CN116887315A - 面向5g的室内外干扰协同智能优化方法及装置 - Google Patents

Abstract

本申请涉及一种面向5G的室内外干扰协同智能优化方法及装置，其中，该方法包括：获取5G各小区的上行干扰底噪数据和工参数据；根据上行干扰底噪数据和工参数据，从5G各小区中确定出上行高干扰室分小区；确定上行高干扰室分小区的强关联宏站小区；获取上行高干扰室分小区和强关联宏站小区的配置参数，根据强关联宏站小区的配置参数对上行高干扰室分小区的配置参数进行优化。本申请不用基于实地的扫频确定优化方案，而是通过与上行高干扰室分小区具有强关联的宏站小区的配置参数来优化，无需技术人员拥有较丰富的干扰处理经验，无需掌握各类扫频设备的使用，也无需一直投入人力和时间，该过程持续时间短，可以保证及时解决干扰问题。

Description

面向5G的室内外干扰协同智能优化方法及装置

技术领域

本申请涉及5G移动通信技术领域，特别是指一种面向5G的室内外干扰协同智能优化方法及装置、计算设备及可读存储介质、计算机程序产品。

背景技术

随着移动通信业务领域不断细分，各类业务对速率和时延的要求不断提高，移动通信行业步入了5G时代，大带宽是5G主要特征之一，伴随而来的就是更多的网络干扰，随着各大运营商持续大力开展5G网络建设，多网共存的网络环境日益复杂，频谱资源分配不当，网络资源配置冲突，小区间重叠覆盖以及基站本身性能问题使得移动通信网络的整体干扰水平日趋严重，网络干扰问题愈发凸显，导致受干扰区域网络无法正常运行，造成用户通话、上网质量的下降，严重影响用户感知体验。

传统的5G上行干扰分析处理主要基于273个物理资源块(Physical ResourceBlock，PRB)的底噪数据从时间、地理分布、干扰强度、干扰频段等角度确定干扰区域或者干扰源，再基于扫频仪、八木天线、互调仪等设备进行上站排查，最后依据优化人员的经验进行干扰处理，此工作需要优化人员每天分析大量的统计数据并令专人携带专业设备现场操作以具体定位，再予以解决，此方式流程存在如下问题：

1)发现高干扰小区后需要基于实地的扫频才可确定优化方案，此过程可能持续较长时间，无法保证及时解决干扰问题。

2)相关优化人员需要较丰富的干扰处理经验以及掌握各类扫频设备的使用。

3)5G覆盖区域网络复杂，干扰处理是一个长期而复杂的过程，需要一直投入人力和时间。

发明内容

鉴于现有技术的以上问题，本申请提供一种面向5G的室内外干扰协同智能优化方法及装置、计算设备及存储介质，以解决现有发现高干扰小区后需要耗费大量的人力和时间，需要干扰处理经验的问题。

为达到上述目的，本申请第一方面提供了一种面向5G的室内外干扰协同智能优化方法，包括：

获取5G各小区的上行干扰底噪数据和工参数据；

根据所述上行干扰底噪数据和所述工参数据，从所述5G各小区中确定出上行高干扰室分小区；

确定所述上行高干扰室分小区的强关联宏站小区；

获取所述上行高干扰室分小区和所述强关联宏站小区的配置参数，根据所述强关联宏站小区的配置参数对所述上行高干扰室分小区的配置参数进行优化。

为达到上述目的，本申请第二方面提供了一种面向5G的室内外干扰协同智能优化装置，包括：

数据获取模块，用于获取5G各小区的上行干扰底噪数据和工参数据；

上行高干扰室分小区确定模块，用于根据所述上行干扰底噪数据和所述工参数据，从所述5G各小区中确定出上行高干扰室分小区；

强关联宏站小区确定模块，用于确定所述上行高干扰室分小区的强关联宏站小区；

优化模块，用于获取所述上行高干扰室分小区和所述强关联宏站小区的配置参数，根据所述强关联宏站小区的配置参数对所述上行高干扰室分小区的配置参数进行优化。

本申请第三方面提供了一种计算设备，包括：通信接口，以及至少一个处理器；其中，所述至少一个处理器用于执行程序指令，所述程序指令当被所述至少一个处理器执行时使得所述计算设备实现上述第一方面的任一所述的方法。

