发明内容
1.要解决的技术问题
针对现有技术中存在的网络优化稳定性差的问题,本申请提供了一种无线通信网络性能优化方法、装置及存储介质,通过构建自适应六边形格网、建立LSTM网络预测模型等,提高了无线网络优化的稳定性。
2.技术方案
本申请的目的通过以下技术方案实现。
本说明书实施例的第一方面提供一种无线通信网络性能优化方法,包括:数据采集步骤,采用六边形划分算法将无线网络覆盖区域划分为多个格区,按照设置的周期,采集包含业务量、干扰强度和负载率的性能指标,并对性能指标进行归一化处理后构建状态特征向量;LSTM预测步骤,构建包含输入层、多个隐藏层LSTM和输出层的LSTM网络,输入状态特征向量,经LSTM网络学习时间序列特征后,输出表示未来时刻各个格区的网络状态预测特征向量;强化学习步骤,建立Q强化学习算法模型,输入网络状态预测特征向量,学习并输出包含功率控制和载波分配策略的网络参数优化策略;优化行动生成步骤,根据获得的网络参数优化策略,生成网络参数调整的时间序列计划表;网络优化执行步骤,根据时间序列计划表,采用滚动调整和异常回退机制,调整各个格区的网络参数。
进一步地,采用六边形划分算法将无线网络覆盖区域划分为多个格区的步骤包括:利用密度聚类算法基于采集的基站注册数据或用户位置数据,划分用户分布为第一密度区域和第二密度区域;对第一密度区域,利用正六边形递归细分,生成边长为N1的六边形网格;对第二密度区域,利用正六边形递归细分,生成边长为N2的六边形网格;利用六边形网格的坐标信息,通过哈希算法为每个生成的六边形网格设置唯一的标识符;通过六边形网络的顶点坐标计算六边形网格的几何重心,选择距离几何重心距离最小的网络物理设备作为六边形网格的数据采集点;利用关联数组算法建立标识符与对应的六边形网格的关联关系;根据关联关系划分无线网络覆盖区域。
进一步地,对第一密度区域,利用正六边形递归细分,生成边长为N1的六边形网格的步骤包括:获取第一密度区域的顶点坐标信息,生成第一顶点集;设置递归细分的初始网格边长L0和预设终止条件;根据初始网格边长L0,利用Delaunay三角剖分算法获取顶点集的初始层六边形网格;判断当前网格边长是否大于阈值N1,如果是则等分网格边生成新层子网格;重复上述步骤,直到满足预设终止条件;输出最后一层六边形网格,计算六边形网格的平均边长Li;判断平均边长Li与N1的差值的绝对值是否小于误差容限ε,如果否,则调整初始边长L0,通过如下公式调整L0:L0'=L0*(N1/Li),将调整后的L0'作为初始网格边长,重复上述步骤,直至输出的平均边长Li与N1的差值的绝对值小于误差容限ε。
进一步地,判断当前网格边长是否大于阈值N1,如果是则等分网格边生成新层子网格的步骤包括:计算当前网格边长的等分点的坐标,作为***节点的坐标;构建第二顶点集,包含***节点坐标和相邻六边形网格的顶点坐标;对第二顶点集进行凸包检测,移除凸包之外的顶点;对移除凸包之外的顶点后的第二顶点集进行Delaunay三角剖分,生成三角剖分连接关系;检测三角剖分中相邻两个三角形面之间共享的公共边;将公共边两端顶点坐标提取并合并,构成子网格的顶点集;将公共边的连接关系提取并合并,构成子网格的连接关系;根据子网格的顶点集和连接关系生成新层子网络。
进一步地,其中,网络物理设备为基站或用户设备;N2的值为N1的R倍,R的取值范围为1.5至2。
进一步地,构建包含输入层、多个隐藏层LSTM和输出层的LSTM网络的步骤包括:根据状态特征向量的维度,设置输入层节点数量;根据网络优化预测目标,设置输出层节点数量;构建第一隐藏层,设置M1个LSTM神经元,提取的第一特征,M1的取值范围为128至256;构建中间隐藏层,提取的第二特征,每新增一层中间隐藏层,LSTM神经元的数量减半,直至达到M2个LSTM神经元,M2的取值范围为32至64;在相邻隐藏层之间构建Dropout层,根据伯努利分布随机将当前隐藏层的部分LSTM神经元输出值置零;设置当前Dropout层的Dropout率的取值范围为0.2至0.5;在每个隐藏层的LSTM神经元输出之后且进入下一隐藏层之前,***BatchNormalization层,归一化激活输出。
进一步地,优化行动生成步骤,根据获得的网络参数优化策略,生成网络参数调整的时间序列计划表的步骤包括:按预设时间T1周期采集包含业务量、干扰强度和负载率的性能指标;采用ARIMA模型获取各性能指标在预设时间T2内的变化趋势;根据获得的网络参数优化策略和性能指标的变化趋势,采用线性回归法预测预设时间T3内网络参数的最优调整因子;通过自相关法获取性能指标的变化间隔,确定网络参数调整的时间步长;根据最优调整因子和时间步长,生成网络参数调整的第一时间序列计划表;利用双指数平滑方法生成网络时延和丢包率的动态阈值;每5分钟持续存储最近12个小时内的网络参数快照,快照文件名包含快照时间戳;当检测到网络时延或丢包率超过动态阈值时,选择1小时前的网络参数快照作为回退方案;结合第一时间序列计划表和回退方案,生成网络参数调整的第二时间序列计划表,作为网络参数调整的时间序列计划表。
