CN113728673A - 用于估计被无线电问题抑制的数据业务的方法和装置 - Google Patents
用于估计被无线电问题抑制的数据业务的方法和装置 Download PDFInfo
- Publication number
- CN113728673A CN113728673A CN201980095709.5A CN201980095709A CN113728673A CN 113728673 A CN113728673 A CN 113728673A CN 201980095709 A CN201980095709 A CN 201980095709A CN 113728673 A CN113728673 A CN 113728673A
- Authority
- CN
- China
- Prior art keywords
- data traffic
- data
- cell
- samples
- service
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/0268—Traffic management, e.g. flow control or congestion control using specific QoS parameters for wireless networks, e.g. QoS class identifier [QCI] or guaranteed bit rate [GBR]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
提供了用于分析数据的方法和装置。一种方法包括:将通信网络的多个数据样本分类为与多个数据业务场景对应的多个组,其中所述多个数据样本的数据样本包括对一个小区中的网络性能的一个或多个测量以及对一个小区中的服务质量的一个或多个测量,并且其中网络性能包括数据业务量;基于在与数据业务场景对应的组中的数据样本,针对所述数据业务场景建立数据业务量随服务质量的变化模型;基于所述变化模型来识别数据业务量随服务质量恶化的变化趋势的拐点;以及基于所述拐点来识别具有数据业务抑制的小区。
Description
技术领域
本公开的实施例一般涉及数据分析,并且具体地涉及用于从与网络性能和服务质量相关的数据样本估计通信网络中由比率问题抑制的数据业务的方法、装置和计算机可读存储介质。
背景技术
当前的数据业务需求迅速增长,尤其是推出无限套餐资费后。有时,现有的网络资源无法满足用户的数据业务需求。那么,用户的数据业务需求可能会因为无线电问题(例如覆盖差、质量差等)而受到抑制。例如,当用户打开他/她想要访问的网页需要很长时间时,那么用户可能会减少网页浏览甚至放弃网页浏览。在本公开中,将这种数据业务需求受无线电问题抑制的现象称为数据业务抑制,并且其中发生这种现象的小区称为具有数据业务抑制小区。
如何实现包括网络建设和网络扩容在内的精准投资,已经成为网络运营商的业务痛点之一。如果能够识别和估计数据业务抑制,则这个问题将得到解决。网络运营商可以通过考虑每个小区的数据业务抑制来实现精准投资。
然而,很难识别和估计通信网络中的数据业务抑制。这是因为,它受多种因素的影响,例如不同的社会场景、不同的人口规模、不同的无线环境、不同的时间段、不同的商业类型、不同的用户行为等。识别和估计数据业务抑制,已经成为网络运营商的痛点之一。
发明内容
本公开将通过提出一种用于识别和估计数据业务抑制的方案来解决上述问题。当结合附图阅读时,本公开的实施例的其他特征和优点也将从具体实施例的以下描述中被理解,附图通过示例的方式示出了本公开的实施例的原理。
根据各种但不一定是所有实施例,提供了一种方法,包括:将通信网络的多个数据样本分类为与多个数据业务场景对应的多个组。所述多个数据样本中的数据样本包括对一个小区中的网络性能的一个或多个测量以及对所述一个小区中的服务质量的一个或多个测量。网络性能包括数据业务量。所述方法还包括:基于在与所述多个数据业务场景中的数据业务场景对应的组中的数据样本,为所述数据业务场景建立数据业务量随服务质量的变化模型;基于变化模型来识别所述数据业务量随服务质量恶化的变化趋势的拐点;基于所述拐点来识别具有数据业务抑制的小区。
在一些但不一定是所有示例中,所述方法还可以包括收集多个数据样本;以及将每个数据样本与数据业务场景的特征相关联。
在一些但不一定所有示例中,所述分类可以基于聚类算法,在所述聚类算法中相同小区的数据样本被分类到相同的组中。
在一些但不一定是所有示例中,网络性能还可以包括对物理资源的利用。所述方法还可以包括:基于在与所述数据业务场景对应的组中的数据样本,针对所述数据业务场景建立在所述对物理资源的利用与所述数据业务量之间的关系模型;以及基于所述关系模型来估计所识别小区的数据业务抑制的值。
在一些但不一定所有的例子中,数据业务抑制的值可以通过以下操作来估计:根据在所述对物理资源的利用与所述数据业务量之间的关系模型,计算所识别的具有数据业务抑制的小区的理论数据业务量;以及基于所述理论数据业务量与实际数据业务之间的差异来估计所述数据业务抑制的值。
在一些但不一定是所有示例中,所述方法还可以包括:根据预定义规则从与所述数据业务对应的组的数据样本中选择数据样本,以构建用于所述数据业务场景的基准数据集;以及基于所述基准数据集来建立所述关系模型。
在一些但不一定所有的例子中,所述方法还可以包括:利用广义线性拟合来计算在所述对物理资源的利用与所述数据业务量之间的关系模型。
在一些但不一定所有的例子中,可以通过以下操作来建立所述变化模型:从组的数据样本中选择数据样本,从而使得所选择的数据样本均匀分布在所述组的样本空间中;以及基于所选择的数据样本来计算所述变化模型。
在一些但不一定是所有示例中,具有数据业务抑制的小区可以通过以下来识别:识别具有比对应于所述变化模型中的所述拐点的服务质量值更差的服务质量测量的数据样本;以及将所识别的数据样本的小区确定为具有数据业务抑制的小区。
在一些但不一定是所有示例中,所述网络性能可以包括用所述网络的关键性能指标(KPI)指示的参数,并且所述服务质量可以包括用所述网络的关键质量指标(KPI)指示的参数。
根据各种但不一定是所有实施例,提供了一种装置,包括:至少一个处理器;以及包括计算机程序代码的至少一个存储器,所述至少一个存储器和计算机程序代码被配置为与所述至少一个处理器一起执行所述方法。
