CN114071525B - 基站优化次序确定方法、装置及存储介质 - Google Patents

Abstract

本公开提供一种基站优化次序确定方法、装置及存储介质，该方法包括：获取目标区域内基站的历史指标数据；根据历史指标数据，确定目标区域内的非正常状态基站；根据历史指标数据，确定非正常状态基站的区域权重；根据区域权重，确定目标基站，目标基站包括非正常状态基站影响程度较大的预设个数的基站；根据目标基站，确定非正常状态基站的优化次序。本公开综合考虑了多个基站之间的相互影响，使得确定的基站优化次序更加准确，进而可以更快速地恢复网络正常运行。

Description

基站优化次序确定方法、装置及存储介质

技术领域

本公开涉及通信技术领域，尤其涉及一种基站优化次序确定方法、装置及存储介质。

背景技术

随着无线通信技术的快速发展，用户对网络的需求日益增多，基站的正常运行对现网的网络感知至关重要。一旦区域内多个基站发生异常，快速恢复异常基站使其正常运行，能够大大降低区域内的用户投诉。

目前，当区域内网络出现问题时，现有的解决方式为通过基站侧的相关指标，从处理难易程度、用户投诉多少、基站指标重要性等方面进行优化次序的确定。但通过上述解决方式确定的优化次序，不能快速使得网络恢复正常运行。

发明内容

为了解决上述问题，本公开提供了一种基站优化次序确定方法、装置及存储介质，以达到快速恢复网络正常运行的目的。

第一方面，本公开提供了一种基站优化次序确定方法，包括：

获取目标区域内基站的历史指标数据；

根据历史指标数据，确定目标区域内的非正常状态基站；

根据历史指标数据，确定非正常状态基站的区域权重，区域权重用于表征非正常状态基站在至少一个指标上的占比；

根据区域权重，确定目标基站，目标基站是从非正常状态基站对基站影响程度值大于预设阈值的基站中确定的；

根据目标基站，确定非正常状态基站的优化次序。

一种可能的实施方式中，根据区域权重，确定目标基站，包括：将区域权重输入至基站优化次序判别模型，得到基站优化次序判别模型的输出结果，其中，基站优化次序判别模型是根据历史指标数据和区域权重得到的；根据输出结果，确定目标基站。

一种可能的实施方式中，根据目标基站，确定非正常状态基站的优化次序，包括：根据非正常状态基站及目标基站，确定至少一个待优化基站簇，待优化基站簇内中心点为非正常状态基站；根据至少一个待优化基站簇，确定非正常状态基站的优化次序。

一种可能的实施方式中，根据至少一个待优化基站簇，确定非正常状态基站的优化次序，包括：针对至少一个待优化基站簇，确定待优化基站簇内的非正常状态基站对待优化基站簇内的目标基站的影响程度值；确定影响程度值的和为非正常状态基站对待优化基站簇的总影响程度值；根据至少一个非正常状态基站对应的总影响程度值，得到非正常状态基站的优化次序，总影响程度值越大的非正常状态基站，优化次序越高。

一种可能的实施方式中，还包括：根据非正常状态基站对待优化基站簇内的目标基站的影响程度值，确定待优化基站簇内的目标基站的优化次序。

一种可能的实施方式中，历史指标数据包括基站的物理指标和业务指标，根据历史指标数据，确定目标区域内的非正常状态基站，包括：根据目标区域内基站的物理指标和业务指标，确定目标区域内的非正常状态基站，非正常状态基站包括故障基站、高负荷基站、越区覆盖基站、干扰基站、功率异常基站以及业务量发生大幅波动的基站中的至少一种。

