預(yù)測(cè)lte網(wǎng)絡(luò)性能指標(biāo)的新型回歸系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及一種預(yù)測(cè)LTE網(wǎng)絡(luò)性能指標(biāo)的新型回歸系統(tǒng)。
【背景技術(shù)】
[0002] 隨著LTE網(wǎng)絡(luò)飛速發(fā)展，人們所創(chuàng)造的網(wǎng)絡(luò)數(shù)據(jù)呈現(xiàn)幾何倍數(shù)增加。W數(shù)據(jù)為基礎(chǔ) 的消費(fèi)服務(wù)方式也變得更加多樣化，如網(wǎng)絡(luò)瀏覽，視頻通信或流媒體，W及智能的終端普及 等。然而，由于受限于網(wǎng)絡(luò)容量的基礎(chǔ)設(shè)施部署W及人們過度消耗的網(wǎng)絡(luò)資源，導(dǎo)致網(wǎng)絡(luò)的 可訪問性也在進(jìn)一步惡化。因此移動(dòng)運(yùn)營商必需合理規(guī)劃網(wǎng)絡(luò)容量?？紤]到網(wǎng)絡(luò)基礎(chǔ)設(shè)施 投入成本大，網(wǎng)絡(luò)容量亦不可無限放大，為了避免網(wǎng)絡(luò)過載現(xiàn)象，網(wǎng)絡(luò)容量局部部署必須可 控。因此，利用大數(shù)據(jù)預(yù)測(cè)方式對(duì)移動(dòng)運(yùn)營商收集的大量數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)容量評(píng)估已經(jīng)成為 最經(jīng)濟(jì)、最有效方法，其目的就是為用戶評(píng)估和預(yù)測(cè)LTE的網(wǎng)絡(luò)性能。該方法可識(shí)別出可網(wǎng) 絡(luò)性能不足的區(qū)域，W便集中投入建設(shè)，有的放矢。
[0003] 隨著移動(dòng)通信技術(shù)不斷發(fā)展，通信技術(shù)向LTE的過渡將追隨UMTS的步伐。在接下來 的幾年中，正如從2G過渡到3G，3G到4G的過渡也將會(huì)全面實(shí)現(xiàn)。因此，為了應(yīng)對(duì)運(yùn)種變化，移 動(dòng)運(yùn)營商深切考慮4G業(yè)務(wù)潛在的需求。預(yù)測(cè)LTE KPI、評(píng)估LTE訪問性能是目前的主要挑戰(zhàn)， 其中關(guān)鍵的需求是執(zhí)行多種功能的預(yù)測(cè)，W便適應(yīng)特定的或新的行為。例如，一些網(wǎng)絡(luò)小區(qū) 可能承載著比其他小區(qū)更高的負(fù)荷，或不同于其他小區(qū)的服務(wù)行為。另一個(gè)需求是收集足 夠的數(shù)據(jù)，為了有效獲取更多的數(shù)據(jù)，需要使用復(fù)雜的算法，進(jìn)行更準(zhǔn)確地預(yù)測(cè)。因此，整合 可用的數(shù)據(jù)，開發(fā)出一種新的預(yù)測(cè)方法，W滿足運(yùn)營商對(duì)網(wǎng)絡(luò)規(guī)劃的迫切需要。
[0004] 規(guī)劃網(wǎng)絡(luò)容量的傳統(tǒng)方法是僅僅考慮一個(gè)小區(qū)網(wǎng)絡(luò)容量的規(guī)劃。對(duì)于每個(gè)小區(qū)來 說，用戶數(shù)量和網(wǎng)絡(luò)資源是可W獨(dú)立考慮和研究的。因此，大數(shù)據(jù)分析可被用于處理無線網(wǎng) 絡(luò)的可測(cè)量數(shù)據(jù)，W掲示數(shù)據(jù)背后的移動(dòng)網(wǎng)絡(luò)資源的使用情況。運(yùn)些大數(shù)據(jù)算法需要大量 的可信數(shù)據(jù)，才能可靠地反映當(dāng)前網(wǎng)絡(luò)的真實(shí)使用情況，且數(shù)據(jù)量越大，算法的精度越高。 [000引將所有小區(qū)數(shù)據(jù)聚集在一起是增加數(shù)據(jù)量的一種方法。