根据各种但不一定是所有实施例,提供了一种装置,包括:用于将通信网络的多个数据样本分类为与多个数据业务场景对应的多个组的模块,其中所述多个数据样本中的数据样本包括对一个小区中的网络性能的一个或多个测量以及对所述一个小区中的服务质量的一个或多个测量,并且所述网络性能包括数据业务量;用于基于在与所述多个数据业务场景中的数据业务场景对应的组中的数据样本,针对所述数据业务场景来建立数据业务量随所述服务质量的变化模型的模块;用于基于所述变化模型来识别所述数据业务量随服务质量恶化的变化趋势的拐点的模块;以及用于基于所述拐点来识别具有数据业务抑制的小区的模块。
根据各种但不一定是所有实施例,提供了一种计算机程序,其包括用于使装置执行所述方法的指令。
根据各种但不一定是所有实施例,提供了一种计算机可读存储介质,在所述计算机可读存储介质上存储有指令,当由至少一个处理器执行时,所述指令使所述至少一个处理器执行所述方法。
根据各种但不一定是所有实施例,提供了如所附权利要求中所要求保护的示例。
附图说明
现在将参考附图描述一些示例实施例,其中:
图1示出了可以在其中实施本公开的实施例的系统;
图2是根据本公开实施例的能够分析数据业务抑制装的置的组件图;
图3是描述根据本公开实施例的用于分析数据业务抑制的过程的流程图;
图4示意性地示出了根据本公开实施例的分类拟合示例图;
图5是描述根据本公开实施例的用于识别具有数据业务抑制的小区的过程的流程图;
图6A-6D图示出了用于识别拐点的算法的模拟;
图7是描绘根据本公开的一些实施例对数据样本进行分类的示例性过程的流程图;以及
图8示出了根据本公开实施例的装置的简化框图。
具体实施方式
下面结合附图详细描述本公开的实施例。应当理解,讨论这些实施例只是为了使本领域技术人员能够更好地理解并实施本公开,而不是对本公开范围提出任何限制。在整个说明书中,对特征、优点或类似语言的引用并不意味着可以通过本公开实现的所有特征和优点应该是本公开的任何单个实施例或在本公开的任何单个实施例中。相反,提及特征和优点的语言被理解为意味着结合实施例描述的特定特征、优点或特性被包括在本公开的至少一个实施例中。
此外,在一个或多个实施例中,本公开的所描述的特征、优点和特性可以以任何合适的方式组合。相关领域的技术人员将认识到,本公开可以在没有特定实施例的一个或多个特定特征或优点的情况下实施本公开。在其他情况下,在某些实施例中可以认识到可能不存在于本公开的所有实施例中的附加特征和优点。
如上所述,通信网络中的数据业务抑制受到太多因素的影响。这导致很难识别通信网络中何时何地发生数据业务抑制。这也给准确估计数据业务抑制的程度造成了很大的困难。本公开提供了一种通过分析通信网络的数据样本来识别和估计数据业务抑制的方案。
图1图示了可以在其中实施本公开的实施例的系统。在一个实施例中,通信网络是蜂窝网络。如图所示,蜂窝网络110可以划分为多个覆盖区域,以下简称为小区,例如小区111、112、113。小区可以是基站的覆盖区域,也可以是任何组件(或组件集合)的覆盖区域,例如BS 102a-102c,其被配置为提供向网络中的用户设备的无线接入。例如,基站可以是NodeB、演进基站(eNB)、宏小区、毫微微小区或Wi-Fi接入点等。用户设备可以是能够与基站建立无线连接的任何组件(或组件的集合)。用户设备可以是本领域中使用的移动终端、中继器或从事机器类型通信的设备。
基站可以与用户设备建立上行链路和/或下行链路连接,用于承载从用户设备到基站的数据业务,反之亦然。例如,数据业务可以包括但不限于流媒体业务、网页浏览、文件下载、互联网协议语音(VoIP)、超文本传输协议(HTTP)业务、即时消息(IM)业务、文件传输协议(FTP)业务、点对点业务等。
本技术和系统可适用的通信网络的示例包括基于码分多址(CDMA)(例如CDMA20001x)、高速率分组数据(HRPD)、长期演进(LTE)、高级长期演进(LTE-A)、第5代(5G)蜂窝系统、通用陆地无线电接入网络(UTRAN)和全球微波接入互操作性(WiMAX)的无线通信系统。应当理解,图示实施例是非限制性的,并且如本领域技术人员容易理解的那样,可以使用任意数量的各种无线设备和电信系统。
应当理解,所公开的无线通信网络是非限制性示例,并且可以采用本领域众所周知的任何数量的不同网络组件、服务和设备。
在通信网络中,为了测量网络的通信性能,可以利用各种指标来监控网络,例如关键性能指标(KPI)和关键质量指标(KQI)。KPI可用作网络性能的指示。KPI可以在对于符合OSI(开放系统互连)的系统的网络层或网络层以下的层或对于非OSI系统的等效层进行测量。例如,KPI可以实时指示网络中有多少用户、网络中的数据业务量、网络的总使用量、网络中物理资源的利用率、网络中的干扰程度或其他网络性能。KPI可以包括例如参考信号接收功率(RSRP)、信道质量信息(CQI)、信号对干扰加噪声比(SINR)、物理资源块(PRB)利用率(DL/UL)、吞吐量、切换(HO)失败率等。
KQI可以用作反映用户对服务的感知的服务质量的指示。对于符合OSI的系统,KQI可以在高于网络层的层上测量,对于非OSI系统,KQI可以在同等的层测量。例如,KQI可以指示网络对于网页浏览服务、视频流服务、即时消息服务或其他服务的表现如何,这直接影响用户对网络服务的感知。KQI可以包括,例如,TCP(传输控制协议)延迟、页面打开延迟、第一个数据包延迟、平均丢包率等。
在通信网络中,可以周期性地测量KPI和KQI。例如,可以每小时、每天或按照任何其他预定义时间段执行测量。可以每小区地执行测量。对KPI和KQI的测量可以从用户设备报告给基站,和/或在基站处产生。
这些测量可以由收集器101收集,并存储在数据库103中。数据库103可以是任何形式的存储或存储系统。例如,收集器101可以是被配置为收集网络的KPI和KQI的测量的任何组件(或组件的组合)。收集器101可以与基站(例如BS102a)位于同一位置。可选地,收集器101可以是与基站分离且不同的设备,在这种情况下,收集器101可以与网络的基站进行通信。在这点上,收集器101可以实现为网络的运营支持系统(OSS)的组件,并通过OSS的通信能力与网络的基站进行通信。在另一个实施例中,控制器也可以是与OSS通信地链接的设备。
