基站检测方法及装置

技术领域

本发明涉及通信技术领域，具体涉及一种基站检测方法及装置。

背景技术

基站隐性问题是指在没有任何告警的情况下，基站出现用户使用无线网络异常的现象。在用户投诉发生前及时发现基站隐性问题是无线网络优化的日常重点工作。

相关方案中，基于历史投诉数据，由相关专家进行分析，根据经验设定各性能统计指标的阈值，对劣于阈值的差基站进行现场排查。

但是，现有的方案，基站隐性问题识别的精准性与专家的经验密切相关，对于第五代移动通信(the 5th generation mobile communication,5G)等新型网络，在相关经验不足的情况下，难以选择合适的指标与阈值作为基站隐性问题的判断依据。

发明内容

本发明提供一种基站检测方法及装置，用以解决基站隐性问题检测不准确的技术问题。

第一方面，本发明提供一种基站检测方法，包括：

获取待测基站的第一强相关指标对；

将所述第一强相关指标对分别输入到至少两种监督学习模型中，获得每一种监督学习模型输出的第一检测结果；

根据所有的第一检测结果确定所述待测基站是否存在隐性问题。

在一个实施例中，还包括对所述监督学习模型的训练步骤：

获取样本基站的第二强相关指标对；

根据所述第二强相关指标对对样本基站进行聚类分析，确定目标基站；

根据对所述目标基站进行现场测试得到的结果，确定所述目标基站对应的标签，得到训练样本；

利用所述训练样本对所述监督学习模型进行训练。

在一个实施例中，所述根据所述第二强相关指标对对样本基站进行聚类分析，确定目标基站，包括：

基于所述第二强相关指标对，利用K-Means算法对样本基站进行聚类分析，确定每一类簇中样本基站的数量；

以目标类簇中的样本基站作为所述目标基站，所述目标类簇中样本基站的数量小于第一预设阈值。

在一个实施例中，还包括：

从对所述目标基站进行现场测试得到的结果中获取第三强相关指标对；

将所述第三强相关指标对添加到所述训练样本中，以更新所述训练样本。

在一个实施例中，所述根据所有的第一检测结果确定所述待测基站是否存在隐性问题，包括：

确定所述第一检测结果中不同结果所占的比例；

根据比例值大于第二预设阈值的结果确定所述待测基站是否存在隐性问题。

在一个实施例中，所述第一强相关指标对包括以下信息中的至少一项：

上行正交相移键控调制QPSK占比与下行QPSK占比；

上行256正交振幅调制QAM占比与下行256QAM占比；

上行单流占比与下行单流占比；

上行双流占比与下行四流占比；

上行物理资源块PRB利用率与下行PRB利用率；

上行平均调制与编码策略MCS与下行平均MCS；

媒体访问控制MAC层上行误块率与MAC层下行误块率；

测量报告MR覆盖率与功率余量上报PHR占比。

第二方面，本发明提供一种基站检测装置，包括：

获取模块，用于获取待测基站的第一强相关指标对；

处理模块，用于将所述第一强相关指标对分别输入到至少两种监督学习模型中，获得每一种监督学习模型输出的第一检测结果；

确定模块，用于根据所有的第一检测结果确定所述待测基站是否存在隐性问题。

第三方面，本发明提供一种电子设备，包括存储器和存储有计算机程序的存储器，所述处理器执行所述程序时实现第一方面所述基站检测方法的步骤。

第四方面，本发明提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行第一方面所述基站检测方法的步骤。

第五方面，本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述基站检测方法的步骤。

本发明提供的基站检测方法及装置，首先获取待测基站的强相关指标对，然后将强相关指标对分别输入到至少两种监督学习模型中，获得每一种监督学习模型输出的第一检测结果，最后根据所有的第一检测结果确定待测基站否存在隐性问题，不依赖于专家经验，提高了基站隐性问题检测的准确性。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的基站检测方法的流程示意图；

图2是本发明提供的基站检测逻辑流程图；

图3是本发明提供的基站检测装置的结构示意图；

图4是本发明提供的电子设备的结构示意图。

具体实施方式

基站隐性问题是指在没有任何告警的情况下，基站出现用户使用无线网络异常的现象。在用户投诉发生前及时发现基站隐性问题是无线网络优化的日常重点工作。

相关方案中，基于历史投诉数据，由相关专家进行分析，根据经验设定各性能统计指标的阈值，对劣于阈值的差基站进行现场排查。5G基站指标劣化阈值如表1所示。

表1 5G基站指标劣化阈值

但是，采用上述方案，主要存在如下缺陷：

1、基站隐性问题识别好坏(准确性)与专家的经验密切相关，对于5G等新型网络，在相关经验不足的情况下，难以选择合适的指标与阈值作为基站隐性问题的判断依据。

2、5G技术仍不断发展，基站版本升级，业务模型变化等都会使得前期制定的指标阈值不准确。同时，不同的隐性问题影响不同的指标，对于新的隐性问题，旧的指标不一定能适用，需在收到用户投诉处理后，不断总结完善。

