CN109996274B - Lte小区参数的调整方法、装置、设备及介质 - Google Patents

Lte小区参数的调整方法、装置、设备及介质 Download PDF

Info

Publication number
CN109996274B
CN109996274B CN201711492379.2A CN201711492379A CN109996274B CN 109996274 B CN109996274 B CN 109996274B CN 201711492379 A CN201711492379 A CN 201711492379A CN 109996274 B CN109996274 B CN 109996274B
Authority
CN
China
Prior art keywords
cell
neural network
parameters
data
layer
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.)
Active
Application number
CN201711492379.2A
Other languages
English (en)
Other versions
CN109996274A (zh
Inventor
赵明宇
简晨
雷鹤
赵杰卫
罗小勇
蔡远来
刁枫
杨波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Mobile Communications Group Co Ltd
China Mobile Group Sichuan Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Group Sichuan Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Mobile Communications Group Co Ltd, China Mobile Group Sichuan Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN201711492379.2A priority Critical patent/CN109996274B/zh
Publication of CN109996274A publication Critical patent/CN109996274A/zh
Application granted granted Critical
Publication of CN109996274B publication Critical patent/CN109996274B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
    • H04W28/18—Negotiating wireless communication parameters

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了LTE小区参数的调整方法、装置、设备及介质。该方法包括：将小区运行参数所涉及的数据进行归一化处理，生成不同维度的标准数据单元；对所述不同维度的标准数据单元进行样本训练，生成仿真模型；获取小区当前运行参数，并输入至所述仿真模型进行仿真；根据仿真结果对小区参数进行调整。本发明的技术方案能够用以对小区的参数进行有效的调整。

