CN113660687B - 网络差小区处理方法、装置、设备及存储介质 - Google Patents
网络差小区处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113660687B CN113660687B CN202110944661.XA CN202110944661A CN113660687B CN 113660687 B CN113660687 B CN 113660687B CN 202110944661 A CN202110944661 A CN 202110944661A CN 113660687 B CN113660687 B CN 113660687B
- Authority
- CN
- China
- Prior art keywords
- cell
- target
- determining
- difference
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003693 cell processing method Methods 0.000 title description 13
- 238000012545 processing Methods 0.000 claims abstract description 104
- 238000000034 method Methods 0.000 claims abstract description 59
- 230000006870 function Effects 0.000 claims description 40
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 239000013598 vector Substances 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000007637 random forest analysis Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 15
- 238000004891 communication Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012508 change request Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 102100040401 DNA topoisomerase 3-alpha Human genes 0.000 description 1
- 101000611068 Homo sapiens DNA topoisomerase 3-alpha Proteins 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining operational condition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请提供一种网络差小区处理方法、装置、设备及存储介质，其中，该方法通过获取小区的小区网络数据，进而，根据预设阈值和小区网络数据，确定小区的小区网络质量标签，并根据小区网络质量标签构建根因定位模型，基于根因定位模型，进行差小区原因定位，在预先建立的解决方案样本库中，确定解决方案，其中无需人工参与，节省时间和人力，提高网络差小区处理效率。而且，本申请通过构建的根因定位模型，对上述小区进行分析，快速定位出现差小区的原因，解决了现有依赖优化人员自身经验的问题，提高了定位结果的准确性。另外，本申请在预先建立的解决方案样本库中，确定网络差小区对应的目标解决方案，过程简单，处理方便，适合应用。
Description
技术领域
本申请涉及通信技术领域，尤其涉及一种网络差小区处理方法、装置、设备及存储介质。
背景技术
随着通信技术的进步，电信产业得到了迅速的发展。如今，由于网络规模的扩大和网络用户数量的急剧增加，如何提高网络质量，快速分析差小区，智能化解决复杂多样的网络问题成为各大运营商所面临的巨大挑战。
传统差小区分析方法是由优化人员根据小区不同指标来发现问题，再通过人工分析各个相关指标，进行问题定位。
然而，上述分析方式会消耗较大的人力物力及时间。而且在定位问题原因时，优化人员一般通过查阅各个指标与硬件设备运行情况，结合自身的经验知识进行分析，较依赖优化人员的自身经验。
发明内容
为解决现有技术中存在的问题，本申请提供一种网络差小区处理方法、装置、设备及存储介质。
第一方面，本申请提供一种网络差小区处理方法，该方法包括如下步骤：
获取目标小区的小区网络数据；
根据预设阈值和所述小区网络数据，确定所述目标小区的小区网络质量标签；
根据所述小区网络质量标签，构建根因定位模型，并基于所述根因定位模型，对所述目标小区进行出现差小区的原因定位；
在预先建立的解决方案样本库中，基于定位的原因，确定所述目标小区出现差小区对应的目标解决方案。
在一种可能的实现方式中，所述根据所述小区网络质量标签，构建根因定位模型，包括：
获得所述目标小区的特征向量，并根据所述特征向量、所述小区网络质量标签和预设回归树，确定待预测样本的预测函数；
根据所述预测函数，获得多次迭代对生成树构造的目标函数；
根据所述目标函数和分裂增益，构建所述根因定位模型。
在一种可能的实现方式中，在预先建立的解决方案样本库中，基于定位的原因，确定所述目标小区出现差小区对应的目标解决方案之前，还包括：
获取多个小区出现差小区对应的解决方案；
根据所述解决方案的类型，对所述解决方案进行分类；
根据分类结果和所述多个小区出现差小区的原因，建立所述解决方案样本库。
在一种可能的实现方式中，所述在预先建立的解决方案样本库中，基于定位的原因，确定所述目标小区出现差小区对应的目标解决方案，包括：
在所述解决方案样本库中，基于定位的原因和随机森林算法，确定所述目标小区出现差小区对应的解决方案所属类型；
利用K邻近值算法和所述目标小区出现差小区对应的解决方案所属类型，确定所述目标小区出现差小区对应的目标解决方案。