在一些实施例中,通信网络可以具有工程参数,其用作网络配置的指示。例如,工程参数可以是与每个小区相关联的网络特征。工程参数可以指示例如分配给小区的频带和/或带宽、位于小区中的社交场景(例如,商业中心、城镇中心、住宅区、学院、高速公路、交通枢纽、农村等)、小区的标识符,等等。其中一些参数可能是固定的,而其他参数可以手动或自动调整。工程参数也可以存储在数据库103中。
数据处理设备104耦合到数据库103并且可以从数据库103中检索数据。从数据库103中,数据处理设备104可以获得对于通信网络的多个小区的KPI和KQI的测量以及工程参数110,作为用于根据本公开中提出的方案分析数据业务抑制的数据样本。在其他实施例中,数据处理设备104可以通过离线方式获得KPI和KQI的测量值以及工程参数。在其他实施例中,数据处理设备104可以直接从网络110(例如从收集器101)或基站(例如BS 102a-102c)收集对KPI和KQI的测量以及工程参数。
如图1所示,数据库103可以是网络110之外的组件,经由收集器101耦合到网络110。在其他实施例中,数据库103可以是通信网络110的一部分。
如图1所示,数据处理设备104可以是独立于通信网络110的装置。在其他实施例中,数据处理设备104可以是通信网络110中的独立组件,或作为任何网络组件的一部分被包括。例如,数据处理设备104可以是基站、用户设备或任何其他组件的一部分。
图2是根据本公开实施例的能够分析数据业务抑制的装置的组件图。预期这些组件的功能可以组合在一个或多个组件中或由具有等效功能的其他组件来执行。所述装置可以是数据处理设备200,其可以耦合到数据源230。数据源230可以是如图1所示的数据库103。或任何可以提供分析数据业务抑制所需的数据样本的任何组件(或组件的组合)。
数据处理设备200可以包括用于与数据源230通信的通信接口(未示出)。可选地,数据处理设备200可以包括用户接口(未示出),通过所述用户接口,数据样本和用户设置或指令可以手动输入到数据处理设备200中。可选地,数据处理设备200可以包括外部存储器接口(未示出),通过所述接口可以将数据样本离线导入到数据处理设备200中。
数据处理装置200可以包括分类模块202、拟合模块204、抑制识别模块206和抑制估计模块208。分类模块202用于将通信网络的多个数据样本分类为与多个数据业务场景对应的多个组。数据样本可以包括对网络性能的一个或多个测量和对服务质量的一个或多个测量。可以基于数据业务场景的一个或多个特征来执行分类。不同的组反映了不同数据业务场景的特征。数据业务场景的这些特征可用于区分数据业务场景。例如,数据业务场景的特征可以包括但不限于社交场景、用户数量、无线电环境、时间段和服务类型。例如根据专家的经验,可以预先确定用于对数据样本进行分类的数据业务场景的特征。附加地或替代地,可以通过机器学习自动确定用于对数据样本进行分类的数据业务场景的特征。在本公开中提出了一种聚类算法来实现自适应分类,可以更合理地对数据样本进行分类。聚类算法将在后面详细讨论。
拟合模块204被设置以基于被分类到与每个数据业务场景对应的各组中的数据样本,来建立在对物理资源的利用与针对每个数据业务场景的数据业务量之间的关系模型。对于数据样本,可以从对KPI的测量来确定小区中对物理资源的利用和数据业务量。例如,可以从下行PRB利用率计算出在下行链路中对物理资源的利用。可以利用任何合适的拟合模型来对关系建模。为了增加稳健性,可以使用广义线性拟合。可以利用对于具体数据业务场景的建模关系来估计与给定的对物理资源的利用对应的理论数据业务量。
抑制识别模块206被设置以识别针对每个数据业务场景的具有数据业务抑制的小区。对此,抑制识别模块206可被设置以基于在与每个数据业务场景对应的各个组中的数据样本,识别针对每个数据业务场景数据业务量随服务质量恶化的变化趋势的拐点。拐点表示KQI降级到什么程度,数据业务量会停止增加和/或开始减少。数据业务抑制可以通过在拐点处数据业务量减少而KQI恶化来体现。可以推断,随着KQI从拐点开始恶化,极有可能发生数据业务抑制。因此,可以基于拐点来识别具有数据业务抑制的小区。
抑制估计模块208被设置以估计抑制识别模块206识别出的小区的数据业务抑制程度。在这方面,可以根据在拟合模块204中计算出的在物理资源利用率与数据业务量之间的关系模型,以基于在发生所识别的数据业务抑制的状态下网络的物理资源利用率来计算具有数据业务抑制的所识别小区的理论数据业务。数据业务抑制程度可以被估计为数据业务抑制的值,其可以基于在理论数据业务量与在小区中的对物理资源的利用的特定条件下实际测量的数据业务量之间的比较来计算得出。
图3是描绘了根据本公开的实施例的用于分析数据业务抑制的过程的图。如上所述的数据处理设备104、200可以实现所述过程。此外,所述实施方式不限于由数据处理设备200实施。例如,任何网络组件(例如图1中描绘的那些)都可以被配置为实施所公开的过程。
在310处,可以将通信网络的多个数据样本分类为与数据业务场景对应的多个组。数据样本包括对小区中的网络性能的一个或多个测量以及对服务质量的一个或多个测量。例如,网络性能可以包括数据业务量和物理资源的利用。服务质量可以包括传输控制协议(TCP)延迟。在一个示例中,可以每小区地对数据样本进行采样。此外,数据样本可以定期采样,例如每小时或每天进行采样。
图4示意性地图示了在阴影多边形框中的这种分类的示意图。如图所示,根据不同的社交场景、不同的频带和带宽、忙或闲时、不同的用户规模以及不同服务类型,数据样本可以被分类为与多个数据业务场景对应的组。例如,与商业中心、1800MHz频段、15M带宽、忙时、0~50个用户的用户规模和大包服务类型的社交场景相关联的数据样本可以被分类到同一组中。需要说明的是,组可以根据任何合适的网络特征或标准进行分类。网络特征可以预先(例如甚至在数据源230中)与数据样本相关联。在一些实施例中,例如根据专家的经验,可以预先定义分类的标准。在其他实施例中,数据样本可以被自适应地分类,例如通过利用聚类算法。稍后将参考图7描述分类的细节。
