CN114245408B - 一种4g/5g互操作的优化方法 - Google Patents

一种4g/5g互操作的优化方法 Download PDF

Info

Publication number
CN114245408B
CN114245408B CN202210171516.7A CN202210171516A CN114245408B CN 114245408 B CN114245408 B CN 114245408B CN 202210171516 A CN202210171516 A CN 202210171516A CN 114245408 B CN114245408 B CN 114245408B
Authority
CN
China
Prior art keywords
eps
cell
data
parameter
fallback
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
CN202210171516.7A
Other languages
English (en)
Other versions
CN114245408A (zh
Inventor
陈大龙
霍永章
王计斌
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.)
Nanjing Howso Technology Co ltd
Original Assignee
Nanjing Howso Technology 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 Nanjing Howso Technology Co ltd filed Critical Nanjing Howso Technology Co ltd
Priority to CN202210171516.7A priority Critical patent/CN114245408B/zh
Publication of CN114245408A publication Critical patent/CN114245408A/zh
Application granted granted Critical
Publication of CN114245408B publication Critical patent/CN114245408B/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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种4G/5G互操作的优化方法，包括步骤：S1数据采集：收集多种数据，并将多种数据根据小区识别码进行整合；S2确认待优化的小区：根据小区预设指标判断并筛选出问题小区，根据定义规则计算问题小区的数据；再对问题小区的数据进行清洗；S3强化学习输出调整参数：根据该问题小区指标结合现网配置参数，给出候选参数值组合，选择参数方案对候选参数值组合进行强化学习并优化调整，输出参数调整方案；S4现网执行并收集反馈数据：在现网中执行参数调整方案收集反馈数据，根据反馈数据判断是否完成优化，若完成则结束优化；若未完成则返回步骤S3，并循环步骤S3~S4，直至完成优化，并将该问题小区的Q‑table进行保存。

