本发明涉及通信技术领域，更具体地，涉及一种基于mr数据的lte小区集中度分析方法及系统。
背景技术：
在通信网络运维领域，对每一个小区的lte网络覆盖集中度的分析，对于网络优化过程中的容量优化和分析提供有效的支持，比如，对小区周边基站的架设提供依据。
传统对每一个小区的lte网络覆盖集中度的分析，是通过分析小区片区周边架设的基站的多少来看小区的lte网络覆盖集中度。比如，小区周边架设的基站的数量越多，表示小区的lte网络覆盖集中度越高，相反，小区周边架设的基站的数量越少，表示小区的lte网络覆盖集中度越低。
通常基站架设数量的多少来分析小区的lte网络覆盖集中度，太过大粗略，不够精准，比如，相邻的两个小区周边架设的基站数量是相等的，但是其中一个小区的ue用户非常多，而另外一个小区的ue用户比较少，两个小区的集中度明显不同，但是通过上述的方法分析出的两个小区的集中度是一样的，因此，使用传统的方法得到的小区的lte网络覆盖集中度是不正确的。
技术实现要素：
本发明提供一种克服上述问题或者至少部分地解决上述问题的一种基于mr数据的lte小区集中度分析方法及系统。
根据本发明的一个方面，提供一种基于mr数据的lte小区集中度分析方法，包括：
根据测量报告mr数据，统计在预设时间段内，ue终端通过每一个小区的lte网络向基站发送请求的tadv总采样点数以及对应的每一个tadv采样值；
根据所述预设时间段内的每一个小区的tadv总采样点数以及对应的每一个tadv采样值，计算分析每一个小区的lte网络覆盖集中度。
在上述技术方案的基础上，本发明还可以作如下改进。
进一步的，所述测量报告mr数据中包括ue终端每次向基站发送请求的tadv采样值、所占用的小区lte网络以及当前时间；
所述根据测量报告mr数据，统计在预设时间段内，ue终端通过每一个小区的lte网络向基站发送请求的tadv总采样点数以及对应的每一个tadv采样值具体包括：
根据所述mr数据中包括的ue终端每次向基站发送请求的tadv采样值、所占用的小区lte网络以及当前时间，统计得到在预设时间段内每一个小区对应的tadv总采样点数以及每一个采样点对应的tadv采样值。
进一步的，所述根据所述预设时间段内的每一个小区的tadv总采样点数以及对应的每一个tadv采样值，计算分析每一个小区的lte网络覆盖集中度具体包括：
根据所述预设时间内的每一个小区的tadv总采样点数以及每一个采样点对应的tadv采样值，分别通过tadv总采样点数因素计算方法、tadv阈值采样因素计算方法以及tadv权重采样因素计算方法计算分析每一个小区的lte网络覆盖集中度的评价结果；
根据每一种方法计算分析出每一个小区的lte网络覆盖集中度的评价结果，确定每一个小区的lte网络覆盖集中度。
进一步的，所述根据每一种方法计算分析出每一个小区的lte网络覆盖集中度的评价结果，确定每一个小区的lte网络覆盖集中度具体包括：
针对每一个小区，若通过所述tadv总采样点数因素计算方法得到小区的评价结果为低，则该小区的lte网络覆盖集中度为低；
若通过所述tadv总采样点数因素计算方法得到小区的评价结果为高，则继续采用所述tadv阈值采样因素计算方法对小区进行分析评价，当此时评价结果为高，则该小区的lte网络覆盖集中度为高；
若采用所述tadv阈值采样因素计算方法得到小区的评价结果为低，则继续采用所述tadv权重采样因素计算方法对小区进行分析评价，当此时评价结果为高，则该小区的lte网络覆盖集中度为高，否则，该小区的lte网络覆盖集中度为低。
进一步的，所述通过tadv总采样点数因素计算方法计算分析每一个小区的lte网络覆盖集中度的评价结果具体包括：
统计d天内每一个小区的tadv总采样点数，当所述tadv总采样点数大于等于l1时，小区的lte网络覆盖集中度评价结果为高；当所述tadv总采样点数小于l1且大于l2时，小区的lte网络覆盖集中度评价结果为低；