在320,可以针对每个数据业务场景基于在对应组中的数据样本识别具有数据业务抑制的小区。对此,根据在具体数据业务场景中数据业务量随KQI恶化的变化趋势的拐点,识别出针对具体数据业务场景的数据业务抑制。已发现:抑制用户数据业务需求的根本原因是用户感知受到影响。通常,数据业务量会随着KQI的降低而增加。这是因为随着小区内数据业务的增加,网络资源可能会越来越不足。因此,KQI将降低。当KQI降低到阈值时,小区内的数据业务量可能不会随着KQI的降低而增加。可以确定,在这种情况下,KQI太差,无法让用户继续使用数据业务。也就是说,用户的数据业务需求受到抑制。KQI的阈值是拐点,超过该阈值数据业务量不会随着KQI的降低而继续增加。
图5图示了用于针对具体数据业务场景,基于拐点识别具有数据业务抑制的小区的示例性过程。该过程可由如图2所示的抑制识别模块206实现。如上所述,用户拒绝使用网络的主要原因是用户感知的降低。因此,数据业务抑制的主要目的是弄清楚在KQI参数与用户数据业务之间的关系。在510,对于具体的数据业务场景,可以基于在与该具体数据业务场景对应的组中的数据样本,建立数据业务量随KQI参数的变化模型。KQI参数可以被选择为指示与通信网络中的无线电问题相关联的用户感知的参数。例如,可以选择指示服务中TCP延迟的参数作为用于对变化模型建模的KQI参数。
在520处,可以基于变化模型来识别数据业务量随服务质量降低的变化趋势的拐点。在一个实施例中,可以将这样的KQI参数的阈值确定为拐点,超过该阈值数据业务量不会随着KQI的降低而继续增加。在一些实施例中,可以通过利用二次拟合来计算变化模型。在这种情况下,可以将拟合曲线的峰值确定为拐点。应当理解,实施例不限于二次拟合,而是可以利用适合于识别变化模式的任何其他拟合模型。因此,拐点不限于拟合曲线的峰值点。例如,拐点可以是KQI的区间。
图6A-6D图示了用于识别拐点的算法的模拟。图6A示出了样本空间中的数据样本的分布。例如,横轴x指示KQI参数,例如TCP下载延迟,纵轴y指示下行总字节数(MB)。传统上,为了找出由于TCP延迟增加导致的下行链路数据业务的变化,可以直接对这些样本应用拟合。图6B图示了基于这些样本的二次拟合。虽然也可以找到数据业务的拐点(如图6B中的星号所示),但是由于在TCP延迟高的情况下用户数量很少,所以拐点大大降低(即偏向于低延迟,x轴的左侧)。它不能真实反映用户因为TCP延迟增加而放弃使用网络。
本公开提出了一种用于建立变化模型的新算法。根据所述算法,数据样本被进一步选择,以使得所选择的数据样本能够均匀地分布在样本空间中。变化模型是根据所选择的数据样本计算的。对此,高TCP延迟情况下的数据样本数量不小于低TCP延迟情况下的数据样本数量。可以缓解由于数据样本分布不均匀导致的拐点偏差。从变化模块识别的拐点可能更可靠。
图6C图示了用于使在样本空间中的数据样本的分布均匀的示例。二维样本空间可以划分为M×N个网格。在图6C中所示的例子中,M被设置为13,N被设置为1。然后,在每个网格中随机采样或选择多个数据样本。从网格(索引为i,i=1,...,M×N)中采样的数据样本的数量表示为pi,且pi=Min(Nsamples,Ni total count),其中Nsamples是从每个网格中选择的预定数量的数据样本,Ntotal count是一个网格i中的数据样本数量。因此,样本将均匀分布在整个二维样本空间中。这意味着,每个网格可能具有相等的数据样本值。
图6D图示了基于这些均匀分布的样本的二次拟合。与上图6B相比较,数据业务变化的拐点(如图6D中的星号所示)比传统算法稍微靠右。它更准确地反映了用户因KQI感知不佳而减少的网络使用量。
返回图5,基于拐点,可以在530识别出有数据业务抑制的小区。如上所述,拐点指示KQI参数的阈值,并且当KQI参数降级到超过阈值时,用户的数据业务需求通常将被抑制。因此,可以将KQI参数的测量比与变化模型中拐点对应的KQI参数的阈值更差的数据样本可以被识别为数据业务抑制小区的数据样本。例如,图6B和6D可中阴影区域中的数据样本可以被识别为具有数据业务抑制的小区的数据样本。在一些实施例中,可以结合由数据样本的其他测量指示的无线电环境来进行识别。例如,可以排除具有高质量无线电环境的数据样本。可以根据样本的相关KPI,例如SINR、CQI等相关指标,来确定采样数据样本所在的无线电环境。应理解,由于这些数据样本是在高质量的无线电环境中采样的,因此这些数据样本的KQI降级可能不是由无线电问题引起的。
现在返回图3,该过程可以进一步进行以估计具有数据业务抑制的每个小区的数据业务抑制的程度。在这点上,该过程还可以包括基于在与数据业务场景对应的组中的数据样本,针对数据业务场景建立在对物理资源的利用与数据业务量之间的关系模型,如330所示。为了增加关系模块的稳健性,这里可以使用广义线性拟合。图4示出了基于针对每个数据业务场景的数据样本,用于建立在下行链路PRB利用率与数据业务总量之间的关系模型的线性拟合算法的模拟。如图所示,对于不同的数据业务场景,计算出的拟合模型可能不同。
在一些实施例中,对于具体的数据业务场景,可以选择具有高质量无线电环境的数据样本来构建基准数据集。在其他实施例中,可以过滤掉无线电环境质量降低的数据样本,以便留下的数据样本构建基准数据集。此外,可以确定将从基准数据集中排除具有数据业务抑制的数据样本。换言之,基准数据集中的数据样本不会被识别为具有数据业务抑制的数据样本。可以基于基准数据集建立关系模型。例如,可以根据预先定义的规则,识别具有高质量无线电环境的数据样本和/或无线电环境质量降低的数据样本。假设基准数据集中的这些数据样本能够反映在对物理资源的利用与数据业务量之间的理想或期望的关系,因为无线电环境对数据业务量的影响较小。无线电环境的质量可以通过相关的KPI参数来指示,例如SINR、CQI等与无线电环境相关的其他参数。预定义规则可以根据专家的经验、机器学习或其他适用机制来建立。需要说明的是,针对不同业务场景的预定义规则可能不同。
在340处,对于在320处识别的具有数据业务抑制的每个小区,可以基于在330处建立的在对物理资源的利用和数据业务量之间的关系模型来估计数据业务抑制的程度。例如,如果确定在具体数据业务场景的组中的数据样本的数据业务在拐点下被抑制。这表示该数据样本的小区是在该数据业务场景下具有数据业务抑制的小区。小区的对物理资源的利用可以通过KPI测量来计算,例如下行链路/上行链路PRB利用率。然后,根据针对该数据业务场景的对物理资源的利用与数据业务量之间的关系模型,具有数据业务抑制的小区的理论数据业务量。同时,可以确定在该数据业务场景下具有数据业务抑制的小区的实际数据业务。根据理论数据业务与实际数据业务的差异,可以估计在该数据业务场景下在小区内用户的需求被抑制的程度。
