常状态。
在一种可能的实现方式中,所述根据所述各网络异常状态对应的乘积,确定所述目标网络异常状态,包括:
根据所述各网络异常状态对应的乘积,确定最大乘积值对应的网络异常状态。
将所述最大乘积值对应的网络异常状态,确定为所述目标网络异常状态。
在一种可能的实现方式中,所述根据所述多个网络参数,以及各网络参数在各网络异常状态下对应的权重值,确定所述网络小区对应的目标网络异常状态之前,还包括:
采集多组样本网络参数集和各组样本网络参数集对应的网络异常状态;其中,各组样本网络参数集中均包括多个样本网络参数。
根据所述各组样本网络参数集中包括的多个样本网络参数,和各组样本网络参数集对应的网络异常状态,训练得到所述各网络参数在所述各网络异常状态下对应的权重值。
在一种可能的实现方式中,所述根据所述目标网络异常状态,对所述网络小区进行网络优化,包括:
若所述目标网络异常状态为所述网络小区所属的网络设备故障,则调整所述与所述网络小区临近的网络小区的电子机械角以及电子方位角,以对所述网络小区进行网络优化。
若所述目标网络异常状态为波束覆盖范围异常,则调整所述网络小区的发射功率,以对所述网络小区进行网络优化。
若所述目标网络异常状态为所述网络小区容量超负荷,则调整所述网络小区的电子机械角、电子方位角以及发射功率,以对所述网络小区进行网络优化。
在一种可能的实现方式中,所述根据所述目标网络异常状态,对所述网络小区进行网络优化之前,还包括:
获取所述网络小区对应的关键性能参数。
对所述关键性能参数进行处理,得到所述关键性能参数对应的目标特征矩阵。
根据所述目标特征矩阵,确定所述网络小区为可优化网络小区。
在一种可能的实现方式中,所述根据所述目标特征矩阵,确定所述网络小区为可优化网络小区,包括:
计算所述目标特征矩阵与多个预设特征矩阵中每一个预设矩阵之间的欧式距离;其中,所述多个预设特征矩阵为多个可优化网络小区对应的特征矩阵。
根据多个所述欧氏距离中的最小值,确定所述网络小区为可优化网络小区。
第二方面,本申请实施例提供了一种网络优化装置,所述网络优化装置包括:
采集单元,用于采集网络小区对应的多个网络参数。
处理单元,用于根据所述多个网络参数,以及各网络参数在各网络异常状态下对应的权重值,确定所述网络小区对应的目标网络异常状态。
优化单元,用于根据所述目标网络异常状态,对所述网络小区进行网络优化。
在一种可能的实现方式中,所述处理单元,具体用于针对所述各网络异常状态,确定所述多个网络参数的取值与所述各网络参数在所述网络异常状态下对应的权重值之间的乘积;根据所述各网络异常状态对应的乘积,确定所述目标网络异常状态。
在一种可能的实现方式中,所述处理单元,具体用于根据所述各网络异常状态对应的乘积,确定最大乘积值对应的网络异常状态;将所述最大乘积值对应的网络异常状态,确定为所述目标网络异常状态。
在一种可能的实现方式中,所述采集单元,还用于采集多组样本网络参数集和各组样本网络参数集对应的网络异常状态;其中,各组样本网络参数集中均包括多个样本网络参数。
所述处理单元,还用于根据所述各组样本网络参数集中包括的多个样本网络参数,和各组样本网络参数集对应的网络异常状态,训练得到所述各网络参数在所述各网络异常状态下对应的权重值。
在一种可能的实现方式中,所述优化单元,具体用于在所述目标网络异常状态为所述网络小区所属的网络设备故障时,调整与所述网络小区临近的网络小区的电子机械角以及电子方位角,以对所述网络小区进行网络优化;在所述目标网络异常状态为波束覆盖范围异常时,调整所述网络小区的发射功率,以对所述网络小区进行网络优化;在所述目标网络异常状态为所述网络小区容量超负荷时,调整所述网络小区的电子机械角、电子方位角以及发射功率,以对所述网络小区进行网络优化。
在一种可能的实现方式中,所述装置还包括确定单元,所述确定单元,用于获取所述网络小区对应的关键性能参数;对所述关键性能参数进行处理,得到所述关键性能参数对应的目标特征矩阵;根据所述目标特征矩阵,确定所述网络小区为可优化网络小区。
在一种可能的实现方式中,所述确定单元,具体用于计算所述目标特征矩阵与多个预设特征矩阵中每一个预设矩阵之间的欧式距离;其中,所述多个预设特征矩阵为多个可优化网络小区对应的特征矩阵;根据多个所述欧氏距离中的最小值,确定所述网络小区为可优化网络小区。
第三方面,本申请实施例还提供了一种网络优化装置,该网络优化装置可以包括存储器和处理器;其中,
所述存储器,用于存储计算机程序。
所述处理器,用于读取所述存储器存储的计算机程序,并根据所述存储器中的计算机程序执行上述第一方面任一种可能的实现方式中所述的网络优化方法。
第四方面,本申请实施例还提供了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,实现上述第一方面任一种可能的实现方式中所述的网络优化方法。
第五方面,本申请实施例还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时,实现上述第一方面任一种可能的实现方式中所述的网络优化方法。
由此可见,本申请实施例提供了一种网络优化方法和装置,在对网络小区进行网络优化时,采集网络小区对应的多个网络参数;根据多个网络参数,以及各网络参数在各网络异常状态下对应的权重值,确定网络小区对应的目标网络异常状态;根据目标网络异常状态,对网络小区进行网络优化。这样通过网络小区对应的多个网络参数以及各网络参数在各异常状态下对应的权重值,确定网络小区对应的目标网络异常状态,提高了确定出的目标网络异常状态的准确度,使得能够根据准确度较高的目标网络异常状态对网络小区进行网络优化,从而提高了网络优化的准确度。
