邻区关系预测方法、装置、设备及存储介质

技术领域

本发明涉及通信网络技术领域，尤其涉及一种邻区关系预测方法、装置、设备及存储介质。

背景技术

目前，自动化邻区关系配置可以是指自组织网络(SON，Self OrganizedNetworks)中的邻区自配置(ANR，Automatic Neighbor Relation)功能，该功能通过分析小区下选定用户上报的测量结果，针对未配置邻区但信号质量较好的频点进行相应邻区关系的配置，更新小区邻区列表。虽然，可以通过自动化手段完成邻区关系配置，但是，仅通过少量用户在较短时间内的测量信息进行邻区关系配置，准确性较差。

发明内容

有鉴于此，本发明实施例期望提供一种邻区关系预测方法、装置、设备及存储介质。

本发明实施例的技术方案是这样实现的：

本发明的至少一个实施例提供了一种邻区关系预测方法，所述方法包括：

利用预先训练的目标模型对第一数据进行预测，得到邻区关系；所述第一数据包括各个第一小区的用户级测量数据、用户级业务特征数据、小区级互操作性能数据和小区级工参数据中至少之一；

其中，所述目标模型是基于第二数据和各个第二小区的邻区关系标签训练得到，所述第二数据包括各个第二小区的用户级测量数据、用户级业务特征数据、小区级互操作性能数据和小区级工参数据中至少之一。

此外，根据本发明的至少一个实施例，所述方法还包括：

获取所述第二数据和第三数据；所述第三数据包括各个第二小区的小区邻区列表信息；

利用所述第二数据，确定所述各个第二小区之间的配对关系；

利用所述第三数据，确定初始的邻区关系，并对所述初始的邻区关系进行纠偏，得到所述邻区关系标签；

将所述各个第二小区之间的配对关系和所述邻区关系标签作为训练数据，并将所述训练数据输入至预测模型进行训练，得到用于预测邻区关系的目标模型。

此外，根据本发明的至少一个实施例，所述利用所述第二数据，确定所述各个第二小区之间的配对关系，包括：

在预设时间窗口内，对所述第二数据包括的各个第二小区的用户级测量数据、用户级业务特征数据、小区级互操作性能数据和小区级工参数据中至少之一进行统计，得到与各个第二小区分别对应的特征数据；

利用在所述预设时间窗口内得到的与各个第二小区分别对应的特征数据，确定在所述预设时间窗口内的所述各个第二小区之间的配对关系。

此外，根据本发明的至少一个实施例，

对各个第二小区的小区级工参数据进行统计，得到多个网络制式相同的特征数据；

或者，

对各个第二小区的小区级工参数据进行统计，得到多个网络制式不同的特征数据。

此外，根据本发明的至少一个实施例，所述利用所述第二数据，确定所述各个第二小区之间的配对关系，包括：

在各个预设时间窗口内，分别对所述第二数据包括的各个第二小区的用户级测量数据、用户级业务特征数据、小区级互操作性能数据和小区级工参数据中至少之一进行统计，得到与各个第二小区分别对应的特征数据；

利用在各个预设时间窗口内分别得到的与各个第二小区分别对应的特征数据，确定在各个预设时间窗口内的所述各个第二小区之间的配对关系。

此外，根据本发明的至少一个实施例，所述对所述初始的邻区关系进行纠偏，得到所述邻区关系标签，包括：

检测初始的邻区关系中第N个邻区关系是否满足预设邻区关系条件；

当检测第N个邻区关系未满足预设邻区关系条件时，修改所述第N个邻区关系；

以此类推，直至所述初始的邻区关系中各个邻区关系均满足预设邻区关系条件；将满足预设邻区关系条件的各个邻区关系作为所述邻区关系标签；

其中，N＝1，…，M，M为大于1的正整数。

此外，根据本发明的至少一个实施例，所述方法还包括：

对预测得到的邻区关系中的小区对进行排序，得到排序结果；

利用所述排序结果中满足预设排序条件的小区对，生成小区邻区列表；

输出所述小区邻区列表。

本发明的至少一个实施例提供一种邻区关系预测装置，包括：

处理单元，用于利用预先训练的目标模型对第一数据进行预测，得到邻区关系；所述第一数据包括各个第一小区的用户级测量数据、用户级业务特征数据、小区级互操作性能数据和小区级工参数据中至少之一；

其中，所述目标模型是基于第二数据和各个第二小区的邻区关系标签训练得到，所述第二数据包括各个第二小区的用户级测量数据、用户级业务特征数据、小区级互操作性能数据和小区级工参数据中至少之一。

