基于大数据技术的lte邻区自优化算法研究

《基于大数据技术的lte邻区自优化算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于大数据技术的LTE邻区自优化算法研究1引言无线网络优化屮，邻区优化是无线网络业务连续性的首要保障。传统的人为邻区规划方式完全依赖工参参数准确性、规划人员技能水平和态度，且无法考虑矢量地物环境，使得多制式多层级网络部署下，邻区的维护工作量大、效率低、准确性不高的主要原因。为缓解邻区维护的不力现状，在深度分析网络测量报告(MR，MeasurementReport)的数据信息与关联逻辑的基础上，笔者创新性地提出基于MR实测邻区大数据的LTE邻区自优化算法。算法基于现网终端实测的邻区物理小区标识(PCI,PhysicalCellID)、工程参数、性能参数等多类数据

2、来综合评估网络邻区配置，发现疑似漏配、错配、冗余的邻区，并给出需添加/删除的邻区信息。这一算法的提出，将冇效帮助网络运维人员提高工作效率，充分保障网络质量可靠性。2基于大数据的LTE邻区自优化算法设计基于大数据的LTE邻区自优化算法主要由MR数据解析、多维数据关联、邻区自添加/删除三部分组成。LTE邻区自添加算法流程如图1所示。MR数据解析，即通过DOM(DocumentObjectModel,文档对象模型)技术，将XML(ExtensibleMarkupLanguage,可扩展标记语言)格成的MR元素分解为序列化的对象，拆解出MR中的服务小区E-UTRAN小

3、区标识(ECI)、邻区参考信号接收功率(RSRP，Referencesignalreceivedpower),邻区PCI等数据。由于服务器将MR报告存储为多个XML格式的小文件，因此，木算法采用DOM解析技术，将XML文档转化为树型结构，即建立一棵DOM树，并将匿中的时间、ECI、RSRP、PCI等数据提取出来。多维数据关联，即通过Hadoop大数据集群，将解析后的MR数据中的服务小区ECI与工参经纬度，进行MapReduceJoin多表关联，获得服务小区位置；将MR中的邻区RSRP最强的小区PCI与工参经纬度相关联，获得具有该PCI的全部小区位置，并通过计算

4、这些小区与服务小区的距离，找到距离服务小区最近的PCI所对应的小区，即该服务小区的物理邻区。邻区自添加/删除，即通过关联结果，自动确定邻区是否需要添减。通过将算法所得物理邻区与服务小区ECI、操作维护屮心(OMC，OperationMaintenanceCenter)中的邻区参数表相关联，判断该物理邻区是否已添加至服务小区的邻区列表巾；若未添加，则判断其是否与已有邻区列表存在PCI混淆，若存在混淆，则关联切换性能数据，判断己有邻区是否存在切换，若已冇邻区与服务小区无频繁切换关系，则将该邻区删除，并添加算法所得物理邻区入邻区列表；若无PCI混淆，即在邻区列表未满

5、的情况下，添加算法所得物理邻区入邻区列表。相应地，程序每天自动将OMC中邻区参数表与切换性能数据关联，若连续7天存在邻区与服务小区切换尝试次数大于50次，切换成功率〈50%，即将该邻区删除。同时配置白名单，如一些铁路场景下仅需配置单向邻区的站点，通过白名单筛除，防止这些站点的邻区误加。3应用实践基于中国移动的自有数据资源，运用上述方法，对500个小区的邻区配置情况进行分析。经初次运行后，试点区域存量站点3天完成邻区添加列表的基木收敛，14天结合性能数据删除冗余/错配邻区，完成整个邻区列表的收敛。图2展示了应用本算法进行邻区自优化的东湖花园1小区效果。算法删除了

6、小区背向的冗余/错配邻区，添加邻区主要集中在小区覆盖方向上，同时防止了PCI混淆和超远邻区的添加，动态维护了邻区列表。算法应用后，试点区域整体切换成功率由99.22%提升至99.39%，如图3所示。4结朿语本文创新性地将大数据挖掘、关联等技术应用于无线网优化中，提出基于大数据分析的LTE邻区自优化方法。算法充分考虑矢量地物环境因素，基于终端测量上报目标小区PCI,通过大数据关联MR、工参、OMC、性能等数据，自动发现并添加漏配邻区，删除错配、冗余邻区。通过实践，该算法可自收敛邻区列表，在切换成功率提升的同时，较原有人工规划方式效率提升50。参考文献：[1]王映

7、民.TD-LTE技术原理与系统设计[M].北京：人民邮电出版社，2010：130-196.[2]华东师范大学数据科学与工程学院译.Tomwhite.Hadoop权威指南[M].第三版.北京：清华大学出版社，2015：205-277.作者简介：熊汇雨（2⑻0-），女，四川成都人，在校学生，主要研究方向为：移动通信与无线技术、计算机科学、大数据应用。