Description

一种4G/5G互操作的优化方法
技术领域
本发明涉及无线通信网络技术领域，具体涉及一种4G/5G互操作的优化方法。
背景技术
5G站点逐渐从点到线到面扩展，覆盖范围越来越大，然而郊区、乡镇、农村仍然无5G网络覆盖，需要LTE作为基础网络补充覆盖。在5G网络不断建设中，网络处于动态变化过程，做好LTE(TDD和FDD)和5G之间的多层网相互协调，保持数据业务和语音业务的连续性，减少掉线和掉话，弥补5G网络的一些覆盖空洞、覆盖边缘信号弱和用户占用5G异常的问题，提升用户感知是亟待解决的问题。
在5G网络商用以后尤其在EPS FB高重定向比例小区、端到端EPS FB成功率劣化小区、高EPS FB回落时延小区和EPS FB语音质差小区。而现有技术中，4G/5G互操作通用的技术方法包括CT优化方法和ICT优化方法：
其中CT(CT:Communications Technology)优化方法：无线网优工程师通常基于人工方式实现4G/5G互操作优化，工程师依靠经验优化方法包括参数一致性核查、邻区优化(邻区漏配、邻区冗余、邻区参数配置错误等)、重选参数调整、切换参数调整，工程师水平参差不齐、优化经验差异大，靠试、靠猜输出优化方案，输出的。
ICT(ICT：Information Communications Technology)优化方法：中国发明专利CN104581855 A公开了一种优化3G与4G之间互操作的方法和系统，该发明结合RRC建立原因判断是否触发重定向流程，减少了乒乓重定向次数，有利于用户在覆盖好的网络驻留以及做业务，提高用户感知，而且通过增加小区级重定向失败惩罚措施，可以根据场景灵活设置，有效抑制同一个终端在短时间内造成重定向失败次数，避免网络指标恶化。
中国专利文献CN107241213A公开了一种基于深度强化学习的Web服务组合方法在计算，该专利的本质是“观察神经网络的收敛情况以及Q值表中长期得益矩阵所有值的变化幅度，使得神经网络收敛以及所有值的变化幅度小于阈值，采用贪心原则，选取一条从开始状态到终止状态的组合路径，依照模型的映射关系，生成Web服务组合工作流，将服务组合结果反馈给用户”，即是选择一条优选的组合路径，在Web服务方面的应用。
发明内容
本发明主要解决的问题是提供一种4G/5G互操作的优化方法，借助人工智能技术来实现，以达到参数优化后解决EPS FB高重定向比例小区、端到端EPS FB成功率劣化小区、高EPS FB回落时延小区和EPS FB语音质差小区等问题。
为了解决上述技术问题，本发明采用的技术方案是：该4G/5G互操作的优化方法，具体包括以下步骤：
S1数据采集：收集多种数据，并将多种数据根据小区识别码进行整合；
S2确认待优化的小区：根据小区预设指标判断并筛选出问题小区，并根据定义规则计算问题小区的数据；再对问题小区的数据进行清洗；
S3强化学习输出调整参数：根据该问题小区指标结合现网配置参数，给出候选参数值组合，选择参数方案对候选参数值组合进行强化学习并优化调整，输出参数调整方案；
S4现网执行并收集反馈数据：在现网中执行步骤S3中输出的参数调整方案，收集反馈数据，并根据反馈数据判断是否完成优化，若完成，则结束该问题小区的优化过程；若未完成，则返回步骤S3，并循环步骤S3～S4，直至完成优化，并将该问题小区的Q-table进行保存。
采用上述技术方案，基于强化学习输出调整的参数，使得问题小区闭环，是在移动通信方面的应用；借助人工智能技术来实现，以达到参数优化后解决EPS FB高重定向比例小区、端到端EPS FB成功率劣化小区、高EPS FB回落时延小区和EPS FB语音质差小区等问题。其中Q-table为状态表，即每一个动作、每一个状态都对应一个Q值，则创建一个q表；EPSFB(Evolved Packet System fallback)指5G回落到4G。
进一步的，所述步骤S1中的多种所述数据包括用户数据、工参数据、运营商KPI数据和现网参数配置数据。
进一步的，所述步骤S2的具体步骤包括：
S21 KPI指标筛选：提取小区KPI指标，根据KPI指标判断该问题小区是否为EPS FB问题小区，从而筛选出所有EPS FB问题小区，并根据定义规则计算出EPS FB问题小区；小区KPI指标如下：
①EPS FB高重定向比例小区：EPS FB重定向比例>20％且日均"NR至LTE的EPS FB重定向的次数">20且EPS FB回落平均时延>＝1000ms，EPS FB重定向比例＝NR至LTE的EPSFB重定向的次数/(NR至LTE的EPS FB重定向的次数+基于切换的EPS FB准备尝试次数)；
②端到端EPS FB成功率劣化小区(端到端EPS FB成功率<95％且日均"EPS FB回落失败次数">3，端到端EPS FB成功率＝(主叫EPS FB回落成功次数+被叫EPS FB回落成功次数)/(主叫EPS FB呼叫次数+被叫EPS FB呼叫次数)，EPS FB回落失败次数＝(主叫EPS FB呼叫次数+被叫EPS FB呼叫次数)-(主叫EPS FB回落成功次数+被叫EPS FB回落成功次数)；
③高EPS FB回落时延小区：EPS FB回落平均时延>1500ms且日均EPS FB回落成功次数>20，EPS FB回落平均时延＝(主叫EPS FB回落总时延+被叫EPS FB回落总时延)/(主叫EPS FB回落成功次数+被叫EPS FB回落成功次数)，EPS FB回落成功总次数＝主叫EPS FB回落成功次数+被叫EPS FB回落成功次数；
