[發明專利]基站負荷預警方法、裝置

在審

• 申請號: 201911195883.5
• 申請日: 2019-11-28
• 公開（公告）號: CN111132190A
• 公開（公告）日: 2020-05-08
• 發明（設計）人: 廖海東;黎毅;吳淦浩
• 申請（專利權）人: 中通服建設有限公司
• 主分類號: H04W24/02
• 分類號: H04W24/02;H04W24/06;H04L12/24;H04L12/26
• 代理公司: 廣州市越秀區哲力專利商標事務所(普通合伙) 44288
• 代理人: 王毅

本發明提供一種基站負荷預警方法、裝置，基站負荷預警方法包括S101：獲取投訴數據，根據投訴數據判斷基站的投訴量和投訴增量是否超過預設閾值，若是，則執行S102，若否，則執行S103；S102：發出投訴量預警告警，并判斷基站是否存在故障，若是，則執行S104，若否，則根據基站的負荷情況生成網絡優化調整建議；S103：根據小區歷史參數搭建深度學習模型，通過深度學習模型對基站進行基站負荷趨勢預測，獲取預測結果，根據預測結果生成網絡優化調整建議；S104：獲取故障原因并派單以維修基站。本發明通過深度學習模型對基站負荷情況進行預測，提出相關網絡優化調整建議，耗費人力物力少，周期短，能夠對基站長期情況進行跟蹤反饋，提升了區域網絡性能優化工作。

技術領域

本發明涉及無線網絡優化領域，尤其涉及一種基站負荷預警方法、裝置。

背景技術

隨著網絡建設的不斷發展，多種網絡制式共存導致存量設備越來越多，維護難度不斷攀高，網絡質量下降、用戶感知變差等問題日益凸顯。如何及時預防網絡性能下降、給出網絡調整和優化建議，進而提升用戶感知，成為重要課題。

目前基站維護以日常故障處理和上站巡檢為主。日常故障處理主要以故障工單、分類告警級別和關鍵指標監控為主要手段。此類維護手段主要針對已發生故障的基站，對客戶感知和投訴反應時效性較差；日常上站巡檢主要是定期對基站運行環境和天饋系統進行檢查。日常巡檢相比工單形式的故障處理更為主動，但是此類檢查所針對的基站主設備本身的性能檢查內容較少，周期較長，耗費人力物力較大，并且不能對基站長期的運行狀態進行跟蹤反饋。

發明內容

為了克服現有技術的不足，本發明提出一種基站負荷預警方法、裝置，能夠實時監測投訴情況，對用戶投訴情況進行處理，提升了用戶感知，并通過深度學習模型對基站負荷情況進行預測，提出相關網絡優化調整建議，耗費人力物力少，周期短，能夠對基站長期情況進行跟蹤反饋，提升了區域網絡性能優化工作。

為解決上述問題，本發明采用的一個技術方案為：一種基站負荷預警方法，S101：獲取投訴數據，根據所述投訴數據判斷基站的投訴量和投訴增量是否超過預設閾值，若是，則執行S102，若否，則執行S103；S102：發出投訴量預警告警，并判斷所述基站是否存在故障，若是，則執行S104，若否，則根據所述基站的負荷情況生成網絡優化調整建議；S103：根據與所述基站相關的小區歷史參數搭建深度學習模型，通過所述深度學習模型對所述基站進行基站負荷趨勢預測，獲取預測結果，根據所述預測結果生成網絡優化調整建議；S104：獲取故障原因并派單以維修所述基站。

進一步地，所述網絡優化調整建議包括載頻擴容、調整天饋下傾角/方向角、發射功率調整、鄰區參數重選、切換參數中的至少一種。

進一步地，所述小區歷史參數包括：上/下行利用率、上/下行流量、有數據傳輸的RRC數。

進一步地，所述根據與所述基站相關的小區歷史參數搭建深度學習模型的步驟具體包括：

S201：采集所述小區歷史參數，根據所述小區歷史參數生成模型訓練數據集；S202：設置深度記憶網絡參數，將所述模型訓練數據集喂給PTBModel進行訓練以獲取深度學習模型。

進一步地，所述將所述模型訓練數據集喂給所述PTBModel進行訓練的步驟具體包括：將所述模型訓練數據集多次分批喂給PTBModel訓練，并根據訓練的結果對所述PTBModel的參數進行調整。

進一步地，所述預測結果包括所述小區未來預設時間內的小區歷史參數。

進一步地，所述根據所述預測結果生成網絡優化調整建議的步驟包括：判斷所述小區未來預設時間內的小區歷史參數是否觸發預警門限，若是，則針對超過預警門限的所述小區歷史參數進行優化調整，并生成網絡優化調整建議。

進一步地，所述優化調整的類型包括覆蓋類優化、吞吐率優化、掉話類優化、接入失敗優化、切換類優化、時延類優化中的至少一種。