MA YU (CN)
XUE WENQIAN (CN)
LI JIAN (CN)
CN102752788A | 2012-10-24 | |||
CN102325342A | 2012-01-18 | |||
EP2139278A1 | 2009-12-30 | |||
US20110028181A1 | 2011-02-03 | |||
CN102932826A | 2013-02-13 |
北京德琦知识产权代理有限公司 (CN)
权利要求书 1、 一种蜂窝移动通信系统网络自组织 SON中的小区中断探测定位 方法, 其特征在于: 该方法包括: 在包含多个小区的侦听区域中, 用户 设备在触发表示邻小区的服务质量优于服务小区的设定偏移量的 A3 事件时, 将用户设备的关键性能指标 KPI参数和位置信息上报给基站; 在每个侦听周期内,基站将接收到的 KPI参数和位置信息上报给运维管 理 OAM设备, OAM设备采用聚类分析方法并根据所述 KPI参数对用 户设备进行分类; 根据聚类分析结果, OAM设备判断侦听区域中是否 有小区发生中断; 若有小区发生中断, 统计中断小区的数量, 确定中断 小区的中断类型, 根据各类用户设备在网络中的位置信息定位中断小 区,, 并根据中断小区的中断类型, 触发中断小区的补偿措施。 2、根据权利要求 1所述的方法, 其特征在于: 所述聚类分析方法是 动态仿射传播 AP算法, 该算法包括: 确定偏向参数 p的调整范围, 设 置分别用于动态调整偏向参数 P的第一步长和第二步长, 产生多个具有 不同分类个数的聚类结果, 再根据聚类质量评价指标从这些聚类结果中 选出最优的聚类结果。 3、根据权利要求 1所述的方法, 其特征在于: 所述方法包括下列步 骤: 用户设备在触发 A3事件时, 同时将用户设备的 KPI参数( RSRPs、 RSRPn、 «R2 p «R2„ )及其位置坐标 上报给基站; 在每个侦听 周期内, 基站再将所述 KPI参数和位置坐标上报给 OAM设备; OAM设备接收触发 A3事件的各个用户设备的 KPI参数及其位置坐 标 φχ,υγ、,根据所述各个用户设备的 ΚΡΙ参数( RSRPs、 RSRPn、 RSRQs和 RSRQn ), 利用动态 AP算法对触发 A3事件的用户设备进行分类, 并根 据聚类质量评价指标评选出最优分类个数; 判断该最优分类个数对应的聚类质量评价指标的值是否小于门限 值, 若是, 则说明触发 A3事件的所有用户设备的性能没有差异, 故确 定该侦听区域内没有小区发生中断; 若该最优分类个数对应的聚类质量 评价指标的值大于门限值, 则说明触发 A3事件的所有用户设备的性能 存在差异,故确定该侦听区域内有小区发生中断; OAM设备提取触发 A3事件的所有用户设备的位置坐标 (t/pt/y ) , 根据最优分类个数, 将各类中的用户设备对应的数据点都映射到侦听区 域的网络小区拓朴中; 判断是否某个分类中有超过设定门限比例值的数 据点集中于同一小区, 若是, 则确定该小区为中断小区, 并统计中断小 区的数量和确定中断小区的中断类型;若否,则确定没有小区发生中断。 4、 根据权利要求 3所述的方法, 其特征在于: 所述 和 ^ ? 为 服务小区和邻小区的最大参考信号接收功率,所述 RSRQs和 RSRQ„为服务 小区和邻小区的最大参考信号接收质量, 其中, 下标 s和《分别为服务 小区 serving cell和邻小区 neighboring cell的首字母。 5、 根据权利要求 3所述的方法, 其特征在于: 利用动态 AP算法对 触发 A3事件的用户设备进行分类, 并根据聚类质量评价指标评选出最 优分类个数包括: 步骤 (21 ), OAM设备将触发 A3事件的各个用户设备及其 KPI参 数组成用户设备集合 ^{ , ^,···, ^···,^} , 其中, 下标 为自然数, 用 于表示用户设备的序号, 其最大值为 N, 故 X,为触发 A3事件的第 个用 户设备,且每个用户设备携带 4个 ΚΡΙ参数组成该用户设备的 ΚΡΙ参数 量 Xt = (RSRPsi , RSRPm , RSRQsi , RSRQm ) ,所述 KPI参数向量作为参与聚类算 法的一个数据点, 所述 KPI参数向量作为参与聚类算法的一个数据点; 步骤 (22), 采用动态 AP聚类算法对集合 = Χ,,···, ^}中 的所有用户设备进行分类, 故集合 D中的 , ^,···, Χ,,···, ^共 N个数据 点参与动态 ΑΡ聚类算法; 步躁 (23), 采用聚类质量评价指标 )=^¾¾评价每个 数据点 ^的聚类质量,进而评价不同聚类分类个数下的聚类质量;其中, 下标 为自然数, 并用于表示用户设备的序号, 其最大值为 N。 