使其 各得到一个误码率，通过将运些误码率与集成回归得到的Etest进行比较，则可W检查出集 成回归预测模型的准确度。
[0039] 本发明的有益效果是:通过本发明采用集成回归系统检测LTE网络性能的方法中 的集成回归系统，利用小区RF指标有效的推导预测空口时延，集成回归预测模型不仅稳定 而且能准确的预测空口时延，它可自动进行计算和模型的选择，因此模型具备较强的自适 应性;通过实例证明，该评估模型的理念是准确的，从用户的角度而言，集成回归系统更易 于获取及分析相关指标数据，从而得到空口时延的预测结果。通过采用集成回归系统检测 LTE网络性能的方法的运营推广，可W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。
【附图说明】
[0040] 图1是本发明实施例采用集成回归系统检测LTE网络性能的方法的运作流程说明 不意图；
[0041] 图2给出了本发明集成回归系统与经典回归算法的模拟数据集对比说明示意图。
【具体实施方式】
[0042] 下面结合附图详细说明本发明的优选实施例。
[0043] 实施例给出一种采用集成回归系统检测LTE网络性能的方法，该检测方法的实施 包括(1)数据源:接收小区RF性能指标数据集；（2)关联:小区RF指标与数据集中每个元素的 空口时延值的关联；（2)预测:通过小区RF指标新值预估空口时延。除第一项之外的其他实 施内容:样本数据:样本数据按照训练集和测试集进行分配;建模处理:对数据集运用统计 回归算法进行处理，计算每种回归算法权重，结合回归算法和权重，W获得集合回归预测函 数;模型验证:在特定测试集上对模型结果进行验证，则可知预测值的准确性。
[0044]实施例
[004引采用集成回归系统检测LTE网络性能的方法，如图1所示，包括：
[0046] (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；
[0047] 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；
[0048] (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；
[0049] (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；
[0050] 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;
[0051] (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；
[0052] (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。
[0053] 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。
[0054] 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；
[0055] 其中，所述线性回归给出W下公式(1):
[0056] E(y)=e〇+0ixi+. . .+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；
[0057] 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；
[0058] 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；
[0059] 所述岭回归算法给出W下公式(2):
[0060] 壞。.1^《t a)，式中算法通过增加惩罚系数，对系数扣，...，的进行限 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;
[0061 ] 所述LASSO回归算法给出W下公式(3):
[006引韻詞旣！；簽來錢)，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；
[0063] 所述Elastic回归算法给出W下公式(4):
[0064] 3盐]鸣寺灼-巧装:-'於！ St W，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；
[0065] 所述GAM回归算法给出W下公式(5):
[0066] g巧(y))=阶+fi(xi) + . . .+fdU) (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；
[0067] 所述MARS回归算法给出W下公式(6):
[006引 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。
[0069] 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。
[0070] 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):
^73其中Wi. . .Ws通过最小化加权最小二乘法和限制 总权重计算得出。
[0072]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): [007引 If=I微J = 1 (致）。
[0074]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，使其 各得到一个误码率，通过将运些误码率与集成回归得到的Etest进行比较，贝阿W检查出集 成回归预测模型的准确度。
[0076]图1给出了实施例采用集成回归系统检测LTE网络性能的方法的运作流程说明示 意图。更详细地，该采用集成回归系统检测LTE网络性能的方法的目的是通过下面详述的传 统接收指标预测空口时延的近似值，但是关键性的一点是，空口时延与传统接收指标之间 呈现出轻微的非线性，并无直接关联。因此，算法模型不能简单的通过线性回归对接收到的 指标进行处理。该系统(本发明中的集成回归预测模型）在对大数据进行预测时，将多种回 归算法结合到最终