CN113423113A - 无线参数优化处理方法、装置及服务器 - Google Patents

无线参数优化处理方法、装置及服务器 Download PDF

Info

Publication number
CN113423113A
CN113423113A CN202110675438.XA CN202110675438A CN113423113A CN 113423113 A CN113423113 A CN 113423113A CN 202110675438 A CN202110675438 A CN 202110675438A CN 113423113 A CN113423113 A CN 113423113A
Authority
CN
China
Prior art keywords
wireless
key performance
mobile communication
communication network
network key
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.)
Granted
Application number
CN202110675438.XA
Other languages
English (en)
Other versions
CN113423113B (zh
Inventor
王立群
蔡凯
狄子翔
李曌星
张旭栋
赵军
肖瑞
孟庆军
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.)
China United Network Communications Group Co Ltd
Original Assignee
China United Network Communications Group 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 China United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN202110675438.XA priority Critical patent/CN113423113B/zh
Publication of CN113423113A publication Critical patent/CN113423113A/zh
Application granted granted Critical
Publication of CN113423113B publication Critical patent/CN113423113B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明实施例提供一种无线参数优化处理方法、装置及服务器，该方法包括：从无线网关键性能指标中与无线参数调整相关的选取预设个无线网关键性能指标作为第一标签、选取多个重要的无线网关键性能指标设定为第一特征向量；然后通过修改无线参数，采集各个修改无线参数对应的第一特征向量和第一标签，以形成多个训练数据集；通过多个训练数据进行模型训练得到多个训练好的预测模型；通过多个预测模型对待调试的移动通信网络的数据集进行预测，得到多个预测结果，根据多个预测结果中的最优比较结果，对待调试的移动通信网络的无线参数进行优化调优，能够实现无线参数优化快速、高效、高准确率的技术效果。