在一种可能的实现方式中，所述获取目标小区的小区网络数据，包括：
确定所述目标小区的待分析差小区类别，所述待分析差小区类别包括低速率差小区、接通差小区、掉话差小区、站间切换差小区或站内切换差小区；
根据所述待分析差小区类别，获取所述目标小区的小区网络数据。
在一种可能的实现方式中，在所述获取目标小区的小区网络数据之后，还包括：
对所述小区网络数据进行预处理，所述预处理包括异常值处理和/或归一化处理；
所述根据预设阈值和所述小区网络数据，确定所述目标小区的小区网络质量标签，包括：
根据所述预设阈值和预处理后的小区网络数据，确定所述目标小区的小区网络质量标签。
第二方面，本申请提供一种网络差小区处理装置，所述装置包括：
数据获取模块，用于获取目标小区的小区网络数据；
标签确定模块，用于根据预设阈值和所述小区网络数据，确定所述目标小区的小区网络质量标签；
原因定位模块，用于根据所述小区网络质量标签，构建根因定位模型，并基于所述根因定位模型，对所述目标小区进行出现差小区的原因定位；
方案确定模块，用于在预先建立的解决方案样本库中，基于定位的原因，确定所述目标小区出现差小区对应的目标解决方案。
在一种可能的实现方式中，所述原因定位模块，具体用于获得所述目标小区的特征向量，并根据所述特征向量、所述小区网络质量标签和预设回归树，确定待预测样本的预测函数；
根据所述预测函数，获得多次迭代对生成树构造的目标函数；
根据所述目标函数和分裂增益，构建所述根因定位模型。
在一种可能的实现方式中，所述方案确定模块，还用于获取多个小区出现差小区对应的解决方案；
根据所述解决方案的类型，对所述解决方案进行分类；
根据分类结果和所述多个小区出现差小区的原因，建立所述解决方案样本库。
在一种可能的实现方式中，所述方案确定模块，具体用于：
在所述解决方案样本库中，基于定位的原因和随机森林算法，确定所述目标小区出现差小区对应的解决方案所属类型；
利用K邻近值算法和所述目标小区出现差小区对应的解决方案所属类型，确定所述目标小区出现差小区对应的目标解决方案。
在一种可能的实现方式中，所述数据获取模块，具体用于：
确定所述目标小区的待分析差小区类别，所述待分析差小区类别包括低速率差小区、接通差小区、掉话差小区、站间切换差小区或站内切换差小区；
根据所述待分析差小区类别，获取所述目标小区的小区网络数据。
在一种可能的实现方式中，所述标签确定模块，具体用于：
对所述小区网络数据进行预处理，所述预处理包括异常值处理和/或归一化处理；
根据所述预设阈值和预处理后的小区网络数据，确定所述目标小区的小区网络质量标签。
第三方面，本申请提供一种网络差小区处理设备，包括：
处理器；
存储器；以及
计算机程序；
其中，所述计算机程序被存储在所述存储器中，并且被配置为由所述处理器执行，所述计算机程序包括用于执行如第一方面所述的方法的指令。
第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序使得服务器执行第一方面所述的方法。
第五方面，本申请提供一种计算机程序产品，包括计算机指令，所述计算机指令被处理器执行第一方面所述的方法。
本申请提供的网络差小区处理方法、装置、设备及存储介质，该方法通过获取目标小区的小区网络数据，进而，根据预设阈值和上述小区网络数据，确定目标小区的小区网络质量标签，并根据上述小区网络质量标签，构建根因定位模型，并基于该根因定位模型，对目标小区进行出现差小区的原因定位，从而，在预先建立的解决方案样本库中，确定目标小区出现差小区对应的目标解决方案，其中无需人工参与，节省时间和人力，提高网络差小区处理效率。而且，本申请通过构建的根因定位模型，对目标小区进行分析，快速定位出现差小区的原因，解决了现有依赖优化人员的自身经验的问题，提高了定位结果的准确性。另外，本申请在预先建立的解决方案样本库中，确定网络差小区对应的目标解决方案，过程简单，处理方便，适合应用。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的网络差小区处理系统架构示意图；
图2为本申请实施例提供的一种网络差小区处理方法的流程示意图；
图3为本申请实施例提供的另一种网络差小区处理方法的流程示意图；
图4为本申请实施例提供的一种网络差小区处理示意图；
图5为本申请实施例提供的一种网络差小区处理装置的结构示意图；
图6为本申请提供的一种网络差小区处理设备的基本硬件架构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”及“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
现有网络差小区分析存在工作效率低、受限于人员自身水平等问题。随着人工智能等新技术的不断进步，越来越多的人工智能算法被广泛应用到各行各业，也促进了不同行业的变革和发展，现有不少研究者将算法应用到网络差小区的处理当中。例如，现有针对用户业务投诉的网络差小区，采集用户投诉的时间和问题、网络交互信令、无线性能指标和告警等海量数据，运用人工智能技术查找质差小区及质差原因。或者，现有将概率神经网络应用于长期演进(Long Term Evolution，LTE)网络根因定位分析中，实现LTE质差小区的自动化分析等。
然而，现有在分析网络差小区，获取数据的难度较大，例如上述依赖大量的用户投诉数据。而且现有计算时间较长，如上述神经网络训练复杂，训练时间长，花费较多时间。
因此，本申请实施例提出一种网络差小区处理方法，无需人工参与，节省时间和人力，提高网络差小区处理效率。而且，本申请实施例通过构建的根因定位模型，对目标小区进行分析，快速定位出现差小区的原因，解决了现有依赖优化人员的自身经验的问题，提高了定位结果的准确性；在预先建立的解决方案样本库中，确定网络差小区对应的目标解决方案，过程简单，处理方便。另外，本申请实施例方法在输入数据方面只依赖小区网络数据，获取数据难度较小，适合应用。
可选地，本申请提供的一种网络差小区处理方法，可以适用于图1所示的网络差小区处理系统架构示意图，如图1所示，该系统可以包括接收装置101和处理装置102。其中，为了对相应的信息进行显示，上述系统还可以包括显示装置103。
在具体实现过程中，接收装置101可以是输入/输出接口，也可以是通信接口，可以用于接收小区的小区网络数据。
