基于机器学习的网络优化关键技术研究.pdfVIP

山东建筑大学硕士学位论文 摘 要 自从第一代移动通信设备问世以来，移动通信网络经过近几十年的快速发展，已经 形成了庞大的规模。现如今，2G 、3G 和4G 网络并存，5G 也逐渐建成和商用，网络环 境日益复杂，产生的问题也越来越多。为了更好的解决网络问题，提高工作效率，采用 人工智能算法进行网络优化是未来发展的趋势。机器学习是实现人工智能的一种常见途 径，它能够使机器学习到人类的行为，自主的进行学习判断。利用机器学习的特性，可 以将网络优化中的专家经验，转换成机器自主分析学习的能力，从而实现网络优化的智 能化。本文介绍了网络优化的相关知识和流程，总结了当前常用的机器学习方法，就机 器学习在网络优化中的应用进行了研究，在基于路测数据的网络质差小区研究和基于测 量报告(MR)数据的上行干扰分类研究中提出了新的优化思路。 针对现阶段路测分析主要依靠人工，路测数据应用不足这一问题，本文利用小区数 量较少的路测数据，提出了一种基于距离的四维特征的质差小区检测方法。该方法采用 人工判断和聚类算法相结合的方式对路测数据进行标定，对比分析了基于距离的四维特 征和传统的两维特征的提取效果，并在逻辑回归分类器、决策树分类器、支持向量机(SVM) 分类器和k 近邻(kNN)分类器这4 种分类器中进行分类，得到效果最好的分类器。 在 LTE 网络优化中，降低或消除上行干扰是首要任务。本文描述了目前 FDD-LTE 网络上行干扰优化方式，并根据现网进行上行干扰排查的判别标准和工作原理，设计实 验实现智能化的上行干扰优化方法。首先对样本数据(MRO) 中的上行干扰数据提取有意 义的统计干扰特征，结合上行干扰机制和优化经验进行干扰类型标注。然后对决策树和 随机森林进行分析和比较，确定随机森林解决问题的优势，并建立基于随机森林的 FDD_LTE 上行干扰分类模型。为了改善上行干扰数据的不平衡性带来的问题，本文最后 利用 S-随机森林算法和加权随机森林进行分类，并分析了人工合成少数类过采样技术 (SMOTE)算法和加权随机森林的类权重对分类结果的影响，设定了最合适的算法参数， 使得基于改进的随机森林上行干扰分类模型获得最优划分，进一步提高了上行干扰分类 的精度。 关键词：机器学习，网络优化，质差小区检测，上行干扰 I 山东建筑大学硕士学位论文 ABSTRACT Since the first generation of mobile communication equipment came out, mobile communication has formed a huge scale after the rapid development in recent decades. Nowadays, 2G, 3G and 4G networks coexist, and 5G is also gradually being built and commercialized. More and more problems are caused by the increasingly complex network environment. In order to better solve network problems and improve work efficiency, it is the future trend to use artificial intelligence algorithm for network optimization. Machine learning is a common way to realize artificial intelligence, which enables computers to learn human behaviors and make learning judgments independently. By using the characteri