Description

LTE小区参数的调整方法、装置、设备及介质
技术领域
本发明涉及通信技术领域，尤其涉及一种LTE小区参数的调整方法、装置、设备及介质
背景技术
LTE小区运行参数是LTE网络中构成各种运作机制的发动机和零部件。关系到资源的配置和有效利用，对于网络覆盖、信令流量负荷、业务负荷分布、网络性能指标等都有极大的影响，并最终影响到网络质量和用户满意度。因此正确地设置小区运行参数是LTE网络正常运行的基础。
现有调整方法必须在调整后运行一段时间，才能通过采集网络指标获得调整效果。难以预估调整可能出现的问题，难以对调整结果做出预测，无法对参数调整给出有效的建议。而网络质量又是用户选择通信运营商的最重要因素，直接关系到通信运营商的经营业绩和利润。因此急需开拓新的思路和方法，用于建立有效的LTE参数调整效果仿真方法，为LTE参数调整提供支持。
发明内容
本发明实施例提供了一种LTE小区参数的调整方法、装置、设备及介质，用以对小区的参数进行有效的调整。
第一方面，本发明实施例提供了一种LTE小区参数的调整方法，方法包括：
将小区运行参数所涉及的数据进行归一化处理，生成不同维度的标准数据单元；
对所述不同维度的标准数据单元进行样本训练，生成仿真模型；
获取小区当前运行参数，并输入至所述仿真模型进行仿真；
根据仿真结果对小区参数进行调整。
优选的是，所述将小区运行参数所涉及的数据包括：小区性能统计数据、MR数据、投诉数据、基站小区配置数据、GIS图层数据。
优选的是，所述将小区运行参数所涉及的数据进行归一化处理，生成不同维度的标准数据单元的步骤，具体包括：
根据小区运行参数所涉及的数据所属类别和特点，确定归一维度；
按照归一维度，对数据进行处理；
根据处理后的数据，生成标准数据单元。
优选的是，所述对所述不同维度的标准数据单元进行样本训练，生成仿真模型的步骤，具体包括：
正向传播阶段：将所述不同维度的标准数据单元输入至初始神经网络中，通过所述初始神经网络输入层经隐含层，逐层处理并传向输出层，得到输出值；若所述输出值与目标输出值的误差大于阈值时，则进行反向传播阶段；
反向传播阶段：根据所述输出值与目标输出值的误差的平方和建立目标函数，逐层求出所述目标函数对各神经元权值的偏导数，构成目标函数对权值向量的梯量，根据所述梯量修改所述初始神经网络的权值，得到修改后的神经网络；
重复所述正向传播阶段和所述反向传播阶段，其中，当前正向传播阶段的初始神经网络为上一次反向传播阶段生成的修改后的神经网络；直至当前正向传播阶段的初始神经网络的输出值与目标输出值的误差小于阈值，得到仿真模型。
优选的是，首次正向传播阶段中的所述初始神经网络采用如下步骤训练的到：
提取小区的历史参数调整信息，所述历史参数调整信息包括调整的时间、小区、调整参数的名称、调整前后的参数值、小区覆盖栅格；
按照时间、小区、栅格信息，在归一化处理后的数据中，查找与该调整信息对应的标准数据单元；
建立初始神经网络；其中，查找到的与该调整信息对应的标准数据单元作为所述初始神经网络的输入特征。
优选的是，所述反向传播阶段，具体包括：
对于所述初始神经网络的输入特征和目标输出值，定义目标函数；
根据误差允许范围和所述目标函数，获取调整特征值；
根据调整特征值，构成目标函数对权值向量的梯量，根据所述梯量修改所述初始神经网络的权值，得到修改后的神经网络。
优选的是，所述获取小区当前运行参数，并输入至所述仿真模型进行仿真的步骤，具体包括：
根据小区运行参数涉及到的数据，输入其中一种或几种特征值至所述仿真模型；
根据仿真模型对特征值进行分析，预测指标情况；
输出预测结论。
优选的是，在所述将小区运行参数所涉及的数据进行归一化处理，生成不同维度的标准数据单元的步骤之前，还包括：
获取小区运行参数所涉及的数据的步骤。
第二方面，本发明实施例提供了一种LTE小区参数的调整装置，装置包括：
归一化处理模块，用于将小区运行参数所涉及的数据进行归一化处理，生成不同维度的标准数据单元；
训练模块，用于对所述不同维度的标准数据单元进行样本训练，生成仿真模型；
仿真模块，用于获取小区当前运行参数，并输入至所述仿真模型进行仿真；
调整模块，用于根据仿真结果对小区参数进行调整。
第三方面，本发明实施例提供了一种LTE小区参数的调整设备，包括：至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令，当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序指令，当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。
本发明实施例提供的LTE小区参数的调整方法、装置、设备及介质，通过基于神经网络(BP；Back Propagation，反向传播)对LTE小区参数设置，该方法充分考虑到多种数据的特性，充分考虑参数调整前后小区运行参数等的变化情况，利用神经网络算法为LTE小区运行参数调整提供科学的、量化的标准和指导。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，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为本发明的实施例1的LTE小区参数的调整方法的流程图；
图2为本发明的实施例2的LTE小区参数的调整方法的流程图；
图3为本发明的实施例2的LTE小区参数的调整方法的步骤S12的流程图；
图4为本发明的实施例2的LTE小区参数的调整方法的步骤S13的正向传播阶段的流程图；
图5为本发明的实施例2的LTE小区参数的调整方法的步骤S13的反向传播阶段的流程图；
图6为本发明的实施例2的LTE小区参数的调整方法的步骤S14的流程图；
图7为本发明的实施例3的LTE小区参数的调整装置的结构示意图；
图8为本发明的实施例4的LTE小区参数的调整设备的结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