一种可能的实施方式中，根据历史指标数据，确定非正常状态基站的区域权重，包括：基于历史指标数据，根据如下公式确定非正常状态基站在目标区域内的区域权重：

y＝a*x1+b*x2+c*x3

其中，y表示区域权重，a、b、c分别表示在目标区域下场景x1、业务量x2和收益x3所对应的占比。

第二方面，本公开提供一种基站优化次序确定装置，包括：

获取模块，用于获取目标区域内基站的历史指标数据；

第一确定模块，用于根据历史指标数据，确定目标区域内的非正常状态基站；

第二确定模块，用于根据历史指标数据，确定非正常状态基站的区域权重，区域权重用于表征非正常状态基站在至少一个指标上的占比；

第三确定模块，用于根据区域权重，确定目标基站，目标基站是从非正常状态基站对基站影响程度值大于预设阈值的基站中确定的；

第四确定模块，用于根据目标基站，确定非正常状态基站的优化次序。

一种可能的实施方式中，第三确定模块具体用于：将区域权重输入至基站优化次序判别模型，得到基站优化次序判别模型的输出结果，其中，基站优化次序判别模型是根据历史指标数据和区域权重得到的；根据输出结果，确定目标基站。

一种可能的实施方式中，第四确定模块具体用于：根据非正常状态基站及目标基站，确定至少一个待优化基站簇，待优化基站簇内中心点为非正常状态基站；根据至少一个待优化基站簇，确定非正常状态基站的优化次序。

一种可能的实施方式中，第四确定模块具体用于，包括：针对至少一个待优化基站簇，确定待优化基站簇内的非正常状态基站对待优化基站簇内的目标基站的影响程度值；确定影响程度值的和为非正常状态基站对待优化基站簇的总影响程度值；根据至少一个非正常状态基站对应的总影响程度值，得到非正常状态基站的优化次序，总影响程度值越大的非正常状态基站，优化次序越高。

一种可能的实施方式中，还包括第五确定模块，用于：根据非正常状态基站对待优化基站簇内的目标基站的影响程度值，确定待优化基站簇内的目标基站的优化次序。

一种可能的实施方式中，第一确定模块具体用于：根据目标区域内基站的物理指标和业务指标，确定目标区域内的非正常状态基站，非正常状态基站包括故障基站、高负荷基站、越区覆盖基站、干扰基站、功率异常基站以及业务量发生大幅波动的基站中的至少一种。

一种可能的实施方式中，第二确定模块具体用于：基于历史指标数据，根据如下公式确定非正常状态基站在目标区域内的区域权重：

y＝a*x1+b*x2+c*x3

其中，y表示区域权重，a、b、c分别表示在目标区域下场景x1、业务量x2和收益x3所对应的占比。

第三方面，本公开提供一种电子设备，包括：

存储器和处理器；

存储器用于存储程序指令；

处理器用于调用所述存储器中的程序指令执行第一方面的基站优化次序确定方法。

第四方面，本公开一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序指令，计算机程序指令被执行时，实现第一方面的基站优化次序确定方法。

第五方面，本公开提供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第一方面的基站优化次序确定方法。

本公开提供一种基站优化次序确定方法、装置及存储介质，该方法包括：获取目标区域内基站的历史指标数据；根据历史指标数据，确定目标区域内的非正常状态基站；根据历史指标数据，确定非正常状态基站的区域权重，区域权重用于表征非正常状态基站在至少一个指标上的占比；根据区域权重，确定目标基站，目标基站包括非正常状态基站影响程度较大的预设个数的基站；根据目标基站，确定非正常状态基站的优化次序。本公开的基站优化次序确定方法通过先确定目标区域内的非正常状态基站，再通过确定非正常状态基站的区域权重，进一步确定每个非正常状态基站周围受影响程度较大的目标基站。最终综合多个目标基站，确定非正常状态基站之间的优化次序。这种方法综合考虑了多个基站之间的相互影响，使得确定的基站优化次序更加准确，进而可以更快速地恢复网络正常运行。

附图说明

为了更清楚地说明本公开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做一简单地介绍，显而易见地，下面描述中的附图是本公开的一些实施例，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为本公开一实施例提供的应用场景示意图；