Description

无线参数优化处理方法、装置及服务器
技术领域
本发明实施例涉及通信技术领域，尤其涉及一种无线参数优化处理方法、装置及服务器。
背景技术
移动通信网络中的无线参数是指无线设备和无线资源有关的参数，这些无线参数对网络中小区覆盖、信令流量的分布和网络的业务性能等具有直观重要的影响，因此合理调整无线参数是移动通信网络的网络优化的重要组成部分。移动通信网络中的无线参数优化指的是对正在运行的网络系统，根据实际信道特性、话务量特性和信令流量承载情况，通过调整网络中局部或全局的无线参数提高通信质量，改善网络平均的服务性能和提高设备利用率的过程。
目前，现有的无线参数优化，主要依靠人工分析无线参数的相关数据，经过较长的时间找到较优的参数。但是，这种人工的方式存在耗时长、效率低、准确率低的问题。
发明内容
本发明实施例提供一种无线参数优化处理方法、装置及服务器，以克服现有技术中采用人工的方式存在耗时长、效率低、准确率低的问题。
第一方面，本发明实施例提供一种无线参数优化处理方法，包括：
采集设定时间段内移动通信网络的所有无线网关键性能指标的数据，得到原始数据集，并对所述原始数据集进行数据预处理；
将数据预处理后的原始数据集中的各无线网关键性能指标中通过修改无线参数能提升的预设个无线网关键性能指标设定为第一标签；从所述原始数据集中的各无线网关键性能指标中选取多个无线网关键性能指标设定为第一特征向量；
修改移动通信网络的无线参数，得到N个修改无线参数值，采集每个修改无线参数值对应的设定时间段内第一特征向量和第一标签，并进行数据预处理，以形成N个训练数据集，其中N为正整数；
根据所述N个训练数据集，采用深度学习模型训练，得到N个预测模型；
采集待调试的移动通信网络的设定时间段内未修改无线参数的第二特征向量和第二标签，并进行数据预处理，以得到待预测数据集；
将所述待预测数据集中的所述第二特征向量分别输入N个预测模型，得到N个预测值；
根据所述第二标签的实际值与所述N个预测值进行比较结果，对所述待调试的移动通信网络的无线参数进行优化处理。
在一种可能的设计中，所述从所述原始数据集中的各无线网关键性能指标中选取多个无线网关键性能指标设定为第一特征向量，包括：
通过预设的特征选择模型从所述原始数据集中的各无线网关键性能指标中选取多个无线网关键性能指标设定为第一特征向量。
在一种可能的设计中，所述修改移动通信网络的无线参数，得到N个修改无线参数值，采集每个修改无线参数值对应的设定时间段内第一特征向量和第一标签，并进行数据预处理，以形成N个训练数据集，其中N为正整数，包括：
修改移动通信网络的无线参数为第一修改无线参数值，采集第一修改无线参数值对应的设定时间段内第一特征向量和第一标签，并进行数据预处理，以形成第一训练数据集；
修改移动通信网络的无线参数为第二修改无线参数值，采集第二修改无线参数值对应的设定时间段内第一特征向量和第一标签，并进行数据预处理，以形成第二训练数据集；
依次类推，直至完成，修改移动通信网络的无线参数为第N修改无线参数值，采集第N修改无线参数值对应的设定时间段内第一特征向量和第一标签，并进行数据预处理，以形成第N训练数据集。
在一种可能的设计中，所述根据所述第二标签的实际值与所述N个预测值进行比较结果，对所述待调试的移动通信网络的无线参数进行优化处理，包括：
将所述N个预测值分别与所述第二标签的实际值进行比较，选取提升最明显的预测值为最优值；
根据输出所述最优值的预测模型对应的修改无线参数值，对待调试的移动通信网络的无线参数进行无线参数调整。
在一种可能的设计中，所述数据预处理包括一下至少一种：异常值处理、缺失值处理和标准化处理。
第二方面，本发明实施例提供一种无线参数优化处理装置，包括：
第一数据收集与预处理模块，用于采集设定时间段内移动通信网络的所有无线网关键性能指标的数据，得到原始数据集，并对所述原始数据集进行数据预处理；
特征工程模块，用于将数据预处理后的原始数据集中的各无线网关键性能指标中通过修改无线参数能提升的预设个无线网关键性能指标设定为第一标签；从所述原始数据集中的各无线网关键性能指标中选取多个无线网关键性能指标设定为第一特征向量；
第二数据收集与预处理模块，用于修改移动通信网络的无线参数，得到N个修改无线参数值，采集每个修改无线参数值对应的设定时间段内第一特征向量和第一标签，并进行数据预处理，以形成N个训练数据集，其中N为正整数；
