CN115606161A - 确定小区升级 - Google Patents

Abstract

本文描述的实施例涉及用于确定小区升级的方法和装置，例如是否将长期演进(LTE)小区升级到大规模多输入多输出(M‑MIMO)技术。提供了一种用于确定小区升级度量的方法。该方法从在小区内通信的用户设备接收包括用户会话数据的样本(405、410、415、420)。通过应用过滤规则从样本中获得训练数据(425)并且使用样本训练自动编码器(430)。将经训练的自动编码器的编码器层和代码层与分类器网络组合以生成组合分类网络(435)。使用训练数据训练组合分类网络(440)。经训练的组合分类器网络用于对相同或不同小区内的用户会话数据进行分类(505)，并使用多个所述分类来确定所述小区的小区升级度量(525)。

Description

确定小区升级

技术领域

本文公开的实施例涉及用于确定小区升级的方法和装置，例如是否将长期演进(LTE)小区升级到大规模多输入多输出(M-MIMO)技术。

背景技术

随着对蜂窝通信服务的使用和需求的增长，一些现有的蜂窝设备可能无法支持增加的业务或服务需求。因此，运营商需要确定哪些小区可以受益于向更新和/或改进的服务提供设备升级的方法。例如，运营商可能希望确定他们的哪些LTE小区将受益于向支持M-MIMO技术的设备升级。

当前用于决定对增强型M-MIMO特征进行投资的LTE小区资格认证方法基于性能管理(PM)计数器和基于严格规则的决策。PM计数器可以用于确定各种度量，例如：测量用户的综合可访问性的呼叫建立成功率：评估网络保持由用户请求的服务的能力的接入网络保持性；切换队列和CPU负载；连接数以及许多其他度量。可以为不同的设备和来自不同供应商的设备指定不同的PM计数器。

发明内容

PM计数器方法在小区级别处聚合，并且因此使用诸如平均值、中位数和分位数之类的统计度量表示给定小区内的整个用户设备(UE)生态系统。然而，这不允许考虑更细粒度的UE特定度量，例如质量与距离，或UE到小区的度量，例如UE吞吐量与小区负载。此外，并非所有小区都将同等地受益于小区升级，并且这可能根据小区内的传播环境的特性，例如基站(e-Node B或eNB)与UE(例如智能电话)之间是否存在多条传播路径。

根据本文描述的某些实施例，存在一种用于确定小区升级度量的方法。该方法从在小区内通信的用户设备接收包括用户会话数据的样本。通过应用过滤规则从样本中获得训练数据并且使用样本训练自动编码器。将经训练的自动编码器的编码器层和代码层与分类器网络组合以生成组合分类网络。使用训练数据训练组合分类网络。经训练的组合分类器网络用于对相同或不同小区内的用户会话数据进行分类，并使用多个所述分类来确定所述小区的小区升级度量。

用户会话数据的使用允许通过单独地表征每个最终用户无线电环境来改进和实现更细粒度的小区表征。这允许与其他度量(例如聚合小区度量)或地理空间考虑(例如用户角度分布分析)的适当相关。可以使用适当训练和架构的分类网络来有效地处理大量此类数据。

根据本文描述的某些实施例，提供了一种用于推荐小区升级的方法。该方法包括：在评估时段内接收用户会话数据和小区度量；以及通过对各个采样时段内的用户会话数据进行表征并将所表征的用户会话数据与小区度量时间相关来生成样本，所述用户会话数据来自在小区内通信的用户设备。经训练的分类器网络用于将样本分类为是能够通过升级改进的，连同置信度分数。小区升级推荐根据被分类为能够改进的样本的比例和置信度分数来进行。

根据本文描述的某些实施例，还提供了对应的装置和计算机程序，该计算机程序包括指令，当该指令在处理器上执行时，使处理器执行本文描述的方法。该计算机程序可以存储在非暂时性计算机可读介质上。

