本发明涉及一种LTE(LongTermEvolution)小区负载评价方法，更具体地说，涉及一种基于FAHP(Fuzzyanalytichierarchyprocess)-集成学习的LTE小区负载评价方法。
背景技术：
：随着4G网络全面铺开、LTE网络建设规模的持续扩大，移动运营商对LTE小区运行状况进行实时监控，LTE设备会定时产生小区性能指标用于查询及分析。当前小区性能负载分析主要依靠网络优化人员根据工作经验，通过人工方式以LTE小区原始性能指标为基础，计算出关键性能指标并对LTE小区关键性能指标进行监控。根据信道利用率为基础，同时参考有效用户数和小区吞吐量来分析小区负载情况。其局限在于指标选择计算需要人工完成，并且需要通过网络优化人员的主观评价来得出小区负载结果。这样不仅需要大量的人工，而且无法及时获得LTE网络的整体运行情况，并且发现存在部分LTE小区性能利用不高，同时用户的感知不好的情况。现有的评价方法有主观评价方法，例如模糊综合评价法、主成分分析法等；机器学习方法有SVM(SupportVectorMachine,支持向量机)、Bayes(贝叶斯)等；客观评价方法如层次分析法等。上述方法都有一定的缺陷，主观评价方法对其指标权重确定过程中主观因素较强。客观评价方法则存在定量因素较少，定性成分过多的问题，机器学习方法需要样本驱动进行模型的训练。因此，一种能够自动进行客观评价网络负载的方法就显得十分重要，需要一种能够综合关键性能指标进行量化分类，客观评价LTE小区负载运行状态，实现LTE小区负载自动评价。技术实现要素：为了克服现有技术中存在的不足，本发明目的是提供一种基于FAHP-集成学习的LTE小区负载评价方法。该评价方法不仅减少人工参与，还可以自动化评价全网LTE小区，了解全网运行情况，克服部分LTE小区性能利用不高，同时用户的感知不好的情况，并且实现了比较全面客观地对LTE小区负载的评价。为了实现上述发明目的，解决已有技术中所存在的问题，本发明采取的技术方案是：一种基于FAHP-集成学习的LTE小区负载评价方法，包括以下步骤：步骤1、获取LTE小区原始性能指标，计算关键性能指标，具体包括以下子步骤：(a)、获取移动北向标准规定的LTE小区原始性能指标，具体指标为小区用户面下行字节数、小区用户面上行字节数、有效RRC连接平均数、E-RAB建立成功数、下行PDSCHPRB可用平均数、下行PDSCHPRB占用平均数、上行PUSCHPRB可用平均数、上行PUSCHPRB占用平均数，LTE小区原始性能指标按照小时粒度进行统计；(b)、以LTE小区原始性能指标为基础，计算关键性能指标，如：小区平均E-RAB＝(小区用户面上行字节数+小区用户面下行字节数)/E-RAB建立成功数，无线利用率＝3/4*下行使用PRB平均数/下行PRB资源数+1/4*上行PRB平均数/上行PRB资源数，下行PRB利用率＝下行使用PRB平均数/下行PRB资源数，上行PRB利用率＝上行使用PRB平均数/上行PRB资源数，上行吞吐量＝小区用户面上行字节数/1024，下行吞吐量＝小区用户面下行字节数/1024；步骤2、构建LTE小区负载评价指标体系，依据小区感知分类标准，将小区分为小包类业务小区、中包类业务小区及大包类业务小区，构建目标层及指标层，具体包括以下子步骤：(a)、按照小区感知分类标准：小区平均E-RAB<300kb,300kb<小区平均E-RAB<1000kb及小区平均E-RAB>1000kb，将全网分为小包类业务小区、中包类业务小区及大包类业务小区。