用于确定小区状态以调整天线配置参数的方法和装置

摘要

一种用于确定小区状态以调整天线配置参数的方法，包括在网络中的无线接入节点处接收来自多个用户设备的测量报告。响应于测量报告，无线接入节点进行弱覆盖分析，以确定向无线接入节点提供的小区分配良好覆盖状态还是弱覆盖状态。响应于测量报告，无线接入节点进行过冲分析，以确定向无线接入节点提供的小区分配过冲状态还是非过冲状态。响应于测量报告，无线接入节点进行干扰分析，以确定向无线接入节点提供的小区分配过冲状态还是非过冲状态。响应于测量报告，无线接入节点进行质量分析，以确定向无线接入节点提供的小区分配良好质量状态还是劣质量状态。响应于小区被分配的各种状态，对无线接入节点提供的小区的天线配置参数进行调整。

说明书

相关专利

本申请是于2015年12月16日提交的申请号为14/971,870的美国正式专利申请和于2015年12月8日提交的申请号为14/963,062的美国正式专利申请的部分连续申请，并要求二者的优先权，而上述两项正式专利申请要求以下美国临时申请的优先权：

于2014年12月23日提交的申请号为62/096,439的美国临时申请；

于2014年12月17日提交的申请号为62/093,283的美国临时申请；

于2015年1月5日提交的申请号为62/099,854的美国临时申请；

于2015年1月5日提交的申请号为62/100,003的美国临时申请。

以上所有申请通过引用全部结合在本申请中。

技术领域

本公开总体上涉及自组织网络和覆盖容量优化，更具体地，涉及一种用于确定小区状态以调整天线配置参数的方法和装置

背景技术

自组织网络(SON)是一种自动化技术，旨在使移动无线接入网络的规划、配置、管理、优化和恢复更快更简单。SON功能和行为已在由第三代合作伙伴计划(3GPP)和下一代移动网络(NGMN)等组织制定的通用的移动行业推荐标准中进行了定义和规定。未来十年，即物联网的时代，SON对满足数据爆炸性需求的运营商策略是至关重要的。SON被认为有必要以可扩展的方式对小小区驱动异构网络(HetNet)进行自动操作和性能优化。随着SON演进，其将会在由“智能”预测分析算法支持的云端大数据平台上运行。

覆盖容量优化(CCO)是SON运用的一种情况，该情况下，初步配置和调整关键RF参数(天线倾角和方位角配置以及功率)后部署以使用户体验质量(QoE)(具体地，覆盖、质量和容量)的一些测量最大化，并适应变化的业务量模式和环境变化。预计CCO将运行在以小时/天为顺序的长时间范畴上，以捕获业务量和环境的长期或周期性变化并对此作出反应，同时也允许对CCO性能的准确观察和估计进行足够的数据收集。

目前常用的CCO方案是自动小区规划(ACP)。ACP使用具有通过辅助全球定位系统(AGPS)获取的用户设备(UE)地理数据和用于准确传播建模的准确天线配置参数的测量报告(MR)和路测(DT)数据。然而，作为建模方法，ACP需要高成本的驱动测试和人工验证。对于ACP，重要的是要知道UE的位置，且获取准确的天线配置参数受人工误差的影响。此外，ACP对小小区和HetNet而言不可扩展，因为设置和验证需要过多手动操作。

发明内容

由上可知，本领域技术人员可以理解，需要一种确定小区状态的技术，该技术不要求UE位置、准确的天线配置参数以及离线建模。本公开提供的用于确定小区状态以调整天线配置参数的方法和装置大大减少或基本上消除了与当前SON CCO解决方案相关联的问题和缺点。

根据一实施例，提供了一种用于确定小区状态以调整天线配置参数的方法，该方法包括：在网络中的无线接入节点处接收来自多个用户设备的测量报告。响应于所述测量报告，所述无线接入节点进行弱覆盖分析，以确定向所述无线接入节点提供的小区分配良好覆盖状态还是弱覆盖状态。响应于所述测量报告，所述无线接入节点进行过冲分析，以确定向所述无线接入节点提供的所述小区分配过冲方状态还是非过冲方状态。响应于所述测量报告，所述无线接入节点进行干扰分析，以确定向所述无线接入节点提供的所述小区分配干扰方状态还是非干扰方状态。响应于所述测量报告，所述无线接入节点进行质量分析，以确定向所述无线接入节点提供的所述小区分配良好质量状态还是劣质量状态。响应于所述小区被分配的各种状态，对所述无线接入节点提供的所述小区的天线配置参数进行调整。

本公开描述了相对于传统系统行为和性能分析技术的多项技术优势。例如，一项优势是提供一种基于来自实际网络的UE MR数据而非基于通过模型网络获取的数据确定小区的一种或多种状态的能力。另一项技术优势是将小区识别为弱覆盖小区或非弱覆盖小区、干扰小区或非干扰小区、过冲小区或非过冲小区以及良好质量或劣质量小区中的一种。还有一项技术优势是在无需UE位置或准确的天线配置信息的情况下，基于收到的MR信息利用小区状态确定对相应的天线配置参数所做的调整。对于其他技术优势，本领域技术人员可以根据以下附图、描述和权利要求明显看出并进行识别。

附图说明

为了更完整地理解本发明及其优点，现在结合附图参考如下描述，其中同一附图标记表示相同的部件，其中：

图1描述了长期演进(LTE)网络的例子；

图2描述了用于优化小区专用天线配置参数的过程的例子；

图3A-3E描述了针对多个LTE网络对干扰小区进行分类的全局历史数据的图表的例子；

图4A-4E描述了将小区分为过冲方小区的图表的例子；

图5描述了由优化过程执行的模拟退火过程的例子的绘图；

图6描述了将网络性能作为功率和下倾角参数的函数的绘图；

图7A-7E描述了通过优化过程的基础增量调整阶段中的各种迭代，LTE网络中覆盖和质量参数发生的变化；

图8描述了通过优化过程的基础增量调整阶段的各种迭代的目标函数的绘图；

图9描述了通过优化过程的偏置随机调整阶段的各种迭代的目标函数的绘图；

图10描述了用于确定小区状态以调整天线配置参数的过程的例子；

图11描述了可以向小区分配的覆盖状态；

图12描述了可以向小区分配的弱边缘状态和弱内部/不足状态的附加覆盖状态；

图13A-13B描述了用于确定小区的覆盖状态的过程；

图14描述了可以向小区分配的过冲状态；

图15描述了过冲状态中小区的例子；

图16描述了重叠UE设备和过冲标识之间的关系的绘图；

图17示出了用于确定小区的过冲方状态的过程；

图18示出了可以向小区分配的干扰状态；

图19示出了用于确定小区的干扰方状态的过程；

图20示出了可以向小区分配的质量状态；

图21示出了用于确定小区的质量状态的过程；

图22描述了可以在LTE网络中实现的处理系统的例子的框图；

图23描述了适用于实现本发明所公开的一个或多个实施例的通用计算组件的简化的例子；

图24描述了利用自主适应模拟退火算法调整小区簇的通信参数的实施例方法的流程图；

图25描述了用于调整小区子集的通信参数的实施例方法的流程图；

图26描述了通过实施图25所述的方法获取的仿真结果的绘图；

图27描述了通过实施图25所述的方法获取的附加仿真结果的另一绘图；以及

图28描述了利用自主适应模拟退火算法调整小区簇的通信参数的实施例流程图。

具体实施方式

以下对图1至图28的描述以及用于描述本专利文件中本公开的原理的各实施例仅作为描述，不应以任何方式解释为对本公开的范围的限制。本领域技术人员理解，本公开的原理可以在任何类型的适当排列的设备或系统中实现。一个附图中所示出和描述的特征可以在一个或多个其他附图中适当地实现。

图1示出了长期演进(LTE)网络100的例子。LTE网络100是旨在向移动电话等用户设备(UE)以及其它类型的设备提供宽带互联网和手机服务的一种无线通信网络。LTE网络上的语音呼叫被转换成小的数据块，这消除了对独立语音电路的需求。这类网络通常作为“4G”销售，并且能够提供与有限带宽服务相当的速度。他们还提供增加的容量，可以帮助无线载波处理智能手机和其它设备所使用的日益增长的数据量。虽然是关于LTE网络100的描述，但是本公开还可以应用于其他已知的或未来的无线通信网络。