图2为本公开一实施例提供的基站优化次序确定方法的流程图；

图3为本公开另一实施例提供的基站优化次序确定方法的流程图；

图4为本公开一实施例提供的基站优化次序确定装置的结构示意图；

图5为本公开一实施例提供的电子设备的结构示意图。

具体实施方式

为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

目前，当网络运行出现问题时，现有的解决方式为：①通过查询网管平台对非正常基站状态进行确认，针对短期内可以快速解决并恢复的站点进行优先处理；②通过对非正常状态基站的历史用户投诉进行汇总，针对用户投诉较多感知敏感的站点进行优先处理；③预先对基站各个指标的重要度进行计算，针对重要指标出现较大波动的异常站点进行优先处理。

但是，发明人发现：上述方式均是基于单个基站的相关指标，进行优化次序的判断。因此，上述方式忽略了在实际场景中某个基站相对于其他基站的重要性，在优化过程中，如果能够快速找到并解决区域内最重要的基站所存在的问题，对应的其他受之影响而导致异常的基站的状态也会随之恢复正常。基于上述问题，本公开的实施例提供了一种基站优化次序确定方法、装置及存储介质，基于多个基站之间的相互关系，进一步确定非正常状态基站的优化次序，从而快速解决网络异常，提升用户的网络感知。

图1为本公开一实施例提供的应用场景示意图。如图1所示，本应用场景中。包括目标基站1、目标基站2、目标基站3和目标基站4，以及非正常状态基站1和非正常状态基站2。其中，非正常状态基站1对目标基站1和目标基站2造成影响；非正常状态基站2对目标基站3和目标基站4造成影响。

示例地，可以将非正常状态基站1与目标基站1、目标基站2看作第一待优化基站簇，将非正常状态基站2与目标基站3、目标基站4看作第二待优化基站簇。其中，若非正常状态基站1对目标基站1和目标基站2的影响程度大于非正常状态基站2对目标基站3和目标基站4的影响程度，则优先优化非正常状态基站1；反之，若非正常状态基站2对目标基站3和目标基站4的影响程度大于非正常状态基站1对目标基站1和目标基站2的影响程度，则优先优化非正常状态基站2。

需要说明的是，图1仅是本公开实施例提供的一种应用场景的示意图，本公开实施例不对图1中包括的设备进行限定，也不对图1中设备之间的位置关系进行限定。例如，在图1所示的应用场景中，还可以包括其他非正常状态基站，每个非正常状态基站下，可能还会影响更多的目标基站，本公开不对其个数加以限定。另外，基站的类型可以是4G基站，5G基站等。

接下来，通过具体实施例介绍基站优化次序确定方法。

图2为本公开一实施例提供的基站优化次序确定方法的流程图，如图2所示，该方法包括：

S201、获取目标区域内基站的历史指标数据。

其中，获取历史指标数据的方式可以是通过网络管理平台获取，也可以是通过基站侧的存储设备获取。

示例性地，所述历史指标数据包括但不限于基站的常规指标、业务指标、以及收益指标等。其中，常规指标包括基站的位置、高度、方位角、下倾角等物理参数指标；业务指标包括基站的通话业务指标和上网业务指标；收益指标包括基站的单用户收益、平均流量收益和总用户收益等。

S202、根据历史指标数据，确定目标区域内的非正常状态基站。

其中，确定非正常状态基站的个数可以是1个，也可以是多个，本公开不对其加以限定。

另外，确定非正常状态基站的标准可以是根据常规指标，也可以是根据业务指标，也可以是根据收益指标，或者，也可以是将上述指标结合起来进行确定。

一些实施方式中，根据历史指标数据，确定目标区域内的非正常状态基站，可以包括：根据目标区域内基站的物理指标和业务指标，确定目标区域内的非正常状态基站，非正常状态基站包括故障基站、高负荷基站、越区覆盖基站、干扰基站、功率异常基站以及业务量发生大幅波动的基站中的至少一种。

上述实施例中，可以通过业务量来确定故障基站，具体地，若基站的业务量低于业务量阈值，可以认为该基站为故障基站。另外，还可以通过上下行流量来确定高负荷基站，具体地，若某个基站的上下行流量大于流量阈值，则可以认为该基站为高负荷基站。还可以通过信号干扰来判断越区覆盖基站或者干扰基站，等等。