(b)、对关键性能指标按照小区无线利用率自忙时筛选忙时数据，再以周为单位进行统计，建立以LTE小区负载评价作为目标层，下行PRB利用率、上行PRB利用率、上行吞吐量、下行吞吐量及RRC连接平均数作为指标层；步骤3、确定LTE小区负载评价标准，将小区负载状况划分为拥塞、高负载、良好、一般、低负载五个状态等级，并构造出各等级的得分向量V＝{0.9,0.7,0.5,0.3,0.1}；步骤4、采用层次分析法确定各大、中、小包类业务小区指标权重，根据网络优化人员经验，构造判断矩阵，然后计算各指标权重，具体包括以下子步骤：(a)、采用1-9标度法对关键性能指标之间重要度判断，构造判断矩阵S，式中，S1表示小包类业务判断矩阵、S2表示中包类业务判断矩阵、S3表示大包类业务判断矩阵；(b)、计算判断矩阵S的最大特征值λmax及特征值对应的特征向量，将此特征向量归一化即为所求权重向量A；(c)、根据公式(2)计算相容性指标CI，对构建的判断矩阵S进行一致性检验，当CI＜0.1时，判断矩阵S满足一致性；当CI≥0.1时，则需要对判断矩阵S进行调整，一直调整到满足一致性，CI＝(λmax-n)/(n-1)(2)式中，n为判断矩阵S的阶数；步骤5、采用模糊综合评价法及Kmeans聚类确定学习样本的评价分类，根据网络实际情况，建立学习样本的模糊关系矩阵，获得学习样本的评价分数及对应分类，具体包括以下子步骤：(a)、对小包类业务小区、中包类业务小区、大包类业务小区性能指标采用Kmeans方法进行分类，获得每类的中心点并采用专家打分的方法，对每一具体指标按照拥塞、高负载、良好、一般、低负载五个状态进行评价，建立模糊关系矩阵R；(b)、根据公式(3)计算LTE小区负载评价向量F，F＝A·R(3)式中，A为指标的权重向量，R为构建的模糊关系矩阵；(c)、根据公式(4)计算LTE小区负载评价值y，y＝F·V(4)式中，F为LTE小区负载评价向量，V为各等级的得分向量；根据评价值与评价分类的对应关系确定评价类别，生成学习样本；步骤6、采用集成学习方法生成自动评价模型，根据步骤1-5确定的学习样本，以学习样本的关键性能指标值作为模型的输入值，以学习样本的评价分类作为模型的输出值，建立并训练模型，具体包括以下子步骤：(a)、输入学习样本，按照公式(5)进行指标归一化处理，使输入值都介于0-1之间，xnorm＝(xk-xmin)/(xmax-xmin)(5)式中，xk表示输入样本，xmin表示数据序列中的最小值，xmax表示数据序列中的最大值,xnorm表示归一化的数据；(b)、选用机器学习分类模型逻辑回归、决策树、朴素贝叶斯、支持向量机、K最近邻构成集成学习的分类模型；(c)、训练各分类器；(d)、集成学习模型选择加权投票法给出评价结果。本发明有益效果是：一种基于FAHP-集成学习的LTE小区负载评价方法，包括以下步骤：(1)获取LTE小区原始性能指标，计算关键性能指标，(2)构建LTE小区负载评价指标体系，(3)确定LTE小区负载评价标准，(4)采用层次分析法确定各大、中、小包类业务小区指标权重，(5)采用模糊综合评价法及Kmeans聚类确定学习样本的评价分类，(6)采用集成学习方法生成自动评价模型。与已有技术相比，本发明利用专家知识及经验构建模型，而又不依赖于专家，使得评估结果客观、准确。该发明方法综合无线利用率、流量、使用人数各方面指标，能够全面地评估LTE小区的负载，通过运用集成学习模型对LTE小区的负载自动评价，与经典的机器学习算法相比提升了准确性，并可以指导移动运营商网络优化部门对LTE小区负载进行有效的监控，大大降低了人工及时间成本。附图说明图1是本发明方法步骤流程图。图2为本发明部分小包类业务小区2016.8.1-2016.8.7负载评价结果折线图(纵坐标1到5分别对应拥塞、高负载、良好、一般、低负载五类小区评价结果)。图3为本发明部分中包类业务小区2016.8.1-2016.8.7负载评价结果折线图(纵坐标1到5分别对应拥塞、高负载、良好、一般、低负载五类小区评价结果)。图4为本发明部分大包类业务小区2016.8.1-2016.8.7负载评价结果折线图(纵坐标1到5分别对应拥塞、高负载、良好、一般、低负载五类小区评价结果)。图5为本发明小包类业务小区2016.8.1-2016.8.7机器学习分类算法与集成学习模型通过交叉验证分类准确性和标准差对比结果图。图6为本发明中包类业务小区2016.8.1-2016.8.7机器学习分类算法与集成学习模型通过交叉验证分类准确性和标准差对比结果图。