处理装置102可以通过上述接收装置101获取上述小区的小区网络数据，进而，基于该小区网络数据，利用构建的根因定位模型，对上述小区进行出现差小区的原因定位，快速定位出现差小区的原因，解决了现有依赖优化人员的自身经验的问题，提高了定位结果的准确性。而且处理装置102还在预先建立的解决方案样本库中，确定网络差小区对应的目标解决方案，过程简单，处理方便。另外，上述处理过程无需人工参与，节省时间和人力，提高网络差小区处理效率。
显示装置103可以用于对上述小区的小区网络数据、出现差小区的原因、解决方案等进行显示。
显示装置还可以是触摸显示屏，用于在显示的上述内容的同时接收用户指令，以实现与用户的交互。
应理解，上述处理装置可以通过处理器读取存储器中的指令并执行指令的方式实现，也可以通过芯片电路实现。
上述系统仅为一种示例性系统，具体实施时，可以根据应用需求设置。
可以理解的是，本申请实施例示意的结构并不构成对网络差小区处理系统架构的具体限定。在本申请另一些可行的实施方式中，上述架构可以包括比图示更多或更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置，具体可根据实际应用场景确定，在此不做限制。图1所示的部件可以以硬件，软件，或软件与硬件的组合实现。
另外，本申请实施例描述的系统架构是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着系统架构的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
下面以几个实施例为例对本申请的技术方案进行描述，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图2为本申请实施例提供了一种网络差小区处理方法的流程示意图，本实施例的执行主体可以为图1所示实施例中的处理装置，如图2所示，该方法可以包括：
S201：获取目标小区的小区网络数据。
其中，目标小区可以根据实际情况确定，例如需要进行网络差小区分析的小区。
这里，上述处理装置在获取目标小区的小区网络数据时，可以首先确定上述目标小区的待分析差小区类别，该待分析差小区类别包括低速率差小区、接通差小区、掉话差小区、站间切换差小区或站内切换差小区，从而，根据上述待分析差小区类别，获取上述目标小区的小区网络数据。
在本申请实施例中，不同的待分析差小区类别，上述处理装置需要获取的目标小区的小区网络数据不同。例如对于低速率差小区，上述处理装置需要获取的小区网络数据有：辅节点(SgNB)_主辅小区(Pscell)站间更换成功率、SgNB_Pscell站间更换请求次数、SgNB_Pscell站间更换成功次数、SgNB_Pscell站内更换成功率、SgNB_Pscell站内更换请求次数、SgNB_Pscell站内更换成功次数、演进的通用移动通信系统(Universal MobileTelecommunication System，UMTS)陆地无线接入网(Evolved UMTS Terrestrial RadioAccess Network，E-UTRAN)新无线电–双连接(ENDC)终端无线资源控制(Radio ResourceControl，RRC)连接平均数、ENDC终端RRC连接最大数、物理下行共享信道(PhysicalDownlink Shared Channel，PDSCH)信道物理资源块(Physical RB，PRB)平均利用率、上行每PRB干扰噪声平均值、信道质量指示平均数(Channel Quality Indication，CQI)、覆盖参考信号接收功率(Reference Signal Receiving Power，RSRP)、发送器地址(TransmitterAddress，TA)、切换参数等。
对于接通差小区，上述处理装置需要获取的小区网络数据有：ENDC终端RRC连接平均数、ENDC终端RRC连接最大数、小区不可用总时长、SgNB掉线率、SgNB释放总次数、SgNB异常释放次数、SgNB_Pscell站内更换成功率、SgNB_Pscell站内更换请求次数、SgNB_Pscell站内更换成功次数、上行每PRB干扰噪声平均值、5G NR新空口双连接(LTE-NR DC)双连接(Dual-Connectivity，DC)场景下因用户数或RE许可证不足导致SgNB增加失败的次数、传输层导致的LTE-NR NSA DC SgNB异常释放总次数、CQI平均数等。
对于掉话差小区，上述处理装置需要获取的小区网络数据有：上行每PRB干扰噪声平均值、SgNB_Pscell站间更换成功率、SgNB_Pscell站间更换请求次数、SgNB_Pscell站间更换成功次数、SgNB_Pscell站内更换成功率、SgNB_Pscell站内更换请求次数、SgNB_Pscell站内更换成功次数、非独立组网(NSA)异常释放次数、RSRP覆盖、CQI平均数、切换参数等。
对于站间切换差小区，上述处理装置需要获取的小区网络数据有：SgNB掉线率、SgNB释放总次数、SgNB异常释放次数、SgNB_Pscell站内更换成功率、SgNB_Pscell站内更换请求次数、小区不可用总时长、上行每PRB干扰噪声平均值、RSRP覆盖、CQI平均数、TA等。
对于站内切换差小区，上述处理装置需要获取的小区网络数据有：SgNB掉线率、SgNB释放总次数、SgNB异常释放次数、SgNB_Pscell站间更换成功率、SgNB_Pscell站间更换请求次数、小区不可用总时长、上行每PRB干扰噪声平均值、RSRP覆盖、CQI平均数、TA等。
这里，上述处理装置可以获取目标小区近期持续一段时间内的小区网络数据，例如近15天的小区网络数据，以便后续基于上述数据对目标小区进行出现差小区的原因定位，提高定位结果准确率。
S202：根据预设阈值和上述小区网络数据，确定上述目标小区的小区网络质量标签。
这里，上述预设阈值可以根据实际情况确定，例如包括如下：
(1)SgNB掉线率>1并且SgNB添加成功次数>200；
(2)SgNB添加成功率<98并且SgNB添加请求次数>200；
(3)小区不可用总时长>＝86400并且厂家名称(性能)包含第一厂家；
