[发明专利]一种基于无线网络话务特征的小区聚类方法和系统

说明书

一种基于无线网络话务特征的小区聚类方法，主要包括五个步骤：S1选择待处理数据；S2提取每个待处理数据的“特征参数”；S3对待处理数据进行聚类最优K值选取；S4利用选取的最优K值运用五种聚类算法对待处理数据进行聚类整合；S5将聚类结果与地理信息系统中的地理信息进行结合，并显示结合后的聚类结果。本专利通过聚类得到话务数据类似的小区，为移动运营商提供了一个评估和规划网络容量的辅助方案。

技术领域

本发明涉及移动通信领域尤其涉及一种基于无线网络话务特征的小区聚类方法。

背景技术

移动通信技术是一个不断演进的过程，随着4G网络大规模的建设，目前在2/3/4G混合组网的情况下，网络复杂性也在进一步提高，因此，为了适应这样的变革，移动运营商在考虑潜在的4G需求时，应该分析当前不同小区的无线网络话务特征，借以高效低能耗的对网络话务特征的聚类算法，整理出无线网络话务特征相似的小区，从而为运营商提供一种新的网络优化方式基于批处理方式的实现成为可能。

在数据处理过程中，将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类。由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。在对大数据量的小区话务信息进行识别时，对其进行聚类计算，即是根据不同的阈值将不同的小区分成不同的类，以便获取哪些小区属于同一个类别，并最终实现相似小区的聚类。

现有的聚类算法不论在适用范围上还是聚类效果上均会存在一些限制和缺陷。如经典的k-means聚类算法，其结果好坏依赖于对初始聚类中心的选择，并且存在对异常数据较为敏感、只能处理数值属性的数据、聚类结构可能不平衡等问题。而层次聚类也会出现计算复杂度太高、奇异值也能产生很大影响以及算法很可能聚类成链状等问题。因此如何规避现有算法的缺点，减少聚类误差，提高聚类准确性是目前亟需解决的问题。

基于以上原因，为了精确地规划、设计不同小区的2G/3G/4G LTE网络，直观的发现话务数据类似的小区，为不同类型的小区提供有针对性优化方案，本文将提供涉及移动通信领域尤其涉及一种话务量小区级的聚类方法和系统。此方法中的数据来源是基于小区级的话务量。本专利通过聚类得到话务数据类似的小区，为移动运营商提供了一个评估和规划网络容量的辅助方案，此方案不依赖于任何厂商。

发明内容

本发明所解决的技术问题是：采用数据挖掘技术从源数据中挖掘出有用的信息对数据进行聚类，特别是针对移动通讯领域中的小区实现准确的聚类，利用选取的最优K值运用五种聚类算法对待处理数据进行聚类整合，规避现有算法聚类误差大的缺陷；也为移动运营商提供一个评估、规划和设计网络时的参考依据。

为解决以上技术问题，本发明提供了一种基于无线网络话务特征的小区聚类方法，包括如下步骤：S1选择待处理数据；S2提取每个待处理数据的“特征参数”；S3对待处理数据进行聚类最优K值选取；S4利用选取的最优K值运用五种聚类算法对待处理数据进行聚类整合；S5将聚类结果与地理信息系统中的地理信息进行结合，并显示结合后的聚类结果。

步骤S1中所述待处理数据为有关小区话务在一段时间范围内建立的RSCP和Ec/Io两个关键指标的小区级秒粒度话务统计信息表和对该段时间范围采用时间序列拟合算法建立的小区级秒粒度话务信息时间序列。

步骤S2中所述的特征参数是指对小区话务的两个关键指标RSCP和Ec/Io的话务特征分别提取的最大值、95％分位数、5％分位数、均值、中位数、方差、偏度和峰度、序列关联性、非线性、频率、稳定性和持续性；以及关于小区级秒粒度话务信息时间序列的趋势、季节性、序列关联性、非线性、偏度和峰度。

步骤S3中所述的最优K值选取的方法是通过计算BWP指标、Calinski-Harabasz指标和Silhouette指标，选择聚类效果最好的指标所对应的K值为聚类最优K值。