附图说明
图1为本申请实施例提供的一种网络优化方法的应用场景示意图;
图2为本申请实施例提供的一种网络优化方法的流程示意图;
图3为本申请实施例提供的一种确定网络小区为可优化网络小区的方法的流程示意图;
图4为本申请实施例提供的一种网络小区设备故障的优化方法示意图;
图5为本申请实施例提供的一种网络区域划分的框架示意图;
图6为本申请实施例提供的一种网络优化装置的结构示意图;
图7为本申请实施例提供的另一种网络优化装置的结构示意图。
通过上述附图,已示出本公开明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在本申请的实施例中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况,其中A,B可以是单数或者复数。在本申请的文字描述中,字符“/”一般表示前后关联对象是一种“或”的关系。
本申请实施例提供的技术方案可以应用于网络优化的场景中,特别是第五代移动通信(5G)网络优化的场景。5G网络小区的容量可以达到4G网络小区的容量的100倍,其能够满足增强型移动宽带(enhanced mobile broadband,简称eMBB)、低时延高可靠通信(ultra-reliable&low-latency communication,简称URLLC)以及海量机器类通信(massive Machine Type of Communication,简称mMTC)等业务的需求,广泛应用于无人驾驶和物联网等方面。5G网络基站主要是由基带单元(Building Base band Unite,简称BBU)、射频单元(Active Antenna Unit,简称AAU)组成,其中,5G网络AAU支持波束调整以及网络小区电子方位角和电子机械角的调整,因此,可以通过调整网络小区的波束以及网络小区电子方位角和电子机械角对5G网络小区进行优化,从而为用户提供更优质的服务。
通常情况下,在对网络小区进行优化时,需要先确定该网络小区对应的异常状态,再基于该异常状态有针对性地对网络小区进行优化。现有技术中,在确定网络小区对应的异常状态时,通常是技术人员依靠人工经验确定该网络小区对应的异常状态,并根据确定出的异常状态,手动调整相应的网络参数,从而实现对该网络小区的优化。
由于网络小区对应的异常状态有多种,而依靠人工经验确定网络小区对应的异常状态,在一个网络小区可能会同时存在两种异常状态时,可能无法同时确定两种异常状态,此外,在网络小区对应的异常状态不明显时,依靠人工经验可能无法识别该网络小区对应的异常状态,使得确定的异常状态的准确度较差,从而导致网络优化的准确度较低。
为了解决因依靠人工经验确定出的网络小区对应的异常状态的准确度较差,而导致网络优化的准确度较低的问题。由于在网络小区出现异常状态时,网络小区对应的多个网络参数也会发生变化,因此,可以通过对网络小区对应的多个网络参数进行分析处理,能够准确地确定出网络小区对应的异常状态,进而根据网络异常状态进行网络优化,从而提高了网络优化的准确度。
图1为本申请实施例提供的一种网络优化方法的应用场景示意图。根据图1所示可知,云化数据处理中心102获取网络小区101对应的网络参数,并对网络参数进行分析处理,确定网络小区101是否出现网络异常状态,并确定对应的网络异常状态;云化数据处理中心102根据确定的网络异常状态,对网络小区101进行网络优化。
其中,网络小区101对应的网络参数可以包括参考信号接收功率(ReferenceSignal Receiving Power,简称RSRP)、信号与干扰加噪声比(Signal to Interferenceplus Noise Ratio,简称SINR)、切换成功率、下行信道指标(Channel QualityIndication,简称CQI)、网络速率、接入网络的用户数以及网络小区的资源利用率(即PRB利用率),本申请实施例仅以上述参数为例进行说明,并不代表本申请实施例仅局限于此。
根据图1可知,网络异常状态包括网络设备故障、波束覆盖范围异常以及网络小区容量超负荷。其中,波束覆盖范围异常是指该网络小区的波束覆盖范围无法以周围临近小区的波束覆盖范围相接,出现无波束覆盖或者波束重复覆盖的区域;网络小区容量超负荷是指该接入该网络小区提供的网络的终端设备超过该网络小区所能容纳的终端设备的最大值。
下面,将通过具体的实施例对本申请提供的网络优化方法进行详细地说明。可以理解的是,下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图2为本申请实施例提供的一种网络优化方法的流程示意图。该网络优化方法可以由软件和/或硬件装置执行,例如,该硬件装置可以为网络优化装置,该网络优化装置可以为终端或者终端中的处理芯片。示例的,请参见图2所示,该网络优化方法可以包括:
S201、采集网络小区对应的多个网络参数。
示例的,网络小区对应的多个参数是通过网络小区所处的基站的多个参数以及网络小区与终端设备的交互数据获取的,其中,网络小区对应的多个网络参数可以包括参考信号接收功率、信号与干扰加噪声比、切换成功率、下行信道指标、网络速率、接入网络的用户数以及网络小区的资源利用率,还可以包括其他参数,本申请实施例对此不做任何限定。
