一种基于神经网络的智能小区动态分组方法及系统与流程

本发明涉及无线通信，尤其涉及一种基于神经网络的智能小区动态分组方法及系统。

背景技术：

1、在蜂窝网络中，智能小区分组是将网络中的多个基站根据特定的标准和目标进行逻辑组合，也即是将一个较大地理区域中的基站划分为多个较小的服务区域，每个服务区域中包括一个基站或多个协同工作的基站以提供无线服务；其目的是为了提高网络的覆盖质量、增强信号的稳定性、优化资源分配以及提升用户服务体验，以实现资源的有效分配和网络性能的最大化，是网络规划和优化中较为关键的步骤。

2、目前，现有的蜂窝智能小区分组主要包括两种方式：静态分组和经验判断。静态分组，通常是基于一系列的标准操作程序和指导原则来进行基站分组的。例如，根据基站的发射功率、天线增益和其他因素来确定小区基站的覆盖范围；根据地形、建筑物分布和其他障碍物来决定基站的位置和高度；为了避免同频干扰，根据指导原则将频率资源分配给不同的基站；根据用户的分布和流量模式将用户分配到不同的基站。经验判断，主要是依赖于网络规划者的专业知识和历史经验来进行小区基站分组的。例如，网络规划者基于历史网络性能数据和用户行为模式进行分析以预测未来的网络需求，对无线通信原理、网络设计和用户需求的深入理解来制定分组方案，通过实地测试和测量来评估网络覆盖和性能，进而指导小区基站的划分。

3、然而，这两种方式都存在一些缺陷。静态分组不能适应网络环境的快速变化，不仅不能随着用户行为的波动而变化；而且响应时间长，当网络环境发生变化时，需要人工干预来调整，导致无法快速适应紧急情况。而经验判断一方面依赖网络规划者的专业知识、资源限制和个人经验，具有很大的主观性，经验判断的决策难以标准化，不同的网络规划者可能会做出不同的决策，导致不同的分组结果，一致性差、可重复性差、决策风险高，会在一定程度上增加网络故障和性能下降的风险；另一方面，通常需要大量的人工分析和现场测试，效率较低。

4、这些方法在网络设计和部署阶段被确定，并在设定后不能根据网络的实时状态进行实时调整，存在很大的局限性，不能灵活适应网络环境的动态变化，从而导致网络资源分配不均衡，影响整体的网络性能和用户体验。尤其在当今无线通信技术领域，5g网络中引入大规模mimo（多输入多输出）、网络切片和边缘计算等技术，网络的资源管理和优化需要更高的灵活性和智能性。而现有的静态分组和经验判断由于其固有的局限性，已无法适应灵活性和智能性的网络环境。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种基于神经网络的智能小区动态分组方法及系统，解决了目前小区分组所存在灵活性差、响应时间长、主观性强、分组效率低、不能适应动态变化的网络环境等问题。

2、一方面，本发明提供一种基于神经网络的智能小区动态分组方法，所述方法包括：

3、获取小区样本数据并进行预处理，得到特征矩阵以及与所述特征矩阵对应的基站分组方案；

4、以所述特征矩阵为输入特征，以所述基站分组方案为目标变量建立神经网络模型，并利用损失函数和优化器训练所述神经网络模型；

5、将当前小区数据进行预处理后输入所述神经网络模型中，输出当前基站分组方案。

6、进一步的，所述小区样本数据包括：用户特性、用户连接的基站序号、基站特性、基站分组方案、墙损、路损、干扰功率、信干噪比。

7、进一步的，所述特征矩阵包括确定特征集和与所述确定特征集对应的分组编码特征。

8、进一步的，所述预处理包括：

9、识别并处理所述小区样本数据中的缺失值和异常值，得到第一样本数据；

10、对所述第一样本数据中的数值型特征进行归一化或标准化处理，使所述数值型特征分布在预定范围内，得到初始特征集；

11、将所述第一样本数据中的基站分组方案进行独热编码，得到分组编码特征；

12、获取所述初始特征集与所述分组编码特征之间的相关性，移除所述初始特征集中无关或冗余特征，并对特征数量进行降维处理，得到确定特征集；

13、将所述确定特征集与所述分组编码特征进行组合，得到特征矩阵。

14、进一步的，所述神经网络模型包括：

15、数据获取模块，用于获取小区样本数据，识别并处理所述小区样本数据中的缺失值和异常值，并基于所述小区样本数据构建训练集、验证集和测试集；

16、特征提取模块，包括多个堆叠而成的卷积层-线性整流函数-卷积层基础模块，用于提取小区样本数据中的特征；

17、特征编码模块，包括一个池化层，用于对提取的特征进行归一化、标准化处理或独热编码；

18、分组模块，包括一个全连接层，用于学习特征之间的关系，输出基站分组方案。

19、进一步的，所述损失函数为：

20、

21、其中，表示权重参数，用于平衡信干噪比损失和分类损失；表示标准交叉熵损失，用于分类问题；表示神经网络模型根据输入特征所预测的信干噪比结果；，表示部分损失，表示惩罚系数，目标值用于衡量基站分组要求；当小于目标值时，部分损失为与目标值之差的绝对值；当大于或等于目标值时，部分损失为0。

22、进一步的，所述部分损失；

23、其中，表示惩罚系数，目标值设置为多个区间，不同区间对应不同的惩罚力度，、、、、...表示对应区间的惩罚系数，根据预设惩罚力度进行调整。

24、进一步的，获取所述初始特征集与所述分组编码特征之间的相关性的方法包括：皮尔逊相关系数分析、斯皮尔曼等级相关系数分析、互信息分析、主成分分析中的一种或多种。

25、进一步的，所述用户特性包括：用户高度、用户接收天线数量、用户地理位置；

26、所述基站特性包括：基站发射功率、基站高度、基站天线数量、基站地理位置。

27、另一方面，本发明还提出一种基于神经网络的智能小区动态分组系统，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现上述任一项方法的步骤。

28、总体而言，本发明提供一种基于神经网络的智能小区动态分组方法及系统，通过本发明所构思的技术方案，与现有技术相比能够取得下列有益效果：

29、（1）本发明通过对小区样本数据进行处理，并以特征矩阵为输入特征，以基站分组方案为目标变量建立神经网络模型来对小区进行分组，可以直接根据实时小区样本数据的变化自动从样本数据中学习和提取特征，从而自适应更新调整基站分组方案；使输出的基站分组方案可以更好的适应快速变化和不用场景的网络环境和不断变化的用户需求，响应时间少，适应性强；此外，不依赖人工经验，避免了人工参与复杂的特征工程，减少了人工干预的误差，提高了小区分组的网络性能和分组效率。

30、（2）本发明利用神经网络模型进行小区动态分组，无需人工干预，只需输入实时采集的网络数据即可自动更新模型参数，可以更好的平衡网络资源分配，显著缩短了响应时间，提升了操作效率，有效避免了人为因素导致的主观判断错误，大幅提高了决策的精准性，提高整体网络性能和用户体验。

31、（3）本发明在神经网络模型的训练过程中，利用分类损失和回归损失组合的损失函数以优化神经网络模型，可以适用于不同网络场景和条件下的小区分组，具有较高的通用性和适用性。