技术领域
[0001] 本
发明涉及一种智慧组网方法，具体是指一种用于5G系统的智慧组网方法。
背景技术
[0002] 未来5G的愿景对应于不同层次的高度异构网络，包括多个无线接入技术(RAT)，多个小区层，多个
频谱带，多种类型的设备和服务等。因此，整体RAN规划和优化构成5G概念成功关键点的过程将表现出极大的复杂性。
[0003] 而移动网络运营商面临的5G挑战非常关注如何平衡投资，即用户体验和盈利能
力。两个主要改进领域：(1)用于无线接入网(RAN)规划的方法，可节省大量资本支出(2)用于RAN优化的方法，可以节省大量的运营成本，鉴于对5G的网络效率要求，有必要重新审视RAN规划和优化的实际方法，形成超高效无线接入的愿景，充分利用包含知识和智能的认知能力，提高自动化程度，使网络更加自主，并在运营商的无线接入网上实现个性化的用户体验。
发明内容
[0004] 本发明为解决上述技术问题，提供了一种用于5G系统的智慧组网方法，其能够解决具有私有ME的情况下，GPON设备的成功对接问题。
[0005] 为了实现上述目的，本发明采取的技术方案如下：
[0006] 一种用于5G系统的智慧组网方法，具体包括如下步骤：
[0007] 步骤1、
数据采集和预处理：利用可用数据源获取并输入网络运维数据以及来自于运营商以外的数据；并利用
大数据分析工具对输入数据进行预处理；
[0008] 步骤2、知识发现：在
人工智能的知识发现阶段，提取不同级别的相关知识模型，并依靠
机器学习功能对输入数据进行挖掘；所述不同级别的相关知识模型包括小区级别模型、小区集群级别模型和用户级别模型。
[0009] 步骤3、知识开发：应用所获得的知识模型来驱动与自组织网络功能相关的行为的决策。
[0010] 进一步的，步骤1中，所述网络运维数据包括性能测量、网络计数器、用户特定数据、应用程序相关的数据中的一种或多种；
[0011] 所述来自于运营商以外的数据包括计划事件，天气预报等。
[0012] 进一步的，步骤2中所述的机器学习功能，具体包括以下方面：
[0013] 1、分类：查找描述和区分数据类/概念的模型或函数，获得分类器模型，然后使用所获得的分类器模型来确定对象所属的类；所述对象指要分类的实体，并由包括一组属性值的元组表示；
[0014] 所述分类器模型的获得过程为：首先假定可能的类是事先预定义的，然后，
监督学习算法，并通过算法分析获得与已知类相关联的一组训练元组，即获得分类器模型；
[0015] 2、预测：寻找预测某一参数未来值的模型，即
预测模型，并对输入数据进行趋势分析；
[0016] 所述预测模型进行趋势分析时，是根据四个主要组成部分对输入数据进行趋势分析的，所述的四个主要组成部分指的是：1)指示时间序列图在较长时间间隔内移动的一般方向的长期运动；2)指向关于振荡的周期性运动的周期运动趋势线；3)系统性或日历相关的季节性运动；4)由随机或偶然事件引起的时间序列的零星运动的不规则或随机运动；
[0017] 3、聚类:将一组对象进行分组，使同一集群中的对象彼此相似，而与其他集群中的对象不同。
[0018] 进一步的，小区级别模型的机器学习，具体包括以下机器学习模式：
[0019] 1、流量特征机器学习模式：
[0020] 其具体包括如下步骤：
[0021] 步骤(1)、流量表征：流量特征，从时域的
角度开看，定义了小区的流量如何随时间变化。
[0022] 首先以包括负载因子，用户总数，总
数据速率在内的不同方式测量流量，并且在服务
质量类之间聚合或分割流量，然后采用包括地理分布，流量负载，服务/应用、QoS等级、3D表征在内的不同术语进行流量表征，
[0023] 所述3D表征在考虑到位于室内并部署在
高层建筑中的多个小型小区的增殖情况下采用的流量表征方式；
[0024] 步骤(2)、基于人工智能的技术并利用过去的交互信息观察，提供如下信息：
[0025] a.学习时域中的流量行为：指的是识别在不同时间段捕获小区流量的模型，并且允许识别表现出类似流量