如果可以识别出具有数据业务抑制的小区,并进一步可以估计在该小区中数据业务抑制的程度或数量,则该识别和估计的结果可以在资源有限的情况下对网络建设和网络扩展起到指导作用。资源投入更适合用户的实际数据流量需求。例如,数据流量抑制的值可以最大限度地利用资源,保证用户感知,提高投资回报率(ROI)。
图7是描绘先前在图3中示出的过程300的详细示例的流程图。所述流程可由图2所示的分类模块202实现。如图2所述。在710,收集多个数据样本。数据样本可以从数据源230获得。可选地,数据样本可以被过滤以去除数据样本中的异常值,如720所示。可选地,可以将每个数据样本与数据业务场景的至少一个特征相关联,如730所示。例如,KPI和KQI的测量可以与指示何时测量KPI和KQI的时间以及指示在哪个小区中测量KPI和KQI的标识符相关联。在740,例如根据数据业务场景的特征,可以将数据样本聚类到对应于多个数据业务场景的多个组中。例如,数据业务场景的特征包括但不限于平均数据业务、用户数量和时间段。
根据本公开的实施例,可以通过利用基于数据样本的聚类算法自动划分数据业务场景。传统的场景划分算法分为三类:
·根据基站位置(统称为地理场景)划分场景;
·根据基站和服务对象的覆盖类型(统称为服务类型)划分场景;
·根据基站的天线角度、功率、站高等信息(统称为无线硬件配置)划分场景。
由于城市地区的无线基站数量已经非常庞大,通信服务已经从原来的语音通信转变为多样化的数据服务(图像、视频、音频、网页浏览等),传统的场景划分算法无法真实反映数据业务场景。为了准确划分数据业务场景,本发明提出了一种新的聚类算法,通过应用和修改机器学习算法(如K-均值聚类算法),给出更准确的场景划分。
此外,将K-均值聚类算法直接应用于数据业务场景的划分是不可行的,因为它假设数据是独立的,而不管无线通信中的数据上下文。例如,正常的K-均值聚类算法没有考虑KPI指标的许多测量会周期性变化。例如,网络中的数据业务可能在白天很高,而在午夜变低。商业中心周围的数据业务可能会在每个周末急剧增加。此外,这种周期性变化将通过每个小区采样的数据样本反映出来。在这点上,应该基于小区标识符来考虑数据样本中的周期性。换句话说,应该将具有相同小区标识符的数据样本按时间周期归入同一类别。因此,无线通信领域的聚类算法应该是具有一定约束条件的无监督聚类。
在本发明提出的场景划分中,需要考虑的因素可以包括但不限于:频段、带宽、社交场景、室内和室外、人数、业务类型、忙闲时间段等。改进的聚类算法是基于聚类算法中的K-均值算法。正常的K-均值算法概念如下:
步骤1:首先,随机选择k个样本点作为初始起点,其中k为聚类将要形成的组的数量,k是预先定义的。
步骤2:计算所有样本点到初始起点的距离,将最近的一组点被收集为相同的组。
步骤3:通过使用欧几里得距离重新计算相同组的点的中心,即质心。
步骤4:重新计算从所有点到步骤3中新计算的各个组的质心的距离。在这方面,这些质心是新的起点。
步骤5:返回步骤1和步骤2,对分类和质心进行重新分类。
可以重复上述步骤1-5,直到满足终止条件。例如,K-均值算法的终止条件可以表示为:
其中,Si是组中的样本点的集合,j是Si的索引,μi是Si的质心(例如平均值),x是Si的样本点,i是x的索引。每个样本点x可以是多维向量。其维度的每个组分可以对应于如上所述的需要在分类中考虑的因素。
使用K-均值算法,各个组都趋于球形。这是因为算法中计算出的距离是由欧几里得距离定义的。分类由初始起点选择。这些起点可以是随机选择,或者由某些特定算法确定。由于起点会影响聚类精度,因此可以多次运行聚类算法,以选择最佳起点集合。所述算法的时间复杂度为O(ndk+1logn),因此运行非常快。此外,该算法属于启发式算法。它不能保证收敛到全局最优解,但在大多数情况下,它可以收敛到一个理想的局部解。
如上所述,正常K-均值聚类算法假设数据是独立的,而与数据上下文无关。但是无线通信数据实际上与小区密切相关。在本公开中,提出了一种改进算法,使得尽可能将同一小区的所有数据划分到相同组中。
在一个实施例中,可以在改进的K-均值算法中加入新的距离惩罚系数p。系数p用于对属于同一小区的两个样本点之间的距离进行加权。例如,如果两个样本点是同一个小区的样本,则惩罚系数p被设置为1;否则,惩罚系数p被设置为0。
样本点之间的距离计算仍然可以使用欧几里得距离。所有的样本点都可以标准化。改进算法的算术描述可以如下:
·样本空间为Q=X(m),其中X(m)为样本点xm的向量集,xm为多维向量,m为x在X(m)中的索引;
·对所有样本点进行标准化,使其均值μ=0,方差E=1;
·距离定义
然后,可以使用K-均值算法对样本点进行聚类,例如,具有等式(1)m的终止条件。一种修改是,将距离计算为欧几里得距离和惩罚系数的总和。可以理解的是,可以通过任何合适的方式对距离进行加权,以便于将相同小区中的样本点分类到相同组中。在这点上,例如,指示哪个小区与样本点相关联的小区标识符可以是样本点的向量的因子。
现在参考图8,其示出了适用于实践本发明示例性实施例的各种电子设备的简化框图。在图8中,数据处理设备800(例如数据处理设备104和200)适用于基于通信网络的KPI和KQI的数据样本来分析数据业务抑制。数据分析可以根据如上所述的本公开的示例性实施例来执行。
数据处理设备800包括数据处理器(DP)801和存储程序(PROG)805的存储器(MEM)803。可选地,数据处理设备800还可以包括能的收发器807,用于经由一个或多个通信网络与数据源、通信网络的网络组件以及其他通信设备通信。假定PROG 805包括程序指令,当由DP 801执行该程序指令时,该程序指令使数据处理设备能够根据如上所述的本公开的示例性实施例进行操作。即,本公开的示例性实施例可以至少部分地由DP 801可执行的计算机软件、或者由硬件、或者由软件和硬件的组合来实现。数据处理设备800的基本结构和操作是本领域技术人员已知的。
MEM 803可以是适合于本地技术环境的任何类型,并且可以使用任何合适的数据存储技术来实现,例如基于半导体的存储设备、闪存、磁存储设备和系统、光存储设备和系统、固定存储器和可移动存储器。作为非限制性示例,DP 801可以是适合本地技术环境的任何类型,并且可以包括通用计算机、专用计算机、微处理器、数字信号处理器(DSP)和基于多核处理器架构的处理器中的一个或多个。
