《基于AI智能LTE容量分析系统研究》由会员分享，可在线阅读，更多相关《基于AI智能LTE容量分析系统研究（21页珍藏版）》请在金锄头文库上搜索。
1、 基于AI智能LTE容量分析系统研究 摘要：随着移动互联网的迅猛发展，用户使用移动通信网络的流量也逐渐提升，随之而来的，移动通信网络的负荷也不断增加；因此，为保障用户感知，运营商需要不断对高负荷的基站进行扩容。然而传统的扩容流程依靠人工筛选数据、寻求时序规律、确定扩容方案，效率不高。本文通过研究一套基于AI的LTE容量分析系统，能自动分析高负荷站点、确定扩容方案、并指出拆闲补忙的来源，更进一步的，通过机器学习，可以对高负荷站点通过内在联系匹配不同的优化参数，实现自动分析，极大的提升了分析优化的效率。 关键字：LTE容量 ；AI；拆闲补忙1、概述移动互联网的迅猛发展，最有力的推动因素在于移动网络
2、的普及，特别是4G网络的不断完善覆盖。如今，移动互联网已经全面渗透到人们生活、工作的各个领域，几乎人人通过智能终端可以实现即时通信，在用户需求更快的上网速度、更流畅的视频及游戏业务上，给4G网络带来了巨大的考验。2017年来，运营商针对2I用户的业务迅猛发展，到2021年虽然5G进行了少量分流，但运营商热点城市的4G负荷仍然居高不下，在此背景下，针对4G容量问题，运营商更加需要紧盯最重要问题，通过精准规划建设及扩容，确保用户感知以及投资精准有效。 东莞联通作为典型代表，在应对新型业务、视频业务对网络容量冲击方面提出了更新更高的要求，要动态快速拆闲补忙扩容，极速盘活现有资源，使效益最大化，提出要
3、极致保障用户速率感知体验，基于负载、速率快速均衡优化，保障用户感知保持平稳。常规的人工操作网络容量分析效率低下，AI智能容量分析工具的研发是当前网络支撑的提高工作效率迫切需求，在无硬件投入的基础上，通过人工成本投入，研究数据及算法，软件功能开发的手段，低成本就可实现自动化快速拆闲、补忙小区定位、不均衡小区定位，以及针对不均衡扇区利用AI进行自动分场景分类实施个性化优化，以实现容量问题极速支撑，做好LTE容量保障，意义深远。2、总体思路以东莞为基础案例，以4G网络容量快速智能优化为导向，聚焦业务需求、用户感知。研发一套基于python、mysql开源软件开发的，以SQL数据库为依托，Python
4、语言为实现方式的，实现自动化快速拆闲、补忙小区定位清单输出、不均衡小区定位清单输出的自动化容量分析辅助软件。拆闲及补忙小区搭配形成动态资源重新配置，增加资源效益。针对不均衡扇区利用AI进行自动分场景分类，并针对其特点实施个性化的均衡方案，以实现容量问题极速支撑，做好LTE容量保障。图1、自动化容量分析框架图3、具体技术方案3.1小区信息自动化规整：基于小区命名规则，如“东莞-H-常平芙蓉围-404330-2-1-OF”，如图2：其对应命名规整为“地市-厂家-站名-站号-扇区号-载波号-站点类别”，由于华为拉远的小站其命名中的站号有可能与原宏站站号一样，导致单凭“站号+扇区号”会出现华为小站扇区
5、信息不正确问题。故需使用 “站名+扇区号”或“站号+站点类型+扇区号”来定义小区对应的扇区信息。根据每周更新的小区配置表，利用python自动化分析小区命名规则，正则匹配关键信息，并按扇区命名规则进行扇区信息规整。处理过程高效快捷，仅需20秒，就完成全网小区扇区信息统一整理，并形成excel表格输出。3.2依托MySQL数据库进行数据统一管理利用MySQL数据库，对每周话务数据进行统一规整，以便容量分析时方便调用，并达到数据备份的目的。在远程服务上建立数据库，建立表，并定期将全网话务信息导入存档。目前已建立每周忙时话务、沃平台每天23点话务等数据表。3.3编写脚本形成容量一体化分析工具利用py
6、thon语言编写工具，自动从上述建立的数据库中提取适当的数据然后进行容量预警分析、均衡分析、拆闲小区分析。1、容量预警与日常容量监控不同，本容量预警聚焦于整扇区容量负荷，聚焦低速率影响及除扩容外无法有效解决扇区，进行扇区容量预警。排除了扇区中仅是某个小区忙，可均衡优化解决的非容量需求问题，精确定位，指导资源投入。2、拆闲分析：算法定义采用连续两周忙时话务数据，着力找出连续两周忙时话务整扇区话务低，扩容小区无效益空间，尽管将扩容小区拆除也满足扇区容量需求，不影响用户感知的极闲扩容载波。指导资源的灵活调配，在目前投资收紧情况下，将效益最大化。3、不均衡扇区分析：根据忙时话务及每日23点话务情况，以
7、保障用户感知为出发点，聚焦速率不均衡扇区。以指导速率容量均衡，提升用户感知，提速增效。4、各模块集合形成统一的容量分析工具利用Windows下bat脚本，实现各模块工具的整合，形成可视化交互界面，并实现多工具并行。提供友好的使用体验及高速高效容量分析。3.4均衡场景AI分类及优化针对不均衡小区清单，提取这些小区的覆盖信息、切换信息、业务占比、下行信号质量等信息： 1. 覆盖信息：提取这些小区6月份平均TA值和MR=-110的覆盖率。2. 切换信息：统计这些小区6月份同频切换次数占总切换次数的比例，旨在区分这些小区的切换特征。3. 业务占比：统计7x24小时业务情况，计算流量最多的小时流量占比一