本申请第四方面提供了一种计算机可读存储介质，其上存储有程序指令，所述程序指令当被计算机执行时使得所述计算机实现上述第一方面的任一所述的方法。

由上，本申请不用基于实地的扫频确定优化方案，而是通过与上行高干扰室分小区具有强关联的宏站小区的配置参数来优化，无需技术人员拥有较丰富的干扰处理经验，无需掌握各类扫频设备的使用，也无需一直投入人力和时间，该过程持续时间短，可以保证及时解决干扰问题。

附图说明

图1是本申请实施例提供的一种面向5G的室内外干扰协同智能优化方法的第一实施例的流程图；

图2是本申请实施例提供的上行高干扰室分小区的强关联宏站小区的确定方法的流程图；

图3是本申请实施例提供的5G MRO数据、工参数据和上行干扰底噪数据匹配得到关联因子X与上行干扰底噪数据Y的示意图；

图4是本申请实施例提供的第一干扰关联区间的确定方法的流程图；

图5是本申请实施例提供的滑动窗口遍历算法遍历关联因子X得出上行干扰底噪数据Y的效果示意图；

图6是本申请实施例提供的K-means聚类算法对第二干扰关联区间得到第一干扰关联区间的流程图；

图7是本申请实施例的一种面向5G的室内外干扰协同智能优化方法的具体实施流程图；

图8是本申请实施例提供的一种面向5G的室内外干扰协同智能优化装置的结构性示意性图；

图9是本申请实施例提供的一种计算设备的结构性示意性图。

应理解，上述结构示意图中，各框图的尺寸和形态仅供参考，不应构成对本发明实施例的排他性的解读。结构示意图所呈现的各框图间的相对位置和包含关系，仅为示意性地表示各框图间的结构关联，而非限制本发明实施例的物理连接方式。

具体实施方式

下面结合附图并举实施例，对本申请提供的技术方案作进一步说明。应理解，本申请实施例中提供的系统结构和业务场景主要是为了说明本申请的技术方案的可能的实施方式，不应被解读为对本申请的技术方案的唯一限定。本领域普通技术人员可知，随着系统结构的演进和新业务场景的出现，本申请提供的技术方案对类似技术问题同样适用。

应理解，本申请实施例提供的面向5G的室内外干扰协同智能优化方案，包括面向5G的室内外干扰协同智能优化方法及装置。由于这些技术方案解决问题的原理相同或相似，在如下具体实施例的介绍中，某些重复之处可能不再赘述，但应视为这些具体实施例之间已有相互引用，可以相互结合。

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申请的技术领域的技术人员通常理解的含义相同。如有不一致，以本说明书中所说明的含义或者根据本说明书中记载的内容得出的含义为准。另外，本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。为了准确地对本申请中的技术内容进行叙述，以及为了准确地理解本发明，在对具体实施方式进行说明之前先对本说明书中所使用的术语给出如下的解释说明或定义。

现有发现高干扰小区后需要技术人员基于实地的扫频才可确定优化方案，且需要相关优化人员较丰富的干扰处理经验以及掌握各类扫频设备的使用，会导致优化过程此过程持续较长时间，无法保证及时解决干扰问题，且由于5G覆盖区域网络复杂，干扰处理是一个长期而复杂的过程，需要一直投入人力和时间。基于此，本申请提出一种面向5G的室内外干扰协同智能优化方法及装置，该方法不用基于实地的扫频确定优化方案，而是通过与上行高干扰室分小区具有强关联的宏站小区的配置参数来优化，无需技术人员拥有较丰富的干扰处理经验，无需掌握各类扫频设备的使用，也无需一直投入人力和时间，该过程持续时间短，可以保证及时解决干扰问题。

本申请可以应用于任何室分小区出现高干扰的优化场景中。

【面向5G的室内外干扰协同智能优化方法的第一实施例】

图1是本申请面向5G的室内外干扰协同智能优化方法的第一实施例的流程图，如图1所示，该方法包括：

S110：获取5G各小区的上行干扰底噪数据和工参数据。

在步骤S110中，可以获得设定时间内的5G各小区的上行干扰底噪数据，该设定时间可以分为闲时和忙时，闲时定义区间为每天凌晨00:00～06:00，忙时定义有两个区间分别为每天早上8:00～11:00和晚上18:00～23:00。一般情况下高干扰出现于忙时。

也可以不设定闲时和忙时，而只是设定一个时间段，获取该时间段内的数据即可。可以设定采样时间，比如可以设定15分钟(也可以是其他数值)一个采样数据，那一个小时可以采样4个数据。