S203、根据历史指标数据，确定非正常状态基站的区域权重，区域权重用于表征非正常状态基站在至少一个指标上的占比。

其中，确定的区域权重表征了非正常状态基站在目标区域的权重。并且，该区域权重表征的是当该基站为正常状态时的区域权重。应理解：若根据该基站为非正常状态基站时的各个指标，确定区域权重，此时，由于基站处于非正常状态，无法正常实现其业务，因此，会导致最终确定的区域权重值出现偏差，无法正常体现该基站的业务能力和覆盖范围。

一些实施例中，根据历史指标数据，确定非正常状态基站的区域权重，可以包括：基于历史指标数据，根据如下公式确定非正常状态基站在目标区域内的区域权重：

y＝a*x1+b*x2+c*x3

其中，y表示区域权重，a、b、c分别表示在目标区域下场景x1、业务量x2和收益x3所对应的占比。

可见，区域权重是至少由上述三个维度来确定的。其中，该a、b、c对应的占比是可以根据实际情况灵活设置的，例如有：a+b+c＝1。

例如，当所述基站对应的场景为重点场景，则a的占比相对较高，表示该基站在目标区域内，场景占比较高。即，场景在这个维度下，具有优化次序的优先权；同理，当所述基站对应的业务量较高，则b的占比相对较高，表示该基站在目标区域内，当业务量发生波动时具有高优先权的优化次序；同样地，对于高收益的基站，所谓高收益基站，可以理解为该基站覆盖区域下的用户消费数额较高。当一个基站的c占比较高时，其对于收益方面出现大波动时，具有高优先级的优化次序。

具体地，对于上述公式中的场景，可根据重点场景、次重点场景、非重点场景分为三个等级，对应于上述三个等级，a的值可以是1、0.5和0.2；对于上述公式中的业务量，可根据高业务量、中业务量、低业务量分为三个等级，对应于上述三个业务量，b的值可以是1、0.5和0.2；对于上述公式中的收益，可根据高收益、中收益、低收益、零收益分为四个等级，对应于上述四个收益值，c的值可以是1、0.5、0.2以及0。

S204、根据区域权重，确定目标基站，目标基站是从非正常状态基站对基站影响程度值大于预设阈值的基站中确定的。

基于上述确定的每个非正常状态基站的区域权重，可以进一步确定每个非正常状态基站所对应的至少一个目标基站。其中，目标基站是受到非正常状态影响的基站，该受影响范围可以是自由设置的，且本公开也不对预设个数进行限定。

另外，对于受影响程度的判断，可以是人为地，通过综合历史指标数据以及区域权重，确定非正常状态基站影响的其他目标基站。也可以通过预先构建好的神经网络模型，将区域权重作为输入，输出该非正常状态基站对其他基站的影响程度，并进一步确定目标基站。再者，还可以通过历史经验进行判断，例如，通过基于历史的经验数据，确定该非正常状态基站经常影响的至少一个目标基站。最终，通过将当前情况与历史情况对比后，确定当前情况下的目标基站。

S205、根据目标基站，确定非正常状态基站的优化次序。

其中，可以通过综合某一个非正常状态基站对其所影响的全部目标基站的影响程度，来确定优化次序。也可以基于部分指标的影响程度，来判断优化次序。

例如，若网络此时的上下行流量较大，而此时基站无法承载该上下行流量，会导致用户时延较高，业务速率较慢。此时，会主要针对上下行流量的指标，判断非正常状态基站对其覆盖范围下的目标基站的影响程度，最终在多个非正常状态基站中，确定优化次序。