6、 根据权利要求 5所述的方法, 其特征在于: 所述动态 AP聚类算 法包括: 步骤(221), 当 ≠fc时, 选用欧式距离为相似度的测度指标, 计算 其中任意两个数据点 X,和 xk之间的相似度 , 其中 , s(i,k) = -\\Xi-Xk\f , 式中, 下标 为自然数, 用于表示用户设备的序号, 其最大值为 Ν', 当 Ϊ· = 时, 定义数据点 的偏向参数/ , 此时, 先假设所有 数据点成为聚类中心的可能性相同, 即 s^, = =p, 再根据任意两个 不同数据点的相似度 和上述 N个数据点的偏向参数 Ρ = /\ = ^)构 成行数和列数均为 N的矩阵 s =「匕 \, , ; 进而引入偏向参数 p的动态 调整范围 /^[/^,/^],使得偏向参数 P的动态调整范围对应的聚类分类 个数的范围为 [2,「>/ΪΫ]]; 然后, 设置初始偏向参数 p = pmax; 步骤(222) , 按照任意两个不同数据点 X,和:^之间的响应度 r( ) 和效应度 的下述三个计算公式,进行传统 AP聚类算法的迭代运算, 且每次迭代都要更新下述两种参数: 响应度 )和效应度 ( ); v^ Jk r(i,k) = s(i,k) - max {a(i, k') + s(i, k ')} , 式中, 序号; t'≠ 响应度 r(i,k)是数据点 Xk适宜作为数据点 X,的聚类中心的程度; 当 ≠fc时, 当, · = 时, 效应度"( , ) = 11¾«{0,^', )} , 式中, 序号 '≠ 且'≠ , 效应度 ( )是数据点 选择数据点 作为其聚类中心的适合程度; 步骤(223 ), 在每次循环迭代计算过程中, 引入阻尼系数 Ae[0,l] , 使得每次迭代的响应度 r(i, k)和效应度 a(i, fc)都根据下述两个公式 r(i,k)' = (\-l)r(i,k -1 +lr(i,k ^ a(i,k)' = (l- )a( ,yt)^ +Aa(i,k)'中的上次迭代 运算获得的响应度和效应度, 以及本次迭代运算的步骤(222 ) 中的响 应度和效应度进行加权更新; 其中, 为迭代次数; 步骤 ( 224 ) , 每次迭代运 算 结 束后 , 依据公 式 center = ar g max {r(i,k) + a (i,k)}判断数据点 Xt的聚类中心, 式中, center为 数据点 Xt的聚类中心, 迭代运算结束后产生的所有聚类中心的个数等于 所有用户设备 £> = { ,^, ,^}被聚类分类的总类别个数; 步骤(225 ), 在迭代算法执行过程中, 实时判断聚类结果是否保持 稳定; 若是, 则表明算法收敛, 并产生聚类结果, 跳转执行步骤(227 ); 如果算迭代达到最大迭代次数时, 聚类结果仍存在摆动, 表示算法无法 收敛, 即执行后续步骤(226 ); 步骤(226 ), 将当前设置的偏向参数 P的数值降低设定的第一步长 , 并返回到步骤(222 ); 步躁(227 ), 在获得一个聚类结果后, 将偏向参数 P的数值下降设 定的第二步长 并返回到步骤(222 ), 直到偏向参数 P的数值降至 初始设定的偏向参数 P的动态调整范围的下限 P皿 ,以便获得多个聚类分 类个数下的不同分类结果。 7、根据权利要求 5所述的方法, 其特征在于: 所述步骤(23)包括: 假设聚类分类个数 = 总共有 类, ^属于其中的一类 , 式中, Ω ( 为数据点 ^与它所属的类 ς中的其他数据点间的平均距 离; 务 d^cj为数据点 ^到另一类 cother中的所有数据点的平均距离, 则 b( ) = ηϋημ( ,c。