无线网络优化方法、网络设备及计算机可读存储介质与流程

1.本发明实施例涉及但不限于通信领域，具体而言，涉及但不限于一种无线网络优化方法、网络设备及计算机可读存储介质。


背景技术：

2.相关技术中，对于无线网络的性能优化大多是基于人为设定的专家规则，依靠专家规则制定调整规则进行相应的参数调整动作，达到无线网络性能优化的目的。例如，对于无线网络的网络容量优化，就是基于预先制定好的调整规则对配置参数进行修改，达到调整参数优化网络容量的目的。这类方法的缺点是完全依靠既定规则，如果规则设定得不好就会直接影响无线网络性能优化的效果；另外，当现网环境变化时，设定的规则可能不能适应该变化而进一步导致优化效果变差。


技术实现要素：

3.本发明实施例提供的一种无线网络优化方法、网络设备及计算机可读存储介质，主要解决的技术问题是：解决相关技术中对无线网络性能的优化效果差以及自适应性差的问题。
4.为解决上述技术问题，本发明实施例提供一种无线网络优化方法，包括：
5.获取待调整的目标小区对的性能指标；
6.将所述性能指标作为性能优化模型的输入，输入所述性能优化模型得到所述目标小区对的配置参数；
7.根据所述配置参数对所述目标小区对中的至少一个目标小区进行优化调整；
8.所述配置参数为影响所述性能指标的参数，所述性能优化模型为根据所述无线网络中的小区的历史性能指标和所述历史性能指标对应的历史配置参数训练得到的。
9.本发明实施例还提供一种网络设备，包括处理器、存储器及通信总线；
10.所述通信总线用于实现处理器和存储器之间的连接通信；
11.所述处理器用于执行存储器中存储的一个或者多个计算机程序，以实现如上所述的无线网络优化方法的步骤。
12.本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个计算机程序，所述一个或者多个计算机程序可被一个或者多个处理器执行，以实现如上所述的无线网络优化方法的步骤。
13.根据本发明实施例提供的无线网络优化方法、网络设备及计算机可读存储介质，通过根据待优化的无线网络中的小区的历史性能指标和该历史性能指标对应的历史配置参数训练得到性能优化模型；对于待调整的目标小区对，可获取该目标小区对的性能指标，并将获取的性能指标作为性能优化模型的输入，从而利用该性能优化模型得到该目标小区对的配置参数，根据得到的该配置参数对该目标小区对中的至少一个目标小区进行优化调整；本发明实施例中性能优化模型为根据无线网络中的小区的历史性能指标和历史性能指
标对应的历史配置参数训练得到的，而不再是基于简单的专家规则(也即经验规则)作为调整依据，优化调整的准确性更好，优化调整后的无线网络的性能更佳，且自适应性和智能型更好。
14.本发明其他特征和相应的有益效果在说明书的后面部分进行阐述说明，且应当理解，至少部分有益效果从本发明说明书中的记载变的显而易见。
附图说明
15.图1为本发明实施例一提供的无线网络优化方法流程示意图；
16.图2为本发明实施例一提供的待优化网络区域示意图；
17.图3为本发明实施例一提供的性能优化模型增量训练流程示意图；
18.图4为本发明实施例一提供的a1事件、a2事件的触发门限值流程示意图；
19.图5为本发明实施例一提供的安全回滚控制流程示意图；
20.图6为本发明实施例二提供的无线网络优化装置结构示意图；
21.图7为本发明实施例二提供的无线网络系统结构示意图；
22.图8为本发明实施例二提供的应用示例一中的无线网络优化方法流程示意图；
23.图9为本发明实施例二提供的应用示例二中的无线网络优化方法流程示意图；
24.图10为本发明实施例二提供的应用示例三中的无线网络优化方法流程示意图；
25.图11为本发明实施例三提供的网络设备结构示意图。
具体实施方式
26.为了使本发明的目的、技术方案及优点更加清楚明白，下面通过具体实施方式结合附图对本发明实施例作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
27.实施例一：
28.为了提升无线网络性能优化的精准性和自适应性，本实施例提供了一种新的无线网络优化方法，通过基于待优化的无线网络中的小区的历史性能指标和该历史性能指标对应的历史配置参数训练得到性能优化模型，以该性能优化模型作为优化调整的依据；由于是基于无线网络的真实的历史性能指标和该历史性能指标对应的历史配置参数训练得到的，因此更符合无线网络真实的运行环境，自适应性以及智能性更好，且以此为依据所做出的优化调整更为精准，使得调整后的无线网络的性能更好，可提升无线网络的综合性能。
29.为了便于理解，本实施例下面结合图1所示的无线网络优化方法为示例进行说明，请参见图1所示，其包括但不限于：
30.s101：获取待调整的目标小区对的性能指标。
31.应当理解的是，本步骤中的目标小区对为待优化的无线网络中的小区对，一个目标小区对中包括的目标小区的个数可以为两个。当然，根据具体应用场景需求，也可设置一个目标小区对中的目标小区的个数为三个或三个以上。
32.本实施例中获取的目标小区的性能指标可根据具体的优化需求灵活设定。例如，当需要对无线网络的网络容量进行优化时，所获取的该性能指标则包括用于表征或决定无线网络的网络容量的各种性能指标中的至少一种。因此本实施例中具体获取哪些性能指标
可以根据具体应用需求灵活设置，本实施例对其不做限制。例如，一种应用示例中，获取的待调整的目标小区对的性能指标可以包括但不限于目标小区对内的目标小区之间的负荷差。在本应用示例中，则可以获取各种能表征目标小区的负荷的各种性能指标中的至少一种，例如可以获取目标小区的prb(physical resource block，物理资源块)使用率，激活用户数、rrc(radio resource control，无线资源控制)连接数中的至少一种，例如：
33.一种应用场景中，可以获取目标小区对中各目标小区的prb使用率，并将各目标小区的prb使用率的差值作为负荷差；
34.另一种应用场景中，可以获取目标小区对中各目标小区的激活用户数，并将各目标小区的激活用户数的差值作为负荷差；
35.又一种应用场景中，可以获取目标小区对中各目标小区的rrc连接数，并将各目标小区的rrc连接数的差值作为负荷差；
36.又一种应用场景中，可以获取目标小区对中各目标小区的prb使用率、rrc连接数、激活用户数中的至少两种的差值，并将获取的两种差值归一化或通过权重计算方式处理后作为负荷差。
37.应当理解的时，目标小区的负荷并不限于上述示例的几种参数表征方式，也可采用其他能表征小区负荷的参数，在此不再限定。
38.可选地，为了更为合理的为无线网络的性能进行优化，避免优化过程中小区之间出现乒乓效应，可以对无线网络进行区域划分，以区域为单位进行优化。例如，一种示例中，可以将无线网络划分成至少一个优化网络区域，该待优化网络区域为地理上连续，且区域内的各外围小区的边界连线围合成的图形为凸图形的区域。本实施例中的凸图形为数学意义上所定义的凸图形。本实施例中，对无线网络进行区域划分时，可以采用人工划分方式，也可采用自动划分方式，例如，一种应用场景中，可以通过但不限于调用rca(root cause analysis根因分析)方法对无线网络进行区域划分。请参见图2所示，假设本应用场景中对无线网络进行区域划分得到的待优化网络区域包括待优化网络区域a和待优化网络区域b，待优化网络区域a和待优化网络区域b中的各小区组合成的图形为凸图形。其中，待优化网络区域a中的小区a和小区f构成小区对。在一些应用示例中，小区对中的小区可为相邻小区。在本实施例的一些示例中，对于目标小区对可为无线网络中待优化网络区域内的，且性能指标满足预设优化条件的小区对。
39.例如，承接上述示例，性能指标包括负荷差时，可以设目标小区对可为无线网络中待优化网络区域内的，且负荷差满足预设优化条件的小区对，该预设优化条件可以为负荷差不在预设负荷差范围内，该预设负荷差范围可以根据需求灵活设置，例如可以设置为0，也可以设置为一个具体的范围值。在本示例中，假设待优化网络区域a中的小区a和小区f构成小区对，小区a和小区b构成小区对，假设小区a和小区f的负荷差的绝对值大于0，则确定小区a和小区f为目标小区对；假设小区a和小区b的负荷差的绝对值等于0，则确定小区a和小区b不是目标小区对。
40.本实施例中，目标小区对的性能指标的获取方式可以通过人工获取，也可通过网管设备或其他通信设备自动采集获取。
41.本步骤中的历史性能指标和历史配置参数可以是整个无线网络的各小区的历史性能指标和历史配置参数，也可以是待优化网络区域内的小区的历史性能指标和历史配置
参数，具体了根据需求灵活设置。
42.s102：将获取的性能指标作为性能优化模型的输入，输入性能优化模型得到目标小区对的配置参数。
43.本实施例中的性能优化模型为根据无线网络中的小区的历史性能指标和历史性能指标对应的历史配置参数训练得到的；本实施例中的历史性能指标和历史配置参数的获取可以通过人工获取，也可通过网管设备或其他通信设备自动采集获取。
44.本实施例中的配置参数包括对性能指标能产生影响的各种配置参数。例如，承接上述示例，性能指标包括目标小区对内的目标小区之间的负荷差时，配置参数可包括但不小于目标小区对内的目标小区的小区个体偏移(cell ind offset，cio)参数。小区个体偏移参数可以直接影响小区对内两个小区的切换门槛，调整小区对中两个小区的负荷。对小区个体偏移参数进行不同幅度的调整可以使小区对中两个小区的负荷发生不同幅度的变化，使得小区对中两个小区的负荷符合性能优化的要求。
45.应当理解的时，本实施例中性能优化模型可以为能达到上述目的的各种模型中的至少一种。为了便于理解，本实施例下面以几种模型示例进行说明。在本示例中，性能优化模型可以包括但不限于以下模型中的至少一种：
46.拟合直线模型：利用线性回归模型，将历史性能指标作为输入，历史配置参数作为输出进行回归拟合得到的拟合直线模型；
47.在本实施例中，采用的历史性能数据可以为目标小区对所在的待优化网络区域的各小区的性能数据；具体可以采集但不限于网管操作日志，并解析得到相关参数的调整记录。然后获取与调整记录相关的目标小区对应时间的各项性能指标数据，包括但不限于历史负荷差数据等数据，以及各历史负荷对应的历史性能配置数据，例如小区的小区个体偏移参数，并整理为(负荷差数据，小区个体偏移参数)二元组数据，根据整合得到的二元组数进行回归拟合得到的拟合直线模型。例如，可以在二维平面坐标系中画出对应的散点图，使用线性回归算法对上述二元组数据进行回归拟合，拟合得到的直线为得到的拟合直线模型。对于需要调整负荷差的目标小区对，将目标小区对的负荷差代入该拟合直线模型即可得到需要调整的目标小区对内目标小区的小区个体偏移参数(例如小区个体偏移幅度)。
48.拟合曲线模型：利用多项式拟合模型，将历史性能指标作为输入，历史配置参数作为输出进行多项式拟合得到的拟合曲线模型；
49.在本实施例中拟合曲线模型的训练过程与上述拟合直线模型类似，主要区别在于利用多项式拟合模型进行拟合，在二维平面坐标系中画出对应的散点图后，在此基础上进行多项式拟合得到拟合曲线以作为拟合曲线模型。
50.神经网络模型：利用神经网络，调用预设的训练算法，将历史性能指标作为输入，历史配置参数作为输出进行训练得到的神经网络模型。
51.在本实施例中，采用的历史性能数据可以为目标小区对所在的待优化网络区域的各小区的性能数据；具体可以采集但不限于网管操作日志，并解析得到相关参数的调整记录。然后获取与调整记录相关的目标小区对应时间的各项性能指标数据，包括但不限于小区对的状态(也可以包括但不限于小区的历史发射功率、带宽等参数)、小区对的历史负荷差数据等数据，以及各历史负荷对应的历史性能配置数据，例如小区的小区个体偏移参数，将上述数据整合为训练数据集，训练数据集中每一条数据包括小区对的状态、小区对的历
史负荷差数据以及小区个体偏移参数。可初始化一个人工神经网络，例如可以采用但不限于3层线性层组成的网络，调用预设的训练算法(例如可以使用但不限于开源的深度学习框架构建并调用bp(back propagation，反向传播算法)算法)使用上述训练数据集训练神经网络得到神经网络模型。神经网络模型的输入为小区对的状态、小区对的历史负荷差数据，输出为期望调整的小区个体偏移参数的值。在本实施例中，数据输入神经网络时可进行归一化，输出时需要进行反归一化。归一化和反归一化在模型训练和使用时保持一致。
52.应当理解的是，本实施例中的性能优化模型并不限于上述示例的三种模型，且也不限于采用上述示例的三种模型中的一种，也可采用上述示例的三种模型中两种或三种。例如：
53.一种应用场景中，可以采用拟合直线模型输出第一配置参数，采用神经网络模型输出第三配置参数，然后对第一配置参数和第三配置参数求平均或采用其他权重算法进行计算，得到最终的配置参数；
54.另一种应用场景，可以采用拟合直线模型输出第一配置参数，采用拟合曲线模型输出第二配置参数，然后对第一配置参数和第二配置参数求平均或采用其他权重算法进行计算，得到最终的配置参数；
55.又一种应用场景，可以采用拟合直线模型输出第一配置参数，采用拟合曲线模型输出第二配置参数，采用神经网络模型输出第三配置参数，然后对第一配置参数、第二配置参数、第三配置参数求平均或采用其他权重算法进行计算，得到最终的配置参数。
56.s103：根据得到的配置参数对目标小区对中的至少一个目标小区进行优化调整。
57.在本实施例的一些示例中，可以通过但不限于将得到的配置参数推送到网管设备进行下发。
58.例如，承接当性能指标中包括负荷差时，可将得到的目标小区对中的目标小区的小区个体偏移参数推送到网管设备下发到目标小区对中目标小区对应的基站进行优化调整。
59.可选地，在本实施例中，为了进一步提升性能优化模型的自适应性和准确性，在得到性能优化模型后，还可对得到的性能优化模型进行动态更新。一种动态更新示例请参见图3所示，其包括但不限于：
60.s301：对无线网络中的小区的性能指标和性能指标对应的配置参数进行采集。
61.本实施例中对无线网络中的小区的性能指标和性能指标对应的配置参数进行采集时，可以定时采集，也可随机采集，或在满足设定的其他采集条件(例如接收到管理员发送的采集指令)时才采集。
62.s302：根据采集到的性能指标和配置参数对性能优化模型进行增量训练，从而实现对性能优化模型的更新。
63.在本示例中，对根据采集到的性能指标和配置参数对性能优化模型进行增量训练的方式，可以采用但不限于上述示例中的性能模型训练方式，在此不再赘述。
64.可选地，为了使得优化调整后的参数更好的生效，在上述s102中将性能指标作为性能优化模型的输入，输入性能优化模型得到目标小区对的配置参数之后，还可包括但不限于图4所示的以下过程：
65.s401：获取目标小区对中的目标小区的a1事件的第一触发门限值和a2事件的第二
触发门限值，以及该目标小区的平均rsrp(reference signal receiving power，参考信号接收功率)值。
66.s402：根据获取的平均rsrp值对第一触发门限值和第二触发门限值进行调整。
67.本实施例中目标小区的a1事件，服务小区好于绝对门限(即第一触发门限值)，这个事件可以用来关闭某些小区间的测量。a2事件服务小区差于绝对门限(即第二触发门限值)，这个事件可以用来开启某些小区间的测量，因为这个事件发生后可能发生切换等操作。
68.应当理解的是，当ue(user equipment，用户设备)没有开启测量时，即使修改了目标小区对内目标小区的配置参数(例如小区个体偏移参数)也无法触发。以此，为了保证又合理数量的ue测量触发，可根据获取的平均rsrp值对第一触发门限值和第二触发门限值进行调整，保证优化调整后的参数能够及时正常的生效。
69.例如，在一种示例中，根据平均参考信号接收功率值对第一触发门限值和第二触发门限值进行调整可包括但不限于：
70.在目标小区对中的目标小区的a1事件的第一触发门限值和a2事件的第二触发门限值都小于平均参考信号接收功率值(即a1事件和a2事件的触发门限值过低)，且目标小区为需将负荷迁出的小区时，以平均参考信号接收功率值为基准将第二触发门限值和第一触发门限值进行同等幅度的增大；例如，可以将第二触发门限值调整为与平均参考信号接收功率值相同，对应的对第一触发门限值进行同等幅度的增大；
71.在目标小区的a1事件的第一触发门限值和a2事件的第二触发门限值都大于平均参考信号接收功率值时(即a1事件和a2事件的触发门限值过高)，以平均参考信号接收功率值为基准将第二触发门限值和第一触发门限值进行同等幅度的减小；例如，可以将第一触发门限值调整为与平均参考信号接收功率值相同，对应的对第二触发门限值进行同等幅度的减小；
72.在目标小区的a1事件的第一触发门限值大于平均参考信号接收功率值，目标小区的a2事件的第二触发门限值小于平均参考信号接收功率值时，以平均参考信号接收功率值为基准将第二触发门限值和第一触发门限值进行同等幅度的增大；例如，可以将第二触发门限值调整为与平均参考信号接收功率值相同，对应的对第一触发门限值进行同等幅度的增大。
73.可选地，在本实施例中，为了进一步提升无线网络的可靠性，在根据配置参数对目标小区对中的至少一个目标小区进行优化调整过程中，或根据配置参数对目标小区对中的至少一个目标小区进行优化调整后，还可包括图5所示的保护过程：
74.s501：对无线网络中的小区的性能指标进行监测。
75.本步骤中，对无线网络中的小区的性能指标进行监测，可以为对无线网络中的所有小区的性能指标进行监测，也可以为仅对做了优化调整后的目标小区的性能指标进行监测，或对至少一个待优化网络区域内的小区的性能指标进行监测。
76.本实施例中监测的性能指标可以包括优化调整的性能指标，例如小区的负荷；也可根据需求还可对其他性能指标进行监测，例如发射功率、带宽、干扰情况等进行监测。
77.s502：在监测到性能指标达到预设恶化条件时，将目标小区对中的至少一个目标小区的配置参数还原为优化调整之前的配置参数。
78.应当理解的是，本步骤中的预设恶化条件可以根据具体应用场景和标准灵活设定。在监测到性能指标达到预设恶化条件时，则将无线网络中小区的配置参数还原到优化前的配置参数，从而保证无线网络的正常运行，避免额外对无线网络造成持续的影响。当然，在本实施例的另一些示例中，也可为无线网络预先设置一套能保证其正常运行的默认配置参数，在监测到性能指标达到预设恶化条件时，将无线网络中小区的配置参数设置为该默认配置参数。
79.本发明实施例提供的无线网络优化方法，通过根据待优化的无线网络中的小区的历史性能指标和该历史性能指标对应的历史配置参数训练得到性能优化模型，并以该性能优化模型作为后续优化调整的依据；由于是基于无线网络的真实的历史性能指标和该历史性能指标对应的历史配置参数训练得到的，因此更符合无线网络真实的运行环境，提升了无线网络优化的自适应性以及智能性，且以性能优化模型为依据所做出的优化调整更为精准，使得调整后的无线网络的性能更好。
80.实施例二：
81.本实施例提供了一种无线网络优化装置，该无线网络优化装置可设置于网络设备(例如可以为但不限于服务器)上以实现无线网络性能的优化。请参见图6所示，其包括但不限于：
82.数据采集模块61，用于采集无线网络中的小区的历史性能指标和历史性能指标对应的历史配置参数；其采集方式可以是接收人工输入的历史性能指标和历史性能指标对应的历史配置参数，也可以是通过网管设备自动采集历史性能指标和历史性能指标对应的历史配置参数，具体采集过程请参见上述示例所示，在此不再赘述。数据采集模块61还用于采集待调整的目标小区对的性能指标，具体采集过程请参见上述示例所示，在此也不再赘述。
83.模型训练模块62，用于根据无线网络中的小区的历史性能指标和历史性能指标对应的历史配置参数训练得到性能优化模型，具体训练过程请参见上述实施例所示，在此不再赘述。
84.小区对参数生成模块63，用于根据待调整的目标小区对的性能指标和性能优化模型生成目标小区对的配置参数，具体生成过程参见上述示例所示，在此不再赘述。
85.小区参数生成模块64，用于根据目标小区对中的目标小区的a1事件的第一触发门限值和a2事件的第二触发门限值，以及该目标小区的平均参考信号接收功率值，对第一触发门限值和第二触发门限值进行调整，具体调整过程参见上述示例所示，在此不再赘述。
86.参数下发模块65，用于将小区对参数生成模块63和小区参数生成模块64生成的相应的参数下发给网管设备对相应的小区进行优化配置。
87.安全回滚模块66，用于在根据数据采集模块61采集的无线网络中的小区的性能指标达到预设恶化条件时，将目标小区对中的至少一个目标小区的配置参数还原为优化调整之前的配置参数；具体的安全回滚过程参见上述实施例所示，在此不再赘述。
88.可选地，本实施例中的无线网络优化装置还可包括区域划分模块67，用于对无线网络进行区域划分得到的待优化网络区域，具体划分方式参见上述各示例所示，在此不再赘述。
89.邻接关系统计模块68，用于统计待优化网络区域中的小区对，具体统计方式可以根据配置信息以及相应的邻接关系识别方法进行，在此不再赘述。
90.本实施例提供了一种无线网络系统，请参见图7所示，其包括以此连接的基站701、网管设备702以及服务器703。其中服务器703上可设置有图6所示的无线网络优化装置，以通过上述各示例所示的无线网络优化方法实现无线网络性能的优化。为了便于理解，下面在图7所示的系统架构示例基础上，以几种无线网络的优化方法进行示例性的说明。
91.应用示例一：
92.请参见图8所示，本应用示例中的无线网络优化方法包括但不限于：
93.s801：数据采集模块从网管获取性能数据、配置参数、切换数据以及参数调整历史日志等数据。并在后续步骤中向有需要的模块提供这些数据。
94.s802：区域划分模块使用性能指标数据和小区间的邻区配置数据，计算得到待优化网络区域。
95.假设其中一个待优化网络区域记为区域a。区域a是一片地理上连续的地区，且为凸图形，包括了200个小区。区域a的小区中邻区之间负荷差异较大，存在较严重的负荷不均衡的情况，网络容量受限，需要进行容量优化。
96.s803：邻接关系统计模块从数据采集模块获取切换数据和配置参数，统计得到区域a中存在的目标小区对。
97.例如计算得到区域a中有600个目标小区对。其中每个目标小区对中的两个目标小区都在配置参数中互相配置了邻区关系，且在切换数据中互相之间存在一定量的切换记录。
98.s804：安全回滚模块在优化开始前从区域划分模块获得待优化网络区域(即区域a)，且从数据采集模块获取优化开始前区域a的相关的配置参数并保存这些参数。
99.在优化开始后，安全回滚模块从数据采集模块定时获取区域a的性能指标数据，当区域a的性能指标数据出现超出预期的恶化时，安全回滚模块可以启动回滚流程。将优化前保存的配置参数通过参数下发模块进行下发，并停止小区对优化参数生成模块以及小区参数生成模块的工作，并可告知参数下发模块停止下发优化参数。
100.s805：进行模型训练获取性能优化模型。
101.假设本次容量优化在该地区第一次使用，因此没有训练好的性能优化模型，需要进行模型训练获取性能优化模型。应当理解的是，当不是第一次使用时，可直接调用之前训练好的性能优化模型。
102.在本步骤中，模型训练模块从数据采集模块获取网管操作日志，并解析得到相关参数的调整记录。然后模型训练模块从数据采集模块获取与调整记录相关的小区对应时间的各项性能指标，包括负荷变化等数据。在本实施例中，使用线性回归模型。上述数据被整理为(小区对负荷差变化值，小区对中小区的小区个体偏移)的二元组，可以在二维平面坐标系中画出散点图。使用线性回归算法对上述数据进行回归拟合，拟合得到的直线为得到的性能优化模型(即拟合直线模型)。对于需要调整负荷差的，目标小区对，将目标小区对的负荷差代入该模型即可得到需要调整的目标小区的小区个体偏移幅度。
103.s806：小区对参数生成模块用于生成小区对的优化参数，即目标小区的小区个体偏移。
104.小区对参数生成模块可从邻接关系统计模块获得小区对信息，并从数据采集模块获取小区对中两个小区的负荷差。使用上述训练得到的性能优化模型计算每个目标小区对
的目标小区的小区个体偏移的幅度；并生成包含各目标小区的小区个体偏移的幅度的小区对参数调整计划表。
105.s807：小区参数生成模块生成小区的优化参数，可包括但不限于是对小区的a1、a2事件的触发门限值进行调整。
106.在本应用示例中，小区参数生成模块从邻接关系统计模块获取进行调整的小区对列表，获取相关的所有目标小区；从小区对参数生成模块获取各目标小区对中目标小区的小区个体偏移参数调整计划，从而得到每个目标小区的参数需要调整的方向和幅度；从参数采集模块获取相应目标小区的用户平均rsrp等性能指标数据。在本实施例中，小区参数生成模块基于上述数据，调整对应目标小区的测量事件开启和关闭门限参数，即a1、a2事件的触发门限，调整方法如下：
107.对于需要迁出用户的目标小区，如果目标小区的a1、a2触发门限值设置相比该小区用户平均rsrp过低，则应调高a1、a2事件的触发门限值，使足够的用户开启测量，才能触发切换，使目标小区对优化后的参数生效；
108.对于所有目标小区，如果目标小区a1、a2事件的触发门限值设置相比于该小区用户平均rsrp过高，则会导致过多用户开启测量，影响网络性能，此时可当调低a1、a2事件的触发门限值，使开启和关闭测量的用户达到一个合理的比例。
109.上述参数配置基于小区计算，在一种示例中，在现网区域a中，多个小区共用一个配置号下的一个参数配置。对于每个配置号，统计其下所有小区对参数的期望调整幅度，使用加权平均或中位数等方法确定配置号的参数调整幅度。
110.s808：参数下发模块获取小区对参数生成模块和小区参数生成模块输出的两张参数调整表，推送到网管设备进行下发，以进行优化调整。
111.s809：安全回滚模块和模型训练模块开始对优化区域的各项性能指标进行监控。其中安全回滚模块确保在相应的性能指标恶化到一定幅度时停止优化计划并下发回滚参数。模型训练模块定时收集相关的性能数据和性能配置数据，并用于增量训练s806中使用的模型。
112.应用示例二：
113.在本应用示例中，假设由于权限或网络安全等问题，服务器无法直接连接网管。
114.s901：数据采集模块采集性能指标数据、配置参数、切换数据以及参数调整历史日志等数据，并在后续步骤中向有需要的模块提供这些数据。
115.在本实施例中，由于服务器无法直接连接网管，因此人工或使用ftp定时任务等方法向数据采集模块输入需要的数据。上述数据包括性能数据、配置参数、切换数据以及参数调整历史日志等数据。数据采集模块整理保存这些数据，并在后续流程中向需要的模块提供对应的数据。数据采集模块会在需要新数据时通知相关工作人员进行输入工作。
116.s902：由相关工作人员向区域划分模块输入待优化网络区域的划分指示。
117.相关工作人员输入待优化网络区域，记其中一个待优化网络区域为区域b。区域b同样需要满足本实施例终稿对优化区域的要求：地理上为连续的区域，且为凸图形。假设区域b中同样存在小区对中负荷不均衡的情况，区域网络容量受限。
118.s903：邻接关系统计模块从数据采集模块获取区域b的邻接关系。获取区域b的参数中的邻区配置，且结合区域b中的历史切换数据统计计算，计算方法同上述应用示例。
119.邻接关系统计模块输出区域b中的小区对列表。每个小区对都是在配置参数中配置了的邻区关系，且互相之间存在一定量的切换。
120.s904：安全回滚模块负责监控区域b的相应的性能指标。
121.当性能指标恶化超过一定幅度时输出回滚参数，并发出告警，通知工作人员审核回滚参数并下发，并让生成优化参数的两个模块停止工作。
122.s905：进行模型训练获取性能优化模型。
123.在本实施例中，假设本优化方法在区域b为第一次使用，没有现成的模型。本实施例采用人工神经网络模型进行参数修改效果拟合，模型训练模块从数据采集模块获取参数调整日志和对应小区的性能指标数据。将上述数据整合为训练数据集，每一条数据为一次调整时小区对的状态、小区对负荷调整前后变化情况以及参数调整记录。初始化一个人工神经网络，在本应用示例中使用3层线性层组成的网络。使用开源的深度学习框架构建并调用bp算法使用上述数据集训练神经网络，神经网络的输入为当前小区对的状态以及负荷差异，输出为期望调整的参数值大小。数据输入神经网络时需要进行归一化，输出时需要进行反归一化。归一化和反归一化在模型训练和使用时保持一致。
124.s906：小区对参数生成模块用于生成小区对的优化参数，即目标小区的小区个体偏移。在本应用示例中小区对参数生成模块可从邻接关系统计模块获得小区对信息，并从数据采集模块获取小区对中两个小区的负荷差。使用上述训练得到的性能优化模型计算每个目标小区对的目标小区的小区个体偏移的幅度；并生成包含各目标小区的小区个体偏移的幅度的小区对参数调整计划表。本应用示例中用上述s905中训练的神经网络模型，将每个目标小区对的状态(该参数为可选参数，也可不携带)、负荷差异作为模型输入，得到每个小区对需要调整的参数数值。得到区域b小区对参数调整表。
125.s907：小区参数生成模块生成小区的优化参数，可包括但不限于是对小区的a1、a2事件的触发门限值进行调整。
126.小区参数生成模块从邻接关系生成模块获得区域b的范围，小区对参数生成模块获取每个小区对的个体偏移参数调整计划，从数据采集模块获取相关小区的性能指标数据(其中包括小区用户平均rsrp等信号相关指标)。每个目标小区的a1、a2触发门限值调整原则如下：参考目标小区上ue接收到的平均信号强度(平均rsrp、各区间rsrp上报次数等数据)，当小区上开启测量的用户太少时(即a1、a2事件的触发门限值明显低于平均rsrp等指标)，适当提高a1、a2事件的触发门限值，促进更多用户开启测量，使小区对参数更容易生效；当目标小区上开启测量的用户太多时(即当a1、a2事件的触发门限值高于平均rsrp等指标)，适当降低a1、a2事件的触发门限值，防止过多测量导致网络性能下降。
127.s908：小区参数生成模块通过上述s908的计算得到每个小区的参数，具体到配置号级别。
128.在本示例中，每个基站下一个配置号通常对应不止一个小区，这些小区共享同一套配置。本实施例中，对网络参数配置管控比较严格，不允许增加配置号。因此每个配置号的修改要符合对应几个小区中尽量多小区的参数修改需求。对于配置号下的每个小区，根据每个小区预期调整的平均数或中位数作为本配置号的参数调整值。针对每个小区在各自小区对中负荷差异情况的不同，在计算上述平均数或中位数使可以对每个小区增加权重，和邻区存在较大符合差异的小区参数修改权重更大，更能影响所在配置号的参数修改幅
度。最后小区参数生成模块计算得到区域b中的每个配置号下的相应参数修改计划表。
129.s909：参数下发模块负责将小区对参数生成模块和小区参数生成模块输生成的参数表下发。
130.在本实施例中，参数下发模块未连接网管，因此参数下发模块汇总两张参数表，并发送给工作人员进行审核并下发。
131.s910：安全回滚模块和模型训练模块开始对优化区域的各项性能指标进行监控。其中安全回滚模块确保在相应的性能指标恶化到一定幅度时停止优化计划并下发回滚参数。模型训练模块定时收集相关的性能数据和性能配置数据，并用于增量训练s906中使用的模型。
132.应用示例三：
133.s1001：数据采集模块从网管获取性能数据、配置参数、切换数据以及参数调整历史日志等数据。并在后续步骤中向有需要的模块提供这些数据。
134.s1002：区域划分模块使用性能指标数据和小区间的邻区配置数据，计算得到待优化网络区域。
135.假设其中一个待优化网络区域记为区域c。区域c是一片地理上连续的地区，且为凸图形，包括了500个小区。区域c的小区中邻区之间负荷差异较大，存在较严重的负荷不均衡的情况，网络容量受限，需要进行容量优化。
136.s1003：邻接关系统计模块从数据采集模块获取切换数据和配置参数，统计得到区域c中存在的目标小区对。
137.例如计算得到区域c中有1600个目标小区对。其中每个目标小区对中的两个目标小区都在配置参数中互相配置了邻区关系，且在切换数据中互相之间存在一定量的切换记录。
138.s1004：安全回滚模块在优化开始前从区域划分模块获得待区域c，且从数据采集模块获取优化开始前区域c的相关的配置参数并保存这些参数。
139.在优化开始后，安全回滚模块从数据采集模块定时获取区域c的性能指标数据，当区域c的性能指标数据出现超出预期的恶化时，安全回滚模块可以启动回滚流程。将优化前保存的配置参数通过参数下发模块进行下发，并停止小区对优化参数生成模块以及小区参数生成模块的工作，并可告知参数下发模块停止下发优化参数。
140.s1005：进行模型训练获取性能优化模型。
141.假设本次容量优化在该地区第一次使用，因此没有训练好的性能优化模型，需要进行模型训练获取性能优化模型。应当理解的是，当不是第一次使用时，可直接调用之前训练好的性能优化模型。
142.在本步骤中，模型训练模块从数据采集模块获取网管操作日志，并解析得到相关参数的调整记录。然后模型训练模块从数据采集模块获取与调整记录相关的小区对应时间的各项性能指标，包括负荷变化等数据。在本实施例中，使用线性回归模型。上述数据被整理为(小区对负荷差变化值，小区对中小区的小区个体偏移)的二元组，可以在二维平面坐标系中画出散点图。使用多项式拟合模型,采用线性回归算法对上述数据进行回归拟合，拟合得到的拟合曲线为得到的性能优化模型(即拟合曲线模型)。对于需要调整负荷差的，目标小区对，将目标小区对的负荷差代入该模型即可得到需要调整的目标小区的小区个体偏
移幅度。
143.s1006：小区对参数生成模块用于生成小区对的优化参数，即目标小区的小区个体偏移。
144.小区对参数生成模块可从邻接关系统计模块获得小区对信息，并从数据采集模块获取小区对中两个小区的负荷差。使用上述训练得到的性能优化模型(即拟合曲线模型)计算每个目标小区对的目标小区的小区个体偏移的幅度；并生成包含各目标小区的小区个体偏移的幅度的小区对参数调整计划表。
145.s1007：小区参数生成模块生成小区的优化参数，可包括但不限于是对小区的a1、a2事件的触发门限值进行调整。
146.在本应用示例中，小区参数生成模块从邻接关系统计模块获取进行调整的小区对列表，获取相关的所有目标小区；从小区对参数生成模块获取各目标小区对中目标小区的小区个体偏移参数调整计划，从而得到每个目标小区的参数需要调整的方向和幅度；从参数采集模块获取相应目标小区的用户平均rsrp等性能指标数据。在本实施例中，小区参数生成模块基于上述数据，调整对应目标小区的测量事件开启和关闭门限参数，即a1、a2事件的触发门限，调整方法如下：对于需要迁出用户的目标小区，如果目标小区的a1、a2触发门限值设置相比该小区用户平均rsrp过低，则应调高a1、a2事件的触发门限值，使足够的用户开启测量，才能触发切换，使目标小区对优化后的参数生效；对于所有目标小区，如果目标小区a1、a2事件的触发门限值设置相比于该小区用户平均rsrp过高，则会导致过多用户开启测量，影响网络性能，此时可当调低a1、a2事件的触发门限值，使开启和关闭测量的用户达到一个合理的比例。上述参数配置基于小区计算，在一种示例中，在现网区域c中，多个小区共用一个配置号下的一个参数配置。对于每个配置号，统计其下所有小区对参数的期望调整幅度，使用加权平均或中位数等方法确定配置号的参数调整幅度。
147.s1008：参数下发模块获取小区对参数生成模块和小区参数生成模块输出的两张参数调整表，推送到网管设备进行下发，以进行优化调整。
148.s1009：本应用示例中，在优化进行后一段时间，安全回滚模块和模型训练模块开始对优化区域的各项性能指标进行监控。其中安全回滚模块确保在相应的性能指标恶化到一定幅度时停止优化计划并下发回滚参数。模型训练模块定时收集相关的性能数据和性能配置数据，并用于增量训练s1006中使用的模型。
149.可见，本实施例提供的无线网络的优化方法中，可对网管设备中互操作参数和测量相关参数进行调整，达到负载均衡的目的。对于每个存在负荷差异的小区对，使用拟合模型或神经网络模型等计算得到均衡负荷需要调整的参数值，实现精确调整的效果，避免了固定步长迭代调整周期过长的问题。此外，同时调整对应小区的测量相关参数，避免因ue未开启测量导致切换相关参数无法生效的问题；也避免过多ue开启测量导致网络性能下降的问题。
150.实施例三：
151.本实施例还提供了一种网络设备，其可以为但不限于服务器，参见图11所示，其包括处理器1101、存储器1102及通信总线1103，其中：
152.通信总线1103用于实现处理器1101和存储器1102之间的连接通信；
153.处理器1101用于执行存储器1102中存储的一个或者多个计算机程序，以实现上述
各实施例中无线网络优化方法中的至少一个步骤。
154.本实施例还提供了一种计算机可读存储介质，该计算机可读存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、计算机程序模块或其他数据)的任何方法或技术中实施的易失性或非易失性、可移除或不可移除的介质。计算机可读存储介质包括但不限于ram(random access memory，随机存取存储器),rom(read-only memory，只读存储器),eeprom(electrically erasable programmable read only memory，带电可擦可编程只读存储器)、闪存或其他存储器技术、cd-rom(compact disc read-only memory，光盘只读存储器)，数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。
155.本实施例中的计算机可读存储介质可用于存储一个或者多个计算机程序，其存储的一个或者多个计算机程序可被处理器执行，以实现上述各实施例种示例的无线网络优化方法的至少一个步骤。
156.本实施例还提供了一种计算机程序(或称计算机软件)，该计算机程序可以分布在计算机可读介质上，由可计算装置来执行，以实现上述实施例x和实施例xx中的
……
方法的至少一个步骤；并且在某些情况下，可以采用不同于上述各实施例种示例的无线网络优化方法的至少一个步骤。
157.应当理解的是，在某些情况下，可以采用不同于上述实施例所描述的顺序执行所示出或描述的至少一个步骤。
158.本实施例还提供了一种计算机程序产品，包括计算机可读装置，该计算机可读装置上存储有如上所示的计算机程序。本实施例中该计算机可读装置可包括如上所示的计算机可读存储介质。
159.可见，本领域的技术人员应该明白，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件(可以用计算装置可执行的计算机程序代码来实现)、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。
160.此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、计算机程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。所以，本发明不限制于任何特定的硬件和软件结合。
161.以上内容是结合具体的实施方式对本发明实施例所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。