示例的,在采集网络小区与终端设备的交互数据后,需要对采集的交互数据进行分析处理,从而得到网络小区对应的网络参数。可以根据采集的交互数据建立移动通信的测量报告,通过特定的数据处理模型对测量报告进行分析处理,从而得到网络小区对应的网络参数。例如,通过对测量报告进行分析处理,可以得到网络小区对应的参考信号接收功率和信号与干扰加噪声比。本申请实施例对于根据网络小区与终端设备的交互数据确定网络小区对应的网络参数的具体方法不做任何限定。
在本申请实施例中,为了能够准确地确定出网络小区对应的目标网络异常状态,需要确定各网络参数在各网络异常状态下对应的权重值。可以通过采集多组样本网络参数集和各组样本网络参数集对应的网络异常状态;其中,各组样本网络参数集中均包括多个样本网络参数;根据各组样本网络参数集中包括的多个样本网络参数,和各组样本网络参数集对应的网络异常状态,训练得到各网络参数在各网络异常状态下对应的权重值。其中,各网络参数在各网络异常状态下对应的权重值可以通过神经网络训练获得,也可以通过其他方式获取,本申请实施例对此不做任何限定。此外,各网络异常状态可参见上述实施例所述,本申请实施例对此不再赘述。
示例的,在采集多组样本网络参数集和各组样本网络参数集对应的网络异常状态时,可以根据网络小区以往的网络优化记录中出现各网络异常状态时网络小区对应的网络参数,确定多组样本网络参数集。为了能够获取更多的样本网络参数集,还可以通过网络查询的方式,得到出现各网络异常状态时网络小区对应的网络参数,本申请实施例对此不做任何限定。
示例的,各组样本网络参数集以及各组网络参数集对应的网络异常状态可以表征为如下公式(1)所示的矩阵形式。
其中,b11,b12,b13,……,b1m表示第一个网络参数集,其中每一个参数均表示一个网络参数,c1,c2,c3分别表示网络设备故障、波束覆盖范围异常以及网络小区容量超负荷。
在本申请实施例中,多组样本网络参数和各组样本网络参数集对应的网络异常状态,能够增加获得的权重值的准确度,使得根据网络小区对应的网络参数和权重值确定出的目标网络异常状态更加准确。
S202、根据多个网络参数,以及各网络参数在各网络异常状态下对应的权重值,确定网络小区对应的目标网络异常状态。
示例的,在确定网络小区对应的目标网络异常状态时,可以针对各网络异常状态,确定多个网络参数的取值与各网络参数在网络异常状态下对应的权重值之间的乘积;根据各网络异常状态对应的乘积,确定目标网络异常状态。
假设有n个网络小区,采集的网络参数的数量为m,网络异常状态中网络设备故障、波束覆盖范围异常以及网络小区容量超负荷下对应的权重值分别为c1=(ω11,ω21,ω31,……,ωm1),c2=(ω12,ω22,ω32,……,ωm2),c3=(ω13,ω23,ω33,……,ωm3)。其中,ω11,ω21,ω31,……,ωm1分别表示在网络设备故障下各网络参数对应的权重值;ω12,ω22,ω32,……,ωm2分别表示在波束覆盖范围异常下各网络参数对应的权重值;ω13,ω23,ω33,……,ωm3分别表示在网络小区容量超负荷下各网络参数对应的权重值。
可以通过下述公式(2)确定n各网络小区出现各网络异常状态的概率。
其中,公式(2)中,以网络小区1为例,a11,a12,a13,a14,……,a1m分别为网络小区1对应的多个网络参数的取值;p11,p12,p13均为网络小区1对应的乘积值,分别表示网络小区1出现各个网络异常状态的概率,其他网络小区可以依次类推。
在本申请实施例中,与依靠人工经验确定的目标网络异常状态相比,根据多个网络参数的取值与各网络参数在网络异常状态下对应的权重值之间的乘积,确定出的目标网络状态的准确度更高,从而能够提高网络优化的准确度。
示例的,在根据各网络异常状态对应的乘积,确定目标网络异常状态时,可以根据各网络异常状态对应的乘积,确定最大乘积值对应的网络异常状态;将最大乘积值对应的网络异常状态,确定为目标网络异常状态。根据公式(2)中得到的乘积矩阵,其中,将矩阵中每一行中的最大值对应的网络异常状态确定为目标网络异常状态。例如,乘积值p11,p12,p13中的最大值为p12,则确定可以确定网络小区1对应的目标网络异常状态为波束覆盖范围异常。
在本申请实施例中,将最大乘积值对应的网络异常状态确定为目标网络异常状态,能够确定出发生概率最大的网络异常状态,并将其确定为目标网络异常状态,避免了发生概率较小的网络异常状态的影响,增使得确定的目标网络异常状态的准确度较高,从而提高了网络优化的准确度。
S203、根据目标网络异常状态,对网络小区进行网络优化。
在对网络小区进行网络优化时,需要根据不同的目标网络异常状态进行不同的网络优化。示例的,若目标网络异常状态为网络小区所属的网络设备故障,则与网络小区临近的网络小区的电子机械角以及电子方位角,以对网络小区进行网络优化;若目标网络异常状态为波束覆盖范围异常则调整网络小区的发射功率,以对网络小区进行网络优化;若目标网络异常状态为网络小区容量超负荷,则调整网络小区的电子机械角、电子方位角以及发射功率,以对网络小区进行网络优化。
在本申请实施例中,通过对网络小区进行网络优化,使得优化后的网络小区能够满足用户对于网络的需求,从而提高了用户体验。
