采用集成回歸系統(tǒng)檢測lte網(wǎng)絡(luò)性能的方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及一種檢測LTE網(wǎng)絡(luò)性能的方法，尤其是設(shè)及一種采用集成回歸系統(tǒng)檢 ^ULTE網(wǎng)絡(luò)性能的方法。
【背景技術(shù)】
[0002] 近年來，隨著LTE無線網(wǎng)絡(luò)的快速發(fā)展，通信數(shù)據(jù)的產(chǎn)生及獲取也隨之蓬勃發(fā)展起 來。除了對此數(shù)據(jù)流的存儲和管理，一個較大的挑戰(zhàn)是如何利用此數(shù)據(jù)更好地服務(wù)通信網(wǎng) 絡(luò)。因此，通過將數(shù)據(jù)轉(zhuǎn)換為相應(yīng)的網(wǎng)絡(luò)指標來評估網(wǎng)絡(luò)性能和用戶體驗質(zhì)量(QoE)成為最 終目標。通過分析，由于較大值的空口時延將影響網(wǎng)絡(luò)接收質(zhì)量W及增加網(wǎng)絡(luò)干擾，運對用 戶感知體驗具有較為直接的影響，因此將空口時延作為一個核屯、指標。一般情況下，空口時 延是通過軟采獲取，但是軟硬件投入成本較高，不具備全面推廣條件。
[0003] 對于移動通信業(yè)務(wù)而言，最重要的時延是端到端時延，即對于已經(jīng)建立連接的收 發(fā)兩端，數(shù)據(jù)包從發(fā)送端產(chǎn)生，到接收端正確接收的時延。根據(jù)業(yè)務(wù)模型不同，端到端時延 可分為單程時延和回程時延，其中單程時延指數(shù)據(jù)包從發(fā)射端產(chǎn)生經(jīng)過無線網(wǎng)絡(luò)正確到達 另外一個接收端的時延，回程時延指數(shù)據(jù)包從發(fā)射端產(chǎn)生到目標服務(wù)器收到數(shù)據(jù)包并返回 相應(yīng)的數(shù)據(jù)包直至發(fā)射端正確接收到應(yīng)答數(shù)據(jù)包的時延。
[0004] 現(xiàn)有的移動通信主要是人與人之間的通信，隨著硬件設(shè)備的小型化和智能化，未 來的移動通信更多"人與物"及"物與物"之間的高速連接應(yīng)用。機器通信(Machine Type Communication, MTC)業(yè)務(wù)應(yīng)用范圍非常廣泛，如移動醫(yī)療、車聯(lián)網(wǎng)、智能家居、工業(yè)控制、環(huán) 境監(jiān)測等將會推動MTC系統(tǒng)應(yīng)用爆發(fā)式增長，大量設(shè)備將接入網(wǎng)絡(luò)，實現(xiàn)真正的"萬物互 聯(lián)"，為移動通信帶來無限生機。同時，廣泛的MTC系統(tǒng)應(yīng)用范圍也會給移動通信帶來新的技 術(shù)挑戰(zhàn)，例如實時云計算、虛擬現(xiàn)實、在線游戲、遠程醫(yī)療、智能交通、智能電網(wǎng)、遠程實時控 制等業(yè)務(wù)對時延比較敏感，對時延提出更高的需求。
[000引因此，需要研究出一種檢測方法，分析和推斷出用戶級的空口時延，從而使移動運 營商識別出較高空口時延的問題小區(qū)，進而通過優(yōu)化問題小區(qū)提高LTE網(wǎng)絡(luò)服務(wù)質(zhì)量。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的是提供一種用集成回歸系統(tǒng)檢測LTE網(wǎng)絡(luò)性能的方法W解決使移動 運營商識別出較高空口時延的問題小區(qū)，進而通過優(yōu)化問題小區(qū)提高LTE網(wǎng)絡(luò)服務(wù)質(zhì)量的 問題。
[0007] 本發(fā)明的技術(shù)解決方案是：
[0008] 采用集成回歸系統(tǒng)檢測LTE網(wǎng)絡(luò)性能的方法，包括W下步驟：
[0009] (1)樣本數(shù)據(jù)集的收集:對LTE網(wǎng)絡(luò)的接收指標數(shù)據(jù)及網(wǎng)絡(luò)各階段空口時延進行捜 集形成樣本數(shù)據(jù)集，并將所述樣本數(shù)據(jù)集分成訓(xùn)練集和測試集；
[0010] 其中，訓(xùn)練集用于發(fā)現(xiàn)接收指標和空口時延之間的預(yù)測關(guān)系；測試集用于檢測基 于訓(xùn)練集所得出的模型預(yù)測關(guān)系的準確性；
[0011] (2)在所述訓(xùn)練集的操作過程中，通過建立的模型，利用接收指標預(yù)測空口時延， 采用回歸算法分別在特定子集上對訓(xùn)練集中的樣本進行預(yù)測；
