CN114363925A - 一种网络质差自动识别方法 - Google Patents
一种网络质差自动识别方法 Download PDFInfo
- Publication number
- CN114363925A CN114363925A CN202111541824.6A CN202111541824A CN114363925A CN 114363925 A CN114363925 A CN 114363925A CN 202111541824 A CN202111541824 A CN 202111541824A CN 114363925 A CN114363925 A CN 114363925A
- Authority
- CN
- China
- Prior art keywords
- point
- bad
- sampling point
- block
- good
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000005070 sampling Methods 0.000 claims abstract description 167
- 238000012360 testing method Methods 0.000 claims abstract description 24
- 238000001914 filtration Methods 0.000 claims description 18
- 238000005457 optimization Methods 0.000 abstract description 13
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 22
- 238000005516 engineering process Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000015556 catabolic process Effects 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种网络质差自动识别方法,利用大数据集群对采样点路段进行质差识别,包括:利用对信噪比和参考信号接收功率对采样点进行识别判定,获取识别判定结果;根据识别判定结果及采样点距离对一次测试数据进行数据流切片;将数据流切片内的采样点数据分割为连续的好点块和坏点块;利用倒推迭代法并利用好点块和坏点块之间的采样点数据识别出质差问题路段。实施本发明,通过将测试数据中的采样点数据分割成连续的好点块和坏点块,并利用倒推迭代法并利用好点块和坏点块之间的采样点数据识别出质差问题路段,自动识别网络质差问题,提高问题分析效率,同时也减少了对网优人员专业技能的需求。
Description
技术领域
本发明涉及移动通信技术领域,特别涉及一种网络质差自动识别方法。
背景技术
为了满足未来移动互联网和物联网的快速发展所需要的网络带宽和容量的需求,第五代移动通信技术(The 5th generation mobile communication technology,5G)应运而生。可以说,移动互联网和物联网的飞速发展是5G技术发展的主要动力。
相较于4G,5G弥补了4G技术的不足,并在吞吐量、连接数、能耗等方面进一步提高了系统性能。5G采用数字全IP技术,支持和分组交换,它既不是单项技术的演进,也不是几种新的无线接入技术,是将新的无线接入技术与现有的无线接入技术(WLAN,4G、3G、2G等)集成在一起,是真正的融合网络。此外,由于融合,5G可以继续使用4G、3G的基础设施资源,实现与4G、3G、2G的共存。
5G无线网络是全球各大运营商“大连接”战略实施的重要手段,也是实现万物之间互连的重要切入点。随着5G网络商用的广泛推广,越来越多的手机用户享受到了5G网络带来的优质网络冲浪体验。
从运营商角度,现有的2G/3G/4G网络与5G不匹配,相比之下,5G系统的频谱带宽相对丰富。运营商可以借助已有的LTE站址资源,以LTE基站托底eMBB场景,推动LTE向5G平滑演进,不仅可以节约5G建设成本,而且可以兼顾范围覆盖和容量。
随着人们对用户体验需求的不断增长,网络优化、用户投诉的解决效率变得越来越重要。网络优化需要兼顾用户体验和网络资源的使用率。一旦发生网络KPI指标下降或者用户投诉,如何快速定位故障原因并予以解决,是当前网络优化中提高用户体验至关重要的一个环节。对于网络优化工程师来说,日常需应对各种网络KPI指标的考核,如何快速分析指标劣化的原因和指标恢复,也需要有高效的工作流程和工具方法。
但是,现在还没有一种可以针对路测数据,自动识别网络质差问题,以帮助网络优化工程师快速解决KPI指标劣化、响应用户投诉问题。
发明内容