8、天流量的比例4. 下行信号质量：统计小区6月份CQI均值 数据处理去2020年5月第二周数据为例，当周不均衡小区4124个，提取原始数据后，需要分别处理成单行数据，可以利用Python的Pandas库进行处理，例如，在进行7x24小时数据处理时，用excel处理比较繁琐，利用Pandas的数据透视表功能很快能处理好：1. df3=pd.read_csv(volume.csv,encoding=gbk)2. df4=df3.pivot_table(index=date_id,EUtranCellFDD,columns=hour_id,values=Volume_dl)3. df4.to_csv(
9、E:/python/out6.csv,encoding=utf_8_sig)其他数据依次处理好，并关联原始小区名，考虑到处理数据方便性以及缺失值样本大小，直接利用dropna( )删除掉缺失数据的小区，最后形成原始训练数据，读入dataframe，并读取头部数据如下：1. importpandasaspd2. cell=pd.read_csv(E:pythonAIcelldata03.csv,encoding=gbk)3. cell.head()至此，数据处理阶段已完成，形成3855行X 6列数据。 数据聚类聚类就是将一个尚未进行打标的数据集按数据的内在特征进行分类，不同于人为标注的类别，数据
10、集自身的类别往往相似度粒度更小。常见的聚类方式有K-Means聚类、DBSCAN聚类、Aggregative层次聚类、Birch聚类等方式，其各有优缺点。一般采用轮廓系数来评估聚类效果，轮廓系数即表示对聚类结果簇中的节点到聚类簇的凝聚度和分离度，值越大则表示聚类效果越好。当不知道选择哪类聚类方式的时候，可以将数据代入上述的聚类方式，查看结果的好坏。（1）K-Means聚类1. km=KMeans(n_clusters=3).fit(X)2. score=metrics.silhouette_score(X,km.labels_)3. print(score)K-Means聚类的结果轮廓系数为0
11、.5868932859624443查看聚类后标签分布：1. cellcluster=km.labels_2. cell.sort_values(cluster)3. r=dict(cellcluster.value_counts()4. print(r)结果为：1: 1872, 0: 1529, 2: 454，即聚类到标签“1”的小区有1872个，“0”的小区有1529个，“2”的小区454个。（2）DBSCAN聚类同样的，按照（1）的方法，得出DBSCAN的轮廓系数为0.4673388520279683，聚类后标签多达45类！显然，聚类结果与我们预期不一致。（3）Aggregative层次聚
12、类和Birch层次聚类对上面两个聚类方式进行同样处理，得出轮廓系数分别为0.6939083878489288和0.5972125464861092，比K-Means结果要好；但是，统计其标签分类，以Aggregative聚类方式为例，其结果为：0: 3790, 1: 63, 2: 2 ，也就是其聚类标签为“2”的小区仅有2个，分别为东莞-H-清溪银利高尔夫南-442859-2-1-OF、东莞-H-南城水濂山山顶-442867-1-1-OF，其TA值均超过2KM，考虑到实际网络中LTE的覆盖，此类高站覆盖较远的情况是客观存在的，不建议当成异常值进行处理，因此，采用层次聚类虽然轮廓系数较好，但是对
13、于离群点的分类存在一定的限制，这也正是层次聚类的缺点：奇异值也能产生很大影响.综合以上，K-Means是最适合本文聚类处理的聚类方式。 聚类结果可视化聚类完成后，我们也会很关心其直观聚类结果，由于文中数据是5维数据，并不能直观显示出来结果，可利用PCA数据降维，将数据展示出来。model_pca=PCA(n_components=3)1. X_pca=model_pca.fit(X).transform(X)完成降维处理后，将数据三维显示如下：1. frommpl_toolkits.mplot3dimportAxes3D2. fig=plt.figure(figsize=(10,8)3. ax
14、=Axes3D(fig,rect=0,0,1,1,elev=30,azim=20)4. ax.scatter(X_pca:,0,X_pca:,1,X_pca:,2,marker=o,c=km.labels_)这种情况下，无法看出聚类的效果，将图片向左旋转90度，并平视，有如下结果：1. fig=plt.figure(figsize=(10,8)2. #固定elev=0，改变azim为0，90，180，2703. ax=Axes3D(fig,rect=0,0,1,1,elev=0,azim=90)4. ax.scatter(X_pca:,0,X_pca:,1,X_pca:,2,marker=o,
15、c=km.labels_)5. plt.show() 特征分析完成聚类之后，我们需要对聚类生成的结果进行特征分析，以发现不同数据之间的差异。画出聚类后5个特征两两之间的关系如下1. frompandas.plottingimportscatter_matrix2. importmatplotlib.pyplotasplt3. plt.rcParamsfont.size=144. colors=np.array(red,green,blue,yellow)5. scatter_matrix(cellTA,handover,volumeratio,MR,CQI,s=100,alpha=1,c=colorscellcluster,figs