本公开实施例中，获取目标区域内基站的历史指标数据；根据历史指标数据，确定目标区域内的非正常状态基站；根据历史指标数据，确定非正常状态基站的区域权重，区域权重用于表征非正常状态基站在至少一个指标上的占比；根据区域权重，确定目标基站，目标基站包括非正常状态基站影响程度较大的预设个数的基站；根据目标基站，确定非正常状态基站的优化次序。本公开的基站优化次序确定方法通过先确定目标区域内的非正常状态基站，再通过确定非正常状态基站的区域权重，进一步确定每个非正常状态基站周围受影响程度较大的目标基站。最终综合多个目标基站，确定非正常状态基站之间的优化次序。这种方法综合考虑了多个基站之间的相互影响，使得确定的基站优化次序更加准确，进而可以更快速地恢复网络正常运行。

上述实施例中，可以通过神经网络模型确定目标基站，示例地，一种实施方式中，根据区域权重，确定目标基站，可以包括：将区域权重输入至基站优化次序判别模型，得到基站优化次序判别模型的输出结果，其中，基站优化次序判别模型是根据历史指标数据和区域权重得到的；根据输出结果，确定目标基站。

在训练神经网络模型时，需要先构建训练数据，具体地，将多个非正常状态基站的历史指标数据和区域权重作为训练数据，预先对神经网络模型进行训练，得到训练后的神经网络模型。该神经网络模型即基站优化次序判别模型。

进一步地，为了确定每个非正常状态基站对应的目标基站，需要将非正常状态基站的区域权重和该非正常状态基站的经纬度作为输入，由基站优化次序判别模型输出结果。具体地，该输出结果可以是周围若干个受影响的基站的名称和地理位置，之后再从上述基站中，选择预设个距离非正常状态基站较近的基站，作为目标基站；该输出结果还可以非正常状态基站对周围若干个基站的影响程度值，影响程度值越大，周围基站的受影响程度越大，反之，影响程度值越小，周围基站的受影响程度越小。可以由高向低选择预设个受影响程度较大的基站作为目标基站。

基于上述实施例，一些实施例中，根据目标基站，确定非正常状态基站的优化次序，可以包括：根据非正常状态基站及目标基站，确定至少一个待优化基站簇，待优化基站簇内中心点为非正常状态基站；根据至少一个待优化基站簇，确定非正常状态基站的优化次序。

上述的S205已经叙述过，可以综合非正常状态基站对其周围全部目标基站的影响程度来确定优化次序，具体地，可以对每个非正常状态基站建立一个待优化基站簇，该待优化基站簇包含了该非正常状态基站下，受影响的所有目标基站。

建立待优化基站簇后，确定非正常状态基站的优化次序的问题便转化成了确定待优化基站簇的问题。可选地，根据至少一个待优化基站簇，确定非正常状态基站的优化次序，可以包括：针对至少一个待优化基站簇，确定待优化基站簇内的非正常状态基站对待优化基站簇内的目标基站的影响程度值；确定影响程度值的和为非正常状态基站对待优化基站簇的总影响程度值；根据至少一个非正常状态基站对应的总影响程度值，得到非正常状态基站的优化次序，总影响程度值越大的非正常状态基站，优化次序越高。

前述已经叙述过，可以通过基站优化次序判别模型来确定每个非正常状态基站对周围目标基站的影响程度值。进一步，可以非正常状态基站将所有目标基站的影响程度值进行求和，作为该非正常状态基站对应的待优化基站簇的总影响程度值。该总影响程度值表征了非正常状态基站对该待优化基站簇的整体影响情况。具体地，可以将多个待优化基站的总影响程度值进行排序，排序后，又高至低确定优化次序。即，对总影响程度值最大的待优化基站簇中的非正常状态基站进行最优先优化。

本公开实施例中，根据多个基站之间的相互影响程度来确定优化次序，相较于基于单基站侧的数据确定优化次序而言，根据本公开的方法所确定的优化次序，对基站进行优化后，优化的效果更好。因为，对影响程度最大的非正常状态基站进行优化后，其周边受影响的目标基站大多会自动恢复正常状态。使得在减少了人力物力、提升了整体的优化效率的同时，也更快速的恢复了网络的正常运行。