进一步地,网络参数快照存储在关系数据库中。
本说明书实施例的第二方面还提供一种无线通信网络性能优化装置,包括:六边形网格生成模块,采用基于Delaunay三角剖分的递归算法,根据基站注册数据或用户位置数据生成不同尺寸的六边形格区;数据采集模块,在六边形格区内选取中心点,通过采集单元以T1周期包含业务量、干扰强度和负载率的性能指标;LSTM预测模块,构建包含输入层、多个隐藏层和输出层的LSTM网络,输入采集得到的性能指标,输出表示未来时刻各个格区的网络状态预测特征向量;强化学习模块,建立Q学习模型,输入网络状态预测特征向量,包含功率控制和载波分配策略的网络参数优化策略;行动计划生成模块,根据网络参数优化策略,生成网络参数调整的时间序列计划表;网络调整模块,根据时间序列计划表,调整网络参数,并在检测到异常时回退到1小时前的网络参数快照,异常为网络时延或丢包率超过动态阈值时;性能指标存储模块,每5分钟存储最近12个小时内的网络参数快照;关系数据库,存储网络参数快照。
本说明书实施例的第三方面还提供一种计算机存储介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
3.有益效果
相比于现有技术,本申请的优点在于:
(1)采用自适应六边形划分格网,可以根据用户分布情况生成大小合理的网格,有利于更全面和平衡地采集网络状态数据,避免数据采集的区域盲点,提高数据采集的准确性,为网络优化的稳定性奠定基础;
(2)应用LSTM网络预测未来网络状态变化趋势,可以事先判断网络是否可能出现异常状态,及时调整优化策略的强度,避免导致网络参数剧烈波动,从而实现网络的平稳优化;
(3)生成时间序列调整计划表,按步骤细微地调整参数,避免了全网同时大规模调整的风险,保证了网络的稳定运行,设置回退机制,当出现异常时可以快速切换到稳定的参数,避免异常导致网络状态剧烈震荡,增强了***的容错性,提高了网络优化的稳定性。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其他类似情景。除非从语言环境中显而易见或另作说明,图中相同标号代表相同结构或操作。
应当理解,本说明书中所使用的“***”“装置”“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
下面结合附图对本说明书实施例提供的方法和***进行详细说明。
图1是根据本说明书一些实施例所示的一种无线通信网络性能优化方法的示例性流程图,如图1所示,一种无线通信网络性能优化方法,包括:
S110数据采集步骤,这一步骤的主要任务是收集包含业务量、干扰强度和负载率等性能指标,并将覆盖区域划分为多个格区。通过六边形划分算法,网络的覆盖区域被细分,每个格区都有其自身的性能特征。这些性能指标的归一化处理有助于消除不同格区之间的性能度量差异,使得它们可以用于后续的分析和建模。
S120LSTM预测步骤,构建包含输入层、多个隐藏层的LSTM网络以及输出层。将输入状态特征向量输入到LSTM网络中,通过学习时间序列特征,该网络将输出表示未来时刻各个格区的网络状态预测特征向量。使用LSTM神经网络来学习性能指标的时间序列特征。将归一化后的性能指标作为输入状态特征向量,LSTM网络能够捕捉到性能指标随时间的变化趋势和模式。这个模型可以预测未来时刻各个格区的网络状态,包括业务量、干扰强度等。这为后续的网络优化提供了基础,因为我们可以预测未来网络状态并采取相应的措施。
S130强化学习步骤,建立Q强化学习模型,学习并输出功率控制和载波分配等网络参数的优化策略。强化学习可以在网络环境变化中自适应地持续优化,有利于网络稳定地运行在优化状态。
S140优化行动生成步骤,根据获得的网络参数优化策略,生成调整参数的时间序列计划表,采用线性回归预测最优调整因子,并考虑业务指标的相关性确定调整的时间步长,避免参数震荡。同时设置动态阈值监控网络性能,一旦出现异常则快速回退到稳定参数,增强调整过程的鲁棒性;
S150网络优化执行步骤,根据时间序列计划表,采用滚动调整和异常回退机制,调整各个格区的网络参数。具有滚动调整和异常回退机制,意味着网络参数的优化是实时的、动态的,并且可以根据实际情况进行调整。如果出现异常情况,***可以回退到之前的参数配置,确保网络稳定性。