本发明的至少一个实施例提供一种通信设备，包括：

通信接口，

处理器，用于处理单元，用于利用预先训练的目标模型对第一数据进行预测，得到邻区关系；所述第一数据包括各个第一小区的用户级测量数据、用户级业务特征数据、小区级互操作性能数据和小区级工参数据中至少之一；

其中，所述目标模型是基于第二数据和各个第二小区的邻区关系标签训练得到，所述第二数据包括各个第二小区的用户级测量数据、用户级业务特征数据、小区级互操作性能数据和小区级工参数据中至少之一。

本发明的至少一个实施例提供一种通信设备，包括处理器和用于存储能够在处理器上运行的计算机程序的存储器，

其中，所述处理器用于运行所述计算机程序时，执行上述终端侧任一方法的步骤。

本发明的至少一个实施例提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一方法的步骤。

本发明实施例提供的邻区关系预测方法、装置、设备及存储介质，利用预先训练的目标模型对第一数据进行预测，得到邻区关系；所述第一数据包括各个第一小区的用户级测量数据、用户级业务特征数据、小区级互操作性能数据和小区级工参数据中至少之一；其中，所述目标模型是基于第二数据和各个第二小区的邻区关系标签训练得到，所述第二数据包括各个第二小区的用户级测量数据、用户级业务特征数据、小区级互操作性能数据和小区级工参数据中至少之一。采用本发明实施例提供的技术方案，融合多种数据源，结合预先训练的目标模型，来预测邻区关系，能够提高准确性。

附图说明

图1是本发明实施例邻区关系预测方法的实现流程示意图；

图2是本发明实施例时序数据模型的示意图；

图3是本发明实施例邻区关系预测方法应用的系统框架示意图；

图4是本发明实施例长短期记忆网络(LSTM，Long Short Term)网络的示意图；

图5是本发明实施例邻区关系预测装置的组成结构示意图；

图6是本发明实施例通信设备的组成结构示意图。

具体实施方式

在对本发明实施例的技术方案进行介绍之前，先对相关技术进行说明。

相关技术中，自动化邻区关系配置为自组织网络(SON)中的邻区自配置(ANR)功能，该功能通过分析小区下选定用户上报的测量结果，针对未配置邻区但信号质量较好的频点进行相应邻区关系的配置，更新小区邻区列表。

相关技术中，邻区关系配置的步骤包括：

1、网络侧完成目标小区下用户需要测量的频点配置，选中上报ANR测试的移动用户。

2、终端上报对应频点及物理小区标识(PCI，Physical Cell Identifier)的测量结果。

3、目标小区完成测量结果分析，针对PCI未在邻区列表中但希望配置邻区关系的小区，向终端进行全球小区标识码(CGI，Cell Global Identifier)信息获取。

4、终端根据测量的PCI信息，结合信令信息提取，再次上报测量小区对应的CGI。

5、目标小区基于CGI及频点信息完成邻区关系配置。

但是，相关技术中，配置邻区关系存在以下技术问题：第一，虽然，可以通过自动化手段完成邻区关系配置，但是，仅通过少量用户在较短时间内的测量信息进行邻区关系配置，准确性较差。第二，由于ANR只有邻区添加功能，不涉及邻区关系删除，因此，虽然在邻区添加阶段可以节约人力投入，但在实际应用过程中往往会造成邻区列表冗余，大量不必要添加的邻区被加入邻区列表，影响用户互操作性能，从而导致更多的人力被投入到邻区列表简化优化工作中，实用性较差。

基于此，本发明实施例中，利用预先训练的目标模型对第一数据进行预测，得到邻区关系；所述第一数据包括各个第一小区的用户级测量数据、用户级业务特征数据、小区级互操作性能数据和小区级工参数据中至少之一；

其中，所述目标模型是基于第二数据和各个第二小区的邻区关系标签训练得到，所述第二数据包括各个第二小区的用户级测量数据、用户级业务特征数据、小区级互操作性能数据和小区级工参数据中至少之一。

图1是本发明实施例邻区关系预测方法的实现流程示意图，应用于通信设备，如图1所示，所述方法包括步骤101：

步骤101：利用预先训练的目标模型对第一数据进行预测，得到邻区关系；所述第一数据包括各个第一小区的用户级测量数据、用户级业务特征数据、小区级互操作性能数据和小区级工参数据中至少之一；