示例的,在对网络小区进行网络优化时,可以实时反馈网络优化的结果,若网络优化结果未达到该网络小区的最优值,则继续分析网络小区的目标网络异常状态,直至反馈的网络优化结果为达到该网络小区的最优值。
由此可见,本申请实施例提供的网络优化方法,通过采集网络小区对应的多个网络参数;根据多个网络参数,以及各网络参数在各网络异常状态下对应的权重值,确定网络小区对应的目标网络异常状态;根据目标网络异常状态,对网络小区进行网络优化。能够通过网络小区对应的多个网络参数以及各网络参数在各异常状态下对应的权重值,确定网络小区对应的目标网络异常状态,避免了通过人工经验确定网络小区对应的网络异常状态,提高了确定出的目标网络异常状态的准确度,使得能够根据准确的目标网络异常状态对网络小区进行网络优化,从而提高了网络优化的准确度。
在本申请中,在根据目标网络异常状态,对网络小区进行网络优化之前,还需要确定该网络小区是否为可优化网络小区。下面,将对如何确定网络小区为可优化网络小区进行详细的描述,可参见图3所示,图3为本申请实施例提供的一种确定网络小区为可优化网络小区的方法的流程示意图。根据图3所示,该确定网络小区为可优化网络小区的方法可以包括:
S301、获取网络小区对应的关键性能参数。
示例的,网络小区对应的关键性能指标可以包括时间信息、网络小区的资源利用率、接入并在使用网络的用户数量、下行信道指标以及网络小区的经纬度信息等,本申请实施例对此不做任何限定。
S302、对关键性能参数进行处理,得到关键性能参数对应的目标特征矩阵。
示例的,假设对网络小区的n各关键性能参数进行处理,得到对应的目标特征矩阵为Ai={a1,a2,a3,……,an}。其中,a1,a2,a3,……,an分别表示网络小区的n各关键性能参数,本申请实施例对于n个关键性能参数不做具体限定。
S303、根据目标特征矩阵,确定网络小区为可优化网络小区。
在根据目标特征矩阵,确定网络小区为可优化网络小区时,可以计算目标特征矩阵与多个预设特征矩阵中每一个预设矩阵之间的欧式距离;根据多个欧氏距离中的最小值,确定网络小区为可优化网络小区。其中,多个预设特征矩阵为多个可优化网络小区对应的特征矩阵。通过欧氏距离确定网络小区为可优化网络小区,能够提高确定的可优化网络小区的准确度。
示例的,多个预设特征矩阵均为对可优化区域内具有代表性的网络小区对应的关键性能参数进行处理得到的。其中,可优化区域为允许进行网络优化的区域,例如,学校、商场、住宅区等允许进行网络优化的区域。可以理解的是,可优化区域的划分可以通过网络爬虫系统中的URL去重方法并结合地图,使用电子边框在地图中框选出各个区域,根据区域的性质将其划分为可优化区域和不可优化区域。例如,使用电子边框在地图中框选出了学校、车站、住宅区、办公楼,根据实际情况得知办公楼的网络不允许做任何改动,则将学校、车站、住宅区确定为可优化区域。将办公楼确定为不可优化区域。本申请实施例对于可优化区域的划分不做任何限定。
假设获取了k个可优化区域内的网络小区对应的n个关键性能指标,则对各个可优化区域内的网络小区对应的n个关键性能参数进行处理,得到的预设特征矩阵可以为Bj={bj1,bj2,bj3,……,bjn},其中,j=1,2,3,4……,k;且B={B1,B2,B3,……,Bk}。其中,k个可优化区域为各个不同场景内具有代表性区域,例如,商场,车站等。此外,可以通过人工测试,得到k个可优化区域内的网络小区对应的可优化网络参数。在本申请实施例中,可以使用聚类算法k-means确定其他区域内与k个可优化区域类似的场景,本申请实施例仅以此为例进行说明,但并不代表本申请实施例仅局限于此。
示例的,将上述k个网络小区设定为k个初始聚类中心,则可以根据上述计算的网络小区的目标特征矩阵,利用下述公式(3)分别计算目标特征矩阵与多个预设特征矩阵之间的欧式距离。
根据上述公式(3)分别计算各个网络小区和k个可优化区域内的网络小区的欧式距离,对各个网络小区进行归类,从而确定网络小区是否为可优化网络小区。具体的,将多个欧氏距离中的最小值对应的聚类中心所属的类别,确定为该网络小区的类别。例如,某网络小区与k个初始聚类中心得到k个欧氏距离,其中欧氏距离的最小值对应的初始聚类中心为代表商场的聚类中心,则可以确定该网络小区为商场,且商场为可优化网络小区,则确定该网络小区为可优化网络小区。
示例的,在对各个网络小区进行归类后,可以通过下述公式重新计算k个集合的聚类中心。
其中,ck表示归类后的各个类别的集合,通过下述公式(5)计算更新后的聚类中心与初始聚类中心的误差平方和。
通过公式(3)、公式(4)以及公式(5)重复计算误差平方和,当误差平方和的值小于预设值时,可以确定此时的聚类已达到期望的结果,则停止迭代。通过误差平方和能够进一步确定网络小区是否为可优化网络小区,提高了确定网络小区的准确度。
由此可见,本申请实施例提供的确定网络小区为可优化网络小区的方法,根据网络小区对应的关键性能参数,确定关键性能参数对应的目标特征矩阵,进而根据目标特征矩阵确定网络小区为可优化网络小区,使得确定的可优化网络小区更加准确,能够避免对不可优化的网络小区进行网络优化,提高了网络优化的准确度。
为了便于理解本申请实施例提供的网络优化方法,下面,将通过具体的实施例对本申请实施例提供的网络油壶方法进行详细的描述。
示例的,若确定网络小区的目标网络异常状态为网络小区所属的网络设备故障,如图4所示,图4为本申请实施例提供的一种网络小区设备故障的优化方法示意图。图4中故障网络小区的设备出现故障不可用,则可以调整与故障网络小区临近的网络小区1和网络小区2的电子机械角以及电子方位角,使得网络小区1和网络小区2能够为故障网络小区提供网络,使得故障网络小区内的终端设备能够正常接入网络,从而降低了因网络小区出现故障对用户体验的影响。
