本发明涉及无线通信领域,尤其是一种质差小区的识别方法、装置、电子设备及存储介质。
背景技术:
1、随着5g业务的蓬勃发展,5g用户数已经超过10亿户,我国5g基站总数达210万个,占移动基站总数的19.8%。网络若想正常运行,则整个网络的小区性能指标均需要符合标准,但是随着无线基站的业务量飞速增长和长时间运行,网络故障及网络性能劣化对用户感知的影响度逐渐增大,对于网络优化的自动化要求越来越高。在5g网络中,小区的网络指标众多,表征无线小区的性能、覆盖和感知等方面的kpi指标达到千个以上,指标与指标之间存在关联性,若每一个基站都监控千个以上指标则负荷过高,如何有效的发现质差小区、准确界定原因对于提高5g网络的性能有着巨大的意义。
技术实现思路
1、有鉴于此,本发明实施例提供一种质差小区的识别方法、装置、电子设备及存储介质,用于有效地发现质差小区及准确界定质差原因。
2、本发明实施例的一方面提供了一种质差小区的识别方法,包括:
3、获取待监测的多个小区在设定时间内的无线指标数据;所述小区为无线通信用户所处的小区;所述无线指标数据包括多个大类指标数据;
4、从每类所述无线指标数据中获取对应的特征指标数据;
5、根据所述特征指标数据构建时间序列机器学习算法的验证模型;
6、将所述特征指标数据输入所述验证模型得到验证数据,并将所述特征指标数据与所述验证数据进行对比;
7、根据对比结果对所述特征指标数据打分,并根据打分结果从所述多个小区中筛选出所述特征指标数据未达到设定阈值的质差小区。
8、可选地,所述获取待监测的多个小区在设定时间内的无线指标数据,包括:
9、获取待监测的多个小区在设定时间内用于评价无线通信覆盖指标的mr测量数据、用于评价无线通信性能指标的omc北向pm数据以及用于评价用户感知指标的dpi xdr数据。
10、可选地,所述从每类所述无线指标数据中获取对应的特征指标数据,包括:
11、对所述mr测量数据计算皮尔森相关系数,得到所述mr测量数据对应的各个第一指标数据之间的第一相关系数,将所述第一相关系数达到设定阈值的各个所述第一指标数据合并,并获取rsrp弱覆盖占比、下行低sinr占比以及重叠覆盖度作为所述mr测量数据对应的第一特征指标数据;
12、对所述omc北向pm数据计算皮尔森相关系数,得到所述omc北向pm数据对应的各个第二指标数据之间的第二相关系数,将所述第二相关系数达到设定阈值的各个所述第二指标数据合并,并获取无线接通率、掉线率、切换成功率、无线上行丢包率、无线下行丢包率、网络负载以及平均激活用户数作为所述omc北向pm数据对应的第二特征指标数据;
13、对所述dpi xdr数据计算皮尔森相关系数,得到所述dpi xdr数据对应的各个第三指标数据之间的第三相关系数,将所述第三相关系数达到设定阈值的各个所述第三指标数据合并,并获取dns_建立时延、dns查询成功率、http页面访问时延、tcp建立成功率、tcp下行rtt_all、tcp上行rtt_all、video_卡顿率、video_视频播放成功率以及video_视频下载速率作为所述dpi xdr数据对应的第三特征指标数据。
14、可选地,所述验证模型的构建过程,包括:
15、确定所述特征指标数据关于时间序列的趋势数据、周期性数据以及随机波动数据;
16、对所述趋势数据、周期性数据以及随机波动数据构建加法模型,作为所述验证模型,所述加法模型的表达式为:y(t)=t(t)+s(t)+r(t),其中,y(t)表示所述加法模型,t(t)表示所述趋势数据,s(t)表示所述周期性数据,r(t)表示所述随机波动数据。
17、可选地,所述根据所述特征指标数据构建时间序列机器学习算法的验证模型,包括:
18、对每个小区的每类特征指标数据构建对应的时间序列机器学习算法的验证模型。
