一种LTE小区场景划分中的参数优化方法及装置与流程

本发明实施例涉及通信技术领域，具体涉及一种lte小区场景划分中的参数优化方法及装置。

背景技术：

lte(longtermevolution，长期演进)小区优化主要涉及系统内和系统间参数在规划阶段及后续优化阶段的优化设置，规划阶段根据小区附近无线环境、道路及mr深度覆盖需求、覆盖场景类型以及容量需求规划初步的小区站高、下倾角、频段及各类软硬参数配置，后续工程覆盖根据路测分析、话统及kpi(keyperformanceindicator，关键绩效指标)分析、mr(measurementreport，测量报告)分析等对小区切换、接入、无线资源调度配置参数进行优化。随着lte两年的大规模建设的推进，目前lte网络用户和业务量增长迅速，网络规模和基站数目已基本超越2/3g网络，lte精品网建设对站点精细化优化提出了更高的要求，网络优化难度增大，挑战增加。

目前传统的网络参数优化主要根据站点不同场景制定不同参数配置策略，场景分类方面首先主要根据无线环境和地理特征分为密集城区、城镇中心、一般城区、郊区农村等，其次根据覆盖区域地块用途和用户类型区分，主要分为居民区、商务楼宇、高校、交通枢纽等数十种场景。然后在这种传统站点场景分类下，制定不同的网络规划优化策略和参数配置策略后，分别从路测数据、mr、话统和kpi分析来进行优化工作。对于目前网络规模庞大，2/3/4g三张网共同覆盖、城市无线环境复杂且用户对4g业务需求日益增加的情况，传统的分场景优化已经逐渐无法满足lte精品网络精细化和高效率优化的需求，因此对tdl网络基于聚类算法的lte小区特征分类参数自动优化方法有必要进行研究。

在实现本发明实施例的过程中，发明人发现现有方法中现网对于小区特征的区分局限于覆盖区域地理场景和用户类型，且采用人工分类的方式，分类不够精确，并且实施优化时对所有区分为同样类型的小区配置统一参数策略，然后再进行小区级的个性化参数优化，优化分为区域和单站两个阶段，虽然同样能够做到精细化优化，但整个优化周期较长，对优化工程师的优化经验要求较高。

技术实现要素：

由于现有方法中现网对于小区特征的区分局限于覆盖区域地理场景和用户类型，采用人工分类的方式，分类不够精确，且整个优化周期较长，对优化工程师的优化经验要求较高的问题，本发明实施例提出一种lte小区场景划分中的参数优化方法及装置。

第一方面，本发明实施例提出一种lte小区场景划分中的参数优化方法，包括：

筛选lte小区的物理参数，并对所述物理参数进行相关性分析，得到第一维度参数；

获取校验小区的第二维度参数；

根据所述第一维度参数和所述第二维度参数，得到优化后的推荐参数配置。

可选地，所述对所述物理参数进行相关性分析，得到第一维度参数，具体包括：

对所述物理参数进行相关性分析，得到相关性分析结果，根据相关性阈值对所述相关性分析结果进行筛选，并对筛选后的物理参数进行归一化处理，得到第一维度参数。

可选地，所述根据所述第一维度参数和所述第二维度参数，得到优化后的推荐参数配置，具体包括：

根据k-means聚类算法，计算所述第一维度参数和所述第二维度参数的欧式距离；

根据距离阈值筛选得到目标维度参数，并获取所述目标维度参数对应的目标校验小区；

对各目标校验小区的目标维度参数的设置值进行比较，选择最大的设置值对应的目标维度参数作为优化后的推荐参数配置。

可选地，所述第一维度参数和所述第二维度参数均包括：本小区天线挂高、本小区总下倾角、邻小区参考信号接收功率平均值、邻小区rrc连接请求次数、邻小区平均单用户切换次数、邻小区下行平均mcs等级和邻小区下行平均tm3/8占比。