在步骤S110中，所说的上行干扰底噪数据可以是当5G基站(the next GenerationNode B，gNodeB)接收到上行(移动终端到基站)业务数据时，检测到的多个物理资源块(Physical Resource Block，PRB，总共273个)上的平均噪声干扰的平均值(单位分贝毫瓦)。

在步骤S110中，所说的工参数据指的是5G各小区工参数据，其可以包括小区名称和覆盖类型(室内/室外)，用于后续步骤使用。其可以按照上行干扰底噪数据的采样时间进行同步采集。

S120：根据所述上行干扰底噪数据和所述工参数据，从所述5G各小区中确定出上行高干扰室分小区。

在一些实施例中，所述上行干扰底噪数据包括多个物理资源块上的平均噪声干扰的平均值；所述工参数据包括小区的覆盖类型，所述覆盖类型包括室内或室外；

所述根据所述上行干扰底噪数据和所述工参数据，从所述5G各小区中确定出上行高干扰室分小区，包括：

当所述平均值大于第一阈值时，所对应的5G小区为上行高干扰小区；

当所述上行高干扰小区的覆盖类型为室内时，所述上行高干扰小区为上行高干扰室分小区。

在该实施例中，步骤S120中筛选上行高干扰小区的规则是多个物理资源块上的平均噪声干扰的平均值大于第一阈值，该第一阈值可以设定为-105dBm。第一阈值可以根据实际情况设定。

步骤S120中确定上行高干扰小区为室分小区的依据是根据工参数据中的小区的覆盖类型来确定，当小区的覆盖类型为室内，则该上行高干扰小区为上行高干扰室分小区，当小区的覆盖类型为室外，则该上行高干扰小区不为上行高干扰室分小区。

S130：确定所述上行高干扰室分小区的强关联宏站小区。

在一些实施例中，如图2所示，S130所述确定所述上行高干扰室分小区的强关联宏站小区，包括：

S210：在第一预设时间内实时采样多个5G MRO数据。

在步骤S210中，该第一预设时间和步骤S110中确定采集5G各小区的上行干扰底噪数据所设定的时间一样，采样时间也是一样。

在该步骤中，所述5G MRO数据是通过目标5G网络无线操作维护中心(OMC-R)提供的无线测量报告(Measurement Report，MR)的测量报告原始数据(Measurement Report ofOriginal Type，MRO)获得的。该5G MRO数据中可以包括采样时间(STARTTIME)、基站标识(GNBID)、NR服务小区的接收电平(MR.NRScSSRSRP)、NR邻区的接收电平(MR.NRNcSSRSRP)、NR服务小区的频点(MR.NRScArfcn)、NR服务小区的物理标识(MR.NRScPci)、NR邻区的频点(MR.NRNcArfcn)、NR邻区的物理标识(MR.NRNcPci)。

在该步骤中还可以对5G MRO数据进行数据预处理，主要包括空值处理及异常值处理，如果空值(空的或者)或者异常值超过5％门限则进行均值填充，如果低于5％的门限直接删除处理，门限可以依据实际情况调整。

S220：根据所述多个5G MRO数据和所述工参数据，确定所述上行高干扰室分小区与每个邻区的多个关联因子。

在一些实施例中，S220根据所述多个5G MRO数据和所述工参数据，确定所述上行高干扰室分小区与每个宏站邻区的多个关联因子，包括：

根据所述工参数据从所述5G MRO数据中获取NR服务小区的接收电平和NR邻区的接收电平；

将NR服务小区的接收电平和NR邻区的接收电平的差的绝对值作为上行高干扰室分小区与宏站邻区的关联因子。

在该实施例中，所说的工参数据还可以包括采样时间(SCAN_START_TIME)、基站标识(GNBID)、小区标识(CELLID)、小区名称(cellname)、小区频点(Arfcn)和小区物理标识(Pci)。

根据工参数据中的基站标识(GNBID)、小区频点(Arfcn)和小区物理标识(Pci)，5GMRO数据中的基站标识(GNBID)、小区标识(CELLID)、NR服务小区的频点(MR.NRScArfcn)、NR服务小区的物理标识(MR.NRScPci)、NR邻区的频点(MR.NRNcArfcn)、NR邻区的物理标识(MR.NRNcPci)可以匹配出NR服务小区和NR邻区，然后根据工参数据中的小区名称(cellname)可以得出NR服务小区的名称(SC_cellname)和NR邻区的名称(NC_cellname)。