另外，若将某个待优化基站簇中的非正常状态基站优化后，其簇中的某些目标基站仍然没有恢复正常状态，此时，需要对目标基站进行优化。可以通过如下方法确定目标基站的优化次序：

根据非正常状态基站对待优化基站簇内的目标基站的影响程度值，确定待优化基站簇内的目标基站的优化次序。

作为一种示例，可以对受影响程度高的目标基站优先优化，即对影响程度值较高的目标基站优先优化。具体地，将目标基站按照非正常状态基站对其的影响程度值由高至低进行排序后，确定序列靠前的目标基站作为优先优化的基站。

另外，若对受影响程度高的目标基站优化完成后，其他目标基站受影响程度值低于一定阈值，或者恢复正常，此时可以不对后续的目标基站进行优化。

接下来，通过介绍图3本公开另一实施例提供的基站优化次序确定方法的流程图，如图3所示，该方法包括：

S301、获取一定时期一定区域内所有基站的历史指标数据。

具体地，上述历史指标数据包括但不限于基站的常规指标、业务指标、收益指标等。示例性的，常规指标包括基站的位置、高度、方位角、下倾角等物理参数指标，业务指标包括基站的通话业务指标和上网业务指标，收益指标包括基站的单用户收益、平均流量收益和总用户收益等指标。

S302、根据历史指标数据确定区域内基站状态，确定非正常状态基站。

从上述指标中，可以从不同个维度下对基站的工作状态进行评估，进而确定非正常状态基站。其中，非正常状态基站可以是基站故障、基站高负荷、基站越区覆盖、基站干扰、基站功率异常等等。

S303、根据历史指标数据，确定非正常状态基站的区域权重。

具体地，区域权重可以分为场景、业务量以及收益。具体实施方式在前述实施例已经叙述，此处不再赘述。

S304、根据非正常状态基站的区域权重，基于基站优化次序判别模型，确定非正常状态基站周围影响程度最大的预设个数的目标基站。

具体地，可以基于分类算法来对基站优化次序判别模型进行训练，进一步地，所述分类算法可以是有监督学习算法。

另外，本实施例中，基站优化次序判别模型可以是K近邻分类模型，对该模型输入非正常状态基站的经纬度以及区域权重后，由该模型输出非正常状态基站对周围基站的影响程度值。基于影响程度值，选择影响程度值较高的预设个数个基站，将其作为目标基站。例如，若预设个数为5个，则选择影响程度值前5位的基站作为目标基站。

S305、根据目标基站，确定非正常状态基站的优化次序。

示例地，一种实施方式可以是：将非正常状态基站及其周围预设个数个目标基站划分为一个待优化基站簇，待优化基站簇内中心点为所述非正常状态基站，处理优先级最高。而待优化基站簇内其他目标基站，则进一步根据目标基站的影响程度值确定处理优先级，影响程度值越大，处理优先级越高。

应理解：每个待优化基站簇内的非正常状态基站为第一批次处理基站，将非正常状态基站优化后，再对每个待优化基站簇内的其他目标基站进行优化。

本实施例中，能够基于多个基站的历史指标数据确定非正常状态基站的优化次序，从而快速解决现网的网络异常，进而提高用户的网络感知。

接下来，介绍本公开提供的基站优化次序确定装置，如图4所示，该装置包括：

获取模块401，用于获取目标区域内基站的历史指标数据；

第一确定模块402，用于根据历史指标数据，确定目标区域内的非正常状态基站；

第二确定模块403，用于根据历史指标数据，确定非正常状态基站的区域权重，区域权重用于表征非正常状态基站在至少一个指标上的占比；

第三确定模块404，用于根据区域权重，确定目标基站，目标基站是从非正常状态基站对基站影响程度值大于预设阈值的基站中确定的；

第四确定模块405，用于根据目标基站，确定非正常状态基站的优化次序。

一种可能的实施方式中，第三确定模块404具体用于：将区域权重输入至基站优化次序判别模型，得到基站优化次序判别模型的输出结果，其中，基站优化次序判别模型是根据历史指标数据和区域权重得到的；根据输出结果，确定目标基站。

