[发明专利]一种基于FAHP-集成学习的LTE小区负载评价方法

说明书

本发明涉及一种LTE小区负载评价方法，一种基于FAHP‑集成学习的LTE小区负载评价方法，包括以下步骤：(1)获取LTE小区原始性能指标，计算关键性能指标，(2)构建LTE小区负载评价指标体系，(3)确定LTE小区负载评价标准，(4)采用层次分析法确定各大、中、小包类业务小区指标权重，(5)采用模糊综合评价法及Kmeans聚类确定学习样本的评价分类，(6)采用集成学习方法生成自动评价模型。本发明通过运用集成学习模型对LTE小区的负载自动评价，与经典的机器学习算法相比提升了准确性，并可以指导移动运营商网络优化部门对LTE小区负载进行有效的监控，大大降低了人工及时间成本。

技术领域

本发明涉及一种LTE(Long Term Evolution)小区负载评价方法，更具体地说，涉及一种基于FAHP(Fuzzy analytic hierarchy process)-集成学习的LTE小区负载评价方法。

背景技术

随着4G网络全面铺开、LTE网络建设规模的持续扩大，移动运营商对LTE小区运行状况进行实时监控，LTE设备会定时产生小区性能指标用于查询及分析。当前小区性能负载分析主要依靠网络优化人员根据工作经验，通过人工方式以LTE小区原始性能指标为基础，计算出关键性能指标并对LTE小区关键性能指标进行监控。根据信道利用率为基础，同时参考有效用户数和小区吞吐量来分析小区负载情况。其局限在于指标选择计算需要人工完成，并且需要通过网络优化人员的主观评价来得出小区负载结果。这样不仅需要大量的人工，而且无法及时获得LTE网络的整体运行情况，并且发现存在部分LTE小区性能利用不高，同时用户的感知不好的情况。

现有的评价方法有主观评价方法，例如模糊综合评价法、主成分分析法等；机器学习方法有SVM(Support Vector Machine,支持向量机)、Bayes(贝叶斯)等；客观评价方法如层次分析法等。上述方法都有一定的缺陷，主观评价方法对其指标权重确定过程中主观因素较强。客观评价方法则存在定量因素较少，定性成分过多的问题，机器学习方法需要样本驱动进行模型的训练。因此，一种能够自动进行客观评价网络负载的方法就显得十分重要，需要一种能够综合关键性能指标进行量化分类，客观评价LTE小区负载运行状态，实现LTE小区负载自动评价。

发明内容

为了克服现有技术中存在的不足，本发明目的是提供一种基于FAHP-集成学习的LTE小区负载评价方法。该评价方法不仅减少人工参与，还可以自动化评价全网LTE小区，了解全网运行情况，克服部分LTE小区性能利用不高，同时用户的感知不好的情况，并且实现了比较全面客观地对LTE小区负载的评价。

为了实现上述发明目的，解决已有技术中所存在的问题，本发明采取的技术方案是：一种基于FAHP-集成学习的LTE小区负载评价方法，包括以下步骤：

步骤1、获取LTE小区原始性能指标，计算关键性能指标，具体包括以下子步骤：

(a)、获取移动北向标准规定的LTE小区原始性能指标，具体指标为小区用户面下行字节数、小区用户面上行字节数、有效RRC连接平均数、E-RAB建立成功数、下行PDSCHPRB可用平均数、下行PDSCHPRB占用平均数、上行PUSCHPRB可用平均数、上行PUSCHPRB占用平均数，LTE小区原始性能指标按照小时粒度进行统计；

(b)、以LTE小区原始性能指标为基础，计算关键性能指标，如：小区平均E-RAB＝(小区用户面上行字节数+小区用户面下行字节数)/E-RAB建立成功数，无线利用率＝3/4*下行使用PRB平均数/下行PRB资源数+1/4*上行PRB平均数/上行PRB资源数，下行PRB利用率＝下行使用PRB平均数/下行PRB资源数，上行PRB利用率＝上行使用PRB平均数/上行PRB资源数，上行吞吐量＝小区用户面上行字节数/1024，下行吞吐量＝小区用户面下行字节数/1024；

步骤2、构建LTE小区负载评价指标体系，依据小区感知分类标准，将小区分为小包类业务小区、中包类业务小区及大包类业务小区，构建目标层及指标层，具体包括以下子步骤：