CN109104731A - 小区场景类别划分模型的构建方法、装置和计算机设备 - Google Patents

Abstract

本申请涉及一种小区场景类别划分模型的构建方法、装置、计算机设备和存储介质。本方法包括：对样本小区的关键绩效指标数据中的各字段数据与通信行为字段分别进行双变量相关性分析，去除与通信行为字段相关性低于阈值的字段数据获得通信行为特征数据；对各通信行为特征数据进行主成分分析，获得通信行为特征值；利用各通信行为特征值并结合时间粒度获取通信行为波形图，并从中筛选通信行为波形样本图；利用各通信行为波形样本图及其对应的场景类别对深度学习网络模型进行训练，将训练后的深度学习网络模型确定为小区场景类别划分模型。采用本方法能够提高小区场景类别同步更新的效率，为定制规划建设方案、确定网络优化策略提供重要基础。

Description

小区场景类别划分模型的构建方法、装置和计算机设备

技术领域

本申请涉及通信技术领域，特别是涉及一种小区场景类别划分模型的构建方法、装置、计算机设备和存储介质。

背景技术

随着移动通信网络的不断发展，对不同小区进行场景划分是定制规划建设方案、确定网络优化策略的重要基础。

小区场景类别的划分在小区规划建设初期已经确定，传统的移动通信网络的小区场景类别的划分主要依靠网络规划工程师根据小区的地理环境、覆盖因素以及业务特点等进行人为划分，但是一个小区的地理环境、网络情况以及业务特征在后续使用中都是不断变化的，小区场景类别也需要同步更新，为调整、优化网络提供基础，但是传统的小区场景类别的划分技术难以快速对小区场景类别进行重新划分以适应小区的地理环境、覆盖因素以及业务特点等因素的变化。

发明内容

基于此，有必要针对上传统的小区场景类别的划分技术难以快速对小区场景类别进行重新划分实现小区场景类别的更新同步的技术问题，提供一种小区场景类别划分模型的构建方法、装置、计算机设备和存储介质。

一种小区场景类别划分模型的构建方法，包括以下步骤：

获取样本小区的关键绩效指标数据，对所述关键绩效指标数据中的各字段数据与通信行为字段分别进行双变量相关性分析，去除与通信行为字段相关性低于阈值的字段数据获得通信行为特征数据；

对各所述通信行为特征数据进行主成分分析，获得通信行为特征值；

利用各所述通信行为特征值并结合时间粒度获取通信行为波形图；

从各所述通信行为波形图中筛选通信行为波形样本图，并获取各所述通信行为波形样本图对应的场景类别；

利用各所述通信行为波形样本图以及对应的场景类别对深度学习网络模型进行训练，将训练后的深度学习网络模型确定为小区场景类别划分模型。

一种小区场景类别划分模型的构建装置，包括：

通信行为特征数据获取模块，用于获取样本小区的关键绩效指标数据，对所述关键绩效指标数据中的各字段数据与通信行为字段分别进行双变量相关性分析，去除与通信行为字段相关性低于阈值的字段数据获得通信行为特征数据；

通信行为特征值获取模块，用于对各所述通信行为特征数据进行主成分分析，获得通信行为特征值；

通信行为波形图获取模块，用于利用各所述通信行为特征值并结合时间粒度获取通信行为波形图；

样本筛选模块，用于从各所述通信行为波形图中筛选通信行为波形样本图，并获取各所述通信行为波形样本图对应的场景类别；

划分模型获取模块，用于利用各所述通信行为波形样本图以及对应的场景类别对深度学习网络模型进行训练，将训练后的深度学习网络模型确定为小区场景类别划分模型。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取样本小区的关键绩效指标数据，对所述关键绩效指标数据中的各字段数据与通信行为字段分别进行双变量相关性分析，去除与通信行为字段相关性低于阈值的字段数据获得通信行为特征数据；

对各所述通信行为特征数据进行主成分分析，获得通信行为特征值；

利用各所述通信行为特征值并结合时间粒度获取通信行为波形图；

从各所述通信行为波形图中筛选通信行为波形样本图，并获取各所述通信行为波形样本图对应的场景类别；

利用各所述通信行为波形样本图以及对应的场景类别对深度学习网络模型进行训练，将训练后的深度学习网络模型确定为小区场景类别划分模型。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取样本小区的关键绩效指标数据，对所述关键绩效指标数据中的各字段数据与通信行为字段分别进行双变量相关性分析，去除与通信行为字段相关性低于阈值的字段数据获得通信行为特征数据；

对各所述通信行为特征数据进行主成分分析，获得通信行为特征值；

利用各所述通信行为特征值并结合时间粒度获取通信行为波形图；

从各所述通信行为波形图中筛选通信行为波形样本图，并获取各所述通信行为波形样本图对应的场景类别；

利用各所述通信行为波形样本图以及对应的场景类别对深度学习网络模型进行训练，将训练后的深度学习网络模型确定为小区场景类别划分模型。

上述小区场景类别划分模型的构建方法、装置、计算机设备和存储介质，通过获取小区的关键绩效指标数据，由关键绩效指标数据中与通信行为特征的相关字段数据降维获取通信行为特征值，进而获取小区的通信行为波形图，并从中筛选出训练样本对深度学习网络模型进行训练，后续获取小区的关键绩效指标数据，可以依据该关键绩效指标数据快速将小区划分到不同的场景类别中，提高小区场景类别同步更新的效率，为定制规划建设方案、确定网络优化策略提供重要基础。