水平的时间段；
[0026] b.时域流量模式的分类：检测给定小区的流量演进中的时间相关性，识别不同级别的现有季节性并相应地对小区进行分类。
[0027] c.对未来流量的预测：提取预测模型以预测小区中流量演进的未来值。
[0028] d.聚类空间流量：目标是识别有限地理区域内的用户集中度。
[0029] e.学习移动模式：这旨在识别流量是否遵循小区内的某些特定移动模式，其可以根据
原型或许多用户所遵循的代表性轨迹来表征。
[0030] 2、性能特征机器学习模式：
[0031] 其具体包括如下步骤：
[0032] 步骤(1)、性能表征：对单元性能的评估涉及多个度量和关键性能指标，所述关键性能指标包括可
访问性KPI、移动性、QoS相关KPI和相关测量、资源利用相关测量和RF测量的指标；所述关键性能指标可以根据具体的性能标准按不同的类别进行组织；
[0033] 步骤(2)、基于所述关键性能指标的时间域和空间域分析提取额外的知识；所述额外的知识，具体包括如下：
[0034] a.学习性能指标的时域模式：通过描述给定性能指标的时间演化，识别出现有的隐藏模式；b.性能指标的预测:以过去对该指标的观测为
基础，但也可将过去对其他有关指标的观测作为附加特征，预测不同时间尺度下性能指标的未来值；
[0035] c.学习空间域黑点：在空间维度上对性能指标进行表征，确定未达到所需性能限制的特定领域；
[0036] 进一步的，用户级别模型的机器学习，具体包括以下内容：
[0037] 1、时域流量模式特征：反映单个用户在使用移动服务时的行为模式，即在不同时间段使用的服务类型或生成的流量，包括用户的时域流量模式的分类，通过利用学习用户的时间流量模式，识别时域流量规律，提取用户级别的预测模型以预测单个用户的服务需求。
[0038] 2、空间域流量模式表征：从空间角度捕获单个用户的行为模式，所述行为模式反映用户连接的小区的服务和应用程序的类型，以及用户在每个小区中生成的流量；通过分析用户在服务会话中连接到不同小区的顺序，可以提供有关用户所遵循的轨迹的信息，从而可以用来预测用户将连接到的下一个小区，检测用户一天中所遵循的原型轨迹。
[0039] 3、性能表征：性能表征标识了单个用户在不同KPI方面所经历的性能，所述性能包括接通率，掉话率，吞吐量，延迟等；通过用户体验到的性能与小区级别的性能之间的比较，作为判断是否需要执行特定操作的有用指标。
[0040] 6、根据
权利要求1～3任一项所述的一种用于5G系统的智慧组网方法，其特征在于，
[0041] 小区簇级别模型的机器学习，具体包括以下内容：
[0042] 小区簇聚类是指识别具有相似性的小区簇的过程，以便通过将小区簇作为一个整体来进行更有效的管理，小区簇模型可以捕获不同的视角；所述小区簇级别模型的机器学习具体包括如下方面：
[0043] 1、对具有相互作用的小区进行聚类，了解影响某一组小区的共性可以在区域级别上做出更有效的决策，无论是在规划还是优化，都是在小区簇上；所述相互作用指的是小区间的干扰、
覆盖重叠、相邻关系等，此外，在相互作用的小区之间，小区簇与小区之间的地理距离密切相关，需要考虑适当的集群大小或
指定集群边界。
[0044] 2、根据小区相似性的聚类过程可以基于不同的维度来完成：1)性能，提供类似可访问性，可保留性，QoSKPI等的组小区；2)流量特性，3)RF特性，具有相似接收功率分布，干扰等的组小区；流量或RF可以提供更详细的小区行为视图，从RF角度和类似流量类型识别类似的小区可以允许从一个小区到另一个小区的外推效应，在进行聚类时，每个单元都被视为一个对象，然后，
聚类算法将分析包括RF测量，流量模式，静态属性，用户级特征在内的功能，根据这些功能的相似性进行分组小区。
[0045] 与
现有技术相比，本发明所取得的有益效果如下：
[0046] 本发明通过将人工智能(AI)和SON功能引入到5G的组网中，实现了如
下管理和优化，比如：1)利用
感知技术进行网络