在图1的例子中，LTE网络100被划分为由19个演进型节点B(eNB)无线接入节点102提供的多个小区。eNB无线接入节点102为多个UE设备提供服务。LTE网络100内运行的eNB无线接入节点102和UE设备104的数量可以大于或小于图1中所示的数量。每个eNB无线接入节点102负责在一个或多个小区中与UE设备104之间的无线发送和接收。每个eNB无线接入节点102控制其所在小区的无线资源，并对无线环境进行配置和测量。

优化小区专用天线配置参数

图2示出了LTE网络100中用于优化性能的过程200的例子。通常，过程200在线递增地、联合地且每个簇地调整天线配置参数。从过程200中看出，从UE设备104发送的测量报告(MR)中得到结果反馈后，从长远来看继续在闭环中进行优化。天线配置参数包括电倾角、方位角和参考符号功率。来自实际UE设备104的反馈被用作MR形式，而非传播模型估计形式。本领域已知，MR可以包括多个UE相关参数和小区相关参数，例如小区ID、参考信号接收功率(RSRP)、参考信号接收质量(RSRQ)、服务小区ID以及定时提前参数(timing advanceparameters)。MR中的信息用于更新表示网络性能的目标函数、识别小区状态指标/标签(indicator metrics/labels)、以及对性能进展进行步进式(step-wise)天线配置参数调整。本领域已知，目标函数可用于可测量数量、参数或特征的优化，例如网络性能的优化。此处，所公开的目标函数可用于网络性能的优化。

过程200中，无需知道UE设备104位于LTE网络100中的何处，也无需知道准确的天线配置参数值以优化性能。这与需要每个小区的精确的用户位置和正确的天线配置参数值的传播模型辅助方案(例如ACP)形成对比。因为正确的配置参数值未知，所以即使初始配置参数是错误的，天线配置参数值仍可以向有意义的方向调整，因为参数变化导致的小区/系统指标的变化是可测量的。只要来自典型UE设备104(例如，由无偏性随机样本选择的UE设备104)的MR(包括RSRP、RS-SINR RSRQ等)对于给定的天线配置参数变化是可用的，目标函数就可以被准确估计。

在所公开的实施例中，被判定为已经使覆盖准则(例如由于报告的参数信道信号强度不满足预定义阈值)或质量准则(例如，由于报告的参数信道质量，即信干噪比不满足另一预定义阈值)“失效”的每个MR将该失效的“责任”概念性单位分配给“有责任的”小区或各小区。如果多个小区负有责任，则向每个有责任的小区分配“责任”的各分数单位(或“责任份额”)。所有的“失效”MR聚合后，就可以计算出每个小区的责任指标，小区可以根据该责任指标采取基础增量措施(例如，天线倾角调整或发射功率调整)以降低MR失效发生的比率。

过程200采用了两个闭环阶段——基础增量调整阶段205和偏置随机调整阶段209。在基础增量调整阶段205中，根据MR计算小区级特征或责任指标，可替换地或此外，根据覆盖状态、质量状态、干扰状态或过冲状态(更为详细的描述参照以下关于图4A-4E的描述)对小区进行标记，基于同时应用于多个小区的领域知识，这些小区映射到天线配置参数的“直观正确”的调整方向，以快速获取大初始增益。用于确定小区状态的实施例将在本公开后面进行更详细的描述。MR被处理，以得出表明各小区的用于指示覆盖或质量不足的测量报告的责任份额的小区级指标。小区级指标确定对该小区的天线配置参数进行何种基础增量调整。可替换地或此外，MR被处理，以得出指示每个小区的覆盖、质量、干扰或过冲状态中的任一种的直观的小区标签或小区标签组合。附属于小区的一个或多个标签确定要对该小区的天线配置参数进行的基础增量调整。

偏置随机调整阶段209表示进行探索性技术和选择对立或随机初始方向的数学搜索过程。为了稳定地改进方案，在目标函数改进后调整被接受，并且被接受的概率随着目标函数变差和时间流逝(冷却)而降低。随着时间的推移，可以培训从错误中学习探索方向，并且在之后的探索途径中，针对给定的小区状态选择学得最好的措施(从瞬时最大化或累积奖励的意义上而言)。探索的关键点在于系统目标函数和小区级指标是UE状态信息(MR)的聚集，该聚集不需要评估各UE的位置，涉及到参数变化，但不涉及绝对值。

过程200从方框202开始，接收来自UE设备104的MR。方框204触发优化过程的启动。优化可以通过网络条件手动触发，也可以基于LTE网络100中的关键绩效指标(KPI)自动触发。KPI的例子包括掉话率和呼叫阻塞率。还有本领域技术人员知晓的其他KPI。如果KPI的分析识别出了网络性能的降级，则优化被触发。当优化被触发时，过程200继续进行包括方框206和208的基础增量调整阶段205。

在基础增量调整阶段205中，方框206中使用MR确定天线配置参数调整的方向(即，向上还是向下调整天线配置参数)。只有变化的方向被确定，而不用确定天线配置参数的特定的当前值或初值。调整的方向可以通过多种方式进行确定。在一个例子中，每个天线配置参数的变化的方向通过责任措施指标来确定，其中UE设备104的多数决定原则提供指示各参数的方向(向上或向下)的某个变化的MR。在另一个例子中，基于从UE设备104接收到的MR，每个小区用小区状态进行标记。一个小区可以给定用于识别该小区状态一个或多个标签，例如干扰、非干扰、良好覆盖/弱覆盖、良好质量/劣质量、过冲以及非过冲。其中，干扰指小区中的下行链路干扰。这些标签通常基于与一个或多个阈值的比较进行确定。这些阈值的精确确定不在本公开范围内。根据为特定小区给定的标签确定与该特定小区相关联的天线配置参数的方向的变化。

图3A-3E示出了针对多个LTE网络对干扰小区进行分类的全局历史数据的图表的例子。基于组集群中的组员关系为小区给定干扰标签。基于经受到给定小区的干扰的邻近小区的个数，全局历史数据将小区分为非干扰方、单干扰方或多干扰方小区。根据小区所属的分类确定其干扰方标签。根据为特定小区给定的干扰方标签的类型确定对小区的天线配置参数进行调整的方向。对天线配置参数进行调整后，基于从UE设备104返回的MR，小区可以归属到不同的干扰方类别中。图3A-3E示出了基础增量调整阶段205的不同迭代期间小区是如何跨干扰方分类移动的。例如，从图3A-3E中的较大圆点可以看出，许多较大的点通过迭代9(图3D)向无干扰方状态改进，但是产生了更大干扰，因此向迭代10中的多干扰方状态移动。

图4A-4E示出了将小区分为过冲方小区的图表的例子。在一个例子中，过冲方小区是向UE设备104提供高参考信号接收功率(RSRP)的小区，其位于与UE设备104有一些距离的地方。也就是说，过冲方小区造成了来自相对较远距离(比邻近小区远)的明显干扰。标为过冲方的小区可以具有对其天线配置参数(例如，向下的功率或向下的倾角)进行调整的特定方向。对天线配置参数进行调整后，基于来自UE设备104的新MR，小区可能不再是过冲方状态或进入过冲方状态，其中新MR是在对天线配置参数进行调整后确定的。图4A-4E示出了基础增量调整阶段205的不同迭代期间小区是如何进入和脱离过冲方状态的。

小区的天线配置参数每次发生变化后，根据方框208中接收新MR计算用于网络优化的目标函数，以确定网络性能是否得以改进。目标函数是基于例如RSRP等覆盖参数和例如参考信号的信干噪比(RS-SINR)等质量参数的。目标函数通过识别RSRP参数大于第一阈值的那些MR和识别RS-SINR参数大于第二阈值的那些MR来确定的。在一些实施例中，目标函数根据以下方程式计算：

k1*(RSRP>阈值1)的数量+k2*(RS-SINR>阈值2)的数量

其中，k1和k2是非负数，相加等于1.0，由例如系统用户(例如网络工程师)预先确定或在配置程序中自动确定。只要网络性能如目标函数的增加所指示的那样进行改进，过程200就会通过方框206和208的基础增量调整阶段205循环。