然后，就可以从5G MRO数据中获得对应的NR服务小区的接收电平(MR.NRScSSRSRP)、NR邻区的接收电平(MR.NRNcSSRSRP)，上行高干扰室分小区与宏站邻区的关联因子X就是MR.NRScSSRSRP和MR.NRNcSSRSRP的差的绝对值。

5G MRO数据和工参数据的匹配过程及结果如图3所示。

S230：确定所述每个邻区的多个关联因子处于第一干扰关联区间内的次数。

在一些实施例中，如图4所示，第一干扰关联区间按照如下方式确定：

S410：在预设历史时间内采样多个5G MRO数据、所述上行高干扰室分小区的多个上行干扰底噪数据、工参数据；所述上行干扰底噪数据包括多个物理资源块上的平均噪声干扰的平均值。

在步骤S410中，按照步骤S210描述的采集相应的5G MRO数据，该预设历史时间可以是当前时间之前的连续多周(比如4周，或者其他几周)的时间，时间点为每天的00:00～06:00，8:00～11:00，18:00～23:00；采样时间也可以是15分钟一次。

所说的上行高干扰室分小区的多个上行干扰底噪数据、工参数据也是采集预设历史时间内的，采样时间和采集5G MRO数据相同。如图3所示，上行高干扰室分小区的多个上行干扰底噪数据中可以包括采样时间(STARTTIME)、基站标识(GNBID)、小区标识(CELLID)、小区名称(cellname)、上行干扰底噪数据(ULMEANNL)。

在该步骤中还可以对5G MRO数据进行数据预处理，主要包括空值处理及异常值处理，如果空值(空的或者)或者异常值超过5％门限则进行均值填充，如果低于5％的门限直接删除处理，门限可以依据实际情况调整。

S420：根据所述多个5G MRO数据和所述工参数据，确定所述上行高干扰室分小区与每个邻区的多个关联因子，每个关联因子对应一个上行干扰底噪数据；

在该步骤中，可以依据步骤S220的描述内容以及图3来根据5G MRO数据和工参数据确定上行高干扰室分小区与每个邻区的多个关联因子。同时，因为每个关联因子对应一个上行干扰底噪数据，所以可以根据上行高干扰室分小区的多个上行干扰底噪数据获得关联因子X对应的上行干扰底噪数据Y，匹配结果如图3所示。

S430：利用滑动窗口遍历算法，在上行干扰底噪数据大于第一阈值的置信度超过置信度阈值时，对应的多个关联因子的范围确定为第二干扰关联区间。

在一些实施例中，利用滑动窗口遍历算法，在上行干扰底噪数据大于第一阈值的置信度超过置信度阈值时，对应的多个关联因子的范围确定为第二干扰关联区间，包括：

设定窗口和滑动窗口，所述窗口的最大值为所述多个关联因子中的最大关联因子，所述滑动窗口的宽度为预设宽度，所述预设宽度小于所述窗口的最大值；

在所述窗口中移动所述滑动窗口，当所述滑动窗口对应的上行干扰底噪数据大于第一阈值的置信度超过置信度阈值时，将所述滑动窗口内的多个关联因子的范围确定为第二干扰关联区间。

在该实施例中，基于关联因子X和高干扰室分小区平均底噪Y，在时域上将X和Y建立关系，利用滑动窗口遍历算法，利用S410获取到的连续四周数据，训练获取导致干扰Y的X值的临界区间，即第二干扰关联区间Xn。

如图5所示，该滑动窗口遍历算法是滑动关联因子X及对应的高干扰室分小区平均底噪Y，在Y的置信度满足要求时，Y对应的X区间即为第二干扰关联区间Xn。具体的，滑动窗口滑动过程中，关联因子X由0到最大，遍历X窗口和对应的Y，当Y变差时(即Y大于第一阈值)的置信度最大(即置信度超过置信度阈值且是最大置信度)对应的X的区间即为第二干扰关联区间Xn。此时，意味着X落在这个窗口上时Y最有可能变差，也就是最有可能出现高干扰。最终遍历得到的Xn区间可能在关联因子取值的任意区间内。其中，第一阈值比如可以是-105dBm，置信度阈值比如可以是95％。

S440：采用K-means聚类算法，对所述第二干扰关联区间进行聚类，获得第一干扰关联区间。

在该步骤中，上述第二干扰关联区间Xn可能还是较松散，需要对其进行进一步的收敛，采用K-means聚类算法，基于对数据的自主学习，将Y>-105dBm时Xn出现最大概率的取值区间(即第一干扰关联区间)找出来，此区间计为最大似然关联因子Xs，K-means算法流程如图6所示：