^)}是该数据点 X]到其他所有各类 中的其他数据 点之间的最小平均距离, C。^e{Cl,C2,…, }且^^≠ 类 ς的平均聚类质 量为 ^ ;^丄!;^^;), 式中, m为该类 ς所包含的数据点的总数; 并 从 类(={ ,¾,一, }的^^( )中获得最小值 ( =1^11{1¾^)} , 作为 本次分类的 类中包括类内紧凑度或类间可分度的聚类质量最差的类; 再从偏向参数 /^[/^,/^]所确定的从 2到「 ]的多个聚类分类个数的 分类结果所对应的多个聚类质量评价指标 中寻找最大值, 则该 最大值对应的 就是最优聚类的分类个数, 即最优分类个数为 opti _ cluster = arg maxj^L^ (K) } |
本发明涉及无线通信技术领域, 特别涉及一种蜂窝移动通信系统网 络自组织中的小区中断探测定位方法, 确切地说, 涉及一种蜂窝移动通 信系统网络自组织 SON ( Self-Organizing Networks ) 中自治愈部分的小 区中断探测和中断小区定位方法。 发明背景
在下一代宽带移动通信网络 IMT-Advanced 系统中, 引入了家庭基 站和中继站,并采用增强型的多输入多输出( MIMO )、多点协作(CoMP ) 和载波聚合等先进技术, 从而引入了大量的参数和数据处理, 增加了网 络配置和优化以及中断小区的探测和补偿的技 术复杂度与人工运维成 本。 在这种背景下, 网络自组织技术作为一种先进的无线通信技术 , 获 得了学术界和产业界的共同关注。
IMT-Advanced系统的网络自组织( SON )技术具有自配置、 自优化、 自治愈的三大功能。 其中, 自治愈功能是指网络能够自动、 快速、 准确 地检测和定位影响网络性能的故障, 并实现自动恢复正常运行, 以确保 用户设备连续、 高质量的通信过程。 为了实现网络自治愈, 要求移动蜂 窝网络具有小区中断探测定位和中断小区性能 补偿的两方面功能, 其中 的小区中断探测定位是网络自治愈的基础和前 提。
目前, 造成小区中断的部分故障由运维管理 OAM ( Operation Administration and Maintenance )设备通过警报或性能监视器来发现的, 这样, 某些小区中断往往需要很长时间 (长达数小时或数天) 才能被探 测到, 或者是通过长时间的性能分析或用户反馈才能 被发现。 而且, 现 在的故障发现和识别需要进行大量的人工分析 , 并且需要 OAM设备对 基站进行不断的访问, 这就使得小区中断探测既费时又低效。 因此, 网 络自组织技术中的中断探测因为其能够提高网 络运维的效率, 减少人为 干预, 并降^ 网络维护的成本, 而成为业内关注的焦点。
网络自组织技术中的小区中断探测机制在实施 过程中, 首先需要收 集来自用户设备(UE )、 基站 (eNodeB )、 运维管理( OAM )设备等的 测量信息, 并提取可以准确判断小区是否中断的数据信息 。 然而, 可探 测和提取的数据信息并不是完整齐全的, 而无线网络的性能又是时变 的, 所以需要提供一种高效的小区中断探测和中断 小区定位方法, 以便 利用有限的探测信息实现准确的小区中断探测 和中断小区定位。 发明内容
有鉴于此, 本发明实施例的目的是提供一种蜂窝移动通信 系统网络 自组织中的小区中断探测定位方法, 从而保证网络故障的及时发现, 给 用户提供高质量的服务。
一种蜂窝移动通信系统网络自组织 SON ( Self-Organizing Networks ) 中的小区中断探测定位方法, 包括: 在包含多个小区的侦听区域中, 用 户设备在触发表示邻小区的服务质量优于服务 小区的设定偏移量的 A3 事件时, 将用户设备的关键性能指标 KPI参数和位置信息上报给基站; 在每个侦听周期内, 基站将接收到的 KPI参数和位置信息上报给运维管 理 OAM设备, OAM设备采用聚类分析方法并根据所述 KPI参数对用 户设备进行分类; 根据聚类分析结果, OAM设备判断侦听区域中是否 有小区发生中断, 如果有小区发生中断, 统计中断小区的数量, 并确定 中断小区的中断类型; 根据各类用户设备在网络中的分布定位中断小 区, 并根据中断小区的中断类型, 触发中断小区的补偿措施。 