[发明专利]基于波形分析和深度学习的基站干扰监测方法及系统

说明书

本发明公开了一种基于波形分析和深度学习的基站干扰监测方法，通过采集对LTE系统进行干扰监测所需的数据；根据采集得到的网管数据，筛选出高上行干扰小区；利用相似性对高上行干扰小区的干扰波类型进行初匹配，并标记基站故障；根据基站的GPS位置，将初匹配得到的干扰波类型以热力的形式反馈到网格上，得到网格热力图；建立基于深度神经网络的干扰预测模型；根据预测干扰类型及现场排查和处理的结果，更新网格热力图以及干扰经验库，并对干扰预测模型进行优化。本发明基于相似度进行干扰波匹配，并结合图形化的深度网络预测，为技术人员查询故障根源提供指向性引导，从而提高基站干扰监测的准确度及效率。

技术领域

本发明涉及移动通信技术领域，尤其涉及基于波形分析和深度学习的基站干扰监测方法及系统。

背景技术

在移动通信网络的日常优化过程中，干扰的定位分析及优化是关键工作之一。目前采用的高上行干扰定位技术，需要考虑频域、时域、空间等多维度干扰特征，来对干扰因素进行关联和定位。由于高上行干扰的因素复杂多样，要想快速并准确的判断出干扰源位置和干扰信息具有一定的困难，且需要一定的经验技术人员；同时由于特征的获取及操作较为复杂，该过程也需耗费大量的人力和物力，导致干扰信息定位时间慢、定位准确性低。

另外，现有的高上行干扰定位技术大多数是针对于区域性的位置信息，认知有限的干扰因素，并人工进行匹配。而在区域更大的范围内，维护的成本将直接升高，干扰的多样性也更加复杂，因此难以在更大区域范围内进行干扰的定位，不利于实现高准确度的故障预判和预测。

发明内容

本发明为解决现有高上行干扰定位技术定位时间慢、定位准确性低且定位区域范围较小的问题，提供了基于波形分析和深度学习的基站干扰监测方法及系统。

为实现以上发明目的，而采用的技术手段是：

基于波形分析和深度学习的基站干扰监测方法，包括以下步骤：

S1.采集对LTE系统进行干扰监测所需的数据；

S2.根据采集得到的网管数据，筛选出高上行干扰小区；

S3.利用相似性对所述高上行干扰小区的干扰波类型进行初匹配，并标记基站故障；

S4.根据所述基站的GPS位置，将初匹配得到的干扰波类型以热力的形式反馈到网格上，得到网格热力图；

S5.建立基于深度神经网络的干扰预测模型，所述干扰预测模型的输入为网格热力图，所述干扰预测模型的输出为所述高上行干扰小区的预测干扰类型；

S6.根据所述预测干扰类型及现场排查和处理的结果，更新所述网格热力图以及干扰经验库，并对所述干扰预测模型进行优化。

上述方案中，基于相似度进行干扰波匹配，并结合图形化的深度网络预测，相比于单点基站基于相似度的干扰波匹配方法，可关联网格热力图中其他基站对待监测基站的影响，形成片区监测并可清晰直观地在网格热力图上看到故障的影响范围以及大概的故障信息，为技术人员查询故障根源提供指向性引导，从而提高基站干扰监测的准确度及效率。另外，基于每次故障排查的经验积累，干扰预测模型的准确度可不断提高。

优选的，步骤S1所述的数据包括XDR信息、网管信息、4G LTE工参信息。

优选的，所述步骤S3具体包括以下步骤：

S31.计算所述高上行干扰小区中的给定波形与预设干扰经验库中的可匹配波形的最短算法距离；

S32.将计算得到的最短算法距离进行升序排序，选取前N个最短算法距离对应的可匹配波形类型作为所述高上行干扰小区的初匹配干扰波类型，并标记基站故障。

优选的，步骤S31中所述最短算法距离的计算方法为：

设a为任一实数，计算求解公式的最小值，即的最小值；