综上所述,采用六边形自适应网格划分,可以更精细地反映网络各区域的性能特征,为优化提供可靠依据。利用LSTM网络预测各格区性能变化趋势,比简单统计模型预测更稳定和准确,有利于稳定优化。应用强化学***稳性。设置动态阈值监控网络性能,并有快速异常回退机制,可以快速响应环境变化,增强调整鲁棒性。采用滚动调整模式,验证效果后再逐步推广,可以防止大面积失控,确保调整过程可控性。异常回退机制可以快速响应环境变化,有效避免调整过程的不稳定。有效提高了无线通信网络性能优化的稳定性。
应用本申请的一种LTE网络的无线通信网络性能优化的具体实施例如下:首先,采集LTE网络中的小区注册信息,利用DBSCAN聚类算法检测用户密集区域和稀疏区域,对用户密集区域进行二次划分,生成边长为500米的六边形小区,对稀疏区域生成边长为750米的六边形小区。共生成了约2000个六边形小区。然后,每10分钟采集各六边形小区内的平均业务吞吐量、干扰强度指标和负载率,经归一化处理后输入构建的LSTM模型。该LSTM模型包含128个节点的输入层、两个隐藏层分别包含192和96个LSTM节点以及64个节点的输出层,对未来30分钟小区状态进行预测。基于LSTM的预测结果,构建Q学***滑动态阈值则从存储的网络参数快照中选取1小时前的参数作为回退方案。最终形成稳定可靠的时间序列计划表。根据计划表,对LTE网络中的小区进行滚动调整,先调整部分小区参数验证效果,若未检测到异常则逐步调整其余小区的参数,完成本次的网络优化。通过该流程,可以有效提升LTE无线网络的性能优化稳定性。
图2是根据本说明书一些实施例所示的划分无线网络覆盖区域的示例性流程图,如图2所示,采用六边形划分算法将无线网络覆盖区域划分为多个格区的步骤包括:
S111利用密度聚类算法基于采集的基站注册数据或用户位置数据,划分用户分布为第一密度区域和第二密度区域;本申请中,密度聚类算法包含:DBSCAN是一个基于密度的聚类算法,可以根据预设的距离阈值和样本数阈值,将高密度的样本点聚类成一类,并将边缘低密度点识别为噪声点或外点。它可以有效区分出网络用户分布的密集区域和稀疏区域。Mean-Shift算法是一个非参数的密度梯度上升聚类方法,可以通过Kernel密度估计和梯度上升,自动聚集到样本密度高的区域,实现密度聚类。OPTICS,是DBSCAN算法的扩展,可以通过设置最大密度可达距离,在不同密度划分粒度下进行聚类,可检测出样本密度骤降的断崖点,将密度不同的区域分割开来。凸性聚类算法该算法将数据空间划分为多个聚类区域,使得每个聚类区域内的数据点属于同一密度连接组件,可以有效识别出不同密度区域。
S112对第一密度区域,利用正六边形递归细分,生成边长为N1的六边形网格;对第二密度区域,利用正六边形递归细分,生成边长为N2的六边形网格;在本申请中,统计分析第一密度区域内用户位置分布情况,计算区域内用户的平均距离D1;设置N1为D1的0.5-1倍,根据经验值确定N1大小,以充分覆盖用户位置;统计分析第二密度区域内用户位置分布情况,计算区域内用户的平均距离D2;设置N2为D2的1-2倍,根据经验值确定N2大小,兼顾对用户位置的覆盖和计算效率。其中,N2的值大于N1,以适应第二密度区域用户位置分布更稀疏的特点。
S113利用六边形网格的坐标信息,通过哈希算法为每个生成的六边形网格设置唯一的标识符;在本申请中,获取六边形网格的顶点坐标信息;选择一个随机种子;设置哈希函数,例如MD5、SHA1等;将顶点坐标信息和随机种子作为输入,馈入选定的哈希函数中;哈希函数对输入数据进行不可逆的散列运算,生成一个定长的散列值作为输出;将散列值作为该六边形网格的唯一标识符。通过哈希算法,可以利用网格的坐标信息生成确定性的唯一标识符。同时,引入随机种子可以提高标识符的随机性。
S114通过六边形网络的顶点坐标计算六边形网格的几何重心,选择距离几何重心距离最小的网络物理设备作为六边形网格的数据采集点;在本申请中,六边形网格的顶点坐标(x1,y1),(x2,y2)...(x6,y6);该六边形网格内的网络物理设备坐标(xm1,ym1),(xm2,ym2)...(xmn,ymn);计算六边形几何重心坐标(xC,yC):xC=(x1+x2+...+x6)/6;yC=(y1+y2+...+y6)/6;计算各网络物理设备到几何重心的欧式距离:
d1=sqrt((xm1-xC)^2+(ym1-yC)^2);d2=sqrt((xm2-xC)^2+(ym2-yC)^2);选择距离几何重心最近的物理设备作为数据采集点。