一种可能的实施方式中，第四确定模块405具体用于：根据非正常状态基站及目标基站，确定至少一个待优化基站簇，待优化基站簇内中心点为非正常状态基站；根据至少一个待优化基站簇，确定非正常状态基站的优化次序。

一种可能的实施方式中，第四确定模块405具体用于，包括：针对至少一个待优化基站簇，确定待优化基站簇内的非正常状态基站对待优化基站簇内的目标基站的影响程度值；确定影响程度值的和为非正常状态基站对待优化基站簇的总影响程度值；根据至少一个非正常状态基站对应的总影响程度值，得到非正常状态基站的优化次序，总影响程度值越大的非正常状态基站，优化次序越高。

一种可能的实施方式中，还包括第五确定模块(图中未标出)，用于：根据非正常状态基站对待优化基站簇内的目标基站的影响程度值，确定待优化基站簇内的目标基站的优化次序。

一种可能的实施方式中，第一确定模块402具体用于：根据目标区域内基站的物理指标和业务指标，确定目标区域内的非正常状态基站，非正常状态基站包括故障基站、高负荷基站、越区覆盖基站、干扰基站、功率异常基站以及业务量发生大幅波动的基站中的至少一种。

一种可能的实施方式中，第二确定模块403具体用于：基于历史指标数据，根据如下公式确定非正常状态基站在目标区域内的区域权重：

y＝a*x1+b*x2+c*x3

其中，y表示区域权重，a、b、c分别表示在目标区域下场景x1、业务量x2和收益x3所对应的占比。

本公开实施例提供的装置，可用于执行如前所述的实施例的方法，其实现原理和技术效果类似，在此不再赘述。

需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，处理模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上处理模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。

例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(application specific integrated circuit，ASIC)，或，一个或多个微处理器(digital signal processor，DSP)，或，一个或者多个现场可编程门阵列(field programmable gate array，FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(centralprocessing unit，CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，SOC)的形式实现。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本公开实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘solid state disk(SSD))等。

图5为本公开一实施例提供的电子设备的结构示意图。示例性地，电子设备可以被提供为一服务器(服务器包含了执行上述方法的计算机)。参照图5，电子设备500包括处理组件501，其进一步包括一个或多个处理器，以及由存储器502所代表的存储器资源，用于存储可由处理组件501的执行的指令，例如应用程序。存储器502中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件501被配置为执行指令，以执行上述任一方法实施例。

电子设备500还可以包括一个电源组件503被配置为执行电子设备500的电源管理，一个有线或无线网络接口504被配置为将电子设备900连接到网络，和一个输入输出(I/O)接口505。电子设备500可以操作基于存储在存储器502的操作系统，例如WindowsServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

本公开还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当处理器执行计算机执行指令时，实现如上基站优化次序确定方法的方案。

本公开还提供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如上的基站优化次序确定方法的方案。

上述的计算机可读存储介质，上述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。可读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。

一种示例性的可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(Application Specific IntegratedCircuits，简称：ASIC)中。当然，处理器和可读存储介质也可以作为分立组件存在于基站优化次序确定装置中。

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公开的技术方案，而非对其限制；尽管参照前述各实施例对本公开进行了详细的说明，

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公开各实施例技术方案的范围。

Claims (8)