结合图1所示，本发明实施例提供了一种LTE小区参数的调整方法，其包括如下步骤：
S01、将小区运行参数所涉及的数据进行归一化处理，生成不同维度的标准数据单元。
S02、对不同维度的标准数据单元进行样本训练，生成仿真模型，该仿真模型是一种神经网络。
S03、获取小区当前运行参数，并输入至仿真模型进行仿真。
S04、根据仿真结果对小区参数进行调整。
本发明实施例中的LTE小区参数的调整方法，通过基于反向传播(BP；BackPropagation)神经网络对LTE小区参数设置，该方法充分考虑到多种数据的特性，充分考虑参数调整前后小区运行参数等的变化情况，利用神经网络算法为LTE小区运行参数调整提供科学的、量化的标准和指导。
为了更清楚本发明实施例的具体实现方式，结合实施例2对本实施例的LTE小区参数的调整方法进行具体说明。
结合图2所示，本发明实施例2提供了一种LTE小区参数的调整方法，其具体包括如下步骤：
S11、导入综合数据：获取小区运行参数所涉及的数据，包括小区性能统计数据、MR数据、投诉数据、基站小区配置数据、GIS图层数据等。
S12、归一化处理：将小区运行参数所涉及的数据进行归一化处理，生成不同维度的标准数据单元。
结合图3所示，该步骤具体包括如下步骤：
S121、根据小区运行参数所涉及的数据所属类别和特点，确定归一维度；例如：MR数据归一维度为栅格，小区性能数据的归一维度为网元、投诉数据的归一维度为呼叫和栅格。
S122、按照归一维度，对数据进行处理。
S123、根据处理后的数据，生成标准数据单元。
S13、对所述不同维度的标准数据单元进行样本训练，生成仿真模型。对于该步骤可以采用以下方式生成仿真模型。
正向传播阶段：将所述不同维度的标准数据单元输入至初始神经网络中，通过所述初始神经网络输入层经隐含层，逐层处理并传向输出层，得到输出值；若所述输出值与目标输出值的误差大于阈值时，则进行反向传播阶段。
反向传播阶段：根据所述输出值与目标输出值的误差的平方和建立目标函数，逐层求出所述目标函数对各神经元权值的偏导数，构成目标函数对权值向量的梯量，根据所述梯量修改所述初始神经网络的权值，得到修改后的神经网络。
重复所述正向传播阶段和所述反向传播阶段，其中，当前正向传播阶段的初始神经网络为上一次反向传播阶段生成的修改后的神经网络；直至当前正向传播阶段的初始神经网络的输出值与目标输出值的误差小于阈值，得到仿真模型。
其中，结合图4所示，首次正向传播阶段中的所述初始神经网络采用如下步骤训练得到：
S1311、提取小区的历史参数调整信息，所述历史参数调整信息包括调整的时间、小区、调整参数的名称、调整前后的参数值、小区覆盖栅格。
S1312、按照时间、小区、栅格信息，在归一化处理后的数据中，查找与该调整信息对应的标准数据单元。
S1313、建立初始神经网络；其中，查找到的与该调整信息对应的标准数据单元作为所述初始神经网络的输入特征。
建立初始神经网络的目的就是把调整特征输入到神经网络模型，得到预测结果。预测结果与实际结果进行比较，最后判断当前的神经网络模型是否足够完善。
对于反向传播阶段，是根据正向传播阶段所得到的预测结果与实际结果进行比较来调整初始神经网络参数。结合图5所示，反向传播阶段具体可以包括如下步骤：
S1321、神经网络算法是建立在梯度下降基础上的，希望误差的能量函数最小。对于所述初始神经网络的输入特征和目标输出值，定义平方误差能量函数，也即定义目标函数如下：
Figure BDA0001535810600000071
其中，输入向量x为S1312中按照时间、小区、栅格信息查找到的各个数据单元，标签y为初始神经网路的输出值，也即预测结果。
S1322、根据误差允许范围和所述目标函数，计算调整特征值。
在该步骤中，要找到一个合适的W和b(其中W是一组权重值，是记录S1312中各个标准数据单元在神经网络模型中的权重值，即数据重要性。B是一组阈值，是记录S1312中各个标准数据单元得出相应预测结果的分界值，即判断依据)，使J(W,b；x,y)最小，即：
minimizeW，bJ(W，b；x，y) (1)；
使用梯度下降法:
Figure BDA0001535810600000072
Figure BDA0001535810600000073
α为学习率。
下面通过推导求
Figure BDA0001535810600000081
Figure BDA0001535810600000082
Figure BDA0001535810600000083
将误差项：
Figure BDA0001535810600000084
代入(4)(5)式，有：
Figure BDA0001535810600000085
Figure BDA0001535810600000086
或矢量化形式：
Figure BDA0001535810600000087
Figure BDA0001535810600000088
其中：
Figure BDA0001535810600000089
若l层为输出层，则:
Figure BDA0001535810600000091
则：
Figure BDA0001535810600000092
或：
δ(l)＝(a(l)-y)·f′(Z(l)) (13)；
若l层是隐藏层，根据复合函数求导公式，对J求
Figure BDA0001535810600000093
的偏导数有：
Figure BDA0001535810600000094
代入(6)式，有：
Figure BDA0001535810600000095
矢量化后有：
δ(l)＝((W(l+1))Tδ(l+1))·f′(Z(l)) (16)；
至此修改后的神经网络特征值，即权重W、阈值B计算完成。
S1323、根据以上神经网络模型，建立调整值与神经网络之间的对应关系，当给出调整值时，即可计算出参数调整仿真结果。也即根据调整特征值，构成目标函数对权值向量的梯量，根据所述梯量修改所述初始神经网络的权值，得到修改后的神经网络。