附图说明

图1为本发明一个实施例中小区场景类别划分模型的构建方法的应用环境图；

图2为本发明一个实施例中小区场景类别划分模型的构建方法的流程图；

图3为本发明一个实施例中利用各通信行为特征值并结合时间粒度获取通信行为波形图的流程图；

图4为本发明一个实施例中获取各通信行为波形样本图及其对应的场景类别的流程图；

图5为本发明一个实施例中利用聚类算法将各通信行为波形图分别划分到数量为目标场景类别数目的不同场景聚类的流程图；

图6为本发明另一个实施例中小区场景类别划分模型的构建方法的流程图；

图7为本发明一个实施例中，类型为写字楼型的小区的通信波形图；

图8为本发明一个实施例中深度学习网络模型的结构表；

图9为本发明一个实施例中小区场景类别划分模型的构建装置的结构示意图；

图10为本发明一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

参见图1，图1为本发明一个实施例中小区场景类别划分模型的构建方法的应用环境图。图1中，该小区场景类别划分模型的构建方法可应用于小区场景类别划分模型的构建***中，该***包括终端110和服务器120，终端110通过网络与服务器120连接。终端110可以是但不限于个人计算机、笔记本电能、平板电脑等。服务器120可以从终端110处获取样本小区的关键绩效指标数据，经过处理后获取通信行为波形图，用于训练深度学习网络模型。

参见图2，图2为本发明一个实施例中小区场景类别划分模型的构建方法的流程图，本实施例中，小区场景类别划分模型的构建方法包括以下步骤：

步骤S210：获取样本小区的关键绩效指标数据，对关键绩效指标数据中的各字段数据与通信行为字段分别进行双变量相关性分析，去除与通信行为字段相关性低于阈值的字段数据获得通信行为特征数据。

本步骤中，关键绩效指标数据(Key Performance Indicator，KPI)指小区基站网管考核指标数据，其本身用作描述用户通信质量参数；通信行为字段是关键绩效指标数据中与通信行为相关的字段数据，可以是小区基站的吞吐量，也可以是通信接通率等字段数据。

具体的，在网络信息***中可以以小时为维度导出全网中多个小区基站的关键绩效指标数据至服务器中，服务器获得关键绩效指标数据后，将关键绩效指标数据中的各个字段数据分别与通信行为字段进行相关性分析，若关键绩效指标数据中某个字段数据与通信行为字段相关性低于预设阈值，则将该字段数据从关键绩效指标数据中删除，将关键绩效指标数据中与通信行为字段相关性低于预设阈值的字段数据删除后，关键绩效指标数据中剩余的字段数据作为通信行为特征数据。通过双变量相关性分析，以通信行为字段为核心进行数据聚类，剔除掉与通信行为字段无关的噪声字段，有效减少噪声字段的干扰，同时有效降低数据量提高计算速率。

步骤S220：对各通信行为特征数据进行主成分分析，获得通信行为特征值。

本步骤中，通信行为特征数据中包含多个与通信行为相关的字段数据；服务器以获取得到的全网中多个小区基站的通信行为特征数据为基准数据进行主成分分析进行降维，将各个多维度的通信行为特征数据降维后得到一个一维的通信行为特征值。

步骤S230：利用各通信行为特征值并结合时间粒度获取通信行为波形图。

本步骤中，服务器将得到的通信行为特征值结合时间维度，生成一个与时间相关的通信行为波形图。具体的，关键绩效指标数据可以以时间为维度导出的，在经过双变量相关性分析、主成分分析操作后，根据关键绩效指标数据可以用一个一维的通信行为特征值表征小区某个时间下的通信特征，服务器可以利用该通信行为特征值结合时间维度，生成一个依据时间的排列的二维坐标波形图，该二维坐标波形图呈现小区标志性的通信行为分布。

步骤S240：从各通信行为波形图中筛选通信行为波形样本图，并获取各通信行为波形样本图对应的场景类别。

本步骤中，从各个通信行为波形图中筛选多个通信行为分布特征明显的通信行为波形图作为训练样本图，并对各个通信行为波形样本图打上对应的场景类别标签。

步骤S250：利用各通信行为波形样本图以及对应的场景类别对深度学习网络模型进行训练，将训练后的深度学习网络模型确定为小区场景类别划分模型。

本步骤中，服务器利用各个通信行为波形样本图以及其对应的场景类别作为训练样本输入至深度学习网络模型进行有监督训练。具体的，服务器可以根据通信行为波形样本图为深度学习网络模型的输入项，深度学习网络模型根据对输入的通信行为波形样本图进行分析训练，输出识别结果与该通信行为波形样本图对应的场景类别进行对比，根据对比结果反向修正深度学习网络模型中各层网络的参数。

可选的，通信行为特征数据包括网络吞吐量、RRC连接指示值、上行信道物理资源块利用率、下行信道物理资源块利用率、上行业务信息物理资源块占用率、下行业务信息物理资源块占用率以及下行成功传输初始传输块数量中的至少一个。

上述小区场景类别划分模型的构建方法中，通过获取小区的关键绩效指标数据，由关键绩效指标数据中与通信行为特征的相关字段数据降维获取通信行为特征值，进而获取小区的通信行为波形图，并从中筛选出训练样本对深度学习网络模型进行训练，后续获取小区的关键绩效指标数据，可以从该关键绩效指标数据获取对应的通行行为波形图，根据该通行行为波形图快速将小区划分到不同的场景类别中，提高小区场景类别同步更新的效率，为定制规划建设方案、确定网络优化策略提供重要基础。

参见图3，图3为本发明一个实施例中利用各通信行为特征值并结合时间粒度获取通信行为波形图的流程图；本实施例中，利用各通信行为特征值并结合时间粒度获取通信行为波形图的步骤，包括以下步骤：

步骤S231：利用通信行为特征值并结合时间粒度生成二维数组。

本步骤中，关键绩效指标数据可以以时间为维度导出，在经过双变量相关性分析、主成分分析操作后，根据关键绩效指标数据可以用一个一维的通信行为特征值表征小区某个时间下的通信行为特征，服务器将通信行为特征值结合其对应的时间生成二维数组。