[0012] (3)通過比較上述步驟(2)中模型獲取的預(yù)測值與真實的空口時延值，推導(dǎo)出訓(xùn)練 集中每個樣本的誤差值W及回歸算法的誤差；
[0013] 其中，對于回歸算法J，訓(xùn)練集中的列誤差值則被稱為誤差J;
[0014] (4)采用分析方法將回歸算法中的誤差進行加權(quán)處理，通過加權(quán)回歸組合構(gòu)成集 成回歸預(yù)測模型；
[0015] (5)將步驟(4)中的集成回歸算法運用于測試集，檢測基于訓(xùn)練集所得出的模型預(yù) 測關(guān)系的準確性。
[0016] 進一步地，所述步驟(1)中接收指標數(shù)據(jù)的接收指標包括參考信號接收功率RSRP， 參考信號接收質(zhì)量RSRQ，信號與干擾加噪聲比SINR，物理上行共享信道上的物理資源塊 PUSCH-PRB和物理下行共享信道上的物理資源塊PDSCH-PRB。
[0017] 進一步地，在步驟(2)中采用八種不同的回歸算法分別在特定子集上對訓(xùn)練集中 的樣本進行預(yù)測，分別是線性回歸，二階多項式回歸，S階多項式回歸，嶺回歸，LASSO回歸， Elastic回歸，GAM回歸和MARS回歸；
[0018] 其中，所述線性回歸給出W下公式(1):
[0019] E(y) =00+01X1+. . .+PdXd (1)，式中E(y)代表預(yù)測值，y代表假設(shè)空口時延， XI，...，xd代表接收指標;該模型中，響應(yīng)變量y服從高斯分布，運用最小二乘法可W直接計 算獲取相應(yīng)的擬合系數(shù)階，...，抗；
[0020] 所述二階多項式回歸算法先計算每個指標集的一次、二次正交多項式，從而獲得 2D形式，W2D+1項參數(shù)進行模型擬合；
[0021] 所述=階多項式回歸算法，在變量的選取時，正交多項式的次數(shù)選取從1次到3次， 從而減少了預(yù)測模型的約束；
[0022] 所述嶺回歸算法給出W下公式(2):
[0023] Hss,參i :簽t (縣，式中算法通過增加懲罰系數(shù)，對系數(shù)00, ...，0d進行限 審Ij，成為收縮，從而找到最小二乘估計量的最小方差，其中參數(shù)t根據(jù)E.Cule和M.De Iorio 基于控制預(yù)測值方差所提出的理論進行自動選取，k代表第k個系數(shù)。k的范圍從1，2,3,...， d;
[0024] 所述LASSO回歸算法給出W下公式(3):
[002引 Ii續(xù)1?(茲:￡: 紋》>式中的約束函數(shù)限制了回歸系數(shù)的絕對值之和，除去 常系數(shù)，t值是自動選取的；
[0026] 所述ElastiC回歸算法給出W下公式(4):
式中的約束函數(shù)是對所述嶺回歸算法 和所述LASSO回歸算法中的約束函數(shù)進行正則化的線性組合，其中，a為l/2，t值是自動選取 的；
[0028] 所述GAM回歸算法給出W下公式(5):
[0029] g巧(y))=階+fi(xi) + . . .+fd(xd) (5)，式中g(shù)表示廣義線性聯(lián)系函數(shù)，fi，. . .，fd 表示輸入變量間的非線性聯(lián)系，抗為常數(shù)項，XI，. . .，Xd是從五個接收指標中獲取的數(shù)據(jù)；
[0030] 所述MARS回歸算法給出W下公式(6):
[0031 ] X一max(0，x-c)or X一max(0，C-x);CeR (6)，在MARS回歸中，回歸被擬合成一 個較鏈函數(shù)的線性組合。
[0032] 進一步地，在所述步驟(2)中，訓(xùn)練集上的計算都是通過逐步回歸完成的，通過找 到合適的權(quán)重。
[0033] 進一步地，在步驟(4)中，利用步驟(3)中得到的列誤差來推斷權(quán)重，利用權(quán)重優(yōu)化 模型的方法給出了 W下公式(7):
<7^其中Wl. . .W2通過最小化加權(quán)最小二乘法和限制 總權(quán)重計算得出。
[0035] 進一步地，在所述步驟(4)推斷權(quán)重的過程中，對于約束條件給出了 W下公式(8):
[0036] If=左視玉 （8)。
[0037] 進一步地，在所述步驟(5)中，將測試集中所獲得的預(yù)測值與已知的真實空口時延 值進行比較，并給出了公式(9)得出誤碼率Etest;
C9)，為了確認所述步驟(4)中得到的集成回 歸預(yù)測模型的穩(wěn)定性和準確度，需要進行各種不同的比較，首先，將相同的誤碼率在訓(xùn)練集 上執(zhí)行，得到一個誤碼率etrsin，若Etest和Etrsin之間差異較小，則表明沒有出現(xiàn)過擬合，運意 味著集成回歸預(yù)測模型的穩(wěn)定性;其次，在測試集上計算得出每種回歸算法的預(yù)測值，