(4)小区内用户下行平均速率<50000并且小区用户面下行分组数据汇聚协议(Packet Data Convergence Protocol，PDCP)、协议数据单元(Protocol Data Unit，PDU)字节数>2000000并且ENDC终端RRC连接平均数>＝2；
(5)小区不可用总时长>＝86400并且厂家名称(性能)包含第二厂家；
(6)小区用户面上行PDCP电源分配单元(Power Distribution Unit，PDU)字节数＝0并且小区用户面下行PDCP、PDU字节数＝0并且小区不可用总时长＝0并且厂家名称(性能)包含第一厂家；
(7)SgNB_Pscell站间更换成功率<70并且SgNB_Pscell站间更换请求次数>200并且ENDC终端RRC连接平均数>＝2；
(8)SgNB_Pscell站内更换成功率<95并且SgNB_Pscell站内更换请求次数>200；
(9)小区用户面上行PDCP PDU字节数＝0并且小区用户面下行PDCP、PDU字节数＝0并且小区不可用总时长＝0并且厂家名称(性能)包含第二厂家；
(10)小区内用户上行平均速率<20000并且小区用户面上行PDCP PDU字节数>300000。
其中，第一厂家和第二厂家可以根据实际情况确定。
示例性的，上述处理装置判断上述小区网络数据是否符合上述阈值中的任一情况。如果符合，则上述处理装置确定目标小区为差小区，其小区网络质量标签为第一标签，例如用“1”标记。如果不符合，则上述处理装置确定目标小区不为差小区，其小区网络质量标签为第二标签，例如用“0”标记。
这里，为了提高后续处理结果的准确性，上述处理装置在获取目标小区的小区网络数据之后，可以对上述小区网络数据进行预处理，该预处理包括异常值处理和/或归一化处理，从而，根据上述预设阈值和预处理后的小区网络数据，确定上述目标小区的小区网络质量标签。
S203：根据上述小区网络质量标签，构建根因定位模型，并基于该根因定位模型，对上述目标小区进行出现差小区的原因定位。
其中，上述根因定位模型可以采用基于树集成的算法，例如XGBoost算法，根据分裂增益得到特征重要性。上述处理装置可以根据构建根因定位模型，进行差小区的特征重要性提取，以重要性的排序来进行差小区原因的定位，定位出问题原因。
S204：在预先建立的解决方案样本库中，基于定位的原因，确定上述目标小区出现差小区对应的目标解决方案。
这里，上述处理装置在预先建立的解决方案样本库中，基于定位的原因，确定上述目标小区出现差小区对应的目标解决方案之前，可以获取多个小区出现差小区对应的解决方案，从而，根据上述解决方案的类型，对上述解决方案进行分类，根据分类结果和上述多个小区出现差小区的原因，建立上述解决方案样本库。
示例性的，上述处理装置可以通过网络平台采集上述多个小区的网元指标数据，包含基站基本信息、PUSCH信道指标、SgNB指标等指标，进而，根据上述多个小区出现差小区对应的解决方案的类型进行分类，并利用上述多个小区出现差小区的原因，建立上述解决方案样本库。
另外，上述处理装置在预先建立的解决方案样本库中，基于定位的原因，确定上述目标小区出现差小区对应的目标解决方案时，可以先在上述解决方案样本库中，基于定位的原因和随机森林算法，确定上述目标小区出现差小区对应的解决方案所属类型，然后利用K邻近值算法和上述目标小区出现差小区对应的解决方案所属类型，确定上述目标小区出现差小区对应的目标解决方案。
其中，在随机森林算法训练中，上述处理装置可以通过形成的决策树投票，根据投票的数量，初步完成符合待测小区类型的筛选，可以包括：
(1)确定输入指标x和目标变量推荐方案y；
(2)从样本数据M中有放回的抽取训练集m，从样本的特征数是N，随机选择n(n<＝N)个特征，作为其中一棵树的训练样本；
(3)采用信息增益来选择某个属性作为该节点的分裂属性，终止条件设置为：节点上最少样本数为2，节点上最少的信息增益为0，每棵树的深度d为12；
(4)重复(2)，(3)步骤，建立决策树，决策树的数量t为160，形成随机森林；
(5)通过投票表决结果，决定差小区数据属于哪一类，选取所属概率高的一类，确定目标小区出现差小区对应的解决方案所属类型。
进一步地，当随机森林算法得出目标小区出现差小区对应的解决方案所属类型后，可以利用K邻近值算法分别对这类差小区进行训练，利用欧氏距离判定目标小区与案例差小区是否相似，从而确定上述目标小区出现差小区对应的目标解决方案，可以包括：
(1)导入经过随机森林初步筛选的差小区数据，其指标向量为n；
(2)利用欧氏距离计算当前小区与案例库中差小区之间的距离，其公式为：
其中x和y分别为n维的目标小区和方案差小区指标向量。
(3)按照距离的递增关系进行排序，选取TOP3差小区案例作为目标小区出现差小区对应的解决方案。
本申请实施例通过获取目标小区的小区网络数据，进而，根据预设阈值和上述小区网络数据，确定目标小区的小区网络质量标签，并上述小区网络质量标签，构建根因定位模型，并基于该根因定位模型，对目标小区进行出现差小区的原因定位，在预先建立的解决方案样本库中，确定目标小区出现差小区对应的目标解决方案，其中无需人工参与，节省时间和人力，提高网络差小区处理效率。而且，本申请实施例通过构建的根因定位模型，对目标小区进行分析，快速定位出现差小区的原因，解决了现有依赖优化人员的自身经验的问题，提高了定位结果的准确性。另外，本申请实施例在预先建立的解决方案样本库中，确定网络差小区对应的目标解决方案，过程简单，处理方便，适合应用。
另外，本申请实施例在上述根据上述小区网络质量标签，构建根因定位模型时，还考虑采用基于树集成的算法，例如XGBoost算法，通过拟合前次预测的残差进行多次迭代，生成一颗新树，将多棵分类准确率较低的树模型组合起来，构建一个准确率相对更高的模型，获得上述根因定位模型，从而，利用根因定位模型用于快速、准确地定位出差小区产生的原因。图3为本申请实施例提出的另一种网络差小区处理方法的流程示意图。如图3所示，该方法包括：
S301：获取目标小区的小区网络数据。
S302：根据预设阈值和上述小区网络数据，确定上述目标小区的小区网络质量标签。
其中，步骤S301-S302参见上述步骤S201-S202的相关描述，此处不再赘述。
S303：获得目标小区的特征向量，并根据该特征向量、上述小区网络质量标签和预设回归树，确定待预测样本的预测函数。
