CN111935741B - 通信网络质差小区的检测方法、装置及*** - Google Patents

Abstract

本发明提供一种通信网络质差小区的检测方法、装置及***，该方法，包括：获取通信网络运行指标参数集，其中所述指标参数集包括多个初始指标参数，所述初始指标参数用来表征通信网络运行的状态；根据所述指标参数集，确定目标指标参数，其中所述通信网络运行的状态仅通过所述目标指标参数来表示；根据通信网络运行小区对应的目标指标参数和预设关联规则模型，得到通信网络质差的小区；其中所述预设关联规则模型用于确定通信网络运行的小区环境与所述目标指标参数的相关度，以根据所述相关度来确定网络运行质差的小区。实现了通信网络运行质差小区检测的准确率，减少人工成本的同时，提高网络运行维护的有效性。

Description

通信网络质差小区的检测方法、装置及***

技术领域

本发明涉及通信网络技术领域，尤其涉及一种通信网络质差小区的检测方法、装置及***。

背景技术

通信网络质差小区优化及故障定位是现行无线网络维护和优化的重要工作。由于现有网络指标众多，同样可用于评价网络质量的指标也非常多，例如现有各网管中可提取的指标多达百种。

目前无线网络优化方法基本上都是基本人工或者半人工的方式进行网络优化和质差小区分析及问题定位，这种传统的网络优化方法不仅需要更多的步骤和时间并且分析基于经验和常识。

另外依靠人工参与，获得网络质差小区的检测不仅耗费时间长，且准确度不高。

发明内容

本发明提供一种通信网络质差小区的检测方法、装置及***，以实现通信网络运行质差小区检测的准确率，减少人工成本的同时，提高网络运行维护的有效性。

第一方面，本发明实施例提供的一种通信网络质差小区的检测方法，包括：

获取通信网络运行指标参数集，其中所述指标参数集包括多个初始指标参数，所述初始指标参数用来表征通信网络运行的状态；

根据所述指标参数集，确定目标指标参数，其中所述通信网络运行的状态仅通过所述目标指标参数来表示；

根据通信网络运行小区对应的目标指标参数和预设关联规则模型，得到通信网络质差的小区；其中所述预设关联规则模型用于确定通信网络运行的小区环境与所述目标指标参数的相关度，以根据所述相关度来确定网络运行质差的小区。

在一种可选的实施例中，根据所述指标参数集，确定目标指标参数，包括：

将所述指标参数集进行划分，得到多个区间段，所述区间段中包括多个初始指标参数；

若所述区间段中所述初始指标参数符合预设条件，则保留所述区间段；

根据保留区间段中的第一指标参数，获取所述第一指标参数在通信网络运行对应的价值；

将所述价值大于预设阈值时对应的所述第一指标参数，确定为所述目标指标参数。

在一种可选的实施例中，获取第一指标参数在通信网络运行对应的价值，包括：

将第一指标参数对应的价值按照从大到小进行排序，获得处于预设排序范围的价值。

在一种可选的实施例中，所述预设关联规则模型用于根据通信网络运行小区环境结合不同的目标指标参数，得到多个相关度，且通过输入大量预设时段的所述目标指标参数训练获得最高相关度，其中所述最高相关度为所述相关度中至少一个。

在一种可选的实施例中，在根据通信网络运行小区对应的目标指标参数和预设关联规则模型，得到通信网络质差的小区之前，还包括：

对通信网络运行小区的目标指标参数对应数据值进行清洗后，将所述目标指标参数对应数据值进行划分处理，得到多个区间值段，且每个所述区间值段包括多个处理后的目标指标参数对应数据值。

第二方面，本发明实施例提供的一种通信网络质差小区的检测装置，包括：

获取模块，用于获取通信网络运行指标参数集，其中所述指标参数集包括多个初始指标参数，所述初始指标参数用来表征通信网络运行的状态；

确定模块，用于根据所述指标参数集，确定目标指标参数，其中所述通信网络运行的状态仅通过所述目标指标参数来表示；

得到模块，用于根据通信网络运行小区对应的目标指标参数和预设关联规则模型，得到通信网络质差的小区；其中所述预设关联规则模型用于确定通信网络运行的小区环境与所述目标指标参数的相关度，以根据所述相关度来确定网络运行质差的小区。