其中，所述目标模型是基于第二数据和各个第二小区的邻区关系标签训练得到，所述第二数据包括各个第二小区的用户级测量数据、用户级业务特征数据、小区级互操作性能数据和小区级工参数据中至少之一。

实际应用时，可以将各个第二小区之间的配对关系和所述邻区关系标签作为训练数据，并将所述训练数据输入至预测模型进行训练得到所述目标模型。

基于此，在一实施例中，所述方法还包括：

获取所述第二数据和第三数据；所述第三数据包括各个第二小区的小区邻区列表信息；

利用所述第二数据，确定所述各个第二小区之间的配对关系；

利用所述第三数据，确定初始的邻区关系，并对所述初始的邻区关系进行纠偏，得到所述邻区关系标签；

将所述各个第二小区之间的配对关系和所述邻区关系标签作为训练数据，并将所述训练数据输入至预测模型进行训练，得到用于预测邻区关系的目标模型。

可以理解的是，所述用户级测量数据，可以包含本小区PCI、本小区及其他频点测量信号强度、用户位置信息。所述用户级业务特征数据，可以包含业务时延、丢包、抖动、成功标识等信息。所述小区级互操作性能数据，可以包含互操作次数、成功次数、互操作目标小区等信息。所述小区级工参数据，可以包含站点及小区信息、网络制式、频点、带宽、覆盖场景、发射功率、站高、方向角等信息。

可以理解的是，可以获取各个网格或区域下的各个小区的小区级互操作性能数据，对同一个网格或区域下的多个小区的互操作性能进行排序，得到排序结果；从所述排序结果中选择互操作性能较优的多个小区，确定多个小区所在的网格或区域，将确定的网格或区域下的各个小区作为所述各个第二小区。

下面对确定所述各个第二小区之间的配对关系的过程分情况进行详细描述。

第一种情况，实际应用时，可以统计在单个预设时间窗口内的所述各个第二小区之间的配对关系。

基于此，在一实施例中，所述利用所述第二数据，确定所述各个第二小区之间的配对关系，包括：

在预设时间窗口内，对所述第二数据包括的各个第二小区的用户级测量数据、用户级业务特征数据、小区级互操作性能数据和小区级工参数据中至少之一进行统计，得到与各个第二小区分别对应的特征数据；

利用在所述预设时间窗口内得到的与各个第二小区分别对应的特征数据，确定在所述预设时间窗口内的所述各个第二小区之间的配对关系。

可以理解的是，在预设时间窗口内对所述第二数据包括的各个第二小区的用户级测量数据进行统计，可以包括：

在预设时间窗口内，对各个第二小区的各个采集窗口内的用户级测量数据进行统计合并，形成本小区信号强度分布、测量次数排名前N个的频点的信号强度分布、用户栅格分布共三个特征数据。

举例来说，假设预设时间窗口为10秒，第一个采集窗口第0秒到第5秒，第二个采集窗口为第5秒到第10秒，第二小区包括小区1、小区2，将在第一个采集窗口获取的小区1的用户级测量数据和在第二个采集窗口获取的小区1的用户级测量数据进行统计合并，形成本小区信号强度分布、测量次数排名前N个频点的信号强度分布、用户栅格分布共三个特征数据；并将在第一个采集窗口获取的小区2的用户级测量数据和在第二个采集窗口获取的小区2的用户级测量数据进行统计合并，形成本小区信号强度分布、测量次数排名前N个频点的信号强度分布、用户栅格分布共三个特征数据，如表1所示。

表1

可以理解的是，在预设时间窗口内对所述第二数据包括的各个第二小区的用户级业务特征数据进行统计，可以包括：

在预设时间窗口内，对各个第二小区的各个采集窗口内的用户级业务特征数据进行统计合并，形成本小区各类业务次数、业务质量及所在栅格分布共三个特征数据。

举例来说，假设预设时间窗口为10秒，第一个采集窗口第0秒到第5秒，第二个采集窗口为第5秒到第10秒，第二小区包括小区1、小区2，将在第一个采集窗口获取的小区1的用户级业务特征数据和在第二个采集窗口获取的小区1的用户级业务特征数据进行统计合并，形成本小区各类业务次数、业务质量及所在栅格分布共三个特征数据；并将在第一个采集窗口获取的小区2的用户级业务特征数据和在第二个采集窗口获取的小区2的用户级业务特征数据进行统计合并，形成本小区各类业务次数、业务质量及所在栅格分布共三个特征数据，如表2所示。

