[發明專利]一種基于FAHP-集成學習的LTE小區負載評價方法

有效

• 申請號: 201810206836.5
• 申請日: 2018-03-14
• 公開（公告）號: CN108684058B
• 公開（公告）日: 2021-06-29
• 發明（設計）人: 解永平;相煜
• 申請（專利權）人: 大連理工大學
• 主分類號: H04W24/08
• 分類號: H04W24/08;G06K9/62;G06N7/02
• 代理公司: 大連星海專利事務所有限公司 21208
• 代理人: 王樹本;徐雪蓮

1.一種基于FAHP-集成學習的LTE小區負載評價方法，其特征在于包括以下步驟：

步驟1、獲取LTE小區原始性能指標，計算關鍵性能指標，具體包括以下子步驟：

(a)、獲取LTE小區原始性能指標，具體指標為小區用戶面下行字節數、小區用戶面上行字節數、有效RRC連接平均數、E-RAB建立成功數、下行PDSCHPRB可用平均數、下行PDSCHPRB占用平均數、上行PUSCHPRB可用平均數、上行PUSCHPRB占用平均數，LTE小區原始性能指標按照小時粒度進行統計；

(b)、以LTE小區原始性能指標為基礎，計算關鍵性能指標，小區平均E-RAB＝(小區用戶面上行字節數+小區用戶面下行字節數)/E-RAB建立成功數，無線利用率＝3/4*下行使用PRB平均數/下行PRB資源數+1/4*上行PRB平均數/上行PRB資源數，下行PRB利用率＝下行使用PRB平均數/下行PRB資源數，上行PRB利用率＝上行使用PRB平均數/上行PRB資源數，上行吞吐量＝小區用戶面上行字節數/1024，下行吞吐量＝小區用戶面下行字節數/1024；

步驟2、構建LTE小區負載評價指標體系，依據小區感知分類標準，將小區分為小包類業務小區、中包類業務小區及大包類業務小區，構建目標層及指標層，具體包括以下子步驟：

(a)、按照小區感知分類標準：小區平均E-RAB300kb,300kb小區平均E-RAB1000kb及小區平均E-RAB1000kb，將全網分為小包類業務小區、中包類業務小區及大包類業務小區；

(b)、對關鍵性能指標按照小區無線利用率自忙時篩選忙時數據，再以周為單位進行統計，建立以LTE小區負載評價作為目標層，下行PRB利用率、上行PRB利用率、上行吞吐量、下行吞吐量及RRC連接平均數作為指標層；

步驟3、確定LTE小區負載評價標準，將小區負載狀況劃分為擁塞、高負載、良好、一般、低負載五個狀態等級，并構造出各等級的得分向量V＝{0.9,0.7,0.5,0.3,0.1}；

步驟4、采用層次分析法確定各大、中、小包類業務小區指標權重，采用1-9標度法構造判斷矩陣，然后計算各指標權重，具體包括以下子步驟：

(a)、采用1-9標度法對關鍵性能指標之間重要度判斷，構造判斷矩陣S，

式中，S1表示小包類業務判斷矩陣、S2表示中包類業務判斷矩陣、S3表示大包類業務判斷矩陣；

(b)、計算判斷矩陣S的最大特征值λ_max及特征值對應的特征向量，將此特征向量歸一化即為所求權重向量A；

(c)、根據公式(2)計算相容性指標CI，對構建的判斷矩陣S進行一致性檢驗，當CI0.1時，判斷矩陣S滿足一致性；當CI≥0.1時，則需要對判斷矩陣S進行調整，一直調整到滿足一致性，

CI＝(λ_max-n)/(n-1) (2)

式中，n為判斷矩陣S的階數；

步驟5、采用模糊綜合評價法及Kmeans聚類確定學習樣本的評價分類，根據網絡實際情況，建立學習樣本的模糊關系矩陣，獲得學習樣本的評價分數及對應分類，具體包括以下子步驟：

(a)、對小包類業務小區、中包類業務小區、大包類業務小區性能指標采用Kmeans方法進行分類，獲得每類的中心點，對每一具體指標按照擁塞、高負載、良好、一般、低負載五個狀態進行評價，建立模糊關系矩陣R；

(b)、根據公式(3)計算LTE小區負載評價向量F，

F＝A·R (3)

式中，A為指標的權重向量，R為構建的模糊關系矩陣；

(c)、根據公式(4)計算LTE小區負載評價值y，

y＝F·V (4)

式中，F為LTE小區負載評價向量，V為各等級的得分向量；

根據評價值與評價分類的對應關系確定評價類別，生成學習樣本；

步驟6、采用集成學習方法生成自動評價模型，根據步驟1-5確定的學習樣本，以學習樣本的關鍵性能指標值作為模型的輸入值，以學習樣本的評價分類作為模型的輸出值，建立并訓練模型，具體包括以下子步驟：

(a)、輸入學習樣本，按照公式(5)進行指標歸一化處理，使輸入值都介于0-1之間，

x_norm＝(x_k-x_min)/(x_max-x_min) (5)

式中，x_min表示數據序列中的最小值，x_max表示數據序列中的最大值,x_norm表示歸一化的數據，x_k表示輸入樣本；

(b)、選用機器學習分類模型邏輯回歸、決策樹、樸素貝葉斯、支持向量機、K最近鄰構成集成學習的分類模型；

(c)、訓練各分類器；

(d)、集成學習模型選擇加權投票法給出評價結果。