附图说明

为了更好地理解本公开的实施例以及为了示出可以如何实施本公开的实施例，现在将仅通过示例的方式参考附图，在附图中：

图1是示出了根据一些实施例的通信系统中的样本收集的示意图；

图2是示出了根据一些实施例的过滤样本以生成训练数据的示意图；

图3是示出了根据一些实施例的分类网络的构建和训练的示意图；

图4是示出了根据一些实施例的分类网络的构建和训练的流程图；

图5是根据一些实施例的使用经训练的分类器网络来确定小区升级度量或对小区进行排名的流程图；

图6示出了根据一些实施例的示例小区概率度量；

图7A至图7D示出了根据一些实施例的在小区级别的一些MIMO表征值的表示；

图8是示出了根据实施例的装置的架构的示意图；以及

图9示出了通过升级具有估计的改进的小区排名。

具体实施方式

通常，除非明确给出和/或从上下文中暗示不同的含义，否则本文中使用的所有术语将根据其在相关技术领域中的普通含义来解释。除非另有明确说明，否则对“一/一个/元件、设备、组件、装置、步骤等”的所有引用应被开放地解释为指代元件、设备、组件、装置、步骤等中的至少一个实例。除非必须明确地将一个步骤描述为在另一个步骤之后或之前和/或隐含地一个步骤必须在另一个步骤之后或之前，否则本文所公开的任何方法的步骤不必以所公开的确切顺序执行。在适当的情况下，本文公开的任何实施例的任何特征可以应用于任何其他实施例。同样地，任何实施例的任何优点可以适用于任何其他实施例，反之亦然。通过下文的描述，所附实施例的其他目的、特征和优点将显而易见。

以下阐述了具体的细节，如为了解释而不是限制的目的的特定的实施例或示例。本领域技术人员将理解，除了这些具体细节，可以采用其它示例。在一些实例中，省略了对公知方法、节点、接口、电路和设备的详细描述，以避免以不必要的细节模糊描述。本领域技术人员将了解，所描述的功能可以使用硬件电路(例如，互连以执行专门的功能的模拟和/或分立逻辑门、ASIC、PLA等)在一个或多个节点中实现，和/或使用软件程序和数据结合一个或多个数字微处理器或通用计算机来实现。使用空中接口通信的节点也具有合适的无线电通信电路。而且，在适当时该技术还可以被视为完全在包含将使处理器执行本文描述的技术的计算机指令的适当集合的任何形式的计算机可读存储器(例如，固态存储器、磁盘或光盘)中实现。

硬件实现可以包括或包含但不限于数字信号处理器(DSP)硬件、精简指令集处理器、硬件(例如，数字或模拟)电路(包括但不限于专用集成电路(ASIC)和/或现场可编程门阵列(FPGA))、以及能够执行这样的功能的状态机(如果适用)。可以采用存储器来存储临时变量、保持和传输进程之间的数据、非易失性配置设置、标准消息格式等。可以采用任何合适形式的易失性存储器和非易失性存储器，包括实现为金属氧化物半导体(MOS)或集成电路(IC)的随机存取存储器(RAM)、以及实现为硬盘驱动器和闪存的存储设备。

本文描述的实施例涉及用于确定小区升级度量、针对升级对小区进行排名和/或推荐小区升级的方法和装置。对用户数据会话的分析允许改进小区的表征，并因此改进升级度量、排名和推荐。然而，对这种大量数据的分析提出了挑战，这些挑战使用改进的分类网络构建和训练来解决。

图1是示出了根据实施例的通信系统中的样本收集的示意图。通信系统100可以是无线通信小区，例如包括基站或eNodeB 105和通过相应无线连接115连接到eNodeB的多个用户设备(UE)110的长期演进(LTE)小区。每个UE可以生成包括与它与eNodeB 105的连接有关的参数和度量的用户会话数据120。类似地，eNodeB 105可以生成与eNodeB 105在服务各种UE 110中的总体性能有关的小区度量。

用户数据会话120和小区度量125可以是由3GPP标准指定的小区跟踪记录(CTR)二进制文件的形式，并且是表示性能度量和用户能力的混合的特定事件的集合，并且该特定事件被定期收集。一些度量值可能快速改变，例如无线电测量，一些可能缓慢改变或对于会话是固定的，例如用户能力。下面的表1示出了一些示例CTR事件120，包括UE会话相关事件、小区或eNodeB事件、UE会话控制事件和UE地理定位事件。这些示例是出于说明性目的而示出的，而不旨在是限制性的。

表1

用户会话数据120和小区度量125由相关器130相关以生成样本或数据单元135。相关器可以由处理器和存储器实现，并且对各种数据120、125进行时间相关以生成周期性样本135。例如，数据可以被聚合和相关以每60秒生成一个样本，并且可以包括在该时段内未改变的UE能力度量以及在60秒时段内每1秒进行的测量的平均值。类似地，可以对更新频率低于60秒的数据进行插值，以确定当前采样时段的合适值。可以根据从UE 110和/或eNodeB接收的数据来计算样本中要包括的其他度量。可以收集来自每个UE 115以及eNodeB的数据，并且使用系统时间戳对该数据进行时间相关。可以选择特定数据以包括在样本中以及特定计算的度量中，例如与MIMO使用和性能有关的数据，而同时其他数据可以省略。

