Page 11 - 网络电信2019年6月刊下
P. 11

TF 融合的多频多模网络结构如图 1 所示,整体组网主要由                    数据的分析处理挖掘小区的潜在相似模式。MR 数据是按 RSRP
            3 部分组成:容量层、覆盖层、广深覆盖层。容量层主要用于业                        (reference  signal  receiving  power,参考信号接收功率)
            务吸收,其中 D 频段覆盖能力较差,用于近点、热点话务吸收,                       强度分段统计的,按照 RSRP 强度、MR 数量绘制二维曲线,具体
            FDD  1800MHz 承担热点均衡效果,与 TDD  2.6GHz 的 D 频段共同         如图 3 所示。
            承担容量层。F 频段覆盖次之,用于基础覆盖以及小区边缘业务                            从 MR 数据中提取用于小区场景划分的关键特征,提取每条
            吸收。FDD  900MHz 频段覆盖效果最好,优先级最低,用于城区                   MR 数据的算术平均数、方差、峰度系数 以及偏态系数。使用提
            深度覆盖或郊区广覆盖。                                          取的这 4 个特征进行场景划分,场景自动划分采用 K-means 聚
                TF 融合组网使得网络厚度增加,可快速、有效地提升网络                      类算法,定义小区数 量为 N,且每个小区的 MR 数据已提取以上
            能力,但日益复杂的网络结构却给负荷优化带来了严峻的挑战。                         4 个特征,则数据矩阵如下:
            不同频点之间的负荷均衡与重选边界主要通过切换、重选等相
            关参数控制,涉及参数可达数百个。仅依靠人工经验很难进行
            精细配置,参数配置与网络质量的相关性又十分复杂,不仅耗
            费大量的人力,而且很难达到精细化的效果。所以,传统的仅
            依靠网络优化工程师的经验进行负荷优化的方法不能适用于多
            频多模网络结构,同时,传统基于专家经验的优化方案也不具                              其中,x ij 表示第 i 个扇区的第 j 个属性。
            备现网大规模应用的可实施性。                                           首先随机从数据集中选取 K 个点作为初始聚类中心,然后
                2.基于聚类分析和深度学习的负载均衡优化                             计算各个样本到聚类中心点的距离,把样本归到离它最近的那
                用户在多频多模网络中不同频点之间的切换、重选主要通                        个聚类中心所在的类。采用欧氏距离计算数据对象间的距离:
            过网络相关参数控制,如何对相关的数百个参数进行精确且有
            效的配置是影响负载均衡的关键因素。本文利用机器学习技术
            调整网络配置参数,以实现在容量层、覆盖层和广深覆盖层之
            间按小区承载能力均匀分配网络业务负荷。同时,依据小区用                              更新类簇中心:对应类簇中所有数据对象的均值,即更新
            户分布特点划分小区类型,为不同类型小区生成个性化优化方                          后该类簇的类簇中心。定义第 k 个类簇的类簇中心为 Center k ,
            案,且负载优化方案可随网络业务发展变化实现自动化更新。                          则类簇中心更新方式如下:
            基于机器学习的负载均衡优化流程如图 2 所示。

             图2 基于机器学习的负载均衡优化流程
                                                                     其中,C k 表示第 k 个类簇,|C k |  表示第 k 个类簇中数据对
                                                                 象的个数,这里的求和是指类簇 C k 中所有元素在每列属性上的
                                                                 和,因此 Center k 也是一个含有 4 个属性的向量,表示为:



                                                                     不断地迭代来重新划分类簇,并更新类簇中心,设定迭代
                                                                 次数 T,第 T 次迭代后则终止迭代,此时所得类簇即最终聚类结
                                                                 果。
                (1) 原始数据处理                                           (3) 关系模型训练
                获得的数据为一定时间段内的小区级数据,包括公参数据、                           基于(2)中所划分的场景,挖掘各个场景下的配置参数
            MR(measurement  report,测量报告)数据、配置数据以及性               对性能指标的影响和配置数据与性能数据之间的隐含关系,调
            能数据等。基于大数据平台的存储资源和计算资源完成数据的                          整无线参数,改善网络性能,提高网络 KPI(key  performance
            ETL(extract-transform-load,抽取、转换、加载)处理,为             indicator, 关 键 性 能 指 标 )。 利 用 DNN(deep  neural
            后续分析与建模提供可用的格式化数据。                                   network,深度神经网络)模型学习配置参数与性能指标参数的
                (2) 小区场景划分                                       内在关系,得到训练稳定的神经网络模型。
                本部分主要实现针对小区用户分布特性进行场景划分,小                            定义配置参数 X 包括整个小区组的整套参数配置,包括其
            区的 MR 数据可以较好地反映小区的用户分布情况,通过对 MR                      所包含的各个小区的资源配置参数、频点配置参数和边界电平
                                                                 配置参数等,包含 m 个频点、每个频点有 n 个参数的矩阵可表
             图3 MR采样点数在RSRP强度区间的分布示例                             示为:










                                                       网络电信 二零二零年六月                                            13
   6   7   8   9   10   11   12   13   14   15   16