在一种可选的实施例中，根据所述指标参数集，确定目标指标参数，包括：

将所述指标参数集进行划分，得到多个区间段，所述区间段中包括多个初始指标参数；

若所述区间段中所述初始指标参数符合预设条件，则保留所述区间段；

根据保留区间段中的第一指标参数，获取所述第一指标参数在通信网络运行对应的价值；

将所述价值大于预设阈值时对应的所述第一指标参数，确定为所述目标指标参数。

在一种可选的实施例中，获取第一指标参数在通信网络运行对应的价值，包括：

将第一指标参数对应的价值按照从大到小进行排序，获得处于预设排序范围的价值。

在一种可选的实施例中，所述预设关联规则模型用于根据通信网络运行小区环境结合不同的目标指标参数，得到多个相关度，且通过输入大量预设时段的所述目标指标参数训练获得最高相关度，其中所述最高相关度为所述相关度中至少一个。

在一种可选的实施例中，在根据通信网络运行小区对应的目标指标参数和预设关联规则模型，得到通信网络质差的小区之前，还包括：

对通信网络运行小区的目标指标参数对应数据值进行清洗后，将所述目标指标参数对应数据值进行划分处理，得到多个区间值段，且每个所述区间值段包括多个处理后的目标指标参数对应数据值。

第三方面，本发明实施例提供的一种通信网络质差小区的检测***，包括：存储器和处理器，存储器中存储有所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行第一方面中所述的通信网络质差小区的检测方法。

第四方面，本发明实施例提供的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实现第一方面中任一项所述的通信网络质差小区的检测方法。

本发明提供一种通信网络质差小区的检测方法、装置及***，该方法，包括：获取通信网络运行指标参数集，其中所述指标参数集包括多个初始指标参数，所述初始指标参数用来表征通信网络运行的状态；根据所述指标参数集，确定目标指标参数，其中所述通信网络运行的状态仅通过所述目标指标参数来表示；根据通信网络运行小区对应的目标指标参数和预设关联规则模型，得到通信网络质差的小区；其中所述预设关联规则模型用于确定通信网络运行的小区环境与所述目标指标参数的相关度，以根据所述相关度来确定网络运行质差的小区。实现了通信网络运行质差小区检测的准确率，减少人工成本的同时，提高网络运行维护的有效性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种通信网络质差小区的检测方法流程图；

图2为本发明实施例提供的价值示意图一；

图3为本发明实施例提供的价值示意图二；

图4为本发明实施例提供的价值示意图三；

图5为本发明实施例可视化数据图的示意图一；

图6为本发明实施例可视化数据图的示意图二；

图7为本发明实施例可视化数据图的示意图三；

图8为本发明实施例可视化数据图的示意图四；

图9为本发明实施例提供的离散化数据值的示意图；

图10为本发明实施例提供的初始指标参数的示意图；

图11为本发明实施例提供的目标指标参数的示意图；

图12为本发明实施例提供的一种通信网络质差小区的检测装置的结构示意图；

图13为本发明实施例提供的一种通信网络质差小区的检测***的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、产品或设备固有的其它步骤或单元。

下面以具体地实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。

现有技术，无线网络优化方法基本上都是基本人工或者半人工的方式进行网络优化和质差小区分析及问题定位，这种传统的网络优化方法不仅需要更多的步骤和时间并且分析基于经验和常识。另外依靠人工参与，获得网络质差小区的检测不仅耗费时间长，且准确度不高。

图1为本发明实施例提供的一种通信网络质差小区的检测方法流程图，如图1所示，本实施例中通信网络质差小区的检测方法可以包括：

S101、获取通信网络运行指标参数集，其中指标参数集包括多个初始指标参数，且初始指标参数用来表征通信网络运行的状态。

具体的，通信网络运行的状态可以包括网络运行质量高(即质高)、网络运行质量差(即质差)、网络吞吐量、丢包率以及可靠性等等，本发明主要检测网络运行的质量，例如质高或者质差。

本实施例中，从通信网络运行数据库中读取自忙时区中的大量数据，例如通信网络运行一天之内的数据量高达217万条，即使删除掉空值数据后仍具有大约64万条的数据量，现有技术面对巨大的数据量不便梳理出网络运行质差的原因以及影响网络运行质差的因素。故本实施例通过从网络运行数据库中读取42项初始指标参数，且这些初始指标参数可以用来表征通信网络运行质量的好坏，因此将这42项初始指标参数进行记录存储，例如形成RFDATA.csv格式的指标参数集，以便根据该指标参数集来获取影响网络运行质差的因素。其中本实施例不对自忙时区进行限定，例如可以包括每小时网络运行不处空闲状态的时间段，从而可以将每小时划分为多个时间段。