示例的,在划分可优化区域与不可优化区域时,可以参见图5所示的划分方式。图5为本申请实施例提供的一种网络区域划分的框架示意图。根据图5所示,将区域划分为普通区域和VIP区域,将普通区域划分为普通网络小区、重要网络小区以及VIP网络小区。其中,VIP区域内的网络小区均为VIP网络小区,且VIP网络小区均不允许进行网络优化,即为不可优化网络小区;普通网络小区允许进行网络优化;重要网络小区仅允许调整发射功率。本申请实施例仅以图5为例进行说明,具体的可根据实际情况进行相应的调整,本申请实施例对此不做任何限定。通过划分可优化区域和不可优化区域使得在进行网络优化时仅对可优化的区域内的网络小区进行网络优化,避免对不可优化的网络小区进行网络优化而对不可优化的网络小区造成影响。
图6为本申请实施例提供的一种网络优化装置60的结构示意图,示例的,请参见图6所示,该网络优化装置60可以包括:
采集单元601,用于采集网络小区对应的多个网络参数;
处理单元602,用于根据多个网络参数,以及各网络参数在各网络异常状态下对应的权重值,确定网络小区对应的目标网络异常状态;
优化单元603,用于根据目标网络异常状态,对网络小区进行网络优化。
可选的,处理单元602,具体用于针对各网络异常状态,确定多个网络参数的取值与各网络参数在网络异常状态下对应的权重值之间的乘积;根据各网络异常状态对应的乘积,确定目标网络异常状态。
可选的,处理单元602,具体用于根据各网络异常状态对应的乘积,确定最大乘积值对应的网络异常状态;将最大乘积值对应的网络异常状态,确定为目标网络异常状态。
可选的,采集单元601,还用于采集多组样本网络参数集和各组样本网络参数集对应的网络异常状态;其中,各组样本网络参数集中均包括多个样本网络参数。
处理单元602,还用于根据各组样本网络参数集中包括的多个样本网络参数,和各组样本网络参数集对应的网络异常状态,训练得到各网络参数在各网络异常状态下对应的权重值。
可选的,优化单元603,具体用于在目标网络异常状态为网络小区所属的网络设备故障时,调整与网络小区临近的网络小区的电子机械角以及电子方位角,以对网络小区进行网络优化;在目标网络异常状态为波束覆盖范围异常时,调整网络小区的发射功率,以对网络小区进行网络优化;在目标网络异常状态为网络小区容量超负荷时,调整网络小区的电子机械角、电子方位角以及发射功率,以对网络小区进行网络优化。
可选的,装置还包括确定单元604,确定单元604,用于获取网络小区对应的关键性能参数;对关键性能参数进行处理,得到关键性能参数对应的目标特征矩阵;根据目标特征矩阵,确定网络小区为可优化网络小区。
可选的,确定单元604,具体用于计算目标特征矩阵与多个预设特征矩阵中每一个预设矩阵之间的欧式距离;其中,多个预设特征矩阵为多个可优化网络小区对应的特征矩阵;根据多个欧氏距离中的最小值,确定网络小区为可优化网络小区。
本申请实施例提供的网络优化装置,可以执行上述任一实施例中的网络优化方法的技术方案,其实现原理以及有益效果与网络优化方法的实现原理及有益效果类似,可参见网络优化方法的实现原理及有益效果,此处不再进行赘述。
图7为本申请实施例提供的另一种网络优化装置70的结构示意图,示例的,请参见图7所示,该网络优化装置70可以包括处理器701和存储器702;
其中,
所述存储器702,用于存储计算机程序。
所述处理器701,用于读取所述存储器702存储的计算机程序,并根据所述存储器702中的计算机程序执行上述任一实施例中的网络优化方法的技术方案。
可选地,存储器702既可以是独立的,也可以跟处理器701集成在一起。当存储器702是独立于处理器701之外的器件时,网络优化装置70还可以包括:总线,用于连接存储器702和处理器701。
可选地,本实施例还包括:通信接口,该通信接口可以通过总线与处理器701连接。处理器701可以控制通信接口来实现上述网络优化装置70的接收和发送的功能。
本申请实施例所示的网络优化装置70,可以执行上述任一实施例中的网络优化方法的技术方案,其实现原理以及有益效果与网络优化方法的实现原理及有益效果类似,可参见网络优化方法的实现原理及有益效果,此处不再进行赘述。
本申请实施例还提供一种计算机可读存储介质,该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,实现上述任一实施例中的网络优化方法的技术方案,其实现原理以及有益效果与网络优化方法的实现原理及有益效果类似,可参见网络优化方法的实现原理及有益效果,此处不再进行赘述。
本申请实施例还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时,实现上述任一实施例中的网络优化方法的技术方案,其实现原理以及有益效果与网络优化方法的实现原理及有益效果类似,可参见网络优化方法的实现原理及有益效果,此处不再进行赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所展示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元展示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块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)或处理器(英文:processor)执行本申请各个实施例方法的部分步骤。