可选地，所述方法还包括：

将所述推荐参数配置与原参数配置进行对比，并根据对比结果确定是否下达所述推荐参数配置；

对使用所述推荐参数配置运行的校验小区进行性能评估，若性能评估的结果满足预设评估阈值，则确定所述推荐参数配置为目标参数配置。

第二方面，本发明实施例还提出一种lte小区场景划分中的参数优化装置，包括：

相关性分析模块，用于筛选lte小区的物理参数，并对所述物理参数进行相关性分析，得到第一维度参数；

维度参数获取模块，用于获取校验小区的第二维度参数；

参数优化模块，用于根据所述第一维度参数和所述第二维度参数，得到优化后的推荐参数配置。

可选地，所述相关性分析模块具体用于对所述物理参数进行相关性分析，得到相关性分析结果，根据相关性阈值对所述相关性分析结果进行筛选，并对筛选后的物理参数进行归一化处理，得到第一维度参数。

可选地，所述参数优化模块具体包括：

距离计算单元，用于根据k-means聚类算法，计算所述第一维度参数和所述第二维度参数的欧式距离；

参数筛选单元，用于根据距离阈值筛选得到目标维度参数，并获取所述目标维度参数对应的目标校验小区；

参数比较单元，用于对各目标校验小区的目标维度参数的设置值进行比较，选择最大的设置值对应的目标维度参数作为优化后的推荐参数配置。

可选地，所述相关性分析模块中所述第一维度参数和所述第二维度参数均包括：本小区天线挂高、本小区总下倾角、邻小区参考信号接收功率平均值、邻小区rrc连接请求次数、邻小区平均单用户切换次数、邻小区下行平均mcs等级和邻小区下行平均tm3/8占比。

可选地，所述方法还包括：

结果审核单元，用于将所述推荐参数配置与原参数配置进行对比，并根据对比结果确定下达所述推荐参数配置；

性能评估单元，用于对使用所述推荐参数配置运行的校验小区进行性能评估，若性能评估的结果满足预设评估阈值，则确定所述推荐参数配置为目标参数配置。

由上述技术方案可知，本发明实施例通过对lte小区的物理参数进行筛选和相关性分析，得到第一维度参数，结合校验小区的第二维度参数，得到优化后的推荐参数配置，不局限于覆盖区域地理场景和用户类型，采用自动分类方式，能够提高优化精确度和效率，以及共享共用优秀优化经验，降低对优化工程师的要求。

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简单地介绍，显而易见地，下面描述中的附图仅仅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的前提下，还可以根据这些图获得其他的附图。

图1为本发明一实施例提供的一种lte小区场景划分中的参数优化方法的流程示意图；

图2为本发明一实施例提供的一种lte小区场景划分中的参数优化方法的数据流示意图；

图3为本发明一实施例提供的一种lte小区场景划分中的参数优化验证的流程示意图；

图4为本发明一实施例提供的一种lte小区场景划分中的参数优化装置的结构示意图；

图5为本发明一个实施例中电子设备的逻辑框图。

具体实施方式

下面结合附图，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

图1示出了本实施例提供的一种lte小区场景划分中的参数优化方法的流程示意图，包括：

s101、筛选lte小区的物理参数，并对所述物理参数进行相关性分析，得到第一维度参数。

其中，所述相关性分析是指对两个或多个具备相关性的变量元素进行分析，从而衡量两个变量因素的相关密切程度。

所述对所述物理参数进行相关性分析，得到第一维度参数，具体包括：

对所述物理参数进行相关性分析，得到相关性分析结果，根据相关性阈值对所述相关性分析结果进行筛选，并对筛选后的物理参数进行归一化处理，得到第一维度参数。

具体地，图2示出了实施例的lte小区场景划分中的参数优化方法的数据流示意图，首先，基于相关性分析实现优秀参数配置验证及收集。

从现网的lte小区工程参数数据库、后台话统或者规划数据库(对于新站)获取小区的量化特征(选取lte小区无线参数数据及近3天的七个维度数据)。

参数筛选需选取小区物理参数，即在小区入网开启前即可输出的自变量，现网新入网站点中有如下类型参数可实现提取并存在分析价值：本小区天线挂高、本小区总下倾角、邻小区参考信号接收功率平均值、邻小区rrc连接请求次数、邻小区平均单用户切换次数、邻小区下行平均mcs等级、邻小区下行平均tm3/8占比、邻小区mr覆盖率、邻小区小区内的平均用户数、邻小区下行prb利用率。