图7为本发明大包类业务小区2016.8.1-2016.8.7机器学习分类算法与集成学习模型通过交叉验证分类准确性和标准差对比结果图。具体实施方式下面结合附图对本发明作进一步说明。如图1所示，一种基于FAHP-集成学习的LTE小区负载评价方法，包括以下步骤：步骤1、获取LTE小区原始性能指标，计算关键性能指标，具体包括以下子步骤：(a)、获取移动北向标准规定的LTE小区原始性能指标，具体指标为小区用户面下行字节数、小区用户面上行字节数、有效RRC连接平均数、E-RAB建立成功数、下行PDSCHPRB可用平均数、下行PDSCHPRB占用平均数、上行PUSCHPRB可用平均数、上行PUSCHPRB占用平均数，LTE小区原始性能指标按照小时粒度进行统计；(b)、以LTE小区原始性能指标为基础，计算关键性能指标，如：小区平均E-RAB＝(小区用户面上行字节数+小区用户面下行字节数)/E-RAB建立成功数，无线利用率＝3/4*下行使用PRB平均数/下行PRB资源数+1/4*上行PRB平均数/上行PRB资源数，下行PRB利用率＝下行使用PRB平均数/下行PRB资源数，上行PRB利用率＝上行使用PRB平均数/上行PRB资源数，上行吞吐量＝小区用户面上行字节数/1024，下行吞吐量＝小区用户面下行字节数/1024；步骤2、构建LTE小区负载评价指标体系，依据小区感知分类标准，将小区分为小包类业务小区、中包类业务小区及大包类业务小区，构建目标层及指标层，具体包括以下子步骤：(a)、按照小区感知分类标准：小区平均E-RAB<300kb,300kb<小区平均E-RAB<1000kb及小区平均E-RAB>1000kb，将全网分为小包类业务小区、中包类业务小区及大包类业务小区。(b)、对关键性能指标按照小区无线利用率自忙时筛选忙时数据，再以周为单位进行统计，建立以LTE小区负载评价作为目标层，下行PRB利用率、上行PRB利用率、上行吞吐量、下行吞吐量及RRC连接平均数作为指标层；步骤3、确定LTE小区负载评价标准，将小区负载状况划分为拥塞、高负载、良好、一般、低负载五个状态等级，并构造出各等级的得分向量V＝{0.9,0.7,0.5,0.3,0.1}；步骤4、采用层次分析法确定各大、中、小包类业务小区指标权重，根据网络优化人员经验，构造判断矩阵，然后计算各指标权重，具体包括以下子步骤：(a)、采用1-9标度法对关键性能指标之间重要度判断，构造判断矩阵S，式中，S1表示小包类业务判断矩阵、S2表示中包类业务判断矩阵、S3表示大包类业务判断矩阵；(b)、计算判断矩阵S的最大特征值λmax及特征值对应的特征向量，将此特征向量归一化即为所求权重向量A；(c)、根据公式(2)计算相容性指标CI，对构建的判断矩阵S进行一致性检验，当CI＜0.1时，判断矩阵S满足一致性；当CI≥0.1时，则需要对判断矩阵S进行调整，一直调整到满足一致性，CI＝(λmax-n)/(n-1)(2)式中，n为判断矩阵S的阶数，计算得出的各指标权重如表1所示。表1步骤5、采用模糊综合评价法及Kmeans聚类确定学习样本的评价分类，根据网络实际情况，建立学习样本的模糊关系矩阵，获得学习样本的评价分数及对应分类，具体包括以下子步骤：(a)、对小包类业务小区、中包类业务小区、大包类业务小区性能指标采用Kmeans方法进行分类，获得每类的中心点并采用专家打分的方法，对每一具体指标按照拥塞、高负载、良好、一般、低负载五个状态进行评价，建立模糊关系矩阵R，其中，小包类业务小区指标阈值、中包类业务小区指标阈值及大包类业务小区指标阈值分别如表2-1、2-2及2-3所示。