表2

可以理解的是，在预设时间窗口内对所述第二数据包括的各个第二小区的小区级互操作性能数据进行统计，可以包括：

在预设时间窗口内，对各个第二小区的各个采集窗口内的小区级互操作性能数据进行统计合并，形成小区互操作成功率、切换次数共两个特征数据。

举例来说，假设预设时间窗口为10秒，第一个采集窗口第0秒到第5秒，第二个采集窗口为第5秒到第10秒，第二小区包括小区1、小区2，将在第一个采集窗口获取的小区1的小区级互操作性能数据和在第二个采集窗口获取的小区1的小区级互操作性能数据进行统计合并，形成小区互操作成功率、切换次数共两个特征数据，将在第一个采集窗口获取的小区2的小区级互操作性能数据和在第二个采集窗口获取的小区12的小区级互操作性能数据进行统计合并，形成小区互操作成功率、切换次数共两个特征数据，如表3所示。

表3

可以理解的是，在预设时间窗口内，对所述第二数据包括的各个第二小区的小区级工参数据分别进行统计，可以包括：

在预设时间窗口内，对各个第二小区的各个采集窗口内的小区级工参数据进行统计合并，形成小区位置、方向角共两个特征数据。

举例来说，假设预设时间窗口为10秒，第一个采集窗口第0秒到第5秒，第二个采集窗口为第5秒到第10秒，第二小区包括小区1、小区2，将在第一个采集窗口获取的小区1的小区级工参数据和在第二个采集窗口获取的小区1的小区级工参数据进行统计合并，形成小区位置、方向角共两个特征数据。将在第一个采集窗口获取的小区2的小区级工参数据和在第二个采集窗口获取的小区2的小区级工参数据进行统计合并，形成小区位置、方向角共两个特征数据。

在一实施例中，对各个第二小区的小区级工参数据进行统计，得到多个网络制式相同的特征数据；或者，对各个第二小区的小区级工参数据进行统计，得到多个网络制式不同的特征数据。

这里，在得到在所述预设时间窗口内的与各个第二小区分别对应的特征数据之后，可以将特征数据匹配的两个小区进行配对，得到在所述预设时间窗口内的所述各个第二小区之间的配对关系。或者，将任意一个第二小区和除自身外的其他每一个第二小区进行配对。具体地，将特征数据匹配的两个小区进行配对，得到在所述预设时间窗口内的所述各个第二小区之间的配对关系，可以包括：若两个小区的本小区信号强度分布、测量次数排名前N个频点的信号强度分布、用户栅格分布、所在栅格分布中至少之一满足特定分布形态，则将两个小区进行配对；和/或，若两个小区的本小区各类业务次数、业务质量、小区互操作成功率、切换次数、小区位置、方向角中至少之一满足预设条件，则将两个小区进行配对。

这里，所述特定分布形态可以包括正态分布，等等。

这里，满足预设条件，可以包括以下至少之一：

两个小区的本小区各类业务次数均大于业务次数阈值；

两个小区的业务质量均大于预设质量等级；

两个小区的互操作成功率均大于成功率阈值；

两个小区的切换次数均大于切换次数阈值；

两个小区的小区位置属于同一个区域；

两个小区的方向角均大于方向角阈值。

举例来说，小区1的特征数据包括：本小区信号强度分布、测量次数排名前N个频点的信号强度分布、用户栅格分布、本小区各类业务次数、业务质量、所在栅格分布、小区互操作成功率、切换次数、小区位置、方向角。小区2的特征数据包括：本小区信号强度分布、测量次数排名前N个频点的信号强度分布、用户栅格分布、本小区各类业务次数、业务质量、所在栅格分布、小区互操作成功率、切换次数、小区位置、方向角。若小区1和小区2的本小区信号强度分布均属于正态分布，且小区1和小区2的业务质量均大于预设质量等级，则将小区1和小区2进行配对。如表4所示。

表4

第二种情况，实际应用时，可以统计在多个预设时间窗口内的所述各个第二小区之间的配对关系。

基于此，在一实施例中，所述利用所述第二数据，确定所述各个第二小区之间的配对关系，包括：

在各个预设时间窗口内，分别对所述第二数据包括的各个第二小区的用户级测量数据、用户级业务特征数据、小区级互操作性能数据和小区级工参数据中至少之一进行统计，得到与各个第二小区分别对应的特征数据；

