蜂窝网络中的性能指标的预测制造技术

一种基于来自蜂窝网络中的小区的观察性能指标数据来预测蜂窝网络性能的系统和方法。所述方法包括访问观察性能指标数据集，所述性能指标数据包括所述蜂窝网络的性能指标的时间序列度量。然后，所述方法将基于小区的所述观察性能数据分类为高负载增长小区和高负载无增长小区之一。基于所述小区的所述分类，所述方法使用预测模型基于所述观察性能指标数据中的所述小区的测试数据计算至少一个性能指标的未来值。所述预测模型是根据所述观察性能指标数据中的训练数据推导出的。当所述未来值超过预警值时，输出所述至少一个性能指标的所述未来值的指示。

Prediction of Performance Indicators in Cellular Networks

【技术实现步骤摘要】
【国外来华专利技术】蜂窝网络中的性能指标的预测相关申请的交叉引用本申请要求于2016年12月8日提交的申请号为15/373,177、题为“蜂窝网络中的性能指标的预测”的美国非临时专利申请的优先权，其通过引用并入本申请，就如同将其全部再现一样。
本公开涉及基于关键性能和质量指标预测小区性能问题来维护蜂窝网络。
技术介绍
蜂窝网络的性能受到许多因素的影响，例如数据和语音业务负载、RF覆盖范围、小区间干扰水平，用户位置和硬件故障。在许多情况下，蜂窝网络内的一些无线小区的性能可能看起来异常，并且由这些小区服务的移动用户将遭受糟糕的用户体验。糟糕的用户体验会引起客户的不满。小区网络运营商通常需要检测异常行为，然后在情况恶化之前采取措施来解决问题。运营商依靠所谓的关键性能指标(KeyPerformanceIndicator,KPI)和关键质量指标(KeyQualityIndicator,KQI)来测量蜂窝网络的性能。KPI或KQI(例如访问设置成功率、平均小区吞吐量或每用户设备的平均吞吐量)反映了网络质量和用户体验。这些性能指标由运营商密切监控。当小区中的业务或用户数量增加时或在发生任何网络更改之前，运营商使用这些性能指标来预测未来的KPI。KPI通常是指示网络性能的特定性能因子的时间序列量化。示例包括：包括蜂窝网络中每个小区中的所有用户设备的下行链路平均小区吞吐量、蜂窝网络中每个小区中每个用户设备的下行链路平均吞吐量、或蜂窝网络中每个小区的总传输比特。准确预测KPI在服务提供和网络规划中非常重要，例如预测网络支持的容量是否满足用户设备需求。如果不满足，网络管理员可以，例如向网络添加新的基站，以解决潜在的资源或容量问题。
技术实现思路
本公开的一个方面包括处理器实现的方法，其基于来自蜂窝网络中的小区的观察性能指标数据来预测蜂窝网络性能。所述方法包括访问观察性能指标数据集，所述性能指标数据包括所述蜂窝网络的性能指标的时间序列度量。然后，所述方法基于小区将所述观察性能数据分类为高负载增长小区和高负载无增长小区之一。基于所述小区的所述分类，所述方法基于所述观察性能指标数据中的所述小区的测试数据使用预测模型计算至少一个性能指标的未来值。所述预测模型是根据所述观察性能指标数据中的训练数据推导出的。当所述未来值超过预警值时，输出所述至少一个所述性能指标的所述未来值的指示。本公开的另一方面包括非暂时性计算机可读介质，其存储计算机指令，所述计算机指令在由一个或多个处理器执行时使得所述一个或多个处理器执行以下步骤：访问观察性能指标数据集，所述性能指标数据包括蜂窝网络的性能指标的时间序列度量；使用集成预测模型基于所述观察性能指标数据中被分类为高负载增长小区的小区的测试数据计算至少一个性能指标的未来值，所述集成预测模型是根据所述观察性能指标数据中的被分类为高负载增长小区的所述小区的至少一部分的训练数据推导出的，并且包括所述高负载增长小区的至少两个预测模型。所述非暂时性计算机可读介质还包括当由一个或多个处理器执行时使得所述一个或多个处理器执行以下操作的指令：当所述未来值超过预警值时，输出所述至少一个所述性能指标的所述未来值的指示。