方框208中一旦识别为目标函数减少，基础增量调整阶段205就会结束，包括方框210、212和214的偏置随机调整阶段209则开始。在偏置随机调整阶段209中，进行模拟退火，其中对天线配置参数进行随机方向改变和进行混沌跳跃以避免局部最小值位置，以稳定地改进目标函数接近全局最优水平。目标函数得到改进后，偏置随机方向变化被接受。如果目标函数减小，则使用概率因子来确定是否接受随机方向变化。表一示出了模拟退火算法的例子。

表一

图5中通过绘图500表示出了偏置调整阶段209中执行的模拟退火过程的例子。模拟退火过程可以识别局部最大值502，可以执行混沌跳跃(从跳位1到跳位2)，以定位全局最大值504。其中，最大值502、504是上述目标函数的已确定的最大的值。在本公开中，方框210中确定和执行偏置随机调整。偏置随机调整后，方框212中新MR被接收并用于计算目标函数。方框214中至少基于重新计算的目标函数确定是接受还是放弃调整。如果偏置随机调整被放弃，则当过程200返回到方框210时，可替换的偏置随机调整被确定。偏置随机调整阶段209通过方框210、212和214继续进行闭环运行，调整参数，直到达到全局最大值的收敛。

图6示出了天线配置参数功率和下倾角如何影响网络性能(通过目标函数来测量)的绘图600。过程200的目标是从起始点602开始识别期望的最优网络性能水平608。过程200并不知道特定的起始点602。通过基础增量调整阶段205迭代将会达到第一中等网络性能水平604。然后偏置随机调整阶段209开始执行混沌跳跃以识别期望的最优网络性能水平608，可能会通过一个或多个第二中等网络性能水平606。

图7A-7E示出了通过基础增量调整阶段205的若干迭代，测量报告中提供的两个参数的变化。第一个测量参数是RSRP。RSRP是信号强度的测量值，用于识别由eNB无线接入节点102发送和UE设备104接收的参考信号的信号电平。RSRP由UE设备104用于小区选择和重新选择过程，并被报告给网络以协助切换过程。RSRP被定义为对承载考虑到的测量频率带宽内的小区专用参考信号的资源元素的功率贡献的线性平均。第二个测量参数是RS-SINR。RS-SINR是信号质量的测量值，用于量化RF条件和吞吐量之间的关系。UE设备104通常使用RS-SINR计算向网络报告的信道质量指示(CQI)。RS-SINR指示测量的可用信号的功率、当前系统中来自其他小区的测量信号或信道干扰信号的功率、以及关于测量带宽的背景噪声和接收方噪声系数。虽然本公开主要讨论RSRP和RS-SINR，但是测量报告中还提供了使用在LTE网络100运行中的其他参数。

如图7A-7E所示，随着eNB无线接入节点102通过过程进行迭代和对天线配置参数进行基础增量调整，测量参数RSRP和RS-SINR通过每一次连续迭代进行改进。在基础增量调整阶段205中的某个点处，目标函数缺乏增长时，性能特征就会开始降级。缺乏增长(以及可能的降级)称为改进极限。例如，在图7D的迭代9和图7E的迭代10之间，LTE网络100的某些区域中RSRP和RS-SINR的值开始减小。

图8示出了通过基础增量调整阶段205的迭代的目标函数的变化的绘图800。迭代序号1、4、7、9和10与图7A-7E所示的参数调整的结果相对应。正如目标函数值的快速增加所指示地，基础增量调整快速改进LTE网络100内的性能。连续性能改进的趋势继续向上，直到到达某个点。在例如LTE网络100所提供的复杂、非线性以及噪声注入数据环境中，对天线配置参数的基础增量调整将会达到改进极限，其中，目标函数值没有增加(或仅有少量增加)，还可以提供改进拟合(regression)(例如目标函数值的减小)。当识别到性能的降低超过期望的阈值水平，基础增量调整阶段205就会结束，偏置随机调整阶段209则开始。在图8的例子中，目标函数所表示的性能在迭代9和迭代10之间出现降低。大约在迭代9处到达改进极限。

图9示出了通过偏置随机调整阶段209的迭代的目标函数变化的绘图900。随着调整在偏置随机调整阶段209期间被接受和放弃，目标函数的改进中出现一路存在小幅震荡的向上漂移。偏置随机调整阶段209继续进行，直到到达代表全局最大值的最优点902，例如图5的全局最大值504或图6的期望的最优网络性能水平608。

如上所述，分析辅助全自动闭环自组织网络提供用于解决大型接近实时网络优化问题(使用SON的情况下)的总体框架。这里所公开的优化过程通过UE MR和小区KPI的实时反馈在线学习了环境，利用机器学习分析以向小区分配可操作的指标/标签。优化过程使内部算法参数(如指标阈值)自适应改变中的环境(数据)，并学习给定状态下给定小区的正确措施规则。阶段中结合领域专长和复杂过程(基于探索和学习的优化)决定联合校正措施。相对于该方法，其他方法使用了基于临时工程知识的规则和不可靠的模型。对于工程参数数据库错误和不知道UE位置的情况，该优化过程是稳健的，并且相对于昂贵且不可靠的基于UE位置的优化技术，该优化过程具有最小建模假设。

优化过程是自驱动的，其使用机器学习的具有工程知识指导的小步措施的小区标签或责任指标以快速提取网络性能中的初始增益。为了进一步的优化，通过利用探索风险平衡奖励的偏置随机方式采取措施。随着时间的推移，优化过程从差错或错误决定中学习，最终为给定小区状态选择最优措施。因此，整个过程很快，并且比受多小区复杂交互困扰的工程师做得好。该优化过程通过减少对大批优化工程师和昂贵的驱动测试和模型校准的需要提供了高性价比解决方案。该优化过程可以很容易扩展到优化附加CCO参数，比如信道功率偏置和CCO&负载均衡(CCO+LB)场景。该优化过程用于适应蜂窝网络和业务量变化等的不同场景，且很容易转移和扩展到其他通信领域和部署。

确定小区状态以调整天线配置参数

上述用于优化小区专用天线配置参数的过程可以使用各种小区状态进行基础增量调整。以下描述的是根据本公开用于确定这类小区状态的实施例。

图10示出了用于确定小区状态以调整天线配置参数的过程1000。过程1000从方框1002开始，通过网络从UE设备104接收MR。如上所述，MR可以包括多个UE相关参数和小区相关参数，例如小区ID、参考信号接收功率(RSRP)、参考信号接收质量(RSRQ)、服务小区ID以及定时提前参数。在方框1004处执行对MR的数据提取、过滤、聚集和处理，以获取与网络性能相关联的值。用于网络性能分析的值包括用在LTE网络100中的RSRP等参考信号强度值，用于LTE网络100的参考信号信干噪比(RS-SINR)或RSRQ等参考信号质量值也可以包括在分析工作中。

虽然讨论的是关于LTE网络100，但是过程1000也可以在通用移动通信系统(UMTS)网络等其他网络类型中实现。UMTS网络中的参考信号强度值可以包括接收信号码功率(RSCP)或每芯片能量和干扰水平(Ec/Io)。根据MR得出的其他值还可以用于小区状态的确定。虽然MR信息，尤其周期MR信息提供了网络的最优样本，但是还可以使用网络数据的其他来源，包括但不限于信道质量指示(CQI)、关键绩效指标(KPI)、性能监测(PM)计数器以及关键质量指示(KQI)指标。

根据UE设备104发送的MR得出的值用于为网络中的每个小区进行多次小区状态确定。在方框1006处进行覆盖状态分析，以确定小区提供了良好覆盖还是弱覆盖。下面结合图11-13B对该覆盖状态分析的例子进行详细描述。在方框1008处进行过冲分析，以确定小区是过冲方还是非过冲方。下面结合图14-17对该过冲分析的例子进行详细描述。在方框1010处进行干扰分析，以确定小区是干扰方还是非干扰方。下面结合图18和图19对该干扰分析的例子进行详细描述。在方框1012处进行质量分析，以确定小区属于良好质量还是劣质量。下面结合图20和图21对该质量分析的例子进行详细描述。在方框1014处，小区标签是根据小区状态判定识别出的，通过结合分配给小区的小区状态标签集合成每个小区以创建小区签名。