S14、仿真和预测并输出结果：获取小区当前运行参数，并输入至所述仿真模型进行仿真；结合图6所示，该步骤具体可采用如下方法实现：
S141、根据小区运行参数涉及到的数据，输入其中一种或几种特征值至所述仿真模型。
S142、根据仿真模型对特征值进行分析，预测指标情况。
S143、输出预测结论。
接下来，可以根据预测的结论来设置小区参数。例如，当预测的结论是调整效果较好时，调整小区参数；预测的结论是调整效果差于当前参数时，不调整小区参数。
本发明实施例的LTE小区参数的调整方法，充分融合了网优分析的各类数据，包括小区性能数据、MR数据、投诉数据等，根据已有参数调整前后网络指标变化情况，建立参数调整神经网络模型，从而解决了无法预测参数调整后网络指标情况的问题。该方法有效提升了参数调整效率，为网优参数设置提供科学的、量化的标准和指导。
结合图7所示，本发明实施例提供了一种LTE小区参数的调整装置，其可以采用实施例1或2中的LTE小区参数的调整方法对小区参数进行设置。该装置具体包括：归一化处理模块301、训练模块302、仿真模块303、调整模块304。
其中，归一化处理模块301用于将小区运行参数所涉及的数据进行归一化处理，生成不同维度的标准数据单元；训练模块302用于对所述不同维度的标准数据单元进行样本训练，生成仿真模型；仿真模块303用于获取小区当前运行参数，并输入至所述仿真模型进行仿真；调整模块304用于根据仿真结果对小区参数进行调整。
优选的，本发明实施例中的LTE小区参数的调整装置，还包括采集模块，用于采集小区运行参数所涉及的数据，具体包括小区性能统计数据、MR数据、投诉数据、基站小区配置数据、GIS图层数据等。
优选的，归一化处理模块301包括：归一维度确定单元、处理单元、生成单元；其中，归一维度确定单元用于根据小区运行参数所涉及的数据所属类别和特点，确定归一维度；例如：MR数据归一维度为栅格，小区性能数据的归一维度为网元、投诉数据的归一维度为呼叫和栅格；处理单元用于按照归一维度，对数据进行处理；生成单元用于根据处理后的数据，生成标准数据单元。
优选的，训练模块302具体包括正向传播训练单元和反向传播训练单元；其中，正向传播训练单元用于将所述不同维度的标准数据单元输入至初始神经网络中，通过所述初始神经网络输入层经隐含层，逐层处理并传向输出层，得到输出值；若所述输出值与目标输出值的误差大于阈值时，则进行反向传播阶段；反向传播训练单元用于根据所述输出值与目标输出值的误差的平方和建立目标函数，逐层求出所述目标函数对各神经元权值的偏导数，构成目标函数对权值向量的梯量，根据所述梯量修改所述初始神经网络的权值，得到修改后的神经网络。
其中，仿真模块303具体用于根据小区运行参数涉及到的数据，输入其中一种或几种特征值至所述仿真模型；根据仿真模型对特征值进行分析，预测指标情况，输出预测结论。
本发明实施例的LTE小区参数的调整装置可以采用实施例1或2中LTE小区参数的调整方法，充分融合了网优分析的各类数据，包括小区性能数据、MR数据、投诉数据等，根据已有参数调整前后网络指标变化情况，建立参数调整神经网络模型，从而解决了无法预测参数调整后网络指标情况的问题。该方法有效提升了参数调整效率，为网优参数设置提供科学的、量化的标准和指导。
本实施例中的提供了一种本发明实施例的LTE小区参数的调整设备，结合图1、2描述的本发明实施例的LTE小区参数的调整方法可以由LTE小区参数的调整设备来实现。图8示出了本发明实施例提供的LTE小区参数的调整设备的硬件结构示意图。
LTE小区参数的调整设备可以包括处理器401以及存储有计算机程序指令的存储器402。
具体地，上述处理器401可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器402可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器402可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器402可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器402可在数据处理装置的内部或外部。在特定实施例中，存储器402是非易失性固态存储器。在特定实施例中，存储器402包括只读存储器(ROM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器401通过读取并执行存储器402中存储的计算机程序指令，以实现上述实施例中的任意一种LTE小区参数的调整方法。
在一个示例中，LTE小区参数的调整设备还可包括通信接口403和总线410。其中，如图4所示，处理器401、存储器402、通信接口403通过总线410连接并完成相互间的通信。
通信接口403，主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
总线410包括硬件、软件或两者，将LTE小区参数的调整设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、***组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线410可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。
本发明实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种LTE小区参数的调整方法。