3、由于5G网络速率高、容量大，即使出现了性能下降，相关指标并不容易体现异常情况，阈值选择非常考究。例如，5G基站的正交相移键控(Quadrature Phase ShiftKeying，QPSK)占比，与设备异常和用户分布均有关系，部分设备异常的5G基站QPSK占比与覆盖不佳的5G基站相似，阈值定义过高，容易出现漏判，未能及时发现问题基站；定义过低，又容易误判，浪费排查资源。

本发明需要解决的技术问题包括：提出一种5G基站隐性问题排查的方法和装置，融合聚类和监督学习算法及相关算法参数的选择和调优，实现不依赖于人为定义的指标阈值进行5G基站隐性问题的识别。

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例中的术语解释如下：

基站小区：也叫基站蜂窝小区或小区，是指在蜂窝移动通信系统中，其中的一个基站或基站的一部分(扇形天线)所覆盖的区域，在这个区域内移动台可以通过无线信道可靠地与基站进行通信。

正交相移键控(Quadrature Phase Shift Keying,QPSK)占比：QPSK是一种数字调制方式，QPSK调制方式占比可反映使用无线资源时的编码效率情况，间接反映无线信道质量状况。

测量报告(Measurement Report,MR)覆盖率：MR覆盖率反映信号覆盖能力。

功率余量上报(Power Headroom Report,PHR)占比：PHR代表终端/用户设备(UserEquipment,UE)发射功率还剩多少，即当前的发射功率与允许的最大发射功率差值，余量越大代表发射功率越低，上行链路质差越好。

射频拉远单元(Radio Remote Unit,RRU)类型：RRU的作用是收发信机模块完成中频信号到射频信号的变换，再经过功放和滤波模块，将射频信号通过天线口发射出去。RRU分为4个大模块：中频模块、收发信机模块、功放和滤波模块。

256正交振幅调制(Quadrature Amplitude Modulation,QAM)占比：256QAM编码比例，反映使用无线资源时的编码效率情况，间接反映无线信道质量状况。

物理资源块(Physical Resource Block,PRB)利用率：所有的共享物理资源块(PDSCHPRB)平均利用率。

平均调制与编码策略(Modulation and Coding Scheme,MCS)等级：MCS确定了对应的调制方式及传输速率，MCS越高，代表无线环境越好，传输速率高，编码效率高。

媒体访问控制(Media Access Control,MAC)层：MAC即媒体介入控制层，属于OSI模型中数据链路层下层子层。它定义了数据帧怎样在介质上进行传输。

