[发明专利]一种基于FAHP-集成学习的LTE小区负载评价方法

摘要

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。

主权项

1.一种基于FAHP‑集成学习的LTE小区负载评价方法，其特征在于包括以下步骤：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，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：(a)、按照小区感知分类标准：小区平均E‑RAB<300kb,300kb<小区平均E‑RAB<1000kb及小区平均E‑RAB>1000kb，将全网分为小包类业务小区、中包类业务小区及大包类业务小区；(b)、对关键性能指标按照小区无线利用率自忙时筛选忙时数据，再以周为单位进行统计，建立以LTE小区负载评价作为目标层，下行PRB利用率、上行PRB利用率、上行吞吐量、下行吞吐量及RRC连接平均数作为指标层；步骤3、确定LTE小区负载评价标准，将小区负载状况划分为拥塞、高负载、良好、一般、低负载五个状态等级，并构造出各等级的得分向量V＝{0.9,0.7,0.5,0.3,0.1}；步骤4、采用层次分析法确定各大、中、小包类业务小区指标权重，根据网络优化人员经验，构造判断矩阵，然后计算各指标权重，具体包括以下子步骤：(a)、采用1‑9标度法对关键性能指标之间重要度判断，构造判断矩阵S，式中，S1表示小包类业务判断矩阵、S2表示中包类业务判断矩阵、S3表示大包类业务判断矩阵；(b)、计算判断矩阵S的最大特征值λmax及特征值对应的特征向量，将此特征向量归一化即为所求权重向量A；(c)、根据公式(2)计算相容性指标CI，对构建的判断矩阵S进行一致性检验，当CI＜0.1时，判断矩阵S满足一致性；当CI≥0.1时，则需要对判断矩阵S进行调整，一直调整到满足一致性，CI＝(λmax‑n)/(n‑1)   (2)式中，n为判断矩阵S的阶数；步骤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，根据网络实际情况，建立学习样本的模糊关系矩阵，获得学习样本的评价分数及对应分类，具体包括以下子步骤：(a)、对小包类业务小区、中包类业务小区、大包类业务小区性能指标采用Kmeans方法进行分类，获得每类的中心点并采用专家打分的方法，对每一具体指标按照拥塞、高负载、良好、一般、低负载五个状态进行评价，建立模糊关系矩阵R；(b)、根据公式(3)计算LTE小区负载评价向量F，F＝A·R   (3)式中，A为指标的权重向量，R为构建的模糊关系矩阵；(c)、根据公式(4)计算LTE小区负载评价值y，y＝F·V   (4)式中，F为LTE小区负载评价向量，V为各等级的得分向量；根据评价值与评价分类的对应关系确定评价类别，生成学习样本；步骤6、采用集成学习方法生成自动评价模型，根据步骤1‑5确定的学习样本，以学习样本的关键性能指标值作为模型的输入值，以学习样本的评价分类作为模型的输出值，建立并训练模型，具体包括以下子步骤：(a)、输入学习样本，按照公式(5)进行指标归一化处理，使输入值都介于0‑1之间，xnorm＝(xk‑xmin)/(xmax‑xmin)   (5)式中，xk表示输入样本，xmin表示数据序列中的最小值，xmax表示数据序列中的最大值,xnorm表示归一化的数据；(b)、选用机器学习分类模型逻辑回归、决策树、朴素贝叶斯、支持向量机、K最近邻构成集成学习的分类模型；(c)、训练各分类器；(d)、集成学习模型选择加权投票法给出评价结果。