步骤S232：以时间粒度为横坐标、通信行为特征值为纵坐标生成通信行为原始图像。

本步骤中，服务器利用属于同一个小区、不同时间下的通信行为特征值结合时间维度，生成一个以时间为横坐标、通信行为特征值为纵坐标的二维坐标波形图，该二维坐标波形图即通信行为原始图像。

步骤S233：去除通信行为原始图像中的噪声，将去除噪声后的通信行为原始图像确定为通信行为波形图。

本步骤中，通信行为原始图像中的噪声包括二维坐标轴、图像边框、背景色等干扰因素；由于目前存在的图片生成工具对于生成的图片通常存在着坐标轴、图片边框等干扰因素，会对图片识别造成噪声影响，因此，通过将通信行为原始图像中的噪声去除，获取纯图像的波形图片。具体的，可以利用Python编程剔除通信行为原始图像中的坐标轴和边框等干扰噪声，获取纯图像的波形图片，以提高通信行为波形图表征通信行为特征的准确性，在后续采用通信行为波形图训练小区场景类别划分模型时，提高小区场景类别划分的准确性。

本实施例中，通过生成通信行为波形图将数据复杂的多维数据变为可视化图片数据，使得不同的小区的通信行为特征具象化、数据化，使数据复杂度大大降低，解决多维数据量纲不一致的问题，同时便于小区场景类别划分模型后期的纠错和更新。

参见图4，图4为本发明一个实施例中获取各通信行为波形样本图及其对应的场景类别的流程图；本实施例中，从各通信行为波形图中筛选通信行为波形样本图，并获取各通信行为波形样本图对应的场景类别的步骤，包括以下步骤：

步骤S241：获取目标场景类别数目。

本步骤中，目标场景类别数目是指场景类别的数量。

步骤S242：根据目标场景类别数目，利用聚类算法将各通信行为波形图分别划分到数量为目标场景类别数目的不同场景聚类中，获取各场景聚类中心以及各场景聚类中心对应的场景类别。

本步骤中，在确定目标场景类别数目以后，可以利用聚类算法将特征相似的通信行为波形图划分到一个聚类中，从而将各个通信行为波形图分别划分到数量为目标场景类别数目的不同场景聚类中，以获得相应的场景聚类中心，并根据通信行为特征确定各个场景聚类的场景类别。

步骤S243：将与各场景聚类中心的距离值小于预设距离值的通信行为波形图作为通行行为波形样本图。

本步骤中，可以以各个场景聚类中心为圆心，预设距离值为半径画一个圆区域，将在各个圆区域内的通信行为波形图作为通行行为波形样本图，实现快速筛选多个通信行为分布特征明显的通信行为波形图作为训练样本，节省人工筛选训练样本的成本。

步骤S244：根据各场景聚类中心对应的场景类别确定通行行为波形样本图对应的场景类别。

本实施例中，根据通信行为波形图的自身特征，利用聚类算法将多个通信行为波形图划分到一定数量的场景聚类中，将靠近场景聚类中心、图形特征较为明显的通信行为波形图作为训练样本，实现快速筛选多个通信行为分布特征明显的通信行为波形图作为训练样本，节省人工筛选训练样本的成本，训练样本的筛选更加客观准确，提高了小区场景类别划分的准确性。

在其中一个实施例中，利用聚类算法将各通信行为波形图分别划分到数量为目标场景类别数目的不同场景聚类中，获取各场景聚类中心以及各场景聚类中心对应的场景类别的步骤，包括以下步骤：随机选取数量为目标场景类别数目的通信行为波形图作为各场景聚类的第一聚类中心；计算剩余的通信行为波形图到各第一聚类中心的距离值，将各剩余的通信行为波形图分别划分到与第一聚类中心距离值最小的场景聚类中，获得各通信行为波形图划分到不同场景聚类中的场景聚类结果；根据场景聚类结果计算各场景聚类的第二聚类中心，若各第二聚类中心与各第一聚类中心相等，则将各第二聚类中心作为各场景聚类中心，并确定各烧伤场景聚类中心对于的场景类别。

本实施例中，先随机从多个通信行为波形图中随机选取K个通信行为波形图作为第一聚类中心，其中，K为目标场景类别数目，然后计算各个通信行为波形图与第一聚类中心的距离，把通信行为波形图归类到离其最近的第一聚类中心所在的场景聚类中。计算新形成的每一个场景聚类的通信行为波形图的平均值获得第二聚类中心，如果相邻两次的聚类中心没有任何变化，则聚类完成。

进一步的，在其中一个实施例中，根据场景聚类结果计算各场景聚类的第二聚类中心的步骤之后，还包括以下步骤：若各第二聚类中心与各第一聚类中心不相等，则将各第二聚类中心作为第一聚类中心，跳转执行计算剩余的通信行为波形图到各第一聚类中心的距离值的步骤。

本实施例中，如果相邻两次的聚类中心有变化，则将第二聚类中心看作为第一聚类中心，再次划分各个通信行为波形图到不同的聚类中心所在类别，迭代计算聚类中心，直至相邻两次的聚类中心没有任何变化。

参见图5，图5为本发明一个实施例中利用聚类算法将各通信行为波形图分别划分到数量为目标场景类别数目的不同场景聚类的流程图，本实施例中，利用聚类算法将各通信行为波形图分别划分到数量为目标场景类别数目的不同场景聚类中，获取各场景聚类中心以及各场景聚类中心对应的场景类别的步骤，包括以下步骤：

步骤S310：随机选取数量为目标场景类别数目的通信行为波形图作为各场景聚类的第一聚类中心。

步骤S320：计算剩余的通信行为波形图到各第一聚类中心的距离值，将各剩余的通信行为波形图分别划分到与第一聚类中心距离值最小的场景聚类中，获得各通信行为波形图划分到不同场景聚类中的场景聚类结果。