其中，l1＝1000*d/3，l2＝200*d/3。
进一步的，所述通过tadv阈值采样因素计算方法计算分析每一个小区的lte网络覆盖集中度评价结果具体包括：
统计d天内每一个小区的tadv≤x的采样点数，以及计算p＝每一个小区的tadv≤x的采样点数/每一个小区的tadv总采样点数,其中，x为近端覆盖tadv门限值；
若p1≤p≤100％，则小区的lte网络覆盖集中度评价结果为高，若0≤p＜p1％，则小区的lte网络覆盖集中度评价结果为低。
进一步的，所述通过tadv权重采样因素计算方法计算分析每一个小区的lte网络覆盖集中度评价结果具体包括：
统计d天内每一个小区的tadv总采样点数以及每一个采样点对应的tadv采样值；
根据每一个小区的所有的tadv采样值所属的取值范围，将所述取值范围按照相同间隔划分为w个区间，并统计每一个区间包含的tadv的采样点数n1，n2，n3,…,nw；
找到n1，n2，n3,…,nw中的最大值nm，其中，若nm＝n1，则sn＝n1+n2；若nm＞n1，则sn＝nm-1+nm+nm+1，sn为用户集中采样点数；
计算用户集中tadv占比p’＝sn/小区的tadv总采样点数；
若p2≤p’≤100％，则小区的lte网络覆盖集中度评价结果为高，若0≤p’≤p2，则小区的lte网络覆盖集中度评价结果为低，其中，p2为集中覆盖占比门限值。
进一步的，还包括：
展示lte网络覆盖集中度为高的小区。
根据本发明的另一个方面，提供了一种基于mr数据的lte小区集中度分析系统，包括：
统计模块，用于根据测量报告mr数据，统计在预设时间段内，ue终端通过每一个小区的lte网络向基站发送请求的tadv总采样点数以及对应的每一个tadv采样值；
计算分析模块，用于根据所述预设时间段内的每一个小区的tadv总采样点数以及对应的每一个tadv采样值，计算分析每一个小区的lte网络覆盖集中度。
根据本发明的再一个方面，提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行基于mr数据的lte小区集中度分析方法。
本发明提供的一种基于mr数据的lte小区集中度分析方法及系统，通过mr数据中tadv测量项，获取ue终端机在小区与基站的距离位置分布，判断出小区ue终端使用集中度情况，该发明对网络优化过程中的容量优化和分析工作提供了科学有效的分析小区周边用户规模的手段，能够快速准确提供集中度高小区列表，实用性强。
附图说明
图1为本发明一个实施例的基于mr数据的lte小区集中度分析方法流程图；
图2为本发明另一个实施例的基于mr数据的lte小区集中度分析方法流程图；
图3为本发明在一个实施例的基于mr数据的lte小区集中度的整个分析方法流程图；
图4为本发明一个实施例的基于mr数据的lte小区集中度分析系统连接框图；
图5为本发明另一个实施例的基于mr数据的lte小区集中度分析系统连接框图；
图6为图4和图5中计算解析模块的内部连接框图；
图7为本发明一个实施例的电子设备连接框图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
参见图1，提供了一种基于mr数据的lte小区集中度分析方法，能够对小区的lte网络覆盖集中度进行准确分析，应用于lte无线网络容量优化分析，该方法包括：根据测量报告mr数据，统计在预设时间段内，ue终端通过每一个小区的lte网络向基站发送请求的tadv总采样点数以及对应的每一个tadv采样值；根据所述预设时间段内的每一个小区的tadv总采样点数以及对应的每一个tadv采样值，计算分析每一个小区的lte网络覆盖集中度。
一个基站通常会覆盖周边多个小区，对于架设基站而言，需要对周边小区对lte网络的使用集中度进行分析，比如，如果周边小区使用lte网络的集中度非常高，那么有可能就需要在这些小区周边架设多个基站，相反，如果周边小区使用lte网络的集中度比较低，比如，偏远的一些地方，使用lte网络的用户比较少，那么架设多的基站也是浪费，这个时候在小区周边架设的基站可以适当减少，通过分析小区的集中度，对lte无线网络的容量进行优化。