对10个维度的参数进行相关性分析。参数维度间强相关性将引起数据聚类失真，需进行剔除。

其中3个参数对相关性较强(参考信号接收功率平均值与mr覆盖率相关性达0.87，rrc连接请求次数与小区内的平均用户数相关性达0.93，与prb利用率相关性达0.91)，因此对mr覆盖率、小区内的平均用户数和下行prb利用率数据进行剔除，仅保留其中的7个维度。

由于7个维度的权重不完全一致，在不进行数据处理的情况下，某些维度的影响程度较大。因此需要对7个参数维度实现归一化，使其在后续进行聚类分析时权重一致。

其中，采用的归一化方法为min-max标准化(min-maxnormalization)。该方法也称为离差标准化，是对原始数据的线性变换，使结果值映射到[0-1]之间。转换函数如下：

s102、获取校验小区的第二维度参数。

其中，所述校验小区为所述lte小区之外的小区，用于对所述lte小区进行校验。

所述第一维度参数和所述第二维度参数为相同的参数，对应不同的参数值。

具体地，如图2中左下框所示，首先选取现网校验小区非缺省参数配置。

小区维度参数(所述第一维度参数和所述第二维度参数)数据模板样例(合计54项)：

然后将校验小区的第二维度参数配置输入系统。

s103、根据所述第一维度参数和所述第二维度参数，得到优化后的推荐参数配置。

进一步地，s103具体包括：

s1031、根据k-means聚类算法，计算所述第一维度参数和所述第二维度参数的欧式距离；

s1032、根据距离阈值筛选得到目标维度参数，并获取所述目标维度参数对应的目标校验小区；

s1033、对各目标校验小区的目标维度参数的设置值进行比较，选择最大的设置值对应的目标维度参数作为优化后的推荐参数配置。

具体地，如图2中下面中间的框图所示，通过聚类算法配置小区匹配参数并输出推荐参数配置。

首先，提取现网新站小区的量化特征，并输入系统。

然后，根据小区的量化特征进行聚类，并针对小区匹配推荐参数配置。

其中，采用k-means聚类算法，通过计算小区与校验小区系列的欧式距离，得出推荐参数配置，具体算法描述如下：

a1、计算新站小区与每个校验小区序列7个维度量化特征的欧式距离；

a2、选取与新站小区欧式距离最近的n个校验小区，并输出清单；n缺省值为100，应用中可基于参数输出效果实现优化；

a3、对选出的n个校验小区中的54个维度参数相同设置值进行计数比较，对缺省输出的100个小区的54维度参数项参数值进行分别计数统计；

a4、选取54个维度参数中最大计数值对应的参数维度设置值作为新站小区优化设置值输出。

本实施例通过对lte小区的物理参数进行筛选和相关性分析，得到目标参数，结合校验小区的维度参数，得到优化后的推荐参数配置，不局限于覆盖区域地理场景和用户类型，采用自动分类方式，能够提高优化精确度和效率，以及共享共用优秀优化经验，降低对优化工程师的要求。

进一步地，在上述方法实施例的基础上，所述方法还包括：

s104、将所述推荐参数配置与原参数配置进行对比，并根据对比结果确定是否下达所述推荐参数配置；

s105、对使用所述推荐参数配置运行的校验小区进行性能评估，若性能评估的结果满足预设评估阈值，则确定所述推荐参数配置为目标参数配置。

其中，可以将目标参数配置导入原厂参数编译工具于原配置对比差异确认是否下达omc实施。

具体地，首先对比各个小区现网参数与推荐配置参数的差异，初步找出推荐值与现网已配值不同的参数根据实际情况进行审核，审核无问题则下达执行，若部分参数通过则可仅执行通过部分的参数。

然后参数配置下达后，持续评估优化小区及周边小区性能、覆盖和感知情况。在进行性能评估后，在未达到理想效果情况下，对小区选择数量n值进行调整，并重新进行c2，直至优化得到解决闭环。

