[发明专利]一种LTE网络小区问题定位及优化方法

说明书

本发明实施例公开了一种LTE网络小区问题定位及优化方法。所述方法包括，获得待预测数据集，对待预测数据集进行预处理，并将预处理后的待预测数据集分别输入第一阶分类模型进行预测输出预测问题类别标签，将类别标签作为一列特征，以及输入到第二阶分类模型进行预测输出预测方案类别标签；输出LTE网络小区问题定位及优化预测文件；所述LTE网络小区问题定位及优化预测文件包括问题类别标签对应的类别，方案类别标签对应的方案、小区ID和时间的四列运算结果。本发明实施例主要依靠XGBoost机器学习算法构建自动阶梯式问题方案寻优模型解决主观偏差及效率低的问题。

技术领域

本发明涉及本发明涉及无线通信网络业务支撑技术领域，尤其涉及一种LTE网络小区问题定位及优化方法。

背景技术

关于小区LTE网络问题优化目前的现有技术中是根据每个小区的问题指标数据判断每个小区是否存在至少一个LTE网络问题；再根据存在LTE网络问题的小区的相关性指标数据，基于皮尔森相关性算法计算任意两个存在LTE网络问题的小区之间的相关系数，将绝对值大于预设阈值的相关系数对应的小区作为目标小区；根据目标小区的位置和问题指标数据，基于层次聚类算法对目标小区进行聚类，对每一类目标小区LTE网络问题使用相同的方法进行优化。现有技术中还有基于无线指标定位LTE网络问题的方法，该方法根据每PRB平均吞吐率、PRB平均占用率预设的多级门限值确定LTE网络问题范围，再根据E-RAB建立成功率、RSRP值等指标和预设阈值定位LTE网络问题。

通过每个小区的问题指标数据判断每个小区是否存在至少一个LTE网络问题，不难发现，每次运算，需要先计算小区是否都包含至少一个LTE网络问题，还需计算任意两个存在LTE网络问题的小区之间的相关系数，最后经过聚类运算，整个过程计算量巨大，耗费运算资源，对问题小区经过聚类后，依然需要通过人工分析确定问题类别及优化方法，存在主观偏差、效率低的问题。通过基于无线指标定位LTE网络问题的方法和系统，采用了简单的阈值判别方式，对于数据量低的情况下，可以快速运算，当需要运算的数据增加时，运算效率便会降低，人为设定阈值存在主观偏差。

发明内容

针对上述问题，本发明实施例提供了一种LTE网络小区问题定位及优化方法及系统，主要依靠XGBoost机器学习算法构建自动阶梯式问题方案寻优模型解决主观偏差及效率低的问题。

第一方面，本发明提供了一种LTE网络小区问题定位及优化模型训练方法，该模型训练方法包括：

获得第一数据集，根据LTE网络运维数据分析第一数据集中的网络问题和根因，基于运维反馈结果标注所述第一数据集的问题根因类别；

对标注后的第一数据集进行划分得到第一训练集和第一测试集，将第一训练集输入第一阶分类模型进行训练得到LTE网络小区问题类别预测结果，根据所述LTE网络小区问题类别预测结果和特征重要度，筛选所述LTE网络小区的问题类别标签，更新第一测试集并得到的第一验证集；

利用网格搜索方法将第一验证集输入第一阶分类模型得到第一训练结果，调整所述第一阶分类模型参数，得到训练完成的第一阶分类模型；

基于第一阶分类模型筛选的所述问题类别标签以及小区ID和日期得到第二数据集，并根据运维反馈结果标注所述第二数据集的优化方案类别；

对标注后的第二数据集进行划分得到第二训练集和第二测试集，将第二训练集输入第二阶分类模型进行训练得到LTE网络小区方案优化预测结果，根据所述LTE网络小区方案优化预测结果和特征重要度，筛选优化方案的类别标签，更新第二测试集并得到的第二验证集；

利用网格搜索方法将第二验证集输入第二阶分类模型得到第二训练结果，调整所述第二阶分类模型参数，得到训练完成的第二阶分类模型；

将更新后的第一测试集输入训练完成的第一机器学习模型得到第一测试结果；

利用第一训练结果和第一测试结果交叉验证第一阶分类模型；