S115利用关联数组算法建立标识符与对应的六边形网格的关联关系;在本申请中,利用哈希算法为每个生成的六边形网格设定一个唯一的标识符id,如"grid0001",定义一个关联数组gridMap,key为标识符id,value为对应的六边形网格对象Grid。Grid对象的属性包括:顶点坐标数组vertex[];中心点坐标center(x,y);区域数据采集点coordinate(x,y);当生成一个新的六边形网格时,设置id,构建Grid对象,并***到gridMap中:gridMap.put(id,Grid);当需要获取一个六边形网格的信息时,直接查询gridMap:Gridgrid=gridMap.get(id);通过关联数组实现标识符与六边形网格对象的快速查询与关联。
S116根据关联关系划分无线网络覆盖区域。在本申请中,输入:六边形网格与标识符的关联关系gridMap;无线网络的覆盖图coverageMap;划分覆盖区域:遍历coverageMap,检查每个小区的坐标范围;对每个小区,查找其范围内存在的六边形网格;从gridMap中获取这些六边形网格的标识符;将这些标识符与小区关联,***覆盖区域表中。
其中,网络物理设备为基站或用户设备;N2的值为N1的R倍,R的取值范围为1.5至2。网络物理设备可以是基站或用户设备,这种灵活性可以适应不同的网络环境需求,提高了方法的适用范围。N2与N1的比例关系为N2是N1的1.5-2倍,这一合理的取值范围设置保证了用户密集区域网格和稀疏区域网格尺寸存在适当比例差异,既满足了负载均衡的需要,也提供了一定的尺寸灵活性。N2比N1大可以更好地适应用户密度较低区域的特点,一个网格包含更多用户可以有效平衡不同区域网格的性能指标采集。N2不会过于大于N1,最大只是N1的2倍,这避免了稀疏区域网格面积过大导致采集指标过于平均化的问题。N2/N1的取值范围为1.5-2,这一适当的浮动范围提供了模型针对不同网络环境进行调优的空间,有利于实现更稳定的负载均衡效果。区域网格尺寸比例不能超出该取值范围,可以防止模型超参数的极端变化导致的优化效果不稳定的问题。整体来说,这种参数设计保证了划分自适应性,也为模型的稳定运行提供了重要支持。
其中,对第一密度区域,利用正六边形递归细分,生成边长为N1的六边形网格的步骤包括:获取第一密度区域的顶点坐标信息,生成第一顶点集;设置递归细分的初始网格边长L0和预设终止条件;根据初始网格边长L0,利用Delaunay三角剖分算法获取顶点集的初始层六边形网格;Delaunay三角剖分算法是一种空间网格生成算法,对给定的点集,连接各点形成三角网,使得其中每个三角形的外接圆中不包含其他点。选取给定点集中的一个起始点,与其余各点形成三角形;判断每个三角形的外接圆是否包含其他点,如果包含则将三角形标记为非Delaunay三角形;找到非Delaunay三角形中的最短边,将其替换为另一条对角线,组成两个新的三角形;重复直到所有三角形均满足Delaunay条件。Delaunay三角剖分可以避免出现细长三角形,相邻三角形间角度最大,网格质量较优。因此常被用于网格生成等问题中。在本申请中,采用Delaunay三角剖分算法可以高效生成质量较好的六边形网格。
具体地,设置目标网格边长N1;初始化初始网格边长L0;通过Delaunay三角剖分,使用L0生成初始六边形网格;计算当前网格的平均边长Li;判断Li是否大于N1:如果Li<=N1,说明已达要求,直接输出当前网格;如果Li>N1,执行下一步;等分所有边长大于N1的网格边,生成子网格,得到下一层网格;重复上述子网格生成步骤,递归生成子网格,直到满足终止条件;输出最后一层递归的六边形网格;判断Li与N1差值的绝对值是否超过误差容限ε;如果<=ε,说明网格边长已符合要求,算法结束;如果>ε,执行下一步;根据公式L0'=L0*(N1/Li)调整初始边长L0;将调整后的L0'作为新初始边长,重复上述步骤,直到生成的网格平均边长Li与N1之差<=ε为止,最终输出满足要求的六边形网格。在本申请中,误差容限ε的取值范围为0.1*N1至0.2*N1。
具体地,利用Delaunay三角剖分算法可以避免生成细长或者角度极小的三角形,保证生成网格的形状规整,有利于参数建模的稳定性。设置递归细分的初始网格边长和终止条件,控制递归细分的程度,避免网格过细颗粒化导致的数据采集稀疏化,保证每网格内采集数据的充分性。每轮迭代后计算生成网格的平均边长,并判断是否达到预设目标边长,如果未达到则调整初始边长后继续递归。这种控制方式可以使最终生成的网格边长可控地逼近预设目标值。调整初始边长的计算公式包含当前平均边长和目标边长的反馈,可以快速导致初始边长收敛至适合的长度,提高生成的网格边长可控性。设置平均边长与目标边长差值的误差容限,避免边长无限逼近目标值导致的过度递归计算,保证效率。误差容限也提供了一定灵活性,可以适应目标边长在一定范围内的波动,增强稳定性。