本实施例通过聚类算法对lte小区进行精细化划分，通过自动优化软件输出推荐参数的方法，提升lte网络优化效率，增加优化精确性同时使优化动作对周边区域产生最小影响。应用了两套模型软件，分别为现网小区校验数据库和小区特征自动匹配输出优化参数软件，现网小区校验数据库对现网小区量化特征和维度参数设置进行输入，用于对新站小区进行基于欧式距离的匹配；小区特征自动匹配输出优化参数软件则基于欧式距离实现聚类并输出推荐参数配置供优化工程师参考。

本实施例还通过基于相关性分析实现优秀参数配置验证及收集，输入现网校验小区维度参数(第二维度参数)，通过聚类算法配置小区匹配参数并输出推荐参数配置，完成优化及评估工作并实时完善优秀小区配置。有效提升网优工作效率，提升网优参数优化精细程度，减少网络运维成本。

现网技术主要采用主观划分场景，进行针对性参数优化的方式，对工程师经验依赖较大，同时受相同参数不同厂家设备性能差异及不同厂家私有参数影响。而本方法通过小区量化特征及聚类算法进行小区精细化划分，直接匹配现网小区参数设置，从而使优秀优化参数推广更迅速，精确。

通过小区量化特征及聚类算法进行小区精细化划分。改变了传统的主观划分用户群及覆盖场景的方法，将小区网络结构、业务量、用户特征等可量化特征结合起来，客观精确的划分场景。提升后续优化精准度，减小参数调整对区域整体网络负面影响，避免拆东墙补西墙的优化动作发生。该方法操作简单，涵盖参数广，可根据工程师需求快速实现。相关小区参数配置随着lte网络建设优化更新，越使用越成熟。不需要改变网络结构，操作简单，不存在网络风险。仅需导出相关数据交由软件分析，并基于分析结果对相关小区进行参数修改即可。

以下通过具体的实例说明lte小区场景划分中的参数优化方法，参见图3：

b1、对现网校验小区7个量化特征进行提取并进行归一化处理，连同涉及小区的维度参数一并输入软件系统。

b2、选取的15个待测试小区，设备已入网，非工程状态，已完成/或正在进行簇优化阶段的新建小区。提取小区的量化特征并输入软件系统，在缺省值配置下由软件通过k-means聚类算法给出每个小区推荐使用的维度参数配置方案。对比各个小区现网参数与推荐配置的参数的差异，初步找出推荐值与现网已配置不同的参数，提交区域优化工程师审核，待审核确认最终参数方案后，执行参数修改操作。

b3、确认站点无故障，做好原参数备份。

b4、将参数方案输入厂家参数脚本编译工具，通过厂家omc网元下达参数修改。

b5、参数修改执行后，需连续至少3天监测小区性能指标，输出网管性能统计指标。针对小区选择数量n值调整为50、80、120和150分别进行优化运算，得到各n值配置下的优化效果。

各配置下业务量基本保持平稳状态，从验证效果评估，n取值从优至劣分别为100>50>80>120>150。

从各项kpi指标对比情况来看，n取值从优至劣分别为50＝100>120>80>150。

基于n值优化的验证结果，当n值取默认值100时，效果相对最佳。后续在日常优化应用中保留n＝100的应用。整个优化流程得到闭环。

由此可知，本实施例提供的方法有效使lte小区参数优化更加精确高效。对lte小区使用聚类算法进行精细划分，相比传统主观场景划分更为量化，更为准确，提高了后续优化的准确性。直接验证并收集现网局部性能优秀的小区参数配置，克服无线设备厂家多，私有参数多，平时参数优化关注参数有限的问题，同时迅速实现优秀参数样例的推广和应用。不需要改变网络结构，操作简单，不存在网络风险。仅需导出相关数据交由软件分析，并基于分析结果和优化工程师经验对相关小区进行修改即可。综上所述，在该方法下，能够精确、灵活、有效地提升区域内lte网络优化效率和效果，整个过程风险小且成本低，有效减少运维成本，提升网优效率，提升公司经济效益。

本实施例可以有效提升规划和优化精细化程度和效率，减少运营商的优化周期、迅速推广落实共享优秀优化实例，在目前现网无线侧设备存在多家厂家且厂家私有参数众多，而现网各类无线环境场景复杂的情况下，本方法能够避免不同厂家设备性能在相同参数配置下的差异，提供一种在复杂场景下通过聚类算法精细化区分小区参数设置的方法。本方法通过导入现网数据并基于聚类算法，自动识别小区场景匹配推荐参数，可直接在omc上下达。

