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：利用机器学习算法（包括 4种监督学习算法以及 2种无监督学习算法），使用某县移动 4G小区的工参数据，预测候选邻区是否应该添加为邻区。通过仿真分析，监督学习算法的召回率、准确率和精确率均达到 82% 以上，且随着样本数增多，算法性能进一步提升，当样本数大于 4 702条时，召回率达到 87% 以上。而非监督学习算法的召回率不足20%，因此基于监督的机器学习算法在邻区规划问题上性能更好，可用于邻区规划。
关键词：机器学习；监督学习；无监督学习；邻区规划
doi：10.12045/j.issn.1007-3043.2022.07.005
邻区规划概述
网络通过切换过程实现接入用户的移动性管理。当用户在业务进行过程中到达小区边界，需要切换到相邻小区以保证业务性能。合理地配置邻区关系，可以降低切换失败的概率。
NR 的每个频点上都可以有多个小区，将所有的小区都配置为邻区是不现实的，一方面基站产品对邻区个数存在限制，另一方面，邻区关系做的过多，则导致测量报告的精确性降低，容易造成频繁切换、乒乓切换等问题。但是邻区关系做的太少，会造成大量掉话，在实际的邻区规划中要根据具体情况实施合理的邻区规划。
对于邻区规划，现网的主要方案是自动邻区关系（Automatic Neighbor Relations，ANR）。ANR 方案基于用户的测量上报、切换请求等来管理邻区关系。用户通过测量报告上报邻区物理小区标识后，如果服务小区所在基站发现用户上报的小区不在邻区关系表中，则会通过无线资源控制重配置消息指示用户读取该小区的全球小区标识（Global Cell Identity，GCI）。基站获取到用户上报的 GCI 之后，即得知该小区的基本信息，会将该小区加入到邻区关系表。一般读取 GCI 的时间较长，因此基站需要调度合适的间隙使用户读取邻区的广播信道，以获取GCI。在建网之初，需要添加大量的邻区关系，那么用户需要读取多个小区的CGI，会带来切换延迟。
若在建网之初，对邻区做一次预规划，即静态地规划一些邻区，当网络运行后，再由 ANR 算法进行动态地微调，则网络性能会更好。本文提出使用机器学习算法来对区域内的多个候选小区进行邻区预规划，并使用了监督的机器学习和无监督的机器学习方法，将邻区规划转换为分类问题进行预测。方法整体流程如下（见图1）
图1 基于机器学习的邻区规划流程
a）数据预处理，即构造样本集的特征属性。
b）选择机器学习算法进行数据训练。
c）输出预测结果。