④EPS FB语音质差小区：1、EPS FB语音质差占比>2％且小区对应ENB"VoLTE质差片数占比">0.9％(除FDD1800)且日均"上行质差片数">150，不含高铁、地铁，2、EPS FB语音质差占比>2％且小区对应ENB"VoLTE质差片数占比">0.4％(FDD1800)且日均"上行质差片数">150，EPS FB语音质差占比＝EPS FB语音质差通话次数/EPS FB通话次数，VoLTE质差片数占比＝(上行单通片数+上行吞字片数+上行断续片数)/上行总片数，上行质差片数＝上行单通片数+上行吞字片数+上行断续片数；
S22工参数据和MRO数据清洗：将采集到的工参数据做清洗；并保留必要信息，包括小区名、CELLID(为cell identification缩写，指小区标识)、频点、PCI、经度和纬度。
进一步的，所述步骤S3的具体步骤为：
S31：现网配置数据范围制定，根据现网配置的参数，基于移动网络运营商规定获得对各个参数的调整范围值；
S32：根据获得的小区的KPI数据的指标和现网配置参数范围候选权值动作组合；再针对不同问题类型小区结合数据从现网参数范围中进行动作选择并给出候选权值动作组合，并筛选对应候选动作集；
S33：强化学习输出最终调整权值，采用强化学习中的Q-Learning算法结合候选动作集对候选权值动作组合做出选择，并输出最终选择的权值动作。
进一步的，所述步骤S33具体步骤包括：
S331：确认待优化小区的参数空间和指标空间，将A记为参数空间；每个参数组合为一个动作a；S记为指标空间，每个参数组合为一个状态s；
S332：判断该待优化小区是否为第一次优化，若为第一次优化，则初始化Q-table，若不是第一次优化，则直接使用其上一次优化时的Q-table；
S333：根据小区的KPI指标和当前参数权值配置，确认当前小区的state和基于参数范围的动作集；
S334：利用Q-learning算法的ε-greedy策略在经验规则筛选后的动作集中输出最终选择的权值动作；公式为：
Figure GDA0003582008950000041
其中，π(a|s)是指给定状态s的情况下，动作a的概率；ε为0～1的小数，A(s)是指在给定状态s下的动作集合A，Q(s，a)是指给定状态s的情况下，也给定了动作a的状态值函数。
进一步的，所述步骤S4具体包括以下步骤：
S41：将步骤S3中选择的参数调整方案在现网中执行，并收集反馈后的KPI数据，获得反馈数据；
S42：根据收集的反馈数据，判断是否完成优化；
S43：若完成，则结束该问题小区的优化过程；
S44：若未完成，则返回步骤S3，重新进行强化学习输出调整参数；在进行选择运作之前，应先更新Q-table，再进行新一轮的动作选择；
S45：循环步骤S3～S4，直至完成优化，并将该问题小区的Q-table进行保存。
进一步的，所述步骤S44中更新Q-table的公式为：
Figure GDA0003582008950000042
其中，Rt+1为在st状态执行动作at得到的回报；根据业务目标，不同KPI数据的指标设定不同的回报函数，从而得到回报值；Q(st，at)为st状态执行动作at的q_value，来源于Q-table；
Figure GDA0003582008950000051
为状态st+1下使的q_value最大的动作a对应的q_value，来源于Q-table；γ为折扣系数，α为学习速率，是常数，折扣系数和学习速率可预先定义数值。
进一步的，所述步骤S1中运营商KPI数据包括FB高重定向比例小区(其中FB(fallBack)指回落)、端到端EPS FB成功率劣化小区、高EPS FB回落时延小区和EPS FB语音质差小区，所述工参数据包括小区方位角、站高、下倾角、经度和纬度数据；所述MRO数据是指用户终端上报的测量报告信息包括测量时间、参考信号接收功率RSRP(ReferenceSignal Receiving Power)、参考信号接收质量RSRQ(Reference Signal ReceivingQuality)；所述现网配置参数是指InterRatServiceMobilitySw、MinimumRxLevel、CellReselPriority、EutranCellReselTimer、NonIntraFreqMeasRsrpThld、ServFreqLowPriRsrpReselThd、VONR_SW@VonrSwitch(VoNR开关)、ConnFreqPriority(连接态频率优先级)、EPS_FB_SWITCH@VoiceStrategySwitch(演进数据域回落开关)、EpsFbMode(EPS FB模式)、EpsFbB1RsrpThld(EPS FB B1 RSRP门限)、EpsFbB1Hyst(EPS FB B1幅度迟滞)、EpsFbB1TimeToTrig(EPS FB B1时间迟滞)、HoModeSwitch(切换开关)、InterRatHoTriggerEventType(异系统切换触发事件类型)、InterRatHoA1RsrpThld(异系统切换A1 RSRP门限)、InterRatHoA2RsrpThld(异系统切换A2 RSRP门限)、CovHoToEutranBlindA2Thld(基于覆盖的切换至E-UTRAN盲A2 RSRP门限)、InterRatHoA1A2Hyst(异系统切换A1A2幅度迟滞)、InterRatHoA1A2TimeToTrig(基于覆盖的切换A1A2时间迟滞)、FreqSpecificOffset(连接态频率偏置)、EutranCellIndividualOffset(E-UTRAN小区偏移量)、CovBasedHoB1RsrpThld(基于覆盖的切换B1 RSRP门限)、CovBasedHoB1B2Hyst(基于覆盖的切换B1B2幅度迟滞)、CovBasedHoB1B2TimeToTrig(基于覆盖的切换B1B2时间迟滞)。