针对上述问题,提出一种网络质差自动识别方法,通过利用大数据集群自动对采样点进行识别判定,对采样点进行好点坏点识别,从而将测试数据中的采样点数据分割成连续的好点块和坏点块,并利用倒推迭代法并利用所述好点块和坏点块之间的采样点数据识别出质差问题路段,自动识别网络质差问题,提高问题分析效率,同时也减少了对网优人员专业技能的需求。
一种网络质差自动识别方法,利用大数据集群对采样点路段进行质差识别,包括:
步骤100、利用对信噪比和参考信号接收功率对采样点进行识别判定,获取识别判定结果;
步骤200、根据所述识别判定结果及采样点距离对一次测试数据进行数据流切片;
步骤300、将所述数据流切片内的采样点数据分割为连续的好点块和坏点块;
步骤400、利用倒推迭代法并利用所述好点块和坏点块之间的采样点数据识别出质差问题路段。
结合本发明所述的网络质差自动识别方法,第一种可能的实施方式中,所述步骤100包括:
步骤110、将采样点信噪比、参考信号接收功率与对应的门限值进行比较;
步骤120、若采样点信噪比小于门限值且所述参考信号接收功率小于门限值,则该采样点为坏点,否则为好点。
结合本发明所述的网络质差自动识别方法,第二种可能的实施方式中,所述步骤100还包括:
步骤130、将采样点信噪比、参考信号接收功率与对应的门限值进行比较;
步骤140、若采样点信噪比小于门限值或者所述参考信号接收功率小于门限值,则该采样点为坏点,否则为好点。
结合本发明所述的网络质差自动识别方法,第三种可能的实施方式中,所述步骤200包括:
步骤210、将采样点距离、连续好点距离与对应的门限值进行比较;
步骤220、所述采样点距离或者连续好点距离大于门限值,则将测试数据进行数据流切片。
结合本发明所述的网络质差自动识别方法,第四种可能的实施方式中,所述步骤300包括:
步骤310、计算数据流切片中的采样点的总时长和平均速率;
步骤320、利用采样点的时长和速率对采样点数据进行过滤;
步骤330、根据过滤结果将测试数据中的采样点分割成连续好点块和连续坏点块。
结合本发明第四种可能的实施方式,第五种可能的实施方式中,所述步骤320包括:
步骤321、将采样点时长、采样点速率与对应的门限值进行比较;
步骤322、若采样点时长大于门限值且所述采样点速率小于门限值,则将该采样点数据剔除。
结合本发明第五种可能的实施方式,第六种可能的实施方式中,所述步骤330包括:
步骤331、若采样点时长、采样点速率满足第一过滤条件,则将每单位距离坏点占比与门限值进行比较;
步骤332、若所述每单位距离坏点占比小于门限值,则将该采样点数据剔除,否则,将该采样点数据分割为连续的好点块和坏点块;
其中,所述第一过滤条件为:
采样点时长大于门限值,且
采样点速率小于门限值。
结合本发明第五种可能的实施方式,第七种可能的实施方式中,所述步骤330还包括:
步骤333、若采样点时长、采样点速率不满足第一过滤条件,则直接将该采样点数据分割为连续的好点块和坏点块;
其中,所述第一过滤条件为:
采样点时长大于门限值,且
采样点速率小于门限值。
结合本发明所述的网络质差自动识别方法,第八种可能的实施方式中,所述步骤400包括:
步骤410、利用倒推迭代法对坏点块间采样点数据进行质差识别;
步骤420、判定所述坏点块间采样点数据是否满足第一质差条件,若满足第一质差条件,则判定所述坏点块间采样点数据是否满足第二质差条件,若不满足第一质差条件,则进行下一坏点块间采样点数据质差识别;
步骤430、若所述坏点块间采样点数据满足第二质差条件,则判定为该坏点块间采样点路段为质差问题路段,若所述坏点块间采样点数据不满足所述第二质差条件,则对好点块好点与坏点块坏点之间的路段进行迭代识别判断;
其中,所述第一质差条件为:
第n个坏点块的第n个坏点到第1个坏点块的第1个坏点之间的坏点占比大于或者等于门限值,且
第n个坏点块的第n个坏点到第1个坏点块的第1个坏点之间的坏点个数大于或者等于门限值;
所述第二质差条件为:
第n个坏点块的第n个坏点到第1个坏点块的第1个坏点之间的距离大于或者等于门限值。
结合本发明第八种可能的实施方式,第九种可能的实施方式中,第所述步骤430包括:
步骤431、利用倒推迭代法对第n个坏点块之后的第n好点块第一好点与第一坏点块第一坏点之间路段进行迭代判定识别;
步骤432、判定所述第n个坏点块之后的第n好点块第一好点与第一坏点块第一坏点之间采样点数据是否满足第三质差条件,若满足第三质差条件,则判定第n个坏点块之后的第n好点块第一好点与第一坏点块第一坏点之间采样点路段为质差问题路段;
步骤433、若不满足第三质差条件,则继续对下一好点与所述第一坏点之间的路段进行质差识别;
其中,所述第三质差条件为:
第n个好点块的第1个好点到第1个坏点块的第1个坏点之间的坏点占比大于或者等于门限值,
第n个好点块的第1个好点到第1个坏点块的第1个坏点之间的坏点个数大于或者等于门限值,
第n个好点块的第1个好点到第1个坏点块的第1个坏点之间的距离大于或者等于门限值,且
第n个好点块的第1个好点到第1个坏点块的第1个坏点之间的点间距小于质差临界点门限值。