S102、根据指标参数集，确定目标指标参数，其中通信网络运行的状态仅通过目标指标参数来表示。

具体结合上述实施例，获取包含42项初始指标参数的指标数据集，由于采用所有的初始指标参数来表征通信网络运行状态的好坏，准确性不高，因为影响通信网络运行状态好坏的因素不是越多越多，在一些可选的实施例中，影响通信网络运行状态的因素越少时，反而更容易发现通信网络运行质差的小区，以及更易梳理出网络运行质差的原因。

因此从42项初始指标参数中筛选出少数来作为目标指标参数，进而利用至少一项目标指标参数来表示通信网络运行的好坏，以及梳理通信网络运行质差的原因。

S103、根据通信网络运行小区对应的目标指标参数和预设关联规则模型，得到通信网络质差的小区。

其中，预设关联规则模型用于确定通信网络运行的小区环境与目标指标参数的相关度，以便将通信网络运行小区对应的目标指标参数输入至预设关联规则模型，通过相关度来确定网络运行质差的小区。其中预设关联规则模型中相关度表示目标指标参数与通信网络运行的小区环境的关联情况，例如若相关度高，则表示目标指标参数与通信网络运行的小区环境的关联紧密，即该目标指标参数为影响通信网络运行好坏的重要因素；若相关度低，则表示目标指标参数与通信网络运行的小区环境的关联较远，即该目标指标参数不能用来表示影响通信网络运行好坏的重要因素。

本发明实施例以实现通信网络运行质差小区检测的准确率，减少人工成本的同时，提高网络运行维护的有效性。

在一种可选的实施例中，根据指标参数集，确定目标指标参数，包括：将指标参数集进行划分，得到多个区间段，区间段中包括多个初始指标参数；若区间段中初始指标参数符合预设条件，则保留区间段；根据保留区间段中的第一指标参数，获取第一指标参数在通信网络运行对应的价值；将价值大于预设阈值时对应的第一指标参数，确定为目标指标参数。

本实施例中，通过采用随机森林算法从多个初始指标参数中筛选出至少一项目标指标参数，例如随机森林属于Bagging类型，采用其运行大数据集的优点，能够评估各个初始指标参数对分类结果的重要性，具体通过组合多个弱分类器，将最终分类结果划分为好或坏，且将分类结果为好的初始指标参数确定为目标指标参数。

具体的，结合上述实施例将包含42项初始指标参数的指标参数集进行离散划分，例如分别将每个初始指标参数的多个连续数据值划分为多个区间段，且每个区间段包含多个初始指标参数的数据值，例如区间段可以包括0-100，20-50等等。进而通过随机森林算法若检测区间段中初始指标参数的数据值符合预设条件，则保留该区间段，例如20-50区间段，其中数据值均大于15，则保留该20-50区间段。其中预设条件可以包括数据值属于特定范围，本实施例不作具体限定。进而根据保留区间段对应初始指标参数(例如第一指标参数)，获取每个初始指标参数在通信网络运行对应的价值，其中价值用于评价该初始指标参数在通信网络运行过程中的分数值，且该价值可以通过现有网络搜索技术来获得。进一步将价值大于预设阈值对应的第一指标参数确定为目标指标参数。例如目标指标参数可以包括CQI(Channel Quality Indication,信道质量指示)、PRB(Physical Resource Block，物理资源块)、感知速率(表示为用户感知速率)等。

例如获得目标指数参数CQI、PRB以及感知速率的具体过程可以分别通过下面的程序代码一、程序代码二以及程序代码三来获得。其中程序代码一为

param_grids＝{'n_estimators':range(10,71,10),'min_samples_split':range(80,150,20),'min_samples_leaf':range(10,60,10),'max_features':range(3,11,2)}

[Parallel(n_jobs＝7)]:Done 2800out of 2800|elapsed:1082.5min finished

Best score:0.6936287897877829

Best parameters:{'max_features':9,'min_samples_leaf':10,'min_samples_split':80,'n_estimators':70}