在本发明实施例提供的方法中, 运用数据挖掘中的聚类分析技术自 动探测小区中断并定位中断小区。 聚类分析可以在没有任何先验知识的 情况下, 自动将数据基于各种具体的聚类算法进行分类 。 有些算法需要 提前设定分类个数, 例如 K均值(K-means ) 算法。 另一些算法不需要 预先设定分类个数, 只需要在运算中根据设定标准找出适合成为聚 类中 心(每类分别对应一个聚类中心) 的点, 再根据这些点的个数来确定聚 类结果输出的分类个数, 如仿射传播(AP, affinity propagation )算法。 对于中断情况未知的通信网络, 因无法预知中断小区的个数, 此时需要 一种动态聚类算法对所收集的用户设备的数据 进行分类, 以便将处于不 同中断程度的中断小区区分开来。
因此, 在本发明实施例提供的方法中, 利用数据挖掘中的动态聚类 算法, 对触发 A3事件的用户设备进行动态分类。 传统的聚类算法需要 提前设定分类个数, 或者不能保证输出的分类个数为最优分类个数 , 而 本发明实施例提供的动态 AP聚类算法通过比较不同分类个数下的聚类 质量, 来保证以最优的分类个数输出分类结果。 这样, 在中断小区的个 数与中断类型未知的情况下, 该动态 AP聚类算法能够将正常的用户设 备和处于不同中断程度的用户设备区分开来。 进而, 在侦听区域发生多 个小区不同类型中断的时候, 不仅探测是否存在小区中断, 若存在, 还 将定位并区分不同中断类型的中断小区, 以便针对不同中断类型的中断 小区触发不同的中断补偿措施。
此外, 本发明实施例提供的方法不需要提前为每个小 区设定用于衡 量小区是否正常运营的 KPI参数值的模型, 只需利用网络收集到的用户 设备上报的各种 KPI 参数和位置信息, 对每个侦听区域中的所有触发 A3 事件的用户设备进行分类, 从而定位中断小区。 整个操作过程中, 步骤筒单, 计算复杂度低, 无需人工干预, 降低了因专设收集参数的功 能模块而造成的能量损耗和运维成本, 而且, 避免了因 KPI参数值模型 设置不准确而带来的错误判断的可能性。 因此, 本发明实施例提供的方 法具有 4艮好的推广应用前景。 附图简要说明 图 1是本发明实施例的网络自组织中的小区中断 测定位方法的流 程图。
图 2是本发明实施例的在仿真场景中设置的两种 同小区中断程度 的示意图。
图 3是在图 2所示的仿真场景中本发明实施例的方法流程 。 图 4是本发明实施例的聚类质量评价指标的值随 类分类个数的变 化而动态变化的示意图。
图 5是本发明实施例的方法仿真结果的聚类示意 。
图 6是本发明实施例的通过将数据点映射到无线 络小区拓朴而定 位中断小区的示意图。 实施本发明的方式 为使本发明的目的、 技术方案和优点更加清楚, 下面结合附图对本 发明实施例的作进一步的详细描述。
本发明实施例针对由于海量信息而无法高效地 进行无线网络性能 判决和故障诊断的问题, 提出了一种蜂窝移动通信系统网络自组织中的 小区中断探测定位方法。 该方法包括: 在一个包含多个小区的侦听区域 中,用户设备在触发表示邻小区的服务质量优 于服务小区的设定偏移 量的 A3事件时, 将其关键性能指标 KPI参数和位置信息上报给基站; 在每个侦听周期内,基站将接收到的 KPI参数和位置信息上报给运维管 理 OAM设备, OAM设备采用聚类分析方法并根据 KPI参数对用户进 行分类; 根据聚类分析结果, OAM设备判断侦听区域中是否有小区发 生中断; 若有小区发生中断, 统计中断小区的数量, 确定中断小区的中 断的类型, 根据各类用户在网络中的位置信息定位中断小 区, 并根据中 断小区的中断类型, 触发中断小区的补偿措施。 通过本发明实施例提供 的方法, 能够保证及时发现网络故障, 并触发相应补偿措施。