步骤S330：根据场景聚类结果计算各场景聚类的第二聚类中心，判断第一聚类中心与第二聚类中心是否相等，若第一聚类中心与第二聚类中心相等，则跳转至步骤S340；若第一聚类中心与第二聚类中心不相等，则跳转至步骤S350。

步骤S340：将各第二聚类中心作为各场景聚类中心，并确定各场景聚类中心对于的场景类别。

步骤S350：将第二聚类中心作为第一聚类中心，跳转至步骤S320。

本实施例中，先随机从多个通信行为波形图中随机选取K个通信行为波形图作为第一聚类中心，其中，K为目标场景类别数目，然后计算各个通信行为波形图与第一聚类中心的距离，把通信行为波形图归类到离其最近的第一聚类中心所在的聚类中。计算新形成的每一个聚类的通信行为波形图的平均值获得第二聚类中心，如果相邻两次的聚类中心没有任何变化，则聚类完成，如果相邻两次的聚类中心有变化，则以第二聚类中心为中心再一次进行通信行为波形图场景类别的划分，以保证聚类的收敛性以及对通信行为波形图进行聚类划分的准确性。

在其中一个实施例中，获取样本小区的关键绩效指标数据的步骤之后，还包括以下步骤：对关键绩效指标数据中的空值进行填零操作，并删除关键绩效指标数据中的重复项。

本实施例中，样本小区的关键绩效指标数据往往存在数据字段齐全但是存在空值、部分数据存在与之完全相同的重复项等问题，服务器可以对获取得到的关键绩效指标数据中的空值进行填零操作，对重复项删除，以最大程度减少数据的噪声影响。

参见图6，图6为本发明另一个实施例中小区场景类别划分模型的构建方法的流程图；本实施例中，小区场景类别划分模型的构建方法，包括以下步骤：

步骤S401：获取样本小区的关键绩效指标数据，对关键绩效指标数据中的空值进行填零操作，并删除关键绩效指标数据中的重复项。

本步骤中，服务器从***中导出某年全网的小区基站以小时为维度的全年的关键绩效指标数据，其中，每个关键绩效指标数据中包括字段包括：时间、小区名称CGI(CellGlobal Identifier，全球小区识别码)、天线角、小区带宽、工作频段、电信数据的吞吐量、上行物理资源块平均吞吐量、下行物理资源块平均吞吐量、RRC连接最大数、RRC连接建立请求次数、RRC连接建立成功次数、上行物理资源块平均利用率、下行物理资源块平均利用率、上行业务信息物理资源块占用率、下行业务信息物理资源块占用率、物理资源块上行平均干扰电平平均值、QPSK模式下行成功传输初始传输块数量、16QAM模式下行成功传输初始传输块数量、64QAM模式下行成功传输初始传输块数量、E-RAB掉线率、无线掉线率等。在采集到大量样本关键绩效指标数据后，服务器对样本关键绩效指标数据进行数据的基本清洗，将样本关键绩效指标数据中的零值进行填零操作，对其中的重复项进行删除，最大程度上减少数据噪声影响。

步骤S402：对关键绩效指标数据中的各字段数据与通信行为字段分别进行双变量相关性分析，去除与通信行为字段相关性低于阈值的字段数据获得通信行为特征数据。

本步骤中，关键绩效指标数据中字段数据众多，服务器可以对关键绩效指标数据中的字段数据进行数据聚类，也就是说，以网络吞吐量、接通率等与小区中用户的通信特征行为的相关字段为核心聚类，剔除噪声字段。具体的，对关键绩效指标数据中的各字段数据与通信行为字段分别进行双变量相关性分析，将关键绩效指标数据中的时间、小区名称CGI、天线角、小区带宽、工作频段等与通信行为字段相关性低于阈值、不会对小区通信行为特征产生大程度的变化的字段数据剔除，减少数据噪声的影响，其中，通信行为字段可以包括网络吞吐量，无线掉线率以及RRC连接成功次数等字段数据。

步骤S403：对各通信行为特征数据进行主成分分析，获得通信行为特征值。

本步骤中，关键绩效指标数据去除与通信行为字段相关性较低的字段数据后，最终筛选出十一个、两两之间的相关性大于0.5阈值的字段数据作为研究，这十一个字段数据包括网络吞吐量、RRC连接最大数、RRC连接建立请求次数、RRC连接建立成功次数、上行信道物理资源块利用率、下行信道物理资源块利用率、上行业务信息物理资源块占用率、下行业务信息物理资源块占用率、QPSK模式下行成功传输初始传输块数量、16QAM模式下行成功传输初始传输块数量以及64QAM模式下行成功传输初始传输块数量。将某年全网的小区基站以小时为维度的关键绩效指标数据中的通信行为特征数据作为基准数据，进行主成分分析，获取通信行为特征值。

步骤S404：利用通信行为特征值并结合时间粒度生成二维数组。

本步骤中，关键绩效指标数据可以以小时为维度导出的，在经过双变量相关性分析、主成分分析操作后，根据关键绩效指标数据可以用一维的通信行为特征值表征小区某个时间下的通信特征，服务器将属于同一个小区同一天在不同时间下的通信行为特征值结合其对应的时间生成二维数组，依据24小时顺序排列生成二维数组。

步骤S405：以时间粒度为横坐标、通信行为特征值为纵坐标生成通信行为原始图像。

本步骤中，服务器根据二维数组生成一个以时间为横坐标、通信行为特征值为纵坐标的24*24的二维坐标波形图，该二维坐标波形图即通信行为原始图像，进而获得了某年全网所有小区的每一天的表征通信行为特征的通信行为原始图像。