进一步的，所述EPS FB高重定向比例＝NR至LTE的EPS FB重定向的次数/(NR至LTE的EPS FB重定向的次数+基于切换的EPS FB准备尝试次数)；所述端到端EPS FB成功率＝(主叫EPS FB回落成功次数+被叫EPS FB回落成功次数)/(主叫EPS FB呼叫次数+被叫EPSFB呼叫次数)；EPS FB回落失败次数＝(主叫EPS FB呼叫次数+被叫EPS FB呼叫次数)-(主叫EPS FB回落成功次数+被叫EPS FB回落成功次数)；所述高EPS FB回落时延＝(主叫EPS FB回落总时延+被叫EPS FB回落总时延)/(主叫EPS FB回落成功次数+被叫EPS FB回落成功次数)，EPS FB回落成功总次数＝主叫EPS FB回落成功次数+被叫EPS FB回落成功次数；所述EPS FB语音质差小区EPS FB语音质差占比＝EPS FB语音质差通话次数/EPS FB通话次数。
进一步的，所述步骤S2中待优化的EPS FB问题小区的类型包括：EPS FB高重定向比例小区、端到端EPS FB成功率劣化小区、高EPS FB回落时延小区和EPS FB语音质差小区，相应的，所述步骤S41中的反馈数据为运营商KPI数据，包括EPS FB高重定向指标(EPS FB重定向比例<15％或日均"基于切换的EPS FB重定向次数"<＝10或EPS FB回落平均时延<1000ms)、端到端EPS FB成功率劣化指标(端到端EPS FB成功率>95％)、高EPS FB回落时延指标(EPS FB回落平均时延<1300ms)、EPS FB语音质差指标(1、VoLTE质差片数占比<0.9％(除FDD1800)；2、VoLTE质差片数占比<0.4％(FDD1800))。
采用上述技术方案，基于配置参数范围限定表，结合强化学习中的Q-learning方法确定动作用以现网执行，并结合数据反馈结果(包括EPS FB高重定向比例小区、端到端EPS FB成功率劣化小区、高EPS FB回落时延小区和EPS FB语音质差小区等四种类型问题小区是否闭环，如问题小区已闭环代表已完成优化，闭环规则可以参照S331)迭代更新Q-table，多次执行反馈，最终学习到一个完备的策略并不断地学习更新策略直至当前问题小区的当前问题被解决；该4G/5G互操作优化方法解决了传统优化中人员技术水平参差不齐、资源投入大的问题，实现对网络优化进行流程化，标准化，自动化，做到定性分析、定量调整；实现了用户尽可能多的占用5G小区并且与4G做好协同，提升用户感知的目的。其中专家经验知识库包括所有网优专家的经验知识。
与现有技术相比，本发明具有的有益效果为：该4G/5G互操作优化方法解决了对传统优化中依靠人工手段进行指标优化工作，并将这部分工作进行流程化，标准化，自动化，做到定量分析和调整；实现了5G和4G网络之间EPS FB的目的。
附图说明
图1为本发明4G/5G互操作的优化方法的流程图；
图2是本发明4G/5G互操作的优化方法中步骤S334中采用Q-learning算法对候选权值动作组合做出选择的流程图；
图3为本发明4G/5G互操作的优化方法的EPS FB高重定向比例小区的处理流程图；
图4为本发明4G/5G互操作的优化方法的端到端EPS FB成功率劣化小区的处理流程图；
图5为本发明4G/5G互操作的优化方法的高EPS FB回落时延小区的处理流程图；
图6为本发明4G/5G互操作的优化方法的EPS FB语音质差小区的处理流程图；
图7为本发明4G/5G互操作的优化方法的工参数据清洗示意图；
图8为本发明4G/5G互操作的优化方法的MRO XML格式文件的示意图；
图9为本发明4G/5G互操作的优化方法的清洗后MRO数据格式的示意图。
具体实施方式
下面将结合本发明的实施例图中的附图，对本发明实施例中的技术方案进行清楚、完整的描述。
实施例：如图1所示，该4G/5G互操作的优化方法，具体包括以下步骤：
S1数据采集：收集多种数据，并将多种数据根据小区识别码进行整合；
所述步骤S1中的多种所述数据包括用户数据、工参数据、运营商KPI数据和现网参数配置数据；所述步骤S1中运营商KPI数据包括FB高重定向比例小区、端到端EPS FB成功率劣化小区、高EPS FB回落时延小区和EPS FB语音质差小区；其中，所述EPS FB高重定向比例＝NR至LTE的EPS FB重定向的次数/(NR至LTE的EPS FB重定向的次数+基于切换的EPS FB准备尝试次数)；所述端到端EPS FB成功率＝(主叫EPS FB回落成功次数+被叫EPS FB回落成功次数)/(主叫EPS FB呼叫次数+被叫EPS FB呼叫次数)；EPS FB回落失败次数＝(主叫EPSFB呼叫次数+被叫EPS FB呼叫次数)-(主叫EPS FB回落成功次数+被叫EPS FB回落成功次数)；所述高EPS FB回落时延＝(主叫EPS FB回落总时延+被叫EPS FB回落总时延)/(主叫EPS FB回落成功次数+被叫EPS FB回落成功次数)，EPS FB回落成功总次数＝主叫EPS FB回落成功次数+被叫EPS FB回落成功次数；所述EPS FB语音质差小区EPS FB语音质差占比＝EPS FB语音质差通话次数/EPS FB通话次数；