一般而言,各种示例性实施例可以以硬件或专用电路、软件、逻辑或其任何组合来实现。例如,一些方面可以在硬件中实现,而其他方面可以在可由控制器、微处理器或其他计算设备执行的固件或软件中实现,但是本发明不限于此。虽然可以将本发明的示例性实施例的各个方面图示和描述为框图、流程图或使用一些其他图形表示,但是很好理解的是,作为非限制性示例,这里描述的这些框图、装置、系统、技术或方法可以在硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备,或它们的一些种组合中实现。
因此,应当理解,本发明的示例性实施例的至少一些方面可以在诸如集成电路芯片和模块的各种组件中实施。因此应当理解,本发明的示例性实施例可以在体现为集成电路的装置中实现,其中集成电路可以包括用于体现数据处理器、数字信号处理器、基带电路和射频电路中的至少一个或多个的电路(以及可能的固件),它们能被配置以便根据本发明的示例性实施例操作。
应当理解,本发明的示例性实施例的至少一些方面可以体现在由一个或多个计算机或其他设备执行的计算机可执行指令中,例如在一个或多个程序模块中。通常,程序模块包括当由计算机或其他设备中的处理器执行时执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等。计算机可执行指令可以存储在计算机可读介质上,例如硬盘、光盘、可移动存储介质、固态存储器、随机存取存储器等。如本领域技术人员将理解,在各种实施例中,程序模块的功能可以根据需要组合或分布。此外,所述功能可以全部或部分地体现在固件或硬件等价物中,例如集成电路、现场可编程门阵列(FPGA)等。
本发明包括本文中明确公开的任何新颖特征或特征的组合,或其任何概括。当结合附图阅读时,鉴于前述描述,对本发明的前述示例性实施例的各种修改和修改对于相关领域的技术人员而言将变得显而易见。然而,任何和所有修改仍将落入本发明的非限制性和示例性实施例的范围内。
Claims (30)
1.一种方法,包括:
将通信网络的多个数据样本分类为与多个数据业务场景对应的多个组,其中所述多个数据样本中的数据样本包括对一个小区中的网络性能的一个或多个测量和对所述一个小区中的服务质量的一个或多个测量,并且其中所述网络性能包括数据业务量;
基于在与所述多个数据业务场景中的数据业务场景对应的组中的数据样本,针对所述数据业务场景来建立数据业务量随所述服务质量的变化模型;
基于所述变化模型,来识别所述数据业务量随所述服务质量恶化的变化趋势的拐点;以及
基于所述拐点来识别具有数据业务抑制的小区。
2.如权利要求1所述的方法,还包括:
收集多个数据样本;以及
将每个数据样本与数据业务场景的特征相关联。
3.如权利要求1或2所述的方法,其中所述分类是基于数据业务场景的特征进行的。
4.根据权利要求1所述的方法,其中所述分类是基于聚类算法,在所述聚类算法中相同小区的数据样本被分类到相同的组中。
5.根据权利要求1所述的方法,其特征在于,所述网络性能还包括对物理资源的利用,并且所述方法还包括:
基于在与所述数据业务场景对应的组中的数据样本,针对所述数据业务场景来建立在所述对物理资源的利用与所述数据业务量之间的关系模型;以及
基于所述关系模型来估计对于所识别小区的数据业务抑制的值。
6.如权利要求5所述的方法,其中估计数据业务抑制的值包括:
根据在所述对物理资源的利用与所述数据业务量之间的关系模型,计算所识别的具有数据业务抑制的小区的理论数据业务量;以及
基于在所述理论数据业务量与实际数据业务量之间的差异来估计所述数据业务抑制的值。
7.如权利要求5所述的方法,还包括:
根据预定规则从与所述数据业务场景对应的组的数据样本中选择数据样本,以构建用于所述数据业务场景的基准数据集;以及
基于所述基准数据集来建立所述关系模型。
8.根据权利要求5所述的方法,还包括:
利用广义线性拟合来计算在所述对物理资源的利用与所述数据业务量之间的关系模型。
9.如权利要求1所述的方法,其中建立所述变化模型包括:
从组的数据样本中选择数据样本,从而使得所选择的数据样本均匀分布在所述组的样本空间中;以及
基于所述所选择的数据样本来计算所述变化模型。
10.根据权利要求1所述的方法,其中识别具有数据业务抑制的小区包括:
识别具有比对应于所述变化模型中的所述拐点的服务质量值更差的服务质量测量的数据样本;以及
将所识别的数据样本的小区确定为具有数据业务抑制的小区。
11.根据权利要求1所述的方法,其中,所述网络性能包括用所述网络的关键性能指标(KPI)指示的参数,并且所述服务质量包括用所述网络的关键质量指标(KPI)指示的参数。
12.一种装置,包括:
至少一个处理器;和
包括计算机程序代码的至少一个存储器,所述存储器和所述计算机程序代码被配置为与所述处理器一起使所述装置至少执行以下操作:
将通信网络的多个数据样本分类为与多个数据业务场景对应的多个组,其中所述多个数据样本的数据样本包括对一个小区中的网络性能的一个或多个测量和对所述一个小区中的服务质量的一个或多个测量,并且其中所述网络性能包括数据业务量;
基于在与所述多个数据业务场景中的数据业务场景对应的组中的数据样本,针对所述数据业务场景来建立数据业务量随所述服务质量的变化模型;
基于所述变化模型,来识别所述数据业务量随服务质量恶化的变化趋势的拐点;以及
基于所述拐点来识别具有数据业务抑制的小区。
13.根据权利要求12所述的装置,其中所述分类是基于聚类算法,在所述聚类算法中相同小区的数据样本被分类为相同的组。
14.根据权利要求12所述的装置,其中所述网络性能还包括对物理资源的利用,以及
所述存储器和所述计算机程序代码被配置为与所述处理器一起使所述装置执行至少所述以下操作:
基于在与所述数据业务场景对应的组中的数据样本,针对所述数据业务场景来建立在所述对物理资源的利用与所述数据业务量之间的关系模型;以及
基于所述关系模型来估计对于所识别的小区的数据业务抑制的值。
15.根据权利要求14所述的装置,其中所述存储器和所述计算机程序代码被配置为与所述处理器一起使所述装置通过以下操作来估计数据业务抑制的值:
根据在所述对物理资源的利用与所述数据业务量之间的关系模型,计算所识别的具有数据业务抑制的小区的理论数据业务量;以及
基于在所述理论数据业务量与实际数据业务量之间的差异来估计所述数据业务抑制的值。