下面的表2示出了样本135的示例。

表2

图2是示出了根据实施例的过滤样本以生成训练数据的示意图。图1的相关器为每个UE 110生成大量样本。该样本集205中的一些可以支持升级，而一些可以不支持。可以使用应用于样本135的专家规则210来选择每个类别(升级或不升级)的一些样本，以选择包括支持升级的样本和不支持升级的样本的更小的训练数据集215。例如，高于阈值的特定度量可以指示使用大规模多输入多输出(M-MIMO)将改进用户会话，而低于阈值的其他度量可以指示M-MIMO将不提供益处。这些度量与相应阈值的比较的组合可以用于指示用户会话作为整体是否将受益于M-MIMO升级。例如，如果样本指示UE是不支持MIMO的，则该样本可以被视为对训练数据无用，尽管它被保留在整个样本集205中。然而，MIMO_2x2_cap为真、Event+Param_Rank_Reported高于正交层数阈值、并且SINR_MEAS_PUSCH在特定范围内的样本可以指示用于训练集的适合的M-MIMO升级样本。

应用专家规则210过滤样本的目的是识别样本135中的哪些表示两个类别(例如M-MIMO将改进和M-MIMO将不改进)的最佳情况。专家规则可以由无线电网络设计和优化(NDO)专家确定，并有效地提供每个类别的低噪声样本。

图3示出了构建和训练适合处理样本的分类器网络。在第一步骤中，使用样本集205训练自动编码器网络310。可以使用来自一个或多个UE 110的样本集，并且可以附加地使用来自其他小区的附加样本集210。自动编码器是一种用于以无监督方式学习有效的数据表示、矢量或代码的人工神经网络。自动编码器网络包括多个层，包括输入层315I、编码器层315He、代码层315LS、解码器层315Hd和输出层315RI。自动编码器网络310被训练为在输出处重构输入。一旦被训练，代码层315LS可以用于使用降维有效地表示输入，有效地训练网络以忽略噪声并专注于最重要的方面。自动编码器网络310被训练为从充分接近输入样本205的缩减编码生成重构样本205R。

经训练的自动编码器310将CTR样本有效地转换为紧凑的矢量表示或代码，并且可以用作分类网络的输入。与仅使用和训练分类器网络相比，使用经训练的自动编码器作为分类器网络的一部分提供了许多优点，包括在所有样本上训练自动编码器，而不是仅在正常分类器网络上使用训练数据。通过使用所有样本进行训练，这些都不受专家规则限制。通过在所有样本上训练自动编码器，紧凑表示考虑了样本的所有不同场景，因此紧凑矢量或代码更数据密集，并且因此更有意义。这还通过检查重构损失来提供检查训练算法的进度和泛化，因此可以更快地解决问题。

一旦被训练，自动编码器网络310的编码器和代码层320与分类器网络325组合以生成组合分类器网络330。可以采用任何合适的多层二元人工神经网络。层可以包括卷积、池化和非线性函数，例如RELU激活和Sigmoid激活。

在组装了组合分类器330之后，使用训练集215对其进行训练以确定指示M-MIMO升级改进的样本和指示没有M-MIMO升级改进的样本。这两阶段分类器的使用改进了分类器的泛化能力，同时专注于样本的更重要的特征来对样本进行分类。

可以使用进一步的训练。例如，可以使用来自小区100中的其他UE 110和其他小区中的UE的样本集210进一步训练自动编码器，以帮助进一步泛化组合分类器网络330的编码器320部分。此外，可以将专家规则应用于其他样本集210，以例如从相同小区100中的其他UE 110或其他小区中的UE获得附加的训练数据。附加的训练数据可以用于进一步优化组合分类器网络330。

图4是示出了构建和训练用于确定蜂窝通信网络的小区升级度量的分类器网络的方法的流程图。在步骤405处，该方法从UE接收用户会话数据，例如CTR数据。如上所述，CTR由3GPP标准定义，并且将容易地从符合标准的UE获得。在步骤410处，用户会话数据例如通过对采样时段内的测量进行平均、基于一个或多个测量计算采样时段内的度量来表征。该表征提供每个采样时段的值，这些值被添加到相应的样本。

在步骤415处，该方法还可以从eNodeB接收小区度量，该小区度量通常表征聚合中的小区性能的。在步骤420处，这些可以与样本中的用户数据进行时间相关，以生成更全面的样本。

在步骤425处，使用如前所述的专家规则过滤样本。例如，样本集210被缩减为具有明显落入两个类别之一中的样本的更小的训练数据集220。使用更小的良好表征的样本集使得更容易地训练分类器。

在步骤430处，使用如前所述的整个样本集训练自动编码器网络。训练自动编码器以在整个样本范围内复制样本。在步骤435处，经训练的自动编码器的编码器和代码层与分类器网络组合以生成如前所述的组合分类器网络。在步骤440处，使用在步骤425处确定的训练数据来训练组合分类器网络。