本发明实施例提出的聚类分析方法是一种动态 仿射传播 AP算法。 众所周知, 传统的 AP算法不用预先确定分类个数, 运算前设置的偏向 参数 P能决定每个数据点成为最终聚类中心的可能 , p值越大, 可能 的聚类中心越多,表示算法输出的分类个数越 多。通常在无先验知识时, 将 P设定为各数据点间相似度的中间值 Pm , 使得输出的分类个数适中。 但在许多情况下, 偏向参数设置为 Pm 不能使 AP算法产生最优的聚类结 果。 另一方面, 当 AP算法的输出结果发生震荡 (迭代过程中产生的聚 类结果不断发生摆动) 时, 摆脱震荡的一种方法是逐步调整 直到震 荡消失。
为了避免上述两个缺陷, 本发明实施例提出的动态 AP算法包括: 先确定偏向参数 p的调整范围, 再设置两种分别用于动态调整偏向参数
P的步长, 以便快速摆脱震荡和产生多个具有不同分类个 数的聚类结果, 再根据聚类质量评价指标从这些聚类结果中选 出最优的聚类结果。 因该 算法中增设了偏向参数 P的动态调整范围和用两种用于动态调整偏向 数 P的步长, 故被称为动态仿射传播 AP算法。
图 1是本发明实施例的自组织网络中的小区中断 测定位方法的流 程图。 如图 1所示, 该方法包括如下步骤:
步骤 1 , 用户设备在触发表示邻小区的服务质量优于服 务小区的 设定偏移量的 A3事件时,将用户设备的 KPI参数及其位置坐标 上报给基站; 在每个侦听周期内,基站再将这些 KPI 参数和位置坐标 上报给 OAM设备。 其中, KPI参数包括服务小区和邻小区的最 大参考信号接收功率 和 RSRP n ( Reference Signal Receiving Power ), 以及服务小区和邻小区的最大参考信号接收质 量 WR2 s 和 RSRQ„ ( Reference Signal Receiving Quality )。下标 >和《分另 ll为月良务小区 serving cell和邻小区 neighboring cell的首字母。
步骤 2, OAM设备接收触发 A3事件的各个用户设备的 KPI参数 ( RSRP s . RSRP n 、 WR2 «R2„ )及其位置坐标(t/pt/y), 才艮据各个用户 设备的 KPI参数并利用本发明实施例提出的动态仿射传 播 AP算法对触发 A3事件的用户设备进行分类,并根据聚类质量 价指标选出最优的聚类 结果。 其中, 用动态 AP算法对触发 A3事件的用户设备进行分类是本发 明实施例的重要步骤。在本实施例中, 步骤 2包括下述步骤(21) ~ (23)。
步骤 (21), OAM设备将步骤 1中收集的触发 A3事件的各个用户 设备及其 KPI参数组成用户设备集合^{ ,Χ ,···,^···,^} , 其中, 下 标 为自然数, 用于表示用户设备的序号, 其最大值为 N, 故 ^为触发
A3事件的第 个用户设备, 每个用户设备携带 4个 KPI参数组成该用户 设备的 KPI参数向量 Xi = (RSRP si , RSRP ni , RSRQ. , RSRQ ni ) , 该参数向量作为参 与聚类算法的一个数据点。
步骤 (22), 采用动态 ΑΡ聚类算法对集合 ^ ,χ^.,χ,ν,χ^中 的所有用户设备进行分类, 故集合 D中的 , , …,^共 个数据 点参与动态 ΑΡ聚类算法。
步骤(22) 中的动态 ΑΡ聚类算法包括下述步骤(221) ~ (227)。 步骤(221 ), 当 ≠fc时, 选用欧式距离为相似度的测度指标, 计算 其中任意两个不同数据点 X t 和 X k 之间的相似度 , 其中, s(i,k) = , 式中, 下标 为自然数, 用于表示用户设备的序号, 其最大值为 Ν',
当 = 时, 定义数据点 的偏向参数 Λ , 此时, 先假设所有 数据点成为聚类中心的可能性相同, 即 s ^, = P = p, 再根据任意两个 不同数据点的相似度 和上述 N个数据点的偏向参数 Ρ = /\ = ^)构 成行数和列数均为 N的矩阵 =「匕 ΊNxN; 进而引入偏向参数 ρ的动态 调整范围 p e [ Pmm ,p皿],使得偏向参数 p的动态调整范围对应的聚类分类 个数的范围为 [2,「/i^]; 然后, 设置初始偏向参数 P = Pmax 。 在本发明实 施例中, 的大小决定了数据点 ^成为聚类中心的可能性的大小。 越 大, 则数据点 ^成为聚类中心的可能性越大。