实施发明所述网络质差自动识别方法,通过利用大数据集群自动对采样点进行识别判定,对采样点进行好点坏点识别,从而将测试数据中的采样点数据分割成连续的好点块和坏点块,并利用倒推迭代法并利用所述好点块和坏点块之间的采样点数据识别出质差问题路段,自动识别网络质差问题,提高问题分析效率,同时也减少了对网优人员专业技能的需求。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明中网络质差自动识别方法第一实施例示意图;
图2是本发明中网络质差自动识别方法第二实施例示意图;
图3是本发明中网络质差自动识别方法第三实施例示意图;
图4是本发明中网络质差自动识别方法第四实施例示意图;
图5是本发明中网络质差自动识别方法第五实施例示意图;
图6是本发明中网络质差自动识别方法第六实施例示意图;
图7是本发明中网络质差自动识别方法第七实施例示意图;
图8是本发明中网络质差自动识别方法第八实施例示意图;
图9是本发明中网络质差自动识别方法第九实施例示意图;
图10是本发明中网络质差自动识别方法中倒退迭代法示意图;
图11是本发明中网络质差自动识别方法中大数据集群框架实施例示意图;
具体实施方式
下面将结合发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,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付出创造性劳动前提下所获得的其他实施例,都属于本发明保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
如何快速定位故障原因并予以解决,是当前网络优化中提高用户体验至关重要的一个环节。对于网络优化工程师来说,日常需应对各种网络KPI指标的考核,如何快速分析指标劣化的原因和指标恢复,也需要有高效的工作流程和工具方法。
但是,现在还没有一种可以针对路测数据,自动识别网络质差问题,以帮助网络优化工程师快速解决KPI指标劣化、响应用户投诉问题。
针对上述问题,提出一种网络质差自动识别方法。
一种网络质差自动识别方法,如图1,图1是本发明中网络质差自动识别方法第一实施例示意图,利用大数据集群对采样点路段进行质差识别,如图11,图11是本发明中网络质差自动识别方法中大数据集群框架实施例示意图,包括:步骤100、利用对信噪比(SINR)和参考信号接收功率(RSRP)对采样点进行识别判定,获取识别判定结果;步骤200、根据识别判定结果及采样点距离对一次测试数据进行数据流切片;步骤300、将数据流切片内的采样点数据分割为连续的好点块和坏点块;步骤400、利用倒推迭代法并利用好点块和坏点块之间的采样点数据识别出质差问题路段。
大数据集群包括数据采集模块、数据处理模块、web应用模块及大数据集群模块。数据采集模块主要采集路测数据、MR数据、性能数据、告警数据、配置参数、DPI等数据源,并数据源自动存储与SKA数据解析服务器。数据处理模块包括SKA组件和SKM组件,SKA组件负责路测数据解析处理、MR及北向数据关联解析。SKM组件负责SKA任务管理、数据监控、测试终端管理。大数据集群模块包括数据处理和任务调度管理模块。大数据集群数据处理模块完成数据建模、质差识别算法开发。任务调度管理模块完成质差识别算法任务的管理、资源调度。
Web应用模块主要进行数据统计、GIS渲染、数据分析、道路跟踪等可视化显示功能。
通过利用大数据集群自动对采样点进行识别判定,对采样点进行好点坏点识别,从而将测试数据中的采样点数据分割成连续的好点块和坏点块,并利用倒推迭代法并利用好点块和坏点块之间的采样点数据识别出质差问题路段,自动识别网络质差问题,提高问题分析效率,同时也减少了对网优人员专业技能的需求。
在一个优选实施方式中,如图2,图2是本发明中网络质差自动识别方法第二实施例示意图,步骤100包括:步骤110、将采样点信噪比、参考信号接收功率与对应的门限值进行比较;步骤120、若采样点信噪比小于门限值且参考信号接收功率小于门限值,则该采样点为坏点,否则为好点。
在一个优选实施方式中,如图3,图3是本发明中网络质差自动识别方法第三实施例示意图,步骤100还包括:步骤130、将采样点信噪比、参考信号接收功率与对应的门限值进行比较;步骤140、若采样点信噪比小于门限值或者参考信号接收功率小于门限值,则该采样点为坏点,否则为好点。
对采样点好点和坏点的判定可采用条件:SINR<门限值,RSRP<门限值条件;SINR<门限值和RSRP<门限值的条件可是“或”或“且”的关系,也可以只是其中一个条件。
满足上述条件则判断为坏点,否则为好点。
如果只有SINR<门限值的条件,那么识别的结果为坏点的SINR质差;如果只有RSRP的条件,识别的结果为坏点的RSRP质差,也就是弱覆盖。
在一个优选实施方式中,如图4,图4是本发明中网络质差自动识别方法第四实施例示意图,步骤200包括步骤210、将采样点距离、连续好点距离与对应的门限值进行比较;步骤220、采样点距离或者连续好点距离大于门限值,则将测试数据进行数据流切片。