异常检测以实现网络的自修复；2)利用挖掘技术对网络业务进行分类分析；3)利用预测技术预测用户的移动趋势和业务量变化；4)利用推理技术配置一系列的参数以更好地适应业务。
[0047] 本发明通过将人工智能(AI)和SON功能引入到5G的组网中，能够将5G中SON范式的演变转变为更加主动的方法，能够利用运营商提供的大量数据，并结合来自最终用户体验和最终用户行为特征的其他维度，通过深入细致的了解整个
生态系统，了解隐藏的模式、数据结构和关系，从而实现超高效的管理和优化；在这方面，对网络及其用户的了解程度，是5G和传统系统之间的一个关键区别因素。
附图说明
[0048] 图1为本发明一个
实施例中一种用于5G系统的智慧组网方法的
流程图。
具体实施方式
[0049] 下面将结合附图对本发明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。
[0050] 图1示出了本发明一种用于5G系统的智慧组网方法的一个实施例，具体包括如下步骤：
[0051] 步骤1、数据采集和预处理：利用各种可用数据源获取并输入网络运维数据，比如性能测量，网络计数器、用户特定数据、应用程序相关的数据以及来自于运营商以外的数据，比如：计划事件，天气预报；并利用大数据分析工具(例如Hadoop)对输入数据进行预处理；
[0052] 在5G和大数据时代，远远超出传统系统中传统上使用的网络数据(例如性能测量，网络计数器等)，并且还考虑其他维度，例如用户特定数据，与应用程序相关的内容甚至是来自运营商的以外的数据(例如计划事件，天气预报等)；
[0053] 大数据分析工具(例如Hadoop)与5GSON生态系统的集成为在数据量方面实现更大规模的预处理和知识发现打开了大
门(例如，使用更大的训练集大小，属性数量，数据源等)，这得益于增强的采集，存储和处理能力。大数据分析对于利用用户级维度至关重要，这本身就需要管理大量数据。在这方面，应根据数据量，处理时间和数据种类，在5GSON要求的背景下分析现有大数据技术的适用性。
[0054] 步骤2、知识发现：在人工智能的知识发现阶段，提取不同级别的相关知识模型，并依靠机器学习功能对输入数据进行挖掘；所述不同级别的相关知识模型包括小区级别模型(包含每个小区基础上的条件特征)、小区集群级别模型(根据小区的相似性构建小区组的特征)和用户级别模型(包含单个用户经历的条件的特征)。
[0055] 机器学习的总体目标是建立
计算机系统，以适应和学习他们的经验。
[0056] 所述机器学习功能，具体包括如下几个方面：
[0057] 1、分类：查找描述和区分数据类/概念的模型或函数，获得分类器模型，然后使用所获得的分类器模型来确定对象所属的类；所述对象指要分类的实体，并通常由包括一组属性值的元组表示；
[0058] 所述分类器模型的获得过程为：首先假定可能的类是事先预定义的，然后，监督学习算法，并通过算法分析获得与已知类相关联的一组训练元组，即获得分类器模型；
[0059] 2、预测：寻找预测某一参数未来值的模型，即预测模型，并对输入数据进行趋势分析；
[0060] 所述预测模型进行趋势分析时，是根据四个主要组成部分对输入数据进行趋势分析的，所述的四个主要组成部分指的是：(1)指示时间序列图在较长时间间隔内移动的一般方向的长期运动，(2)指向关于振荡的周期性运动的周期运动趋势线，(3)系统性或日历相关的季节性运动，(4)由随机或偶然事件引起的时间序列的零星运动的不规则或随机运动。
[0061] 3、聚类:将一组对象进行分组，使同一集群中的对象彼此相似，而与其他集群中的对象不同。集群机制不依赖于一组预定义的类，但是这些类是通过
无监督学习过程获得的。
[0062] 下面以小区级别模型的机器学习、用户级别模型的机器学习和小区簇级别模型的机器学习对机器学习功能进行举例说明：
[0063] A、小区级别模型的机器学习：
[0064] 所述小区级别模型包括表征小区中现有条件的知识，具体包括以下机器学习模式：
[0065] 1、流量特征机器学习模式