然而，當(dāng)聚集所有的小區(qū) 數(shù)據(jù)時(shí)，卻缺失了小區(qū)間的不同行為。例如，有些小區(qū)位于用戶密集的區(qū)域，而其他小區(qū)可 能存在于用戶稀疏的區(qū)域。另外，某些小區(qū)的用戶可能比其他小區(qū)更關(guān)注一些基于數(shù)據(jù)的 服務(wù)，例如查詢電子郵件，瀏覽網(wǎng)頁，流媒體音樂或電影，使用寬帶電話或視頻通話等。因 此，將所有的小區(qū)集中在一起后做數(shù)據(jù)的平均會(huì)導(dǎo)致測(cè)量數(shù)據(jù)出現(xiàn)信息匿乏現(xiàn)象。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的是提供一種預(yù)測(cè)LTE網(wǎng)絡(luò)性能指標(biāo)的新型回歸系統(tǒng)W解決現(xiàn)有技術(shù) 中存在的當(dāng)合并所有的小區(qū)數(shù)據(jù)時(shí)，卻丟失了小區(qū)間的差異性，將所有的小區(qū)集中在一起 后做數(shù)據(jù)的平均會(huì)導(dǎo)致測(cè)量數(shù)據(jù)出現(xiàn)信息匿乏現(xiàn)象等問題。
[0007] 本發(fā)明的技術(shù)解決方案是：
[0008] -種預(yù)測(cè)LTE網(wǎng)絡(luò)性能指標(biāo)的新型回歸系統(tǒng)，包括：
[0009] 聚類模塊:對(duì)小區(qū)進(jìn)行聚類，聚類后得到k個(gè)集群；
[0010]回歸模塊:準(zhǔn)備回歸數(shù)據(jù)，對(duì)每個(gè)集群分別執(zhí)行多種不同的回歸算法，并選擇每個(gè) 集群最小誤差率的算法為該集群的最優(yōu)回歸算法；
[0011 ]選擇模塊:通過誤差率邸與集群分離度匯總值Sep的結(jié)合，得到誤差值較低并且分 離度較高的最佳集群數(shù)k;
[0012] 預(yù)測(cè)模塊:利用所得最佳集群數(shù)k與每個(gè)集群的最優(yōu)回歸算法，對(duì)小區(qū)的網(wǎng)絡(luò)資源 消耗的LTE KPI值進(jìn)行預(yù)測(cè)。
[0013] 進(jìn)一步地，在回歸模塊中，準(zhǔn)備回歸數(shù)據(jù)具體過程為，對(duì)資源消耗網(wǎng)絡(luò)特征采用機(jī) 器學(xué)習(xí)算法進(jìn)行篩選，首先，刪除非信息特征;其次，通過線性回歸的窮舉捜索確定若干個(gè) LTE KPI相關(guān)特征。
[0014] 進(jìn)一步地，在回歸模塊中，將資源消耗網(wǎng)絡(luò)特征進(jìn)行篩選后得到的特征變量數(shù)據(jù) 集分為訓(xùn)練集與測(cè)試集。
[0015] 進(jìn)一步地，在回歸模塊中，將資源消耗網(wǎng)絡(luò)特征進(jìn)行篩選后得到的特征變量數(shù)據(jù) 集分為訓(xùn)練集與測(cè)試集。
[0016] 進(jìn)一步地，在回歸模塊中，執(zhí)行多種不同的回歸算法，，包括廣義可加模型GAM、梯 度升壓法GBM、神經(jīng)網(wǎng)絡(luò)方法、多元自適應(yīng)回歸樣條法MARS中等。
[0017] 進(jìn)一步地，在回歸模塊中，選擇集群的最優(yōu)回歸算法具體為，
[0018] 選擇測(cè)試集，并計(jì)算該測(cè)試集的不同回歸預(yù)測(cè)的誤差率ER，誤差率ER由式（3)得 出，選擇誤差率ER最低的回歸算法；
[0019]
[0020] 式（3)中，（yi)代表測(cè)試集的LTE KPI數(shù)據(jù)，化）為在測(cè)試集上對(duì)消耗的網(wǎng)絡(luò)特征 KPI的回歸預(yù)測(cè)。
[0021] 本發(fā)明的有益效果是:該種預(yù)測(cè)LTE網(wǎng)絡(luò)性能指標(biāo)的新型回歸系統(tǒng)，在考慮到每個(gè) 小區(qū)差異性的前提下，不僅可W獲取每個(gè)網(wǎng)絡(luò)小區(qū)在移動(dòng)通信中的網(wǎng)絡(luò)資源消耗情況，還 可W通過選擇回歸算法來預(yù)測(cè)LTE KPI。