利用在各个预设时间窗口内分别得到的与各个第二小区分别对应的特征数据，确定在各个预设时间窗口内的所述各个第二小区之间的配对关系。

实际应用时，可以利用所述第三数据包括的各个第二小区的小区邻区列表信息，得到初始的邻区关系，对初始的邻区关系进行纠偏，可以得到所述邻区关系标签。或者，可以将初始的邻区关系作为所述邻区关系标签。

基于此，在一实施例中，所述对所述初始的邻区关系进行纠偏，得到所述邻区关系标签，包括：

检测初始的邻区关系中第N个邻区关系是否满足预设邻区关系条件；

当检测第N个邻区关系未满足预设邻区关系条件时，修改所述第N个邻区关系；

以此类推，直至所述初始的邻区关系中各个邻区关系均满足预设邻区关系条件；将满足预设邻区关系条件的各个邻区关系作为所述邻区关系标签；

其中，N＝1，…，M，M为大于1的正整数。

可以理解的是，可以根据专家经验对所选区域内的初始的邻区关系中出现的明显的错配漏配进行纠正。

这里，所述预设邻区关系条件，可以是指：

若小区对间单日互操作次数高于阈值如30次且成功率低于阈值如90％，则该小区对为错配小区。

或者，成功率升序排列后的前5％且互操作次数低于阈值如3次的小区对判定为错配小区。

或者，小区站间距低于阈值如500米且重叠覆盖面积占比均高于阈值如50％且未互配邻区的小区对判定为漏配小区。

这里，若判定为错配小区，则将该小区对的邻区关系标签设置为“不是邻区关系”。若判定为漏配小区，则将该小区对的邻区关系标签设置为“是邻区关系”。

举例来说，假设初始的邻区关系中包含3个邻区关系，第1个邻区关系是小区1和小区2，第2个邻区关系是小区2和小区4，第3个邻区关系是小区3和小区5，若小区2和小区4之间单日互操作次数高于阈值如30次且成功率低于阈值如90％，则该小区对为错配小区，修改小区2和小区4的邻区关系为“不是邻区关系”，如表5所示。

表5

可以理解的是，在得到在单个预设时间窗口内的所述各个第二小区之间的配对关系情况下，可以采用预测模型即特征提取网络和二分类判断的组合模型，结合在单个预设时间窗口内的所述各个第二小区之间的配对关系以及所述邻区关系标签，完成在单个预设时间窗内的邻区关系预测的建模。

可以理解的是，在得到在多个预设时间窗口内的所述各个第二小区之间的配对关系情况下，考虑到用户级测量数据、用户级业务特征数据及小区级互操作性能数据具有时序信息，因此，可以使用预测模型即时序数据模型，结合在各个预设时间窗内的所述各个第二小区之间的配对关系以及所述邻区关系标签，得到判断模型在各个时间窗口输出的中间结果，将各个中间结果之间建立连接，共同完成最终的邻区关系预测的建模。图2是时序数据模型的示意图。

实际应用时，可以使用训练阶段输出的预测邻区关系的目标模型，对网络中需要进行邻区优化的真实小区进行邻区关系预测，得到邻区关系；进一步地，还可以对得到的邻区关系进行优化。

基于此，在一实施例中，所述方法还包括：

对预测得到的邻区关系中的小区对进行排序，得到排序结果；

利用所述排序结果中满足预设排序条件的小区对，生成小区邻区列表；

输出所述小区邻区列表。

可以理解的是，可以将预测得到的邻区关系中所有可配的小区对进行合并，对合并后的小区对进行排序，得到排序结果；利用所述排序结果中满足预设排序条件的小区对，得到最终的小区邻区列表。

举例来说，假设预测得到的邻区关系中的小区对结果为：以小区1为例，小区1的邻区包括小区2、小区3、小区4。其中，小区1和小区2是小区对的概率为90％，小区1和小区3是小区对的概率为80％，小区1和小区4是小区对的概率为70％，则按照概率对小区1的各个小区对进行从高到低排序，得到排序结果，并从所述排序结果中选取2个小区对，得到的小区对为小区1和小区2，以及小区1和小区3，利用这两个小区对，生成小区邻区列表。

本发明实施例中，具备以下优点：

(1)融合多种数据源，结合预先训练的目标模型，来预测邻区关系，能够提高准确性。

(2)融合多种数据源，来训练预测邻区关系的目标模型，从而利用训练的目标模型预测邻区关系，能够提高准确性。

(3)通过多种维度数据的综合利用，结合专家经验和人工智能算法，分析建模，形成覆盖不同场景的邻区关系优化方案，能够提升在不同场景下的邻区优化效果，而且还可以减少人力投入，满足实际应用需求。

