【技术实现步骤摘要】
小区的划分方法、装置及设备
本专利技术涉及通信
，特别是指一种小区的划分方法、装置及设备。
技术介绍
目前小区的场景划分的方法主要有两种，一种是人为划分场景，一种是智能划分场景。人为划分场景：基于覆盖和业务等特点根据经验人为划分，人为划分是一种粗粒度的定性的划分，并不能作为精细化网络优化的准确依据。智能划分场景：智能划分小区场景的方法能够综合考虑多项业务指标间的关联，并且可以从多维度定量地分析小区的网络特征，如：利用机器学习算法对小区进行聚类或分类等。但这种方法考虑的指标数量较大、维度较高时，没有考虑指标的优化提取与选择，这样会导致指标冗余度高，进行模型训练学习的时间及空间代价较大，以致不能精准的划分小区场景。
技术实现思路
本专利技术提供了一种小区的划分方法、装置及设备。可以精准的对小区进行分类和划分。为解决上述技术问题，本专利技术的实施例提供如下方案：一种小区的划分方法，包括：获取小区指标数据；对所述小区指标数据进行特征提取，获取多个特征值；
【技术保护点】
1.一种小区的划分方法，其特征在于，包括：/n获取小区指标数据；/n对所述小区指标数据进行特征提取，获取多个特征值；/n将所述多个特征值，划分为多个特征子集；/n对所述多个特征子集分别进行聚类，得到至少两个类簇；/n根据聚类结果对所述多个特征子集进行特征子集选择，得到优化选择的特征子集以及其相应的聚类结果。/n
【技术特征摘要】
1.一种小区的划分方法，其特征在于，包括：
获取小区指标数据；
对所述小区指标数据进行特征提取，获取多个特征值；
将所述多个特征值，划分为多个特征子集；
对所述多个特征子集分别进行聚类，得到至少两个类簇；
根据聚类结果对所述多个特征子集进行特征子集选择，得到优化选择的特征子集以及其相应的聚类结果。
2.根据权利要求1所述的小区的划分方法，其特征在于，所述小区指示数据包括：反映小区自身覆盖地理场景的指标数据以及小区和所述小区的相邻小区的相关指标数据。
3.根据权利要求1所述的小区的划分方法，其特征在于，对所述小区指标数据进行特征提取，获取多个特征值，包括：
提取所述小区指标数据的数据分布趋势、离散程度、分布形状中的至少一个特征，获取多个特征值。
4.根据权利要求3所述的小区的划分方法，其特征在于，提取所述小区指标数据的数据分布趋势，包括：
采用众数算法、中位数算法或者平均数算法提取所述小区指标数据的数据分布趋势。
5.根据权利要求4所述的小区的划分方法，其特征在于，所述平均数算法包括：算术平均数算法或者，几何平均数算法：
其中，(x1,x2,...,xn)为包括小区指标数据的数据集，xi为数据集中第i个数据值；为算术平均数，为几何平均数，n为所述数据集中小区指标数据的个数。
6.根据权利要求3所述的小区的划分方法，其特征在于，提取所述小区指标数据的离散程度，包括：
采用极差算法或者方差算法或者标准差算法提取所述小区指标数据的离散程度。
7.根据权利要求6所述的小区的划分方法，其特征在于，所述方差算法为：
其中，为算术平均数，xi为数据集中第i个数据值；σ2为方差，n为所述数据集中数据值的个数。
8.根据权利要求3所述的小区的划分方法，其特征在于，提取所述小区指标数据的分布形状，包括：
采用峰度系数算法或者偏态系数算法，提取所述小区指标数据的分布形状。
9.根据权利要求8所述的小区的划分方法，其特征在于，
所述峰度系数算法为：其中，m4为四阶中心矩，σ4为标准差的四次方，
偏态系数算法为：
其中，xi为数据集中第i个数据值，为算术平均数，σ为标准差，Mo为数据的众数，Sk为偏态系数，n为所述数据集中数据值的个数。
10.根据权利要求1所述的小区的划分方法，其特征在于，将所述多个特征值，划分为多个特征子集，包括：
采用遗传算法生成其多个特征子集，对生成的特征子集进行编码，得到多个编码的特征子集，一个编码的特征子集对应一个个体，编码为其基因型，选择的特征子集为其表现型。
11.根据权利要求10所述的小区的划分方法，其特征在于，对所述多个特征子集分别进行聚类，得到至少两个类簇，包括：
对所述多个特...
【专利技术属性】
技术研发人员：邱亚星，边森，
申请(专利权)人：中国移动通信有限公司研究院，中国移动通信集团有限公司，
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。