【附圖說明】
[0022] 圖1是本發(fā)明實(shí)施例預(yù)測(cè)LTE網(wǎng)絡(luò)性能指標(biāo)的新型回歸系統(tǒng)的流程說明示意圖；
[0023] 圖2給出了系統(tǒng)運(yùn)行時(shí)如何預(yù)測(cè)LTE關(guān)鍵性能指標(biāo)的流程說明示意圖。
【具體實(shí)施方式】
[0024] 下面結(jié)合附圖詳細(xì)說明本發(fā)明的優(yōu)選實(shí)施例。
[002引實(shí)施例給出一種使用回歸算法預(yù)測(cè)選定LTE關(guān)鍵性能指標(biāo)的方法。假定已知小區(qū) 的網(wǎng)絡(luò)聚類指標(biāo)。選擇與每個(gè)小區(qū)相關(guān)的網(wǎng)絡(luò)資源消耗指標(biāo)，選擇相關(guān)集群中劃分小區(qū)的 集群數(shù)值，對(duì)每個(gè)聚類執(zhí)行多元回歸算法。推導(dǎo)出已知小區(qū)的新網(wǎng)絡(luò)資源消耗的LTE關(guān)鍵性 能指標(biāo)。
[0026]使用傳統(tǒng)方法來規(guī)劃網(wǎng)絡(luò)容量，會(huì)考慮小區(qū)之間的同質(zhì)性，因此選擇一種回歸算 法進(jìn)行預(yù)測(cè)，如果選擇的回歸算法不適用于擬合數(shù)據(jù)，那么只使用一種回歸算法預(yù)測(cè)可能 會(huì)導(dǎo)致算法的缺陷。在本實(shí)施例中，通過謹(jǐn)慎地選用回歸算法來適應(yīng)不同集群小區(qū)的不同 行為。因此，實(shí)施例w多功能的方式避免了現(xiàn)有方法的缺陷。
[0027] 實(shí)施例
[0028] -種預(yù)測(cè)LTE網(wǎng)絡(luò)性能指標(biāo)的新型回歸系統(tǒng)，如圖1，包括：
[0029] 聚類模塊:對(duì)小區(qū)進(jìn)行聚類，聚類后得到k個(gè)集群；
[0030] 回歸模塊:準(zhǔn)備回歸數(shù)據(jù)，對(duì)每個(gè)集群分別執(zhí)行多種不同的回歸算法，并選擇每個(gè) 集群最小誤差率的算法為該集群的最優(yōu)回歸算法；
[0031] 選擇模塊:通過誤差率ER與集群分離度匯總值Sep的結(jié)合，得到誤差值最低的最佳 集群數(shù)HI;
[0032] 預(yù)測(cè)模塊:利用所得最佳集群數(shù)k與每個(gè)集群的最優(yōu)回歸算法，對(duì)小區(qū)的網(wǎng)絡(luò)資源 消耗的LTE KPI值進(jìn)行預(yù)測(cè)。
[0033] 在回歸模塊中，準(zhǔn)備回歸數(shù)據(jù)具體為，對(duì)資源消耗網(wǎng)絡(luò)特征采用機(jī)器學(xué)習(xí)算法進(jìn) 行篩選，首先，刪除非信息特征;其次，通過線性回歸的窮舉捜索確定若干個(gè)LTE KPI相關(guān)特 征。
[0034] 在回歸模塊中，將資源消耗網(wǎng)絡(luò)特征進(jìn)行篩選后得到的特征變量數(shù)據(jù)集分為訓(xùn)練 集與測(cè)試集。
[0035] 在回歸模塊中，將資源消耗網(wǎng)絡(luò)特征進(jìn)行篩選后得到的特征變量數(shù)據(jù)集分為訓(xùn)練 集與測(cè)試集。
[0036] 在回歸模塊中，執(zhí)行多種不同的回歸算法，，包括廣義可加模型GAM、梯度升壓法 GBM、神經(jīng)網(wǎng)絡(luò)方法、多元自適應(yīng)回歸樣條法MARS等。
[0037] 在回歸模塊中，選擇集群的最優(yōu)回歸算法具體為，
[0038] 選擇測(cè)試集，并計(jì)算該測(cè)試集的不同回歸預(yù)測(cè)的誤差率ER，誤差率ER由式（3)得 出，選擇誤差率ER最低的回歸算法；