(4)由于邻区关系标签是对初始的邻区关系经过纠偏后得到的，因此，基于该邻区关系标签，结合多种数据源，来训练预测邻区关系的目标模型，可以避免添加不必要的邻区，从而能够解决邻区冗余的问题，从而优化了用户互操作体验。

图3是本发明实施例邻区关系预测方法应用的系统框架示意图，如图3所示，所述系统包括：

数据输入模块，用于获取第二数据和第三数据；所述第二数据包括各个第二小区的用户级测量数据、用户级业务特征数据、小区级互操作性能数据和小区级工参数据中至少之一；所述第三数据包括各个第二小区的小区邻区列表信息。

数据融合模块，用于利用所述第二数据，确定所述各个第二小区之间的配对关系。

邻区关系纠偏模块，用于利用所述第三数据，确定初始的邻区关系，并对所述初始的邻区关系进行纠偏，得到所述邻区关系标签。

模型输出模块，用于将所述各个第二小区之间的配对关系和所述邻区关系标签作为训练数据，并将所述训练数据输入至预测模型进行训练，得到用于预测邻区关系的目标模型。

邻区优化模块，用于利用所述目标模型对第一数据进行预测，得到邻区关系；所述第一数据包括各个第一小区的用户级测量数据、用户级业务特征数据、小区级互操作性能数据、小区级工参数据。

下面对各个模块的具体功能进行详细说明。

这里，数据输入模块，具体用于：

获取各个小区的性能管理(PM，Performance Manage)数据，选出单日切换次数超过100次的小区，按照切换成功率及小区用户平均速率进行降序排列，选择前1000名的小区作为互操作优质小区。提取所有优质小区所在网格/区域，选出包含不低于5个优质小区的网格或不低于100个优质小区的区域。

针对所选网格或区域下的各个小区，获取用户级MDT数据、业务级语音业务、视频业务、网页浏览业务、游戏业务特征数据、小区级互操作性能数据、小区级工参数据及小区邻区列表信息，其中，用户级MDT数据对应用户级测量数据，业务级语音业务、视频业务、网页浏览业务、游戏业务特征数据对应用户级业务特征数据。

这里，数据融合模块，具体用于：

将全量小区两两配对，基于业务知识过滤掉明显不可能互配邻区的小区对，比如，过滤掉站间距高于3km或方向角相背的小区对，将剩余小区对作为模型训练所需的小区对。

在预设时间窗口如15分钟内，将各个第二小区的在各个采集窗口内的MDT等用户级测量数据进行统计合并，形成本小区信号强度以5dbm为步长，从高于-80dbm，[-85,-80]，[-90,-85]，…，[-115，-110]到低于-115dbm范围的分布特征、测量次数排名前3个频点的信号强度以5dbm为步长，从高于-80dbm，[-85,-80],[-90,-85],…,[-115，-110]到低于-115dbm范围的分布特征，以50×50米为范围的各个栅格编号下用户数量等特征。

在预设时间窗口如15分钟内，将各个第二小区的在各个采集窗口内的用户级业务特征数据即语音业务、视频业务、网页浏览业务、游戏业务对应的XDR数据进行统计合并，形成本小区各类业务次数、语音高丢包业务次数、视频卡顿次数、网页卡顿次数、游戏卡顿次数及栅格数、栅格编号列表特征。

在预设时间窗口如15分钟内，将各个第二小区的在各个采集窗口内的小区级互操作性能数据进行统计合并，得到互操作成功率、互操作次数等特征。

将划分后的互操作特征、业务特征、测量类特征、小区工参特征进行配对，作为模型训练数据中的特征信息。

这里，邻区关系纠偏模块，具体用于：

检测初始的邻区关系中第N个邻区关系是否满足预设邻区关系条件；

当检测第N个邻区关系未满足预设邻区关系条件时，修改所述第N个邻区关系；

以此类推，直至所述初始的邻区关系中各个邻区关系均满足预设邻区关系条件；将满足预设邻区关系条件的各个邻区关系作为所述邻区关系标签。

所述预设邻区关系条件可以是指：小区对间单日互操作次数高于30次且成功率低于90％或成功率升序排列后的前5％的小区对，互操作次数低于3次的小区对判定为错配小区。小区站间距低于500米且重叠覆盖面积占比均高于50％且未互配邻区的小区对判定为漏配小区。