S304：根据上述预测函数，获得多次迭代对生成树构造的目标函数。
S305：根据上述目标函数和分裂增益，构建根因定位模型。
示例性的，上述处理装置可以首先确定特征向量x与标签y。这里，差小区的特征向量包括告警信息、参数配置、性能指标等在内的n维特征向量x和对应的2个差小区类别标记标签yi构成：{xi,yi}，i∈[1,n]，yi∈{1,0}，其中1表示是差小区，0表示不是差小区。通过构造XGBoost模型挖掘特征取值xi与类别标签yi的关系f(xi)＝yi，从而得到各特征对该小区变差的影响程度。
然后，上述处理装置可以确定生成K棵回归树，则第i个样本的预测函数表示为：
其中，fn表示第n棵回归树，fn(xi)表示第n棵对第i个样本的判别计算值，F表示回归树集合。
为了防止模型过拟合，上述处理装置可以引入正则化表达式控制模型的复杂程度，得到目标函数：
其中，
上式中，l是误差函数，表示预测值
与目标yi之间的平方损失值；Ω(fk)表示第k棵决策树正则惩罚项；T表示树上的叶子数目；ω表示叶子节点的向量得分；λ为正则化系数，γ为节点切分阈值。
模型训练中，每一轮训练都是在上一轮的基础上迭代产生的，上述处理装置获得第t次迭代对生成树构造的目标函数为：
进一步，将目标函数二阶泰勒展开，得到最终目标函数为
其中gi和hi分别是
的一阶导数和二阶导数。
然后，上述处理装置可以移除常数项，将惩罚函数带入上述目标函数得：
其中，
Ij为第j个叶子节点。
最后，上述处理装置可以通过贪心算法对树进行分枝，每进行一次分枝需要选择结构分数增益高的特征，当分裂增益连续小于定值或分裂次数达到指定的最大深度时停止分裂，得到最终模型。同时得到各特征在每次分裂节点时带来的总增益，作为特征重要性，即差小区出现问题的原因。分枝前后结构分数的增益为：
其中
IL和IR分别表示树分类后左子树和右子树的样本组。
S306：根据上述根因定位模型，对上述目标小区进行出现差小区的原因定位。
S307：在预先建立的解决方案样本库中，基于定位的原因，确定上述目标小区出现差小区对应的目标解决方案。
其中，步骤S306-S307参见上述步骤S203-S204的相关描述，此处不再赘述。
本申请实施例还考虑采用基于树集成的算法，例如XGBoost算法，通过拟合前次预测的残差进行多次迭代，生成一颗新树，将多棵分类准确率较低的树模型组合起来，构建一个准确率相对更高的模型，获得上述根因定位模型，从而，利用根因定位模型用于快速、准确地定位出差小区产生的原因。而且，本申请实施例无需人工参与，节省时间和人力，提高网络差小区处理效率。本申请实施例通过构建的根因定位模型，对目标小区进行分析，快速定位出现差小区的原因，解决了现有依赖优化人员的自身经验的问题，提高了定位结果的准确性。另外，本申请实施例在预先建立的解决方案样本库中，确定网络差小区对应的目标解决方案，过程简单，处理方便，适合应用。
在本申请实施例中，如图4所示，上述处理装置可以首先确定上述目标小区的待分析差小区类别，该待分析差小区类别包括低速率差小区、接通差小区、掉话差小区、站间切换差小区或站内切换差小区，从而，根据上述待分析差小区类别，获取上述目标小区的小区网络数据。然后，上述处理装置可以对上述小区网络数据进行预处理，该预处理包括异常值处理和/或归一化处理，并根据预设阈值和预处理后的小区网络数据，确定上述目标小区的小区网络质量标签。
进一步地，上述处理装置可以确定目标小区的特征向量进而，根据该特征向量、上述小区网络质量标签和预设回归树，确定待预测样本的预测函数，并根据该预测函数，获得多次迭代对生成树构造的目标函数，根据该目标函数和分裂增益，构建根因定位模型。这样，上述处理装置可以根据预先构建的根因定位模型和上述小区网络质量标签，对上述目标小区进行出现差小区的原因定位，然后，在预先建立的解决方案样本库中，基于随机森林算法确定上述目标小区出现差小区对应的解决方案所属类型，利用K邻近值算法和上述目标小区出现差小区对应的解决方案所属类型，确定上述目标小区出现差小区对应的目标解决方案。其中，上述处理装置可以通过获取多个小区出现差小区对应的解决方案，从而，根据上述解决方案的类型，对上述解决方案进行分类，并根据分类结果，建立上述解决方案样本库。
其中，与现有技术相比，上述处理装置处理过程中无需人工参与，节省时间和人力，提高网络差小区处理效率。而且，上述处理装置通过构建的根因定位模型，对目标小区进行分析，快速定位出现差小区的原因，解决了现有依赖优化人员的自身经验的问题，提高了定位结果的准确性。另外，上述处理装置在预先建立的解决方案样本库中，确定网络差小区对应的目标解决方案，过程简单，处理方便，适合应用。
对应于上文实施例的网络差小区处理方法，图5为本申请实施例提供的网络差小区处理装置的结构示意图。为了便于说明，仅示出了与本申请实施例相关的部分。图5为本申请实施例提供的一种网络差小区处理装置的结构示意图，该网络差小区处理装置50包括：数据获取模块501、标签确定模块502、原因定位模块503以及方案确定模块504。这里的网络差小区处理装置可以是上述处理装置本身，或者是实现上述处理装置的功能的芯片或者集成电路。这里需要说明的是，数据获取模块、标签确定模块、原因定位模块以及方案确定模块的划分只是一种逻辑功能的划分，物理上两者可以是集成的，也可以是独立的。
其中，数据获取模块501，用于获取目标小区的小区网络数据。
标签确定模块502，用于根据预设阈值和所述小区网络数据，确定所述目标小区的小区网络质量标签。
原因定位模块503，用于根据所述小区网络质量标签，构建根因定位模型，并基于所述根因定位模型，对所述目标小区进行出现差小区的原因定位。
方案确定模块504，用于在预先建立的解决方案样本库中，基于定位的原因，确定所述目标小区出现差小区对应的目标解决方案。
在一种可能的实现方式中，所述原因定位模块503，具体用于：
获得所述目标小区的特征向量，并根据所述特征向量、所述小区网络质量标签和预设回归树，确定待预测样本的预测函数；
根据所述预测函数，获得多次迭代对生成树构造的目标函数；
根据所述目标函数和分裂增益，构建所述根因定位模型。
在一种可能的实现方式中，所述方案确定模块504，还用于获取多个小区出现差小区对应的解决方案；
根据所述解决方案的类型，对所述解决方案进行分类；