应理解的是,上述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 SignalProcessor,简称:DSP)、专用集成电路(英文:Application Specific IntegratedCircuit,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,还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
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,PCI)总线或扩展工业标准体系结构(ExtendedIndustry 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。
上述计算机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。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。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,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申请各实施例技术方案的范围。
Claims (11)
1.一种网络优化方法,其特征在于,包括:
采集网络小区对应的多个网络参数;
根据所述多个网络参数,以及各网络参数在各网络异常状态下对应的权重值,确定所述网络小区对应的目标网络异常状态;
根据所述目标网络异常状态,对所述网络小区进行网络优化。
2.根据权利要求1所述的方法,其特征在于,所述根据所述多个网络参数,以及各网络参数在各网络异常状态下对应的权重值,确定所述网络小区对应的目标网络异常状态,包括:
针对所述各网络异常状态,确定所述多个网络参数的取值与所述各网络参数在所述网络异常状态下对应的权重值之间的乘积;
根据所述各网络异常状态对应的乘积,确定所述目标网络异常状态。
3.根据权利要求2所述的方法,其特征在于,所述根据所述各网络异常状态对应的乘积,确定所述目标网络异常状态,包括:
根据所述各网络异常状态对应的乘积,确定最大乘积值对应的网络异常状态;
将所述最大乘积值对应的网络异常状态,确定为所述目标网络异常状态。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述根据所述多个网络参数,以及各网络参数在各网络异常状态下对应的权重值,确定所述网络小区对应的目标网络异常状态之前,还包括:
采集多组样本网络参数集和各组样本网络参数集对应的网络异常状态;其中,各组样本网络参数集中均包括多个样本网络参数;
根据所述各组样本网络参数集中包括的多个样本网络参数,和各组样本网络参数集对应的网络异常状态,训练得到所述各网络参数在所述各网络异常状态下对应的权重值。
5.根据权利要求1-3任一项所述的方法,其特征在于,所述根据所述目标网络异常状态,对所述网络小区进行网络优化,包括:
若所述目标网络异常状态为所述网络小区所属的网络设备故障,则调整与所述网络小区临近的网络小区的电子机械角以及电子方位角,以对所述网络小区进行网络优化;
若所述目标网络异常状态为波束覆盖范围异常,则调整所述网络小区的发射功率,以对所述网络小区进行网络优化;
若所述目标网络异常状态为所述网络小区容量超负荷,则调整所述网络小区的电子机械角、电子方位角以及发射功率,以对所述网络小区进行网络优化。
6.根据权利要求1-3任一项所述的方法,其特征在于,所述根据所述目标网络异常状态,对所述网络小区进行网络优化之前,还包括:
获取所述网络小区对应的关键性能参数;
对所述关键性能参数进行处理,得到所述关键性能参数对应的目标特征矩阵;
根据所述目标特征矩阵,确定所述网络小区为可优化网络小区。
7.根据权利要求6所述的方法,其特征在于,所述根据所述目标特征矩阵,确定所述网络小区为可优化网络小区,包括:
计算所述目标特征矩阵与多个预设特征矩阵中每一个预设矩阵之间的欧式距离;其中,所述多个预设特征矩阵为多个可优化网络小区对应的特征矩阵;
根据多个所述欧氏距离中的最小值,确定所述网络小区为可优化网络小区。
8.一种网络优化装置,其特征在于,包括:
采集单元,用于采集网络小区对应的多个网络参数;
处理单元,用于根据所述多个网络参数,以及各网络参数在各网络异常状态下对应的权重值,确定所述网络小区对应的目标网络异常状态;
优化单元,用于根据所述目标网络异常状态,对所述网络小区进行网络优化。
9.一种网络优化装置,其特征在于,包括存储器和处理器;其中,
所述存储器,用于存储计算机程序;
所述处理器,用于读取所述存储器存储的计算机程序,并根据所述存储器中的计算机程序执行上述权利要求1-7任一项所述的一种网络优化方法。
10.一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,实现上述权利要求1-7任一项所述的一种网络优化方法。