步骤(222) , 按照任意两个不同数据点 X,和 ^之间的响应度 r( ) 和效应度 的下述三个计算公式,进行传统 ΑΡ聚类算法的迭代运算, 且每一次迭代运算都要更新下述两种参数: 响应度 r( )和效应度 ( ) . v^ Jk r(i, k) = s(i, k) - max {a(i, k') + s(i, k } ,
k 1 ') ' 式中, 序号 k'≠k , k'≠ 响应度 r(i,k)是数据点 X k 适宜作为数据点 X t 的聚类中心的程度; 当 ≠fc时, ax{0,r(i',k
}
当 i' = fc时, 效应度"¾^) = 1^ {0, ( ^)}, 式中, 序号 '≠ 且'≠ , i'≠k
效应度 ( )是数据点 选择数据点 作为其聚类中心的适合程度。
步骤(223 ), 在每次循环迭代计算过程中, 引入阻尼系数 Ae[0,l], 使得每次迭代的响应度 r(i, k)和效应度 a(i, fc)都根据下述两个公式 r(i, k)' =(1- A)r(i, k) 1 ' 1 + Ar(i,k)' ^ a(i, k)' = (1 - A)a(i, k) 1 ' 1 + λα(ϊ, k)'中的上次迭代 运算获得的响应度和效应度, 以及本次迭代运算的步骤(222) 中的响 应度和效应度进行加权更新; 其中, 为迭代次数。 这样, 就可以避免 迭代运算算过程中因震荡造成聚类结果的来回 摆动。
步骤 ( 224 ) , 每次迭代运 算结 束后 , 依据公 式 cente^ = arg max {r (/, ) + (, )}判断数据点 X.的聚类中心, 式中, center]为 k
数据点 X,的聚类中心, 迭代运算结束后产生的所有聚类中心的个数等 于 所有用户设备 = { ,Χ 2 , ,^}被聚类分类的总类别个数。
步骤(225 ), 在迭代算法执行过程中, 实时判断聚类结果是否保持 稳定; 若是, 则表明算法收敛, 并产生聚类结果, 跳转执行步骤(227); 如果算法迭代达到最大迭代次数时, 聚类结果仍存在摆动, 则表示算法 无法收敛, 即执行后续步骤(226)。
步骤(226), 将当前设置的偏向参数 Ρ的数值降低设定的第一步长 ρ , 并返回到步骤(222)。
步骤(227), 在获得一个聚类结果后, 将偏向参数 Ρ的数值下降设 定的第二步长 2 , 并返回到步骤(222), 直到偏向参数 Ρ的数值降至 初始设定的偏向参数 Ρ的动态调整范围的下限 Ρ皿 ,以便获得多个聚类分 类个数下的不同分类结果。 该步骤的执行能够获得不同聚类分类个数下 的分类结果, 以便对不同聚类分类个数对应的分类结果进行 聚类质量的 比较, 实现最优分类。 步骤(23), 采用聚类质量评价指标 ( =^3¾¾评价每个 数据点 的聚类质量,进而评价不同聚类分类个数下的 聚类质量;其中, 下标 为自然数,用于表示用户设备的序号,其最大 值为 N。该步骤(23) 包括下列操作内容:
假设聚类分类个数 c = { Cl , 总共有 类, 属于其中的一 类 Ci , 上式中, 为数据点 ^与它所属的类 中的其他数据点间的平 均距离;若 d^'cj为数据点 Xj到另一类 Cotker 中的所有数据点的平均距 离, 则 b ( = min{J(X. , c other ) }是该数据点 X』到其他所有各类 c other 中的其他 数据点之间的最小平均距离, Cother ^w ,c k }且^ ≠Ci ; 类 的平均聚 类质量为 ^^^;)=丄 1^;), 式中, m为该类 c,所包含的数据点的总数; m j=i
并从^:类^^^…,^^的^^中获得最小值 匪^^!!!!!^^ 作 为本次分类的 类中包括类内紧凑度或类间可分度的聚类质量 最差的 类; 再从偏向参数 /^[/^,ρ ]所确定的从 2到「 ]的多个聚类分类个 数的分类结果所对应的多个聚类质量评价指标 { 皿 (Κ) }中寻找最大值, 则该最大值对应的 就是最优聚类的分类个数, 即最优分类个数为 opti _ cluster = arg maxj.'L^ (K) }。
κ