根据分类结果和所述多个小区出现差小区的原因，建立所述解决方案样本库。
在一种可能的实现方式中，所述方案确定模块504，具体用于：
在所述解决方案样本库中，基于定位的原因和随机森林算法，确定所述目标小区出现差小区对应的解决方案所属类型；
利用K邻近值算法和所述目标小区出现差小区对应的解决方案所属类型，确定所述目标小区出现差小区对应的目标解决方案。
在一种可能的实现方式中，所述数据获取模块501，具体用于：
确定所述目标小区的待分析差小区类别，所述待分析差小区类别包括低速率差小区、接通差小区、掉话差小区、站间切换差小区或站内切换差小区；
根据所述待分析差小区类别，获取所述目标小区的小区网络数据。
在一种可能的实现方式中，所述标签确定模块502，具体用于：
对所述小区网络数据进行预处理，所述预处理包括异常值处理和/或归一化处理；
根据所述预设阈值和预处理后的小区网络数据，确定所述目标小区的小区网络质量标签。
本申请实施例提供的装置，可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，本申请实施例此处不再赘述。
可选地，图6示意性地分别提供本申请所述网络差小区处理设备的一种可能的基本硬件架构。
参见图6，网络差小区处理设备包括至少一个处理器601以及通信接口603。进一步可选的，还可以包括存储器602和总线604。
其中，网络差小区处理设备中，处理器601的数量可以是一个或多个，图6仅示意了其中一个处理器601。可选地，处理器601，可以是中央处理器(central processing unit，CPU)、图形处理器(graphics processing unit，GPU)或者数字信号处理器(digitalsignal processor，DSP)。如果网络差小区处理设备具有多个处理器601，多个处理器601的类型可以不同，或者可以相同。可选地，网络差小区处理设备的多个处理器601还可以集成为多核处理器。
存储器602存储计算机指令和数据；存储器602可以存储实现本申请提供的上述网络差小区处理方法所需的计算机指令和数据，例如，存储器602存储用于实现上述网络差小区处理方法的步骤的指令。存储器602可以是以下存储介质的任一种或任一种组合：非易失性存储器(例如只读存储器(ROM)、固态硬盘(SSD)、硬盘(HDD)、光盘)，易失性存储器。
通信接口603可以为所述至少一个处理器提供信息输入/输出。也可以包括以下器件的任一种或任一种组合：网络接口(例如以太网接口)、无线网卡等具有网络接入功能的器件。
可选的，通信接口603还可以用于网络差小区处理设备与其它计算设备或者终端进行数据通信。
进一步可选的，图6用一条粗线表示总线604。总线604可以将处理器601与存储器602和通信接口603连接。这样，通过总线604，处理器601可以访问存储器602，还可以利用通信接口603与其它计算设备或者终端进行数据交互。
在本申请中，网络差小区处理设备执行存储器602中的计算机指令，使得网络差小区处理设备实现本申请提供的上述网络差小区处理方法，或者使得网络差小区处理设备部署上述的网络差小区处理装置。
从逻辑功能划分来看，示例性的，如图6所示，存储器602中可以包括数据获取模块501、标签确定模块502、原因定位模块503以及方案确定模块504。这里的包括仅仅涉及存储器中所存储的指令被执行时可以分别实现数据获取模块、标签确定模块、原因定位模块以及方案确定模块的功能，而不限定是物理上的结构。
另外，上述的网络差小区处理设备除了可以像上述图6通过软件实现外，也可以作为硬件模块，或者作为电路单元，通过硬件实现。
本申请提供一种计算机可读存储介质，所述计算机程序产品包括计算机指令，所述计算机指令指示计算设备执行本申请提供的上述网络差小区处理方法。
本申请实施例提供一种计算机程序产品，包括计算机指令，所述计算机指令被处理器执行本申请提供的上述网络差小区处理方法。
本申请提供一种芯片，包括至少一个处理器和通信接口，所述通信接口为所述至少一个处理器提供信息输入和/或输出。进一步，所述芯片还可以包含至少一个存储器，所述存储器用于存储计算机指令。所述至少一个处理器用于调用并运行该计算机指令，以执行本申请提供的上述网络差小区处理方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
Claims (8)
1.一种网络差小区处理方法，其特征在于，包括：
获取目标小区的小区网络数据；
根据预设阈值和所述小区网络数据，确定所述目标小区的小区网络质量标签；
根据所述小区网络质量标签，构建根因定位模型，并基于所述根因定位模型，对所述目标小区进行出现差小区的原因定位；
在预先建立的解决方案样本库中，基于定位的原因，确定所述目标小区出现差小区对应的目标解决方案；
所述根据所述小区网络质量标签，构建根因定位模型，包括：
获得所述目标小区的特征向量，并根据所述特征向量、所述小区网络质量标签和预设回归树，确定待预测样本的预测函数；
根据所述预测函数，获得多次迭代对生成树构造的目标函数；
根据所述目标函数和分裂增益，构建所述根因定位模型；
各特征在每次分裂节点时带来的总增益，作为特征重要性，即所述差小区出现问题的原因；
分枝前后结构分数的增益为：
其中
λ为正则化系数，γ为节点切分阈值，gi和hi分别是预测值与目标之间的平方损失值的一阶导数和二阶导数，IL和IR分别表示树分类后左子树和右子树的样本组。
2.根据权利要求1所述的方法，其特征在于，在预先建立的解决方案样本库中，基于定位的原因，确定所述目标小区出现差小区对应的目标解决方案之前，还包括：
获取多个小区出现差小区对应的解决方案；
根据所述解决方案的类型，对所述解决方案进行分类；
根据分类结果和所述多个小区出现差小区的原因，建立所述解决方案样本库。
3.根据权利要求1或2所述的方法，其特征在于，所述在预先建立的解决方案样本库中，基于定位的原因，确定所述目标小区出现差小区对应的目标解决方案，包括：
在所述解决方案样本库中，基于定位的原因和随机森林算法，确定所述目标小区出现差小区对应的解决方案所属类型；
利用K邻近值算法和所述目标小区出现差小区对应的解决方案所属类型，确定所述目标小区出现差小区对应的目标解决方案。