每个小区的小区签名(即，小区标签的组合)可以用在方框1016中，以自动进行天线配置参数调整，以便优化覆盖、质量以及容量，以使用策略的领域知识。例如，网络组件可以指示小区簇基于向每个小区分配的小区签名调整其小区配置参数(例如，其天线倾角、传输功率或二者均调整)。具体地，例如，如果小区被标为“良好”覆盖和“劣”质量，则该小区的传输功率可以被增大。再例如，如果小区被标为“良好”覆盖和“强”干扰，则该小区的天线倾角和/或传输功率可以被减小。在一些实施例中，每个小区被分配的标签的组合和每个对应小区的当前天线倾角和/或RS功率水平被用于确定小区配置调整。在小区被标为“良好”覆盖和“强”干扰的例子中，如果小区的当前天线倾斜程度“小”，则该小区的天线倾角可以有少量的减小，该减少的量是天线倾角量的预定义水平。在一些实施例中，网络组件可以将向小区分配的状态标签的组合和该小区的当前天线倾角和/或RS功率水平映射到措施，并将该措施分配给该小区。措施表示小区的配置参数中一个或多个配置参数的变化，例如小区的天线倾角和/或RS功率的增大或减小。在考虑向小区分配的状态标签、小区的当前配置以及可能影响其小区状态的其他因素的情况下，可以基于领域知识、经验或专业知识分配措施。

在一些实施例中，不是网络组件控制自动调整，而是进行半自动调整，即通过向领域优化工程师提供小区签名，以指导他们在正确的方向上进行天线配置参数的调整。

此外，具有相似签名的小区可以聚集在方框1018中，以建立用于预测分析的KPI模型。通常，KPI预测模型是算法，用于识别哪些KPI可能是例如丢包率等劣关键质量指示(KQI)的根本原因。例如，在覆盖容量优化(CCO)的上下文中，当劣KQI与RSRP水平相关联时，可以增大天线上倾角，因为其指示根本原因是弱覆盖，而当劣KQI与干扰相关联时，可以增大天线下倾角，因为其指示根本原因是弱覆盖。相似小区群组的KPI预测模型可以预测给定的网络性能预测，例如业务量和资源消耗变量。由于对小区的给定类型或群组的新特征的应用，KPI预测模型还可以预测增益/损失。KPI预测模型基于实际的历史/现场实验数据建立，在特征推荐、分析和改进的使用方面具有示范性价值。关于KPI预测模型的其他信息可以参考于2015年7月28日提交的申请号为14/810,699的共有美国专利申请，其内容通过引用结合在本文中。根据UE设备104发送的MR生成的小区标签和签名提供了一种将小区等组成池数据以建立更多强大的预测分析模型的方式。

图11示出了图10的方框1006中确定的可以向小区分配的覆盖状态。小区可以有良好覆盖状态1102或弱覆盖状态1104。如果小区被认为处于弱覆盖状态1104，则可以向该小区进一步分配弱边缘状态1106或弱内部/不足状态1108。还可以向被分配了弱覆盖状态1104的小区分配弱边缘状态1106或弱内部/不足状态1108。此外，被分配了弱覆盖状态1104的小区可能会被看作既不处于弱边缘状态1106也不处于弱内部/不足状态1108。向小区分配弱覆盖状态1104、弱边缘状态1106和/或弱内部/不足状态1108是基于UE设备104发送的MR中的RSRP值的。当然，图11中所示的覆盖状态1102-1108仅仅是个例子。在其他实施例中，可以有附加的中等覆盖状态。例如，可以有一个或多个基于RSRP值的范围的附加弱覆盖状态。

图12示出了小区如何处于弱边缘状态1106和/或弱内部/不足状态1108的例子。处于弱边缘状态1106的小区中有一定数量/比例的UE设备104提供低于覆盖阈值的对应RSRP值。此外，处于弱边缘状态1106的小区中有一定数量/比例的UE设备104提供与该小区的平均RSRP值的覆盖参考范围内的一个或多个邻近小区相关联的RSRP值。在该场景下，具有对应于最优服务小区的低RSRP值的UE设备104很有可能位于该最优服务小区提供的覆盖边缘附近，该对应于最优服务小区的低RSRP值与邻近小区相关联的足够高的RSRP值相耦合。

处于弱内部/不足状态1108中时，小区中有一定数量/比例的UE设备104提供低于覆盖阈值的小区RSRP值。此外，这些UE设备104不报告与覆盖参考范围内的邻近小区相关联的RSRP值。具有用于最优服务小区的低RSRP值的UE设备104很有可能位于该小区的内部附近，该用于最优服务小区的低RSRP值与邻近小区的非有效RSRP值相耦合。

图13A-13B示出了用于确定小区的覆盖状态的过程1300。在图13A中，过程1300首先对小区进行最优服务的每个UE设备104进行分别分析，将每个UE设备104分类为良好覆盖或弱覆盖中的一个。属于弱覆盖的那些UE设备104进一步被分为弱边缘覆盖或弱内部/不足覆盖。然后在图13B中，过程1300聚合UE设备104的分类，确定属于具有弱覆盖的小区的UE设备的比率，然后比较该比率与阈值，以便向小区分配覆盖状态。

图13A中，过程1300从方框1302开始，接收来自UE设备104的MR。方框1304中，根据MR识别小区进行最优服务的那些UE设备104。方框1306中，针对每个UE设备104，比较来自与小区对应的MR的RSRP值与覆盖阈值。如果该RSRP值超过覆盖阈值，则在方框1308处将UE设备104分配到良好覆盖分类。如果该RSRP值不超过覆盖阈值，则在方框1310处将UE设备104首次分配到弱覆盖分类。在方框1312处，比较UE设备的MR中与邻近小区相关联的RSRP值和覆盖偏移阈值范围。如果与邻近小区相关联的至少一个RSRP值在覆盖偏移阈值范围内，则在方框1314处将UE设备104分配到弱边缘分类。如果覆盖偏移阈值范围内不存在与邻近小区相关联的RSRP值，则在方框1316处将UE设备104分配到弱内部/不足分类。小区可以被分配弱边缘状态和弱内部/不足状态中的任意一个、两者均分配或均不分配，与小区不同，弱覆盖的UE设备104仅分被为弱边缘或弱内部中的一个。

图13B中，过程1300在方框1322处继续进行图13A中确定的UE设备104的分类的聚合。在方框1324处，根据聚合确定弱覆盖UE的比率。在方框1326处比较弱覆盖UE的比率和覆盖比率阈值。如果弱覆盖UE的比率不超过覆盖比率阈值，则在方框1328处小区被分配良好覆盖状态。如果方框1326处弱覆盖UE的比率超过覆盖比率阈值，则在方框1330处确定弱边缘UE和弱内部/不足UE的比率。在方框1332处，比较弱边缘UE的比率和边缘比率阈值。如果弱边缘UE的比率超过边缘比率阈值，则在方框1334处小区被分配弱边缘状态。此外，在方框1336处比较弱内部/不足UE的比率和内部比率阈值。如果弱内部/不足UE的比率超过内部比率阈值，则在方框1338处小区被分配弱内部/不足状态。如果弱边缘UE的比率和弱内部/不足UE的比率均没有超过他们各自的比率阈值，则在方框1340中小区被分配弱覆盖状态。

图14示出了图10的方框1008中所确定的可以向小区分配的过冲状态。小区可以被分配过冲方状态1402或非过冲方状态1404。如果由另一区域中的较远小区进行服务的UE设备104的MR中的小区的关联RSRP值排在该较远小区的RSRP值的靠前几位内，则该小区可以看作处于过冲方状态1402。

图15示出了过冲方状态下小区的例子。位于区域X中的小区x1内并由该小区x1进行最优服务的UE设备104向为小区x1提供覆盖的eNB无线接入节点102发送MR。需要注意，我们不知道UE设备104的具体位置，也不需要知道。UE设备104发送的MR中的参数值提供UE设备104由小区x1服务的指示，这都是为了分析所需。UE设备104发送的MR中的参数值可以指示可能的过冲方小区。在该例子中，区域Y中的小区y4可能处于过冲方状态。如果与小区y4相关联的RSRP值在报告的RSRP值中的前几位和/或在与小区x1对应的RSRP值的一定阈值内，则小区y4可以处于过冲方状态。例如，小区x1中UE设备104发送的MR报告包括与不同小区相关联的多个RSRP值。表二示出了在其MR中UE设备104报告的前6个RSRP值的排名列表。