程序代码二为

param_grids＝{'n_estimators':range(30,71,10),'min_samples_split':range(30,91,20),'min_samples_leaf':range(5,30,10),'max_features':range(3,11,3)}

[Parallel(n_jobs＝1)]:Done 540out of 540|elapsed:181.7min finished

Best score:0.9998622677921057

Best parameters:{'max_features':9,'min_samples_leaf':5,'min_samples_split':30,'n_estimators':30}

程序代码三为

param_grids＝{'n_estimators':range(30,71,10),'min_samples_split':range(30,91,20),'min_samples_leaf':range(5,30,10),'max_features':range(3,11,3)}

[Parallel(n_jobs＝7)]:Done 540out of 540|elapsed:218.7min finished

Best score:0.6989001770171899

Best parameters:{'max_features':9,'min_samples_leaf':5,'min_samples_split':30,'n_estimators':70}。

进而通过网络搜索将价值大于预设阈值的初始指标参数，例如第一指标参数，确定为目标指标参数。例如CQI:max_features＝9,min_samples_leaf＝10,min_samples_split＝80,n_estimators＝70；PRB:max_features＝9,min_samples_leaf＝5,min_samples_split＝30,n_estimators＝30；感知速率:max_features＝9,min_samples_leaf＝5,min_samples_split＝30,n_estimators＝70。其中预设阈值可以根据通信网络不同的运行情况适当进行限定，本实施例中不作限定。

在一种可选实施例中，还可以将价值分别可视化为图2、图3以及图4，图2为本发明实施例提供的价值示意图一，其中价值对应于目标指标参数CQI，图3为本发明实施例提供的价值示意图二，其中价值对应于目标指标参数PRB，图4为本发明实施例提供的价值示意图三，其中价值对应于目标指标参数感知速率。

在一种可选的实施例中，为防止各目标指标参数计算过程中公式因子等因素对准确率的影响，可以实现多次网络搜索来获得价值，具体的可以分别通过程序代码四、程序代码五以及程序代码六获得CQI、PRB以及感知速率对应的价值。

程序代码四为

[Parallel(n_jobs＝1)]:Done 1344out of 1344|elapsed:1328.0min finished

Best score:0.6329421008231064

Best parameters:{'max_features':8,'min_samples_leaf':3,'min_samples_split':20,'n_estimators':80}

程序代码五为

[Parallel(n_jobs＝7)]:Done 1344out of 1344|elapsed:493.3min finished

Best score:0.9694077984602165

Best parameters:{'max_features':8,'min_samples_leaf':3,'min_samples_split':20,'n_estimators':60}

程序代码六为

[Parallel(n_jobs＝7)]:Done 1344out of 1344|elapsed:517.6min finished

Best score:0.652443729349951

Best parameters:{'max_features':8,'min_samples_leaf':3,'min_samples_split':20,'n_estimators':80}

且其中的指标参数集网格定义为param_grids＝{'n_estimators':range(20,81,10),'min_samples_split':range(20,91,10),'min_samples_leaf':range(3,20,5),'max_features':range(5,11,3)}。

进一步，获取第一指标参数在通信网络运行对应的价值，包括：将第一指标参数对应的价值按照从大到小进行排序，获得处于预设排序范围的价值。其中预设排序范围本实施例不作限定。

具体的，将初始指标参数例如第一指标参数对应的价值按照从大到小进行排序，例如参考表1，且从中获得处于预设排序范围的价值，进而根据价值来确定目标指标参数。

表1

CQI/值	价值	PRB	价值	感知速率	价值
						F0823	0.188424	F0380	0.340415	F0270	0.152776
F0002	0.123734	F0823	0.184549	F0445	0.138772
						F0462	0.113359	F0014	0.115795	RANK	0.095372
F0183	0.093214	F0703	0.055633	F0703	0.087887
						F0813	0.064867	RANK	0.054762	F0813	0.075828
F0014	0.064029	F0183	0.038309	F0432	0.048896
								F0445	0.037235	F0462	0.047811
		F0026	0.037065	F0014	0.038213
								F0180	0.025024	F0443	0.038089
		F0181	0.024263	F0380	0.036317
								F0001	0.023985
		F0002	0.023851
								F0462	0.0181

