与无线蜂窝网络中的小区状况的检测有关的方法、设备和计算机可读介质技术

本公开的实施例提供了用于检测无线蜂窝网络中的小区状况以及训练分类器模型以检测无线蜂窝网络中的小区状况的方法、设备和计算机可读介质。在一个实施例中，训练分类器模型以检测无线蜂窝网络中的小区状况的方法包括：获得针对所述无线蜂窝网络的多个小区中的每个小区的多个性能度量的时间序列数据；将所述时间序列数据转换成针对所述多个小区中的每个小区的相应图像数据集；将所述图像数据集分类到多个预定义的小区状况中的一个；以及将机器学习算法应用于包括所分类的图像数据集的训练数据，以生成用于将图像数据集分类到所述多个预定义的小区状况中的一个的分类器模型。

【技术实现步骤摘要】
【国外来华专利技术】与无线蜂窝网络中的小区状况的检测有关的方法、设备和计算机可读介质
本公开的实施例与无线蜂窝网络中的小区状况的检测有关，并且特别地与用于检测无线蜂窝网络中的小区状况以及训练分类器模型以检测无线蜂窝网络中的小区状况的方法、设备和计算机可读介质有关。
技术介绍
现代无线蜂窝网络中的移动宽带业务是高度动态的，并且可以在分钟直到月的范围内变化。因此，为了避免对网络性能的不利影响并增加操作效率，准确且准时的小区容量供应是重要的。例如，小区容量的短缺可能引起在长网页下载时间或视频流冻结方面的差的最终用户体验。另一方面，小区容量的过度供应导致利用不足的小区资源，并且因此导致操作低效。在这点上，利用高精确度检测和识别小区业务负载问题并以及时的方式提供满足最终用户需求所要求的容量是有利的。当前，使用多种不同的技术来分析各种无线电接入网络（RAN）技术的小区业务负载。这些技术通常应用与针对不同性能测量度量的预定阈值组合的基于规则的指令的集合。参见例如由PeterSzilagyi和SzabolcsNovaczki的论文（“AnAutomaticDetectionandDiagnosisFrameworkforMobileCommunicationSystems”，关于网络和服务管理的IEEE事务，第9卷，第2期，第184-197页）。这些规则和阈值基于人类观察和小的采样数据集。此外，被考虑以识别小区负载问题的性能度量的数量通常小并且仅由公共度量组成。因此，要求更准确地检测小区状况的方法。
技术实现思路
<br>本公开的实施例寻求解决这些和其它问题。在一个方面，提供有一种训练分类器模型以检测无线蜂窝网络中的小区状况的方法。所述方法包括：获得针对所述无线蜂窝网络的多个小区中的每个小区的多个性能度量的时间序列数据；将所述时间序列数据转换成针对所述多个小区中的每个小区的相应图像数据集；将所述图像数据集分类到多个预定义的小区状况中的一个；以及将机器学习算法应用于包括所分类的图像数据集的训练数据，以生成用于将图像数据集分类到所述多个预定义的小区状况中的一个的分类器模型。在另一方面，提供有一种检测无线蜂窝网络中的小区状况的方法。所述方法包括：获得针对所述无线蜂窝网络的小区的多个性能度量的时间序列数据；将所述时间序列数据转换成图像数据集；以及将机器学习分类器模型应用于所述图像数据集，以将所述图像数据集分类到多个预定义的小区状况中的一个。还提供了用于执行这些方法的设备，诸如网络节点和计算装置。在一个方面，提供有一种用于训练分类器模型以检测无线蜂窝网络中的小区状况的计算装置。所述计算装置包括处理电路和存储指令的非暂时性机器可读介质，所述指令在由所述处理电路执行时使所述计算装置：获得针对所述无线蜂窝网络的多个小区中的每个小区的多个性能度量的时间序列数据；将所述时间序列数据转换成针对所述多个小区中的每个小区的相应图像数据集；将所述图像数据集分类到多个预定义的小区状况中的一个；以及将机器学习算法应用于包括所分类的图像数据集的训练数据，以生成用于将图像数据集分类到所述多个预定义的小区状况中的一个的分类器模型。