所述工参数据包括小区方位角、站高、下倾角、经度和纬度数据；所述MRO数据是指用户终端上报的测量报告信息包括测量时间、参考信号接收功率RSRP(Reference SignalReceiving Power)、参考信号接收质量RSRQ(Reference Signal Receiving Quality)；所述现网配置参数是指InterRatServiceMobilitySw、MinimumRxLevel、CellReselPriority、EutranCellReselTimer、NonIntraFreqMeasRsrpThld、ServFreqLowPriRsrpReselThd、VONR_SW@VonrSwitch(VoNR开关)、ConnFreqPriority(连接态频率优先级)、EPS_FB_SWITCH@VoiceStrategySwitch(演进数据域回落开关)、EpsFbMode(EPS FB模式)、EpsFbB1RsrpThld(EPS FB B1 RSRP门限)、EpsFbB1Hyst(EPS FB B1幅度迟滞)、EpsFbB1TimeToTrig(EPS FB B1时间迟滞)、HoModeSwitch(切换开关)、InterRatHoTriggerEventType(异系统切换触发事件类型)、InterRatHoA1RsrpThld(异系统切换A1 RSRP门限)、InterRatHoA2RsrpThld(异系统切换A2 RSRP门限)、CovHoToEutranBlindA2Thld(基于覆盖的切换至E-UTRAN盲A2 RSRP门限)、InterRatHoA1A2Hyst(异系统切换A1A2幅度迟滞)、InterRatHoA1A2TimeToTrig(基于覆盖的切换A1A2时间迟滞)、FreqSpecificOffset(连接态频率偏置)、EutranCellIndividualOffset(E-UTRAN小区偏移量)、CovBasedHoB1RsrpThld(基于覆盖的切换B1 RSRP门限)、CovBasedHoB1B2Hyst(基于覆盖的切换B1B2幅度迟滞)、CovBasedHoB1B2TimeToTrig(基于覆盖的切换B1B2时间迟滞)；
S2确认待优化的小区：根据小区预设指标判断并筛选出问题小区，并根据定义规则计算问题小区的数据；再对问题小区的数据进行清洗；
所述步骤S2的具体步骤包括：
S21 KPI指标筛选：提取小区KPI指标，根据KPI指标判断该问题小区是否为EPS FB问题小区，从而筛选出所有EPS FB问题小区，并根据定义规则计算出EPS FB问题小区；所述步骤S2中待优化的EPS FB问题小区的类型包括：EPS FB高重定向比例小区、端到端EPS FB成功率劣化小区、高EPS FB回落时延小区和EPS FB语音质差小区；采用上述技术方案，获取运营商通用数据以后，首先识别出待优化的5G小区清单，结合待优化小区现网配置参数和如下KPI指标即中国移动集团(移动网络运营商)对EPS FB的定义规则，计算出EPS FB问题小区；
如中国移动集团对EPS FB的定义规则如下表1；
表1中国移动集团对EPS FB的定义规则
Figure GDA0003582008950000091
S22工参数据和MRO数据清洗：将采集到的工参数据做清洗；并保留必要信息，包括小区名、CELLID、频点、PCI、经度和纬度；如图7所示为工参数据清洗示意图；MRO XML格式文件的示意图如图8所示，清洗后MRO数据格式的示意图如图9所示；
S3强化学习输出调整参数：根据该问题小区指标结合现网配置参数，给出候选参数值组合，选择参数方案对候选参数值组合进行强化学习并优化调整，输出参数调整方案；
所述步骤S3的具体步骤为：
S31：现网配置数据范围制定，根据现网配置的参数，基于中国移动集团或省公司(移动网络运营商)规定获得对各个参数的调整范围值；如表2所示；
表2基于中国移动集团或省公司规定对各个参数可以调整的范围值
Figure GDA0003582008950000111
S32：根据获得的小区的KPI数据的指标和现网配置参数范围候选权值动作组合；再针对不同问题类型小区结合数据从现网参数范围中进行动作选择并给出候选权值动作组合，并筛选对应候选动作集；
S33：强化学习输出最终调整权值，采用强化学习中的Q-Learning算法结合候选动作集对候选权值动作组合做出选择，并输出最终选择的权值动作；
所述步骤S33具体步骤包括：
