基于KNN算法MRR数据分类探究.docVIP

基于KNN算法MRR数据分类探究 　　【摘 要】提出一种基于KNN算法的MRR的数据分类方法，用于LTE网络深度覆盖评估，根据室内室外MRR数据衰减不同的特点，经过训练获取最佳K值，利用KNN算法进行分类，并在此基础上提出加权KNN算法，提高分类准确率，有助于准确定位网络覆盖问题，为网络规划优化提供支撑 【关键词】MRR KNN 数据分类 Research on MRR Data Classification Based on KNN Algorithm [Abstract] In this paper， a MRR data classification method based on KNN algorithm was proposed to evaluate the in-depth coverage for LTE networks. According to the different attenuation between the indoor and outdoor MRR data， the K value was gotten by training. KNN algorithm was used to classify data， and the weighted KNN algorithm was put forward which not only enhances the accuracy of classification， but also precisely locates the trouble of network coverage. It can provide a powerful support to the network planning and optimization. [Key words]MRR KNN data classification 1 引言 随着TD-LTE基站的大规模建设，站点选择、室内室外投资比例分配策略将决定未来网络投资回报。同时4G网络覆盖优化将是一个非常重要的课题，直接影响客户感知，如何真实地反应网络的覆盖情况与用户的需求至关重要。传统网络覆盖的评估主要是通过DT、CQT及ATU测试方式进行，同时结合用户的投诉信息被动获取网络的覆盖情况。这些方式都无法准确了解整个网络的覆盖情况及用户需求，因此迫切需要一种可以主动准确获取网络质量的方式及平台，以用户需求为导向，能够指导TD-LTE网络设计及站点精确规划，为4G网络室分、室内建设投资提供依据，同时可以对3G、4G网络覆盖效果进行评估，为覆盖优化提供指导 在无线通讯网络中，测量报告MRR（Measure-ment Result Recording，测量结果记录）数据是终端将所在位置基站的下行覆盖信号强度及干扰情况上报给基站侧，在MRR数据中同时会包含所处位置多个小区的信号情况。MRR分为两种： （1）事件触发的MRR测量报告：对于连接态终端，网络下发测量事件给终端，主要用于切换判决及特定算法需求（如LTE中的ICIC算法），满足事件条件要求，终端将上报MRR，报告中包含主服务小区及满足切换条件的目标切换小区信号强度及质量信息 （2）周期性测量报告：对于连接态终端，网络下发测量事件，终端启动测量，按照测量报告要求，周期性将测量到的服务小区及邻区的下行信号强度及质量上报给基站 通过周期性MRR，可以掌握用户进行业务时所处位置网络下行准确覆盖情况，这些MRR能够真实反映用户活动区域网络覆盖及用户体验，如果对全网周期性MRR进行分析，可以了解整个网络的覆盖情况，分析全网覆盖问题小区。在以前网络覆盖分析时也会分析MRR数据，分析网络室分及室外弱覆盖小区，但是无法真正了解室外弱覆盖是来自宏站覆盖的室外区域还是室内区域以及MRR的地理位置信息，使得MRR数据的应用分析受到限制，无法充分挖掘MRR数据的价值。因此MRR数据精确分类，成为MRR信息进一步挖掘分析的前提 2 基于KNN算法的MRR数据分类 2.1 KNN算法指导思想 KNN（K-Nearest Neighbor，K最邻近）算法是著名的模式识别统计学方法，是最好的文本分类算法之一，在机器学习分类算法中占有相当大的地位。KNN算法的指导思想是“近朱者赤，近墨者黑”，该方法的思路是：如果一个样本在特征空间中的K个最相似即特征空间中最邻近的样本中的大多数属于某一个类别，则该样本也属于这个类别。KNN算法中，所选择的邻居都是已经正确分类的对象。该方法在分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别 如图1所示，绿色圆要被决定赋予哪个类，是红色三角形还是蓝色四方形？如果K=3，