该方面的其他实施例包括记录在一个或多个计算机存储设备上的相应计算机系统、装置和计算机程序，每个计算机系统、装置和计算机程序被配置为执行所述方法的所述动作。又一方面包括蜂窝网络监控系统。所述蜂窝网络监控系统包括处理系统，所述处理系统包括至少一个处理器、耦合到所述处理器的存储器以及网络接口。存储在所述存储器上的指令可操作以指示所述至少一个处理器：访问观察性能指标数据集，所述性能指标数据包括所述蜂窝网络的性能指标的时间序列度量；基于所述数据源自的小区分类所述观察性能数据，包括将所述小区分类为高负载增长小区和高负载无增长小区之一；至少使用集成预测模型基于所述观察性能指标数据中被分类为高负载增长小区的小区的测试数据计算至少一个性能指标的未来值，所述集成预测模型是根据所述观察性能指标数据中的被分类为高负载增长小区的所述小区的至少一部分的训练数据推导出的，并且包括所述高负载增长小区的至少两个预测模型，其中所述至少两个预测模型中的每个都基于来自高负载增长小区、所有高负载小区和高负载无增长小区中的不同小区的训练数据；以及当所述未来值超过预警值时，输出所述至少一个性能指标的未来值的指示。本公开的又一方面包括蜂窝网络监控系统，其包括访问观察性能指标数据集的访问元件，所述性能指标数据包括以时间序列测量的蜂窝网络的性能指标；使用集成预测模型基于所述观察性能指标数据集中的测试数据计算至少一个性能指标的未来值的计算元件，所述测试数据用于被分类为高负载增长小区或高负载无增长小区的小区，所述集成预测模型是根据所述观察性能指标数据中的被分类为高负载增长小区的所述小区的至少一部分的训练数据推导出的，并且包括所述高负载增长小区的至少两个预测模型；以及输出所述至少一个所述性能指标的所述未来值的输出元件。本公开的又一方面包括蜂窝网络监控系统，其包括访问蜂窝网络的性能指标的观察性能指标数据集的访问元件；基于所述观察性能数据对小区分类的分类元件，包括将所述小区分类为高负载增长小区或高负载无增长小区之一；至少使用集成预测模型基于被分类为高负载增长小区的小区的测试数据计算至少一个性能指标的未来值的计算元件，所述小区基于所述观察性能指标数据被分类为高负载增长小区，所述集成预测模型是根据所述观察性能指标数据中的被分类为高负载增长小区的所述小区的至少一部分的训练数据推导出的，并且包括所述高负载增长小区的至少两个预测模型，其中所述至少两个预测模型中的每个都基于来自高负载增长小区、所有高负载小区和高负载无增长小区中的不同小区的训练数据；以及输出所述至少一个所述性能指标的所述未来值的输出元件。可选地，在上述任一方面中，所述观察性能指标数据集包括一段时间的性能指标数据，并且所述计算包括通过计算所述高负载增长小区的至少两个预测模型结合未来值来计算集成预测模型。可选地，在上述任一方面中，所述方法包括第一预测模型、第二预测模型和第三预测模型。每个模型预测至少一个性能指标的高负载增长小区未来值。所述第一预测模型基于来自高负载增长小区的训练数据，并且使用所述集成预测模型计算未来值包括利用来自高负载增长小区的测试数据计算所述第一预测模型。所述第二预测模型基于来自所有高负载小区的训练数据，并且使用所述集成预测模型计算还包括利用来自高负载增长小区的所述测试数据计算所述第二预测模型。所述第三预测模型基于来自所有高负载无增长小区的训练数据，并且使用所述集成预测模型计算还包括利用来自高负载增长小区的所述测试数据计算所述第三预测模型。可选地，在上述任一方面中，所述性能指标数据集还包括验证数据，并且所述方法还包括通过以下方式确定所述方法输出的未来值：将所述第一预测模型、所述第二预测模型和所述第三预测模型中的每一个计算的所述至少一个性能指标的预测未来值与所述验证数据中的所述至少一个性能指标的至少一个实际值比较，并且如果所有预测未来值都高于或低于所述至少一个实际值，则所述预测模型选择相对于所述验证数据具有最小误差的预测未来值；或者如果不是所有预测未来值都高于或低于所述至少一个实际值，则通过对每个模型相对于所述性能指本文档来自技高网...

