【技术实现步骤摘要】
一种高干扰小区的多维关联特征分析方法和装置
本专利技术属于文本通信数据挖掘
，特别涉及高干扰小区的多维关联特征分析技术。
技术介绍
随着近年来移动用户的急剧增加、终端接入越来越多样化、数据业务急剧增长，使得网络环境愈加复杂化、多样化；同时，导致网络性能也出现各种各样的问题，比如RRC连接率下降等各种关键性能指标(KPI，KeyPerformanceIndicators)异常问题。而导致KPI异常的情况有高干扰、弱覆盖等常见网络问题。而不同的网络问题解决方案也大相径庭。因此，为提高网络管理的操作和维护性能，并降低移动网络运维管理的人工成本，智能化运维成为未来发展的必然趋势。对于常见网络问题如高干扰、弱覆盖等，分析这些网络问题的特征，以便于从特征准确定位出现的网络问题。现网中，对网络问题的定位依靠网优专家经验，对出现问题的小区参数进行层层排查，最终确定网络中的问题。这种传统的网络优化的方式，依靠非常丰富的专家历史经验，会很大程度上限制网络的优化。同时，在网络环境越来越复杂的情况下，网络问题的优化复杂性愈加提升，丰富...
【技术保护点】
1.一种高干扰小区的多维关联特征分析方法，其特征在于，所述方法包括：/n获取高干扰小区和正常小区的特征类型网络性能参数作为样本集；/n以所述特征类型为维度根据无监督聚类算法对所述样本集进行聚类；/n采用汉明距离度量经过聚类后所述样本集中同一类别高干扰小区相对正常小区的异常维度；/n获取各特征类型高干扰小区相对正常小区的异常维度，将所述异常维度作为新数据集；/n根据关联规则分析算法对所述数据集和所述新数据集进行关联规则分析。/n
【技术特征摘要】
1.一种高干扰小区的多维关联特征分析方法，其特征在于，所述方法包括：
获取高干扰小区和正常小区的特征类型网络性能参数作为样本集；
以所述特征类型为维度根据无监督聚类算法对所述样本集进行聚类；
采用汉明距离度量经过聚类后所述样本集中同一类别高干扰小区相对正常小区的异常维度；
获取各特征类型高干扰小区相对正常小区的异常维度，将所述异常维度作为新数据集；
根据关联规则分析算法对所述数据集和所述新数据集进行关联规则分析。
2.根据权利要求1所述的方法，其特征在于：
根据小区的接收干扰功率确定所述高干扰小区；
将所述高干扰小区的特征类型网络性能参数与所述正常小区的特征类型网络性能参数混合，获得所述样本集。
3.根据权利要求2所述方法，其特征在于，所述以所述特征类型为维度根据无监督聚类算法对所述样本集进行聚类的方法具体为：
采用最小-最大规范化方法将样本集中各特征类型的网络性能参数归一化到同一区间范围，以所述各特征类型为维度形成多维小区数据；
对所述多维小区数据中的各特征类型网络性能参数进行聚类分析得到多个簇，每个簇里包含高干扰小区和正常小区的网络性能参数，将同一簇的小区定义为同一等级小区。
4.根据权利要求3所述的方法，其特征在于，所述对所述多维小区数据中的各特征类型网络性能参数进行聚类分析得到多个簇的方法具体为：
定义多维小区中心点P和初始簇Ci的形心，计算多维小区中每个空间点到所述形心的距离，距离最短的分配至Ci；
计算多维小区中所有小区的误差平方和E与每一个簇Ci的平均值，作为新形心，计算所述多维小区中每个空间点到所述新形心的距离，进行再分配直到E值减到最小即完成簇的分配。
5.根据权利要求4所述的方法，其特征在于，所述采用汉明距离度量经过聚类后所述样本集中同一类别高干扰小区相对正常小区的异常维度的方法具体为：
获取同簇中出现最频繁的正常小区网络性能参数数据作为该簇的正常小区样本；
采用汉明距离度量同簇高干扰小区相对所述正常小区样本异常维度。
6.根据权利要求5所述的方法，其特征在于，所述根据关联规则算法对所述数据集合所述新数据集进行关联规则分析的方法具体为：
对所述新数据集进行满足最小支持度阈值的频繁项集挖掘；
由所述频繁项集获取满足最小置信度阈值的强关联规则；
所述强关联规则满足最小支持度阈值和最小置信度阈值。
7.一种高干扰小区的多维关联特征分析装置，其特征在于，所述装置包含：
样本集获取单元，用于获取高干扰小区和正常小区的特征类型网络性能参数作为样本集；
数据聚类单元，用于以所述特征类型为维度根...
【专利技术属性】
技术研发人员：张国华，何峥，张琪斌，王明，
申请(专利权)人：北京亿阳信通科技有限公司，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。