数据流切片是将一次测试数据分割为多个片段,分别进行质差问题识别的处理,从而充分利用大数据集群的并行处理能力。在进行数据流切片前,先将采样点数据按时间戳前后进行排序。具体的方法是将采样点距离、连续好点距离与对应的门限值进行比较:采样点间距离>门限值,连续好点距离>门限值;满足上述其中一个条件,则将采样点分段,切割为连续的小段数据切片。
在一个优选实施方式中,如图5,图5是本发明中网络质差自动识别方法第五实施例示意图,步骤300包括:步骤310、计算数据流切片中的采样点的总时长和平均速率;步骤320、利用采样点的时长和速率对采样点数据进行过滤;步骤330、根据过滤结果将测试数据中的采样点分割成连续好点块和连续坏点块。将切片内的采样点数据分割为连续的好点块和坏点块,后续的数据处理基于好点块和坏点块进行,相比基于采样点的处理方式,可以大大减少数据处理时间,加快数据处理的效率,降低大数据集群的负荷。
在一个优选实施方式中,如图6,图6是本发明中网络质差自动识别方法第六实施例示意图,步骤320包括:步骤321、将采样点时长、采样点速率与对应的门限值进行比较;步骤322、若采样点时长大于门限值且采样点速率小于门限值,则将该采样点数据剔除。
当测试车辆处于某些异常场景时,比如停车吃饭、休息,车辆长时间处于静止或低速状态,测试数据上报的经纬度都是相同的值,距离为0,但时长却很大,假如这个位置刚好为坏点,那么就会误判为质差问题,因此需要将静止或低速状态的异常数据剔除。具体判断规则为:采样点时长>时长门限值,采样点速率<速率门限值。同时满足上述条件则采样点为静止或低速状态。
在一个优选实施方式中,如图7,图7是本发明中网络质差自动识别方法第七实施例示意图,步骤330包括:步骤331、若采样点时长、采样点速率满足第一过滤条件,则将每单位距离坏点占比与门限值进行比较;步骤332、若每单位距离坏点占比小于门限值,则将该采样点数据剔除,否则,将该采样点数据分割为连续的好点块和坏点块;其中,第一过滤条件为:采样点时长大于门限值,且采样点速率小于门限值。每单位距离,例如20米。
在一个优选实施方式中,如图8,图8是本发明中网络质差自动识别方法第八实施例示意图,步骤330包括:步骤333、若采样点时长、采样点速率不满足第一过滤条件,则直接将该采样点数据分割为连续的好点块和坏点块;其中,第一过滤条件为:采样点时长大于门限值,且采样点速率小于门限值。
在一个优选实施方式中,如图9,图9是本发明中网络质差自动识别方法第九实施例示意图,步骤400包括:步骤410、利用倒推迭代法对坏点块间采样点数据进行质差识别;步骤420、判定坏点块间采样点数据是否满足第一质差条件,若满足第一质差条件,则判定坏点块间采样点数据是否满足第二质差条件,若不满足第一质差条件,则进行下一坏点块间采样点数据质差识别;步骤430、若坏点块间采样点数据满足第二质差条件,则判定为该坏点块间采样点路段为质差问题路段,若坏点块间采样点数据不满足第二质差条件,则对好点块好点与坏点块坏点之间的路段进行迭代识别判断;其中,第一质差条件为:第n个坏点块的第n个坏点到第1个坏点块的第1个坏点之间的坏点占比大于或者等于门限值,且第n个坏点块的第n个坏点到第1个坏点块的第1个坏点之间的坏点个数大于或者等于门限值;第二质差条件为:第n个坏点块的第n个坏点到第1个坏点块的第1个坏点之间的距离大于或者等于门限值。
质差问题路段识别从切片内的第一个坏点块的第一个采样点开始。
在一个优选实施方式中,第步骤430包括:步骤431、利用倒推迭代法对第n个坏点块之后的第n好点块第一好点与第一坏点块第一坏点之间路段进行迭代判定识别;步骤432、判定第n个坏点块之后的第n好点块第一好点与第一坏点块第一坏点之间采样点数据是否满足第三质差条件,若满足第三质差条件,则判定第n个坏点块之后的第n好点块第一好点与第一坏点块第一坏点之间采样点路段为质差问题路段;步骤433、若不满足第三质差条件,则继续对下一好点与第一坏点之间的路段进行质差识别;其中,第三质差条件为:第n个好点块的第1个好点到第1个坏点块的第1个坏点之间的坏点占比大于或者等于门限值,第n个好点块的第1个好点到第1个坏点块的第1个坏点之间的坏点个数大于或者等于门限值,第n个好点块的第1个好点到第1个坏点块的第1个坏点之间的距离大于或者等于门限值,且第n个好点块的第1个好点到第1个坏点块的第1个坏点之间的点间距小于质差临界点门限值。
为了能最大限度的将所有质差的路段识别为同一个问题路段,采取下面倒推迭代法,其原理如下:
第1次迭代,先判断第n个坏点块的第n个坏点到第1个坏点块的第1个坏点的数据,是否满足质差条件。
第2次迭代,判断倒数第二个坏点块的第n个坏点到第1个坏点块的第1个坏点的数据,是否满足质差条件。
依次进行,直到所有坏点块判断结束。
如图10,图10是本发明中网络质差自动识别方法中倒退迭代法示意图,标1的区域为坏点,连续的坏点为坏点块;标0的区域为好点,连续的好点为好点块。
其中,BK1P1表示第1个坏点块的第1个坏点,BKnPt表示第n坏点块的第n个坏点,GKnP1表示第n好点块的第1个好点;