模型输出模块，具体用于：

在得到在单个预设时间窗口内的所述各个第二小区之间的配对关系情况下，可以采用GBDT算法，提取单个时间窗内小区对间工参、互操作(只针对错配小区)、小区级测量及业务质量数据特征，使用结合注意力机制的二分类模型，完成在单个预设时间窗内的邻区关系预测的建模及结论输出。

可以理解的是，在得到在多个预设时间窗口内的所述各个第二小区之间的配对关系情况下，考虑到用户级测量数据、用户级业务特征数据及小区级互操作性能数据具有时序信息，因此，可以使用时序数据模型如LSTM网络，分析k个连续时间窗内的邻区关系结论，并输出最终邻区配置结论，例如，将单个小区所有待判断邻区关系邻区/待添加小区的邻区配置概率进行降序排序，选取前32个小区作为邻区列表输出。图4是LSTM网络的示意图。

需要说明的是，所述系统还可以包括特征工程模块，包括特征增强模块、特征筛选模块；其中，

特征增强模块，用于：将配对的互操作特征、业务特征、测量类特征、小区工参特征进行小区对级合并计算，产生与共覆盖、互操作相关的新特征。将产生的新特征作为模型训练所需的特征数据。

具体地，工参数据产生小区对方向角差值、重叠覆盖距离、站高差值、站间距等特征。互操作性能数据产生小区对间互操作次数占各自互操作次数总数比例及互操作成功率特征。小区测量数据产生小区对重叠覆盖面积占比、重叠覆盖用户占各自用户总数占比特征，重叠覆盖通过信号强度处于相同或相邻区间范围确定(若RSRP处于[-95，-90],[-90，-85]则是相邻范围)。业务特征数据产生小区对重叠覆盖栅格内语音高丢包业务次数、视频卡顿次数、网页卡顿次数、游戏卡顿次数及各类质差业务次数与各自小区内对应业务总数的占比。

特征筛选模块，用于：使用方差过滤、互信息过滤、相关性分析等手段，完成对邻区关系影响程度较小的特征数据的过滤。

也就是说，可以对在所述预设时间窗口内得到的与各个第二小区分别对应的特征数据进行过滤，或者，对在所述各个预设时间窗口内分别得到的与各个第二小区分别对应的特征数据进行过滤。

本示例中，具备以下优点：

(1)通过多种维度数据的综合利用，结合人工智能算法，分析建模，形成在单个预设时间窗内的邻区关系优化方案，能够提升在该场景下的邻区优化效果。

(2)通过多种维度数据的综合利用，结合人工智能算法，分析建模，形成在多个预设时间窗内的邻区关系优化方案，能够提升在该场景下的邻区优化效果。

为实现本发明实施例邻区关系预测方法，本发明实施例还提供一种邻区关系预测装置。图5为本发明实施例邻区关系预测装置的组成结构示意图，如图5所示，所述装置包括：

处理单元51，用于利用预先训练的目标模型对第一数据进行预测，得到邻区关系；所述第一数据包括各个第一小区的用户级测量数据、用户级业务特征数据、小区级互操作性能数据和小区级工参数据中至少之一；

其中，所述目标模型是基于第二数据和各个第二小区的邻区关系标签训练得到，所述第二数据包括各个第二小区的用户级测量数据、用户级业务特征数据、小区级互操作性能数据和小区级工参数据中至少之一。

在一实施例中，所述处理单元51，还用于：

获取所述第二数据和第三数据；所述第三数据包括各个第二小区的小区邻区列表信息；

利用所述第二数据，确定所述各个第二小区之间的配对关系；

利用所述第三数据，确定初始的邻区关系，并对所述初始的邻区关系进行纠偏，得到所述邻区关系标签；

将所述各个第二小区之间的配对关系和所述邻区关系标签作为训练数据，并将所述训练数据输入至预测模型进行训练，得到用于预测邻区关系的目标模型。

在一实施例中，所述处理单元51，具体用于：

在预设时间窗口内，对所述第二数据包括的各个第二小区的用户级测量数据、用户级业务特征数据、小区级互操作性能数据和小区级工参数据中至少一个进行统计，得到与各个第二小区分别对应的特征数据；

利用在所述预设时间窗口内得到的与各个第二小区分别对应的特征数据，确定在所述预设时间窗口内的所述各个第二小区之间的配对关系。

在一实施例中，

对各个第二小区的小区级工参数据进行统计，得到多个网络制式相同的特征数据；

或者，

对各个第二小区的小区级工参数据进行统计，得到多个网络制式不同的特征数据。

在一实施例中，所述处理单元51，具体用于：

在各个预设时间窗口内，分别对所述第二数据包括的各个第二小区的用户级测量数据、用户级业务特征数据、小区级互操作性能数据和小区级工参数据中至少之一进行统计，得到与各个第二小区分别对应的特征数据；