【技术保护点】
1.一种基于来自蜂窝网络中的小区的观察性能指标数据来预测蜂窝网络性能的方法，包括：访问观察性能指标数据集，所述观察性能指标数据包括以时间序列测量的所述蜂窝网络的性能指标；基于所述观察性能数据对小区进行分类，所述分类包括将所述小区分类为高负载增长小区或高负载无增长小区；基于所述分类，使用预测模型基于所述小区的测试数据计算至少一个所述性能指标的未来值，其中所述预测模型是根据所述观察性能指标数据中的训练数据推导出的；以及输出所述至少一个所述性能指标的所述未来值。

【技术特征摘要】
【国外来华专利技术】2016.12.08 US 15/373,1771.一种基于来自蜂窝网络中的小区的观察性能指标数据来预测蜂窝网络性能的方法，包括：访问观察性能指标数据集，所述观察性能指标数据包括以时间序列测量的所述蜂窝网络的性能指标；基于所述观察性能数据对小区进行分类，所述分类包括将所述小区分类为高负载增长小区或高负载无增长小区；基于所述分类，使用预测模型基于所述小区的测试数据计算至少一个所述性能指标的未来值，其中所述预测模型是根据所述观察性能指标数据中的训练数据推导出的；以及输出所述至少一个所述性能指标的所述未来值。2.根据权利要求1所述的方法，其中，所述观察性能指标数据集包括一段时间的性能指标数据，并且所述计算包括通过计算所述高负载增长小区的至少两个预测模型结合未来值来计算集成预测模型。3.根据权利要求2所述的方法，其中，所述至少两个预测模型包括第一预测模型和第二预测模型，并且所述第一预测模型和所述第二预测模型中的每一个都基于来自高负载增长小区、所有高负载小区和高负载无增长小区中的不同小区的训练数据。4.根据权利要求2所述的方法，其中，所述至少两个预测模型包括第一预测模型、第二预测模型和第三预测模型，每个模型预测高负载增长小区的至少一个性能指标的未来值，并且其中，所述第一预测模型基于来自高负载增长小区的训练数据，并且所述使用所述集成预测模型计算未来值包括利用来自高负载增长小区的测试数据计算所述第一预测模型；所述第二预测模型基于来自所有高负载小区的训练数据，并且所述使用所述集成预测模型计算还包括利用来自高负载增长小区的所述测试数据计算所述第二预测模型；并且所述第三预测模型基于来自所有高负载无增长小区的训练数据，并且所述使用所述集成预测模型计算还包括利用来自高负载增长小区的所述测试数据计算所述预测模型。5.根据权利要求3和4中任一项所述的方法，其中，所述第一预测模型包括自回归模型。6.根据权利要求3-5中任一项所述的方法，其中，所述第二预测模型和第三预测模型包括k-聚类模型。7.根据权利要求1至6中任一项所述的方法，其中，所述性能指标数据集还包括验证数据，并且所述方法还包括通过以下方式确定所述输出的未来值：将通过所述第一预测模型、所述第二预测模型和所述第三预测模型中的每一个计算的所述至少一个性能指标的预测未来值与所述验证数据中的所述至少一个性能指标的至少一个实际值比较，并且如果所有预测未来值都高于或低于所述至少一个实际值，则通过相对于所述验证数据具有最小误差的所述预测模型选择预测未来值；或者如果不是所有预测未来值都高于或低于所述至少一个实际值，则通过对每个模型相对于所述性能指标的所述至少一个实际值的误差进行加权来将所述第一预测模型、所述第二预测模型和所述第三预测模型中的每一个的所述预测未来值融合成集成预测值。8.根据权利要求7所述的方法，其中，所述至少一个性能指标的所述至少一个实际值包括所述至少一个性能指标的多个实际值，并且其中，所述预测未来值包括通过所述第一预测模型、所述第二预测模型和所述第三预测模型中的每一个预测的所述至少一个性能指标的多个未来值，并且所述比较包括对所述多个实际值求平均值，以及对通过所述第一预测模型预测的所述多个未来值、通过所述第二预测模型预测的所述多个未来值，和通过所述第三预测模型预测的所述多个未来值中的每一个求平均值；并且所述比较包括比较所述多个所述至少一个性能指标的平均值和所述第一预测模型、所述第二预测模型和所述第三预测模型中的每一个的每个的平均值。9.根据权利要求7和8中任一项所述的方法，其中，所述融合包括通过为来自被确定为具有较低预测误差率的所述预测模型的预测未来值分配相对较高的权重，并且为来自被确定为具有较高预测误差率的所述预测模型的预测未来值分配相对较低的权重来计算所述集成预测值。10.根据权利要求1-9中任一项所述的方法，其中，所述分类还包括按数据将小区分类为中等负载小区，并且所述计算至少一个性能指标的未来值包括基于所述观察性能指标数据中的来自高负载增长小区的训练数据使用预测模型，所述预测模型是使用来自所述中等负载小区的测试数据计算的。11.一种蜂窝网络监控系统，当由一个或多个处理器执行时，使得所述一个或多个处理器执行以下步骤：访问观察性能指标数据集，所述性能指标数据包括以时间序列测量的蜂窝网络的性能指标；使用集成预测模型基于所述观察性能指标数据集中的测试数据计算至少一个性能指标的未来值，所述训练数据用于将小区分类为高负载增长小区或高负载无增长小区，所述集成预测模型是根据所述观察性能指标数据中被分类为高负载小区的至少一部分小区的训练数据推导出的，并且包括所述高负载增长小区的至少两个预测模型；以及输出所述至少一个所述性能指标的所述未来值。12.根据权利要求11所述的蜂窝网络监控系统，其中，所述至少两个预测模型包括第一预测模型、第二预测模型和第三预测模型，每个模型预测高负载增长小区的至少一个性能指标的未来值，并且其中，所述第一预测模型基于来自高负载增长小区的训练数据，并且所述使用所述集成预测模型计算未来值包括利用来自高负载增长小区的测试数据计算所述第一预测模型；所述第二预测模型基于来自所有高负载小区的训练数据，并且所述使用所述集成预测模型计算未来值还包括利用来自高负载增长小区的所述测试数据计算所述第二预测模型；并且所述第三预测模型基于来自...

【专利技术属性】
技术研发人员：宝玲·辛，李英，杨劲，王佶，赵文文，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：广东,44