[0039]
[0040] 式(3)中，（yi)代表測(cè)試集的LTE KPI數(shù)據(jù)，化）為對(duì)測(cè)試集使用消耗網(wǎng)絡(luò)特征的回 歸預(yù)測(cè)。
[0041] 假定選取了一種聚類小區(qū)的方法，聚類是用來分類的一種數(shù)據(jù)挖掘算法，它可W 實(shí)現(xiàn)將有相似行為的小區(qū)歸結(jié)為一類的能力。每一個(gè)類被稱為一個(gè)集群。像通常的聚類算 法一樣，運(yùn)種方法需要輸入一個(gè)k值，運(yùn)個(gè)k值與聚類個(gè)數(shù)相關(guān)，執(zhí)行聚類后最終會(huì)得到k-集 群。運(yùn)個(gè)集群數(shù)字一般很難直接獲得。在本實(shí)施例中，k值由系統(tǒng)選擇，因此不需要猜測(cè)該參 數(shù)。
[0042] 實(shí)施例需要獲取兩個(gè)輸入項(xiàng)。第一個(gè)是前面提到的聚類算法，它為一定范圍內(nèi)的 每個(gè)k值提供了k-集群的聚類。第二個(gè)是每個(gè)小區(qū)中網(wǎng)絡(luò)資源歷史消耗的數(shù)據(jù)，W及每個(gè)測(cè) 量所定義的LTE KPI值。每個(gè)小區(qū)的記錄周期是四個(gè)月，Ξ十分鐘粒度，被消耗的網(wǎng)絡(luò)資源 是指網(wǎng)絡(luò)中直接訪問的特征，如擁塞率、建立連接的平均時(shí)間或用戶所花費(fèi)的平均信貸。
[0043] 圖1給出了實(shí)施例系統(tǒng)的流程圖。概括地說，該過程是在數(shù)據(jù)準(zhǔn)備的基礎(chǔ)上，對(duì)每 個(gè)可用集群執(zhí)行不同的回歸系統(tǒng)，然后在對(duì)每個(gè)集群分析計(jì)算的基礎(chǔ)上，選擇一個(gè)回歸方 法。最后，選擇最佳的k值并預(yù)測(cè)LTE KPI值，賦予新的網(wǎng)絡(luò)資源消耗。
[0044] 初始時(shí)在"開始"步，重新獲取輸入項(xiàng)。k的初始值為2,運(yùn)是最低的可能值。運(yùn)意味 著，首先，在同一個(gè)集群的所有小區(qū)內(nèi)計(jì)算。運(yùn)個(gè)過程是迭代的，k值每次迭代增加1。接下 來，對(duì)在k及其最大范圍之間的每個(gè)k值進(jìn)行如附圖1所示的多元回歸算法，并得到誤差值最 低的最佳集群數(shù)k值。
[0045] 如圖1，在"聚類集成"步驟中，采用參數(shù)k執(zhí)行聚類算法，使得小區(qū)劃分為k-集群。
[0046] 每個(gè)集群i從巧化被稱為"集群i的小區(qū)"。對(duì)于每個(gè)i從巧化來說，如圖1所示，都是 一個(gè)獨(dú)立運(yùn)行的過程。
[0047] 在"準(zhǔn)備回歸數(shù)據(jù)"時(shí)，獲取建模數(shù)據(jù)。由于具備許多消耗網(wǎng)絡(luò)的特征，需要對(duì)資源 消耗網(wǎng)絡(luò)特征進(jìn)行篩選。特征變量篩選是一種機(jī)器學(xué)習(xí)算法，它包括對(duì)原有特征變量集子 集的選擇。此選擇通過刪除非信息特征的方式，可防止應(yīng)用模型時(shí)的過度擬合問題。運(yùn)些刪 除的特征分為2個(gè)類別，不相關(guān)特征和冗余特征。首先，無論采用什么LTE KPI，需除去W下 特征變量:擁有超過98 %的非有效值，超過98 %的零值，僅取相同值的特征變量。其次在第 二選擇步驟中確定6個(gè)最佳的LTE KPI相關(guān)特征，該選擇技術(shù)稱為線性回歸的窮舉捜索。該 步驟消除了冗余特征KPI(通過檢查是否高度相關(guān))或者不應(yīng)該被預(yù)測(cè)的LTE KPI。總的來 說，選取6個(gè)KPI進(jìn)行如下回歸診斷。
[0048] 選擇特征變量后的另一步準(zhǔn)備工作是:將整體數(shù)據(jù)集分成訓(xùn)練集和測(cè)試集。訓(xùn)練 集是發(fā)