步骤1:利用第一质差条件进行质差点占比判断,第一质差条件包括:(1)BKnPt-BK1P1的坏点占比>=坏点占比门限值,(2)BKnPt-BK1P1的坏点个数>=坏点个数门限值。
上述两个条件都满足则进行步骤2,否则结束本次迭代,继续判断第n-1个坏点块。
步骤2:利用第二质差条件进行质差距离判断,第二质差条件为:BKnPt-BK1P1的距离>=质差距离门限值,若满足上述第二质差条件,则判断为质差问题路段,否则进行步骤3。
步骤3,利用好点块好点与坏点块坏点之间的路段进行迭代识别判断:当满足质差点占比的判断条件,但不满足距离的条件时,需将第n好点统计进来,增加距离,利用第三质差条件再进行判断,第三质差条件为:
(1)GKnP1-BK1P1的坏点占比>=坏点占比门限值;
(2)GKnP1-BK1P1的距离>=坏点距离门限值;
(3)GKnP1-BK1P1的坏点个数>=坏点个数门限值;
(4)GKnP1-BK1P1的点间距<质差临界点间距。
同时满足第三质差条件的上述所有条件,则判断为质差问题路段,继续识别第n个好点好点块中好点与第1个坏点块第1坏点之间的采用数据,以判断识别该路段的质差问题情况,其中的第n个好点可以为第n个坏点块之前的第n个好点块中的好点,直到当前好点块的所有好点都迭代完成。
上述质差问题路段在所有切片内部同时进行,直到所有切片完成识别,输出结果信息。
在具体实施例中,可以通过不同的图像标识来表示质差问题路段识别效果,将连续质差的采样点识别出来,形成连续的问题路段。采样点用SINR指标进行GIS渲染,不同的图形代表不同的值范围,也可以采用不同的颜色标记不同的路段。
实施发明所述网络质差自动识别方法,通过利用大数据集群自动对采样点进行识别判定,对采样点进行好点坏点识别,从而将测试数据中的采样点数据分割成连续的好点块和坏点块,并利用倒推迭代法并利用所述好点块和坏点块之间的采样点数据识别出质差问题路段,自动识别网络质差问题,提高问题分析效率,同时也减少了对网优人员专业技能的需求。
以上仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种网络质差自动识别方法,其特征在于,利用大数据集群对采样点路段进行质差识别,包括:
步骤100、利用对信噪比和参考信号接收功率对采样点进行识别判定,获取识别判定结果;
步骤200、根据所述识别判定结果及采样点距离对一次测试数据进行数据流切片;
步骤300、将所述数据流切片内的采样点数据分割为连续的好点块和坏点块;
步骤400、利用倒推迭代法并利用所述好点块和坏点块之间的采样点数据识别出质差问题路段。
2.根据权利要求1所述的网络质差自动识别方法,其特征在于,所述步骤100包括:
步骤110、将采样点信噪比、参考信号接收功率与对应的门限值进行比较;
步骤120、若采样点信噪比小于门限值且所述参考信号接收功率小于门限值,则该采样点为坏点,否则为好点。
3.根据权利要求1所述的网络质差自动识别方法,其特征在于,所述步骤100还包括:
步骤130、将采样点信噪比、参考信号接收功率与对应的门限值进行比较;
步骤140、若采样点信噪比小于门限值或者所述参考信号接收功率小于门限值,则该采样点为坏点,否则为好点。
4.根据权利要求1所述的网络质差自动识别方法,其特征在于,所述步骤200包括:
步骤210、将采样点距离、连续好点距离与对应的门限值进行比较;
步骤220、所述采样点距离或者连续好点距离大于门限值,则将测试数据进行数据流切片。
5.根据权利要求1所述的网络质差自动识别方法,其特征在于,所述步骤300包括:
步骤310、计算数据流切片中的采样点的总时长和平均速率;
步骤320、利用采样点的时长和速率对采样点数据进行过滤;
步骤330、根据过滤结果将测试数据中的采样点分割成连续好点块和连续坏点块。
6.根据权利要求5所述的网络质差自动识别方法,其特征在于,所述步骤320包括:
步骤321、将采样点时长、采样点速率与对应的门限值进行比较;
步骤322、若采样点时长大于门限值且所述采样点速率小于门限值,则将该采样点数据剔除。
7.根据权利要求6所述的网络质差自动识别方法,其特征在于,所述步骤330包括:
步骤331、若采样点时长、采样点速率满足第一过滤条件,则将每单位距离坏点占比与门限值进行比较;
步骤332、若所述每单位距离坏点占比小于门限值,则将该采样点数据剔除,否则,将该采样点数据分割为连续的好点块和坏点块;
其中,所述第一过滤条件为:
采样点时长大于门限值,且
采样点速率小于门限值。
8.根据权利要求6所述的网络质差自动识别方法,其特征在于,所述步骤330还包括:
步骤333、若采样点时长、采样点速率不满足第一过滤条件,则直接将该采样点数据分割为连续的好点块和坏点块;
其中,所述第一过滤条件为:
采样点时长大于门限值,且
采样点速率小于门限值。
9.根据权利要求1所述的网络质差自动识别方法,其特征在于,所述步骤400包括:
步骤410、利用倒推迭代法对坏点块间采样点数据进行质差识别;