本实施例是基于mr数据中tadv测量项来对每一个小区的lte网络覆盖集中度进行分析，在lte网络使用的过程中，每一个ue用户通过lte网络向基站请求数据，在不同的时间段，同一个ue用户在不同的地点，可能占用不同小区的lte网络向基站请求数据。因此，在统计的时候，只关心占用每一个小区的lte网络向基站请求数据的次数，以下称为采样点数。也就是说，根据收集的mr数据，统计在预设的时间段内，占用每一个小区的lte网络向基站请求数据的总采样点数以及每一个采样点对应的tadv采样值，其中，tadv采样值可以理解为ue用户通过lte网络向基站请求数据的时间提前量。一个ue用户向基站请求数据的时间提前量tadv采样值越小，表明该ue用户与基站的距离越近，相反，一个ue用户向基站请求数据的时间提前量tadv采样值越大，表明该ue用户与基站的距离越远。
通过收集的mr数据，统计预设时间段内，每个小区通过lte网络向基站请求数据的总采样点数以及每一个采样点对应的tadv采样值，通过对tadv采样点数和每一个tadv采样值的计算分析，即可得出每一个小区的lte网络覆盖集中度，进而对lte网络的容量进行优化。
在上述实施例的基础上，本发明一个实施例中，所述测量报告mr数据中包括ue终端每次向基站发送请求的tadv采样值、所占用的小区lte网络以及当前时间；所述根据测量报告mr数据，统计在预设时间段内，ue终端通过每一个小区的lte网络向基站发送请求的tadv总采样点数以及对应的每一个tadv采样值具体包括：根据所述mr数据中包括的ue终端每次向基站发送请求的tadv采样值、所占用的小区lte网络以及当前时间，统计得到在预设时间段内每一个小区对应的tadv总采样点数以及每一个采样点对应的tadv采样值。
其中，mr数据中包括ue终端每次向基站发送请求的tadv采样值、所占用的小区lte网络以及当前时间。根据每一个ue终端向基站请求数据时所占用lte网络所在的小区以及tadv采样值，得到tadv采样值与小区的关系，因此，得到每一个小区的各个tadv采样值，以及根据每一个ue终端向基站请求数据时的当前时间，统计在预设时间段内采集的每一个小区的tadv总采样点数以及每一个采样点对应的tadv采样值。
在上述各实施例的基础上，本发明的一个实施例中，所述根据所述预设时间段内的每一个小区的tadv总采样点数以及对应的每一个tadv采样值，计算分析每一个小区的lte网络覆盖集中度具体包括：根据所述预设时间内的每一个小区的tadv总采样点数以及每一个采样点对应的tadv采样值，分别通过tadv总采样点数因素计算方法、tadv阈值采样因素计算方法以及tadv权重采样因素计算方法计算分析每一个小区的lte网络覆盖集中度的评价结果；根据每一种方法计算分析出每一个小区的lte网络覆盖集中度的评价结果，确定每一个小区的lte网络覆盖集中度。
根据统计的预设时间段内的每一个小区的tadv采样点数以及每一个tadv采样值，分别通过tadv总采样点数因素计算方法、tadv阈值采样因素计算方法以及tadv权重采样因素计算方法分析计算每一个小区的lte网络覆盖集中度的评价结果。然后根据上述的每一种方法计算分析出来的每一个小区的lte网络覆盖集中度的评价结果，最终确定每一个小区的lte网络覆盖集中度的集中度。
在上述各个实施例的基础上，本发明的另一个实施例中，所述根据每一种方法计算分析出每一个小区的lte网络覆盖集中度的评价结果，确定每一个小区的lte网络覆盖集中度具体包括：针对每一个小区，若通过所述tadv总采样点数因素计算方法得到小区的评价结果为低，则该小区的lte网络覆盖集中度为低；若通过所述tadv总采样点数因素计算方法得到小区的评价结果为高，则继续采用所述tadv阈值采样因素计算方法对小区进行分析评价，当此时评价结果为高，则该小区的lte网络覆盖集中度为高；若采用所述tadv阈值采样因素计算方法得到小区的评价结果为低，则继续采用所述tadv权重采样因素计算方法对小区进行分析评价，当此时评价结果为高，则该小区的lte网络覆盖集中度为高，否则，该小区的lte网络覆盖集中度为低。