图4示出了本实施例提供的一种lte小区场景划分中的参数优化装置的结构示意图，所述装置包括：相关性分析模块401、维度参数获取模块402和参数优化模块403，其中：

所述相关性分析模块401，用于筛选lte小区的物理参数，并对所述物理参数进行相关性分析，得到第一维度参数；

所述第二维度参数获取模块402，用于获取校验小区的第二维度参数；

所述参数优化模块403，用于根据所述第一维度参数和所述第二维度参数，得到优化后的推荐参数配置。

具体地，所述相关性分析模块401筛选lte小区的物理参数，并对所述物理参数进行相关性分析，得到第一维度参数；所述第二维度参数获取模块402获取校验小区的第二维度参数；所述参数优化模块403根据所述第一维度参数和所述第二维度参数，得到优化后的推荐参数配置。

本实施例通过对lte小区的物理参数进行筛选和相关性分析，得到第一维度参数，结合校验小区的第二维度参数，得到优化后的推荐参数配置，不局限于覆盖区域地理场景和用户类型，采用自动分类方式，能够提高优化精确度和效率，以及共享共用优秀优化经验，降低对优化工程师的要求。

进一步地，在上述装置实施例的基础上，所述相关性分析模块401具体用于对所述物理参数进行相关性分析，得到相关性分析结果，根据相关性阈值对所述相关性分析结果进行筛选，并对筛选后的物理参数进行归一化处理，得到第一维度参数。

进一步地，在上述装置实施例的基础上，所述参数优化模块403具体包括：

距离计算单元，用于根据k-means聚类算法，计算所述第一维度参数和所述第二维度参数的欧式距离；

参数筛选单元，用于根据距离阈值筛选得到目标维度参数，并获取所述目标维度参数对应的目标校验小区；

参数比较单元，用于对各目标校验小区的目标维度参数的设置值进行比较，选择最大的设置值对应的目标维度参数作为优化后的推荐参数配置。

进一步地，在上述装置实施例的基础上，所述相关性分析模块中所述第一维度参数和所述第二维度参数均包括：本小区天线挂高、本小区总下倾角、邻小区参考信号接收功率平均值、邻小区rrc连接请求次数、邻小区平均单用户切换次数、邻小区下行平均mcs等级和邻小区下行平均tm3/8占比。

进一步地，在上述装置实施例的基础上，所述方法还包括：

结果审核单元，用于将所述推荐参数配置与原参数配置进行对比，并根据对比结果确定下达所述推荐参数配置；

性能评估单元，用于对使用所述推荐参数配置运行的校验小区进行性能评估，若性能评估的结果满足预设评估阈值，则确定所述推荐参数配置为目标参数配置。

本实施例所述的lte小区场景划分中的参数优化装置可以用于执行上述方法实施例，其原理和技术效果类似，此处不再赘述。

参照图5，所述电子设备，包括：处理器(processor)501、存储器(memory)502和总线503；

其中，

所述处理器501、存储器502通过所述总线503完成相互间的通信；

所述处理器501用于调用所述存储器502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：

筛选lte小区的物理参数，并对所述物理参数进行相关性分析，得到第一维度参数；

获取校验小区的第二维度参数；

根据所述第一维度参数和所述第二维度参数，得到优化后的推荐参数配置。

本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：

筛选lte小区的物理参数，并对所述物理参数进行相关性分析，得到第一维度参数；

获取校验小区的第二维度参数；

根据所述第一维度参数和所述第二维度参数，得到优化后的推荐参数配置。

本实施例提供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上述各方法实施例所提供的方法，例如包括：

筛选lte小区的物理参数，并对所述物理参数进行相关性分析，得到第一维度参数；

获取校验小区的第二维度参数；

根据所述第一维度参数和所述第二维度参数，得到优化后的推荐参数配置。

本领域普通技术人员可以理解：实现上述方法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，执行包括上述方法实施例的步骤；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。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

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所述的方法。

应说明的是：以上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精神和范围。