S331：确认待优化小区的参数空间和指标空间，将A记为参数空间；包括所有参数的动作组合，即包括重选参数、VONR参数、EPS FB参数、基于覆盖切换参数，每个参数组合为一个动作a；S记为指标空间，每个参数组合为一个状态s；此处以各问题维度的闭环规则来标记，问题维度包括EPS FB高重定向比例小区(闭环规则：EPS FB重定向比例<15％或日均"基于切换的EPS FB重定向次数"<＝10或EPS FB回落平均时延<1000ms)、端到端EPS FB成功率劣化小区(闭环规则：端到端EPS FB成功率>95％)、高EPS FB回落时延小区(闭环规则：EPS FB回落平均时延<1300ms)、EPS FB语音质差小区(闭环规则：1、VoLTE质差片数占比<0.9％(除FDD1800)，2、VoLTE质差片数占比<0.4％(FDD1800))组合多个指标区间；
S332：判断该待优化小区是否为第一次优化，若为第一次优化，则初始化Q-table，若不是第一次优化，则直接使用其上一次优化时的Q-table；
S333：根据小区的KPI指标和当前参数权值配置，确认当前小区的state和基于参数范围的动作集；
S334：利用Q-learning算法的ε-greedy策略在经验规则筛选后的动作集中输出最终选择的权值动作；流程图如图2所示，公式为：
Figure GDA0003582008950000121
其中，π(a|s)是指给定状态s的情况下，动作a的概率；ε为0～1的小数，A(s)是指在给定状态s下的动作集合A，Q(s，a)是指给定状态s的情况下，也给定了动作a的状态值函数；
S4现网执行并收集反馈数据：在现网中执行步骤S3中输出的参数调整方案，收集反馈数据，并根据反馈数据判断是否完成优化，若完成，则结束该问题小区的优化过程；若未完成，则返回步骤S3，并循环步骤S3～S4，直至完成优化，并将该问题小区的Q-table进行保存；
所述步骤S4具体包括以下步骤：
S41：将步骤S3中选择的参数调整方案在现网中执行，并收集反馈后的KPI数据，获得反馈数据；所述步骤S41中的反馈数据为运营商KPI数据，包括EPS FB高重定向指标(EPSFB重定向比例<15％或日均"基于切换的EPS FB重定向次数"<＝10或EPS FB回落平均时延<1000ms)、端到端EPS FB成功率劣化指标(端到端EPS FB成功率>95％)、高EPS FB回落时延指标(EPS FB回落平均时延<1300ms)、EPS FB语音质差指标(1、VoLTE质差片数占比<0.9％(除FDD1800)；2、VoLTE质差片数占比<0.4％(FDD1800))；
S42：根据收集的反馈数据，判断是否完成优化；
S43：若完成，则结束该问题小区的优化过程；
S44：若未完成，则返回步骤S3，重新进行强化学习输出调整参数；在进行选择运作之前，应先更新Q-table，再进行新一轮的动作选择；
所述步骤S44中更新Q-table的公式为：
Figure GDA0003582008950000131
其中，Rt+1为在st状态执行动作at得到的回报；根据业务目标，不同KPI数据的指标设定不同的回报函数，从而得到回报值；Q(st，at)为st状态执行动作at的q_value，来源于Q-table；
Figure GDA0003582008950000132
为状态st+1下使的q_value最大的动作a对应的q_value，来源于Q-table；γ为折扣系数，α为学习速率，是常数，折扣系数和学习速率可预先定义数值；
S45：循环步骤S3～S4，直至完成优化，并将该问题小区的Q-table进行保存。
如图3、图4、图5所示，EPS FB高重定向比例小区、端到端EPS FB成功率劣化小区、高EPS FB回落时延小区的处理流程为：获得MR测量数据后，结合小区KPI指标，首先判断是否邻区缺失，若邻区缺失，则添加邻区；若邻区不缺失，则判断MR覆盖率是否在指标范围内，若MR覆盖率低，则进行RF优化，若MR覆盖率高，则重选或基于覆盖切换类参数候选集。
如图6所示，EPS FB语音质差小区处理流程为：获得MR测量数据后，结合小区KPI指标，首先判断是否邻区缺失，若邻区缺失，则添加邻区；若邻区不缺失，则判断MR覆盖率是否在指标范围内，若MR覆盖率低，则进行RF优化，若MR覆盖率高，则优化VONR和EPS FB类参数。
以上所述仅为本发明的较佳实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种4G/5G互操作的优化方法，其特征在于，具体包括以下步骤：
S1数据采集：收集多种数据，并将多种数据根据小区识别码进行整合；
S2确认待优化的小区：根据小区预设指标判断并筛选出问题小区，并根据定义规则计算问题小区的数据；再对问题小区的数据进行清洗；
S3强化学习输出调整参数：根据该问题小区指标结合现网配置参数，给出候选参数值组合，选择参数方案对候选参数值组合进行强化学习并优化调整，输出参数调整方案；
S4现网执行并收集反馈数据：在现网中执行步骤S3中输出的参数调整方案，收集反馈数据，并根据反馈数据判断是否完成优化，若完成，则结束该问题小区的优化过程；若未完成，则返回步骤S3，并循环步骤S3～S4，直至完成优化，并将该问题小区的Q-table进行保存；
所述步骤S1中的多种所述数据包括用户数据、工参数据、运营商KPI数据和现网参数配置数据；
所述步骤S2的具体步骤包括：
S21 KPI指标筛选：提取小区KPI指标，根据KPI指标判断该问题小区是否为EPS FB问题小区，从而筛选出所有EPS FB问题小区，并根据定义规则计算出EPS FB问题小区；