在另一方面，提供有一种用于检测无线蜂窝网络中的小区状况的计算装置。所述计算装置包括处理电路和存储指令的非暂时性机器可读介质，所述指令在由所述处理电路执行时使所述计算装置：获得针对所述无线蜂窝网络的小区的多个性能度量的时间序列数据；将所述时间序列数据转换成图像数据集；以及将机器学习分类器模型应用于所述图像数据集，以将所述图像数据集分类到多个预定义的小区状况中的一个。还提供了用于执行上面描述的方法的计算机可读介质。在一个方面，提供有一种存储指令的非暂时性计算机可读介质，所述指令在由计算装置的处理电路执行时使所述计算装置：获得针对所述无线蜂窝网络的多个小区中的每个小区的多个性能度量的时间序列数据；将所述时间序列数据转换成针对所述多个小区中的每个小区的相应图像数据集；将所述图像数据集分类到多个预定义的小区状况中的一个；以及将机器学习算法应用于包括所分类的图像数据集的训练数据，以生成用于将图像数据集分类到所述多个预定义的小区状况中的一个的分类器模型。在另一方面，提供有一种存储指令的非暂时性计算机可读介质，所述指令在由计算装置的处理电路执行时使所述计算装置：获得针对所述无线蜂窝网络的小区的多个性能度量的时间序列数据；将所述时间序列数据转换成图像数据集；以及将机器学习的分类器模型应用于所述图像数据集，以将所述图像数据集分类到多个预定义的小区状况中的一个。附图说明为了更好地理解本公开，并且为了示出其可以如何被实施，现在将通过示例的方式对附图进行参考，其中：图1是根据本公开的实施例的系统的示意图；图2是根据本公开的实施例的方法的流程图；图3是根据本公开的实施例的预处理数据的方法的流程图；图4示出了根据本公开的实施例的针对小区的图像数据集；图5是根据本公开的实施例的数据注释的方法的流程图；图6是根据本公开的实施例的自动编码器的示意图；图7是根据本公开的实施例的数据扩充的方法的流程图；图8是根据本公开的实施例的检测无线蜂窝网络中的小区状况的方法的流程图；图9是根据本公开的实施例的网络节点的示意图；图10是根据本公开的另外实施例的网络节点的示意图；以及图11是根据本公开的又另外实施例的网络节点的示意图。具体实施方式以下阐述了特定细节，例如用于解释并且非限制目的特定实施例。但是本领域技术人员将意识到，除了这些特定细节之外，还可以采用其它实施例。在一些实例中，省略了公知方法、节点、接口、电路和装置的详细描述，以免利用不必要的细节而使描述变得模糊。本领域技术人员将意识到，所描述的功能可以使用硬件电路（例如，互连以执行专用功能的模拟和/或分立逻辑门、ASIC、PLA等）和/或使用结合一个或多个数字微处理器或通用计算机的软件程序和数据在一个或多个节点中来实现，所述一个或多个数字微处理器或通用计算机尤其适于基于此类程序的执行来执行本文所公开的处理。使用空中接口通信的节点也具有适合的无线电通信电路。此外，技术可以附加地被认为完全在任何形式的计算机可读存储器内体现，所述任何形式的计算机可读存储器诸如包含将使处理器执行本文描述的技术的计算机指令的适当集合的固态存储器、磁盘或光盘。硬件实现可以包括或涵盖但不限于数字信号处理器（DSP）硬件、精简指令集处理器、硬件（例如，数字或模拟）电路（包括但不限于（一个或多个）专用集成电路（ASIC）和/或（一个或多个）现场可编程门阵列（FPGA））以及（在适当的情况下）能够执行此类功能的状态机。在计算机实现方面，计算机通常被理解成包括一个或多个处理器、一个或多个处理模块或一个或多个控制器，并且术语计算机、处理器、处理模块和控制器可以可互换地采用。当由计算机、处理器或控制器提供时，功能可以由单个专用计算机或处理器或控制器、由单个共享计算机或处理器或控制器、本文档来自技高网...

