基于AI模型检测睡眠小区的方法技术

本发明专利技术公开一种基于AI模型检测睡眠小区的方法，包括：步骤1，网管周期性采集小区话务相关的关键性能指标KPI；步骤2，根据关键性能指标KPI构建小区话务模型；步骤3，将小区话务出现异常小区加入到实时监控列表中；步骤4，根据实时监控列表对小区话务出现异常的小区进行监控；步骤5，将睡眠小区的判定结果上报到网管；步骤6，更新话务模型。所述方法能够根据不同小区的话务情况、相同小区在不同时间段预测小区的话务模型的话务曲线、高峰时间段、忙时话务量等特征，并根据话务模型的特征检测出睡眠小区，解决了现有技术中检测参数固定无法适配不同小区话务特征导致的误检及漏检的技术问题。问题。问题。

【技术实现步骤摘要】
基于AI模型检测睡眠小区的方法


[0001]本专利技术涉及移动通信
，具体涉及一种基于AI模型检测睡眠小区的方法。

技术介绍

[0002]在通信技术的长期演进(Long Term Evolution，LTE)和NR系统中，小区是提供服务的基本单位，而随着用户数的增加，网络的不断扩容，小区的数目也成级数的增长，因此小区的智能运维至关重要，小区在运行过程中经常会由于射频、软件故障导致小区的用户接入困难，长期无话务且不产生任何告警，成为睡眠小区，此类睡眠小区长期无法提供业务，又较难被维护人员通过常规运维的手段发现，是当前运维的痛点，因此智能而快速的检测出睡眠小区能有效降低网络运维的复杂度及成本。
[0003]现有的睡眠小区检测机制主要有两种思路，一种是通过配置固定的检测参数或者阈值进行判断，另一种方式是在基站侧通过一定的自检测方式，如由基站自行发送寻呼检测是否有UE接入，前一种检测机制的缺点是检测参数及阈值固定不灵活，不同的小区话务情况不同，即使相同的小区在不同的时间段，如工作日的潮汐效应、节假日也呈现不同的话务特征，使用固定参数判断很容易造成漏检和误检，后一种方式需要在网管侧配置UE的寻呼ID，因此需要在检测前预先获知接入小区的UE ID信息，在日常运维中很难实施。
[0004]基于现有技术存在的上述技术问题，本专利技术提出一种基于AI模型检测睡眠小区的方法。