模型训练模块，用于根据所述N个训练数据集，采用深度学习模型训练，得到N个预测模型；
第三数据收集与预处理模块，用于采集待调试的移动通信网络的设定时间段内未修改无线参数的第二特征向量和第二标签，并进行数据预处理，以得到待预测数据集；
模型预测模块，用于将所述待预测数据集中的所述第二特征向量分别输入N个预测模型，得到N个预测值；
优化调整模块，用于根据所述第二标签的实际值与所述N个预测值进行比较结果，对所述待调试的移动通信网络的无线参数进行优化处理。
在一种可能的设计中，所述特征工程模块，具体用于通过预设的特征选择模型从所述原始数据集中的各无线网关键性能指标中选取多个无线网关键性能指标设定为第一特征向量。
第三方面，本发明实施例提供一种优化处理服务器，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上第一方面以及第一方面各种可能的设计所述的无线参数优化处理方法。
第四方面，本发明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，实现如上第一方面以及第一方面各种可能的设计所述的无线参数优化处理方法。
第五方面，本发明实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时，实现如上第一方面以及第一方面各种可能的设计所述的无线参数优化处理方法。
本发明实施例提供的无线参数优化处理方法、装置及服务器，该方法通过从无线网关键性能指标中与无线参数调整相关的选取预设个无线网关键性能指标作为第一标签、选取多个重要的无线网关键性能指标设定为第一特征向量；然后通过修改无线参数，采集各个修改无线参数对应的第一特征向量和第一标签，以形成多个训练数据集；通过多个训练数据进行模型训练得到多个训练好的预测模型；通过多个预测模型对待调试的移动通信网络的数据集进行预测，得到多个预测结果，根据多个预测结果中的最优比较结果，对待调试的移动通信网络的无线参数进行优化调优，能够实现无线参数优化快速、高效、高准确率的技术效果。
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一简单地介绍，显而易见地，下面描述中的附图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为本发明实施例提供的无线参数优化处理系统的系统架构示意图；
图2为本发明实施例提供的无线参数优化处理方法的流程示意图；
图3为本发明实施例提供的无线参数优化处理装置的结构示意图；
图4为本发明实施例提供的优化处理服务器的硬件结构示意图。
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作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。
目前，在移动通信网络中，无线参数的优化调整主要依赖话务统计数据、路侧测试数据，让专家根据这些数据进行分析，找到可以优化的无线参数，然而专家人工处理存在处理耗时长、处理效率低下，准确率较低的问题。为了解决该技术问题，本发明提出如下发明构思：通过机器学习技术，首先找到提升无线网关键性能指标中与无线参数调整相关的预设个无线网关键性能指标；然后通过修改无线参数，采集预设个无线网关键性能指标的数据集，通过训练数据集，得到多个训练好的预测模型；最后通过多个预测模型对待调试的移动通信网络的数据集进行预测，得到多个预测结果，根据多个预测结果中的最优比较结果，对待调试的移动通信网络的无线参数进行优化调优，由于采用机器学习技术，预测快速、效率较高，调优的准确率得到提升。
图1为本发明实施例提供的无线参数优化处理系统的系统架构示意图。如图1所示，该无线参数优化处理系统包括：移动通信网络101和优化处理服务器102。其中，移动通信网络101为由各基站、网关和通信服务器等各种网元组成的通信系统。优化处理服务器102，与移动通信网络101建立通信连接，获取移动通信网络101各中与无线网或无线参数相关的数据，并对这些数据进行分析处理，以根据处理结果对移动通信网络101的无线参数进行调整优化处理。