步骤420、判定所述坏点块间采样点数据是否满足第一质差条件,若满足第一质差条件,则判定所述坏点块间采样点数据是否满足第二质差条件,若不满足第一质差条件,则进行下一坏点块间采样点数据质差识别;
步骤430、若所述坏点块间采样点数据满足第二质差条件,则判定为该坏点块间采样点路段为质差问题路段,若所述坏点块间采样点数据不满足所述第二质差条件,则对好点块好点与坏点块坏点之间的路段进行迭代识别判断;
其中,所述第一质差条件为:
第n个坏点块的第n个坏点到第1个坏点块的第1个坏点之间的坏点占比大于或者等于门限值,且
第n个坏点块的第n个坏点到第1个坏点块的第1个坏点之间的坏点个数大于或者等于门限值;
所述第二质差条件为:
第n个坏点块的第n个坏点到第1个坏点块的第1个坏点之间的距离大于或者等于门限值。
10.根据权利要求9所述的网络质差自动识别方法,其特征在于,第所述步骤430包括:
步骤431、利用倒推迭代法对第n个坏点块之后的第n好点块第一好点与第一坏点块第一坏点之间路段进行迭代判定识别;
步骤432、判定所述第n个坏点块之后的第n好点块第一好点与第一坏点块第一坏点之间采样点数据是否满足第三质差条件,若满足第三质差条件,则判定第n个坏点块之后的第n好点块第一好点与第一坏点块第一坏点之间采样点路段为质差问题路段;
步骤433、若不满足第三质差条件,则继续对下一好点与所述第一坏点之间的路段进行质差识别;
其中,所述第三质差条件为:
第n个好点块的第1个好点到第1个坏点块的第1个坏点之间的坏点占比大于或者等于门限值,
第n个好点块的第1个好点到第1个坏点块的第1个坏点之间的坏点个数大于或者等于门限值,
第n个好点块的第1个好点到第1个坏点块的第1个坏点之间的距离大于或者等于门限值,且
第n个好点块的第1个好点到第1个坏点块的第1个坏点之间的点间距小于质差临界点门限值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111541824.6A CN114363925B (zh) | 2021-12-16 | 2021-12-16 | 一种网络质差自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111541824.6A CN114363925B (zh) | 2021-12-16 | 2021-12-16 | 一种网络质差自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114363925A true CN114363925A (zh) | 2022-04-15 |
CN114363925B CN114363925B (zh) | 2023-10-24 |
Family
ID=81098660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111541824.6A Active CN114363925B (zh) | 2021-12-16 | 2021-12-16 | 一种网络质差自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114363925B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014053192A1 (en) * | 2012-10-05 | 2014-04-10 | Telefonaktiebolaget L M Ericsson (Publ) | Method and apparatus for ranking users within a network |
WO2014094431A1 (zh) * | 2012-12-20 | 2014-06-26 | 大唐移动通信设备有限公司 | 演进通信系统的网络覆盖规划方法及装置 |
CN105323846A (zh) * | 2014-08-04 | 2016-02-10 | 中国移动通信集团广东有限公司 | 一种定位弱覆盖直放站的方法和装置 |
CN105744561A (zh) * | 2016-03-07 | 2016-07-06 | 四川亨通网智科技有限公司 | 多维度测量报告室内外分离方法 |
CN106851668A (zh) * | 2017-01-23 | 2017-06-13 | 深圳市网信联动通信技术股份有限公司 | 一种小区弱覆盖区域的检测方法及装置 |
CN106879017A (zh) * | 2015-12-11 | 2017-06-20 | 亿阳信通股份有限公司 | 一种lte网络覆盖质量的判定方法及装置 |
CN107135090A (zh) * | 2016-02-29 | 2017-09-05 | 华为技术有限公司 | 一种实现网络质差问题定位的方法及装置 |