19、可选地,所述将所述特征指标数据与所述验证数据进行对比,包括:
20、将所述特征指标数据与所述验证数据作差,并将作差结果与所述随机波动数据进行对比。
21、可选地,所述根据对比结果对所述特征指标数据打分,并根据打分结果从所述多个小区中筛选出所述特征指标数据未达到设定阈值的质差小区,包括:
22、利用线性打分算法并根据对比结果对每个特征指标数据打分;
23、按照平均权重对每个小区的特征指标数据打分计算每个小区的综合评分;
24、将综合评分未达到设定阈值的小区确定为质差小区。
25、本发明实施例的另一方面还提供了一种质差小区的识别装置,包括:
26、无线指标获取单元,用于获取待监测的多个小区在设定时间内的无线指标数据;所述小区为无线通信用户所处的小区;所述无线指标数据包括多个大类指标数据;
27、特征指标获取单元,用于从每类所述无线指标数据中获取对应的特征指标数据;
28、验证模型构建单元,用于根据所述特征指标数据构建时间序列机器学习算法的验证模型;
29、验证数据对比单元,用于将所述特征指标数据输入所述验证模型得到验证数据,并将所述特征指标数据与所述验证数据进行对比;
30、质差小区识别单元,用于根据对比结果对所述特征指标数据打分,并根据打分结果从所述多个小区中筛选出所述特征指标数据未达到设定阈值的质差小区。
31、本发明实施例的另一方面还提供了一种电子设备,包括处理器以及存储器;
32、所述存储器用于存储程序;
33、所述处理器执行所述程序实现所述的一种质差小区的识别方法。
34、本发明实施例的另一方面还提供了一种计算机可读存储介质,所述存储介质存储有程序,所述程序被处理器执行实现所述的一种质差小区的识别方法。
35、本发明实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行前面的方法。
36、本发明针对待监测的多个小区,获取多个大类的无线指标数据,涉及的数据源丰富,相较于现有技术仅根据单一指标识别质差小区,本发明可以基于数据种类丰富的无线指标数据全面地对多个小区进行质差识别;而且,通过无线指标数据中具有代表性的特征指标数据,可以减少计算量,同时少量数据、分类分析,如此选取的指标数据既保证了完备性,又具有特征性;进而根据算法运行简单的时间序列机器学习算法的验证模型获取验证数据,面对庞大的数据量也能精准且高效地识别出质差小区,避免了高负荷的识别运算过程;因此,本发明识别速度快,灵敏度高,可以精准识别出质差小区。
1.一种质差小区的识别方法,其特征在于,包括:
2.根据权利要求1所述的一种质差小区的识别方法,其特征在于,所述获取待监测的多个小区在设定时间内的无线指标数据,包括:
3.根据权利要求2所述的一种质差小区的识别方法,其特征在于,所述从每类所述无线指标数据中获取对应的特征指标数据,包括:
4.根据权利要求1所述的一种质差小区的识别方法,其特征在于,所述验证模型的构建过程,包括:
5.根据权利要求4所述的一种质差小区的识别方法,其特征在于,所述根据所述特征指标数据构建时间序列机器学习算法的验证模型,包括:
6.根据权利要求4所述的一种质差小区的识别方法,其特征在于,所述将所述特征指标数据与所述验证数据进行对比,包括:
7.根据权利要求1所述的一种质差小区的识别方法,其特征在于,所述根据对比结果对所述特征指标数据打分,并根据打分结果从所述多个小区中筛选出所述特征指标数据未达到设定阈值的质差小区,包括:
8.一种质差小区的识别装置,其特征在于,包括:
9.一种电子设备,其特征在于,包括处理器以及存储器;
10.一种计算机可读存储介质,其特征在于,所述存储介质存储有程序,所述程序被处理器执行实现如权利要求1至7中任一项所述的一种质差小区的识别方法。