具体地,判断当前网格边长是否大于阈值N1,如果是则等分网格边生成新层子网格的步骤包括:计算当前网格边长的等分点的坐标,作为***节点的坐标;对于六边形网格的边长L,等分为n等分,则每个等分点的坐标为(x,y),其中x=L*cos(θ),y=L*sin(θ),θ为角度,从0到360°按等分数量计算。构建第二顶点集,包含***节点坐标和相邻六边形网格的顶点坐标;对第二顶点集进行凸包检测,移除凸包之外的顶点;使用凸包算法对第二顶点集进行凸包检测,移除凸包之外的顶点,凸包算法可以采用GrahamScan等常见算法实现。对移除凸包之外的顶点后的第二顶点集进行Delaunay三角剖分,生成三角剖分连接关系;对移除凸包之外的顶点后的第二顶点集进行Delaunay三角剖分,使用Delaunay三角剖分算法,如Bowyer-Watson算法或法向量法进行剖分。
检测三角剖分中相邻两个三角形面之间共享的公共边;在本申请中,初始化一个空的数据结构,用于存储每个三角形的边及其相邻的三角形。对于每个三角形,遍历其三条边。对于每条边,将边的两个顶点按字典序排序,以确保一致性。将每条边的信息存储到数据结构中,其中包括边的两个顶点和相邻的三角形(如果有的话)。数据结构的键可以使用边的两个顶点的组合来唯一标识边。当遇到另一个三角形时,重复相同的过程,将其边信息存储到数据结构中。在遍历完所有三角形后,检查数据结构中是否存在具有两个相邻三角形的边。如果是,这些边就是共享的公共边。
将公共边两端顶点坐标提取并合并,构成子网格的顶点集;在本申请中,初始化一个空的顶点集,用于存储子网格的顶点。遍历共享的公共边,将每个边的两个顶点添加到顶点集中。确保没有重复的顶点。将公共边的连接关系提取并合并,构成子网格的连接关系;在本申请中,初始化一个空的连接关系数据结构,用于存储子网格的连接关系,例如边的列表或邻接矩阵。遍历共享的公共边,将边的连接关系添加到连接关系数据结构中。这可以通过记录连接的边或邻接关系来实现。根据子网格的顶点集和连接关系生成新层子网络。在本申请中,使用子网格的顶点集来构建新层子网格的顶点。使用连接关系数据结构来构建新层子网格的连接关系,确保正确连接子网格的顶点。
更具体地,在进行六边形网格边等分生成子网格时,计算***节点坐标、构建新顶点集等步骤,保证了新网格的顶点分布均匀合理,有利于生成规整的子网格。对新顶点集进行凸包检测及三角剖分,可以消除冗余顶点,并生成符合Delaunay三角剖分法的新子网格连通关系,更加可靠。提取并重构子网格的顶点集和连接关系,实现了递归细分的自动流程控制。设置最大递归深度、最小网格面积等多种终止阈值条件,防止过度递归造成的运算负荷急剧上升,保障了计算效率。同时考虑了网格通信负载阈值,避免单网格过载,以及设置实时网络监控,当出现异常时中止递归,提高了进程的稳定性。综合多种终止递归的判断条件,使得生成的网格既满足细粒度的要求,也保证了计算的可控性。
在本申请的具体实施例中,对一个约为10平方公里的高密度城市区域进行无线网络优化,该区域的用户和基站分布较为密集。则六边形细分实现过程可以如下:对10平方公里区域内的基站位置数据进行DBSCAN聚类分析,确定第一密度区域。取第一密度区域的基站坐标作为顶点集,共10000个顶点。设置递归六边形细分的初始网格边长L0为1000米,终止条件为网格边长小于预设目标边长N1=500米。按1000米边长进行Delaunay三角剖分,生成初始层六边形网格,计算平均边长Li为980米。因为980米大于目标边长500米,所以等分当前网格边生成新层子网格。重复剖分迭代,当平均边长为510米时,已小于目标边长,满足终止条件。此时Li与N1差值90米大于容限ε=50米,所以调整初始边长:L0'=1000*(500/510)=980米以调整后的980米为新的L0,重复迭代剖分,直到平均边长为505米,满足误差容限要求。最终获得边长接近500米的六边形网格划分,为该高密度区域提供优化基础。
判断当前网格边长并生成子网格的具体实现实例:当前层网格为正六边形,边长为200米,预设的目标边长阈值N1为100米。计算六边形中心到边中点的距离为100米,作为等分点坐标,共6个***节点。构建第二顶点集,包含六边形6个顶点与6个***节点的坐标,共12个顶点。对第二顶点集做凸包检测,移除1个内部顶点,得到凸包外的11个顶点。对11个顶点进行Delaunay三角剖分,生成三角剖分连通关系。检测到10条相邻三角形间的共边。提取共边两端顶点坐标并合并,构成包含10个顶点的子网格顶点集。提取共边连接关系并合并,构成子网格的连接关系。根据子网格的10个顶点坐标与连接关系,生成一个包含10个顶点、15条边的新层子六边形网格。该子网格的平均边长约为120米,已经小于阈值100米,满足递归终止条件。最终以***节点将200米大网格等分生成较小的子网格,实现了递归细分。