16.根据权利要求14所述的装置,其中所述存储器和所述计算机程序代码被配置为与所述处理器一起使所述装置至少进一步执行以下操作:
根据预定规则从与所述数据业务场景对应的组的数据样本中选择数据样本,以构建用于所述数据业务场景的基准数据集;以及
基于所述基准数据集来建立所述关系模型。
17.根据权利要求14所述的装置,其中,所述存储器和所述计算机程序代码被配置为与所述处理器一起使所述装置至少进一步执行以下操作:
利用广义线性拟合来计算在所述对物理资源的利用与所述数据业务量之间的所述关系模型。
18.根据权利要求12所述的装置,其中,所述存储器和计算机程序代码被配置为与所述处理器一起使所述装置通过以下方式建立所述变化模型:
从组的数据样本中选择数据样本,从而使得所选择的数据样本均匀分布在所述组的样本空间中;以及
根据所述所选择的数据样本来计算所述变化模型。
19.根据权利要求12所述的装置,其中,所述存储器和所述计算机程序代码被配置为与所述处理器一起使得所述装置通过以下操作来识别具有数据业务抑制的小区:
识别具有比对应于所述变化模型中的所述拐点的服务质量值更差的服务质量测量的数据样本;以及
将所识别的数据样本的小区确定为具有数据业务抑制的小区。
20.根据权利要求12所述的装置,其中,所述网络性能包括用所述网络的关键性能指标(KPI)指示的参数,并且所述服务质量包括用所述网络的关键质量指标(KPI)指示的参数。
21.一种装置,包括:
用于将通信网络的多个数据样本分类为与多个数据业务场景对应的多个组的模块,其中所述多个数据样本的数据样本包括对一个小区中的网络性能的一个或多个测量和对所述一个小区中的服务质量的一个或多个测量,并且其中所述网络性能包括数据业务量;
用于基于在与所述多个数据业务场景中的数据业务场景对应的组中的数据样本,针对所述数据业务场景来建立数据业务量随所述服务质量的变化模型的模块;
用于基于所述变化模型来识别所述数据业务量随所述服务质量恶化的变化趋势的拐点的模块;以及
基于所述拐点来识别具有数据业务抑制的小区的模块。
22.根据权利要求21所述的装置,还包括:
用于基于在与所述数据业务场景对应的组中的数据样本,针对所述数据业务场景来建立在对物理资源的利用与所述数据业务之间的关系模型的模块;以及
用于基于所述关系模型来估计所识别小区的数据业务抑制的值的模块。
23.根据权利要求22所述的装置,其中用于估计数据业务抑制的值的模块包括:
用于根据在所述对物理资源的利用与所述数据业务量之间的关系模型计算所识别的具有数据业务抑制的小区的理论数据业务的模块;以及
用于基于所述理论数据业务量与实际数据业务量之间的差异来估计所述数据业务抑制的值的模块。
24.根据权利要求21所述的装置,其中用于建立所述变化模型的模块包括:
用于从组的数据样本中选择数据样本从而使得所选择的数据样本均匀分布在所述组的样本空间中的模块;以及
用于基于所述所选择的数据样本来计算所述变化模型的模块。
25.根据权利要求21所述的装置,其中用于识别具有数据业务抑制的小区的模块包括:
用于识别具有比对应于所述变化模型中的拐点的服务质量值更差的服务质量测量值的数据样本的模块;以及
用于将所识别的数据样本的小区确定为具有数据业务抑制的小区的模块。
26.一种计算机可读存储介质,其上存储有指令,当所述指令由至少一个处理器执行时,所述指令使所述至少一个处理器:
将通信网络的多个数据样本分类为与多个数据业务场景对应的多个组,其中所述多个数据样本的数据样本包括对一个小区中的网络性能的一个或多个测量和对所述一个小区中的服务质量的一个或多个测量,并且其中所述网络性能包括数据业务量;
基于在与所述多个数据业务场景中的数据业务场景对应的组中的数据样本,针对所述数据业务场景来建立数据业务量随所述服务质量的变化模型;
基于所述变化模型,来识别所述数据业务量随眼务质量恶化的变化趋势的拐点;以及
基于所述拐点来识别具有数据业务抑制的小区。
27.根据权利要求26所述的计算机可读存储介质,其中当所述指令由至少一个处理器执行时,所述指令使所述至少一个处理器进一步:
基于在与所述数据业务场景对应的组中的数据样本,针对所述数据业务场景来建立在对物理资源的利用与所述数据业务量之间的关系模型;以及
基于所述关系模型,来估计对于所识别的小区的数据业务抑制的值。
28.根据权利要求27所述的计算机可读存储介质,其中当所述指令由至少一个处理器执行时,所述指令使所述至少一个处理器进一步:
根据在所述对物理资源的利用与所述数据业务量之间的关系模型,计算所识别的具有数据业务抑制的小区的理论数据业务量;以及
基于所述理论数据业务量与实际数据业务量之间的差异来估计所述数据业务抑制的值。
29.根据权利要求26所述的计算机可读存储介质,其中当由至少一个处理器执行时,所述指令使所述至少一个处理器进一步:
从组的数据样本中选择数据样本,从而使得所选择的数据样本均匀分布在所述组的样本空间中;以及
根据所述所选择的数据样本来计算所述变化模型。
30.根据权利要求26所述计算机可读存储介质,其中当所述指令由至少一个处理器执行时,所述指令使所述至少一个处理器进一步:
识别具有比对应于所述变化模型中的所述拐点的服务质量值更差的服务质量测量的数据样本;以及
将所识别的数据样本的小区确定为具有数据业务抑制的小区。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2019/084337 WO2020215282A1 (en) | 2019-04-25 | 2019-04-25 | Method and apparatus for evaluate data traffic depressed by radio issues |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113728673A true CN113728673A (zh) | 2021-11-30 |
Family
ID=72941260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980095709.5A Pending CN113728673A (zh) | 2019-04-25 | 2019-04-25 | 用于估计被无线电问题抑制的数据业务的方法和装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113728673A (zh) |
