[发明专利]基于异常检测和集成学习的休眠小区检测方法

说明书

本发明公开了基于异常检测和集成学习的休眠小区检测方法，步骤为：1)筛选掉全部关键性能指标KPI数据序列均正常的小区，保留异常小区；2)以标记小区的相关性指标corr₁、相关性指标corr₂和相关性指标corr₃作为训练数据，训练随机森林模型，得到小区分类模型M；3)将异常小区的相关性指标corr₁、相关性指标corr₂和相关性指标corr₃作为测试数据，输入到小区分类模型M中，输出每个异常小区的异常原因属于pattern₁、pattern₂、…和pattern_n的概率矩阵A；4)若概率矩阵A的最大元素a≤ε，则所述异常小区为休眠小区。本发明能够更好的定位网络中的休眠小区，并且可以根据不断实践提升检测准确率，灵活性强，性能稳定。

技术领域

本发明涉及移动通信网络中的网络优化技术，具体是移动通信网络中基于异常检测和集成学习的休眠小区检测方法。

背景技术

在移动通信网络中，休眠小区的检测一直是一个重要的研究方向。休眠小区的检测应用范围十分广泛，尤其是在定位异常小区，改善网络质量，提升用户感知等方面起着重要的作用。

在网络的长期演进中，一些小区的关键指标(KPI)数据相对长时间的历史数据发生了较大变化，这种变化超过了一定的范围，我们将其定位为异常小区。此外，在这些异常小区中，某些小区产生异常的原因是可以判断的，而另外一些小区因为一些未知的原因产生异常。在通信网络优化工作中。这些产生了异常且无法定位其异常原因的小区常常被称为休眠小区。

目前休眠小区的检测分为两类：一类是完全基于异常小区检测，通过使用每个小区的历史数据来动态的划定每个小区的每个指标的正常区间，并判断实时数据是否超过这个区间，如果超过这个区间，直接将其标记为休眠小区；另一类在第一类的基础上，增加了一些新的内容。由于部分小区发生异常的原因可以被网络中的探测器探测到，这些小区就不属于休眠小区。同样的，一些人为操作干扰造成也是造成小区异常的原因，被这些已知干扰造成的异常同样不属于休眠小区。因此，第二种方法增加了一些业务筛选的内容，可以更加准确定定位休眠小区。

在现有的休眠小区的检测方法中，动态门限检测的方法将所有发生了异常的小区都标记为休眠小区。在实际生产中，存在各种因为已知原因发生异常的小区，这些小区不应该被标记为休眠小区，而这种方法并没有考虑到这种情况。而第二类检测方法考虑到了这种可能性，因此在第一类的基础上，增加了业务筛选步骤，在一定程度上改进了休眠小区检测的方法，提高了准确率。但是值得指出的是，在长期的网络优化中，基于现有的优化经验，可以给出一些异常小区的异常原因。这些异常原因往往难以通过准确计算精确得到，相反，他们往往来自于专家优化经验。对于这些能够被明确标记原因的小区，可以针对其具体原因定向的解决问题，而对于未知异常原因的休眠小区，往往通过重启其对应基站来解决问题。

发明内容

本发明的目的是解决现有技术中存在的问题。

为实现本发明目的而采用的技术方案是这样的，移动通信网络中基于异常检测和集成学习的休眠小区检测方法，包括以下步骤：

1)获取移动通信网络所有小区关键性能指标KPI数据序列，并对每个小区的关键性能指标KPI数据序列进行数据清洗，步骤如下：

1.1)基于设定的粒度g，筛选掉粒度不合规的小区。

1.2)基于设定的数据长度S＝T/g，筛选掉时间长度不合规的小区。T为休眠小区检测周期。

1.3)以0填充剩余小区缺失值。

1.4)基于业务告警信息，筛选掉业务告警小区。

2)基于清洗后的关键性能指标KPI数据序列，建立历史数据序列和测试数据序列。