表二

RSRP值排名小区1x1(被过冲方)2x23x34y4(过冲方)5x46x5

位于区域Y中的小区y4与区域X中的其他小区相比，距离小区x1相对较远。通常，相距较远的小区本不应排在RSRP值列表的靠前位置。因此，小区y4在表二中通常本应该排名更靠后(例如，至少排在与小区x1更靠近的小区x4和x5的后面)。因为排在UE设备104的RSRP值的前6位，所以y4是可能的过冲方。此外，如果小区对出现在根据发送的MR确定的RSRP值列表的前k位中和/或RSRP值的差小于一定阈值，则UE设备104被看作处于重叠状态。例如，阈值为3dB，当然，可以使用所需的任何阈值。考虑在区域或网络中给定多个重叠的UE设备104，以识别可能的过冲方是否是过冲方，此处不再描述。

图16示出了重叠UE设备104和过冲标识之间的关系的绘图1600。绘图1600中的每个点是小区对，其中，小区对中小区间的距离沿着y轴增大。理想情况下，小区对中小区间的站点间距离越大，针对小区对的重叠UE设备104越少。使用图15中的小区标识符，预计小区对x1、x2，小区对x1、x3，以及小区对y3、y5存在相对较高数量的重叠UE设备104，因为每个小区对中各小区之间的距离相对较短。小区对x1、y1和小区对x1、y2存在相对较低数量的重叠UE设备104，因为每个小区对中小区间的距离相对较长。

规范(Norm)中离群小区对(outlier cell pairs)指示过冲方可能性。相对于具有相似站点间距离的小区对，离群小区对，例如小区对x1、y4，具有极高数量的重叠UE设备104。离群小区对的识别指示小区对中至少有一个小区可以处于过冲方状态。这样，小区x1和y4两者都是过冲方候选者，但是仅从图16并不能看出小区x1是过冲方，小区y4是被过冲方，或者小区y4是过冲方，小区x1是被过冲方。为了从过冲方候选者中确定出过冲方，还可以考虑使用例如表二所示的排列出的RSRP值列表。从表二可以看出，小区y4是过冲方状态候选者，因为其关联的RSRP值在小区x1所服务的UE设备104的RSRP值列表中的位置是意料之外的。然而，小区y4所服务的UE设备104的类似RSRP值列表的检测可以表明小区x1在RSRP值列表中的位置是意料之内的。例如，如果小区x1不是过冲方，则如所料，小区x1可以排在小区y1-y6的后面，并在小区x1-x6的中间。这样，通过检测小区x1所服务的UE设备104的RSRP值列表和小区y4所服务的UE设备104的RSRP值列表，可以确定小区y4是过冲方，小区x1不是过冲方。

图17示出了用于确定小区的过冲方状态的过程。过程1700从方框1702开始，接收每个小区的来自UE设备104的MR。方框1704中，根据MR识别每个小区进行最优服务的那些UE设备104。在方框1706处，各小区与另一个小区配对，为每个小区对计算站点间距离和重叠UE设备的数量。站点间距离可以通过小区与其最接近的邻近小区之间的中值站点间距离进行归一化。可以通过除以对中的参考小区(例如小区x1)与其最接近的n个邻近小区的站点间距离进行归一化。进行归一化以规范通过小区的图像(picture)，并建立真实世界或仿真例子中的全局数据库。然后在方框1708中识别离群小区对。针于小区对中小区间的站点间距离，离群小区对可以具有极高数量的重叠UE设备104。在方框1710处，确定每个离群对的过冲方候选小区。然后，在方框1712中，通过检测RSRP值的排名列表确定过冲方候选者中的过冲方。例如，如上所述，过冲方小区具有与离群小区对中的另一小区的最高RSRP值接近的关联RSRP值。在方框1714中向过冲方小区分配过冲方状态。

根据另一实施例，现在对用于确定过冲方状态的算法进行描述。该算法使用数量术语N()、服务_半径()以及规划_半径()，在下面进行定义。

N(s)是给定服务小区s的“估计的”邻近列表中的所有邻近小区的集合。集合N(s)可以基于从一个或多个MR中提取的信息被推断或估计出(可以利用小区方位信息，也可以不用)。之后该算法中，N(s)还可以用于计算特征归一化因子，该特征归一化因子是小区s和邻近小区所服务的所有MR的和。

服务_半径(s，o)将涉及小区对(服务小区s和邻近小区o)的一个或多个拓扑参数映射到小区o的方向上的服务小区s的半径上。

小区s的规划_半径(s)是s的邻近小区列表，即N(s)中的所有o中的小区o的预定义的关联最紧密的子集上的服务_半径(s，o)的平均值或中值。

进行过冲方检测的算法如下，在小区c的一个或多个小区级变量中，该算法的计数器对以下值进行计数：

(1)小区c所服务的MR的数量，其中小区c具有劣服务小区RSRQ(例如，低于T3dB)且不具有根据到c的TA距离确定的“较远”的其他明显重叠小区(即，MR列表中的RSRP在服务小区的T2dB内)。此处，T3是分隔MR(针对服务小区)的良好RSRQ和劣RSRQ的预定RSRQ阈值，可以在例如[-20，0]范围内。T2是预定的RSRP偏移，用于确定小区对在MR中是否具有明显重叠，可以在例如[9，20]范围内。TA距离是在MR中找到的参数，表示提交MR的UE设备到其服务小区的估计距离。

(2)小区c所服务的MR的数量，其中小区c具有劣服务小区RSRQ(例如，低于T3dB)且出现到c的TA距离“较远”的其他明显重叠小区，这样明显“较远”的非邻近重叠小区的数量就占重叠小区总数量的主要比例(例如，大于Tn阈值)。其中，Tn表示针对过冲方检测的MR中出现的邻近小区与小区总数量的比例的阈值。由于这是个小整数的比率，所以只有一定的量化的值(例如，0到1之间的值)可作为阈值选项。

(3)非小区c所服务的MR的数量，其中，小区c具有劣服务小区RSRQ(例如，低于T3dB)且小区c既是明显重叠方，也是服务小区(根据MR已确定其本身“非较远”)的“较远”非邻近小区。

然后，该计数器利用c的责任归一化因子(即，c及其邻近小区所服务的MR的数量)进行归一化，并与阈值Tos进行比较。其中，Tos是预定阈值，可以在0到1之间。

如果小区c的归一化过冲计数器超过Tos，并且针对每小区分析集群平均值小区c所服务的MR的分数超过Tosormintraf，则小区c被称为过冲方。其中，Tosormintraf是预定义阈值，表示小区在被合格地称为过冲方之前必须承载的业务量(即，小区的服务MR/每小区MR的分析集群平均值)的最低分数。关于小区c的业务量的后一种条件是为了稳定的统计推理。应注意，上述对MR的“较远”判断是以其TA距离比率(针对服务小区的规划半径)超过Factor1Upper为基础的。其中，Factor1Upper表示预定阈值，用于比较MR的基于TA的距离的比率与服务小区的规划半径，并确定MR是否较远。

利用服务小区s和其估计邻近小区N(s)的总业务量(服务的MR)对计数器进行归一化对保证相对于业务量不变的标准阈值的设置或被分析的小区的特定设置是重要的。

可以通过真实的现场试验或市场数据的离线分析学习用于过冲的阈值，例如Tos。如果使用过冲方的标注的例子(由领域专业工程师做出)指导阈值的设定，则称为监督学习；否则，称为无监督学习(观察指标和离群值的分组以确定阈值)。同样，如果自动算法学习了该阈值，则称为机器学习。

图18示出了图10的方框1010中所确定的可以向小区分配的干扰状态。如图18所示，小区可以作为强干扰方/多干扰方1802、中等干扰方/单干扰方1804或弱干扰方/非干扰方1806。当然，这仅仅是个例子。在其他实施例中，在强干扰方/多干扰方1802和弱干扰方/非干扰方1806之间可以存在表示不同干扰等级的附加中等干扰方状态。如果第二小区进行最优服务的UE设备104的MR中与第一小区相关联的RSRP在第二小区进行最优服务的UE设备104报告的平均RSRP的阈值范围内，则第一小区可以是相对于第二小区的是干扰小区。