1.一种基站优化次序确定方法，其特征在于，包括：

获取目标区域内基站的历史指标数据；

根据所述历史指标数据，确定所述目标区域内的非正常状态基站；

根据所述历史指标数据，确定所述非正常状态基站的区域权重，所述区域权重用于表征所述非正常状态基站在至少一个指标上的占比；

根据所述区域权重，确定目标基站，所述目标基站是从非正常状态基站对基站影响程度值大于预设阈值的基站中确定的；

根据所述目标基站，确定所述非正常状态基站的优化次序；

所述根据所述目标基站，确定所述非正常状态基站的优化次序，包括：

根据所述非正常状态基站及所述目标基站，确定至少一个待优化基站簇，所述待优化基站簇内中心点为所述非正常状态基站；

根据所述至少一个待优化基站簇，确定所述非正常状态基站的优化次序；

所述根据所述至少一个待优化基站簇，确定所述非正常状态基站的优化次序，包括：

针对至少一个待优化基站簇，确定所述待优化基站簇内的非正常状态基站对所述待优化基站簇内的目标基站的影响程度值；

确定所述影响程度值的和为所述非正常状态基站对所述待优化基站簇的总影响程度值；

根据所述至少一个非正常状态基站对应的总影响程度值，得到所述非正常状态基站的优化次序，所述总影响程度值越大的非正常状态基站，优化次序越高。

2.根据权利要求1所述的基站优化次序确定方法，其特征在于，所述根据所述区域权重，确定目标基站，包括：

将所述区域权重输入至基站优化次序判别模型，得到所述基站优化次序判别模型的输出结果，其中，所述基站优化次序判别模型是根据所述历史指标数据和区域权重得到的；

根据所述输出结果，确定所述目标基站。

3.根据权利要求1所述的基站优化次序确定方法，其特征在于，还包括：

根据所述非正常状态基站对所述待优化基站簇内的目标基站的影响程度值，确定所述待优化基站簇内的目标基站的优化次序。

4.根据权利要求1至2中任一项所述的基站优化次序确定方法，其特征在于，所述历史指标数据包括基站的物理指标和业务指标，所述根据所述历史指标数据，确定所述目标区域内的非正常状态基站，包括：

根据所述目标区域内基站的物理指标和业务指标，确定所述目标区域内的非正常状态基站，所述非正常状态基站包括故障基站、高负荷基站、越区覆盖基站、干扰基站、功率异常基站以及业务量发生大幅波动的基站中的至少一种。

5.根据权利要求1至2中任一项所述的基站优化次序确定方法，其特征在于，所述根据所述历史指标数据，确定所述非正常状态基站的区域权重，包括：

基于所述历史指标数据，根据如下公式确定所述非正常状态基站在所述目标区域内的区域权重：

y＝a*x1+b*x2+c*x3

其中，y表示区域权重，a、b、c分别表示在所述目标区域下场景x1、业务量x2和收益x3所对应的占比。

6.一种基站优化次序确定装置，其特征在于，包括：

获取模块，用于获取目标区域内基站的历史指标数据；

第一确定模块，用于根据所述历史指标数据，确定所述目标区域内的非正常状态基站；

第二确定模块，用于根据所述历史指标数据，确定所述非正常状态基站的区域权重，所述区域权重用于表征所述非正常状态基站在至少一个指标上的占比；

第三确定模块，用于根据所述区域权重，确定目标基站，所述目标基站是从非正常状态基站对基站影响程度值大于预设阈值的基站中确定的；

第四确定模块，用于根据所述目标基站，确定所述非正常状态基站的优化次序；

所述第四确定模块，具体用于根据所述非正常状态基站及所述目标基站，确定至少一个待优化基站簇，所述待优化基站簇内中心点为所述非正常状态基站；根据所述至少一个待优化基站簇，确定所述非正常状态基站的优化次序；

所述第四确定模块，在针对根据所述至少一个待优化基站簇，确定所述非正常状态基站的优化次序时，具体用于针对至少一个待优化基站簇，确定所述待优化基站簇内的非正常状态基站对所述待优化基站簇内的目标基站的影响程度值；确定所述影响程度值的和为所述非正常状态基站对所述待优化基站簇的总影响程度值；根据所述至少一个非正常状态基站对应的总影响程度值，得到所述非正常状态基站的优化次序，所述总影响程度值越大的非正常状态基站，优化次序越高。

7.一种电子设备，包括：存储器和处理器，其中：

所述存储器用于存储程序指令；

所述处理器用于调用所述存储器中的程序指令执行权利要求1至5任一项所述的基站优化次序确定方法。

8.一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序指令，计算机程序指令被执行时，实现权利要求1至5任一项所述的基站优化次序确定方法。