步骤S406：去除通信行为原始图像中的噪声，将去除噪声后的通信行为原始图像确定为通信行为波形图。

本步骤中，通信行为原始图像中的噪声包括二维坐标轴、图像边框、背景色等干扰因素；由于目前存在的图片生成工具对于生成的图片通常存在着坐标轴、图片边框等干扰因素，会对图片识别造成噪声影响，因此，通过将通信行为原始图像中的噪声去除，获取纯图像的波形图片。具体的，可以利用Python编程剔除通信行为原始图像中的坐标轴和边框等干扰噪声，获取纯图像的波形图片，以提高通信行为波形图表征通信行为特征的准确性，在后续采用通信行为波形图训练小区场景类别划分模型时，提高小区场景类别划分的准确性。

步骤S407：获取目标场景类别数目。

本步骤中，传统的场景类别数目通常在6类到13类，在此基础上，可以利用聚类算法分别以场景类别数目为6类至13类，将各个通信行为波形图划分为多类的场景类别中，获得6类到13类的聚类结果，对比各个聚类结果中各场景类别内的通信行为波形图的密集度、各类场景类别内之间的区别等指标，将聚类结果的总体质量最好的场景类别数目类别最为目标场景类别数目。最终，聚类结果的总体质量最好的场景类别数目类别为9类，将目标场景类别数目确定为9类。

步骤S408：根据目标场景类别数目，利用聚类算法将各通信行为波形图分别划分到数量为目标场景类别数目的不同场景聚类中，获取各场景聚类中心以及各场景聚类中心对应的场景类别。

本步骤中，将通信行为波形图进行聚类获取场景聚类中心后，针对每个场景聚类中心的通信行为特征确定每个场景聚类中心的场景类别，最终定义九类场景类别分别为：波浪型、故障型、加班区写字楼型、写字楼型、离散型、商场型、酒吧型、住宿区型以及乡村型。参见图7，图7为本发明一个实施例中，类型为写字楼型的小区的通信波形图，图中，0点到8点区间的通信行为较少，8点到19点的通信行为开始上升后并持续时段时间的峰值，19点到0点通信行为呈大幅度下降趋势，满足写字楼小区的通信行为特征。

步骤S409：将与各场景聚类中心的距离值小于预设距离值的通信行为波形图作为通行行为波形样本图。

步骤S410：根据各场景聚类中心对应的场景类别确定通行行为波形样本图对应的场景类别。

步骤S411：利用各通信行为波形样本图以及对应的场景类别对深度学习网络模型进行训练，将训练后的深度学习网络模型确定为小区场景类别划分模型。

本步骤中，在获取各个通信行为波形样本图及其对应的场景类别后，以此作为弱监督训练样本输入至深度学习网络模型进行有监督训练，具体的，各个通信行为波形样本图作为深度学习网络模型的输入项，各个通信行为波形样本图对应的场景类别作为深度学习网络模型的输出项，深度学习网络模型对输入的通信行为波形样本图进行分析训练，输出识别结果与通信行为波形样本图对应的场景类别对比，根据对比结果反向修正深度学习网络模型中各层网络的参数。其中，深度学习网络模型的结构如图8所示，该深度学习网络模型中池化层使用最大池化层以及随机池化层两种，随机池化层的步长设置为深度学习网络模型的训练的迭代次数设置为100000次，优化器使用的是Adadelta优化器，学习率设置为0.001，步长设置为0.0005。通过使用随机池化层的方式，增加该深度学习网络模型的模糊识别效果，提高了深度学习网络模型的鲁棒性。

本实施例中，通过获取小区的关键绩效指标数据，由关键绩效指标数据中与通信行为特征的相关字段数据降维获取通信行为特征值，进而筛选出通信行为波形样本图对深度学习网络模型进行训练，后续获取小区的关键绩效指标数据，可以依据该关键绩效指标数据快速将小区划分到不同的场景类别中，提高小区场景类别同步更新的效率，为定制规划建设方案、确定网络优化策略提供重要基础。

在其中一个实施例中，将训练后的深度学习网络模型确定为小区场景类别划分模型的步骤之后，还包括以下步骤：获取待划分小区的第一关键绩效指标数据，从所述第一关键绩效指标数据中获取所述待划分小区的第一通信行为特征数据；利用预设主成分系数矩阵对各所述第一通信行为相关数据进行主成分降维，获得所述待划分小区的第一通信行为特征值；利用各所述第一通信行为特征值并结合时间粒度生成第一通信行为波形图；根据所述第一通信行为波形图获取所述待划分小区的场景类别。

本实施例中，预设主成分系数矩阵可以在对样本小区的通信行为特征数据进行主成分分析时，根据主成分分析的系数筛选出一维元件得到；服务器获取一定时间段内待划分小区的关键绩效指标数据，从关键绩效指标数据中提取与通信行为相关的字段数据作为通信行为特征数据，并将待划分小区第一关键绩效指标数据中的第一通信行为特征数据与预设主成分系数矩阵相乘，将第一通信行为特征数据降维得到对应的一维的第一通信行为特征值，通过将通信行为特征值结合对应的时间生成通信行为波形图，在获得待划分小区的通信行为波形图后，将通信行为波形图的图形特征输入至将待划分小区的第一通信行为波形图输入至预先训练好的深度学习网络模型，获得待划分小区的场景类别。通过对深度学习网络模型的运用，能够在获取到小区的关键绩效指标数据的情况下，快速对小区的场景类型进行划分，在小区的地理环境、网络情况以及业务特征在后续使用中发生变化时实现小区场景类别的更新同步，进而为小区网络优化以及建设提供决策辅助。同时，通过获取小区的关键绩效指标数据，由关键绩效指标数据中与通信行为特征的相关字段数据降维获得通信行为特征值，进而根据通信行为特征值获取小区的通信行为波形图，以通信行为波形图作为小区的场景类别的划分依据，使得小区场景类别的划分的准确性大大提高，为定制规划建设方案、确定网络优化策略提供重要基础。