[0066] 其具体包括以下步骤：
[0067] 步骤1-1、流量表征：流量特征，从时域的角度开看，定义了小区的流量如何随时间变化。
[0068] 首先以包括负载因子，用户总数，总数据速率在内的不同方式测量流量，并且在服务质量(QoS)类之间聚合或分割流量，然后采用包括地理分布，流量负载，服务/应用、QoS等级、3D表征在内的不同术语进行流量表征，
[0069] 所述3D表征在考虑到位于室内并部署在高层建筑中的多个小型小区的增殖情况下采用的流量表征方式；
[0070] 步骤1-2、基于人工智能的技术并利用过去的交互信息观察，提供如下信息：
[0071] a.学习时域中的流量行为：指的是识别在不同时间段捕获小区流量的模型，并且允许识别表现出类似流量水平的时间段；
[0072] b.时域流量模式的分类：检测给定小区的流量演进中的时间相关性，识别不同级别的现有季节性并相应地对小区进行分类。
[0073] c.对未来流量的预测：提取预测模型以预测小区中流量演进的未来值。这可以馈送关于规划的各种决策过程(例如，为了预测部署额外网络
节点的需要)和优化(例如，为了调整相邻小区中的切换参数以在预期小区被过载时吸收业务量)，主要取决于进行预测的时间尺度。
[0074] d.聚类空间流量(热点)：目标是识别有限地理区域内的用户集中度。
[0075] e.学习移动模式：这旨在识别流量是否遵循小区内的某些特定移动模式，其可以根据原型或许多用户所遵循的代表性轨迹来表征。
[0076] 2、性能特征机器学习模式：
[0077] 具体包括以下步骤：
[0078] 步骤2-1、性能表征：对单元性能的评估涉及多个度量和关键性能指标(KPI)，所述关键性能指标包括可访问性KPI、移动性、QoS相关KPI和相关测量、资源利用相关测量和RF测量的指标；所述关键性能指标可以根据具体的性能标准按不同的类别进行组织；
[0079] 步骤2-2、基于所述关键性能指标的时间域和空间域分析提取额外的知识；所述额外的知识，具体包括如下：
[0080] a.学习性能指标的时域模式：通过描述给定性能指标的时间演化，识别出现有的隐藏模式；如果只考虑连续几天/几周的聚合度量，这些模式将不会被发现。例如，如果小区中的掉线率在某些特定小时内超过了某些
阈值，并且这种情况具有一定的规律性，则可以自动检测到它，这意味着应该触发操作来优化这些特定小时的性能。
[0081] b.性能指标的预测:这涉及到预测模型的定义，以过去对该指标的观测为基础，但也可将过去对其他有关指标的观测作为附加特征，预测不同时间尺度下性能指标的未来值；例如，每个用户的吞吐量预测模型可以将
信号对用户所看到的噪声和干扰条件的观察结果以及资源使用情况作为输入。
[0082] c.学习空间域黑点：在空间维度上对性能指标进行表征，确定未达到所需性能限制的特定领域；例如呼叫掉线高度集中、吞吐量降低或信号强度低的黑点。
[0083] B、用户级别模型的机器学习：
[0084] 大数据和大数据分析技术为处理空前数量的数据提供的能力，将使未来5G网络的不同管理流程能够利用用户数据维度。除了支持相关业务流程,如客户体验管理、从描述中提取有价值的知识网络的使用由个人用户可以利用,不仅对提高网络的效率优化决策过程,也为更好的个性化网络服务提供不同的用户。显然，提取这些知识需要在用户个性化的可实现程度和与需要处理的海量数据相关的复杂性之间进行权衡。一般来说，上面描述的所有单元级模型都允许在用户级进行分解和分析。尽管如此，预期下列组成部分对用户一级的特征具有高度的兴趣和适用性。
[0085] 所述用户级别模型的机器学习，具体包括以下内容：
[0086] (1)时域流量模式特征：反映单个用户在使用移动服务时的行为模式，即在不同时间段使用的服务类型或生成的流量，包括用户的时域流量模式的分类(比如：主要在夜间使用流式服务，主要在中午使用Web导航等)，通过利用学习用户的时间流量模式，识别时域流量规律，提取用户级别的预测模型以预测单个用户的服务需求。