利用在各个预设时间窗口内分别得到的与各个第二小区分别对应的特征数据，确定在各个预设时间窗口内的所述各个第二小区之间的配对关系。

在一实施例中，所述处理单元51，具体用于：

检测初始的邻区关系中第N个邻区关系是否满足预设邻区关系条件；

当检测第N个邻区关系未满足预设邻区关系条件时，修改所述第N个邻区关系；

以此类推，直至所述初始的邻区关系中各个邻区关系均满足预设邻区关系条件；将满足预设邻区关系条件的各个邻区关系作为所述邻区关系标签；

其中，N＝1，…，M，M为大于1的正整数。

在一实施例中，所述处理单元51，还用于：

对预测得到的邻区关系中的小区对进行排序，得到排序结果；

利用所述排序结果中满足预设排序条件的小区对，生成小区邻区列表；

输出所述小区邻区列表。

实际应用时，所述处理单元51可以由邻区关系预测装置中的处理器实现。

需要说明的是：上述实施例提供的邻区关系预测装置在进行邻区关系预测时，仅以上述各程序模块的划分进行举例说明，实际应用中，可以根据需要而将上述处理分配由不同的程序模块完成，即将装置的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的邻区关系预测装置与邻区关系预测方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

本发明实施例还提供了一种通信设备，如图6所示，包括：

通信接口61，能够与其它设备进行信息交互；

处理器62，与所述通信接口61连接，用于运行计算机程序时，执行上述终端侧一个或多个技术方案提供的方法。而所述计算机程序存储在存储器63上。

需要说明的是：所述处理器62和通信接口61的具体处理过程详见方法实施例，这里不再赘述。

当然，实际应用时，通信设备60中的各个组件通过总线系统64耦合在一起。可理解，总线系统64用于实现这些组件之间的连接通信。总线系统64除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图6中将各种总线都标为总线系统64。

本申请实施例中的存储器63用于存储各种类型的数据以支持通信设备60的操作。这些数据的示例包括：用于在通信设备60上操作的任何计算机程序。

上述本申请实施例揭示的方法可以应用于所述处理器62中，或者由所述处理器62实现。所述处理器62可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过所述处理器62中的硬件的集成逻辑电路或者软件形式的指令完成。上述的所述处理器62可以是通用处理器、数字数据处理器(DSP，Digital SignalProcessor)，或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。所述处理器62可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的方法的步骤，可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储介质中，该存储介质位于存储器63，所述处理器62读取存储器63中的信息，结合其硬件完成前述方法的步骤。

在示例性实施例中，通信设备60可以被一个或多个应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，ProgrammableLogic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable Logic Device)、现场可编程门阵列(FPGA，Field-Programmable Gate Array)、通用处理器、控制器、微控制器(MCU，Micro Controller Unit)、微处理器(Microprocessor)、或者其他电子元件实现，用于执行前述方法。

可以理解，本申请实施例的存储器(存储器63)可以是易失性存储器或者非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，Erasable Programmable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，Electrically Erasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，ferromagnetic random access memory)、快闪存储器(FlashMemory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器(RAM，Random Access Memory)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM，Static Random Access Memory)、同步静态随机存取存储器(SSRAM，Synchronous Static Random Access Memory)、动态随机存取存储器(DRAM，Dynamic Random Access Memory)、同步动态随机存取存储器(SDRAM，Synchronous Dynamic Random Access Memory)、双倍数据速率同步动态随机存取存储器(DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory)、增强型同步动态随机存取存储器(ESDRAM，Enhanced Synchronous Dynamic Random AccessMemory)、同步连接动态随机存取存储器(SLDRAM，SyncLink Dynamic Random AccessMemory)、直接内存总线随机存取存储器(DRRAM，Direct Rambus Random Access Memory)。本申请实施例描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。

在示例性实施例中，本发明实施例还提供了一种存储介质，即计算机存储介质，具体为计算机可读存储介质，例如包括存储计算机程序的存储器，上述计算机程序可由通信设备60的处理器62执行，以完成前述终端侧方法所述步骤。计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、Flash Memory、磁表面存储器、光盘、或CD-ROM等存储器。

需要说明的是：“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

另外，本发明实施例所记载的技术方案之间，在不冲突的情况下，可以任意组合。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。