在其中一个实施例中，在获取小区场景类别划分模型输出的待划分小区的场景类别的步骤之后，还可以根据待划分小区的场景类别调整待划分小区的网络状态参数，以优化小区基站的配备，待划分小区的场景类别调整待划分小区的网络状态参数具体包括以下步骤：根据目标小区的场景类别确定对应的特征业务集；获取特征业务集中各特征业务的业务感知因子的质量参数以及基准值；根据业务感知因子的质量参数以及基准值从业务感知因子中确定感知优劣影响因子，并匹配影响感知优劣影响因子的目标网络参数；根据目标小区的预设的预期性能指标调整目标网络参数。

本实施例中，通过实时监控每天每个小区基站的关键绩效指标数据的情况，对场景类别变化的小区进行实时的场景类别划分，同时根据场景类别的划分结果获取该场景类别下的特征业务集，确定影响终端用户使用特征业务感受的感知优劣影响因子，并结合待划分小区的预期性能指标调整影响该感知优劣影响因子网络参数，实现针对小区的场景类别下的特征业务的感知优劣影响因子，精确地调整关键网络参数，有效改善小区网络的服务性能，提高网络优化效果，实现精细化调整优化网络。

在其中一个实施例中，同一种场景类别下的特征业务是一样的，不同场景类别下的特征业务是不同的，因此，可以预先获取每种场景类别下对应的特征业务集，具体步骤包括：获取目标小区的场景类别下，全量业务中各类业务的访问量以及流量；根据各类业务的访问量以及流量分别计算全量业务中各类业务的权重值；将权重值占比超过预设阈值的业务确定为目标小区的场景类别下对应的特征业务，获取特征业务集。

具体的，统计各类型场景类别下全量业务中各类型业务访问量以及流量，基于每类访问量以及流量的差异，得出各类型场景类别下各类业务的权重值，根据权重值的大小，选取业务权重值占比超过一定阈值的业务为该场景的特征业务，形成特征业务集。通过确定每个场景类别的特征业务集，在获得小区的场景类别分类结果时，能够快速确定该小区的特征业务集，从而获取该场景类别下的感知优劣影响因子以及对应的网络参数，提高***的优化效率。

应该理解的是，虽然图2至图6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2至图6中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

根据上述小区场景类别划分模型的构建方法，本发明还提供一种小区场景类别划分模型的构建装置，以下就本发明的小区场景类别划分模型的构建装置的实施例进行详细说明。

参见图9，图9为本发明一个实施例中小区场景类别划分模型的构建装置的结构示意图，一种小区场景类别划分模型的构建装置，包括：通信行为特征数据获取模块510、通信行为特征值获取模块520、通信行为波形图获取模块530、样本筛选模块540和划分模型获取模块550，其中：

通信行为特征数据获取模块510，用于获取样本小区的关键绩效指标数据，对关键绩效指标数据中的各字段数据与通信行为字段分别进行双变量相关性分析，去除与通信行为字段相关性低于阈值的字段数据获得通信行为特征数据；

通信行为特征值获取模块520，用于对各通信行为特征数据进行主成分分析，获得通信行为特征值；

通信行为波形图获取模块530，用于利用各通信行为特征值并结合时间粒度获取通信行为波形图；

样本筛选模块540，用于从各通信行为波形图中筛选通信行为波形样本图，并获取各通信行为波形样本图对应的场景类别；

划分模型获取模块550，用于利用各通信行为波形样本图以及对应的场景类别对深度学习网络模型进行训练，将训练后的深度学习网络模型确定为小区场景类别划分模型。

在其中一个实施例中，通信行为波形图获取模块530用于利用通信行为特征值并结合时间粒度生成二维数组；以时间粒度为横坐标、通信行为特征值为纵坐标生成通信行为原始图像；去除通信行为原始图像中的噪声，将去除噪声后的通信行为原始图像确定为通信行为波形图。

在其中一个实施例中，样本筛选模块540用于获取目标场景类别数目；根据目标场景类别数目，利用聚类算法将各通信行为波形图分别划分到数量为目标场景类别数目的不同场景聚类中，获取各场景聚类中心以及各场景聚类中心对应的场景类别；将与各场景聚类中心的距离值小于预设距离值的通信行为波形图作为通行行为波形样本图；根据各场景聚类中心对应的场景类别确定通行行为波形样本图对应的场景类别。

在其中一个实施例中，样本筛选模块540用于随机选取数量为目标场景类别数目的通信行为波形图作为各场景聚类的第一聚类中心；计算剩余的通信行为波形图到各第一聚类中心的距离值，将各剩余的通信行为波形图分别划分到与第一聚类中心距离值最小的场景聚类中，获得各通信行为波形图划分到不同场景聚类中的场景聚类结果；根据场景聚类结果计算各场景聚类的第二聚类中心，在各第二聚类中心与各第一聚类中心相等时，将各第二聚类中心作为各场景聚类中心，并确定各场景聚类中心对于的场景类别。

在其中一个实施例中，样本筛选模块540用于在各第二聚类中心与各第一聚类中心不相等时，将各第二聚类中心作为第一聚类中心，跳转执行计算剩余的通信行为波形图到各第一聚类中心的距离值的步骤。

在其中一个实施例中，通信行为特征数据获取模块510用于对关键绩效指标数据中的空值进行填零操作，并删除关键绩效指标数据中的重复项。

在其中一个实施例中，通信行为特征数据包括网络吞吐量、RRC连接指示值、上行信道物理资源块利用率、下行信道物理资源块利用率、上行业务信息物理资源块占用率、下行业务信息物理资源块占用率以及下行成功传输初始传输块数量中的至少一个。