图19示出了用于确定小区的干扰方状态的过程。过程1900从方框1902开始，接收每个小区的来自UE设备104的MR。方框1904中，根据MR识别每个小区进行最优服务的那些UE设备104。在方框1906处，如果与另一小区相关联的RSRP排在该小区的RSRP的前k位内和/或在各小区中的平均RSRP的干扰范围内，则在各小区中进行确定。RSRP在另一小区的RSRP的前k位内的小区可以是该另一小区的干扰方。方框1908中，由于另一小区的RSRP在本小区的最高RSRP值的阈值范围内，所以可以识别所有具有低于质量阈值的RS-SINR的每个小区进行最优服务的UE设备104。方框1910中，每个小区与其他小区作为小区对，维护干扰责任计数器，以记录有多少UE设备104受到非服务小区的影响。方框1912中，通过将所有受到影响的小区的干扰责任计数器相加确定小区的总责任计数器。方框1914中，判断该总责任计数器是否大于第一干扰阈值或第二干扰阈值。如果该总责任计数器不超过第一干扰阈值或第二干扰阈值，则在方框1916处为小区分配弱干扰状态/非干扰状态。如果该总责任计数器大于第一干扰阈值但小于第二干扰阈值，则在方框1918处为小区分配中等干扰状态/单干扰状态。如果该总责任计数器大于第二干扰阈值，则为小区分配强干扰状态/多干扰状态。该总责任计数器可以通过被分配了干扰方状态的小区的邻近区域内的所有小区所服务的UE设备104的总数进行归一化。

上述图19的实施例是基于对一个干扰特征或指标的考虑，即具有低于质量阈值的RS-SINR的UE设备的数量。这仅仅是个例子。在其他实施例中，可以在分析中使用其他或附加的干扰特征，包括在受到影响的UE设备104的数量或比例方面受特定小区影响的小区的数量，或邻近小区所服务的UE设备104的可能干扰方小区MR的平均或中值RSRP。在一些实施例中，相对于多个对应的阈值，可以考虑有多个干扰特征。如果有多个干扰特征(每个特征具有对应的阈值)，则可以使用图3A-3E所示的聚类算法同时分析多个干扰特征。

图20示出了图10的方框1012中所确定的可以向小区分配的质量状态。小区可以看作属于良好质量2002或劣质量2004。具有一定比例的良好质量UE设备104的特定小区被分配良好质量状态，其中该特定小区是UE设备104的最优服务者。具有少于一定比例的良好质量UE设备104的特定小区被分配劣质量状态，其中该特定小区是UE设备104的最优服务者。对于良好质量UE设备104，RS-SINR或RSRQ值大于质量阈值。相对于相关关键绩效指标(KPI)和描述UE设备104的体验质量(QoE)的关键质量指示(KQI)，通过关联UE设备104的RS-SINR或RSRQ，以监督、半监督或无监督的方式确定、自动调整或学习质量阈值。当然，图20所示的质量状态2002-2004仅仅是个例子。在其他实施例中，基于良好质量UE设备104的中间阈值，良好质量2002和劣质量2004之间可以有一个或多个附加的中间质量状态。

图21示出了用于确定小区的质量状态的过程2100。该过程2100从方框2102开始，接收来自UE设备104的MR。方框2104中，根据MR识别小区进行最优服务的那些UE设备104。方框2106处，针对小区进行最优服务的UE设备104，比较来自MR的RS-SINR/RSRQ值和质量阈值。在方框2108处，确定超过质量阈值的小区进行最优服务的UE设备104的比例。在方框2110处，比较超过质量阈值的UE设备104的比例与质量参考比例。如果超过质量阈值的UE设备104的比例大于质量参考比例，则在方框2112处为小区分配良好质量状态。如果超过质量阈值的UE设备104的比例不超过质量参考比例，则在方框2114处为小区分配劣质量状态。小区的良好质量状态或劣质量状态的分配影响小区的天线配置参数的调整。基于比例大于或不超过质量参考比例的程度，可以以不同程度为小区分配良好质量状态或劣质量状态。小区的良好质量状态和劣质量状态的不同程度可以为小区的天线配置参数提供不同的调整。

图22示出了适配为通过LTE网络100发送和接收信令的收发器2200的框图。如本文实施例所描述的，一个或多个收发器2200可以在被配置用于调整小区专用天线配置参数和/或确定小区状态的eNB无线节点102中实现。如图所示，收发器2200包括网络侧接口2202、耦合器2204、发射器2206、接收器2208、信号处理器2210和设备侧接口2212。网络侧接口2202可以包括任何组件或适配为通过LTE网络100发送或接收信令的天线等组件的集合。耦合器2204可以包括适配为通过网络侧接口2202便于双向通信的任何组件或组件的集合。发射器2206可以包括适配为将基带信号转化成适于通过网络侧接口2202传输的调制载波信号的任何组件或组件的集合(如上变频器、功率放大器等)。接收器2208可以包括适配为将通过网络侧接口2202接收的载波信号转化成基带信号的任何组件或组件的集合(如下变频器、低噪声放大器等)。信号处理器2210可以包括适配为将基带信号转化成适于通过设备侧接口2212通信的数据信号的任何组件或组件的集合，反之亦然。设备侧接口2212可以包括适配为信号处理器2210与主设备(如UE设备104、局域网(LAN)端口等)内的组件间传送数据信号的任何组件或组件的集合。

收发器2200可以通过任何类型的通信介质发送和接收信令。在一些实施例中，收发器2200通过无线介质发送和接收信令。例如，收发器2200可以是适配为根据无线电信协议，例如蜂窝协议(例如长期演进(LTE)等)、无线局域网(WLAN)协议(例如Wi-Fi等)或任何其他类型的无线协议(例如蓝牙、近场通信(NFC)等)通信的无线收发器。在此类实施例中，网络侧接口2202包括一个或多个天线/辐射元件。例如，网络侧接口2202可以包括单个天线、多个单独的天线或被配置用于多层通信的多天线阵列，例如单输入多输出(SIMO)、多输入单输出(MISO)、多输入多输出(MIMO)等。这些天线的配置参数基于上述确定的小区的一个或多个状态进行调整。在其他实施例中，收发器2200通过诸如双绞线电缆、同轴电缆、光纤等有线介质发送和接收信令。特定处理系统和/或接收器可以使用所示的所有组件，或仅使用组件的子设备，并且集成的水平可以因设备不同而不等。

图23描述了适用为实现本发明所公开的一个或多个实施例的通用计算组件2300的简化的例子。计算组件2300可以在每个小区处合并，以确定上述的小区的一种或多种状态。上述用于调整小区专用天线配置参数和/或确定小区状态的特征可以在任何通用计算组件上实现，诸如具有足够处理功率、存储资源和网络吞吐量能力的计算机或网络组件上，以处理其所承载的必要的工作负荷。例如，计算组件2300可以在每个eNB无线接入节点102中或在网络级别的集中式服务器中实现，以执行本发明所述的特征。计算组件2300包括与辅助存储器2304、只读存储器(ROM)2306和随机存储器(RAM)2308设备通信的处理器2302(可以称为中央处理器单元或CPU)、输入/输出(I/O)设备2310、和网络/组件连接设备1112。处理器2302可以被实现为一个或多个CPU芯片，或者可以是一个或多个专用集成电路(ASIC)的一部分。

辅助存储器2304通常包括一个或多个磁盘驱动器或磁带驱动器，其用于数据的非易失性存储，如果RAM 2308不足以保存所有工作数据，则其用作溢出数据存储设备。当加载到RAM 2308中的程序被选择用于执行时，辅助存储器1104可以用于存储这类程序。ROM2306用于存储在程序执行期间读取的指令和可能的数据。ROM 2306是非易失性存储器设备，相对于辅助存储器2304的较大存储容量，其通常具有小的存储容量。RAM 2308用于存储易失性数据并且可能存储指令。对ROM 2306和RAM 2308的访问通常比对辅助存储器1104的访问快。