在本实施例中，将tadv总采样点数因素计算方法、tadv阈值采样因素计算方法以及tadv权重采样因素计算方法，三种计算分析方法向结合，共同确定每一个小区使用lte网络的集中度，确定的每一个小区的lte网络覆盖集中度结果相比采用单一的计算分析方法更准确。
在上述各实施例的基础上，本发明的另一个实施例中，所述通过tadv总采样点数因素计算方法计算分析每一个小区的lte网络覆盖集中度的评价结果具体包括：统计d天内每一个小区的tadv总采样点数，当所述tadv总采样点数大于等于l1时，小区的lte网络覆盖集中度评价结果为高；当所述tadv总采样点数小于l1且大于l2时，小区的lte网络覆盖集中度评价结果为低；其中，l1＝1000*d/3，l2＝200*d/3。
其中，通过tadv总采样点数因素计算方法计算分析每一个小区的lte网络覆盖集中度的评价结果的具体过程为，根据预设时间段内，比如,d天内每一个小区的tadv总采样点数，在通常的情况下，统计3天内每一个小区的tadv总采样点数。当d天内小区的tadv总采样点数大于l1时，则小区对应的lte网络覆盖集中度的评价结果为高，当d天内小区的tadv总采样点数小于l1且大于l2时，则小区对应的lte网络覆盖集中度的评价结果为低。其中，l1和l2的取值可根据天数d来合适的调整。
在上述各个实施例的基础上，本发明的一个实施例中，所述通过tadv阈值采样因素计算方法计算分析每一个小区的lte网络覆盖集中度评价结果具体包括：统计d天内每一个小区的tadv≤x的采样点数，以及计算p＝每一个小区的tadv≤x的采样点数/每一个小区的tadv总采样点数,其中，x为近端覆盖tadv门限值；若p1≤p≤100％，则小区的lte网络覆盖集中度评价结果为高，若0≤p＜p1％，则小区的lte网络覆盖集中度评价结果为低。
根据每一个小区的tadv总采样点数以及每一个tadv采样值，统计d天内每一个小区的tadv采样值≤x的采样点数，并计算每一个小区的tadv采样值≤x的采样点数所占该小区的tadv的总采样点数的比例，若这个占比在p1和100％之间，则小区对应的lte网络覆盖集中度的评价结果为高，若这个占比在0％和p1之间，则小区对应的lte网络覆盖集中度的评价结果为低，其中，p1的取值大约在40％-60％之间，x为近端覆盖tadv门限值，通常设置为1，可以根据基站的覆盖场景进行适当的调整，p1为近端覆盖占比门限值，通常设置为50％，也可以根据基站的覆盖场景进行适当的调整。
上述已经说明，每一个ue终端向基站请求数据的tadv采样值的大小能够表征ue终端与基站的距离的远近，本实施例通过计算tadv采样值≤x的采样点数与tadv总采样点数的占比，也就是距离基站较近的地方使用基站的占比，当这个占比比较大时，表明近距离与基站通信的次数比较多，因此，可以认为小区的集中度比较高，相反，占比小，则可以认为小区的集中度比较低。
在上述各实施例的基础上，本发明的一个实施例中，所述通过tadv权重采样因素计算方法计算分析每一个小区的lte网络覆盖集中度的评价结果具体包括：统计d天内每一个小区的tadv总采样点数以及每一个采样点对应的tadv采样值；根据每一个小区的所有的tadv采样值所属的取值范围，将取值范围按照相同间隔划分为w个区间，并统计每一个区间包含的tadv的采样点数n1，n2，n3,…,nw；找到n1，n2，n3,…,nw中的最大值nm，其中，若nm＝n1，则sn＝n1+n2；若nm＞n1，则sn＝nm-1+nm+nm+1，sn为用户集中采样点数；计算用户集中tadv占比p’＝sn/小区的tadv绝对总采样点数；若p2≤p’≤100％，则小区的lte网络覆盖集中度的评价结果为高，若0≤p’≤p2，则小区的lte网络覆盖集中度的评价结果为低，其中，p2为集中覆盖占比门限值。