4.根据权利要求1或2所述的方法，其特征在于，所述获取目标小区的小区网络数据，包括：
确定所述目标小区的待分析差小区类别，所述待分析差小区类别包括低速率差小区、接通差小区、掉话差小区、站间切换差小区或站内切换差小区；
根据所述待分析差小区类别，获取所述目标小区的小区网络数据。
5.根据权利要求1或2所述的方法，其特征在于，在所述获取目标小区的小区网络数据之后，还包括：
对所述小区网络数据进行预处理，所述预处理包括异常值处理和/或归一化处理；
所述根据预设阈值和所述小区网络数据，确定所述目标小区的小区网络质量标签，包括：
根据所述预设阈值和预处理后的小区网络数据，确定所述目标小区的小区网络质量标签。
6.一种网络差小区处理装置，其特征在于，包括：
数据获取模块，用于获取目标小区的小区网络数据；
标签确定模块，用于根据预设阈值和所述小区网络数据，确定所述目标小区的小区网络质量标签；
原因定位模块，用于根据所述小区网络质量标签，构建根因定位模型，并基于所述根因定位模型，对所述目标小区进行出现差小区的原因定位；
方案确定模块，用于在预先建立的解决方案样本库中，基于定位的原因，确定所述目标小区出现差小区对应的目标解决方案；
所述原因定位模块，具体用于：
获得所述目标小区的特征向量，并根据所述特征向量、所述小区网络质量标签和预设回归树，确定待预测样本的预测函数；
根据所述预测函数，获得多次迭代对生成树构造的目标函数；
根据所述目标函数和分裂增益，构建所述根因定位模型；
各特征在每次分裂节点时带来的总增益，作为特征重要性，即所述差小区出现问题的原因；
分枝前后结构分数的增益为：
其中
λ为正则化系数，γ为节点切分阈值，gi和hi分别是预测值与目标之间的平方损失值的一阶导数和二阶导数，IL和IR分别表示树分类后左子树和右子树的样本组。
7.一种网络差小区处理设备，其特征在于，包括：
处理器；
存储器；以及
计算机程序；
其中，所述计算机程序被存储在所述存储器中，并且被配置为由所述处理器执行，所述计算机程序包括用于执行如权利要求1-5任一项所述的方法的指令。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序使得服务器执行权利要求1-5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110944661.XA CN113660687B (zh) | 2021-08-17 | 2021-08-17 | 网络差小区处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110944661.XA CN113660687B (zh) | 2021-08-17 | 2021-08-17 | 网络差小区处理方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113660687A CN113660687A (zh) | 2021-11-16 |
| CN113660687B true CN113660687B (zh) | 2023-07-04 |
Family
ID=78491802
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110944661.XA Active CN113660687B (zh) | 2021-08-17 | 2021-08-17 | 网络差小区处理方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113660687B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114375000A (zh) * | 2021-12-23 | 2022-04-19 | 中国电信股份有限公司 | 一种方案生成、网络测试方法及装置 |
| CN114827951B (zh) * | 2022-04-24 | 2024-06-14 | 重庆长安汽车股份有限公司 | 一种基于车辆终端的车辆网络质量分析方法、系统及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109379736A (zh) * | 2018-10-26 | 2019-02-22 | 北京市天元网络技术股份有限公司 | 小区网络质量的调整方法及装置 |
| CN110062393A (zh) * | 2018-01-18 | 2019-07-26 | 董裕艺 | 一种网络差小区智能分析方法 |
| WO2019242664A1 (zh) * | 2018-06-20 | 2019-12-26 | 华为技术有限公司 | 一种资源管理方法及装置 |
| CN110796366A (zh) * | 2019-10-28 | 2020-02-14 | 中国联合网络通信集团有限公司 | 质差小区识别方法和装置 |
| CN111405081A (zh) * | 2020-03-13 | 2020-07-10 | 北京奇艺世纪科技有限公司 | 基于决策树的dns调整方法、装置、计算机设备和存储介质 |
| CN111901134A (zh) * | 2019-05-05 | 2020-11-06 | 中国移动通信集团四川有限公司 | 一种基于循环神经网络模型rnn的预测网络质量的方法和装置 |
| CN111935741A (zh) * | 2020-08-11 | 2020-11-13 | 中国联合网络通信集团有限公司 | 通信网络质差小区的检测方法、装置及系统 |
| CN112699099A (zh) * | 2020-12-30 | 2021-04-23 | 广州杰赛科技股份有限公司 | 用户投诉数据库扩充方法、装置及存储介质 |
| CN113099476A (zh) * | 2021-05-13 | 2021-07-09 | 中国联合网络通信集团有限公司 | 网络质量检测方法、装置、设备及存储介质 |
-
2021
- 2021-08-17 CN CN202110944661.XA patent/CN113660687B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110062393A (zh) * | 2018-01-18 | 2019-07-26 | 董裕艺 | 一种网络差小区智能分析方法 |