图2为本发明实施例提供的无线参数优化处理方法的流程示意图，本实施例的执行主体可以为图1所示实施例中的优化处理服务器。如图2所示，该方法包括：
S201：采集设定时间段内移动通信网络的所有无线网关键性能指标的数据，得到原始数据集，并对所述原始数据集进行数据预处理。
在本发明实施例中，设定时间段可以根据需要进行设置，例如可以是12个月或24个月等。
其中，所有无线网关键性能指标可以包括接入类、保持类、移动类、质量类、感知类、容量类指标。
具体地，对所述原始数据集进行数据预处理，包括对原始数据集进行异常值处理、缺失值处理和标准化处理。
其中，原始数据集可以记为D。
S202：将数据预处理后的原始数据集中的各无线网关键性能指标中通过修改无线参数能提升的预设个无线网关键性能指标设定为第一标签；从所述原始数据集中的各无线网关键性能指标中选取多个无线网关键性能指标设定为第一特征向量。
在本发明实施例中，通过修改无线参数能提升的预设个无线网关键性能指标指的是，通过调整修改移动通信网络的的无线参数值，使得无线网关键性能指标能够得到比较明显提升的无线网关键性能指标。
其中，比较明显提升的无线网关键性能指标可以是无线网关键性能指标的增长幅度超过一定的阈值。
在本发明实施例中，从所述原始数据集中的各无线网关键性能指标中选取多个无线网关键性能指标是各无线网关键性能指标中最重要的几个无线网关键性能指标。其中，最重要的几个无线网关键性能指标可以是对提升无线网关键性能影响相关性最大的几个指标。
其中，第一标签可以记为y(i)；第一特征向量可以记为x(i)。
S203：修改移动通信网络的无线参数，得到N个修改无线参数值，采集每个修改无线参数值对应的设定时间段内第一特征向量和第一标签，并进行数据预处理，以形成N个训练数据集，其中N为正整数。
具体地，修改移动通信网络的无线参数为第一修改无线参数值，采集第一修改无线参数值对应的设定时间段内第一特征向量和第一标签，并进行数据预处理，以形成第一训练数据集；
修改移动通信网络的无线参数为第二修改无线参数值，采集第二修改无线参数值对应的设定时间段内第一特征向量和第一标签，并进行数据预处理，以形成第二训练数据集；
依次类推，直至完成，修改移动通信网络的无线参数为第N修改无线参数值，采集第N修改无线参数值对应的设定时间段内第一特征向量和第一标签，并进行数据预处理，以形成第N训练数据集。
在本发明实施例中，可以根据需要进行设置，例如可以是12个月或24个月等。
其中，N个训练数据集可以记为D1…Dn。
S204：根据所述N个训练数据集，采用深度学习模型训练，得到N个预测模型。
在本发明实施例中，深度学习模型可以是深度神经网络(Deep Neural Networks，DNN)。
具体地，将每个训练数据集中的每个数据的第一特征向量输入深度学习模型，然后输出预测结果，将预测结果与第一标签的实际值进行比较，根据比较的结果误差对深度学习模型的权重参数进行调整，然后迭代训练，直至深度学习模型输出的预测结果满足误差要求，则停止训练，得到训练好的深度学习模型，即为预测模型。
其中，N个预测模型可以记为Model1…Modeln。
S205：采集待调试的移动通信网络的设定时间段内未修改无线参数的第二特征向量和第二标签，并进行数据预处理，以得到待预测数据集。
在本发明实施例中，可以根据需要进行设置，例如可以是12个月或24个月等。
在本发明实施例中，对未修改无线参数的第二特征向量和第二标签的数据数据预处理，也可以包括：异常值处理、缺失值处理和标准化处理。
其中，其中，第二标签可以记为y0 (i)；第二特征向量可以记为x0 (i)。
S206：将所述待预测数据集中的所述第二特征向量分别输入N个预测模型，得到N个预测值。
在本发明实施例中，N个预测值可以记为
Figure BDA0003120455020000071
S207：根据所述第二标签的实际值与所述N个预测值进行比较结果，对所述待调试的移动通信网络的无线参数进行优化处理。
在本发明实施例中，将数据集D0的实际值y0 (i)和预测值
Figure BDA0003120455020000072
进行比较，找到预测值中的最优值，选择其对应的修改无线参数值作为参数调优最终值。