[0087] (2)空间域流量模式表征：从空间角度捕获单个用户的行为模式，所述行为模式反映用户连接的小区的服务和应用程序的类型，以及用户在每个小区中生成的流量。通过分析用户在服务会话中连接到不同小区的顺序，可以提供有关用户所遵循的轨迹的信息(例如，从家到办公室、从家到健身房等)，从而可以用来预测用户将连接到的下一个小区，检测用户一天中所遵循的原型轨迹，等等。
[0088] (3)性能表征：性能表征标识了单个用户在不同KPI方面所经历的性能，所述性能包括接通率，掉话率，吞吐量，延迟等；通过用户体验到的性能与小区级别的性能之间的比较，作为判断是否需要执行特定操作的有用指标，因为可能会发生整体小区性能足够但某个特定用户会重复受到糟糕性能影响的情况，从而可以触发操作以提高用户满意度。
[0089] C、小区簇级别模型的机器学习：
[0090] 小区簇聚类是指识别具有一定相似性的小区簇的过程，以便通过将小区簇作为一个整体来进行更有效的管理，而不是单独考虑每个小区；小区簇模型可以捕获不同的视角；
[0091] 其具体包括以下方面：
[0092] 1、对具有一定相互作用的小区进行聚类，了解影响某一组小区的共性可以在区域级别而不是在小区级别上做出更有效的决策，无论是在规划还是优化，都是在小区簇上；所述相互作用指的是小区间的干扰、覆盖重叠、相邻关系等，此外，在相互作用的小区之间，小区簇与小区之间的地理距离密切相关，需要考虑适当的集群大小或指定集群边界。
[0093] 2、聚类具有相似特征或相似行为的小区，无论它们是否位于紧密
位置。这种方法的合理性在于，对于一个小区学习的知识对于同一群集的其余小区是有效的。换句话说，SON功能可以从表现出类似行为的小区的知识中受益，因为对于一个小区而言被学习为好(坏)的动作对于相同聚类的其他小区也可以是好的(坏的)。
[0094] 根据小区相似性的聚类过程可以基于不同的维度来完成：(1)性能(例如，提供类似可访问性，可保留性，QoSKPI等的组小区)，(2)流量特性，(3)RF特性(例如具有相似接收功率分布，干扰等的组小区)。虽然基于性能的聚类可能导致高度聚合的视觉，但由于它将是多种不同效果的结果，因此聚类基于例如聚类。流量或RF可以提供更详细的小区行为视图，从RF角度和类似流量类型识别类似的小区可以允许从一个小区到另一个小区的外推效应。例如，在给定业务级别之前的小区的行为可以外推到具有相似特性的其他小区，因此可以预测这些小区在作为初始小区到达业务量时将如何表现。在进行聚类时，每个单元都被视为一个对象，然后，聚类算法将分析包括RF测量，流量模式，静态属性，用户级特征在内的功能，根据这些功能的相似性进行分组小区。具体地，分层方法可以是特别合适的，只要可能的簇的数量不是先验已知的，但是它必须从所涉及的单元的观察到的行为导出。
[0095] 步骤3、知识开发：知识开发阶段将应用所获得的知识模型来驱动与自组织网络功能相关的行为的决策。所述决策包括自规划、自优化和自我修复。
[0096] 所述自规划：在特定区域决定是否需要推出新的网络资源(例如，新单元、现有单元中的新组件载体)的过程的自动化，并为这些资源确定适当的配置和设置。
[0097] 所述自优化：当网络处于运行状态时，自优化包括通过优化不同的网络设置，在覆盖范围、容量和服务质量方面提高或保持网络性能的过程集。如移动负载平衡、移动健壮性优化、自动邻居关系、覆盖和容量优化、接纳控制和包调度优化、小区间干扰协调和节能。
[0098] 所述自我修复：与故障管理和故障纠正相关的过程的自动化，通常与
硬件或
软件问题相关，以保持网络的运行，同时等待更持久的解决方案来修复它或防止出现破坏性问题。自修复功能的例子包括小区停用检测和小区停用补偿。
[0099] 以上所述实施方式仅为本发明的优选实施例，而并非本发明可行实施的穷举。对于本领域一般技术人员而言，在不背离本发明原理和精神的前提下对其所作出的任何显而易见的改动，都应当被认为包含在本发明的权利要求保护范围之内。