表2-1指标I1I2I3I4I5拥塞44.45854.060296.600445.888133.766高负载30.82839.058194.697251.32376.096良好18.39826.567118.008151.98645.605一般10.48415.58860.78277.91823.544低负载3.2243.62712.54215.1384.744表2-2指标I1I2I3I4I5拥塞74.30864.631585.157614.345109.714高负载56.93050.423360.608343.01959.093良好35.36335.889213.118189.88035.124一般17.56619.063106.84190.81219.453低负载4.9464.7125.3721.7995.356表2-3指标I1I2I3I4I5拥塞63.5859.459592.524575.57273.109高负载45.74341.683348.091284.12236.203良好27.10225.593183.572166.14817.629一般15.94313.490108.28565.4008.569低负载5.5374.24432.80118.8713.077表中，I1为下行PRB利用率、I2为上行PRB利用率、I3为上行吞吐量、I4为下行吞吐量、I5为RRC连接平均数。(b)、根据公式(3)计算LTE小区负载评价向量F，F＝A·R(3)式中，A为指标的权重向量，R为构建的模糊关系矩阵；(c)、根据公式(4)计算LTE小区负载评价值y，y＝F·V(4)式中，F为LTE小区负载评价向量，V为各等级的得分向量；根据评价值与评价分类的对应关系确定评价类别，生成学习样本，评价分类与评价值对应关系如表3所示。表3指标拥塞高负载良好一般低负载数值0.8-10.6-0.790.4-0.590.2-0.390-0.19步骤6、采用集成学习方法生成自动评价模型，根据步骤1-5确定的学习样本，以学习样本的关键性能指标值作为模型的输入值，以学习样本的评价分类作为模型的输出值，建立并训练模型，具体包括以下子步骤：(a)、输入学习样本，按照公式(5)进行指标归一化处理，使输入值都介于0-1之间，xnorm＝(xk-xmin)/(xmax-xmin)(5)式中，xk表示输入样本，xmin表示数据序列中的最小值，xmax表示数据序列中的最大值,xnorm表示归一化的数据；(b)、选用机器学习分类模型逻辑回归、决策树、朴素贝叶斯、支持向量机、K最近邻构成集成学习的分类模型；(c)、训练各分类器；(d)、集成学习模型选择加权投票法给出评价结果；现将该发明方法评价与专家给出的评价作对比，以专家评价分类作为对比标准，分别计算出各经典分类模型和集成学习模型准确率和标准偏差估计，其中小包类业务小区4201个、中包类业务小区5590、大包类业务小区3679个，选取时间为2016年8月1日--2016年8月7日，部分LTE小区负载评价如图2、3、4所示；其各机器学习模型准确率和标准偏差如图5、6、7所示；具体小包类业务小区、中包类业务小区及大包类业务小区机器学习模型准确率、标准偏差如表4-1、4-2及4-3所示：表4-1模型准确率标准偏差逻辑回归0.80270.0103决策树0.91360.0115朴素贝叶斯0.92190.0082支持向量机0.49270.0009K最近邻0.89770.0122集成学习0.93100.0061表4-2模型准确率标准偏差逻辑回归0.85210.0123决策树0.93260.0029朴素贝叶斯0.92430.0054支持向量机0.55210.0005K最近邻0.91560.0029集成学习0.94420.0063表4-3模型准确率标准偏差逻辑回归0.80670.0110决策树0.92440.0100朴素贝叶斯0.91220.0078支持向量机0.48790.0010K最近邻0.88390.0099集成学习0.93010.0097本发明优点在于：一种基于FAHP-集成学习的LTE小区负载评价方法，既利用专家知识及经验构建模型，而又不完全依赖于专家，使得评估结果客观、准确。该发明方法综合无线利用率、流量、使用人数各方面指标，能够全面地评估LTE小区的负载。该发明方法通过运用集成学习模型对LTE小区的负载自动评价，与经典的机器学习算法相比提升了准确性，可以指导移动运营商网络优化部门对LTE小区负载有效的监控，并且大大降低了人工及时间成本。当前第1页1 2 3