综上所述,六边形自适应划分技术通过多种手段提高了网格化的可靠性、准确性与灵活性,增强了建模的稳定性,从而可以更好地服务于无线网络性能的稳定优化。
图3是根据本说明书一些实施例所示的构建LSTM网络的示例性流程图,如图3所示,构建包含输入层、多个隐藏层LSTM和输出层的LSTM网络的步骤包括:
S121根据状态特征向量的维度,设置输入层节点数量;根据网络优化预测目标,设置输出层节点数量;每个特征向量的维度为n。因此,输入层节点数量应设置为n,以匹配特征向量的维度。进行网络状态的时间序列预测,设置输出层节点数量以表示未来时刻各个格区的网络状态的特征向量。例如,假设要预测未来k个时刻的网络状态,每个格区的状态特征向量维度为n。则输出层节点数量应设置为n*k,以获得未来k个时刻各个格区网络状态的特征向量。
S122构建第一隐藏层,设置M1个LSTM神经元,提取的第一特征,M1的取值范围为128至256;第一个LSTM隐藏层节点数量在128-256之间,提取高阶特征,为模型提供学***衡。
S123构建中间隐藏层,提取的第二特征,每新增一层中间隐藏层,LSTM神经元的数量减半,直至达到M2个LSTM神经元,M2的取值范围为32至64;
S124在相邻隐藏层之间构建Dropout层,根据伯努利分布随机将当前隐藏层的部分LSTM神经元输出值置零;设置当前Dropout层的Dropout率的取值范围为0.2至0.5;在相邻的LSTM隐藏层之间***一个Dropout层。这个Dropout层将会随机关闭一部分LSTM神经元的输出值。设置Dropout率的取值范围为0.2至0.5。这个Dropout率决定了在每个训练迭代中关闭神经元的概率。Dropout的实现基于伯努利分布,对于每个神经元,在训练过程中,通过伯努利分布来决定是否关闭该神经元的输出值。具体而言,对于每个神经元,以Dropout率为概率进行关闭,以Dropout率的补数为概率保持开启。这个决策是基于随机数生成的。关闭神经元的输出值意味着将其置零。这可以通过将神经元的输出值乘以一个二进制掩码(0或1)来实现,其中1表示神经元保持开启,0表示神经元被关闭。对于每个训练迭代,都会重新生成随机的伯努利分布,以确定哪些神经元保持开启和哪些神经元被关闭。这样,在每个训练迭代中,都会使用不同的神经元子集来学习,从而增加模型的鲁棒性。
S125在每个隐藏层的LSTM神经元输出之后且进入下一隐藏层之前,***BatchNormalization层,归一化激活输出。将BatchNormalization层***每个隐藏层的LSTM神经元输出之后且进入下一隐藏层之前,可以确保网络中的每个隐藏层的激活值都被归一化,有助于提高模型的训练效率、稳定性和泛化性能,特别是在深度神经网络中,其中梯度问题和过拟合风险更加明显。
具体地,中间隐藏层LSTM节点按比例减半,一方面压缩特征提取,另一方面控制模型大小,防止过拟合。将中间层节点减少,可以起到压缩特征的作用,降低特征冗余,提升有效特征提取的比重,增加模型泛化能力。逐层减小节点数量,降低了模型参数量,起到了正则化的效果,有效控制过拟合风险,提高模型在新数据上的稳定预测性。按比例减半是一种渐进抑制的方法,避免中间层特征提取能力骤减,保证了模型从底层到高层提取语义特征的渐进过程,增强了模型稳定性。合理控制中间层,既提取了充分特征,又不会造成模型过大,在精度、泛化能力和效率上达到平衡,提升了模型稳定性。防止中间层节点数目失控是深度网络稳定性的重要环节,减半比例控制提供了一种灵活有效的节点抑制方式,可以明显提高LSTM网络的稳定预测能力。整体上,该节点减半策略通过压缩冗余特征,控制模型规模,平衡网络能力等方式增强了模型鲁棒性,避免了过拟合风险,从而提高了无线网络状态预测的稳定性。设置多个隐藏层的深度结构,可以提取不同时序粒度的特征,对时间相关性学习更充分,有利于提高预测的稳定性。
Dropout层随机屏蔽部分节点,一定程度上增强模型鲁棒性,避免过度依赖某些特征。Dropout率控制在0.2-0.5,提供一定随机性而不会过度破坏特征信息,保证模型稳定预测。0.2-0.5区间屏蔽节点不会过多也不会过少,既起到了正则化效果,又不过度损害特征学***衡。适度的随机屏蔽可以减少模型对个别特征的依赖,强化模型整体特征提取与组合能力,有利于提高预测稳定性。