第一步：获得第二干扰关联区间Xn，图6中以五角星点表示初始的数据Xn，此时还未分配类别；

第二步：随机初始两个聚类中心，即是图6中的棱形和六边形；

第三步：计算数据点Xn到这两个聚类中心的距离，为数据点换上距离较近的聚类中心的形状，相同形状的数据点组成一个簇，并重新计算簇的聚类中心；

第四步：产生新的聚类中心；

第五步到第六步重复第三步的步骤，可见此时聚类结果基本已经不再变化，此时得到的类别就是最终的类别Xs，即第一干扰关联区间。

S240：将最大次数对应的邻区确定为所述上行高干扰室分小区的强关联宏站小区。

在步骤S240中，针对每一个高干扰室分小区，找到实际的关联因子X落在Xs区间次数最多的宏站小区作为室分干扰小区的强关联宏站小区。

具体的，室分小区与每一个关联的宏站小区进行两两运算得到X，将计算结果X与Xs对比，在Xs范围内认为该宏站小区与室分干扰小区强关联，然后通过计算X落在Xs范围内的频次的多少来确定最强关联宏站小区，频次最多的宏站小区确定为最强关联宏站小区。

S140：获取所述上行高干扰室分小区和所述强关联宏站小区的配置参数，根据所述强关联宏站小区的配置参数对所述上行高干扰室分小区的配置参数进行优化。

在该步骤S140中，轮询室分小区和强关联宏站小区两者的天线收发模式、室内室外协同开关等参数配置，自动生成修改指令并关联操作维护中心(OperationsMaintenance Center，OMC)，按照宏站小区配置对室分小区参数进行调整，作为降低室分小区干扰的主要手段。具体的调整如下表1所示：

表1

其中，上行高干扰室分小区的SIB1周期和TRS周期根据强关联宏站小区的配置参数进行优化。其他基于上行高干扰室分小区的自身的配置状态进行优化。

在一些实施例中，本申请提出的面向5G的室内外干扰协同智能优化方法还包括：

获取优化前后的所述上行高干扰室分小区的业务指标，基于所述业务指标确定优化效果。

在该些实施例中，所述业务指标包括无线接通率、切换成功率、无线掉线率、下行用户平均体验速率和室内外小区用户电平差值；

所述基于所述业务指标确定优化效果，包括：

判断所述无线接通率、所述切换成功率和所述无线掉线率是否符合预设第一判断条件，当所述无线接通率、所述切换成功率和所述无线掉线率符合预设第一判断条件时，将所述上行高干扰室分小区的配置参数退回优化之前，当所述无线接通率、所述切换成功率或所述无线掉线率不符合预设第一判断条件时，判断所述下行用户平均体验速率是否符合第二判断条件或第三判断条件；

当所述下行用户平均体验速率符合第二判断条件时，则优化结束；当所述下行用户平均体验速率符合第三判断条件时，将所述上行高干扰室分小区的配置参数退回优化之前；当所述下行用户平均体验速率不符合第二判断条件或第三判断条件时，判断所述室内外小区用户电平差值是否符合第四判断条件；

当所述室内外小区用户电平差值符合第四判断条件时，将所述上行高干扰室分小区的配置参数退回优化之前；当所述室内外小区用户电平差值不符合第四判断条件时，则优化结束。

在该些实施例中，所述第一判断条件为所述无线接通率下降大于第二阈值、所述切换成功率下降大于第三阈值和所述无线掉线率增加大于第四阈值；

所述第二判断条件为下行用户平均体验速率提升大于第五阈值；

所述第三判断条件为下行用户平均体验速率降低大于第六阈值；

所述第四判断条件为室内外小区用户电平差值降低小于等于第七阈值。

其中，第二阈值、第三阈值可以设定为2％，第四阈值可以设定为0.5％，第五阈值、第六阈值可以设定为10Mbps，第七阈值可以设定为0。上述阈值也可以设定为其他数值，根据实际情况设定。

具体的，自动获取优化前后各24小时内的高干扰室分小区的无线接通率、切换成功率、无线掉线率、下行用户平均体验速率、室内外用户平均电平差值这些相关指标，对比并基于结果实施回退和闭环，具体操作分为如下几种情况：