CN108683527A (zh) * | 2018-04-25 | 2018-10-19 | 武汉虹信技术服务有限责任公司 | 一种基于mr和xdr的用户感知深度检测方法 |
CN109743743A (zh) * | 2018-11-28 | 2019-05-10 | 中通服建设有限公司 | 网络性能的栅格化监测方法、电子设备、存储介质及系统 |
CN109934627A (zh) * | 2019-03-05 | 2019-06-25 | 中国联合网络通信集团有限公司 | 建立满意度预测模型的方法及装置 |
CN109982353A (zh) * | 2017-12-28 | 2019-07-05 | 中国移动通信集团吉林有限公司 | 基于VoLTE网络的小区优化方法、装置和设备 |
CN110392379A (zh) * | 2018-04-20 | 2019-10-29 | 中国移动通信集团设计院有限公司 | 一种网络问题的定位方法、装置、电子设备及存储介质 |
CN110740065A (zh) * | 2019-10-29 | 2020-01-31 | 中国联合网络通信集团有限公司 | 劣化故障点的识别方法、装置及系统 |
CN111130831A (zh) * | 2018-10-31 | 2020-05-08 | 上海大唐移动通信设备有限公司 | 一种目标网络质量评估方法及装置 |
CN111212440A (zh) * | 2018-11-21 | 2020-05-29 | 华为技术有限公司 | 用于实现质差根因分析的方法及网络设备 |
CN113365306A (zh) * | 2021-06-30 | 2021-09-07 | 中国电信股份有限公司 | 网络分析方法及装置、存储介质、计算机系统 |
CN113763348A (zh) * | 2021-09-02 | 2021-12-07 | 北京格灵深瞳信息技术股份有限公司 | 图像质量确定方法、装置、电子设备及存储介质 |
-
2021
- 2021-12-16 CN CN202111541824.6A patent/CN114363925B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014053192A1 (en) * | 2012-10-05 | 2014-04-10 | Telefonaktiebolaget L M Ericsson (Publ) | Method and apparatus for ranking users within a network |
WO2014094431A1 (zh) * | 2012-12-20 | 2014-06-26 | 大唐移动通信设备有限公司 | 演进通信系统的网络覆盖规划方法及装置 |
CN105323846A (zh) * | 2014-08-04 | 2016-02-10 | 中国移动通信集团广东有限公司 | 一种定位弱覆盖直放站的方法和装置 |
CN106879017A (zh) * | 2015-12-11 | 2017-06-20 | 亿阳信通股份有限公司 | 一种lte网络覆盖质量的判定方法及装置 |
CN107135090A (zh) * | 2016-02-29 | 2017-09-05 | 华为技术有限公司 | 一种实现网络质差问题定位的方法及装置 |
CN105744561A (zh) * | 2016-03-07 | 2016-07-06 | 四川亨通网智科技有限公司 | 多维度测量报告室内外分离方法 |
CN106851668A (zh) * | 2017-01-23 | 2017-06-13 | 深圳市网信联动通信技术股份有限公司 | 一种小区弱覆盖区域的检测方法及装置 |
CN109982353A (zh) * | 2017-12-28 | 2019-07-05 | 中国移动通信集团吉林有限公司 | 基于VoLTE网络的小区优化方法、装置和设备 |
CN110392379A (zh) * | 2018-04-20 | 2019-10-29 | 中国移动通信集团设计院有限公司 | 一种网络问题的定位方法、装置、电子设备及存储介质 |
CN108683527A (zh) * | 2018-04-25 | 2018-10-19 | 武汉虹信技术服务有限责任公司 | 一种基于mr和xdr的用户感知深度检测方法 |
CN111130831A (zh) * | 2018-10-31 | 2020-05-08 | 上海大唐移动通信设备有限公司 | 一种目标网络质量评估方法及装置 |
CN111212440A (zh) * | 2018-11-21 | 2020-05-29 | 华为技术有限公司 | 用于实现质差根因分析的方法及网络设备 |
CN109743743A (zh) * | 2018-11-28 | 2019-05-10 | 中通服建设有限公司 | 网络性能的栅格化监测方法、电子设备、存储介质及系统 |
