移动网络优化中业务量预测及移动用户高度分层方法研究

摘要

虚拟化和容器技术使得核心网资源分配越来越灵活高效。因此需要网络能够提前对业务量进行感知和预测。通过预测话务量和用户数并按照预测的结果合理分配有限的网络资源，能有效提高服务质量。另一方面，随着城市高层楼宇增多，深度覆盖特别是垂直覆盖的优化也变得越来越重要，但测试人员无法进入高层建筑测试也是这一问题的难点。寻求能有效的利用用户数据来判断高层楼宇内的信号覆盖质量的方法，在学术领域和工业界还属于空白。
　　首先，本文介绍LTE系统核心网及接入网络的网络架构，给出通过 LTE系统接口进行控制面信令探测，进而利用控制面信令及用户面数据，分析得到用户数、话务量和用户感知的WiFi信息的过程。本文还研究了时间序列的原理与特点，分析了利用时间序列分析中广泛使用的ARIMA的原理以及模型识别的标准，并给出了预测的步骤与预测的评价标准。
　　其次，本文对每小时话务量的数据特性进行分析，并基于分析给出预测话务量的模型。研究了话务量预测中乘积季节 ARIMA模型的应用条件，给出了模型识别、阶数确定与残差校验等建模步骤。并应用STL方法将话务量时间序列分解为季节项、趋势项以及随机项，对序列进行季节性调整后再用ETS模型拟合，预测时以最近一周期的数据作为季节项的预测结果。此外还分析了Holt-Winters加法和乘法模型，并探讨了利用BP神经网络训练建模并预测的过程。本文应用这四种模型对某运营商在特定景区的话务量及终端数量进行预测，实验表明预测精度良好，能够满足移动网络性能优化要求，通过代码实现并应用于运营商核心网的网络优化中。
　　最后，本文在利用LTE网络用户面深度包分析获得特定区域及建筑物内用户可感知的 WiFi物理地址及 RSSI后，通过数据积累得到高层楼宇的 WiFi信息，构建 WiFi的能量矩阵，矩阵的元素是采样点采集到的 WiFi的 RSSI值。两个WiFi的相关系数是能量矩阵对应的WiFi列之间的相关性，进而获得WiFi的相关矩阵。应用 k-means、PAM、谱聚类与 FastUnfolding算法对 WiFi样本进行聚类分析，获得三个 WiFi簇。在确定底层簇后，利用簇间相关性确定其他簇，得到 WiFi的高度标签。最后依据 LTE终端测量的 RSRP的强度确定移动用户的信号覆盖质量。实验结果具备较高精度并能满足无线侧网络优化需求。

目录

第1章 绪论

1.1 课题来源

1.2 课题研究的背景和意义

1.3 国内外研究现状及分析

1.4 本文的主要研究内容及结构安排

第2章 LTE系统中数据采集原理

2.1 LTE网络架构

2.2 LTE网络优化中相关数据来源

2.3 时间序列分析

2.4 预测的分析与评价

2.5 本章小结

第3章 话务量与用户数预测模型

3.1 乘积季节ARIMA模型

3.2 STL分解

3.3 Holt-Winters

3.4 BP神经网络

3.5 话务量模型预测结果分析与应用扩展

3.6 本章小结

第4章 移动用户高度分层方法

4.1 高层楼宇内移动用户信号覆盖质量评估

4.2 基于聚类的垂直高度分层

4.3 基于FastUnfolding的垂直高度分层

4.4 本章小结

结论

参考文献

攻读硕士学位期间发表的论文及其他成果

声明

致谢