从上述描述可知，通过从无线网关键性能指标中与无线参数调整相关的选取预设个无线网关键性能指标作为第一标签、选取多个重要的无线网关键性能指标设定为第一特征向量；然后通过修改无线参数，采集各个修改无线参数对应的第一特征向量和第一标签，以形成多个训练数据集；通过多个训练数据进行模型训练得到多个训练好的预测模型；通过多个预测模型对待调试的移动通信网络的数据集进行预测，得到多个预测结果，根据多个预测结果中的最优比较结果，对待调试的移动通信网络的无线参数进行优化调优，能够实现无线参数优化快速、高效、高准确率的技术效果。
在发明的一个实施例中，在上述步骤S202中，所述从所述原始数据集中的各无线网关键性能指标中选取多个无线网关键性能指标设定为第一特征向量，包括：
通过预设的特征选择模型从所述原始数据集中的各无线网关键性能指标中选取多个无线网关键性能指标设定为第一特征向量。
其中所述特征选择模型包括如下至少一种模型：决策树模型、随机森林模型和梯度提升树算法模型。
在本实施例中，通过预设的特征选择模型能够准确筛选出多个重要的无线网关键性能指标设定为第一特征向量。
在发明的一个实施例中，在上述步骤S207中，所述根据所述第二标签的实际值与所述N个预测值进行比较结果，对所述待调试的移动通信网络的无线参数进行优化处理，包括：
将所述N个预测值分别与所述第二标签的实际值进行比较，选取提升最明显的预测值为最优值；
根据输出所述最优值的预测模型对应的修改无线参数值，对待调试的移动通信网络的无线参数进行无线参数调整。
在本实施例中，将每个预测值的每个数值与第二标签的实际值的每个数值作差，然后求增益，求增益后得到的增益最大值对应的预测值为最优值。
从上述描述可知，通过选取提升最明显的预测值为最优值，能够进一步提升无线参数调整的准确度。
图3为本发明实施例提供的无线参数优化处理装置的结构示意图。如图3所示，该无线参数优化处理装置30包括：第一数据收集与预处理模块301、特征工程模块302、第二数据收集与预处理模块303、模型训练模块304、第三数据收集与预处理模块305、模型预测模块306和优化调整模块307。
其中，第一数据收集与预处理模块301，用于采集设定时间段内移动通信网络的所有无线网关键性能指标的数据，得到原始数据集，并对所述原始数据集进行数据预处理；
特征工程模块302，用于将数据预处理后的原始数据集中的各无线网关键性能指标中通过修改无线参数能提升的预设个无线网关键性能指标设定为第一标签；从所述原始数据集中的各无线网关键性能指标中选取多个无线网关键性能指标设定为第一特征向量；
第二数据收集与预处理模块303，用于修改移动通信网络的无线参数，得到N个修改无线参数值，采集每个修改无线参数值对应的设定时间段内第一特征向量和第一标签，并进行数据预处理，以形成N个训练数据集，其中N为正整数；
模型训练模块304，用于根据所述N个训练数据集，采用深度学习模型训练，得到N个预测模型；
第三数据收集与预处理模块305，用于采集待调试的移动通信网络的设定时间段内未修改无线参数的第二特征向量和第二标签，并进行数据预处理，以得到待预测数据集；
模型预测模块306，用于将所述待预测数据集中的所述第二特征向量分别输入N个预测模型，得到N个预测值；
优化调整模块307，用于根据所述第二标签的实际值与所述N个预测值进行比较结果，对所述待调试的移动通信网络的无线参数进行优化处理。
从上述描述可知，通过从无线网关键性能指标中与无线参数调整相关的选取预设个无线网关键性能指标作为第一标签、选取多个重要的无线网关键性能指标设定为第一特征向量；然后通过修改无线参数，采集各个修改无线参数对应的第一特征向量和第一标签，以形成多个训练数据集；通过多个训练数据进行模型训练得到多个训练好的预测模型；通过多个预测模型对待调试的移动通信网络的数据集进行预测，得到多个预测结果，根据多个预测结果中的最优比较结果，对待调试的移动通信网络的无线参数进行优化调优，能够实现无线参数优化快速、高效、高准确率的技术效果。
在发明的一个实施例中，所述特征工程模块302，具体用于通过预设的特征选择模型从所述原始数据集中的各无线网关键性能指标中选取多个无线网关键性能指标设定为第一特征向量。
在发明的一个实施例中，第二数据收集与预处理模块303，用于修改移动通信网络的无线参数为第一修改无线参数值，采集第一修改无线参数值对应的设定时间段内第一特征向量和第一标签，并进行数据预处理，以形成第一训练数据集；