针对大型接近实时网络优化问题的解决方案

本公开的实施例提供了用于解决大型接近实时网络优化问题(例如，SON使用情况)的一般方法。本公开的实施例可以将大型网络分为较小网络的子群，然后利用模拟退火技术优化子群的控制决定。模拟退火(SA)是通用的概率性元启发算法，用于解决大型搜索空间中定位给定函数的全局最优值的近似值的全局优化问题。在一实施例中，一种方法可以在全局或子群等级上动态识别和/或分类有问题的小区，并基于问题较多的小区先被优化的优先级优化小区。在一些实施例中，自学习解决方案基于实时反馈(例如，UE MR、KPI、错误、奖励)被在线执行。自学习解决方案也可以基于模拟离线被执行。

本公开的实施例可以提供避免局部优化以获得全局最优或接近全局最优方案的技术。该技术可以通过由在线学习系统经验的基于模拟退火(SA)的指导随机搜索和通过模拟器的主动式离线优化来实现，进而根据某些准则(例如，都市(Metropolis)等)接受较差方案。

本公开的实施例提供自主、闭环、自适应、自学习技术，在不同网络实施中都很稳健。实施例方法可以利用最小建模假设，并对UE位置信息的缺少和/或不准确工程参数不敏感。

利用实施例自主自适应模拟退火算法可以适应针对小区簇的控制参数。本公开的方面提供自主自适应模拟退火算法。通过以下十步对实施例算法进行描述。

第一步包括获取初始方案(S)和初始温度(T0)。在一实施例中，基于离线模拟期间的目标函数或成本函数选择启动温度(T0)。在另一实施例中，通过增加启动温度(T0)直到接受率超过阈值，例如90％等，选择启动温度(T0)。

第二步包括利用约束(例如，目标函数中使用的参数的阈值和权值(例如RSRP、SINR))估计初始方案的成本。这可以包括归一化过程，其考虑到每小区成本、总成本与UE总数的比率以及成本与每小区UE数量的比率。第二步还可以考虑每小区或每区域(例如，所有小区或小区的部分群组，例如邻近小区)成本、成本比例(每小区成本与每小区UE数量的比率)以及分布(例如由小区加权)。

第三步包括生成新方案(S新)。新方案可以利用均匀算法、指导随机搜索(例如高斯、柯西)等不同自适应(例如，在线)算法生成。新方案还可以通过结合强化学习的离线模拟生成。生成新方案可以包括选择对哪些小区进行调整。这些小区可以利用启发式算法(例如由非每小区UE的成本、第一个m、指数概率分类)或利用混合算法(例如部分随机，部分启发)随机选择。被优化的小区的数量可以被固定(例如，X个小区)或自适应(例如，基于有问题的小区的优先级或严重性)。每次迭代可以调整一个或多个参数。可以应用各种变化/措施/扰动机制调整要被调整的参数。例如，可以在正方向或逆方向上调整参数。调整可以使用不同的步长调整参数，例如小步、大步、绝对步长、相对步长、固定步长/范围、依据系统/小区级的温度或离线模拟的自适应步长/范围等。

第四步包括估计新方案的成本。第五步包括确定是否要选择新方案作为当前方案。该决定可以考虑各种准则，可以是基于概率和/或基于阈值的。例如，该决定可以考虑与新方案的成本相关的准则，例如，新方案的成本和最优成本之差、每UE或每小区成本等。

第六步确定是否已达到平衡条件(更新T之前执行的迭代#)。如果没有达到，则该技术返回到步骤三。第七步包括学习从第一轮的六步中获取的经验，例如系统的反馈、错误、奖励等。该步骤可以更新模型和/或参数，例如控制参数(例如系统/小区级温度Tn)、模拟器使用的传播模型、工程参数、用于识别有问题的小区、生成新方案和接受新方案的参数/模型等。

第八步确定是否已经满足了反向/保护条件。如果已经满足，则该技术根据某些准则逐步后退到前一方案。该步骤可以有助于避免出现局部最优方案。第九步根据某些准则确定是否已经达到终止准则。如果还没有达到，则该技术返回到步骤三。第十步返回所有方案和相关参数，例如Sbest、Cbest、S、C、Sall和Call。

图24描述了利用自主自适应模拟退火算法调整小区簇的通信参数的实施例流程图。如图所示，方法2400通过识别所有有问题的小区开始。接下来，方法2400生成要进行优化的小区子群。然后，方法2400选择要进行并行优化的小区子群和/或按顺序进行优化的小区子群。之后，方法2400选择每个子群中要进行优化的小区。接下来，方法2400生成新方案。然后方法2400确定在系统级上是否要选择新方案。

如果在系统级上选择了新方案，则方法2400确定是否要在小区级上选择新方案。如果在系统级上选择了新方案，则方法2400继续学习其经验。学习了新方案后，方法2400可以记录该方案，并更新模型/参数。学习了经验后，方法2400确定是否要终止子群。如果子群被终止，则方法2400重新选择子群中要进行优化的小区。如果子群没有被终止，则方法2400输出最优方案，然后确定是否要终止SON会话。如果新系统在系统级或小区级上被拒绝，则方法2400返回。

本公开的方面提供用于基于SA自学习期间为所选择的小区生成新方案的技术。图25描述了基于SA自学习期间为所选择的小区生成新方案的实施例流程图。如图所示，方法2500通过启动针对所选择的小区的新一轮优化开始。可以使用各种准则确定什么时候开始新一轮优化。在一些实施例中，可以并行优化两个或更多小区的群组。在一实施例中，可以仅在群组中一定数量的小区完成前一轮优化后启动新一轮优化。在新一轮优化期间，为小区选择方向。可能的方向可以包括RF参数的随机生成和/或预定的方向，例如，电子天线倾角、功率(向上/0、向下/0、0/向上、0/向下、0/0)等。这些方向可以利用自适应在线技术或通过离线模拟确定。可以使用各种方法确定方向，例如，指导随机、学习经验(例如，正向增益的最大概率的方向)、启发式(例如专家系统、白盒)、离线模拟(例如网络实验室)、方向的预定顺序、自适应(例如当前eTilt<(max-min)/2时的上倾角)、强化学习等。

之后，基于所选择的方向上的步长调整参数，完成后生成方案。接下来，方法2500确定是否继续在当前方向上进行。如果继续，则在所选择的方向上再次调整参数，生成方案。某一时刻，确定改变当前小区的方向，在该时刻参数在不同的方向上被调整。迭代生成输出直到达到终止条件，例如，所有方向都已被考虑、方向的阈值数量已被考虑等。之后，选择新小区，并估计新小区的方向，以生成相应的方案。迭代地估计所选择的子群中的小区，直到达到另一个终止条件，在此刻输出新方案。在达到迭代或轮次的阈值数量后，可以出现终止条件。终止条件还可以包括基于结果的准则，例如负向增益、负向增益的数量，拒绝的数量等。

图26描述了图25所述的方法2500的仿真结果的绘图。这些结果是未等所有小区在前一轮中都进行调整就通过启动新一轮调整获得的。进行了三轮调整。图27描述了图25所述的方法2500的仿真结果的绘图。这些结果是所有小区在前一轮中都已经调整后通过启动新一轮调整获得的。

图28描述了利用自主自适应模拟退火算法调整小区簇的通信参数的实施例流程图。如图所示，方法2800通过识别所有有问题的小区开始。接下来，方法2800生成要进行优化的小区子群。然后，方法2800选择要进行并行优化的小区子群和/或按顺序进行优化的小区子群。之后，方法2800选择每个子群中要进行优化的小区。接下来，方法2800生成新方案。然后方法2800确定在系统级上是否要选择新方案。

如果在系统级上选择了新方案，则方法2800确定是否要在小区级上选择新方案。如果在系统级上选择了新方案，则方法2800继续学习其经验。学习了新方案后，方法2800可以记录该方案，并更新模型/参数。学习了经验后，方法2800确定是否要终止子群。如果子群被终止，则方法2800重新选择子群中要进行优化的小区。如果子群没有被终止，则方法2800输出最优方案，然后确定是否要终止SON会话。如果新系统在系统级或小区级上被拒绝，则方法2800返回。

本公开的方面提供用于动态调整小区专用射频(RF)配置参数(例如，电天线倾斜、参考符号(RS)导频功率等)以优化目标函数的技术。在一实施例中，单个小区的RF参数被调整为使每小区性能指标最大化。在另一实施例中，两个或更多小区的RF参数被共同调整为使网络性能指标最大化，例如，覆盖、容量等方面的QoE。