一旦被训练，组合分类器网络可以用于对来自相同和不同小区中的其他UE的样本进行分类。如上所述，自动编码器和/或组合分类器网络的一些进一步训练可以使用来自其他UE和/或小区的样本来执行。

经训练的组合分类器的输入是小区内唯一UE会话的样本，例如如上面的表2所示。经训练的组合分类器的输出是CONFIDENCE和UPGRADE小区升级度量。CONFIDENCE是组合分类器对每个唯一用户会话的概率输出。UPGRADE将该概率与阈值进行比较，并且如果高于阈值则为1(通过升级改进)，否则为0(通过升级没有改进)。例如，一些用户会话可以被分类为适合M-MIMO，并且因此将受益于M-MIMO升级，而其他UE会话可以被分类为不适合M-MIMO，并且因此将不受益于M-MIMO升级。

图5示出了推荐小区升级的方法。在步骤502处，该方法在可以是若干小时甚至几天的评估时段内接收用户会话数据120和小区度量125。用户会话数据和小区度量是用于训练组合分类器网络的相同类型的信息，并且如上所述用于在步骤503处生成样本。针对各个采样时段(例如每60秒)生成样本，并且表征该时间内的用户会话数据并将其与小区度量时间相关。每个用户会话可以持续若干秒至数小时，并且将与多个样本相关联。

在步骤505处，该方法使用经训练的组合分类器网络330对评估时段内的小区内的每个用户会话进行分类。网络为每个用户会话确定小区升级度量(CONFIDENCE和UPGRADE)。在步骤510处，该方法确定是否存在更多的会话要进行分类，并且如果是，则返回步骤505，否则进行到步骤515。

在步骤515处，该方法确定与评估时段内小区的用户会话分类的聚合有关的另外的小区升级度量。合格和不合格的用户会话针对小区进行分组和分析。在实施例中计算的聚合小区升级度量是小区资格分数(CQS)和分布置信度指数(DCI)，尽管可以备选地使用其他度量。CQS表示CONFIDENCE大于阈值(threshold1)的用户会话的百分比。在该示例中，threshold1与用于确定UPGRADE的阈值相同，并且CQS将受益于升级的UE会话数与UE会话总数进行比较。

DCI表示概率分布与升级的理想情况的接近程度，这是由专家规则和分类器网络的泛化确定的。DCI还可以用于监视机器学习性能，例如，如果DCI针对小区始终较低，这可以指示需要更多的训练。将小区的用户会话的CONFIDENCE输出划分为三个箱或范围：0至30％、30％至70％、70％至100％。DCI是样本在第一(0-30％)范围和第三(70-100％)范围内的百分比。DCI越高，该方法对关于是否升级的信心就可以越大，因为大多数用户会话明显落入升级组或不升级组。例如，如果CQS较高，指示大多数用户会话支持升级，并且DCI也较高，指示大多数用户会话明显升级或不升级(少量在不明显的中间区域中)，那么这些小区升级度量指示升级到M-MIMO将对整体小区性能提供显著改进。另一方面，如果DCI较低，则大多数概率或CONFIDENCE输出在30-70％范围内，因此大多数用户会话在期望和不期望的无线电场景之间，并且因此不太清楚升级是否将是有益的。

图6将示例CONFIDENCE或概率度量示出为直方图，示出了用户会话数(y)与概率范围(x)的关系。第一图表(左)示出了高的置信度，因为大多数用户会话分类器输出都指示推荐小区升级。第二图表(右)示出了高CONFIDENCE输出和大部分低CONFIDENCE输出的混合，其中少量在中间范围内。虽然不如第一图表明显，但该第二图表以相当高的置信度显示了在这种情况下小区将不受益于升级。

返回参考图5，在步骤520处，该方法确定是否存在要分析的另外的小区，并且如果有，则返回步骤505。一旦已经分析了所有小区，该方法就进行到步骤525，其中使用聚合的小区升级度量来生成小区的初级排名。在实施例中，初级排名基于每个小区的CQS和DCI的乘积。具有高CQS和高DCI的小区具有比具有高CQS但低DCI的小区高的排名。

然后该方法进行到步骤530，其中可以基于对与升级相关的特定用户会话参数或度量(例如与MIMO表征相关的那些)的进一步分析，用会话特征的表示来增强初级排名。图7A至图7D示出了在小区级别(在该示例中为高排名和低排名小区)的针对MIMO表征的相关特征的表示。例如，示出的第一参数为active_ue_dl_avg，其是高排名小区(左)和低排名小区(右)两者的任何采样时段期间下行链路中的活动用户(具有有待在eNB缓冲区中传输的数据)的平均数量。表示或框由每个用户会话的参数值组成，第25和第75个四分位数限定以生成所示出的框。可以看出，对于第一参数，高排名小区具有5至8.5的范围，而低排名小区具有0.5至1.6的范围。以类似的方式，可以分析针对高和低排名小区的其他参数。这些表示可以用于通过表示不同小区中的各种相关会话特征的值来支持排名，并且因此可以为用户的排名增加置信度。