本实施例通过找到与基站通信的最密集的距离区间以及该最密集区间的相邻距离区间的tadv采样点数与tadv总采样点数的占比，当这个占比比较高时，可以认为小区的集中度比较高，相反，占比小，则可以认为小区的集中度比较低。
当通过上述的计算分析方法分析出每一个小区的集中度后，将集中度为高的小区以列表的方式进行展示。
为深入了解本发明提供的基于mr数据的lte小区集中度分析方法，下面以一个具体的例子来进行说明。
根据收集的mr数据，统计预设时间段内每一个小区的tadv总采样点数以及每一个tadv采样值，比如，统计3天内每一个小区的tadv总采样点数以及每一个tadv采样值。参见图3，若某一个小区在3天内的tadv总采样点数小于等于1000，则该小区的集中度为低，若该小区在3天内的tadv的总采样点数大于1000，则继续判断tadv采样值≤1的采样点数占tadv总采样点数的占比是否大于等于50％，若是，则该小区的集中度为高，如果tadv采样值≤1的采样点数占tadv总采样点数的占比达不到50％，则对3天内采集的小区的所有的tadv采样值所在的范围，将tadv的采样值等距换分为多个取值区间，例如，划分为18个区间，0<tadv采样值<＝1的采样点数记录为n1，1<tadv采样值<＝2的采样点数记录为n2，2<tadv采样值<＝3的采样点数记录为n3，以此类推计算出tadv采样值的18区间的采样点数分别为n1-n18，找到n1-n18中最大值nm，m的取值为1到18。如果nm＝n1则sn＝n1+n2，sn为用户集中采样点数；如果nm>n1则sn＝nm-1+nm+nm+1。计算用户集中tadv占比p’＝sn/小区的tadv绝对总采样点数，判断p’是否等于50％，若是，则该小区的集中度为高，若p’小于50％，则该小区的集中度为低。
参见图4，提供了本发明一个实施例的基于mr数据的lte小区集中度分析系统，包括统计模块21和计算分析模块22。
统计模块21，用于根据测量报告mr数据，统计在预设时间段内，ue终端通过每一个小区的lte网络向基站发送请求的tadv总采样点数以及对应的每一个tadv采样值。
计算分析模块22，用于根据所述预设时间段内的每一个小区的tadv总采样点数以及对应的每一个tadv采样值，计算分析每一个小区的lte网络覆盖集中度。
参见图5，提供了本发明另一个实施例的基于mr数据的lte小区集中度分析系统，包括统计模块21、计算分析模块22、确定模块23和展示模块24。
统计模块21，用于根据测量报告mr数据，统计在预设时间段内，ue终端通过每一个小区的lte网络向基站发送请求的tadv总采样点数以及对应的每一个tadv采样值。
计算分析模块22，用于根据所述预设时间段内的每一个小区的tadv总采样点数以及对应的每一个tadv采样值，计算分析每一个小区的lte网络覆盖集中度。
其中，所述测量报告mr数据中包括ue终端每次向基站发送请求的tadv采样值、所占用的小区lte网络以及当前时间；相应的，统计模块21，具体用于根据所述mr数据中包括的ue终端每次向基站发送请求的tadv采样值、所占用的小区lte网络以及当前时间，统计得到在预设时间段内每一个小区对应的tadv总采样点数以及每一个采样点对应的tadv采样值。
计算分析模块22，用于根据所述预设时间内的每一个小区的tadv总采样点数以及每一个采样点对应的tadv采样值，分别通过tadv总采样点数因素计算方法、tadv阈值采样因素计算方法以及tadv权重采样因素计算方法计算分析每一个小区的lte网络覆盖集中度的评价结果；相应的，确定模块23，用于根据每一种方法计算分析出每一个小区的lte网络覆盖集中度的评价结果，确定每一个小区的lte网络覆盖集中度。