CN109934627A (zh) * | 2019-03-05 | 2019-06-25 | 中国联合网络通信集团有限公司 | 建立满意度预测模型的方法及装置 |
CN110740065A (zh) * | 2019-10-29 | 2020-01-31 | 中国联合网络通信集团有限公司 | 劣化故障点的识别方法、装置及系统 |
CN113365306A (zh) * | 2021-06-30 | 2021-09-07 | 中国电信股份有限公司 | 网络分析方法及装置、存储介质、计算机系统 |
CN113763348A (zh) * | 2021-09-02 | 2021-12-07 | 北京格灵深瞳信息技术股份有限公司 | 图像质量确定方法、装置、电子设备及存储介质 |
Non-Patent Citations (5)
Title |
---|
NHUQUAN PHAN: "Coverage optimization of LTE networks based on antenna tilt adjusting considering network load", 《CHINA COMMUNICATIONS》 * |
刘乐厅;许鹏;: "大数据分析在4G无线网络优化中的应用", 信息通信, no. 09 * |
沈楠;赵春阳;余飞;: "LTE原始MR数据挖掘及在网络优化中的应用", 科技与创新, no. 09 * |
王希;: "基于MR数据与机器学习的LTE用户感知评估方法", 移动通信, no. 08 * |
邵星;许鸿奎;李鑫;姜彤彤;: "机器学习在网络路测质差小区分析中的应用", 计算机系统应用, no. 05 * |
Also Published As
Publication number | Publication date |
---|---|
CN114363925B (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106792754B (zh) | 高铁上的通信用户检测方法和系统 | |
CN108156626B (zh) | 轨道交通无线网络质量评估方法、装置及介质 | |
US8180365B2 (en) | Method and apparatus for identifying a geographic area having undesirable wireless service | |
CN109996284A (zh) | 移动通信故障投诉工单处理方法、装置、设备及介质 | |
EP1838119B1 (en) | Method of network planning and optimization, radio network, base station and base station controller | |
CN105744553B (zh) | 一种网络关联分析方法及装置 | |
CN108462966B (zh) | 一种基于2g网络高铁小区rru定位识别方法及系统 | |
US9462486B2 (en) | Method and device for classifying wireless data service | |
CN110392379B (zh) | 一种网络问题的定位方法、装置、电子设备及存储介质 | |
CN104768169A (zh) | 高速铁路移动用户感知优化分析方法及系统 | |
CN103581976B (zh) | 小区的识别方法和装置 | |
CN105636104A (zh) | 移动通信网络中高速移动用户通话识别的方法及系统 | |
CN112601247B (zh) | 基站小区的业务质量监测方法、装置和系统 | |
CN113411825B (zh) | 5g小区定位方法、装置、电子设备及存储介质 | |
CN103491568A (zh) | 移动网络道路优化分析系统 | |
CN107305734B (zh) | 一种实时交通信息的采集方法和装置 | |
CN114240031A (zh) | 一种面向电力业务的5g网络承载质量评估方法 | |
CN108260142B (zh) | 一种高铁模拟路测数据获取方法和装置 | |
CN114363924B (zh) | 一种5g无驻留问题自动根因分析方法 | |
CN114363925B (zh) | 一种网络质差自动识别方法 | |
CN108243039B (zh) | 交通干线网络综合分析方法及装置 | |
TWI724784B (zh) | 聚焦行動用戶之問題區域的方法 | |
CN103491558A (zh) | 3g网络常驻用户分析系统 | |
CN107027135A (zh) | 一种识别室内用户的方法及装置 | |
CN112243257A (zh) | 一种无线小区的覆盖黑洞识别方法及系统 |
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 |