本文版权为《邮电设计技术》所有,如需转载请联系《邮电设计技术》编辑部
摘要:针对现有邻区优化方式的不足,基于现网数据引入XGBoost机器学习回归预测算法,通过学习具有自动邻区关系网络的两两小区切换占比建立预测模型,优化非自动邻区关系网络小区邻区关系。研究结果表明,基于AI算法的无线网络邻区关系优化能有效提高邻区优化效率,提升邻区关系的准确性。
关键词:XGBoost算法;小区切换占比预测;邻区优化;网络优化
doi:10.12045/j.issn.1007-3043.2021.05.015
前言
在无线网络优化工作中,邻区优化是降低掉话率、提升移动网络质量、改善用户感知的最基本且最有效的手段。目前基站邻区优化有2种方式:自动邻区关系(ANR)和非自动邻区关系(下文简称非自动邻区关系网络为传统网络)。具备自动邻区关系的网络可自动优化邻区关系,不需人工干预;传统网络邻区关系需优化人员手工优化。这些网络邻区的数目众多,优化工作量非常大;需要优化邻区的确定与个人优化经验有很大的关系,稍有不慎就可能造成邻区漏配或冗余邻区,存在较大的优化风险。规避上述问题,提高邻区优化的效率和精度已成为网络优化的关键。考虑到在ANR网络中,自动邻区关系已成为小区SON功能的标配,无需人员操作网络便可自动识别和添加邻区,如何利用ANR邻区关系来优化传统网络邻区已成为网络运营智能化的重要课题。
机器学习技术作为人工智能的重要组成部分,是国家发展战略重点扶持的目标和当下各行业关注应用的焦点。为了推动传统网络邻区优化的智能化,提升网络运营智能化水平,特开展基于机器学习算法的邻区关系优化的研究。