BatchNormalization(以下简称:BN层)归一化激活值分布,也能起到正则化作用,有利于模型收敛,提高稳定性。BN层可以平滑损失函数的局部最小值分布,帮助模型更易找到全局最优解,避免模型陷入不稳定的局部最优状态,BN使得模型对参数初始化和数据规模不那么敏感,增强了模型的泛化能力和稳定性,通过控制激活值分布,BN层减轻了梯度消失/***问题,保证了梯度稳定传播,增强模型稳定收敛性。
综上所述,输入层节点数量匹配输入特征维度,利于网络充分学习特征信息;第一隐藏层LSTM单元较多,有利于网络学习输入数据的基础时间序列特征;中间隐藏层单元逐渐减少,可以学习数据的高级抽象特征,防止过拟合;最后隐藏层单元较少,促进网络学习高度抽象的稳定特征,提升模型泛化能力;Dropout层随机抑制单元输出,减弱神经元间联合适应性,增强网络鲁棒性;合适的Dropout率抑制过拟合风险,又保证信息流动性;BatchNormalization层减少内部协变量偏移,有利于模型收敛,提高稳定性。交替设置LSTM、Dropout、BN层,综合提升网络表达能力和泛化稳定性。
图4是根据本说明书一些实施例所示的生成网络参数调整的时间序列计划表的示例性流程图,如图4所示,优化行动生成步骤,根据获得的网络参数优化策略,生成网络参数调整的时间序列计划表的步骤包括:
S141按预设时间T1周期采集包含业务量、干扰强度和负载率的性能指标;
S142采用ARIMA模型获取各性能指标在预设时间T2内的变化趋势;在本申请中,按照10分钟周期采集时延、丢包率、业务量等多个性能指标的时间序列数据{Y1,Y2,...,Yn};对每个性能指标数据建立ARIMA(p,d,q)模型:对数据做差分处理得到稳定的时间序列,确定差分阶数d;通过自相关图确定AR阶数p;通过偏自相关图确定MA阶数q;建立ARIMA(p,d,q)模型,进行参数估计;在建立的ARIMA模型上,利用当前时刻已知数据,进行多步先阶预测,得到从当前时刻开始一段时间内的趋势;根据趋势的预测值曲线,分析各性能指标在未来时间内的总体变化趋势;例如时延指数上升,丢包率先降后升,业务量较平稳等。
S143根据获得的网络参数优化策略和性能指标的变化趋势,采用线性回归法预测预设时间T3内网络参数的最优调整因子;通过自相关法获取性能指标的变化间隔,确定网络参数调整的时间步长;在本申请中,采集性能指标(如时延、丢包率等)的历史数据,获得时间序列{Y1,Y2,......,Yn};对时间序列进行自相关分析,计算各阶自相关系数{r1,r2,......,rk};分析自相关系数的衰减趋势,确定阶数p,当rp开始不显著时确定;利用线性回归法,建立AR(p)模型预测性能指标:
分析各阶项的参数/>其中/>最大的一阶,确定为性能指标变化的主要相关间隔;将该间隔的时间长度设定为参数调整的时间步长;例如,若/>最大,则时间步长设为导致Yt-3的时间跨度;即利用性能指标的自相关性确定参数调整的合理时间间隔,以保证调整的平稳性。
S144根据最优调整因子和时间步长,生成网络参数调整的第一时间序列计划表;在本申请中,经线性回归获得的不同参数的理想调整比例,如时延调整因子-5%,丢包率调整因子+8%,经自相关性分析得到的参数调整的时间间隔,如15分钟,将预测周期(如1小时)等分为多个时间步长(4个15分钟),在每个步长内,计算每个参数的理想调整值:网络参数当前值*(1+调整因子),设置约束条件:单次调整幅度不超过+/-10%,避免参数震荡,将按步长分配的调整值组织成时间序列{参数1调整值,参数2调整值,......,参数N调整值},即第一调整计划表。
S145利用双指数平滑方法生成网络时延和丢包率的动态阈值;每5分钟持续存储最近12个小时内的网络参数快照,快照文件名包含快照时间戳;当检测到网络时延或丢包率超过动态阈值时,选择1小时前的网络参数快照作为回退方案;在本申请中,利用双指数平滑生成时延动态阈值的步骤:根据历史时延数据,计算出时延的单指数平滑值St:St=α*Yt+(1-α)*St-1;根据单指数平滑值St,计算出时延的双指数平滑值Tt:Tt=β*St+(1-β)*Tt-1;将双指数平滑值Tt与修正系数Ft相乘作为动态阈值:阈值t=Tt*Ft;修正系数Ft根据实际需要设定,用于调整动态阈值的灵敏度。生成丢包率动态阈值的方法与时延类似,只是替换为丢包率的历史数据。α和β都是平滑参数,一般取值之间0和1,根据实际时间序列的平稳程度确定。当当前时延或丢包率超过对应动态阈值时,判定为网络异常。动态阈值能够根据最新数据变化,实时反映网络状态正常范围,更加智能地检测异常。