WO (1) | WO2020215282A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115379479B (zh) * | 2022-08-23 | 2024-04-19 | 中国联合网络通信集团有限公司 | 小区覆盖类型确定方法、装置、设备及存储介质 |
CN117131149B (zh) * | 2023-10-26 | 2024-01-23 | 四川国蓝中天环境科技集团有限公司 | 一种基于运渣车gps轨迹的土石方点位和运输网络识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139227B (zh) * | 2015-08-20 | 2018-06-26 | 上海华为技术有限公司 | 一种数据计算方法及装置 |
US9756518B1 (en) * | 2016-05-05 | 2017-09-05 | Futurewei Technologies, Inc. | Method and apparatus for detecting a traffic suppression turning point in a cellular network |
-
2019
- 2019-04-25 CN CN201980095709.5A patent/CN113728673A/zh active Pending
- 2019-04-25 WO PCT/CN2019/084337 patent/WO2020215282A1/en active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2020215282A1 (en) | 2020-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109195170B (zh) | 小区扩容方法、装置及存储介质 | |
CN109788488B (zh) | 一种网络站点的规划方法和装置 | |
CN110505650B (zh) | 随机异构分层网容量智能评估方法及装置 | |
EP2863674B1 (en) | Capacity planning method and device for wireless broadband network | |
US10285186B2 (en) | System and method for grouping and selecting transmission points | |
CN110121213B (zh) | 一种多业务资源调度方法及装置 | |
US9906417B2 (en) | Method of operating a self organizing network and system thereof | |
Muñoz et al. | Self-dimensioning and planning of small cell capacity in multitenant 5G networks | |
Khatibi et al. | A model for virtual radio resource management in virtual RANs | |
CN114007225A (zh) | Bwp的分配方法、装置、电子设备及计算机可读存储介质 | |
US20220247634A1 (en) | Information processing method, apparatus, device and computer readable storage medium | |
Gao et al. | A coverage of self-optimization algorithm using big data analytics in WCDMA cellular networks | |
EP4075752A1 (en) | Intelligent capacity planning and optimization | |
CN111836306A (zh) | 功率协调方法及装置 | |
CN113728673A (zh) | 用于估计被无线电问题抑制的数据业务的方法和装置 | |
Hu et al. | A study of LTE network performance based on data analytics and statistical modeling | |
US11564117B2 (en) | User equipment based network capability scoring for wireless wide area network management | |
US9554335B2 (en) | Method and system for self-optimized uplink power control | |
WO2021164633A1 (zh) | 权值的发送方法、装置、存储介质及电子装置 | |
US20210392517A1 (en) | Dynamic adaptation of mobile network coverage | |
CN116724595A (zh) | 用于QoS策略优化的网络小区分类 | |
EP2894892B1 (en) | Frequency spectrum division methods, control device and base station | |
US20140328188A1 (en) | Maintaining High Signal Quality In Mobile Wireless Networks Using Signal Relative Importance Values | |
TWI724498B (zh) | 行動網路階層優化之系統及其方法 | |
CN103338521B (zh) | 小区间干扰协调方法及装置 |
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 |