在步骤535处，该方法确定每个小区的地理定位度量。下面的表3示出了可以计算的示例度量。

表3

在步骤540处，该方法进一步使用基于上述或其他地理定位度量的地理定位分析对小区进行分组和排名。可以使用以下地理定位分析标准：

-x_angle_valid_samples>thresh2，存在小区业务的有效统计表示

-x_angle_spread_qualify>thresh3，小区业务的50ile位于角度范围内(通常水平为60°并且竖直为8°，这是部署的天线群中最常见的波束宽度)

-h_ang_spread_kurt<thresh4，该标准代表业务跨角度范围均匀分布。基于通过使用波束成形获得的空间正交性，小区中并发用户的地理隔离是最大化多用户mimo(MU-MIMO)性能的期望特性。

然后可以将满足这些标准的小区如下进行分组和排序或排名：

i)UE_classifier_criteria_fulfillment＝True,CQSxDCI>＝Thres5

i.i按CQSxDCI AND h_angle_criteria_fulfilment＝True排序

I.ii按CQSxDCI AND h_angle_criteria_fulfilment＝False排序

ii)UE_classifier_criteria_fulfillment＝False，CQSxDCI<Thres5

Ii.i按CQSxDCI AND h_angle_criteria_fulfilment＝True排序

Ii.ii按CQSxDCI AND h_angle_criteria_fulfilment＝False排序

不满足标准的小区保留在其自己的组中。该方法允许对小区进行更深的分析，包括在可用的情况下考虑地理定位信息，并且因此促进改进升级决策。

在步骤545处，该方法推荐小区升级。这可以是如上所述的地理定位组中的排名和/或所有小区的简单初级排名的形式。各种度量可以与小区以及图表(例如图6至图7D的那些)一起显示或可用。

一些实施例还可以提供增益估计工具，其通过提供关于部署推荐解决方案(例如M-MIMO)的益处的附加信息来补充推荐。增益估计工具或模块在如前所述的会话级别、小区级别排名和小区地理定位度量处从经训练的分类器获取输入，并且可以考虑以下非限制性方面。

具有有源天线系统(AAS)频分双工(FDD)的数字扇区化(DS)-具有大规模MIMO的DS允许使用波束成形在相同的载波频率上实现具有相同天线阵列的多个小区。DS解决方案增加容量，而无需附加的硬件。与非AAS(有源天线系统)小区相比，主要益处是增加了M-MIMO系统在上行链路和下行链路两者中的总站点吞吐量，并且改进了物理资源块(PRB)利用率中的频谱效率(SE)。当Rel-13/14(3GPP版本13或14)终端设备的渗透率较低时，这能够实现容量增益。

具有AAS FDD的传输模式9(TM9)-小区塑形是小区特定波束成形的形式，其跟随小区内的UE分布，而不是创建跟随用户的窄波束。覆盖区域被重新塑形，以满足和优化业务需求。可用频谱的使用变得更加有效，并且小区容量增加，因为可用的RF能量更紧密地集中在小区内的用户上。小区特定波束成形与当今的FDD UE兼容。

小区载波上的UE DL可实现吞吐量(UE_DATCC)-当UE会话结束时，如果在相同的空中接口条件下立即建立一个新的会话并使用该小区上可用的空闲PRB资源，假设可以达到的下行链路(DL)用户吞吐量的估计。这是活动吞吐量的近似值。

UE_DATCC是以下的函数：DL CQI、调制、排名指示、PRB利用率、小区带宽、小区CFI模式、UE能力。对于CTR收集文件上记录的每个UE会话，这些特征被输入到模型中，并为用户会话计算dl吞吐量值。每个会话计算两个UE_DATCC值：