| WO2019242664A1 (zh) * | 2018-06-20 | 2019-12-26 | 华为技术有限公司 | 一种资源管理方法及装置 |
| CN109379736A (zh) * | 2018-10-26 | 2019-02-22 | 北京市天元网络技术股份有限公司 | 小区网络质量的调整方法及装置 |
| CN111901134A (zh) * | 2019-05-05 | 2020-11-06 | 中国移动通信集团四川有限公司 | 一种基于循环神经网络模型rnn的预测网络质量的方法和装置 |
| CN110796366A (zh) * | 2019-10-28 | 2020-02-14 | 中国联合网络通信集团有限公司 | 质差小区识别方法和装置 |
| CN111405081A (zh) * | 2020-03-13 | 2020-07-10 | 北京奇艺世纪科技有限公司 | 基于决策树的dns调整方法、装置、计算机设备和存储介质 |
| CN111935741A (zh) * | 2020-08-11 | 2020-11-13 | 中国联合网络通信集团有限公司 | 通信网络质差小区的检测方法、装置及系统 |
| CN112699099A (zh) * | 2020-12-30 | 2021-04-23 | 广州杰赛科技股份有限公司 | 用户投诉数据库扩充方法、装置及存储介质 |
| CN113099476A (zh) * | 2021-05-13 | 2021-07-09 | 中国联合网络通信集团有限公司 | 网络质量检测方法、装置、设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| Jie Ren ; Zulin Wang.A novel deep learning method for application identification in wireless network.《China Communications ( Volume: 15, Issue: 10, October 2018)》.2018,全文. * |
| LTE-A异构网络抗干扰技术研究;方锐;《中国优秀硕士学位论文全文数据库 信息科技辑 (月刊)》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113660687A (zh) | 2021-11-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111867049B (zh) | 定位方法、装置及存储介质 | |
| EP3975048A1 (en) | Method for constructing cloud network alarm root cause relational tree model, device, and storage medium | |
| CN109787846A (zh) | 一种5g网络服务质量异常监测和预测方法及系统 | |
| CN114269007A (zh) | 基站节能策略确定方法、装置以及方法存储介质 | |
| CN105227369B (zh) | 基于众包模式的移动Apps对无线网路资源利用的分析方法 | |
| CN113660687B (zh) | 网络差小区处理方法、装置、设备及存储介质 | |
| US20170149619A1 (en) | Method and device for discovering network topology | |
| CN113379176B (zh) | 电信网络异常数据检测方法、装置、设备和可读存储介质 | |
| CN111163482B (zh) | 数据的处理方法、设备及存储介质 | |
| CN110166344B (zh) | 一种身份标识识别方法、装置以及相关设备 | |
| CN113688490A (zh) | 网络共建共享处理方法、装置、设备及存储介质 | |
| CN108768695A (zh) | Kqi的问题定位方法及装置 | |
| Lei et al. | Learning-based resource allocation: Efficient content delivery enabled by convolutional neural network | |
| CN115883392B (zh) | 算力网络的数据感知方法、装置、电子设备及存储介质 | |
| CN114205238B (zh) | 网络资源优化、模型训练方法、装置、存储介质及设备 | |
| CN107517474B (zh) | 一种网络分析优化方法及装置 | |
| CN116643937A (zh) | 数据日志的图像分析 | |
| CN111314926B (zh) | 覆盖关系确定方法、装置及计算机可读存储介质 | |
| CN117875746A (zh) | 指标阈值的确定方法、装置、存储介质及电子装置 | |
| CN114745289A (zh) | 网络性能数据的预测方法、装置、存储介质及设备 | |
| CN113411236A (zh) | 质差路由器检测方法、装置、设备及存储介质 | |
| CN117279019B (zh) | 频谱效率的预测方法、装置、电子设备及存储介质 | |
| CN112307075A (zh) | 用户关系识别方法及装置 | |
| CN114793200B (zh) | 一种基于电力物联网网络结构的重要物联节点识别方法 | |
| US20230370354A1 (en) | Systems and methods for identifying spatial clusters of users having poor experience in a heterogeneous network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |