一种无线网络规划方法及装置与流程

1.本技术涉及通信技术领域，尤其涉及一种无线网络规划方法及装置。


背景技术：

2.在5g网络的高带宽、低时延和高可靠性的背景下，应运而生出许多对于时延敏感的业务。例如，超高清(ultra high definition，uhd)视频直播和云虚拟(cloud virtual reality，cloud vr)。针对此类业务，传统的基于覆盖率的无线网络规划方法与业务需求之间存在不一致性。因此，为了支撑时延体验评估与保障这些时延敏感的业务需求，亟需建立一套面向时延的无线网络自动化规划方案。
3.申请内容
4.本技术的实施例提供一种无线网络规划方法及装置，解决了面向时延指标的无线网络自动规划问题。
5.第一方面，本技术提供了一种无线网络规划方法，包括：获取无线网络的m个无线网络性能指标的多组指标值；其中，m为正整数，多组指标值中的一组指标值为一个时间窗口内的多个时刻对应的m个无线网络性能指标中各指标的值；根据多组指标值和多组指标值中每组指标值对应的时延状态，确定m个无线网络性能指标中各指标和时延状态的相关度；其中，多组指标值中任意一组指标值对应的时延状态为满足目标时延要求的状态或者不满足目标时延要求的状态；从m个无线网络性能指标中确定n个无线网络性能指标，其中，所述n个无线网络性能指标中每个无线网络性能指标的所述相关度满足要求，n为小于或等于m的正整数；根据时延状态确定n个无线网络性能指标的各指标的取值范围以规划所述无线网络。
6.在该方法中，首先获取影响无线网络时延的m个无线网络性能指标的多组指标值，然后根据多组指标值和多组指标值中每组指标值对应的时延状态，确定m个无线网络性能指标中各指标和时延状态的相关度，再基于相关度确定对该无线网络时延状态影响程度较大的n个无线网络性能指标，最后基于该n个无线网络性能指标规划无线网络，实现面向时延的无线网络自动规划，规划出符合目标时延要求的无线网络。
7.在一个可能的实现中，根据多组指标值和多组指标值中每组指标值对应的时延状态，确定m个无线网络性能指标中各指标和时延状态的相关度，包括：利用多组指标值和多组指标值对应的时延状态组成的多个第一训练样本对训练第一网络模型；根据训练后的第一网络模型确定m个无线网络性能指标中各指标与时延状态的基尼不纯度；其中，基尼不纯度表征相关度，一个第一训练样本对包括多组指标值中的一组指标值以及该组指标值对应的时延状态。
8.在一个可能的实现中，第一网络模型为决策树模型。
9.在一个可能的实现中，从所述m个无线网络性能指标中确定n个无线网络性能指标，其中，所述n个无线网络性能指标中每个无线网络性能指标的所述相关度满足要求，包括：根据基尼不纯度确定n个无线网络性能指标；其中，n个无线网络性能指标中各指标与时
延状态的基尼不纯度大于或等于阈值。确定出n个对该无线网络时延状态影响程度较大的无线无线网络性能指标后，再通过调整n个无线网络性能指标的取值到合适的范围即可规划出符合时延要求的无线网络。
10.在另一个可能的实现中，上述阈值为预设，例如该阈值可预设为0.001。
11.在另一个可能的实现中，根据所述时延状态确定n个无线网络性能指标的各指标的取值范围，包括：根据多组指标值中达标的至少一组指标值确定n个无线网络性能指标中各指标的取值范围，其中，达标的至少一组指标值对应的时延状态为满足目标时延要求的状态。
12.在另一个可能的实现中，该方法还包括：将多组指标值中的每组指标值输入无线网络的时延评估模型得到每组指标值对应的时延值；根据每组指标值对应的时延值是否满足目标时延要求确定每组指标值对应的时延状态，若是，则时延状态为不满足目标时延要求的状态，或者若否，则时延状态为满足目标时延要求的状态。本技术实施例通过训练无线网络的时延评估模型的方式获取时延值，解决了传统的时延值获取方式(通过ping获取时延)需要依赖tcp类具有响应机制的通信协议的问题，为面向无线网络时延的无线网络规划奠定了基础。
13.在另一个可能的实现中，时延评估模型为由多个第二训练样本对训练的第二网络模型，其中，多个第二训练样本对中的一个第二训练样本对由多个时间窗口中的一个时间窗口内的m个无线网络性能指标中各指标的指标值和该时间窗口对应的时延值构成。
14.在一个可能的实现中，第二网络模型为lstm模型。
15.在一个可能的实现中，上述时间窗口长度的取值范围为10-50s。
16.本技术实施例的方法基于lstm深度学习算法构建时延评估模型，利用lstm深度学习算法可有效学习无线网络性能指标的时间累积效应进而刻画出无线网络时延的累积效应，使时延值预测得更加准确和可以输出连续的时延值。
17.在另一个可能的实现中，m个无线网络性能指标是基于专家经验和数据统计分析确定的。
18.具体的，m个无线网络性能指标至少包括：覆盖状况指标、重传误码指标、信道调度指标、小区切换指标、与基站距离指标、拥塞指数指标中的一个或多个。
19.在另一个可能的实现中，采集无线网络的基站网管系统的chr中m个无线网络性能指标对应的无线网络性能指标打点数据；根据打点数据得到m个无线网络性能指标中各指标的值。本技术实施例通过从基站网管系统的chr获取无线网络性能指标打点数据得到m个无线网络性能指标中各指标的值，不需要重新打点且无需修改数据报文结构，方案部署成本低，应用场景不受限。
20.第二方面本技术还提供了一种无线网络规划装置，包括：获取模块，用于获取无线网络的m个无线网络性能指标的多组指标值；其中，m为正整数，多组指标值中的一组指标值为一个时间窗口内的多个时刻对应的m个无线网络性能指标中各指标的值；处理模块，用于根据多组指标值和多组指标值中每组指标值对应的时延状态，确定m个无线网络性能指标中各指标和时延状态的相关度；其中，多组指标值中任意一组指标值对应的时延状态为满足目标时延要求的状态或者不满足目标时延要求的状态；确定模块，从所述m个无线网络性能指标中确定n个无线网络性能指标，其中，所述n个无线网络性能指标中每个无线网络性
能指标的所述相关度满足要求，n为正整数，且n小于或等于m；规划模块，根据时延状态确定n个无线网络性能指标的各指标的取值范围以规划无线网络。
21.在另一个可能的实现中，上述处理模块具体用于：利用多个第一训练样本对训练第一网络模型,所述多个第一训练样本对中每个第一训练样本对包括所述多组指标值中的一组指标值以及所述一组指标值对应的时延状态；根据训练后的第一网络模型确定m个无线网络性能指标中各指标与时延状态的基尼不纯度；其中，基尼不纯度表征相关度。
22.在一个可能的实现中，第一网络模型为决策树模型。
23.在另一个可能的实现中，确定模块具体用于：根据基尼不纯度确定n个无线网络性能指标；其中，n个无线网络性能指标中各指标与时延状态的基尼不纯度大于或等于阈值。
24.在另一个可能的实现中，上述阈值为预设，例如该阈值可预设为0.001。
25.在另一个可能的实现中，规划模块具体用于：根据多组指标值中达标的至少一组指标值确定n个无线网络性能指标中各指标的取值范围，其中，达标的至少一组指标值对应的时延状态为满足目标时延要求的状态。
26.在另一个可能的实现中，无线网络规划装置还包括：时延状态确定模块，用于将多组指标值中的每组指标值输入无线网络的时延评估模型得到每组指标值对应的时延值；根据每组指标值对应的时延值是否满足目标时延要求确定每组指标值对应的时延状态，若是，则时延状态为不满足目标时延要求的状态，或者若否，则时延状态为满足目标时延要求的状态。
27.在另一个可能的实现中，时延评估模型为由多个第二训练样本对训练的第二网络模型，其中，多个第二训练样本对中的一个第二训练样本对由多个时间窗口中的一个时间窗口内的m个无线网络性能指标中各指标的指标值和上述一个时间窗口对应的时延值构成。
28.在一个可能的实现中，第二网络模型为lstm模型。
29.在一个可能的实现中，时间窗口长度的取值范围为10-50s。
30.在另一个可能的实现中，m个无线网络性能指标指标是基于专家经验和数据统计分析确定的。
31.具体的，m个无线网络性能指标至少包括：覆盖状况指标、重传误码指标、信道调度指标、小区切换指标、与基站距离指标、拥塞指数指标中的一个或多个。
32.在另一个可能的实现中，采集无线网络的基站网管系统的chr中m个无线网络性能指标对应的无线网络性能指标打点数据；根据打点数据得到m个无线网络性能指标中各指标的值。
33.第三方面，本技术还提供了一种无线网络时延评估方法，包括：获取无线网络的m个无线网络性能指标的多组指标值；其中，m为正整数，多组指标值中的一组指标值为一个时间窗口内的多个时刻对应的m个无线网络性能指标中各指标的值；将多组指标值中的每组指标值输入无线网络的时延评估模型得到每组指标值对应的时延值；其中，时延评估模型为由多个第二训练样本对训练的第二网络模型，其中，多个第二训练样本对中的一个第二训练样本对由多个时间窗口中的一个时间窗口内的m个无线网络性能指标中各指标的指标值和该时间窗口对应的时延值构成。
34.本技术提供的无线网络时延值评估方法，通过构建时延评估模型，无线网络性能
指标作为输入特征实现高效获取无线网络的时延值，解决无线网络的时延难以获取的问题。
35.在一个可能的实现中，上述第二网络模型为lstm模型。
36.在一个可能的实现中，上述时间窗口长度的取值范围为10-50s。
37.在另一个可能的实现中，m个无线网络性能指标是基于专家经验和数据统计分析确定的。
38.具体的，m个无线网络性能指标至少包括：覆盖状况指标、重传误码指标、信道调度指标、小区切换指标、与基站距离指标、拥塞指数指标中的一个或多个。
39.在另一个可能的实现中，采集无线网络的基站网管系统的chr中m个无线网络性能指标对应的无线网络性能指标打点数据；根据打点数据得到m个无线网络性能指标中各指标的值。
40.第四方面，本技术还提供了一种无线网络时延评估装置，包括：获取模块，用于获取无线网络的m个无线网络性能指标的多组指标值；其中，m为正整数，多组指标值中的一组指标值为一个时间窗口内的多个时刻对应的m个无线网络性能指标中各指标的值；时延评估模型生成模块，用于生成时延评估模型，其中，时延评估模型为由多个第二训练样本对训练的第二网络模型，其中，多个第二训练样本对中的一个第二训练样本对由多个时间窗口中的一个时间窗口内的m个无线网络性能指标中各指标的指标值和该时间窗口对应的时延值构成；输入模块，用于将多组指标值中的每组指标值输入无线网络的时延评估模型得到每组指标值对应的时延值。
41.在一个可能的实现中，上述第二网络模型为lstm模型。
42.在一个可能的实现中，上述时间窗口长度的取值范围为10-50s。
43.在另一个可能的实现中，m个无线网络性能指标是基于专家经验和数据统计分析确定的。
44.具体的，m个无线网络性能指标至少包括：覆盖状况指标、重传误码指标、信道调度指标、小区切换指标、与基站距离指标、拥塞指数指标中的一个或多个。
45.在另一个可能的实现中，采集无线网络的基站网管系统的chr中m个无线网络性能指标对应的无线网络性能指标打点数据；根据打点数据得到m个无线网络性能指标中各指标的值。
46.第五方面，本技术还提供了一种计算装置，包括存储器和处理器，存储器中存储有可执行代码，处理器执行所述可执行代码，可实现本技术第一方面提供的方法和/或第三方面提供的方法，容易理解的该计算装置可以为无线网络规划装置或无线网络时延评估装置。
47.第六方面，本技术还提供了一种计算机可读存储介质，其上存储有计算机程序，当计算机程序在计算机中执行时，令计算机执行本技术第一方面提供的方法和/或第三方面提供的方法。
48.第七方面，本技术还提供一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括指令，当该指令执行时，令计算机执行本技术第一方面提供的方法和/或第三方面提供的方法。
附图说明
49.图1为本技术实施例提供的一种无线网络规划系统的架构示意图；
50.图2为示出了本技术实施例提供的一种无线网络规划方法的流程图；
51.图3为本技术实施例提供的基于专家经验确定m个无线网络性能指标示意图；
52.图4为本技术实施例提供的决策树模型的结构示意图；
53.图5为本技术实施例提供的一种无线网络时延评估方法的流程图；
54.图6为本技术实施例提供的无线网络的时延评估模型学习过程示意图；
55.图7为本技术实施例提供的时延评估模型训练过程中损失函数示意图；
56.图8为本技术实施例提供的时延评估模型结构示意图；
57.图9为lstm模型的结构示意图；
58.图10为sigmoid函数示意图；
59.图11为本技术实施例提供的时延评估模型输出的时延值序列示意图；
60.图12为本技术实施例提供的无线网络规划装置的结构示意图；
61.图13为本技术实施例提供的无线网络时延评估装置的结构示意图；
62.图14为本技术提供的计算装置的结构示意图。
具体实施方式
63.下面通过附图和实施例，对本技术的技术方案做进一步的详细描述。
64.本技术实施例的一种无线网络规划方法及装置可以应用于各种无线通信网络系统，例如：全球移动通信(global system of mobile communication，gsm)系统、码分多址(code division multiple access，cdma)系统、宽带码分多址(wideband code division multiple access，wcdma)系统、通用分组无线业务(general packet radio service，gprs)、长期演进(long term evolution，lte)系统、lte频分双工(frequency division duplex，fdd)系统、lte时分双工(time division duplex，tdd)、通用移动通信系统(universal mobile telecommunication system，umts)或全球互联微波接入(worldwide interoperability for microwave access，wimax)通信系统或5g通信系统或未来的通信系统等。
65.图1示出了本技术实施例提供的一种无线网络规划系统的架构示意图。该架构示意图示出了，无线通信网络系统的无线接入网(radio access network,ran)系统1和与其通信连接的无线网络规划系统2，其中，无线接入网系统1包括若干基站(例如图中基站11、基站12
···
基站n)和用于管理基站的网管系统10。无线网络规划系统2与网管系统10交互。无线网络规划系统2包括时延评估装置21和无线网络规划装置22，时延评估装置21用于从网管系统10获取无线网络性能指标数据，根据该无线网络性能指标数据确定该无线网络的时延值；规划装置22用于基于无线网络性能指标数据来确定对无线网络时延状态影响程度较大的无线网络性能指标，并进一步根据这些无线网络性能指标确定使该无线网络满足目标时延要求的规划建议。
66.具体地，时延评估装置21用于从从网管系统10采集chr(call history record，呼叫历史记录)中的m个无线网络性能指标数据，m为正整数，根据m个无线网络性能指标数据确定该无线网络的时延值，并输出该时延值和将该时延值及m个无线网络性能指标数据发
送给无线网络规划装置22，无线网络规划装置22确定该时延值对应的时延状态，并根据多组m个无线网络性能指标数据及时延状态，确定对该无线网络时延状态影响程度较大的n个无线网络性能指标(n为小于等于m的正整数)，再根据n个无线网络性能指标输出使该无线网络满足目标时延要求的规划建议。
67.可以理解的是，该时延评估装置21和无线网络规划装置22可以是分体设置(例如为两个不同的物理实体或逻辑模块)，也可以为合体设置(例如为同一个物理实体或逻辑模块)，本技术不做限定。
68.当时延评估装置21和无线网络规划装置22为分体设置时，时延评估装置21可以设置于网管系统10内，例如时延评估装置21可以作为一个插件部署在网管系统10中，方便时延评估装置21从网管系统10中获取无线网络性能指标数据。时延评估装置21将根据无线网络性能指标得出的无线网络时延值发送给设置于网管系统10外的无线网络规划装置22，无线网络规划装置22可从网管系统10中或时延评估装置21获取上述无线网络性能指标数据，根据多组无线网络性能指标数据和无线网络时延值确定使该无线网络满足目标时延要求的规划建议。
69.当时延评估装置21和无线网络规划装置22为合体设置时，无线网络规划系统2可设置于网管系统10内，方便时延评估装置21和/或无线网络规划装置22从网管系统10中获取无线网络性能指标数据。无线网络规划系统2也可设置于网管系统10外部，无需对网管系统10作出改造，实现对现网结构的零改造。
70.当然，无线网络规划系统2也可以不包括时延评估装置21，无线网络规划装置22直接与网管系统10连接进行交互，获取多组无线网络性能指标数据及每组无线网络性能指标数据对应的时延值(例如时延值可以是测量得到或者通过ping值等方式获得)，基于该时延值确定时延状态，根据多组无线网络性能指标数据及每组无线网络性能指标数据对应的时延状态，确定对无线网络时延状态影响程度较大的无线网络性能指标，并进一步根据这些无线网络性能指标确定使该无线网络满足目标时延要求的规划建议。
71.图2示出了本技术实施例提供的一种无线网络规划方法的流程图。可以理解，该方法流程可以由上述无线网络规划系统来执行，可以理解的是，该无线网络规划系统可以为任何具有计算、处理能力的装置、设备、平台、设备集群。下面描述其中各个步骤的具体实施方式。
72.步骤201、获取无线网络的m个无线网络性能指标的多组指标值；其中，所述m为正整数，所述多组指标值中的一组指标值为一个时间窗口内的多个时刻对应的所述m个无线网络性能指标中各指标的值。
73.可基于专家经验和数据统计分析方法确定有可能影响无线网络时延的m个无线网络性能指标。
74.例如，基于专家经验确定7类无线网络性能指标，其具体项目如下表所述：
[0075][0076][0077]
基于专家经验和数据统计分析，可将频谱效率指标和数据信道状态指标构造出高阶的拥堵指数(ind
cong
)用于表征无线网络的拥堵状态。作为一种可能的实现方式，根据上述类别的无线网络性能指标确定其对应的m个无线网络性能指标，m个无线网络性能指标至少包括以下一项或多项：覆盖状况指标、重传误码指标、信道调度指标、小区切换指标、与基站距离指标、拥塞指数指标(如图3所示)。
[0078]
进一步地，无线网络规划装置从无线网络的基站网管系统的chr中采集m个无线网络性能指标对应的无线网络性能指标打点数据，从打点数据中获取m个无线网络性能指标的多组指标值，其中一组指标值为一个时间窗口内的多个时刻对应的m个无线网络性能指
标中各指标的值。
[0079]
例如，可采用滑动时间窗口的方法从无线网络性能指标打点数据获取多组数据，参见表一，一个时间窗口的长度可为10s，表一中的数据表示时间窗口内的多个时刻对应的m个无线网络性能指标中各指标的值。
[0080][0081][0082]
表一
[0083]
步骤s202、根据所述多组指标值和所述多组指标值中每组指标值对应的时延状态，确定所述m个无线网络性能指标中各指标和所述时延状态的相关度；其中，所述多组指标值中任意一组指标值对应的时延状态为满足目标时延要求的状态或者不满足目标时延要求的状态。
[0084]
在步骤201中得到了m个无线网络性能指标的多组指标值，该步骤中获得对应多组指标值中每组指标值的时延状态，可以理解的是，时延状态包括满足目标时延要求的状态或不满足目标时延的状态。其中，当无线网络的时延值小于或等于目标时延值时，则判断此时的时延状态为满足目标时延要求的状态，当无线网络的时延值大于目标时延值时，则判断此时的时延状态为不满足时延要求的状态。其中的时延值可以是测量得到或者通过获取网络的ping值得到或者通过计算预测得到，例如，可构建时延评估模型，将多组指标值中的每组指标值输入时延评述模型得到每组指标值对应的时延值。时延评估模型的具体构建和训练详见下文描述。
[0085]
需要解释的是，无线网络的m个无线网络性能指标的多组指标值中每组指标值的含义为：一个时间窗口内的多个时刻对应的m个无线网络性能指标中各指标的值。例如：当时间窗口长度为10s时，则每组指标值为10s内多个时刻对应的m个无线网络性能指标中各指标的值，即每组指标值为一个多维数组，具体可参见表一中的数据。而每组指标值对应的时延状态含义为：每组指标值所属的时间窗口对应的时刻的时延状态。
[0086]
可以理解的是，目标时延值可以为预设，例如目标时延值可以为sla时延保障指标的取值，sl时延保障指标为根据收集的用户对于无线网络时延的需求生成，例如用户需求为不希望网络时延大于40ms，则sla时延保障指标则为40ms。
[0087]
然后依据上述得到的多组指标值和多组指标值中每组指标值对应的时延状态，确
定m个无线网络性能指标中各指标和时延状态的相关度。相关度的计算方法有多种，例如，可采用基尼不纯度表征相关度，而基尼不纯度可采用网络模型计算得到，例如，先利用多组指标值和多组指标值对应的时延状态组成的多个第一训练样本对训练第一网络模型，再根据训练后的第一网络模型确定m个无线网络性能指标中各指标与时延状态的基尼不纯度。
[0088]
可选的，第一训练模型可以为决策树模型。
[0089]
具体的，为了计算方便可以将时延状态添加标签，满足目标时延要求的状态添加标签0，不满足目标时延要求的状态添加标签1。
[0090]
进一步地，利用多组指标值和与其对应的时延状态标签组成数据样本对，训练用于时延分析的决策树模型。进而利用训练好的决策树模型计算得到m个无线网络性能指标中每个指标的输入特征(这里需要解释的是m个无线网络性能指标中每个指标的输入特征表示对m个无线网络性能指标中每个指标的指标值的抽象，一个无线网络性能指标值是无线网络性能指标的输入特征的一个具体实例)相对于时延状态标签的基尼不纯度，基尼不纯度表示，时延状态标签和m个无线网络性能指标中每个指标的输入特征的相关度。如表二所示，表二中横轴表示m个无线网络性能指标，纵轴表示时间窗口，表格的填充值表示某个时刻，m个无线网络性能指标中某个无线网络性能指标与时延状态之间的基尼不纯度。最后一行表示m个无线网络性能指标中各个指标在时间窗口内与时延状态之间的平均基尼不纯度。
[0091]
也就是说，表二中的基尼不纯度包括两层含义：
[0092]
其中一层含义为：一个时间窗口(例如时间窗口长度为10s，即10s)内，不同时刻无线网络性能指标输入特征与该时间窗内的时延状态标签的相关度；
[0093]
另一层含义为：基于时间窗口内不同时刻的基尼不纯度，得到整个时间窗口的基尼不纯度(此处确定整个时间窗口的基尼不纯度的方法并非唯一，本技术实施例使用时间窗口内各时刻的基尼不纯度的平均值作为该时间窗口的基尼不纯度)。
[0094][0095]
表二
[0096]
决策树模型的具体结构参见图4，决策树模型包括根节点、叶节点和内部节点；其中，根节点是输入特征，例如输入特征为时间窗口内m个无线网络性能中各指标输入特征(input_feature＝time1_servingss-rsrp，
…
，time1_hanover_3,time2_serving ss-rsrp,
…
,time2_hanover_3,
…
,time10_serving ss-rsrp,
…
,time10_hanover_3)，输入实例为输入特征对应的样本实例，即m个无线网络性能指标中每个指标的指标值。叶节点是输出该输入实例对应的输出结果，即满足目标时延要求的状态标签0或不满足目标时延要求的状态标签1。内部节点是分支左右选择的判断条件，其判断条件为其中某一维特征的取值状态。例如，图4所示的树结构中，假设其中的内部节点的判断条件为time1_hanover_3《1，则左边叶节点输出结果为0。
[0097]
决策树模型的训练过程：
[0098]
根据大量的样本数据(第一训练样本对)，利用每一维度的特征(例如每个时刻的某个无线无线网络性能指标)的取值范围设定合理的判断条件(如何评判合理：即通过此条件可以减少不确定性，也就是之前说的基尼不纯度，通俗的解释就是，针对某一个无线网络性能指标，选择合理的分割点，使得最终的结果的分类正确率最好)，从而使得尽可能多的样本被正确的分类。在这个过程中，形成的一个个内部节点(决策条件)，与根节点和所对应的叶节点一起构成了决策树模型。
[0099]
训练得到分类正确率达到要求的决策树模型，则也得到了其内部节点的参数即为无线无线网络性能指标与时延状态的基尼不纯度。
[0100]
s203、从所述m个无线网络性能指标中确定n个无线网络性能指标，其中，所述n个无线网络性能指标中每个无线网络性能指标对应的所述相关度满足要求，所述n为正整数，且所述n小于或等于所述m。
[0101]
需要解释的是，n个无线网络性能指标中每个无线网络性能指标对应的所述相关度满足要求的含义为：n个无线网络性能指标中每个无线网络性能指标与时延状态的相关度大于阈值。从上一步骤s202中我们得到表征相关度的基尼不纯度，可根据基尼不纯度确定n个无线网络性能指标。一个示例中，筛选基尼不纯度大于阈值的无线网络性能指标，可选的，阈值可为0.001，即筛选出基尼不纯度大于0.001的无线网络性能指标，筛选出的无线网络性能指标即为n个无线网络性能指标。
[0102]
另一个示例中，利用硬阈值算法(例如阈值为0.001)，排除基尼不纯度比较低的无线网络性能指标输入特征；然后对筛选剩余的无线网络性能指标输入特征，按照升序的顺序，筛选前n个无线网络性能指标输入特征，例如n为3，则筛选前3个无线网络性能指标(升序排列中的无线网络性能指标)输入特征，如果特征个数不足三个，则全部筛选，筛选出的特征对应的无线网络性能指标即为n个无线网络性能指标。
[0103]
步骤s204、根据所述时延状态确定所述n个无线网络性能指标的各指标的取值范围以规划所述无线网络。
[0104]
统计n个无线网络统计在时延标签为0的条件下的联合分布情况(上述升序排列中的前3个无线网络性能指标的指标值公共取值范围)，从而得到无线网络规划建议。
[0105]
具体的，统计无线网络的m个无线网络性能指标的多组指标值中，升序排列中排序第一的无线网络性能指标的取值范围w1,升序排列中排序第二的无线网络性能指标的取值范围w2,升序排列中排序第三的无线网络性能指标的取值范围w3,将升序排列中的前3个无线网络性能指标的取值范围w1&w2&w3作为无线网络的规划建议输出，使无线网络规划装置至少根据升序排列中的前3个无线网络性能指标的取值范围w1&w2&w3规划无线网络得到符合目标时延要求的无线网络。
[0106]
在一个示例中，无线网络规划装置可以输出无线网络的规划建议(例如升序排列中的前3个无线网络性能指标的取值范围w1&w2&w3)、时延状态和/或时延分布，具体的时延状态获取方法参见上述步骤202，时延分布获取方法参见下文描述。
[0107]
本技术实施例还公开了一种无线网络时延评估方法，如图5所示，包括如下步骤：
[0108]
s801、获取无线网络的m个无线网络性能指标的多组指标值；其中，m为正整数，多组指标值中的一组指标值为一个时间窗口内的多个时刻对应的m个无线网络性能指标中各指标的值。
[0109]
具体的，无线网络的m个无线网络性能指标的多组指标值获取方法参见上述步骤201，此处不再赘述。
[0110]
步骤802、将多组指标值中的每组指标值输入无线网络的时延评估模型得到每组指标值对应的时延值；其中，时延评估模型为由多个第二训练样本对训练的第二网络模型，其中，多个第二训练样本对中的一个第二训练样本对由多个时间窗口中的一个时间窗口内的m个无线网络性能指标中各指标的指标值和该时间窗口对应的时延值构成。
[0111]
时延评估模型的学习的目的是基于大量已有的历史观测数据，利用第二网络模型获取无线网络的m个无线网络性能指标的多组指标值与时延值之间的映射关系。
[0112]
可选的，第二网络模型可以为lstm网络模型，将时延评估模型学习得到的lstm网络记为函数g(.)。时延评估模型学习的具体步骤如图6所示。
[0113]
步骤901：针对历史观测的无线网络性能指标数据和时延数据，进行数据清洗、特
征归一化处理。本实例中，数据清洗包括以下两步：
[0114]
(1)剔除异常数据值，例如剔除大于预设范围的值；
[0115]
(2)剔除数据缺失的输入特征样本。
[0116]
可以理解的是，特征归一化处理是指利用重新缩放归一化方法进行归一化处理，无线网络性能指标数据包括无线网络性能指标的指标值，时延数据包括时延值。
[0117]
步骤902：确定输入特征时间窗口长度n，即评估网络时延，所需要的无线网络性能指标数据的时间窗口。例如，假设时间窗口长度n＝10，表示使用时间窗口内1-10秒的无线网络性能指标的指标值，预测第10秒的时延值。在申请实施例中，时间窗口长度的取值范围在10-50s。
[0118]
步骤903：将历史观测数据中的ping时延数据为训练标签，均方误差函数作为损失函数。在本技术的实施例中，由于我们考虑评估无线网络的时延，因此在时延评估模型的学习中使用真实历史观测数据中的时延数据作为训练标签。另一方面，在本实施例中，由于我们利用lstm模型(常见的模型还有rnn(recurrent neural networks,循环神经网络)模型和hmm(hidden markov model,隐马尔科夫模型))构建回归模型，使用均方误差作为时延评估模型训练过程中的损失函数(常见的回归模型损失函数还有平均绝对误差(mae)和均方根误差(rmse))。损失函数是用于衡量模型训练的状态的。损失函数具体为：loss＝(label
delay-g(feature))2。
[0119]
步骤904：将历史观测到的无线网络性能指标数据和所对应的时延数据作为数据样本对，进行深度学习网络模型训练，等到损失函数收敛时，即得到训练好的时延评估模型。一个数据样本对由一个时间窗口内的m个无线网络性能指标中各指标的指标值和该时间窗口对应的时延值构成。例如，时间窗口长度n＝10s，数据样本对由连续10秒的无线网络性能指标数据和该连续10秒中第10秒对应的时延数据组成，又或者数据样本对由连续10秒的无线网络性能指标数据和该连续10秒中第5秒对应的时延数据组成。如图7所示，图7中横轴代表算法模型循环迭代的次数，纵轴表示损失函数，即模型评估时延与真实历史观测数据中时延之间的均方误差。如图7所示，当迭代次数小于150时，模型的损失函数处于波动状态，当迭代次数大于150时，模型的损失函数稳定收敛在0.06左右，表示模型达到最优解，即该模型已经训练好。
[0120]
图8为本技术实施例提供的时延评估模型结构示意图，如图8所示，时延评估模型至少包括4层，即输入层、长短期记忆层、注意力(attention)层、和输出层。
[0121]
可以理解的lstm(long short term memory)，即为长短期记忆网络，此类网络主要用来进行时序问题的预测。其算法原理是通过“门控制”单元，从而控制不同时刻的输入特征对于输出结果的影响。
[0122]
原来的深度学习时序预测算法(尤其是rnn)存在长期依赖问题，长期依赖产生的原因是当神经网络的节点经过许多阶段的计算后，之前比较长的时间片的特征已经被覆盖，例如，我们想预测语句“the cat，which already ate a bunch of food，was full”中的“full”之前系动词的单复数情况，显然full是取决于第二个单词“cat”的单复数情况，而非其前面的单词food。但是rnn的结构会随着时间片的增加丧失了学习如此远的信息的能力。
[0123]
而lstm模型是通过“门控制”单元，可以将不同时刻的输入特征保存，从而将其传
到输出端从而解决了模型的长期依赖问题。
[0124]
图9为lstm模型的结构示意图。图中的x
t-1
、x
t
、
…
x
t n
表示输入特征集合中的第t-1、t、
…
t n时刻所对应特征(即lstm网络的输入特征是多个时刻的特征组合并不是一个时刻的特征)，所对应的输出是h
t-1
、h
t
、h
t n
(即每一个时刻的输入特征都会对应一个输出结果，这个结果可以选择是否输出)。
[0125]
图9示出了lstm由多个lstm基本单元串联组成，其中，各个基本单元共享同一套网络。由图9可知，lstm由两条记忆线组成，即长期记忆c
t
和短期记忆h
t
。其中，长期记忆c
t
表示网络模型从之前的时间序列中学习到的状态，其状态更新公式如下所示：
[0126][0127]
上述公式由两部分组成，其中，f
t
×ct-1
部分表示长期记忆部分，其中的f
t
表示“遗忘门”，用来表示接受或者遗忘t-1时刻的记忆c
t-1
。在实施例中，其表示在预测t时刻的时延值时，需要获取或者遗忘的关于t-1时刻无线网络性能指标相关的记忆。其中遗忘门的实现原理如下：
[0128]ft
＝σ(wf·
[h
t-1
,x
t
] bf)
[0129]
σ＝sigmoid(
·
)
[0130]
公式中的wf表示权重参数，bf表示偏置。“遗忘门”的输入是此时刻的输入特征x
t
和上一时刻的预测时延h
t-1
决定的。在lstm模型中，sigmoid函数的取值会趋向于两个极端(0或者1)，如图10所示，从而起到控制单元的作用。在lstm模型中，表示模型会根据当前时刻的输入数据特征x
t
和上一时刻的预测输出时延结果h
t-1
一起决定，对于上一时刻长期记忆c
t
的取舍。
[0131]
部分表示基于当前时刻所学习到的新的记忆，并将这些记忆更新到长期记忆c
t
中。其原理如下所示，其中i
t
的实现方式和f
t
相同，表示一个门控制单元，代表是否需要将学习到的记忆更新到长期记忆当中，因此，也称作学习门。
[0132]it
＝σ(wi·
[h
t-1
,x
t
] bi)
[0133]
另外，学习到的记忆可表示为如下公式：
[0134][0135]
本算法方案中，这一部分表示是否将此时可学习到的无线网络性能指标特征与时延之间的关系，记录到长期记忆中。
[0136]
最后，lstm单元的输出，即本算法中每一时刻预测的时延可以表示为：
[0137]ht
＝o
t
×
tanh(c
t
)
[0138]ot
＝σ(wo·
[h
t-1
,x
t
] bo)
[0139]
输出由输出门(实现原理类似于遗忘门，因为控制输出结果，所以称为输出门)和本时刻的记忆c
t
共同决定，即表示本时刻的输出由当前时刻的输出特征x
t
和前一时刻的输出特征h
t-1
共同决定。
[0140]
综上所述，lstm模型可以根据数据的特点，学习到之前不同时刻的无线性能指标特征对于时延的影响(即长期记忆)，同时也可以训练出此时刻的无线网络性能指标特征对于时延值得影响。因此，基于lstm模型可以有效地学习不同无线网络性能指标的时间累积效应。
[0141]
而本技术实施例的时延评估模型的目的就是为了预测下一时刻的时延值，是一个典型的时间序列预测问题，因此可以用lstm模型构建时延评估模型。
[0142]
将lstm模型应用于本技术实施例构建并训练时延评估模型，则lstm层的输入数据为：时间窗口内的m个无线网络性能指标的指标值，即n秒内的m个无线网络性能指标的指标值，例如n取10，则为第1秒的m个无线网络性能指标的指标值、第2秒的m个无线网络性能指标的指标值、
…
、第10秒的m个无线网络性能指标的指标值，数据格式为10*m的数据矩阵,m表示每一秒特征的个数，即无线网络性能指标的个数。则lstm模型的输出数据为10秒钟每一秒的预测结果，数据格式为10*1的数据矩阵。注意力层相当于一个特征增强的网络，我们最终预测的结果是由lstm层的10秒钟数据的一种加权求和，注意力层的作用就是对10个数据进行一次再加权，将影响最终结果的因素的权重增大。最终时延评估模型输出的结果为第10秒的时延值。
[0143]
将连续时间窗口的m个无线网络性能指标的多组指标值输入时延评估模型，时延评估模型输出无线网络的时延值序列(如图11所示)，统计无线网络时延的分布情况得出无线网络的时延值分布情况。时延值的分布情况包括时延的均值和时延的尾部指数。(时延尾部指数：时延值出现大于某一固定阈值的概率。例如：时延值大于40ms的时延数据在总的时延数据中的比例为5％，即尾部指数为5％)。
[0144]
本技术实施例的一种无线网络规划方法，通过构建决策树模型和时延评估模型，使用已有chr无线网络性能指标打点数据作为输入特征，基于sla保障指标对无线网络进行规划无需对现有的网络节点和数据报文进行改造，实现了低成本的无线网络规划。同时，考虑到算法输入无线网络性能指标打点数据的普适性，本方案具有广泛的应用场景。另外，本方案在输出还包括时延状态及分布，可以用来分析无线网络中时延的统计特性，提高了方案的可扩展性。
[0145]
应理解，上述各步骤的序号的大小并不意味着执行顺序的先后，各步骤的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定，例如步骤902可以在步骤901之前执行，即先确定输入特征时间窗口长度，再进行数据清洗。
[0146]
上文中结合图1至图11，详细描述了无线网络规划方法和无线网络时延评估方法，下面将结合图12至图14，详细描述根据本技术实施例的无线网络规划装置及时延评估装置。
[0147]
图12为本技术实施例提供的无线网络规划装置22的结构示意图。如图12所示，无线网络规划装置22包括：
[0148]
获取模块221，用于获取无线网络的m个无线网络性能指标的多组指标值；其中，所述m为正整数，所述多组指标值中的一组指标值为一个时间窗口内的多个时刻对应的所述m个无线网络性能指标中各指标的值；
[0149]
处理模块222，用于根据所述多组指标值和所述多组指标值中每组指标值对应的时延状态，确定所述m个无线网络性能指标中各指标和所述时延状态的相关度；其中，所述多组指标值中任意一组指标值对应的时延状态为满足目标时延要求的状态或者不满足目标时延要求的状态；
[0150]
确定模块223，从所述m个无线网络性能指标中确定n个无线网络性能指标，其中，所述n个无线网络性能指标中每个无线网络性能指标的所述相关度满足要求，所述n为正整
数，且所述n小于或等于所述m；
[0151]
规划模块224，根据所述时延状态确定所述n个无线网络性能指标的各指标的取值范围以规划所述无线网络。
[0152]
在一个示例中，所述处理模块具体用于：
[0153]
利用多个第一训练样本对训练第一网络模型,所述多个第一训练样本对中每个第一训练样本对包括所述多组指标值中的一组指标值以及所述一组指标值对应的时延状态；
[0154]
根据训练后的所述第一网络模型确定所述m个无线网络性能指标中各指标与所述时延状态的基尼不纯度；其中，所述基尼不纯度表征所述相关度。
[0155]
在一个示例中，所述确定模块具体用于：
[0156]
根据所述基尼不纯度确定所述n个无线网络性能指标；其中，所述n个无线网络性能指标中各指标与所述时延状态的基尼不纯度大于或等于阈值。
[0157]
在一个示例中，所述规划模块具体用于：
[0158]
根据所述多组指标值中达标的至少一组指标值确定所述n个无线网络性能指标中各指标的取值范围，其中，所述达标的至少一组指标值对应的时延状态为满足目标时延要求的状态。
[0159]
在一个示例中，所述无线网络规划装置还包括：
[0160]
时延状态确定模块，用于将所述多组指标值中的每组指标值输入所述无线网络的时延评估模型得到所述每组指标值对应的时延值；
[0161]
根据所述每组指标值对应的时延值是否满足目标时延要求确定所述每组指标值对应的时延状态，若是，则所述时延状态为不满足目标时延要求的状态，或者若否，则所述时延状态为满足目标时延要求的状态。
[0162]
在另一个示例中，所述时延评估模型为由多个第二训练样本对训练的第二网络模型，其中，所述多个第二训练样本对中的一个第二训练样本对由多个时间窗口中的一个时间窗口内的m个无线网络性能指标中各指标的指标值和所述一个时间窗口对应的时延值构成。
[0163]
在另一个示例中，所述第二网络模型为lstm模型。
[0164]