技术实现思路

[0005]本专利技术提供一种基于AI模型检测睡眠小区的方法。
[0006]为达到上述目的，本专利技术采用以下技术方案：
[0007]一种基于AI模型检测睡眠小区的方法，包括：
[0008]步骤1，网管周期性采集小区话务相关的关键性能指标KPI；
[0009]步骤2，根据关键性能指标KPI构建小区话务模型；
[0010]步骤3，根据小区话务模型检测小区话务，对于小区话务出现异常的小区，将小区话务出现异常的小区加入到实时监控列表中；
[0011]步骤4，根据实时监控列表对小区话务出现异常的小区进行监控，根据小区话务模型对小区是否为睡眠小区进行判定；
[0012]步骤5，将睡眠小区的判定结果上报到网管；
[0013]步骤6，更新话务模型。
[0014]进一步地，步骤2中，将关键性能指标KPI按照采集的时间特征进行分类。
[0015]进一步地，步骤2中，话务模型能够反映小区时间段与所统计的KPI对应话务量分布。
[0016]进一步地，步骤3中，通过话务曲线表征小区话务是否出现异常，当话务曲线的拟合度低于预设的监控门限，认为小区话务出现异常，将话务出现异常的小区加入到实时监
控列表中。
[0017]进一步地，步骤1中，关键性能指标KPI包括RRC连接建立尝试次数、RRC平均用户数及切入用户数。
[0018]进一步地，步骤1中，话务采集时对关键性能指标KPI的时间段进行标识，标注出节假日时间段。
[0019]进一步地，步骤1中，网管采集关键性能指标KPI时，根据基站上报关键性能指标KPI的粒度进行采集。
[0020]进一步地，步骤1中，关键性能指标KPI通过由历史性能数据直接导入或由网管侧启动实时在线采集。
[0021]进一步地，步骤2中，以小区每天的时间段标签、对应时间粒度的RRC连接建立尝试次数、RRC平均用户数、切入用户数作为特征输入，模型训练时，对采集的数据区分工作日和节假日，根据工作日和节假日分别构建话务曲线。
[0022]进一步地，步骤2中，模型训练时通过AI算法进行训练，拟合出小区不同时间粒度的话务曲线，并根据拟合的话务曲线输出小区的话务高峰时间段及对应的话务量。
[0023]进一步地，步骤2中，模型训练时通过线性回归算法进行训练。
[0024]进一步地，步骤2中，模型训练时，将数据区分为第一数据和第二数据，其中，第一数据用于训练，第二数据用于测试构建的话务模型的拟合度，当测试的话务模型拟合度达到预定门限时模型才能直接使用，否则回到步骤1重新采集数据。
[0025]进一步地，步骤4中，对加入监控列表的小区，网管根据模型预测的话务高峰时间段，在高峰话务时间段进行实时的话务监控，当高峰话务时间段的话务量持续与模型预测的话务量偏离超过90％时，则能够判定该小区为睡眠小区，当监控的小区话务不满足偏离门限，则持续3个监控周期，将小区从监控小区列表中删除。
[0026]进一步地，步骤6中，网管按照配置的更新周期触发小区话务关键性能指标KPI的采集，数据采集完成后重新根据采集数据触发话务模型的重新构建，完成模型更新以避免由于小区话务发生变化而预测模型未更新而出现错误检测。
[0027]与现有技术相比，本专利技术的优越效果在于：
[0028]本专利技术所述的基于AI模型检测睡眠小区的方法，能够根据不同小区的话务情况、相同小区在不同时间段(工作日、节假日)准确的预测小区的话务模型的话务曲线、高峰时间段、忙时话务量等特征，并根据话务模型的特征检测出睡眠小区，解决了现有技术中检测参数固定无法适配不同小区话务特征导致的误检及漏检，提高了睡眠小区检测的正确率和检测率。
附图说明
[0029]图1是本专利技术实施例中基于AI模型检测睡眠小区的方法的流程示意图；
[0030]图2是本专利技术实施例中时间段与KPI对应话务量分布的示意图。
具体实施方式
[0031]为了能够更清楚地理解本专利技术的上述目的、特征和优点，下面结合附图和具体实施方式对本专利技术进行进一步的详细描述，需要说明的是，在不冲突的情况下，本申请的实施
例及实施例中的特征可以相互组合。
[0032]实施例
[0033]一种基于AI模型检测睡眠小区的方法，包括：
[0034]步骤1，网管周期性采集小区话务相关的关键性能指标KPI，其中，采集持续时间为4周；
[0035]步骤2，根据关键性能指标KPI构建小区话务模型；
[0036]步骤3，根据小区话务模型检测小区话务，对于小区话务出现异常的小区，将小区话务出现异常的小区加入到实时监控列表中；
[0037]步骤4，根据实时监控列表对小区话务出现异常的小区进行监控，根据小区话务模型对小区是否为睡眠小区进行判定；
[0038]步骤5，将睡眠小区的判定结果上报到网管；
[0039]步骤6，更新话务模型。
[0040]在上述实施例中，周期性能够表征为每季度或者半年的更新周期。
[0041]步骤3中，通过话务曲线表征小区话务是否出现异常，如话务曲线的拟合度低于预设的监控门限，认为小区话务出现异常，将其加入到实时监控列表中，所述监控门限为0.5。
[0042]步骤1中，关键性能指标KPI包括RRC连接建立尝试次数、RRC平均用户数及切入用户数。
[0043]步骤1中，话务采集时对关键性能指标KPI的时间段进行标识，标注出节假日时间段。
[0044]步骤1中，网管采集关键性本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于AI模型检测睡眠小区的方法，其特征在于，包括：步骤1，网管周期性采集小区话务相关的关键性能指标KPI；步骤2，根据关键性能指标KPI构建小区话务模型；步骤3，根据小区话务模型检测小区话务，对于小区话务出现异常的小区，将小区话务出现异常的小区加入到实时监控列表中；步骤4，根据实时监控列表对小区话务出现异常的小区进行监控，根据小区话务模型对小区是否为睡眠小区进行判定；步骤5，将睡眠小区的判定结果上报到网管；步骤6，更新话务模型。2.根据权利要求1所述的基于AI模型检测睡眠小区的方法，其特征在于，步骤1中，关键性能指标KPI包括RRC连接建立尝试次数、RRC平均用户数及切入用户数。3.根据权利要求2所述的基于AI模型检测睡眠小区的方法，其特征在于，步骤1中，网管采集关键性能指标KPI时，根据基站上报关键性能指标KPI的粒度进行采集。4.根据权利要求3所述的基于AI模型检测睡眠小区的方法，其特征在于，步骤1中，关键性能指标KPI通过由历史性能数据直接导入或由网管侧启动实时在线采集。5.根据权利要求4所述的基于AI模型检测睡眠小区的方法，其特征在于，步骤2中，以小区每天的时间段标签、对应时间粒度的RRC连接建立尝试次数、RRC平均用户数、切入用户数作为特征输入，模型训练时，对采集...

【专利技术属性】
技术研发人员：黄晶，黄海旭，
申请(专利权)人：杭州红岭通信息科技有限公司，
类型：发明
国别省市：