步骤 3 , ΟΑΜ设备判断该最优分类个数对应的聚类质量 评价指标的 值是否小于门限值, 若是, 则说明触发 A3事件的用户设备对应的数据点 的聚类可分性差, 也就是所有触发 A3事件的用户设备的性能没有差异, 故确定该侦听区域内没有发生小区中断; 若该最优分类个数的聚类质量 评价指标的值大于门限值, 则说明数据点的聚类可分性好, 即触发 A3 事件的所有用户设备的性能存在差异,故确定 该侦听区域内存在小区中 断。
步骤 4, OAM设备提取所有触发 A3 事件的用户设备的位置坐标 (U x ,U Y 根据最优分类个数, 将各类中的用户设备对应的数据点都映射 到侦听区域的网络小区拓朴中; 判断是否某个分类中有超过设定门限比 例值的数据点集中于同一小区, 若是, 则判断该小区为中断小区, 并统 计中断小区的数量和确定中断小区的中断类型 ; 若否, 则判断没有小区 发生中断。
发明人已经根据本发明实施例所述的方法进行 了多次仿真试验, 下 面筒要介绍仿真场景和评估结果。
图 2是本发明实施例的在仿真场景中设置的两种 区中断程度的示 意图。 参见图 2, 以 LTE系统有 19小区并采用表 1设置的系统参数为 例,具体说明本发明实施例提供的方法的各个 操作步骤:设置扇区 0 ( 1 ) 的天线增益对比正常天线增益下降 50dBi, 扇区 4 ( 1 ) 的天线增益对比 正常天线增益下降 lOOdBi, 即小区 201及 202被设定为不同中断程度的 中断小区, 其他小区 203为正常小区。
下表 1是在图 2所示的仿真场景的侦听区域中的系统仿真参 , 小 区 201和小区 202根据不同的天线增益下降程度设定为具有不 同中断程 度的中断小区: 系统仿真参数 参数设置 仿真场景 市区宏小区
小区布局 19个小区, 3扇区 /小区 用户分布 均匀分布
路损模型 L = 128.1 + 37.61og 10 R 扇区 0(1)与正常小区天线增益之差 50dBi
扇区 4(1)与正常小区天线增益之差 lOOdBi 阴影衰落标准差 8dB 最初小区选择标准 按位置接入 基站端总发射功率 46dBm 终端用户数 40个用户 /扇区
业务类型 Full Buffer
切换门限 0.5dB
切换触发时间 80ms
表 1
图 3是在图 2所示的仿真场景中本发明实施例的方法流程 。 参见 图 3, 在图 2所述的中断场景下, 本发明实施例提供的方法包括如下步 骤:
步骤 01 , 基站进入侦听周期。基站对图 2中的 19个小区进行侦听。 在实际系统中, 应选择相邻的、 且地形和业务特征相似的几个小区作为 一个侦听单位。
步骤 02, 用户设备在触发 A3 事件时, 将其 KPI参数及位置坐标 上报给基站,在每个侦听周期内,基站将上述 KPI参数和位置坐 标 φ χ , υ γ )上报给 ΟΑΜ设备, ΟΑΜ设备接收触发 A3事件的各用户设备 的 ΚΡΙ参数及位置坐标 ([/ x ,[/ y )。 用户设备上报的 KPI参数包含用户设 备接收到的服务小区和邻小区的最大参考信号 接收功率 ( RSRP s 和 RSRP ) , 以及接收到的服务小区和邻小区的最大参考信 号接收质量 ( RSRQ s ^ RSRQ n )。
步骤 03, 为便于分析数据, OAM设备对数据进行预处理。 OAM设 备通常采用数据归一化对数据进行处理。
步骤 04, OAM设备根据触发 A3 事件的各用户设备的四个参数 ( RSRP , RSRP n , RSRQ s , RSRQ n ), 利用动态 AP算法对触发 A3事件的 用户设备进行分类, 设置偏向参数 p的初始值和两种用于动态调整偏向 参数 p的步长, 使得算法在调整偏向参数 p的过程中将数据点分类成不 同的类别个数。 利用聚类质量评价指标, 评价最终应把数据点分为多少 类为最优, 使得所有数据点, 即所有触发 A3事件的用户设备, 依据聚 类质量评价指标值分成最优分类个数。