流程1：无线接通率下降大于2％，切换成功率下降>2％，无线掉线率增加＞0.5％，同时满足，需回退调整策略，任意一个不满足继续执行流程2；

流程2-1：下行用户平均体验速率(Mbps)提升＞10Mbps，流程闭环；

流程2-2：下行用户平均体验速率(Mbps)下降>10Mbps，回退调整策略；

流程2-3：下行用户平均体验速率(Mbps)下降≥0&＜10Mbps或者提升≥0&＜10Mbps，继续进行流程3；

流程3-1：室内外用户平均电平差值降低≤0，需回退调整策略；

流程3-2：室内外用户平均电平差值降低＞0，则流程闭环。

本申请提出的面向5G的室内外干扰协同智能优化方法，通过获取5G小区上行底噪数据，规则筛选出存在上行干扰的小区，进一步关联5G小区工参筛选出高干扰室分小区，针对存在上行干扰的室分小区基于智能算法获取强相关联的候选宏站小区，并查询获取高干扰室分小区及强关联宏站小区的对应参数配置，自动生成修改指令关联OMC对室分小区参数进行修改，同时建立参数调整效果评估和参数修改回退机制，将室分小区上行高干扰问题分析和处理过程流程化和自动化，实时改善5G高干扰室分场景下的用户感知，提升干扰解决效率并且降低人工成本。

【面向5G的室内外干扰协同智能优化方法的具体实施流程】

图7是本申请面向5G的室内外干扰协同智能优化方法的具体实施流程图；如图7所示，该方法包括：

S710：获取5G小区上行干扰底噪数据；

S720：根据5G小区上行干扰底噪数据，按照规则(每个PRB上检测到的子载波级干扰噪声的平均值>-105dBm作为评判标准)筛选出上行存在高干扰的小区；

S730：获取5G小区工参数据，根据5G小区工参数据判断是否归属高干扰室分小区，若不是，则结束流程，若是，则执行S740；

S740：获取5G MRO数据，并根据5G小区工参数据、高干扰室分小区的上行干扰底噪数据，基于智能算法获取上行高干扰室分小区的强关联宏站小区；

S750：轮询高干扰室分小区、强关联宏站小区的配置参数，并按照宏站小区配置对高干扰室分小区进行参数配置调整；

S760：获取修改前后的高干扰室分小区的业务指标，对比前后的业务指标，并基于对比结果实施回退操作或闭环；

S761：无线接通率下降大于阈值，切换成功率下降大于阈值，无线掉线率增加大于阈值，同时满足，需回退调整策略，即返回至S750；不同时满足，执行S762-1、S762-2或S762-3；

S762-1：下行用户平均体验速率提升大于阈值，流程闭环；

S762-2：下行用户平均体验速率下降大于阈值，需回退调整策略，即返回至S750；

S762-3：下行用户平均体验速率下降或提升大于等于阈值1&小于阈值2，继续进行步骤S763-1或S763-2；

S763-1：室内外用户平均电平差值降低小于等于阈值，需回退调整策略；

S763-2：室内外用户平均电平差值降低大于阈值，则流程闭环。

【面向5G的室内外干扰协同智能优化装置的实施例】

如图8所示，本申请实施例提供了一种面向5G的室内外干扰协同智能优化装置，该面向5G的室内外干扰协同智能优化装置可以用于实现上述实施例中的面向5G的室内外干扰协同智能优化方法，如图8所示，该面向5G的室内外干扰协同智能优化装置具有数据获取模块810、上行高干扰室分小区确定模块820、强关联宏站小区确定模块830、优化模块840。

数据获取模块，用于获取5G各小区的上行干扰底噪数据和工参数据；

上行高干扰室分小区确定模块，用于根据所述上行干扰底噪数据和所述工参数据，从所述5G各小区中确定出上行高干扰室分小区；

强关联宏站小区确定模块，用于确定所述上行高干扰室分小区的强关联宏站小区；

优化模块，用于获取所述上行高干扰室分小区和所述强关联宏站小区的配置参数，根据所述强关联宏站小区的配置参数对所述上行高干扰室分小区的配置参数进行优化。

在一些实施例中，如图8所示，该装置还可以包括：

优化结果评估模块850，用于获取优化前后的所述上行高干扰室分小区的业务指标，基于所述业务指标确定优化效果。

具体可参见方法实施例中的详细描述，此处不做赘述。

图9是本申请实施例提供的一种计算设备900的结构性示意性图。该计算设备可以作为面向5G的室内外干扰协同智能优化装置，执行上述面向5G的室内外干扰协同智能优化方法中的各可选实施例，该计算设备可以是终端，也可以是终端内部的芯片或芯片系统。如图9所示，该计算设备900包括：处理器910、存储器920、通信接口930。