1)使用如CTR事件上报告的当前小区配置、小区质量和小区负载条件对用户会话吞吐量进行建模；

2)引入M_MIMO增益计算时的新用户吞吐量值。

然后，将前/后两个UE会话计算值聚合到小区级别，并基于这些计算小区级别增益估计比。

UE-DTACC计算方法可以被划分为两个部分：

a)每个调度块的原始比特信息评估；

b)每个调度块可用的资源评估。

a)每个调度块的原始比特信息评估

基于升级产品的专家知识，定义了从SINR(信号噪声比)值估计以比特/符号为单位的相应归一化吞吐量(符号信息-SI)的函数。

在作为输入收集的CTR跟踪上，由UE报告的CQI(信道质量指数)测量可作为DL质量指示符。第一步骤是从报告的CQI近似SINR值。之后，SINR可以用于计算调度块上可用的每个资源元素的比特数。该方法使用CQI和调制作为输入来生成将用于估计DL用户吞吐量的SI值。

b)每个调度块可用的资源评估

估计PRB(物理资源块)小区负载和剩余空闲小区资源是通过将空闲PRB资源视为小区上可用的总PRB减去建立会话时60秒时段内的平均PRB利用率来实现的。

基于由MDT(最小化路测)事件收集的地理参考样本，由小区当前服务的业务可以被分为新数字扇区的覆盖区域。该方法将水平角UE分布分为两组：

-位于由-180°和0之间的水平角度限定的区域中的样本；

-位于由0°和180°之间的水平角度限定的区域中的样本；

水平角度可以转换并参考如小区图文件上给出的小区方位角。因此，所有水平角度样本范围将从-180°至180°。

如果通过实现数字扇区划分而被分为两个扇区的潜在小区具有集中在区域之一中的其UE的最大部分，则与业务在两个区域之间几乎分为两半的小区相比，将可能示出较低的增益。

例如：如果90％的UE位于-180°至0°中，则预期吞吐量上的增益将较低。而对于51％的业务在0°至180°之间的情况，可能的增益将更高。原因是在这些情况下，新扇区上的预期的新PRB利用率将非常不同。

对于处于极高负载条件下的小区，模型将考虑大规模MIMO部署后额外的PRB利用率来估计小区增益。这避免了因为预期在实现了解决方案后将处理之前未服务的业务(由于高负载)而高估增益。

当实现了数字扇区划分时，估计额外的PRB利用率的因素是应用于极高负载下的所有小区的用户输入变量。为该因素找到合理值的实际方法可以是评估通过负载共享机制移动到其他层/小区的业务量。

在运行两个预处理(每个调度块的原始比特信息评估和每个调度块可用的资源评估)之后，直接估计可实现的DL吞吐量，因为其他方面(例如MIMO 4x4是否可用、排名指示和传输模式使用等)通过收集的跟踪已知。

计算每个UE会话的DTACC后的下一步骤是估计如果在小区上实现大规模MIMO，该DL吞吐量将发生什么。基于实验和专家知识，可以引入“控制旋钮”变量集来微调定义吞吐量值的元素上的预期变化，例如，实现后的预期SINR增益、对PRB负载的影响等。随着识别出预期的增益分量，在考虑这些因素的情况下计算新的dl吞吐量值。因此，存在每个UE会话的两个DTACC值(在M-MIMO之前和之后)。由于计划在小区级别上对诊断进行表征，因此UE会话结果在小区级别上聚合，当前使用中值运算符。并且M-MIMO部署之前和之后计算出的吞吐量之间的百分比差是每个小区估计的增益。

根据小区配置的增益估计可以如下确定。

MIMO 2x2基线部署

尽管MIMO 4x4可以在没有AAS站点解决方案的情况下实现，但所得的DL吞吐量增益应该如同引入AAS之前的站点基线仅为MIMO 2x2来计算。增益将作为以下的函数来计算：

-引入具有TM4的MIMO 4x4后的SINR预期增益。

-可以使用MIMO 4x4的UE群的百分比。

-支持MIMO 4x4的UE会话的估计百分比，这些UE会话当前使用2x2，然后每个会话将能够使用layer3和layer4至少一次。

-rank3和rank4在报告的总排名中的估计百分比。

例如，如果在部署AAS之前，在特定小区中存在1000个来自支持MIMO 4x4的使用2x2的UE的UE会话，则对于其中的300个会话，当使用M-MIMO时，将存在至少一个具有层layer3/layer4的样本。因此，上面第三条中描述的估计百分比的值将为30％。在这300个会话中，rank3和rank4报告的平均百分比可以分别为例如10％和5％。因此，对于该场景，模型将考虑将存在1000个支持4x4的UE，对于30％的会话，将存在至少一个layer3或layer4的样本，并且在这300个会话的每一个中它们的利用率的百分比将分别为10％和5％。