在另一个示例中，所述m个无线网络性能指标至少包括：覆盖状况指标、重传误码指标、信道调度指标、小区切换指标、与基站距离指标、拥塞指数指标中的一个或多个。
[0165]
该装置中的各功能模块的功能，可以通过图1至图11中所示实施例中的装置所执行的各步骤来实现，因此，本技术实施例提供的装置的具体工作过程，在此不复赘述。
[0166]
图13为本技术实施例提供的时延评估装置21的结构示意图。如图13所示，时延评估装置21包括：
[0167]
获取模块211，用于获取无线网络的m个无线网络性能指标的多组指标值；其中，m为正整数，多组指标值中的一组指标值为一个时间窗口内的多个时刻对应的m个无线网络性能指标中各指标的值；
[0168]
模型生成模块212，用于生成时延评估模型，其中，时延评估模型为由多个第二训练样本对训练的第二网络模型，其中，多个第二训练样本对中的一个第二训练样本对由多个时间窗口中的一个时间窗口内的m个无线网络性能指标中各指标的指标值和该时间窗口对应的时延值构成；
[0169]
输入模块213，用于将多组指标值中的每组指标值输入无线网络的时延评估模型得到每组指标值对应的时延值；
[0170]
输出模块214，用于将时延评估模型得到的每组指标值对应的时延值输出。
[0171]
在一个示例中，上述第二网络模型为lstm模型。
[0172]
在一个示例中，上述时间窗口长度的取值范围为10-50s。
[0173]
在一个示例中，m个无线网络性能指标是基于专家经验和数据统计分析确定的。
[0174]
具体的，m个无线网络性能指标至少包括：覆盖状况指标、重传误码指标、信道调度指标、小区切换指标、与基站距离指标、拥塞指数指标中的一个或多个。
[0175]
在一个示例中，采集无线网络的基站网管系统的chr中m个无线网络性能指标对应的无线网络性能指标打点数据；根据打点数据得到m个无线网络性能指标中各指标的值。
[0176]
该装置中的各功能模块的功能，可以通过图1至图11中所示实施例中的装置所执行的各步骤来实现，因此，本技术实施例提供的装置的具体工作过程，在此不复赘述。
[0177]
需要解释的是本技术实施例提供的无线网络规划方法及无线网络规划装置、无线网络时延评估方法及时延评估装置可应用于异构无线网络或非异构无线网络。
[0178]
本技术还提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行上述任一项方法。
[0179]
本技术还提供一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括指令，当该指令执行时，令计算机执行上述任一项方法。
[0180]
图14为本技术提供的计算装置的结构示意图。该计算装置140可以为上述的无线网络规划装置或者无线网络时延评估装置，该计算装置140可以包括处理器142、存储器143以及总线141。装置140中的处理器142、存储器143、可以通过总线141建立通信连接。
[0181]
处理器142可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)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。通用处理器可以是微处理器或者任何常规的处理器等。
[0182]
该总线141除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图14中将各种总线都标为总线。
[0183]
存储器143可以包括易失性存储器(volatile memory)，例如随机存取存储器(random-access memory，ram)；存储器143也可以包括非易失性存储器(non-volatile memory)，例如只读存储器(read-only memory，rom)，快闪存储器，硬盘(hard disk drive，hdd)或固态硬盘(solid state drive，ssd)；存储器143还可以包括上述种类的存储器的组合。
[0184]
处理器142，用于与存储器143耦合，以及读取并执行存储器143中的指令；当处理器142运行时执行上述指令，使得处理器142实现上述无线网络规划装置和/或者时延评估装置的功能，和上述无线网络规划方法和/或时延评估方法。
[0185]
可以理解的是，图14仅仅示出了计算装置的简化设计。在实际应用中，计算装置还可以包含任意数量的处理器，控制器，显示屏，存储器等。
[0186]
本领域普通技术人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的模块、单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，
为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执轨道，取决于技术方案的特定应用和设计约束条件。本领域普通技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0187]
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执轨道的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
[0188]
以上所述的具体实施方式，对本技术的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本技术的具体实施方式而已，并不用于限定本技术的保护范围，凡在本技术的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。