S22工参数据和MRO数据清洗：将采集到的工参数据做清洗；并保留必要信息，包括小区名、CELLID、频点、PCI、经度和纬度；
所述步骤S3的具体步骤为：
S31：现网配置数据范围制定，根据现网配置的参数，基于移动网络运营商规定获得对各个参数的调整范围值；
S32：根据获得的小区的KPI数据的指标和现网配置参数范围候选权值动作组合；再针对不同问题类型小区结合数据从现网参数范围中进行动作选择并给出候选权值动作组合，并筛选对应候选动作集；
S33：强化学习输出最终调整权值，采用强化学习中的Q-Learning算法结合候选动作集对候选权值动作组合做出选择，并输出最终选择的权值动作；
所述步骤S33具体步骤包括：
S331：确认待优化小区的参数空间和指标空间，将A记为参数空间；每个参数组合为一个动作a；S记为指标空间，每个参数组合为一个状态s；
S332：判断该待优化小区是否为第一次优化，若为第一次优化，则初始化Q-table，若不是第一次优化，则直接使用其上一次优化时的Q-table；
S333：根据小区的KPI指标和当前参数权值配置，确认当前小区的state和基于参数范围的动作集；
S334：利用Q-learning算法的ε-greedy策略在经验规则筛选后的动作集中输出最终选择的权值动作；公式为：
Figure FDA0003590294800000021
其中，π(a|s)是指给定状态s的情况下，动作a的概率；ε为0～1的小数，A(s)是指在给定状态s下的动作集合A，Q(s，a)是指给定状态s的情况下，也给定了动作a的状态值函数；
所述步骤S4具体包括以下步骤：
S41：将步骤S3中选择的参数调整方案在现网中执行，并收集反馈后的KPI数据，获得反馈数据；
S42：根据收集的反馈数据，判断是否完成优化；
S43：若完成，则结束该问题小区的优化过程；
S44：若未完成，则返回步骤S3，重新进行强化学习输出调整参数；在进行选择运作之前，应先更新Q-table，再进行新一轮的动作选择；
S45：循环步骤S3～S4，直至完成优化，并将该问题小区的Q-table进行保存；所述步骤S44中更新Q-table的公式为：
Figure FDA0003590294800000022
其中，Rt+1为在St状态执行动作at得到的回报；根据业务目标，不同KPI数据的指标设定不同的回报函数，从而得到回报值；Q(st，at)为St状态执行动作at的q_value，来源于Q-table；
Figure FDA0003590294800000023
为状态St+1下使的q_value最大的动作a对应的q_value，来源于Q-table；γ为折扣系数，α为学习速率，是常数，折扣系数和学习速率可预先定义数值。
2.根据权利要求1所述的4G/5G互操作的优化方法，其特征在于，所述步骤S1中运营商KPI数据包括FB高重定向比例小区、端到端EPS FB成功率劣化小区、高EPS FB回落时延小区和EPS FB语音质差小区；所述工参数据包括小区方位角、站高、下倾角、经度和纬度数据；所述MRO数据是指用户终端上报的测量报告信息包括测量时间、参考信号接收功率RSRP、参考信号接收质量RSRQ。
3.根据权利要求2所述的4G/5G互操作的优化方法，其特征在于，EPS FB高重定向比例＝NR至LTE的EPS FB重定向的次数/(NR至LTE的EPS FB重定向的次数+基于切换的EPS FB准备尝试次数)；所述端到端EPS FB成功率＝(主叫EPS FB回落成功次数+被叫EPS FB回落成功次数)/(主叫EPS FB呼叫次数+被叫EPS FB呼叫次数)；EPS FB回落失败次数＝(主叫EPSFB呼叫次数+被叫EPS FB呼叫次数)-(主叫EPS FB回落成功次数+被叫EPS FB回落成功次数)；所述高EPS FB回落时延＝(主叫EPS FB回落总时延+被叫EPS FB回落总时延)/(主叫EPS FB回落成功次数+被叫EPS FB回落成功次数)，EPS FB回落成功总次数＝主叫EPS FB回落成功次数+被叫EPS FB回落成功次数；所述EPS FB语音质差小区EPS FB语音质差占比＝EPS FB语音质差通话次数/EPS FB通话次数。
4.根据权利要求3所述的4G/5G互操作的优化方法，其特征在于，所述步骤S2中待优化的EPS FB问题小区的类型包括：EPS FB高重定向比例小区、端到端EPS FB成功率劣化小区、高EPS FB回落时延小区和EPS FB语音质差小区；相应的，所述步骤S41中的反馈数据为运营商KPI数据，包括EPS FB高重定向指标、端到端EPS FB成功率劣化指标、高EPS FB回落时延指标和EPS FB语音质差指标。
CN202210171516.7A 2022-02-24 2022-02-24 一种4g/5g互操作的优化方法 Active CN114245408B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210171516.7A CN114245408B (zh) 2022-02-24 2022-02-24 一种4g/5g互操作的优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210171516.7A CN114245408B (zh) 2022-02-24 2022-02-24 一种4g/5g互操作的优化方法