确定模块23，具体用于针对每一个小区，若通过所述tadv总采样点数因素计算方法得到小区的评价结果为低，则该小区的lte网络覆盖集中度为低；若通过所述tadv总采样点数因素计算方法得到小区的评价结果为高，则继续采用所述tadv阈值采样因素计算方法对小区进行分析评价，当此时评价结果为高，则该小区的lte网络覆盖集中度为高；若采用所述tadv阈值采样因素计算方法得到小区的评价结果为低，则继续采用所述tadv权重采样因素计算方法对小区进行分析评价，当此时评价结果为高，则该小区的lte网络覆盖集中度为高，否则，该小区的lte网络覆盖集中度为低。
展示模块24，用于展示lte网络覆盖集中度为高的小区。
参见图6，计算分析模块22包括第一计算分析子单元221、第二计算分析子单元222和第三计算分析子单元223。
其中，第一计算分析单元221，用于统计d天内每一个小区的tadv总采样点数，当所述tadv总采样点数大于等于l1时，小区的lte网络覆盖集中度评价结果为高；当所述tadv总采样点数小于l1且大于l2时，小区的lte网络覆盖集中度评价结果为低；其中，l1＝1000*d/3，l2＝200*d/3。
第二计算分析子单元222，用于统计d天内每一个小区的tadv≤x的采样点数，以及计算p＝每一个小区的tadv≤x的采样点数/每一个小区的tadv总采样点数,其中，x为近端覆盖tadv门限值；若p1≤p≤100％，则小区的lte网络覆盖集中度评价结果为高，若0≤p＜p1％，则小区的lte网络覆盖集中度评价结果为低。
第三计算分析子单元223，用于统计d天内每一个小区的tadv总采样点数以及每一个采样点对应的tadv采样值；根据每一个小区的所有的tadv采样值所属的取值范围，将所述取值范围按照相同间隔划分为w个区间，并统计每一个区间包含的tadv的采样点数n1，n2，n3,…,nw；找到n1，n2，n3,…,nw中的最大值nm，其中，若nm＝n1，则sn＝n1+n2；若nm＞n1，则sn＝nm-1+nm+nm+1，sn为用户集中采样点数；计算用户集中tadv占比p’＝sn/小区的tadv总采样点数；若p2≤p’≤100％，则小区的lte网络覆盖集中度评价结果为高，若0≤p’≤p2，则小区的lte网络覆盖集中度评价结果为低，其中，p2为集中覆盖占比门限值。
参见图7，提供了本发明一个实施例的电子设备，包括处理器(processor)701、存储器(memory)702和总线703；其中，所述处理器701和存储器702通过所述总线703完成相互间的通信。
所述处理器701用于调用所述存储器702中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：根据测量报告mr数据，统计在预设时间段内，ue终端通过每一个小区的lte网络向基站发送请求的tadv总采样点数以及对应的每一个tadv采样值；根据所述预设时间段内的每一个小区的tadv总采样点数以及对应的每一个tadv采样值，计算分析每一个小区的lte网络覆盖集中度。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分方法。
本发明提供的一种基于mr数据的lte小区集中度分析方法及系统，通过mr数据中tadv测量项，获取ue终端在小区与基站的距离位置分布，判断出小区ue终端使用集中度情况；在进行小区lte网络覆盖集中度的评价过程中，使用多种方法进行评价，相比采用单一的方法进行评价，最终确定的每一个小区的lte网络覆盖集中度的结果更加准确，该发明对网络优化过程中的容量优化和分析工作提供了科学有效的分析小区周边用户规模的手段，能够快速准确提供集中度高小区列表，实用性强。
最后，本申请的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。