最终使用F0014、F0270、F0380、F0414、F0415、F0445、F0462、F0703、F0813、F0823指标来确定CQI、PRB和感知速率。F027：用户面PDCP层下行峰值速率(Mbps)，F0380：空口下行业务流量(MByte)，F0014：RRC连接平均数(个)，F0445：下行可用PRB数(个)，F0462：平均每PRB干扰噪声功率(dBm)，F0703：平均CQI，F0813：下行PRB平均利用率(％)，F0823：小区级下行单用户平均感知速率(Mbps)，RANK占比。

在一种可选的实施例中，验证CQI、PRB和感知速率对通信网络运行好坏影响的准确率分别为CQI('F0703')：['F0014','F0462','F0813','F0823']，可达约56.97％准确率。

Best parameters:{'max_features':1,'min_samples_leaf':9,'n_estimators':100}

PRB('F0813')：['F0703','F0014','F0462','F0445','F0823','F0380','RANK']，可达97.09％的准确率。

感知速率('F0823')：['F0014','F0270','F0445','F0813','F0703','F0380','RANK']，可达64.10％准确率。

Best parameters:{'max_features':2,'min_samples_leaf':10,'n_estimators':90}。

结合图1所示的实施例，其中预设关联规则模型用于根据通信网络运行小区环境结合不同的目标指标参数，得到多个相关度，且通过输入大量预设时段的目标指标参数训练获得最高相关度，其中最高相关度为相关度中至少一个。

具体的，通信网络运行小区环境可以包括通信网络运行时的具体场景环境，例如为居民区环境、高铁环境以及室内环境等等，本实施例中不作限定。本实施例通过Apriori算法可以获得通信网络运行小区环境与不同目标指标参数的相关度，进而通过大量数据训练得到最高相关度，从而生成预设关联规则模型，以实现后续的检测过程中可以通过将目标指标参数输入该预设关联规则模型，可以输出通信网络质差的小区。

本实施例中相关度可以包括贡献度confidence，支持度support，提升度lift影响度Leverage、可靠度Conviction，具体的以下描述解释每个相关度表示的含义。

其中Support表示P(AB)/ALL,AB数据集所占比重.

Confidence:P(A|B)＝P(AB)/P(B),一个事件出现，另外一个事件出现概率，即条件概率。

Lift:P(A,B)/(P(A)P(B)),等于1表示A与B独立，且Lift越大表示有较强关联。

Leverage:P(A,B)-P(A)P(B),0时A和B独立，Leverage越大A和B的关系越密切

Conviction:P(A)P(！B)/P(A,！B),用来衡量A和B的独立性,值越大,A、B越关联。本实施例中A事件可以表示通信网络运行的小区环境与目标指数参数之一，B事件也可以表示通信网络运行的小区环境与目标指数参数之一，且不同于A事件。

根据通信网络运行小区环境结合不同目标指标参数可以得到对应的相关度，进而将大量预设时段的目标指标参数与通信网络运行的小区环境输入关联规则模型，训练得到最高相关度，在一种可选的实施例中最高相关度可以为相关度中的一个，且可以根据最高相关度大于适当阈值来获得，本实施例不对适当阈值进行限定。

将通信网络运行小区对应的目标指标参数采用Apriori算法得到相关度，进而可以根据该相关度来确定网络运行质差的小区，在一种可选的实施例中，相关度可以为最高相关度，且可以通过采集大量数据(例如采用3天内采集去空后的518条数据)进行反复训练使得最高相关度可靠性强，即得到预设关联规则模型。进而可以采用该预设关联规则模型来确定网络运行质差的小区，同时在获取预设关联规则模型的过程中梳理出网络运行质差的原因。例如，通信网络小区环境为高铁时，对应的最高相关度为Leverage，又例如通信网络小区环境为室内时，对应的最高相关度为Conviction。最终可以得到通信网络运行质差的小区，且获得其运行过程中其他参数的可视化数据图，例如图5-图8，其中图5为本发明实施例可视化数据图的示意图一，图6为本发明实施例可视化数据图的示意图二，图7为本发明实施例可视化数据图的示意图三，图8为本发明实施例可视化数据图的示意图四，且图5-图8的横坐标均表示(用户数量)，纵坐标分别表示RRC连接数、流量、平均CQI以及感知速率对应的数据值。在一种可选的实施例中，如表2示出通信网络运行质差的小区。