修改移动通信网络的无线参数为第二修改无线参数值，采集第二修改无线参数值对应的设定时间段内第一特征向量和第一标签，并进行数据预处理，以形成第二训练数据集；
依次类推，直至完成，修改移动通信网络的无线参数为第N修改无线参数值，采集第N修改无线参数值对应的设定时间段内第一特征向量和第一标签，并进行数据预处理，以形成第N训练数据集。
在发明的一个实施例中，所述优化调整模块307，具体用于将所述N个预测值分别与所述第二标签的实际值进行比较，选取提升最明显的预测值为最优值；根据输出所述最优值的预测模型对应的修改无线参数值，对待调试的移动通信网络的无线参数进行无线参数调整。
本实施例提供的装置，可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，本实施例此处不再赘述。
图4为本发明实施例提供的优化处理服务器的硬件结构示意图。如图4所示，本实施例的优化处理服务器40包括：处理器401以及存储器402；其中
存储器402，用于存储计算机执行指令；
处理器401，用于执行存储器存储的计算机执行指令，以实现上述实施例中优化处理服务器所执行的各个步骤。具体可以参见前述方法实施例中的相关描述。
可选地，存储器402既可以是独立的，也可以跟处理器401集成在一起。
当存储器402独立设置时，该优化处理服务器还包括总线403，用于连接所述存储器402和处理器401。
本发明实施例还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，实现如上所述的无线参数优化处理方法。
本发明实施例还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时，实现如上所述的无线参数优化处理方法。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述模块的划分，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，例如多个模块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，所显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，装置或模块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模块可以是或者也可以不是物理上分开的，作为模块显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模块来实现本实施例方案。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。上述模块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)或处理器执行本申请各个实施例所述方法的部分步骤。
应理解，上述处理器可以是中央处理单元(Central Processing Unit，简称CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application Specific Integrated 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，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，简称ISA)总线、外部设备互连(Peripheral Component Interconnect，简称PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，简称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。
一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits，简称ASIC)中。当然，处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
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 (10)