Publications (2)

Publication Number Publication Date
CN114245408A CN114245408A (zh) 2022-03-25
CN114245408B true CN114245408B (zh) 2022-05-10

Family

ID=80748045

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210171516.7A Active CN114245408B (zh) 2022-02-24 2022-02-24 一种4g/5g互操作的优化方法

Country Status (1)

Country Link
CN (1) CN114245408B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106941683A (zh) * 2016-01-04 2017-07-11 中国移动通信集团广东有限公司 一种lte频间互操作自优化的方法及装置
CN112351449A (zh) * 2021-01-08 2021-02-09 南京华苏科技有限公司 一种Massive MIMO单小区权值优化方法
CN113825155A (zh) * 2020-06-19 2021-12-21 中国移动通信集团设计院有限公司 5g网络的互操作参数配置方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106941683A (zh) * 2016-01-04 2017-07-11 中国移动通信集团广东有限公司 一种lte频间互操作自优化的方法及装置
CN113825155A (zh) * 2020-06-19 2021-12-21 中国移动通信集团设计院有限公司 5g网络的互操作参数配置方法及装置
CN112351449A (zh) * 2021-01-08 2021-02-09 南京华苏科技有限公司 一种Massive MIMO单小区权值优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WCDMA网络3G回落4G的优化分析;何思源;《无线互联科技》;20171110(第21期);全文 *
基于AI算法的4G/5G协同互操作全自动优化方法研究;王典炜;《5G网络创新研讨会（2021》;20211013;全文 *

Also Published As

Publication number Publication date
CN114245408A (zh) 2022-03-25

Similar Documents

Publication Publication Date Title
US10506480B2 (en) Method and apparatus for enhancing measurement in wireless communication system
EP2078355B1 (en) Method and apparatus for optimizing neighbor list for handover management
EP0946076B1 (en) Method and apparatus for interfrequency handoff in a wireless communication system
CN106792752B (zh) 基站信号覆盖自优化方法和系统
CN111242225A (zh) 一种基于卷积神经网络的故障检测与诊断方法
CN101790173A (zh) 网络覆盖检测方法和系统
WO2000028759A1 (en) Cell hand-off border identification using ms positioning and signal strength values
WO2014052042A1 (en) Mobility robustness optimization based on reference signal strength maps
US20220210706A1 (en) Method and apparatus for identifying target neighbor cell for handover of user equipment (ue)
WO2020164564A1 (zh) 最小化路测技术配置方法和基站
Barth et al. Self-organization in 4G mobile networks: Motivation and vision
CN101959169A (zh) 一种相邻小区的优化方法及装置
CN114245408B (zh) 一种4g/5g互操作的优化方法
US20230388941A1 (en) Power adjustment method and network management server
EP2485516B1 (en) Radio coverage in mobile telecommunications systems
WO2021171103A1 (en) Cellular network indoor traffic auto-detection
CN113923736B (zh) 一种终端通信用基站切换方法、装置、设备及产品
CN115442819A (zh) 网络优化方法和通信装置
Tiwana et al. Statistical learning-based automated healing: Application to mobility in 3G LTE networks
WO2023184411A1 (en) Data collection method for beam management based on machine learning and wireless communication device
US20230354120A1 (en) Device and method for cell management in radio access networks
CN107682883A (zh) 一种宏微协同邻区配置及优化方法
CN114915981B (zh) 一种小区基站信号切换失败分析及预警的方法
CN118872217A (zh) 基于机器学习的波束管理数据收集方法和无线通信设备
CN117202282A (zh) 基于无线指纹库的小区切换方法及其装置

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
GR01 Patent grant
GR01 Patent grant