采用集成回归系统检测lte网络性能的方法
【技术领域】
[0001] 本发明设及一种检测LTE网络性能的方法，尤其是设及一种采用集成回归系统检 ^ULTE网络性能的方法。
【背景技术】
[0002] 近年来，随着LTE无线网络的快速发展，通信数据的产生及获取也随之蓬勃发展起 来。除了对此数据流的存储和管理，一个较大的挑战是如何利用此数据更好地服务通信网 络。因此，通过将数据转换为相应的网络指标来评估网络性能和用户体验质量(QoE)成为最 终目标。通过分析，由于较大值的空口时延将影响网络接收质量W及增加网络干扰，运对用 户感知体验具有较为直接的影响，因此将空口时延作为一个核屯、指标。一般情况下，空口时 延是通过软采获取，但是软硬件投入成本较高，不具备全面推广条件。
[0003] 对于移动通信业务而言，最重要的时延是端到端时延，即对于已经建立连接的收 发两端，数据包从发送端产生，到接收端正确接收的时延。根据业务模型不同，端到端时延 可分为单程时延和回程时延，其中单程时延指数据包从发射端产生经过无线网络正确到达 另外一个接收端的时延，回程时延指数据包从发射端产生到目标服务器收到数据包并返回 相应的数据包直至发射端正确接收到应答数据包的时延。
[0004] 现有的移动通信主要是人与人之间的通信，随着硬件设备的小型化和智能化，未 来的移动通信更多"人与物"及"物与物"之间的高速连接应用。机器通信(Machine Type Communication, MTC)业务应用范围非常广泛，如移动医疗、车联网、智能家居、工业控制、环 境监测等将会推动MTC系统应用爆发式增长，大量设备将接入网络，实现真正的"万物互 联"，为移动通信带来无限生机。同时，广泛的MTC系统应用范围也会给移动通信带来新的技 术挑战，例如实时云计算、虚拟现实、在线游戏、远程医疗、智能交通、智能电网、远程实时控 制等业务对时延比较敏感，对时延提出更高的需求。
[000引因此，需要研究出一种检测方法，分析和推断出用户级的空口时延，从而使移动运 营商识别出较高空口时延的问题小区，进而通过优化问题小区提高LTE网络服务质量。
【发明内容】
[0006] 本发明的目的是提供一种用集成回归系统检测LTE网络性能的方法W解决使移动 运营商识别出较高空口时延的问题小区，进而通过优化问题小区提高LTE网络服务质量的 问题。
[0007] 本发明的技术解决方案是：
[0008] 采用集成回归系统检测LTE网络性能的方法，包括W下步骤：
[0009] (1)样本数据集的收集:对LTE网络的接收指标数据及网络各阶段空口时延进行捜 集形成样本数据集，并将所述样本数据集分成训练集和测试集；
[0010] 其中，训练集用于发现接收指标和空口时延之间的预测关系；测试集用于检测基 于训练集所得出的模型预测关系的准确性；
[0011] (2)在所述训练集的操作过程中，通过建立的模型，利用接收指标预测空口时延， 采用回归算法分别在特定子集上对训练集中的样本进行预测；
[0012] (3)通过比较上述步骤(2)中模型获取的预测值与真实的空口时延值，推导出训练 集中每个样本的误差值W及回归算法的误差；
[0013] 其中，对于回归算法J，训练集中的列误差值则被称为误差J;
[0014] (4)采用分析方法将回归算法中的误差进行加权处理，通过加权回归组合构成集 成回归预测模型；
[0015] (5)将步骤(4)中的集成回归算法运用于测试集，检测基于训练集所得出的模型预 测关系的准确性。
[0016] 进一步地，所述步骤(1)中接收指标数据的接收指标包括参考信号接收功率RSRP， 参考信号接收质量RSRQ，信号与干扰加噪声比SINR，物理上行共享信道上的物理资源块 PUSCH-PRB和物理下行共享信道上的物理资源块PDSCH-PRB。
[0017] 进一步地，在步骤(2)中采用八种不同的回归算法分别在特定子集上对训练集中 的样本进行预测，分别是线性回归，二阶多项式回归，S阶多项式回归，岭回归，LASSO回归， Elastic回归，GAM回归和MARS回归；
[0018] 其中，所述线性回归给出W下公式(1):
[0019] E(y) =00+01X1+. . .+PdXd (1)，式中E(y)代表预测值，y代表假设空口时延， XI，...，xd代表接收指标;该模型中，响应变量y服从高斯分布，运用最小二乘法可W直接计 算获取相应的拟合系数阶，...，抗；
[0020] 所述二阶多项式回归算法先计算每个指标集的一次、二次正交多项式，从而获得 2D形式，W2D+1项参数进行模型拟合；
[0021] 所述=阶多项式回归算法，在变量的选取时，正交多项式的次数选取从1次到3次， 从而减少了预测模型的约束；
[0022] 所述岭回归算法给出W下公式(2):
[0023] Hss,參i :簽t (縣，式中算法通过增加惩罚系数，对系数00, ...，0d进行限 审Ij，成为收缩，从而找到最小二乘估计量的最小方差，其中参数t根据E.Cule和M.De Iorio 基于控制预测值方差所提出的理论进行自动选取，k代表第k个系数。k的范围从1，2,3,...， d;
[0024] 所述LASSO回归算法给出W下公式(3):
[002引 Ii續1?(兹:￡: 紋》>式中的约束函数限制了回归系数的绝对值之和，除去 常系数，t值是自动选取的；
[0026] 所述ElastiC回归算法给出W下公式(4):
式中的约束函数是对所述岭回归算法 和所述LASSO回归算法中的约束函数进行正则化的线性组合，其中，a为l/2，t值是自动选取 的；
[0028] 所述GAM回归算法给出W下公式(5):
[0029] g巧(y))=阶+fi(xi) + . . .+fd(xd) (5)，式中g表示广义线性联系函数，fi，. . .，fd 表示输入变量间的非线性联系，抗为常数项，XI，. . .，Xd是从五个接收指标中获取的数据；
[0030] 所述MARS回归算法给出W下公式(6):
[0031 ] X一max(0，x-c)or X一max(0，C-x);CeR (6)，在MARS回归中，回归被拟合成一 个较链函数的线性组合。
[0032] 进一步地，在所述步骤(2)中，训练集上的计算都是通过逐步回归完成的，通过找 到合适的权重。
[0033] 进一步地，在步骤(4)中，利用步骤(3)中得到的列误差来推断权重，利用权重优化 模型的方法给出了 W下公式(7):
<7^其中Wl. . .W2通过最小化加权最小二乘法和限制 总权重计算得出。
[0035] 进一步地，在所述步骤(4)推断权重的过程中，对于约束条件给出了 W下公式(8):
[0036] If=左视玉 （8)。
[0037] 进一步地，在所述步骤(5)中，将测试集中所获得的预测值与已知的真实空口时延 值进行比较，并给出了公式(9)得出误码率Etest;
C9)，为了确认所述步骤(4)中得到的集成回 归预测模型的稳定性和准确度，需要进行各种不同的比较，首先，将相同的误码率在训练集 上执行，得到一个误码率etrsin，若Etest和Etrsin之间差异较小，则表明没有出现过拟合，运意 味着集成回归预测模型的稳定性;其次，在测试集上计算得出每种回归算法的预测值，