数字扇区作为AAS FDD选择

将影响针对数字扇区划分的增益估计的建模因素是：

-左和右扇区之间的业务均衡，基于MDT样本(已在3.2.4中描述)。

-由于小区间干扰的增加，位于视轴处的业务量及其预期的SINR损失。

-对将来自能够服务先前无法在极高负载小区中连接的用户的额外PRB利用率的估计。

在对M-MIMO实现进行建模后，没有由于小区边缘UE移动到其他载波而导致的业务损失。

小区塑形作为AAS FDD选择

将影响针对TM9波束成形场景的增益估计的建模因素是：

-激活波束成形时位于小区边缘区域处的业务百分比及其SINR预期增益。

-针对中等质量区域中支持TM9的UE预期的预期符号信息增益。

-针对较差质量区域中支持TM9的UE预期的预期符号信息增益。

增益估计过程的输出

增益估计过程的输出可以是包含以下小区级别上的信息的数据帧：

表4

如图9所示，该信息可以与次级排名一起用作额外标准，以优先化小区/站点级别的投资，例如，图9示出每个排名小区的潜在性能增益的程度。图8是根据实施例的可以用于监视或确定一个或多个设备中的警报条件的装置的示意图。装置800包括处理器810、包含计算机程序指令825的存储器820，计算机程序指令825在由处理器执行时使处理器执行实施例的方法。该装置还包括经训练的分类器网络830。该装置可以在远程连接到小区和用户设备的计算机系统中实现，或者该装置的一部分可以在测试和数据收集时部署在小区处，并且一部分远程部署以用于分析。该装置可以在云中实现。示出了包括可以由装置800执行的若干步骤的示例方法。

在第一步骤840处，该方法在评估时段内接收用户数据会话和小区度量，例如如先前关于图1、图4和图5所描述的。在步骤845处，该方法通过表征用户数据并与小区度量进行时间相关来生成样本，例如如先前关于图1、图4和图5所描述的。

在步骤850处，该方法使用经训练的分类器网络830将样本分类为是能够通过升级改进的，连同置信度分数。经训练的分类器网络830可以是根据先前实施例构建和训练的经训练的组合分类器网络330，例如关于图2、图3和图4所描述的。尽管不同地构建和/或训练的经训练的分类器网络可以备选地用于对通过表征用户会话数据并与小区度量进行时间相关而生成的样本进行分类。

在步骤855处，该方法聚合用户会话样本分类，并根据被分类为能够通过升级改进的样本的比例以及分类的置信度分数来推荐小区升级(或不升级)。例如，可以使用关于图5描述的使用所获得的小区升级度量的排名方法。这可以使用如所描述的地理定位分析来补充或调整，并且可以产生要升级的候选小区的简单列表或与每个小区相关联的实质分析，例如如关于图5所描述的。

实施例可以提供多个优点，包括对每个小区的更细粒度分析。每个终端用户无线电环境被单独表征和分析，这允许相关小区度量的直接相关，并且可以定期(例如每60秒)执行。这是对使用基于聚合小区活动的通常每15分钟计算的性能度量(pm)的已知方法的显著改进。

使用深度学习分析更丰富的表征，这提供了更准确的小区/站点限定方法。虽然基于pm计数器的过程能够提供严格的、基于规则的决策阈值，但是使用具有所述分类的基于CTR的样本的实施例的方法提供了在分析下的跨网络/区域的连续排名，从而为运营商提供了灵活性，以决定何处以及何时投资。

所描述的基于机器学习的基于用户会话数据的分析允许与地理数据分析结果更紧密相关，因为这可以应用在每个UE会话级别上。

由于使用了所描述的可以从标记示例的较小子集开始、然后使用其余样本用于训练的半监督方法，因此不需要手动标记大量数据，即用户会话/小区是否需要升级。

所描述的组合分类器网络方法补充了领域专家的知识，使得未标记的数据也被自动标记并用于推荐，因此改进了专家的感知。

虽然关于使用M-MIMO技术升级LTE小区描述了实施例，但是可以使用实施例考虑其他升级路径。例如，通过推荐在由5G指定的不同频率上哪些小区将最受益于M-MIMO，可以在5G小区的推出中使用备选实施例。

所描述的装置和/或方法可以在诸如Docker、Kubenetes或Spark之类的云环境中实例化。备选地，它们可以在专用硬件中或在被评估的设备内实现。

受益于以上描述和相关联的附图中呈现的教导，本领域技术人员会想到所描述的实施例的修改和其他变化。因此，应理解，实施例不限于所公开的具体示例，并且修改和其他变化旨在被包括在本公开的范围内。虽然本文可能使用了具体术语，但是其仅用于一般性和描述性意义，且不用于限制目的。

Claims (20)