在一些实施例中，参数被在线递增地调整。簇中不同小区的参数可以被共同调整，用于长期优化的闭环中可以不断地看到来自UE测量报告(MR)的结果反馈。MR中的真实UE反馈(例如，无传播模型估计)更新目标函数，以识别小区状态指示，并进行步进式参数调整。在一些实施例中，目标函数不依赖于UE位置信息。

只要来自典型UE设备的MR(RSRP、RS-SINR或RSRQ)可用于给定的天线配置参数变化，那么目标函数就可以被准确估计。这样，目标函数就可以不需要正确的天线倾角和功率信息。系统目标函数和小区级指标可以是UE状态信息(例如，MR等)的聚集，该聚集不需要评估各UE的位置。即使初始配置参数值不准确，利用天线参数的改变导致小区/系统指标的可测量变化，他们仍可以向有意义的方向调整。

本公开的各方面提供自适应模拟退火(SA)技术，该技术结合了通过闭环的基于SA指导的随机搜索的真实网络的在线优化和相关参数和/或为了从错误和奖励等经验中学习而通过模拟网络(例如，Netlab、Unet)迭代地有效探索方案空间的措施的主动式离线优化。该技术可以允许基于来自系统的实施反馈选择措施。实施例中可以动态选择和演进最有可能的在线优化措施，这可以使系统适应新的无法预料的条件和情况。实施例中还可以基于来自系统的实时在线反馈更新SA和/或模拟器使用的模型和参数，以提供快速收敛，避开局部优化的陷阱。

本公开的方面还提供实施例SON优化技术，该技术使用迭代学习方法，以调整无线网络配置参数。具体地，控制器迭代地生成并估计迭代序列上的全局方案。该过程中，当在后续迭代中生成全局方案时，控制器使用先前迭代期间从估计全局方案中获取的经验。这可以通过利用估计结果来实现，以更新用于生成全局方案的启发式/自适应算法的参数(例如，拓扑模型、业务量/使用模式)。这样，控制器在每次连续迭代期间关于网络学习了更多(例如，拓扑、条件、业务量模式等)，最终允许控制器使全局方案更接近于该网络。本发明所使用的术语“全局方案”指无线网络中两个或更多无线网络覆盖区域的局部方案集合。每个“局部方案”指定特定的无线网络覆盖区域的一个或多个无线配置参数。例如，在COO上下文中，局部方案可以指定无线网络覆盖区域中的接入点的天线倾角和/或无线网络覆盖区域的发送功率水平(例如，上行链路、下行链路，或其他)。在一些实施例中，在线实现期间全局方案被估计。在其他实施例中，离线模拟期间全局方案被估计。在还有一些其他实施例中，部分全局方案被离线估计，而另一些被在线估计。例如，从给定数量的迭代模拟中获取的最优实现全局方案可以在在线测试期间实现。全局方案可以以寻求改进最劣执行小区的性能指标的方式生成。例如，全局方案的无线配置参数可以按顺序被选择，以便改进与最高成本相关联的无线覆盖区域中的性能指标。

可以使用各种技术估计全局方案。一些实施例中，估计每个全局方案以确定其是否满足一个或多个全局性能准则，例如，全部成本、平均每小区成本等。如果全局方案不满足全局性能准则，则控制器可以返回前一全局方案，例如，较早迭代期间计算出的最低成本全局方案。如果全局方案满足全局性能准则，则控制器可以估计全局方案指定的每个局部方案，以确定哪个局部方案满足相应的局部性能准则。不同局部性能准则可以用于估计不同覆盖区域的局部方案。不满足其对应局部性能准则的局部方案可以用先前局部方案替换，例如，默认局部方案、前一迭代中计算出的全局方案定义的局部方案等。在一些实施例中，全局性能准则是前一迭代期间建立的相对基准(例如，当前全局方案以前计算出的最低成本全局方案)，而局部性能准则是绝对基准，例如，给定小区的性能的最低水平。

在一些实施例中，成本函数用于估计全局方案。成本可以是覆盖区域集合的总成本或覆盖区域集合的每小区成本平均值。在覆盖和容量优化的上下文中，全局方案的成本函数可以包括RSRP参数和干扰参数，例如，SINR水平等。在一实施例中，对应报告或预期报告的用户的数量的RSRP组件，在固定时间段期间低于RSRP阈值的RSRP测量值，对应报告或预期报告的用户的数量的干扰组件，在固定时间段期间高于干扰阈值的干扰测量值。在该实施例中，可以使用以下成本函数：成本＝0.5*Num_UE(RSRP≤Thr_rsrp)+0.5*Num_UE(INT≥thr_int)，其中Num_UE(RSRP≤Thr_rsrp)是报告或预计报告的UE的数量，固定时间段期间RSRP水平在RSRP阈值以下，Num_UE(INT≥thr_int)是报告或预计报告的UE的数量，固定时间段期间干扰水平在干扰阈值以下。在该例子中，干扰水平可以对应于通过测量参考信号得到的SINR水平。

一种用于确定小区状态以调整天线配置参数的系统包括接收模块，用于在网络中的无线接入节点处接收来自多个用户设备的测量报告。每个无线接入节点包括覆盖分析模块，用于响应与测量报告确定弱覆盖分析，以确定向无线接入节点提供的小区分配良好覆盖状态还是弱覆盖状态。覆盖分析模块还用于响应于测量报告进行过冲分析，以确定向无线接入节点提供的小区分配过冲方状态还是非过冲方状态。覆盖分析模块还用于响应于测量报告进行干扰分析，以确定向无线接入节点提供的小区分配干扰方状态还是非干扰方状态。覆盖分析模块还用于响应于测量报告进行质量分析，以确定向所述无线接入节点提供的小区分配良好质量状态还是劣质量状态。最后，调整模块用于响应于所述小区被分配的各种状态，对无线接入节点提供的小区的天线配置参数执行或进行调整。

一种用于调整小区专用天线配置参数以改进网络性能的系统包括接收模块，用于在网络中多个无线接入节点的每个无线接入节点处接收来自多个用户设备的测量报告。该系统还包括调整模块，用于响应于测量报告，在每个无线接入节点处对无线接入节点处的一个或多个天线的配置参数进行基础增量调整，其中测量报告被处理以得到调整所基于的以下参数中的一个或多个：表明各小区的对于指示覆盖或质量不足的测量报告的责任份额的小区级指标，以及指示每个小区的覆盖、质量、干扰或过冲状态中的任一种的小区标签组合。该系统接收模块被配置为在每个无线接入节点处接收来自增量调整后的多个用户设备的附加测量报告，以及响应于先前的增量调整后的测量报告，继续对无线接入节点处的一个或多个天线的配置参数进行基础增量调整，直到到达改进极限。该系统调整模块还进一步被配置为响应于改进极限，根据使覆盖和质量的目标函数最大化的数学搜索过程，对无线接入节点处的一个或多个天线的配置参数进行调整，直到实现期望的目标函数值或达到一定的迭代次数或直到没有进一步切实的改进。

在一些实施例中，一个或多个设备的全部或部分功能或过程可以通过计算机程序来实现或提供，该计算机程序由计算机可读取程序代码组成，并体现在计算机可读取介质中。术语“代码”包括任何类型的计算机代码，包括源代码、目标代码和可执行代码。术语“计算机可读取介质”包括计算机能够访问的任何类型的介质，例如只读存储器(ROM)、随机存取存储器(RAM)、硬盘驱动器、光盘(CD)、数字视频光盘(DVD)、或任何其它类型的存储器。当执行时，计算机程序可以检测核心轨迹，将核心轨迹转换成分层格式，生成基因功能数据库，并确定与基因功能相关联的抢占成本。

对本专利文件全篇所用的某些词汇和术语进行定义是有利的。术语“包含”和“包括”及其派生词是指包括但不限于。术语“或”包括和/或。术语“与......关联”和“与此相关”及其派生词指包括、包括于...内、与其关联、包含、包含于...内、连接到或连接于、耦合到或耦合于、与...通信、与...协作、交错、并置、邻近于、被绑定到或被绑定于、具有、具有...属性等。

虽然本公开描述了一些实施例和通常相关联的方法，但是本领域技术人员显然且很容易识别对这些实施例和方法的修改和置换。因此，本公开并不限定或约束以上所述实施例。在不脱离本公开所附的权利要求所定义的范围的前提下，可能有其它可能的变化、替换和修改。