应理解，图9所示的计算设备900中的通信接口930可以用于与其他设备之间进行通信，具体可以包括一个或多个收发电路或接口电路。

其中，该处理器910可以与存储器920连接。该存储器920可以用于存储该程序代码和数据。因此，该存储器920可以是处理器910内部的存储单元，也可以是与处理器910独立的外部存储单元，还可以是包括处理器910内部的存储单元和与处理器910独立的外部存储单元的部件。

可选的，计算设备900还可以包括总线。其中，存储器920、通信接口930可以通过总线与处理器910连接。总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图9中采用了一条无箭头的线表示，但并不表示仅有一根总线或一种类型的总线。

应理解，在本申请实施例中，该处理器910可以采用中央处理单元(centralprocessing unit，CPU)。该处理器还可以是其它通用处理器、数字信号处理器(digitalsignal processor，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现成可编程门阵列(field programmable gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。或者该处理器910采用一个或多个集成电路，用于执行相关程序，以实现本申请实施例所提供的技术方案。

该存储器920可以包括只读存储器和随机存取存储器，并向处理器910提供指令和数据。处理器910的一部分还可以包括非易失性随机存取存储器。例如，处理器910还可以存储设备类型的信息。

在计算设备900运行时，所述处理器910执行所述存储器920中的计算机执行指令执行上述方法的任一操作步骤以及其中任一可选的实施例。

应理解，根据本申请实施例的计算设备900可以对应于执行根据本申请各实施例的方法中的相应主体，并且计算设备900中的各个模块的上述和其它操作和/或功能分别为了实现本实施例各方法的相应流程，为了简洁，在此不再赘述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时用于执行上述方法，该方法包括上述各个实施例所描述的方案中的至少之一。

本申请实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是，但不限于，电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括、但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

另外，说明书和权利要求书中的词语“第一、第二、第三等”或模块A、模块B、模块C等类似用语，仅用于区别类似的对象，不代表针对对象的特定排序，可以理解地，在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。

在上述的描述中，所涉及的表示步骤的标号，如S110、S120……等，并不表示一定会按此步骤执行，在允许的情况下可以互换前后步骤的顺序，或同时执行。

说明书和权利要求书中使用的术语“包括”不应解释为限制于其后列出的内容；它不排除其它的元件或步骤。因此，其应当诠释为指定所提到的所述特征、整体、步骤或部件的存在，但并不排除存在或添加一个或更多其它特征、整体、步骤或部件及其组群。因此，表述“包括装置A和B的设备”不应局限为仅由部件A和B组成的设备。

本说明书中提到的“一个实施例”或“实施例”意味着与该实施例结合描述的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在本说明书各处出现的用语“在一个实施例中”或“在实施例中”并不一定都指同一实施例，但可以指同一实施例。此外，在一个或多个实施例中，能够以任何适当的方式组合各特定特征、结构或特性，如从本公开对本领域的普通技术人员显而易见的那样。

注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，均属于本申请保护范畴。

Claims (10)

1.一种面向5G的室内外干扰协同智能优化方法，其特征在于，包括：

获取5G各小区的上行干扰底噪数据和工参数据；

根据所述上行干扰底噪数据和所述工参数据，从所述5G各小区中确定出上行高干扰室分小区；

确定所述上行高干扰室分小区的强关联宏站小区；

获取所述上行高干扰室分小区和所述强关联宏站小区的配置参数，根据所述强关联宏站小区的配置参数对所述上行高干扰室分小区的配置参数进行优化。

2.如权利要求1所述的方法，其特征在于，所述上行干扰底噪数据包括多个物理资源块上的平均噪声干扰的平均值；所述工参数据包括小区的覆盖类型，所述覆盖类型包括室内或室外；

所述根据所述上行干扰底噪数据和所述工参数据，从所述5G各小区中确定出上行高干扰室分小区，包括：

当所述平均值大于第一阈值时，所对应的5G小区为上行高干扰小区；

当所述上行高干扰小区的覆盖类型为室内时，所述上行高干扰小区为上行高干扰室分小区。

3.如权利要求1所述的方法，其特征在于，所述确定所述上行高干扰室分小区的强关联宏站小区，包括：

在第一预设时间内实时采样多个5G MRO数据；

根据所述多个5G MRO数据和所述工参数据，确定所述上行高干扰室分小区与每个邻区的多个关联因子；

确定所述每个邻区的多个关联因子处于第一干扰关联区间内的次数；

将最大次数对应的邻区确定为所述上行高干扰室分小区的强关联宏站小区。

4.如权利要求3所述的方法，其特征在于，所述第一干扰关联区间按照如下方式确定：

在预设历史时间内采样多个5G MRO数据、所述上行高干扰室分小区的多个上行干扰底噪数据、工参数据；所述上行干扰底噪数据包括多个物理资源块上的平均噪声干扰的平均值；

