[发明专利]一种基于图卷积神经网络的邻区关系预测方法及系统

说明书

本发明提供一种基于图卷积神经网络的邻区关系预测方法及系统，其中方法包括输入数据，还包括以下步骤：初始化P‑GCN模型；进行区域分割；进行P‑GCN模型训练的前向计算；进行所述P‑GCN模型训练的反向误差计算；更新所述P‑GCN模型训练的参数；利用训练好的所述P‑GCN模型对预测区域中的各子区域S_t+1～S_k进行分区域的邻区关系预测，其中，t为训练区域所包含的子区域个数，k为子区域的总个数；对所述预测的结果进行后处理。本发明提出的基于图卷积神经网络的邻区关系预测方法及系统，有效保障邻区关系信息的有效性、完整性和时效性，是自动构建无线网络知识图谱的重要步骤。

技术领域

本发明涉及移动通信领域，具体地说是一种基于图卷积神经网络的邻区关系预测方法及系统。

背景技术

无线网络知识图谱作为一种新的基站信息管理方法、知识图谱在通信领域的一种典型应用得到了越来越多的关注。其中，知识图谱的自动构建中的一项重要任务就是实体关系的识别与校准。进一步地，如何从海量数据中自动识别出小区实体间的邻区关系、对已有邻区关系列表(NCL，Neighbor Cell List)中删除冗余或错配邻区关系并增加漏配邻区关系是构建无线网络知识图谱的重要工作之一。

在传统的移动网络规划优化工作中，邻区关系规划优化同样也是无线网络规划优化中的一个重要环节。其主要目的是保证小区边缘用户能及时切换到信号最佳的邻小区，以保证通话质量和整网的性能。只有在基站(4GLTE系统中指eNB，5G系统中指gNB)端对各小区的邻区关系进行配置之后，用户从一个小区进入另外一个小区时，才会完成切换。因此准确的邻区关系配置是保证移动网络性能的基本要求。

若邻区关系配置得太少或配置错误，会造成大量掉话、掉线；若邻区关系配置得过多，则导致测量报告的精确性降低、增加终端测量和空口信令交互的负担。而在网络运营过程中，随着新基站的建立、基站停用或搬迁以及干扰环境的变化，则需要不断对邻区关系进行更新。

现有技术手段主要有两种：

(1)人工路测：传统的网规网优工作是一项技术复杂、需要专业人员和工具的工作，主要通过大量的路测进行。然而路测需要消耗大量的时间和人力，而且由于测试本身不能遍历所有的覆盖区域和使用时间，所以对邻区优化的指导意义有限。从运营商的角度而言，要求更低的建网和运营成本，以便为广大用户提供更低价格的网络服务来赢得市场。

(2)ANR(自动邻区关系)：这是一种自动完成邻区关系配置的方法，属于自组织网络(SON)技术中一个重要组成部分，自动化程度高。但是目前现网中一般并不会完全依赖这个功能，一般新网开一段时间后就会关闭，然后采用人工方式进一步优化。主要原因包括：(a)ANR未考虑基站的实际覆盖能力，没有充分利用或考虑各基站的覆盖质量信息，会导致配置的邻区过多，带来太多的不必要邻区关系(其实是冗余或超远的邻区关系)；(b)会带来大量的终端测量和空口信令交互负担。有人也提出了一些改进，例如当移动终端检测到列表之外小区的RSRP比当前服务小区的RSRP高，而且差值大于该值时，移动终端才会上报测量的结果到服务eNB。ANR功能包括三个模块：邻区检测模块、邻区删除模块和邻区关系表管理模块(如下图所示)。主要的工作步骤包括：

(a)eNB向UE下发ANR相关的测量配置，可以包括同技术(Intra-RAT)同频、异频测量或异技术(Inter-RAT)测量，UE收到测量配置后执行PCI(Physical Cell Identity，邻区物理小区标识)的测量，并将测到的邻区的PCI信息按照测量报告的格式上报给eNB；

(b)eNB收到邻区的PCI信息后，选取特定的UE下发报告CGI(Cell GlobalIdentity，小区全局标识)、测量配置，UE收到此测量配置后，读取邻区的广播信息，获取邻区的CGI等信息；