关于小区场景类别划分模型的构建装置的具体限定可以参见上文中对于小区场景类别划分模型的构建方法的限定，在此不再赘述。上述小区场景类别划分模型的构建装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图10所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储全网小区的关键绩效指标数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种小区场景类别划分模型的构建方法。

本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在其中一个实施例中，本发明还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取样本小区的关键绩效指标数据，对关键绩效指标数据中的各字段数据与通信行为字段分别进行双变量相关性分析，去除与通信行为字段相关性低于阈值的字段数据获得通信行为特征数据；

对各通信行为特征数据进行主成分分析，获得通信行为特征值；

利用各通信行为特征值并结合时间粒度获取通信行为波形图；

从各通信行为波形图中筛选通信行为波形样本图，并获取各通信行为波形样本图对应的场景类别；

利用各通信行为波形样本图以及对应的场景类别对深度学习网络模型进行训练，将训练后的深度学习网络模型确定为小区场景类别划分模型。

在其中一个实施例中，处理器执行计算机程序实现利用各通信行为特征值并结合时间粒度获取通信行为波形图的步骤时，具体实现以下步骤：利用通信行为特征值并结合时间粒度生成二维数组；以时间粒度为横坐标、通信行为特征值为纵坐标生成通信行为原始图像；去除通信行为原始图像中的噪声，将去除噪声后的通信行为原始图像确定为通信行为波形图。

在其中一个实施例中，处理器执行计算机程序实现从各通信行为波形图中筛选通信行为波形样本图，并获取各通信行为波形样本图对应的场景类别的步骤时，具体实现以下步骤：获取目标场景类别数目；根据目标场景类别数目，利用聚类算法将各通信行为波形图分别划分到数量为目标场景类别数目的不同场景聚类中，获取各场景聚类中心以及各场景聚类中心对应的场景类别；将与各场景聚类中心的距离值小于预设距离值的通信行为波形图作为通行行为波形样本图；根据各场景聚类中心对应的场景类别确定通行行为波形样本图对应的场景类别。

在其中一个实施例中，处理器执行计算机程序实现利用聚类算法将各通信行为波形图分别划分到数量为目标场景类别数目的不同场景聚类中，获取各场景聚类中心以及各场景聚类中心对应的场景类别的步骤时，具体实现以下步骤：随机选取数量为目标场景类别数目的通信行为波形图作为各场景聚类的第一聚类中心；计算剩余的通信行为波形图到各第一聚类中心的距离值，将各剩余的通信行为波形图分别划分到与第一聚类中心距离值最小的场景聚类中，获得各通信行为波形图划分到不同场景聚类中的场景聚类结果；根据场景聚类结果计算各场景聚类的第二聚类中心，若各第二聚类中心与各第一聚类中心相等，则将各第二聚类中心作为各场景聚类中心，并确定各场景聚类中心对于的场景类别。

在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：若各第二聚类中心与各第一聚类中心不相等，则将各第二聚类中心作为第一聚类中心，跳转执行计算剩余的通信行为波形图到各第一聚类中心的距离值的步骤。

在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：对关键绩效指标数据中的空值进行填零操作，并删除关键绩效指标数据中的重复项。

在其中一个实施例中，通信行为特征数据包括网络吞吐量、RRC连接指示值、上行信道物理资源块利用率、下行信道物理资源块利用率、上行业务信息物理资源块占用率、下行业务信息物理资源块占用率以及下行成功传输初始传输块数量中的至少一个。

在其中一个实施例中，本发明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，计算机程序被处理器执行时实现以下步骤：

获取样本小区的关键绩效指标数据，对关键绩效指标数据中的各字段数据与通信行为字段分别进行双变量相关性分析，去除与通信行为字段相关性低于阈值的字段数据获得通信行为特征数据；

对各通信行为特征数据进行主成分分析，获得通信行为特征值；

利用各通信行为特征值并结合时间粒度获取通信行为波形图；

从各通信行为波形图中筛选通信行为波形样本图，并获取各通信行为波形样本图对应的场景类别；

利用各通信行为波形样本图以及对应的场景类别对深度学习网络模型进行训练，将训练后的深度学习网络模型确定为小区场景类别划分模型。

在其中一个实施例中，计算机程序被处理器执行实现利用各通信行为特征值并结合时间粒度获取通信行为波形图的步骤时，具体实现以下步骤：利用通信行为特征值并结合时间粒度生成二维数组；以时间粒度为横坐标、通信行为特征值为纵坐标生成通信行为原始图像；去除通信行为原始图像中的噪声，将去除噪声后的通信行为原始图像确定为通信行为波形图。

在其中一个实施例中，计算机程序被处理器执行实现从各通信行为波形图中筛选通信行为波形样本图，并获取各通信行为波形样本图对应的场景类别的步骤时，具体实现以下步骤：获取目标场景类别数目；根据目标场景类别数目，利用聚类算法将各通信行为波形图分别划分到数量为目标场景类别数目的不同场景聚类中，获取各场景聚类中心以及各场景聚类中心对应的场景类别；将与各场景聚类中心的距离值小于预设距离值的通信行为波形图作为通行行为波形样本图；根据各场景聚类中心对应的场景类别确定通行行为波形样本图对应的场景类别。

在其中一个实施例中，计算机程序被处理器执行实现利用聚类算法将各通信行为波形图分别划分到数量为目标场景类别数目的不同场景聚类中，获取各场景聚类中心以及各场景聚类中心对应的场景类别的步骤时，具体实现以下步骤：随机选取数量为目标场景类别数目的通信行为波形图作为各场景聚类的第一聚类中心；计算剩余的通信行为波形图到各第一聚类中心的距离值，将各剩余的通信行为波形图分别划分到与第一聚类中心距离值最小的场景聚类中，获得各通信行为波形图划分到不同场景聚类中的场景聚类结果；根据场景聚类结果计算各场景聚类的第二聚类中心，若各第二聚类中心与各第一聚类中心相等，则将各第二聚类中心作为各场景聚类中心，并确定各场景聚类中心对于的场景类别。