需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或***。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的***、模块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。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种LTE小区参数的调整方法，其特征在于，所述方法包括：
将小区运行参数所涉及的数据进行归一化处理，生成不同维度的标准数据单元；
对所述不同维度的标准数据单元进行样本训练，生成仿真模型；
获取小区当前运行参数，并输入至所述仿真模型进行仿真；
根据仿真结果对小区参数进行调整；
所述对所述不同维度的标准数据单元进行样本训练，生成仿真模型的步骤，包括：
正向传播阶段：将所述不同维度的标准数据单元输入至初始神经网络中，通过所述初始神经网络输入层经隐含层，逐层处理并传向输出层，得到输出值；若所述输出值与目标输出值的误差大于阈值时，则进行反向传播阶段；
反向传播阶段：根据所述输出值与目标输出值的误差的平方和建立目标函数，逐层求出所述目标函数对各神经元权值的偏导数，构成目标函数对权值向量的梯量，根据所述梯量修改所述初始神经网络的权值，得到修改后的神经网络；
重复所述正向传播阶段和所述反向传播阶段，其中，当前正向传播阶段的初始神经网络为上一次反向传播阶段生成的修改后的神经网络；直至当前正向传播阶段的初始神经网络的输出值与目标输出值的误差小于阈值，得到仿真模型。
2.根据权利要求1所述的方法，其特征在于，所述小区运行参数所涉及的数据包括如下项中的至少一项：小区性能统计数据、MR数据、投诉数据、基站小区配置数据、GIS图层数据。
3.根据权利要求1所述的方法，其特征在于，所述将小区运行参数所涉及的数据进行归一化处理，生成不同维度的标准数据单元的步骤，包括：
根据小区运行参数所涉及的数据所属类别和特点，确定归一维度；
按照归一维度，对数据进行处理；
根据处理后的数据，生成标准数据单元。
4.根据权利要求1所述的方法，其特征在于，首次正向传播阶段中的所述初始神经网络采用如下步骤训练得到：
提取小区的历史参数调整信息，所述历史参数调整信息包括调整的时间、小区、调整参数的名称、调整前后的参数值、小区覆盖栅格；
按照时间、小区、栅格信息，在归一化处理后的数据中，查找与该调整信息对应的标准数据单元；
建立初始神经网络；其中，查找到的与该调整信息对应的标准数据单元作为所述初始神经网络的输入特征。
5.根据权利要求4所述的方法，其特征在于，所述反向传播阶段包括：
对于所述初始神经网络的输入特征和目标输出值，定义目标函数；
根据误差允许范围和所述目标函数，获取调整特征值；
根据调整特征值，构成目标函数对权值向量的梯量，根据所述梯量修改所述初始神经网络的权值，得到修改后的神经网络。
6.根据权利要求5所述的方法，其特征在于，所述获取小区当前运行参数，并输入至所述仿真模型进行仿真的步骤，包括：
根据小区运行参数涉及到的数据，输入其中一种或几种特征值至所述仿真模型；
根据仿真模型对特征值进行分析，预测指标情况；
输出预测结论。
7.根据权利要求1所述的方法，其特征在于，在所述将小区运行参数所涉及的数据进行归一化处理，生成不同维度的标准数据单元的步骤之前，还包括：
获取小区运行参数所涉及的数据的步骤。
8.一种LTE小区参数的调整装置，其特征在于，所述装置包括：
归一化处理模块，用于将小区运行参数所涉及的数据进行归一化处理，生成不同维度的标准数据单元；
训练模块，用于对所述不同维度的标准数据单元进行样本训练，生成仿真模型；
仿真模块，用于获取小区当前运行参数，并输入至所述仿真模型进行仿真；
调整模块，用于根据仿真结果对小区参数进行调整；
训练模块，具体包括：
正向传播训练单元，用于将所述不同维度的标准数据单元输入至初始神经网络中，通过所述初始神经网络输入层经隐含层，逐层处理并传向输出层，得到输出值；若所述输出值与目标输出值的误差大于阈值时，则进行反向传播阶段；
反向传播训练单元，用于根据所述输出值与目标输出值的误差的平方和建立目标函数，逐层求出所述目标函数对各神经元权值的偏导数，构成目标函数对权值向量的梯量，根据所述梯量修改所述初始神经网络的权值，得到修改后的神经网络；
重复正向传播阶段和所述反向传播阶段，其中，当前正向传播阶段的初始神经网络为上一次反向传播阶段生成的修改后的神经网络；直至当前正向传播阶段的初始神经网络的输出值与目标输出值的误差小于阈值，得到仿真模型。
9.一种LTE小区参数的调整设备，其特征在于，包括：至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令，当所述计算机程序指令被所述处理器执行时实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，当所述计算机程序指令被处理器执行时实现如权利要求1-7中任一项所述的方法。
CN201711492379.2A 2017-12-30 2017-12-30 Lte小区参数的调整方法、装置、设备及介质 Active CN109996274B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711492379.2A CN109996274B (zh) 2017-12-30 2017-12-30 Lte小区参数的调整方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711492379.2A CN109996274B (zh) 2017-12-30 2017-12-30 Lte小区参数的调整方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN109996274A CN109996274A (zh) 2019-07-09
CN109996274B true CN109996274B (zh) 2022-06-03