图1是本发明提供的基站检测方法的流程示意图，如图1所示，本发明提供一种基站检测方法，该方法包括：

步骤101、获取待测基站的第一强相关指标对。

首先获取待测基站的第一强相关指标对。强相关指标对由一对存在较强关联关系的性能指标组成。当基站存在隐性问题时，强相关指标对的相关性容易被破坏。

在一些实施例中，该第一强相关指标对包括以下信息中的至少一项：

上行正交相移键控调制QPSK占比与下行QPSK占比；

上行256正交振幅调制QAM占比与下行256QAM占比；

上行单流占比与下行单流占比；

上行双流占比与下行四流占比；

上行物理资源块PRB利用率与下行PRB利用率；

上行平均调制与编码策略MCS与下行平均MCS；

媒体访问控制MAC层上行误块率与MAC层下行误块率；

测量报告MR覆盖率与功率余量上报PHR占比。

步骤102、将所述第一强相关指标对分别输入到至少两种监督学习模型中，获得每一种监督学习模型输出的第一检测结果。

具体地，在获取待测基站的第一强相关指标对之后，将该强相关指标对分别输入到至少两种监督学习模型中，获得每一种监督学习模型输出的第一检测结果。

该监督学习模型是经过预先训练好的监督学习模型。

本发明实施例中的监督学习算法可以包括但不限于决策树、贝叶斯和神经网络等。

决策树算法可以使用最小描述长度(MDL)剪枝法调优。

贝叶斯算法可以使用违约概率、最低标准偏差、阈值标准偏差等参数调优。

神经网络算法可以采用全连接神经网络，根据隐藏层为3，层内隐藏神经元为30调优。

第一检测结果包括存在隐形问题和不存在隐形问题两种情况。

步骤103、根据所有的第一检测结果确定所述待测基站是否存在隐性问题。

在一些实施例中，所述根据所有的第一检测结果确定所述待测基站是否存在隐性问题，包括：

确定所述第一检测结果中不同结果所占的比例；

根据比例值大于第二预设阈值的结果确定所述待测基站是否存在隐性问题。

具体地，本申请实施例中，使用多种不同的监督学习模型分别进行预测，在确定各个监督学习模型的预测结果(第一检测结果)之后，分析预测结果中不同结果所占的比例，根据比例值大于第二预设阈值的结果确定待测基站是否存在隐性问题，以比例值大于第二预设阈值的结果作为待测基站的最终检测结果。第二预设阈值可以根据实际应用进行配置。

例如，2/3以上的监督学习模型均预测为真值，其余的监督学习模型均预测为假值时，则待测基站的最终检测结果为真值，此时，选取2/3以上的监督学习模型均预测为真值的基站开展现场测试，提高准确率及真值准确率，避免浪费测试资源。

例如，某个分类的多监督学习模型预测结果与现场测试排查结果对比情况如表2所示，如果只使用单一监督学习算法，则准确率和真值准确率最高分别为88.9％和75.0％，采用多监督学习算法(2/3以上判断为真)进行预测，准确率和真值准确率达94.4％和80.0％。

表2现场测试与监督学习预测对比

/>

图2是本发明提供的基站检测逻辑流程图，如图2所示，在确定目标基站是否存在隐性问题之后，再进行现场测试，反馈真假值标签，不断迭代上述过程，增加监督学习的训练样本，从而提升监督学习预测的效能，实现基站隐性问题排查装置的循环优化，不断提升预测准确率及真值准确率。

本发明提供的基站检测方法，首先获取待测基站的强相关指标对，然后将强相关指标对分别输入到至少两种监督学习模型中，获得每一种监督学习模型输出的第一检测结果，最后根据所有的第一检测结果确定待测基站否存在隐性问题，不依赖于专家经验，提高了基站隐性问题检测的准确性。

在一些实施例中，还包括对所述监督学习模型的训练步骤：

获取样本基站的第二强相关指标对；

根据所述第二强相关指标对对样本基站进行聚类分析，确定目标基站；

根据对所述目标基站进行现场测试得到的结果，确定所述目标基站对应的标签，得到训练样本；

利用所述训练样本对所述监督学习模型进行训练。

具体地，首先获取每一样本基站的至少一对强相关指标对，即第二强相关指标对。

正常的基站，其覆盖范围中的用户分布变化不大的情况下，某些指标会呈现强相关关系。

例如，流量变化会与利用率变化，覆盖良好的情况下上下行QPSK占比都会少等。

再例如，基站利用率变化与基站流量增幅，上行QPSK占比与下行QPSK占比等。

图2是本发明提供的基站检测逻辑流程图，如图2所示，当基站存在隐性问题时，其相关性容易被破坏，对强相关的指标对进行聚类，能识别出异常的基站。因此，首先选定至少一对强相关的指标对。

以上所述的第二强相关指标对可以包括但不限于基站归一化的上周忙时利用率与本周忙时利用率之比与归一化的上周忙时流量与本周忙时流量之比、忙时上行QPSK占比和忙时下行QPSK占比、MR覆盖率与PHR占比等。

在获取到每一基站的至少一对强相关指标对之后，还可以对这些强相关指标对进行归一化处理。

例如，可以采用Z-Score标准化进行归一化处理，即新数据＝(原数据-均值)/标准差。

对强相关指标对进行归一化处理，进一步提高了基站检测的准确性。

在获取样本基站的至少一对强相关指标对之后，对所有的样本基站进行聚类分析，确定目标基站；目标基站为可能存在隐性问题的基站。

在一些实施例中，所述根据所述第二强相关指标对对样本基站进行聚类分析，确定目标基站，包括：

基于所述第二强相关指标对，利用K-Means算法对样本基站进行聚类分析，确定每一类簇中样本基站的数量；

以目标类簇中的样本基站作为所述目标基站，所述目标类簇中样本基站的数量小于第一预设阈值。

具体地，可以基于第二强相关指标对，利用K-Means算法对全网无告警的基站进行聚类分析。当聚类数，即K值，选择适当时，存在相同隐性问题的基站容易聚为一类，且由于存在隐性问题的基站在全网中占比少，因此，样本数越少的类别异常概率越高。