1.一种无线参数优化处理方法，其特征在于，包括：
采集设定时间段内移动通信网络的所有无线网关键性能指标的数据，得到原始数据集，并对所述原始数据集进行数据预处理；
将数据预处理后的原始数据集中的各无线网关键性能指标中通过修改无线参数能提升的预设个无线网关键性能指标设定为第一标签；从所述原始数据集中的各无线网关键性能指标中选取多个无线网关键性能指标设定为第一特征向量；
修改移动通信网络的无线参数，得到N个修改无线参数值，采集每个修改无线参数值对应的设定时间段内第一特征向量和第一标签，并进行数据预处理，以形成N个训练数据集，其中N为正整数；
根据所述N个训练数据集，采用深度学习模型训练，得到N个预测模型；
采集待调试的移动通信网络的设定时间段内未修改无线参数的第二特征向量和第二标签，并进行数据预处理，以得到待预测数据集；
将所述待预测数据集中的所述第二特征向量分别输入N个预测模型，得到N个预测值；
根据所述第二标签的实际值与所述N个预测值进行比较结果，对所述待调试的移动通信网络的无线参数进行优化处理。
2.根据权利要求1所述的方法，其特征在于，所述从所述原始数据集中的各无线网关键性能指标中选取多个无线网关键性能指标设定为第一特征向量，包括：
通过预设的特征选择模型从所述原始数据集中的各无线网关键性能指标中选取多个无线网关键性能指标设定为第一特征向量。
3.根据权利要求1所述的方法，其特征在于，所述修改移动通信网络的无线参数，得到N个修改无线参数值，采集每个修改无线参数值对应的设定时间段内第一特征向量和第一标签，并进行数据预处理，以形成N个训练数据集，其中N为正整数，包括：
修改移动通信网络的无线参数为第一修改无线参数值，采集第一修改无线参数值对应的设定时间段内第一特征向量和第一标签，并进行数据预处理，以形成第一训练数据集；
修改移动通信网络的无线参数为第二修改无线参数值，采集第二修改无线参数值对应的设定时间段内第一特征向量和第一标签，并进行数据预处理，以形成第二训练数据集；
依次类推，直至完成，修改移动通信网络的无线参数为第N修改无线参数值，采集第N修改无线参数值对应的设定时间段内第一特征向量和第一标签，并进行数据预处理，以形成第N训练数据集。
4.根据权利要求1所述的方法，其特征在于，所述根据所述第二标签的实际值与所述N个预测值进行比较结果，对所述待调试的移动通信网络的无线参数进行优化处理，包括：
将所述N个预测值分别与所述第二标签的实际值进行比较，选取提升最明显的预测值为最优值；
根据输出所述最优值的预测模型对应的修改无线参数值，对待调试的移动通信网络的无线参数进行无线参数调整。
5.根据权利要求1至4任一项所述的方法，其特征在于，所述数据预处理包括一下至少一种：异常值处理、缺失值处理和标准化处理。
6.一种无线参数优化处理装置，其特征在于，包括：
第一数据收集与预处理模块，用于采集设定时间段内移动通信网络的所有无线网关键性能指标的数据，得到原始数据集，并对所述原始数据集进行数据预处理；
特征工程模块，用于将数据预处理后的原始数据集中的各无线网关键性能指标中通过修改无线参数能提升的预设个无线网关键性能指标设定为第一标签；从所述原始数据集中的各无线网关键性能指标中选取多个无线网关键性能指标设定为第一特征向量；
第二数据收集与预处理模块，用于修改移动通信网络的无线参数，得到N个修改无线参数值，采集每个修改无线参数值对应的设定时间段内第一特征向量和第一标签，并进行数据预处理，以形成N个训练数据集，其中N为正整数；
模型训练模块，用于根据所述N个训练数据集，采用深度学习模型训练，得到N个预测模型；
第三数据收集与预处理模块，用于采集待调试的移动通信网络的设定时间段内未修改无线参数的第二特征向量和第二标签，并进行数据预处理，以得到待预测数据集；
模型预测模块，用于将所述待预测数据集中的所述第二特征向量分别输入N个预测模型，得到N个预测值；
优化调整模块，用于根据所述第二标签的实际值与所述N个预测值进行比较结果，对所述待调试的移动通信网络的无线参数进行优化处理。
7.根据权利要求6所述的装置，其特征在于，所述特征工程模块，具体用于通过预设的特征选择模型从所述原始数据集中的各无线网关键性能指标中选取多个无线网关键性能指标设定为第一特征向量。
8.一种优化处理服务器，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5任一项所述的无线参数优化处理方法。
9.一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5任一项所述的无线参数优化处理方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5任一项所述的无线参数优化处理方法。
CN202110675438.XA 2021-06-17 2021-06-17 无线参数优化处理方法、装置及服务器 Active CN113423113B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110675438.XA CN113423113B (zh) 2021-06-17 2021-06-17 无线参数优化处理方法、装置及服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110675438.XA CN113423113B (zh) 2021-06-17 2021-06-17 无线参数优化处理方法、装置及服务器