【技术保护点】
1.一种训练分类器模型以检测无线蜂窝网络（100）中的小区状况的方法，所述方法包括：/n获得（300）针对所述无线蜂窝网络的多个小区（104）中的每个小区的多个性能度量的时间序列数据；/n将所述时间序列数据转换（304）成针对所述多个小区中的每个小区的相应图像数据集；/n将所述图像数据集分类（202）到多个预定义的小区状况中的一个；以及/n将机器学习算法应用（206）于包括所分类的图像数据集的训练数据，以生成用于将图像数据集分类到所述多个预定义的小区状况中的一个的分类器模型。/n

【技术特征摘要】
【国外来华专利技术】20180608 EP 18382407.71.一种训练分类器模型以检测无线蜂窝网络（100）中的小区状况的方法，所述方法包括：
获得（300）针对所述无线蜂窝网络的多个小区（104）中的每个小区的多个性能度量的时间序列数据；
将所述时间序列数据转换（304）成针对所述多个小区中的每个小区的相应图像数据集；
将所述图像数据集分类（202）到多个预定义的小区状况中的一个；以及
将机器学习算法应用（206）于包括所分类的图像数据集的训练数据，以生成用于将图像数据集分类到所述多个预定义的小区状况中的一个的分类器模型。


2.根据权利要求1所述的方法，其中，将所述图像数据集分类到所述多个预定义的小区状况中的一个包括：
使用第一自动编码器分析（500）所述图像数据集以检测异常图像数据集，其中所述异常图像数据集是指示小区异常的图像数据集；
使用第二自动编码器分析（502）所述异常图像数据集，以提取在所述异常图像数据集之间区分的特征；以及
基于所提取的特征将所述异常图像数据集分组（504）成多个集群，其中集群内的每个图像数据集指示所述多个预定义的小区状况中的一个或多个特定小区状况。


3.根据权利要求2的方法，其中，所述第一自动编码器包括第一多个神经元层（602，604，606，608，610），所述第一多个层包括用于在第一瓶颈层（606）处将所述图像数据集编码成多个特征的层的第一子集（612），以及用于在所述第一瓶颈层（606）处解码所述特征以重新创建所述图像数据集的层的第二子集（614），并且其中使用所述第一自动编码器分析所述图像数据集包括：
将所述图像数据集与所重新创建的图像数据集进行比较，并且基于所述比较来识别异常图像数据集。


4.根据权利要求2或3所述的方法，其中，所述第二自动编码器包括第二多个神经元层（602，604，606，608，610），所述第二多个层包括用于在第二瓶颈层（606）处将所述异常图像数据集编码成多个特征的层的第三子集（612），以及用于在所述第二瓶颈层（606）处解码所述特征以重新创建所述异常图像数据集的层的第四子集（614），并且其中使用所述第二自动编码器分析所述异常图像数据集包括：
在所述第二瓶颈层处提取所述多个特征作为在所述异常图像数据集之间区分的所述特征。


5.根据权利要求2至4中的任一项所述的方法，其中，将所述异常图像数据集分组到所述多个集群中包括：
将所述多个所提取的特征的维度减少到三维空间。


6.根据前述权利要求中的任一项所述的方法，其中，每个图像数据集包括表示时间的第一维度以及表示所述性能度量的第二维度，并且其中每个像素包括在特定时刻的所述性能度量的值。


7.根据前述权利要求中的任一项所述的方法，其中，针对每个小区的所述时间序列数据被划分到多个时间窗口，并且其中对于每个时间窗口，所述时间序列数据被转换成针对所述多个小区中的每个小区的相应图像数据集。


8.根据前述权利要求中的任一项所述的方法，其中，在通用最小值和最大值之间归一化针对每个性能度量的所述时间序列数据。


9.根据前述权利要求中的任一项所述的方法，其中，所述训练数据包括所分类的图像数据集和一个或多个合成图像数据集。


10.根据权利要求9所述的方法，其中，所述一个或多个合成图像数据集包括以下技术中的一种或多种已经被应用的图像数据集：
反转所述时间序列数据的时间方向（700）；
通过将所述图像数据集与内核卷积来放大所述图像数据（702）；以及
通过基于所述图像数据集训练的机器学习模型来合成（704）。


11.根据前述权利要求中的任一项所述的方法，其中，所述机器学习算法是神经网络。


12.一种检测无线蜂窝网络（100）中的小区状况的方法，所述方法包括：
获得（800）针对所述无线蜂窝网络的小区（104）的多个性能度量的时间序列数据；
将所述时间序列数据转换（804）成图像数据集；以及
将机器学习分类器模型应用（806）于所述图像数据集，以将所述图像数据集分类到多个预定义的小区状况中的一个。


13.根据权利要求12所述的方法，其中，所述图像数据集包括表示时间的第一维度以及表示所述性能度量的第二维度，并且其中每个像素包括在特定时刻的所述性能度量的值。


14.根据权利要求12或13所述的方法，其中，将针对每个小区的所述时间序列数据划分到多个时间窗口，并且其中将所述时间序列数据转换成针对每个时间窗口的相应图像数据集。


15.根据权利要求12至14中的任一项所述的方法，其中，在通用最小值和最大值之间归一化（802）针对每个性能度量的所述时间序列数据。


16.根据权利要求12至15中的任一项所述的方法，其中，所述方法在所述无线蜂窝网络的节点（122，900，1000，1100）中实现。


17.一种计算装置（122，900，1000，1100），配置成执行前述权利要求中的任一项所述的方法。


18.一种用于训练分类器模型以检测无线蜂窝网络（100）中的小区状况的计算装置（900），所述计算装置包括处理电路（902）和存储指令的非暂时性机器可读介质（904），所述指令在由所述处理电路执行时使所述计算装置（900）以：
获得（300）针对所述无线蜂窝网络的多个小区中的每个小区的多个性能度量的时间序列数据；
将所述时间序列数据转换（304）成针对所述多个小区中的每个小区的相应图像数据集；
将所述图像数据集分类（202）到多个预定义的小区状况中的一个；以及
将机器学习算法应用（206...

【专利技术属性】
技术研发人员：黄振南，P·弗兰克，
申请(专利权)人：瑞典爱立信有限公司，
类型：发明
国别省市：瑞典;SE