表2

本实施例基于通信网络运行小区环境结合目标指标参数来检测网络运行质差小区，提高检测的准确率，减少人工成本的同时，还提高了网络运行维护的有效性。

在一种可选的实施例中，在根据通信网络运行小区对应的目标指标参数和预设关联规则模型，得到通信网络质差的小区之前，还包括：对通信网络运行小区的目标指标参数对应数据值进行清洗后，将目标指标参数对应数据值进行划分处理，得到多个区间值段，且每个区间值段包括多个处理后的目标指标参数对应数据值。例如可以对通信网络运行小区对应目标指标参数的数据值进行离散化处理，即对这些数据去空、清洗后进行划分，一得到多个区间值段，进而将每个区间值段对应的目标指标参数数据值，输入预设关联规则模型，以得到网络运行质差的小区。在一种可选的实施例中，通过以上方式可以提高预设关联规则模型检测的准确性，进而提高通信网络运行质差检测的有效性和可靠性。例如参考图9，图9为本发明实施例提供的离散化数据值的示意图。

在一种可选的实施例中，在从初始指标参数中获得目标指标参数的过程中，也可以采用上述离散化处理过程，具体的可以参考图10，图10为本发明实施例提供的初始指标参数的示意图，如图10所示的初始指标参数可以包括RRC连接数、空口下行业务流量、RANK占比、平均每PRB干扰噪声功率、平均CQ、下行PRB平均剩用率以及小区下行单用户平均感知速率。例如获得的离散区间段中的初始指标参数即为目标指标参数，参考图11，图11为本发明实施例提供的目标指标参数的示意图。

图12为本发明实施例提供的一种通信网络质差小区的检测装置的结构示意图，如图12所示，本实施例中的通信网络质差小区的检测装置可以包括：

获取模块21，用于获取通信网络运行指标参数集，其中指标参数集包括多个初始指标参数，初始指标参数用来表征通信网络运行的状态；

确定模块22，用于根据指标参数集，确定目标指标参数，其中通信网络运行的状态仅通过目标指标参数来表示；

得到模块23，用于根据通信网络运行小区对应的目标指标参数和预设关联规则模型，得到通信网络质差的小区；其中预设关联规则模型用于确定通信网络运行的小区环境与目标指标参数的相关度，以根据相关度来确定网络运行质差的小区。

在一种可选的实施例中，根据指标参数集，确定目标指标参数，包括：

将指标参数集进行划分，得到多个区间段，区间段中包括多个初始指标参数；

若区间段中初始指标参数符合预设条件，则保留区间段；

根据保留区间段中的第一指标参数，获取第一指标参数在通信网络运行对应的价值；

将价值大于预设阈值时对应的第一指标参数，确定为目标指标参数。

在一种可选的实施例中，获取第一指标参数在通信网络运行对应的价值，包括：

将第一指标参数对应的价值按照从大到小进行排序，获得处于预设排序范围的价值。

在一种可选的实施例中，预设关联规则模型用于根据通信网络运行小区环境结合不同的目标指标参数，得到多个相关度，且通过输入大量预设时段的目标指标参数训练获得最高相关度，其中最高相关度为相关度中至少一个。

在一种可选的实施例中，在根据通信网络运行小区对应的目标指标参数和预设关联规则模型，得到通信网络质差的小区之前，还包括：

对通信网络运行小区的目标指标参数对应数据值进行清洗后，将目标指标参数对应数据值进行划分处理，得到多个区间值段，且每个区间值段包括多个处理后的目标指标参数对应数据值。

本实施例的通信网络质差小区的检测装置，可以执行图1所示方法中的技术方案，其具体实现过程和技术原理参见图1所示方法中的相关描述，此处不再赘述。

图13为本发明实施例提供的一种通信网络质差小区的检测***的结构示意图，如图13所示，本实施例的路径预测***30可以包括：处理器31和存储器32。

存储器32，用于存储计算机程序(如实现上述通信网络质差小区的检测方法的应用程序、功能模块等)、计算机指令等；

上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器32中。并且上述的计算机程序、计算机指令、数据等可以被处理器32调用。

处理器31，用于执行存储器32存储的计算机程序，以实现上述实施例涉及的方法中的各个步骤。

具体可以参见前面方法实施例中的相关描述。

处理器31和存储器32可以是独立结构，也可以是集成在一起的集成结构。当处理器31和存储器32是独立结构时，存储器32、处理器31可以通过总线33耦合连接。

本实施例的服务器可以执行图1所示方法中的技术方案，其具体实现过程和技术原理参见图1所示方法中的相关描述，此处不再赘述。

此外，本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当用户设备的至少一个处理器执行该计算机执行指令时，用户设备执行上述各种可能的。

