一种无线通信网络性能优化方法、装置及存储介质与流程

本技术涉及无线网络相关，特别涉及一种无线通信网络性能优化方法、装置及存储介质。

背景技术：

1、随着移动通信技术的迅猛发展，各种无线接入网络广泛应用于人们的生产生活中。为满足用户日益增长的网络业务需求，需要不断优化无线通信网络的性能。然而传统的人工经验法网络优化存在效率低下、效果难以预测等问题。为实现无线网络的智能自动优化，各种自主优化技术应运而生。

2、无线网络自优化技术根据网络状态自动调整参数，例如信道分配、发射功率等，以提升网络性能。但由于网络环境复杂多变，自优化操作本身可能引入干扰，反而降低网络稳定性。因此如何在提升性能的同时保证优化过程的平稳性和稳定性，是无线网络自优化技术面临的挑战。

3、在相关技术中，比如中国专利文献cn116405954a中提供了一种无线网络自优化方法、系统、装置及可读存储介质，方法包括：确定待优化小区的网络问题，网络问题包括容量覆盖问题；若出现容量覆盖问题，执行本地优化策略，本地优化策略包括扇区化处理和智能反射面辅助处理；更新小区性能指标数据；根据更新后的小区性能指标数据确定本地处理结果；若本地处理结果表征容量覆盖问题未解决，执行另一本地优化策略或小区协作优化策略，小区协作优化策略包括负载均衡处理和干扰协调处理。但是该方案存在：扇区化处理和智能反射面处理等本地优化策略效果存在时滞，多个小区协同优化也需要协调过程，因此网络优化的稳定性有待进一步提高。

技术实现思路

1、1.要解决的技术问题

2、针对现有技术中存在的网络优化稳定性差的问题，本技术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。

3、2.技术方案

4、本技术的目的通过以下技术方案实现。

5、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。

6、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。

7、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。

8、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，作为插入节点的坐标；构建第二顶点集，包含插入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。

9、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。

10、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，插入batchnormalization层，归一化激活输出。

11、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。

12、进一步地，网络参数快照存储在关系数据库中。

13、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。

14、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。

15、3.有益效果

16、相比于现有技术，本技术的优点在于：

17、(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；

18、(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；

19、(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，增强了系统的容错性，提高了网络优化的稳定性。