本申请实施例以样本基站的数量小于第一预设阈值的类簇中的基站作为可能存在隐性问题的基站。第一预设阈值可以根据实际应用进行配置。

例如，可以选择基站的数量最少的一个类簇中的基站作为可能存在隐性问题的基站。也可以选取样本数少于n(n＝样本总数/2K，K为聚类数)的类簇的基站作为可能存在隐性问题的基站。还可以先根据每一类簇中基站的数量按照由小到大的顺序进行排序，选择排序最靠前的多个类簇中的基站作为可能存在隐性问题的基站。具体可以根据现场测试的能力确定选择多少个类簇，此处不再举例。

另外，需要说明的是：在本发明实施例中使用K-Means算法进行聚类分析为例进行说明，聚类分析算法并不局限于K-Means算法，还可以使用其他的分类算法进行举例分析，此处不再举例。

利用K-Means对基站进行聚类，算法实现步骤如下：

(1)首先，选定聚类数，即K值。由于存在隐性问题的基站数和全网基站数量的差别在2个数量级以上，如果K值选择过小，不容易实现异常基站的聚类。假设全网基站数量为N，则K值建议取N/10或N/50之间。选定K值后，随机初始化各类的中心点。

(2)计算每个数据点到中心点的距离，数据点距离哪个中心点最近就划分到哪一类中，得到K个类簇{S

(3)第一次聚类后，选择各类的中心点作为新的中心点。中心点计算如下：

/>

其中，C

(4)重复以上步骤，直至类簇中心点的变化很小，或者达到指定的迭代次数M。本发明实施例中，当前后两次分类结果相同或M超过指定次数时结束计算。

在确定可能存在隐性问题的目标基站之后，需要对可能存在隐性问题的目标基站进行现场测试，确定这些基站的真假值标签，生成训练样本。

在一些实施例中，还包括：

从对所述目标基站进行现场测试得到的结果中获取第三强相关指标对；

将所述第三强相关指标对添加到所述训练样本中，以更新所述训练样本。

具体地，本申请实施例，通过加入基站的其他强相关指标对(第三强相关指标对)，丰富标签对应的特征值，更有利于监督学习训练以及预测，本发明实施例中应用于监督学习的基站特征数据包括RRU类型、室内分布系统覆盖方式及如下性能指标(均取基站自忙时)：

上行QPSK占比、上行256QAM占比、下行QPSK占比、下行256QAM占比、上行单流占比、上行双流占比、下行单流占比、下行四流占比、上行PRB利用率、下行PRB利用率、上行平均MCS、下行平均MCS、MAC层上行误块率、MAC层下行误块率、MR覆盖率、PHR占比等。

下面对本发明提供的基站检测装置进行描述，下文描述的基站检测装置与上文描述的基站检测方法可相互对应参照。

图3是本发明提供的基站检测装置的结构示意图，如图3所示，本发明提供一种基站检测装置，包括获取模块301、处理模块302和确定模块303，其中：

获取模块301用于获取待测基站的第一强相关指标对；处理模块302用于将所述第一强相关指标对分别输入到至少两种监督学习模型中，获得每一种监督学习模型输出的第一检测结果；确定模块303用于根据所有的第一检测结果确定所述待测基站是否存在隐性问题。

在此需要说明的是，本发明实施例提供的基站检测装置够实现上述方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。

图4是本发明提供的电子设备的结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communication Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的计算机程序，以执行基站检测方法的步骤，例如包括：

获取待测基站的第一强相关指标对；将所述第一强相关指标对分别输入到至少两种监督学习模型中，获得每一种监督学习模型输出的第一检测结果；根据所有的第一检测结果确定所述待测基站是否存在隐性问题。

此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的基站检测方法的步骤，例如包括：

获取待测基站的第一强相关指标对；将所述第一强相关指标对分别输入到至少两种监督学习模型中，获得每一种监督学习模型输出的第一检测结果；根据所有的第一检测结果确定所述待测基站是否存在隐性问题。

另一方面，本申请实施例还提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行上述各实施例提供的方法的步骤，例如包括：

获取待测基站的第一强相关指标对；将所述第一强相关指标对分别输入到至少两种监督学习模型中，获得每一种监督学习模型输出的第一检测结果；根据所有的第一检测结果确定所述待测基站是否存在隐性问题。

所述处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。