其中，计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。另外，该ASIC可以位于用户设备中。当然，处理器和存储介质也可以作为分立组件存在于通信设备中。

本领域普通技术人员可以理解：实现上述各实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (7)

1.一种通信网络质差小区的检测方法，其特征在于，包括：

获取通信网络运行指标参数集，其中所述指标参数集包括多个初始指标参数，所述初始指标参数用来表征通信网络运行的状态；

根据所述指标参数集，确定目标指标参数，其中所述通信网络运行的状态仅通过所述目标指标参数来表示；

根据通信网络运行小区对应的目标指标参数和预设关联规则模型，得到通信网络质差的小区；其中所述预设关联规则模型用于确定通信网络运行的小区环境与所述目标指标参数的相关度，以根据所述相关度来确定网络运行质差的小区，所述预设关联规则模型用于根据通信网络运行小区环境结合不同的目标指标参数，得到多个相关度，且通过输入大量预设时段的所述目标指标参数训练获得最高相关度，其中所述最高相关度为所述相关度中至少一个；

根据所述指标参数集，确定目标指标参数，包括：

将所述指标参数集进行划分，得到多个区间段，所述区间段中包括多个初始指标参数；

若所述区间段中所述初始指标参数符合预设条件，则保留所述区间段；

根据保留区间段中的第一指标参数，获取所述第一指标参数在通信网络运行对应的价值；

将所述价值大于预设阈值时对应的所述第一指标参数，确定为所述目标指标参数。

2.根据权利要求1所述的方法，其特征在于，获取第一指标参数在通信网络运行对应的价值，包括：

将第一指标参数对应的价值按照从大到小进行排序，获得处于预设排序范围的价值。

3.根据权利要求1所述的方法，其特征在于，在根据通信网络运行小区对应的目标指标参数和预设关联规则模型，得到通信网络质差的小区之前，还包括：

对通信网络运行小区的目标指标参数对应数据值进行清洗后，将所述目标指标参数对应数据值进行划分处理，得到多个区间值段，且每个所述区间值段包括多个处理后的目标指标参数对应数据值。

4.一种通信网络质差小区的检测装置，其特征在于，包括：

获取模块，用于获取通信网络运行指标参数集，其中所述指标参数集包括多个初始指标参数，所述初始指标参数用来表征通信网络运行的状态；

确定模块，用于根据所述指标参数集，确定目标指标参数，其中所述通信网络运行的状态仅通过所述目标指标参数来表示；

得到模块，用于根据通信网络运行小区对应的目标指标参数和预设关联规则模型，得到通信网络质差的小区；其中所述预设关联规则模型用于确定通信网络运行的小区环境与所述目标指标参数的相关度，以根据所述相关度来确定网络运行质差的小区，所述预设关联规则模型用于根据通信网络运行小区环境结合不同的目标指标参数，得到多个相关度，且通过输入大量预设时段的所述目标指标参数训练获得最高相关度，其中所述最高相关度为所述相关度中至少一个；

所述确定模块，具体用于：将所述指标参数集进行划分，得到多个区间段，所述区间段中包括多个初始指标参数；

若所述区间段中所述初始指标参数符合预设条件，则保留所述区间段；

根据保留区间段中的第一指标参数，获取所述第一指标参数在通信网络运行对应的价值；

将所述价值大于预设阈值时对应的所述第一指标参数，确定为所述目标指标参数。

5.根据权利要求4所述的装置，其特征在于，在根据通信网络运行小区对应的目标指标参数和预设关联规则模型，得到通信网络质差的小区之前，还包括：

对通信网络运行小区的目标指标参数对应数据值进行清洗后，将所述目标指标参数对应数据值进行划分处理，得到多个区间值段，且每个所述区间值段包括多个处理后的目标指标参数对应数据值。

6.一种通信网络质差小区的检测***，其特征在于，包括：存储器和处理器，存储器中存储有所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-3任一项所述的通信网络质差小区的检测方法。

7.一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，该程序被处理器执行时实现权利要求1-3任一项所述的通信网络质差小区的检测方法。

Images