11.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时,实现上述权利要求1-7任一项所述的一种网络优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110659464.3A CN113329430A (zh) | 2021-06-15 | 2021-06-15 | 网络优化方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110659464.3A CN113329430A (zh) | 2021-06-15 | 2021-06-15 | 网络优化方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113329430A true CN113329430A (zh) | 2021-08-31 |
Family
ID=77420755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110659464.3A Pending CN113329430A (zh) | 2021-06-15 | 2021-06-15 | 网络优化方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113329430A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113727377A (zh) * | 2021-09-02 | 2021-11-30 | 中国联合网络通信集团有限公司 | 基于基站参数判断无线通信环境变化的方法及设备 |
CN114040426A (zh) * | 2021-11-29 | 2022-02-11 | Oppo广东移动通信有限公司 | 网络优化方法、异常小区推送方法、装置、终端及服务器 |
WO2023036042A1 (zh) * | 2021-09-07 | 2023-03-16 | 华为技术有限公司 | 网络优化策略的确定方法、装置及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107205237A (zh) * | 2016-03-18 | 2017-09-26 | 中国移动通信集团贵州有限公司 | 一种网络结构的优化方法和装置 |
CN108901036A (zh) * | 2018-07-04 | 2018-11-27 | 广东海格怡创科技有限公司 | 小区网络参数的调整方法、装置、计算机设备和存储介质 |
CN109474942A (zh) * | 2018-12-17 | 2019-03-15 | 中国联合网络通信集团有限公司 | 无线网络优化方法及装置 |
US20190239101A1 (en) * | 2018-01-26 | 2019-08-01 | Verizon Patent And Licensing Inc. | Network anomaly detection and network performance status determination |
CN111901134A (zh) * | 2019-05-05 | 2020-11-06 | 中国移动通信集团四川有限公司 | 一种基于循环神经网络模型rnn的预测网络质量的方法和装置 |
CN112188505A (zh) * | 2019-07-02 | 2021-01-05 | 中兴通讯股份有限公司 | 一种网络优化方法和装置 |
-
2021
- 2021-06-15 CN CN202110659464.3A patent/CN113329430A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107205237A (zh) * | 2016-03-18 | 2017-09-26 | 中国移动通信集团贵州有限公司 | 一种网络结构的优化方法和装置 |
US20190239101A1 (en) * | 2018-01-26 | 2019-08-01 | Verizon Patent And Licensing Inc. | Network anomaly detection and network performance status determination |
CN108901036A (zh) * | 2018-07-04 | 2018-11-27 | 广东海格怡创科技有限公司 | 小区网络参数的调整方法、装置、计算机设备和存储介质 |
CN109474942A (zh) * | 2018-12-17 | 2019-03-15 | 中国联合网络通信集团有限公司 | 无线网络优化方法及装置 |
CN111901134A (zh) * | 2019-05-05 | 2020-11-06 | 中国移动通信集团四川有限公司 | 一种基于循环神经网络模型rnn的预测网络质量的方法和装置 |
CN112188505A (zh) * | 2019-07-02 | 2021-01-05 | 中兴通讯股份有限公司 | 一种网络优化方法和装置 |
Non-Patent Citations (1)