根据所述多个5G MRO数据和所述工参数据，确定所述上行高干扰室分小区与每个邻区的多个关联因子，每个关联因子对应一个上行干扰底噪数据；

利用滑动窗口遍历算法，在上行干扰底噪数据大于第一阈值的置信度超过置信度阈值时，对应的多个关联因子的范围确定为第二干扰关联区间；

采用K-means聚类算法，对所述第二干扰关联区间进行聚类，获得第一干扰关联区间。

5.如权利要求3或4所述的方法，其特征在于，所述根据所述多个5G MRO数据和所述工参数据，确定所述上行高干扰室分小区与每个宏站邻区的多个关联因子，包括：

根据所述工参数据从所述5G MRO数据中获取NR服务小区的接收电平和NR邻区的接收电平；

将NR服务小区的接收电平和NR邻区的接收电平的差的绝对值作为上行高干扰室分小区与宏站邻区的关联因子。

6.如权利要求4所述的方法，其特征在于，所述利用滑动窗口遍历算法，在上行干扰底噪数据大于第一阈值的置信度超过置信度阈值时，对应的多个关联因子的范围确定为第二干扰关联区间，包括：

设定窗口和滑动窗口，所述窗口的最大值为所述多个关联因子中的最大关联因子，所述滑动窗口的宽度为预设宽度，所述预设宽度小于所述窗口的最大值；

在所述窗口中移动所述滑动窗口，当所述滑动窗口对应的上行干扰底噪数据大于第一阈值的置信度超过置信度阈值时，将所述滑动窗口内的多个关联因子的范围确定为第二干扰关联区间。

7.如权利要求1所述的方法，其特征在于，还包括：

获取优化前后的所述上行高干扰室分小区的业务指标，基于所述业务指标确定优化效果。

8.如权利要求7所述的方法，其特征在于，所述业务指标包括无线接通率、切换成功率、无线掉线率、下行用户平均体验速率和室内外小区用户电平差值；

所述基于所述业务指标确定优化效果，包括：

判断所述无线接通率、所述切换成功率和所述无线掉线率是否符合预设第一判断条件，当所述无线接通率、所述切换成功率和所述无线掉线率符合预设第一判断条件时，将所述上行高干扰室分小区的配置参数退回优化之前，当所述无线接通率、所述切换成功率或所述无线掉线率不符合预设第一判断条件时，判断所述下行用户平均体验速率是否符合第二判断条件或第三判断条件；

当所述下行用户平均体验速率符合第二判断条件时，则优化结束；当所述下行用户平均体验速率符合第三判断条件时，将所述上行高干扰室分小区的配置参数退回优化之前；当所述下行用户平均体验速率不符合第二判断条件或第三判断条件时，判断所述室内外小区用户电平差值是否符合第四判断条件；

当所述室内外小区用户电平差值符合第四判断条件时，将所述上行高干扰室分小区的配置参数退回优化之前；当所述室内外小区用户电平差值不符合第四判断条件时，则优化结束。

9.如权利要求8所述的方法，其特征在于，所述第一判断条件为所述无线接通率下降大于第二阈值、所述切换成功率下降大于第三阈值和所述无线掉线率增加大于第四阈值；

所述第二判断条件为下行用户平均体验速率提升大于第五阈值；

所述第三判断条件为下行用户平均体验速率降低大于第六阈值；

所述第四判断条件为室内外小区用户电平差值降低小于等于第七阈值。

10.一种面向5G的室内外干扰协同智能优化装置，其特征在于，包括：

数据获取模块，用于获取5G各小区的上行干扰底噪数据和工参数据；

上行高干扰室分小区确定模块，用于根据所述上行干扰底噪数据和所述工参数据，从所述5G各小区中确定出上行高干扰室分小区；

强关联宏站小区确定模块，用于确定所述上行高干扰室分小区的强关联宏站小区；

优化模块，用于获取所述上行高干扰室分小区和所述强关联宏站小区的配置参数，根据所述强关联宏站小区的配置参数对所述上行高干扰室分小区的配置参数进行优化。