Publications (2)

Publication Number Publication Date
CN113423113A true CN113423113A (zh) 2021-09-21
CN113423113B CN113423113B (zh) 2022-06-03

Family

ID=77788982

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110675438.XA Active CN113423113B (zh) 2021-06-17 2021-06-17 无线参数优化处理方法、装置及服务器

Country Status (1)

Country Link
CN (1) CN113423113B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114244710A (zh) * 2021-12-31 2022-03-25 中国电信股份有限公司 网元参数调整方法、装置及电子设备
CN115865670A (zh) * 2023-02-27 2023-03-28 灵长智能科技(杭州)有限公司 基于内核调优的web安全网关并发性能调节方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170149681A1 (en) * 2015-11-24 2017-05-25 International Business Machines Corporation Assessment and dynamic provisioning of computing resources for multi-tiered application
US9705751B1 (en) * 2016-03-31 2017-07-11 Sas Institute Inc. System for calibrating and validating parameters for optimization
CN111679657A (zh) * 2020-06-23 2020-09-18 中国核动力研究设计院 一种基于工控设备信号的攻击检测方法及系统
CN112399448A (zh) * 2020-11-18 2021-02-23 中国联合网络通信集团有限公司 无线通讯优化方法、装置、电子设备及存储介质
CN112512059A (zh) * 2020-05-24 2021-03-16 中兴通讯股份有限公司 网络优化方法、服务器、网络侧设备、系统和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170149681A1 (en) * 2015-11-24 2017-05-25 International Business Machines Corporation Assessment and dynamic provisioning of computing resources for multi-tiered application
US9705751B1 (en) * 2016-03-31 2017-07-11 Sas Institute Inc. System for calibrating and validating parameters for optimization
CN112512059A (zh) * 2020-05-24 2021-03-16 中兴通讯股份有限公司 网络优化方法、服务器、网络侧设备、系统和存储介质
CN111679657A (zh) * 2020-06-23 2020-09-18 中国核动力研究设计院 一种基于工控设备信号的攻击检测方法及系统
CN112399448A (zh) * 2020-11-18 2021-02-23 中国联合网络通信集团有限公司 无线通讯优化方法、装置、电子设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YULONG SHEN等: "The Wireless Vertical Handoff Decision Algorithm with Parameter Prediction", 《2012 FOURTH INTERNATIONAL CONFERENCE ON INTELLIGENT NETWORKING AND COLLABORATIVE SYSTEMS》, 25 October 2012 (2012-10-25) *
范美玲: "面向场景的TD-LTE无线参数优化配置系统设计与实现", 《中国优秀硕士学位论文全文数据库（信息科技辑）》, 15 April 2015 (2015-04-15) *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114244710A (zh) * 2021-12-31 2022-03-25 中国电信股份有限公司 网元参数调整方法、装置及电子设备
CN115865670A (zh) * 2023-02-27 2023-03-28 灵长智能科技(杭州)有限公司 基于内核调优的web安全网关并发性能调节方法及装置
CN115865670B (zh) * 2023-02-27 2023-06-16 灵长智能科技(杭州)有限公司 基于内核调优的web安全网关并发性能调节方法及装置

Also Published As

Publication number Publication date
CN113423113B (zh) 2022-06-03

Similar Documents

Publication Publication Date Title
CN113423113B (zh) 无线参数优化处理方法、装置及服务器
CN111368887B (zh) 雷雨天气预测模型的训练方法及雷雨天气预测方法
CN112036476A (zh) 基于二分类业务的数据特征选择方法、装置及计算机设备
CN111652661B (zh) 一种手机客户端用户流失预警处理方法
CN110796485A (zh) 一种提高预测模型的预测精度的方法及装置
CN111260220A (zh) 群控设备识别方法、装置、电子设备和存储介质
CN112308704A (zh) 数据评估方法、装置、电子设备及存储介质
CN114841801A (zh) 一种基于用户行为特征的信贷风控方法和装置
CN110334262B (zh) 一种模型训练方法、装置及电子设备
CN114281932A (zh) 工单质检模型的训练方法、装置、设备及存储介质
CN113472860A (zh) 大数据和数字化环境下的业务资源分配方法及服务器
CN112243247B (zh) 基站优化优先级确定方法、装置及计算设备
CN112256844A (zh) 文本分类方法及装置
CN112667754B (zh) 大数据处理方法、装置、计算机设备及存储介质
CN112598185A (zh) 农业舆情分析方法、装置、设备及存储介质
CN116107761B (zh) 性能调优方法、系统、电子设备及可读存储介质
CN113159957B (zh) 一种交易处理方法及装置
CN116541252B (zh) 一种机房故障日志数据处理方法及装置
CN116975752A (zh) 用户标签的预测方法、装置、电子设备及计算机程序产品
CN112766322A (zh) 分类模型的训练方法、数据分类方法及装置
CN114296894A (zh) 基于日志数据的调用链智能分析方法、装置及电子设备
CN112512072A (zh) VoLTE网络故障预测方法及设备
CN114035944A (zh) 一种图像检索方法、装置、电子设备及存储介质
CN116029289A (zh) 日志模板获取方法、装置、计算机设备及存储介质
CN116109356A (zh) 用户满意度影响因素获取方法、终端及电子设备

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