1.一种用于确定小区升级度量的方法，所述方法包括：

从在小区内通信的用户设备接收包括用户会话数据的样本(405、410、415、420)；

通过应用过滤规则从所述样本中获得训练数据(425)；

使用所述样本训练自动编码器(430)；

将经训练的自动编码器的编码器层和代码层与分类器网络组合以生成组合分类网络(435)；

使用所述训练数据训练所述组合分类网络(440)；

使用经训练的组合分类器网络对相同或不同小区内的用户会话数据进行分类(505)，并使用多个所述分类来确定所述小区的所述小区升级度量(525)。

2.根据权利要求1所述的方法，其中，所述样本(135)包括小区度量(125)，所述小区度量(125)与所述用户会话数据(120)时间相关。

3.根据权利要求2所述的方法，其中，所述用户会话数据从来自所述用户设备的小区跟踪记录CTR数据导出。

4.根据权利要求3所述的方法，其中，所述用户会话数据在采样时段内被表征以生成相应样本。

5.根据前述权利要求中任一项所述的方法，其中，所述过滤规则(210)包括确定具有所述样本的指定度量是否超过相应阈值。

6.根据权利要求5所述的方法，其中，特定度量包括与多输入多输出MIMO操作有关的性能参数。

7.根据前述权利要求中任一项所述的方法，包括：

使用经训练的组合分类器网络(320、330)对多个小区的用户会话进行分类，并使用相应的小区升级度量对小区进行排名；

使用来自相应小区的地理定位数据调整排名(535)。

8.根据前述权利要求中任一项所述的方法，包括：估计通过升级所述小区或每个小区的性能度量改进(540)。

9.一种用于推荐小区升级的方法，所述方法包括：

在评估时段内接收用户会话数据和小区度量(502)；

通过对各个采样时段内的用户会话数据进行表征并将所表征的用户会话数据与小区度量进行时间相关来生成样本(503)，所述用户会话数据来自在小区内通信的用户设备；

使用经训练的分类器网络将所述样本分类为是能够通过升级改进的，连同置信度分数(505)；

根据被分类为能够改进的样本的比例和所述置信度分数来推荐所述小区升级(550)。

10.根据权利要求9所述的方法，其中，组合置信度分数是样本在置信度分数的上范围和下范围内的百分比。

11.根据权利要求9或10所述的方法，包括：根据被分类为能够改进的样本的相应比例和相应的置信度分数对多个小区进行排名；以及使用来自相应小区的地理定位数据调整排名。

12.根据权利要求9至11中任一项所述的方法，包括：估计在升级所述小区或每个小区时性能度量的改进。

13.一种用于确定小区升级度量的装置，所述装置(800)包括处理器(810)和存储器(820)，所述存储器包含能够由所述处理器执行的指令(825)，从而所述装置操作用于：

从在小区(100)内通信的用户设备(110)接收包括用户会话数据(120)的样本(135、205)；

通过应用过滤规则(210)从所述样本(205)中获得训练数据(215)；

使用所述样本(205)训练自动编码器(310)；

将经训练的自动编码器的编码器(315I、315He)层和代码(315LS)层与分类器网络(325)组合以生成组合分类网络(330)；

使用所述训练数据(215)训练所述组合分类网络(330)；

使用经训练的组合分类器网络对相同或不同小区内的用户会话数据进行分类，并使用多个所述分类来确定所述小区的所述小区升级度量(515)。

14.根据权利要求13所述的装置，操作用于：

对采样时段内的所述用户会话数据进行表征以生成相应的样本，其中，所述用户会话数据从来自所述用户设备的小区跟踪记录CTR数据导出；以及

将所述样本与小区度量进行时间相关。

15.根据权利要求13或14所述的装置，其中，所述过滤规则包括确定所述样本内的与MIMO有关的性能度量是否超过相应的阈值。

16.根据权利要求13至15中任一项所述的装置，操作用于：

使用经训练的组合分类器网络(330)对多个小区的用户会话进行分类，并使用相应的小区升级度量对所述小区进行排名；

使用来自相应小区的地理定位数据调整排名(535)。

17.根据权利要求13至16中任一项所述的装置，操作用于：估计在升级所述小区或每个小区时性能度量的改进(540)。

18.一种用于推荐小区升级的装置，所述装置(800)包括处理器(810)和存储器(830)，所述存储器包含能够由所述处理器执行的指令(635)，从而所述装置操作用于：

在评估时段内接收用户会话数据和小区度量(840)；

通过对各个采样时段内的用户会话数据进行表征并将所表征的用户会话数据与小区度量进行时间相关来生成样本(845)，所述用户会话数据来自在小区内通信的用户设备；

使用经训练的分类器网络(830)将所述样本分类为是能够通过升级改进的，连同置信度分数(850)；

根据被分类为能够改进的样本的比例和所述置信度分数来推荐所述小区升级(855)。

19.一种计算机程序，包括指令，当所述指令在处理器上执行时，使所述处理器执行权利要求1至12中任一项所述的方法。

20.一种计算机程序产品，包括非暂时性计算机可读介质，所述非暂时性计算机可读介质上存储有根据权利要求19所述的计算机程序。

Images