Title |
---|
杨小明等: "基于PSO算法的模糊神经网络的网络异常检测", 《计算机工程与应用》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113727377A (zh) * | 2021-09-02 | 2021-11-30 | 中国联合网络通信集团有限公司 | 基于基站参数判断无线通信环境变化的方法及设备 |
CN113727377B (zh) * | 2021-09-02 | 2023-07-04 | 中国联合网络通信集团有限公司 | 基于基站参数判断无线通信环境变化的方法及设备 |
WO2023036042A1 (zh) * | 2021-09-07 | 2023-03-16 | 华为技术有限公司 | 网络优化策略的确定方法、装置及系统 |
CN114040426A (zh) * | 2021-11-29 | 2022-02-11 | Oppo广东移动通信有限公司 | 网络优化方法、异常小区推送方法、装置、终端及服务器 |
CN114040426B (zh) * | 2021-11-29 | 2024-06-07 | Oppo广东移动通信有限公司 | 网络优化方法、异常小区推送方法、装置、终端及服务器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113329430A (zh) | 网络优化方法和装置 | |
CN109379752B (zh) | Massive MIMO的优化方法、装置、设备及介质 | |
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 | |
CN102404756B (zh) | 一种基于手机测量报告的天线参数优化系统 | |
CN109995566B (zh) | 网络故障定位方法、装置、设备及介质 | |
CN111654870B (zh) | 调整小区覆盖区的控制方法、装置、设备及存储介质 | |
CN108243435B (zh) | 一种lte小区场景划分中的参数优化方法及装置 | |
EP3532798B1 (en) | Method and apparatus for managing antenna tilt | |
CN112867147B (zh) | 定位方法和定位装置 | |
CN108632849B (zh) | 一种天馈参数的调整方法、装置及设备 | |
CN113965942A (zh) | 一种网络配置方法及装置 | |
CN110798804A (zh) | 一种室内定位方法和装置 | |
US20200358653A1 (en) | Method, apparatus and system for changing a network based on received network information | |
US20240098009A1 (en) | Method and apparatus for determining traffic statistics result | |
CN112653493B (zh) | 天线权值优化方法、装置、计算设备及存储介质 | |
BRPI0318674B1 (pt) | métodos para planejar uma rede de telecomunicações para equipamento de rádio e para limitar interferência causada pela radiodifusão de canal piloto comum, rede de rádio, e sistema de processamento para planejar 5 uma rede de telecomunicações para equipamento de rádio | |
CN111385804B (zh) | 小区簇划分方法及电子设备 | |
CN109862572B (zh) | 智能干扰分析系统的部署方法、评估方法及电子设备 | |
CN104469834A (zh) | 一种业务仿真感知评价方法及系统 | |
CN109994832A (zh) | 一种天馈调整方法、装置及系统 | |
CN111263382B (zh) | 一种导致重叠覆盖的问题源小区的确定方法、装置和设备 | |
CN107396325B (zh) | 无线访问接入点的邻居提取系统、方法及相关装置 | |
CN116033434B (zh) | 网络覆盖管理方法、装置、设备及可读存储介质 | |
US20230075690A1 (en) | Reduction and geo-spatial distribution of training data for geolocation prediction using machine learning | |
CN114339852B (zh) | 小区故障分析方法、装置、电子设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210831 |
|
RJ01 | Rejection of invention patent application after publication |