Family

ID=67111106

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711492379.2A Active CN109996274B (zh) 2017-12-30 2017-12-30 Lte小区参数的调整方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN109996274B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111314926B (zh) * 2020-01-15 2021-02-09 徐康庭 覆盖关系确定方法、装置及计算机可读存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102098689B (zh) * 2009-12-14 2013-03-27 中国联合网络通信集团有限公司 室内分布无线网络的天线自动布置方法及装置
CN103385018B (zh) * 2012-12-03 2018-02-02 华为技术有限公司 网络仿真方法及服务器
CN103338468A (zh) * 2012-12-27 2013-10-02 上海华为技术有限公司 一种移动性性能增强方法、及装置
WO2016095826A1 (en) * 2014-12-17 2016-06-23 Huawei Technologies Co., Ltd. Method and apparatus for determining cell states to adjust antenna configuration parameters
CN106851671A (zh) * 2015-12-07 2017-06-13 中国联合网络通信集团有限公司 确定网络状况的方法及装置

Also Published As

Publication number Publication date
CN109996274A (zh) 2019-07-09

Similar Documents

Publication Publication Date Title
CN108280542B (zh) 一种用户画像模型的优化方法、介质以及设备
CN109951306B (zh) 告警的处理方法、装置、设备及介质
CN109874104B (zh) 用户位置定位方法、装置、设备及介质
CN109684851A (zh) 软件质量评估方法、装置、设备及计算机存储介质
CN108596398B (zh) 基于条件随机场与Stacking算法的时间序列预测方法和装置
CN109993183B (zh) 网络故障评估方法、装置、计算设备及存储介质
CN111835537A (zh) 一种通信网络级联故障中节点识别方法、装置及设备
CN109362092B (zh) 网络参数调整方法、装置、设备及介质
CN111582315B (zh) 样本数据处理方法、装置及电子设备
CN109996274B (zh) Lte小区参数的调整方法、装置、设备及介质
CN115291108A (zh) 数据生成方法、装置、设备及计算机程序产品
CN108377508B (zh) 基于测量报告数据的用户感知分类方法和装置
CN115545533A (zh) 数据处理方法、装置、设备、介质及产品
CN114417830A (zh) 风险评价方法、装置、设备及计算机可读存储介质
CN112749998A (zh) 收入信息输出方法、装置、电子设备及计算机存储介质
CN113112102A (zh) 优先级确定方法、装置、设备及存储介质
CN113627730A (zh) 一种企业评估方法、装置、设备及计算机存储介质
CN117580090B (zh) 移动终端通信稳定性测试方法及***
CN109993388B (zh) 劣化小区主因判断方法、装置、设备及介质
CN111984634B (zh) 告警事务提取方法、装置、设备及计算机存储介质
CN111310959A (zh) 风力发电机组损坏预测分析方法、装置、设备及存储介质
CN114547101B (zh) 数据中台的数据质量评估方法、装置、设备及存储介质
CN111091284A (zh) 通信事故识别模型的训练方法、装置、设备及存储介质
CN114158060B (zh) 一种小区网络优化方法及装置
CN110602652B (zh) 投诉模型的训练方法、用户投诉的预测方法、装置及设备

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