S146结合第一时间序列计划表和回退方案,生成网络参数调整的第二时间序列计划表,作为网络参数调整的时间序列计划表。在本申请中,第一时间序列计划表:包含分阶段的参数调整值,回退方案:在检测到网络异常时,恢复到1小时前的参数快照,将第一计划表的时间段拆分成5分钟一个子段,在每个子段结束,判断是否需要触发回退:检测网络时延和丢包率是否超过动态阈值,如果超过阈值,在此子段结束后,执行回退方案,即跳转到1小时前的参数,重复上述判断和处理,生成带有回退方案的第二计划表。
在本申请的实施例中,每30分钟定期采集各个基站的业务量、干扰强度和负载信息。使用ARIMA(2,1,1)模型预测未来4个小时内的网络指标变化趋势。根据LSTM网络预测的小区业务增长状态,以及ARIMA模型预测的负载变化,采用线性回归方法预测未来2个小时内的负载均衡因子。通过自相关分析,确定网络参数调整的时间步长为15分钟。根据预测的负载均衡因子和15分钟时间步长生成第一版本调整计划表。使用双指数平滑模型生成动态阈值,当延迟超过100ms或丢包率超过2%则触发回退机制。每5分钟存储最近12小时的网络参数配置快照到关系数据库。一旦触发回退,选择1小时前的快照作为回退方案。结合第一计划表和回退方案生成稳定可靠的时间序列调整计划表。根据该计划表,通过滚动调整的方式优化网络参数,并在异常情况下快速回退,实现了网络性能优化的稳定提升。
图5是根据本说明书的一些实施例所示的一种无线通信网络性能优化装置200的示例性模块图,如图5所示,一种无线通信网络性能优化装置200,包括:六边形网格生成模块210、数据采集模块220、LSTM预测模块230、强化学习模块240、行动计划生成模块250、网络调整模块260、性能指标存储模块270和关系数据库280。
六边形网格生成模块210,使用基于Delaunay三角剖分的递归算法,根据基站注册数据或用户位置数据生成不同尺寸的六边形格区。这有助于在网络中建立规律的区域布局。
数据采集模块220,在六边形格区内选择中心点,并通过采集单元以T1周期包含业务量、干扰强度和负载率等性能指标。这个模块用于实时收集网络性能数据。
LSTM预测模块230,构建了一个包含输入层、多个隐藏层和输出层的长短时记忆网络(LSTM)。它接受采集得到的性能指标作为输入,并输出未来时刻各个格区的网络状态预测特征向量。这有助于预测未来网络状态。
强化学习模块240,建立了Q学习模型,该模型接受网络状态预测特征向量作为输入,并包含功率控制和载波分配策略的网络参数优化策略。这个模块用于优化网络参数以提高性能。
行动计划生成模块250,根据网络参数优化策略,生成网络参数调整的时间序列计划表。这有助于制定网络性能优化计划。
网络调整模块260,根据时间序列计划表,实施网络参数调整。在检测到异常时,该模块能够回退到1小时前的网络参数快照,以应对网络时延或丢包率等性能问题。
性能指标存储模块270,每5分钟存储最近12个小时内的网络参数快照。这有助于监控网络性能的历史趋势和变化。
关系数据库280,用于存储网络参数快照以备回退。这个数据库用于长期存储和管理网络性能数据。
综上所述,六边形网格生成模块210采用自适应非均匀划分,构建符合实际分布状态的网络格局,为优化提供可靠基础。数据采集模块220定期采集关键性能指标,实时反映网络状态,避免时滞导致的优化失效。LSTM预测模块230利用深度网络学***稳性。网络调整模块260采用滚动调整模式,在检测异常时快速回退,增强调整的鲁棒性。性能指标存储模块270定期存储网络快照,备份时间范围覆盖调整周期,保证快速回退的需要。关系数据库280实现快照的高效查询,快速响应异常,避免故障扩大影响面。
在本申请的一些实施例中,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***、装置或者器件使用或者与其结合使用。而在本申请的一些实施例中,计算机可读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存储介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机存储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:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。其上存储有计算机程序,其中,程序被处理器执行时实现本申请一种无线通信网络性能优化方法任一实现方式所描述的方法。