[发明专利]一种LTE用户体验KPI与弱覆盖关系判定方法

说明书

本发明公开一种LTE用户体验KPI与弱覆盖关系判定方法，包括：对基站通信数据进行预处理，抽取跟弱覆盖问题相关的小区关键性能指标(即KPI)，筛选弱覆盖训练样本；采用kmeans聚类算法，对样本进行聚类分析；利用lof算法剔除每类中的边缘异常样本；利用熵权法，计算指标权重；利用随机森林方法训练小区弱覆盖程度分类器。

技术领域

本发明属于通信数据网络优化与数据挖掘领域，特别涉及一种LTE用户体验KPI与弱覆盖关系判定方法。

背景技术

根据工信部《2018年通信运营业统计公报》显示，2016年全国电话用户达17.5亿户，移动通信基站总数达648万个。面对用户数量的激增以及基站的增加，移动网流量以及信令非线性化高速增长，流量分布不均匀等问题越来越明显，通过部署密集的小区方式可以解决这些问题。但是这种网络变革导致网元节点数快速增加，网元之间的交互更加频繁、复杂，网络的组织结构也因此变得繁杂。在这种情况下，网络每天记录下的数据会非常庞大，运维任务越来越繁重，传统的基于人工的运维方式将会耗费大量的人力和时间。

网优人员的一个主要任务是关注每个基站辐射下的小区是否发生故障，是否接到投诉，进而对小区参数，基站建设位置等进行调整，尽量为用户提供良好的上网体验。

弱覆盖问题一直是网优人员重点关注的问题，也是影响网络环境的一个重要因素。弱覆盖指的是总采样点大于1000，参考信号接收功率-114的采样点占比超过20%的小区。

在过往的案例中，网优人员主要是对于每类问题设置阈值进行监测，当基站设备的实时监测值长时间超过阈值的情况下，网优人员会定位出相应的小区，根据经验文档等进行问题排查。甚至在某些情况下是在用户投诉网络体验质量不佳之后才进行问题排查。这种依赖于人工的问题排查方式太依赖于经验，并且时效性不是很强。

随着网络体系的不断庞大，国内外对于基站历史数据进行学习，进而得到模型，提前预测网络问题的研究越来越多。

2016年8月17日公布的申请号为201610262009.9的发明专利申请，公布了一种“基于网络体验质量的移动通信网异常检测和定位方法”；该发明基于网络体验质量的异常检测子系统和异常根因定位子系统，对网络实现异常检测和异常定位。在异常检测子系统中，利用聚类算法得到轻微异常，异常和正常三大类；在异常根因定位子系统中，利用累积分布函数得到异常性能指标，然后在利用聚类得到异常根因类别。这种方法要依靠实时数据，不能采用历史数据对未来的网络状况进行预判。

LOF算法（Local Outlier Factor，局部离群因子检测方法），是一种无监督的离群检测方法，是基于密度的离群点检测方法中一个比较有代表性的算法。该算法会给数据集中的每个点计算一个离群因子LOF，通过判断LOF是否接近于1来判定是否是离群因子。若LOF远大于1，则认为是离群因子，接近于1，则是正常点。

熵最先由申农引入信息论，目前已经在工程技术、社会经济等领域得到了非常广泛的应用。熵权法的基本思路是根据指标变异性的大小来确定客观权重。一般来说，若某个指标的信息熵Ej越小，表明指标值得变异程度越大，提供的信息量越多，在综合评价中所能起到的作用也越大，其权重也就越大。相反，某个指标的信息熵越大，表明指标值得变异程度越小，提供的信息量也越少，在综合评价中所起到的作用也越小，其权重也就越小。

随机森林方法结合了 Breimans 的“Bootstrap aggregating”想法和 Ho 的“random subspace method”以此来构造决策树集合，它具有抗噪声、防止过拟合、处理非线性关系等优点。

发明内容

本发明的目的在于提供一种LTE用户体验KPI与弱覆盖关系判定方法，在网优人员进行网络优化时，能够对异常根因预先判定，以解决现有技术的不足。

为了实现上述目的，本发明采用如下技术方案：