步骤 05 , 当最优分类个数对应的聚类质量评价指标小于 设定门限值 E时, 则说明触发 A3事件的用户设备对应的数据点的聚类可分性 差, 即所有触发 A3事件的用户设备的性能没有差异, 故确定该侦听区域内 没有发生小区中断; 若最优分类个数对应的聚类质量评价指标大于 门限 值 E时, 则表示触发 A3事件的用户设备对应的数据点的聚类可分性 好, 即触发 A3事件的用户设备存在差异, 故确定该侦听区域内存在小 区中断, 执行步骤 06。
在图 2所示的仿真场景中, 设定门限值 E为 0.5 , 按照步骤 04所述 的动态 AP算法对步骤 02获得的数据点进行步骤 03中的数据预处理后, 进行最优聚类, 得到的最优分类个数为 3 , 即分类个数为 3时对应的聚 类质量评价指标的值最大。此时对应的聚类质 量评价指标的值为 0.6226, 大于门限值 E=0.5 ,说明数据点的聚类可分性好, 即触发 A3事件的用户 设备的性能存在差异, 这就表明存在小区中断。 图 4是本发明实施例的 聚类质量评价指标的值随聚类分类个数的变化 而动态变化的示意图。 如 图 4所示, 在不同分类个数下对应的聚类质量评价指标的 值是变化的, 在分类个数为 3时, 该聚类质量评价指标的值最大, 说明最优分类个数 为 3类, 而且聚类质量评价指标的值大于 0.5说明该侦听区域在此侦听 周期内存在小区中断。
步骤 06, OAM设备提取所有触发 A3事件的用户设备的位置坐标 根据最优分类个数(图 2所示的实施例的最优分类个数为 3类), 将各类中的用户设备对应的数据点映射到侦听 区域的网络小区拓朴中。
步骤 07 , 若某类中有超过设定门限比例值的数据点集中 于同一小 区, 则判断该小区为中断小区。 在图 2所示的仿真场景中, 如果设定门 限比例值为 50% , 第 1类中 95% (大于门限比例值 50% )的数据点集中 在小区 201中, 第 2类中 100% (大于门限比例值 50% ) 的数据点集中 在小区 202中, 故判断小区 201及 202为中断小区, 且中断类型或中断 程度不同。
步骤 08, 确定中断小区的中断类型, 并根据中断类型触发中断小区 的补偿措施。
图 4是将步骤 02中收集的用户设备的数据经过步骤 03中的数据预 处理后, 再利用步骤 04中的动态 AP算法对触发 A3事件的用户设备进 行分类, 并将用户设备对应的数据点分类成不同的类别 个数, 并依据聚 类质量评价指标的值, 获得最优分类个数。 从图 4中可以看出, 该聚类 质量评价指标的最大值出现在分类个数为 3时, 所以最优分类个数为 3 类, 对应的聚类质量评价指标的值为 0.6226, 大于设定门限值 E=0.5 , 说明触发 A3事件的用户设备对应的数据点的聚类可分性 , 也就是说 该侦听区域在这次侦听周期内存在小区中断。
图 5是本发明实施例的方法仿真结果的聚类示意 。 在图 5中, 是 将步骤 02中收集的用户设备的数据和经过步骤 03中的数据预处理后, 再利用步骤 04中的动态 AP算法对触发 A3事件的用户设备进行分类, 并将用户设备对应的数据点分类成不同的类别 个数, 并依据聚类质量评 价指标将数据点分类成最优分类个数, 即分为 3类, 其中第 1簇 A及第 2簇 B为包含数据点较少的类, 属于异常点类; 第 3簇 C为包含数据点 较多的类, 属于正常点类。
图 6是本发明实施例的数据点映射到无线网络小 拓朴中所得到的 结果示意图。 在图 6中, 是将簇 A、 B和 C中的数据点映射于无线网络 小区拓朴中所得到的结果。 其中, 类 A中 95% (大于门限比例值 50% ) 的数据点集中在区域 601 , 类 B中 100% (大于门限比例值 50% ) 的数 据点集中在区域 602,说明区域 601和 602都为中断区域, 图中区域 603 为正常区域。将图 6与图 2比较,可以发现异常点集中的区域 601及 602 对应图 2的小区 201及 202, 即仿真场景预先设置的中断小区内。 这说 明, 按照本发明实施例提供的方法能够准确的判断 出侦听区域中是否存 在小区中断, 并能成功定位中断小区。
以上所述仅为本发明的较佳实施例而已, 并不用以限制本发明, 凡 在本发明的精神和原则之内, 所做的任何修改、 等同替换、 改进等, 均 应包含在本发明保护的范围之内。