基于MR的网络性能评估及其优化方法.pptVIP

现网软切换优化中，需综合考虑当前网络负荷情况及运营商对业务质量的要求来进行配置。对于业务量较低的网络发展初期，可以设定较大的软切换比例目标，以资源占用保障用户的业务体验，随着业务量的发展，则需要降低软切换比例，减少网络资源开销，从而提高网络的总容量来满足业务发展的需求。 * 假设目标：根据当地现网情况，制定软切换比例目标为30~40%时；对于城市一查前面的统计表得知需要设置Reporting Range (Event 1a门限)为3dB，Reporting Range (Event 1b门限)为5dB，按此参数设置后的网络的软切换比例将会介于27.28%~47.51%之间。而对于城市b来说则应设置Reporting Range (Event 1a)为2dB，Reporting Range (Event 1b)为4dB，按此参数设置后的网络的软切换比例将会介于21.43%~44.43%之间。 * MR数据是用户通信的真实测量结果，MR数据在网络优化与监控中具有明显优势。首先，MR可以7X24小时的对全网进行测量；其次，由于MR是用户通话时产生的，MR的任何表现，都代表了用户的真实感知，包括用户的业务实际分布带来的影响，因此，利用现有MR数据的变化趋势来实现室分系统的监控，可以低成本、快速发现网络问题，并及时进行维护， * 路测只能是点、线的测试，且难以考虑用户分布、难以进行真正的全网测试，导致设置的软切换参数只是影响按区域计算的软切换比例，与实际用户分布导致的软切换链路占用比例无法直接相关； 对于一个城市来说，由于采集数据困难，利用传统方法往往只能采用一套（或几套）软切换参数，然而，一个城市内不同区域的环境及用户业务分布差异性很大，为了获得更高的网络性能，软切换参数应该根据区域的实际情况进行差异化设置。 与传统优化方法相比，利用MR数据进行软切换参数优化具有明显优势。首先，MR可以7X24小时的对全网进行测量；其次，由于MR是用户通话时产生的，MR的任何表现，都代表了用户的真实感知，包括用户的业务实际分布带来的影响，因此，以MR分析结果进行优化可以更准确的提升最终用户的业务体验。 * 神经网络为解决复杂度问题提供了一种相对比较有效的简单方法。在结构上，可以把一个神经网络划分为输入层、输出层和隐含层。输入层的每个节点对应一个输入变量，输出层的节点对应输出变量，输入变量和输出变量均可以有多个。在输入层和输出层之间是隐含层（对神经网络使用者来说不可见），隐含层的层数和每层节点的个数决定了神经网络的复杂度。具有自学习能力，可学习和自适应不知道或不确定的系统，可以充分逼近任意复杂的非线性关系； 具有联想存储功能，所有定量或定性的信息都等势分布贮存于网络内的各神经元，故有很强的鲁棒性和容错性； 具有高速寻优的能力，采用并行分布处理方法使得快速进行大量运算成为可能； 能够同时处理定量、定性知识，适合于定量计算与定性分析； 兼具人类大脑的精确的模糊识别能力以及计算机的高速运算性能。 * 室内外MR数据其所含导频个数、导频强度、及各导频间差值存在差异，因此，可以选取MR包含的前n强导频RSCP，Ec/Io作为输入参数，输出参数则是该MR点的室内或室外属性。 * 如果运算速度可行的话，针对每一个直放站室分单独进行训练，则针对性会更强，分离准确性更高。 * * * 现网MR原始数据是一个天文数字（以某城市一个RNC一小时的MR数据已有300多万条），因此，在监控时必须将具体需监控的区域进行筛选，以减少不必要的数据分析；筛选监控区域的方法是，根据基础数据信息，查找直放站的经纬度信息及施主基站信息，然后将施主基站的MR数据进行提取，并根据直放站经纬度筛选100米以内的MR原始数据作为待分离对象（由于现网MR精度最高只能能够达到100m） 利用已建立的神经网络模型，对筛选后的MR原始数据进行分离，神经网络对每一个分离的数据均给出其与室内数据的相似度值，为保证监控的准确性，在实际应用中可以设定相似度值的门限要求，仅对置信度满足应用要求的点进行分离，对于部分特征不明显模棱两可的点则不进行分析。 点数变化趋势分析 对连续N天（根据系统配置情况确定，建议N取14）的室内MR总点数进行分析，由于周期性MR数据点数从统计意义上等效于业务量，因此，如果发现MR点数异常降低的情况，则基本可以认定该室分直放站出现严重故障，导致室内用户业务或者由室外宏站吸收、或者根本无法接入网络。 测量值变化趋势分析 对室内MR点的RSCP及Ec/Io统计区间及平均值变化趋势进一步分析，如果MR总点数没有明显变化，但测量值（RSCP或者Ec/Io的均值及分布区间）存在明显恶化，则表明室分部分无源器件（功分器/耦合器/天馈线）出现了问题，导致信号覆盖变差，但由于用户身处室内，恶