[发明专利]一种高干扰小区的多维关联特征分析方法和装置

说明书

本发明公开一种高干扰小区的多维关联特征分析方法，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。本发明还公开一种高干扰小区的多维关联特征分析装置。通过本发明能有效对高干扰小区的多维关联特征进行分析。

技术领域

本发明属于文本通信数据挖掘技术领域，特别涉及高干扰小区的多维关联特征分析技术。

背景技术

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，Key Performance Indicators)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，丰富的专家历史经验也有可能出现误判等不准确的情况。

网络问题监测的方式是人工监测重要参数，当参数出现异常变化时，一步步去分析其他参数的变化，定位发生网络问题的原因。层层分析之后，由网优专家实地考察，现场进行问题监测，经过一系列步骤之后，才能发现问题并进行解决。这些步骤完成所花费的时间很漫长，且人工成本也非常高。因此，一种能从小区的多维关联特性入手，进行分析定位网络问题的方法亟待出现。

发明内容

本发明的目的在于提供一种高干扰小区的多维关联特征分析方法，便于从特征出现异常时，直接定位网络高干扰问题，减少网优专家对可能出现的问题进行逐一排查的时间。同时，定位高干扰小区的多维异常数据特点，为分析高干扰小区和生成高干扰小区的解决方案提供辅助性建议和决策。

为了实现上述目的，本发明的提供一种高干扰小区的多维关联特征分析方法，包括以下步骤：

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。

优选的：

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网络性能参数与所述正常小区的网络性能参数混合，获得所述样本集。

优选的，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。