在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：若各第二聚类中心与各第一聚类中心不相等，则将各第二聚类中心作为第一聚类中心，跳转执行计算剩余的通信行为波形图到各第一聚类中心的距离值的步骤。

在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：对关键绩效指标数据中的空值进行填零操作，并删除关键绩效指标数据中的重复项。

在其中一个实施例中，通信行为特征数据包括网络吞吐量、RRC连接指示值、上行信道物理资源块利用率、下行信道物理资源块利用率、上行业务信息物理资源块占用率、下行业务信息物理资源块占用率以及下行成功传输初始传输块数量中的至少一个。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种小区场景类别划分模型的构建方法，其特征在于，包括以下步骤：

获取样本小区的关键绩效指标数据，对所述关键绩效指标数据中的各字段数据与通信行为字段分别进行双变量相关性分析，去除与通信行为字段相关性低于阈值的字段数据获得通信行为特征数据；

对各所述通信行为特征数据进行主成分分析，获得通信行为特征值；

利用各所述通信行为特征值并结合时间粒度获取通信行为波形图；

从各所述通信行为波形图中筛选通信行为波形样本图，并获取各所述通信行为波形样本图对应的场景类别；

利用各所述通信行为波形样本图以及对应的场景类别对深度学习网络模型进行训练，将训练后的深度学习网络模型确定为小区场景类别划分模型。

2.根据权利要求1所述的小区场景类别划分模型的构建方法，其特征在于，所述利用各所述通信行为特征值并结合时间粒度获取通信行为波形图的步骤，包括以下步骤：

利用所述通信行为特征值并结合时间粒度生成二维数组；

以时间粒度为横坐标、通信行为特征值为纵坐标生成通信行为原始图像；

去除所述通信行为原始图像中的噪声，将去除噪声后的通信行为原始图像确定为通信行为波形图。

3.根据权利要求1所述的小区场景类别划分模型的构建方法，其特征在于，所述从各所述通信行为波形图中筛选通信行为波形样本图，并获取各所述通信行为波形样本图对应的场景类别的步骤，包括以下步骤：

获取目标场景类别数目；

根据所述目标场景类别数目，利用聚类算法将各所述通信行为波形图分别划分到数量为目标场景类别数目的不同场景聚类中，获取各所述场景聚类中心以及各所述场景聚类中心对应的场景类别；

将与各所述场景聚类中心的距离值小于预设距离值的通信行为波形图作为通行行为波形样本图；

根据各场景聚类中心对应的场景类别确定所述通行行为波形样本图对应的场景类别。

4.根据权利要求3所述的小区场景类别划分模型的构建方法，其特征在于，所述利用聚类算法将各所述通信行为波形图分别划分到数量为目标场景类别数目的不同场景聚类中，获取各所述场景聚类中心以及各所述场景聚类中心对应的场景类别的步骤，包括以下步骤：

随机选取数量为目标场景类别数目的通信行为波形图作为各场景聚类的第一聚类中心；

计算剩余的通信行为波形图到各第一聚类中心的距离值，将各所述剩余的通信行为波形图分别划分到与第一聚类中心距离值最小的场景聚类中，获得各通信行为波形图划分到不同场景聚类中的场景聚类结果；

根据所述场景聚类结果计算各场景聚类的第二聚类中心，若各所述第二聚类中心与各第一聚类中心相等，则将各所述第二聚类中心作为各场景聚类中心，并确定各所述场景聚类中心对于的场景类别。

5.根据权利要求4所述的小区场景类别划分模型的构建方法，其特征在于，所述根据所述场景聚类结果计算各场景聚类的第二聚类中心的步骤之后，还包括以下步骤：

若各所述第二聚类中心与各第一聚类中心不相等，则将各所述第二聚类中心作为第一聚类中心，跳转执行计算剩余的通信行为波形图到各第一聚类中心的距离值的步骤。

6.根据权利要求1所述的小区场景类别划分模型的构建方法，其特征在于，所述获取样本小区的关键绩效指标数据的步骤之后，还包括以下步骤：

对所述关键绩效指标数据中的空值进行填零操作，并删除所述关键绩效指标数据中的重复项。

7.根据权利要求1所述的小区场景类别划分模型的构建方法，其特征在于，所述通信行为特征数据包括网络吞吐量、RRC连接指示值、上行信道物理资源块利用率、下行信道物理资源块利用率、上行业务信息物理资源块占用率、下行业务信息物理资源块占用率以及下行成功传输初始传输块数量中的至少一个。

8.一种小区场景类别划分模型的构建装置，其特征在于，包括：

通信行为特征数据获取模块，用于获取样本小区的关键绩效指标数据，对所述关键绩效指标数据中的各字段数据与通信行为字段分别进行双变量相关性分析，去除与通信行为字段相关性低于阈值的字段数据获得通信行为特征数据；

通信行为特征值获取模块，用于对各所述通信行为特征数据进行主成分分析，获得通信行为特征值；

通信行为波形图获取模块，用于利用各所述通信行为特征值并结合时间粒度获取通信行为波形图；

样本筛选模块，用于从各所述通信行为波形图中筛选通信行为波形样本图，并获取各所述通信行为波形样本图对应的场景类别；

划分模型获取模块，用于利用各所述通信行为波形样本图以及对应的场景类别对深度学习网络模型进行训练，将训练后的深度学习网络模型确定为小区场景类别划分模型。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的小区场景类别划分模型的构建步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的小区场景类别划分模型的构建步骤。