本申请公开一种网络链路优化方法、装置及电子设备，涉及无线通信技术领域。其中，方法包括获取待优化的目标小区的目标网络参数，目标网络参数中包括至少一个指定参数；将各指定参数的参数值按照预设规则调节至满足第一预设需求；将满足第一预设需求的指定参数以及目标网络参数中除指定参数之外的其他参数输入至参数配置模型中，计算得到用于对目标小区进行网络链路优化的目标配置参数的参数值，从而提高网络链路优化参数的准确性。高网络链路优化参数的准确性。高网络链路优化参数的准确性。
【技术实现步骤摘要】
网络链路优化方法、装置及电子设备
[0001]本申请涉及无线通信
，具体而言，涉及一种网络链路优化方法、装置及电子设备。
技术介绍
[0002]相关技术中，无线网络信号根据传播方向分为上行和下行两个方向，例如，终端侧通过上行链路将信息发送给网络侧(基站)，而网络侧通过下行链路将信息发送给终端侧。理想通信情况下，在网络覆盖范围内的任何区域，终端侧和网络侧可同时收到对方的信号，或者同时无法收到对方的信号，也就是上行链路和下行链路平衡。但在实际网络中，上/下行链路信号的差值会偏离正常允许范围，造成严重的上/下行链路不平衡，进而导致网络信号无法接通、掉话、通话质量差等一系列网络问题发生。
技术实现思路
[0003]对于上述问题，本申请实施例提供了一种网络链路优化方法、装置及电子设备，具体如下。
[0004]第一方面，本申请实施例提供一种网络链路优化方法，包括：
[0005]获取待优化的目标小区的目标网络参数，所述目标网络参数中包括至少一个指定参数，所述指定参数是从影响网络上/下行链路平衡性的多个网络参数中选取的相关度满足预设条件的参数；
[0006]将各所述指定参数的参数值按照预设规则调节至满足第一预设需求；
[0007]将所述满足第一预设需求的指定参数，以及所述目标网络参数中除所述指定参数之外的其他参数输入至参数配置模型中，计算得到用于对所述目标小区进行网络链路优化的目标配置参数的参数值；
[0008]其中，所述参数配置模型是基于多个指定小区的网络参数训练得到的，所述指定小区的网络上/下行链路平衡。
[0009]进一步，作为一种可能的实现方法，所述将各所述指定参数的参数值按照预设规则调节至满足第一预设需求的步骤，包括：
[0010]基于各所述指定参数的参数值以及预设的多个用于表征链路平衡性的平衡度构建线性回归模型，其中，各所述指定参数为自变量，各所述平衡度为模型预测值，1>平衡度>0；
[0011]基于构建的所述线性回归模型，将该线性回归模型的输出设置为第一预设值；
[0012]基于输出为所述第一预设值的所述线性回归模型反向计算得到目标参数值；
[0013]基于所述目标参数值对所述指定参数的参数值进行调节，得到满足第一预设需求的指定参数。
[0014]进一步，作为一种可能的实现方法，在执行所述获取待优化的目标小区的目标网络参数的步骤之前，所述方法还包括用于所述指定参数确定的参数确定步骤，该参数确定
步骤包括：
[0015]获取多个现网小区的网络参数，以及各所述现网小区的网络标签，所述网络标签用于表征与其对应的现网小区的网络上/下行链路的平衡性；
[0016]基于各所述现网小区的网络参数以及所述网络标签确定第一相关性矩阵，所述第一相关性矩阵用于表征各所述网络参数与所述网络标签之间的相关性；
[0017]基于所述第一相关性矩阵从所述网络参数中，选取与网络上/下行链路的平衡性之间的相关度满足预设条件的网络参数，作为指定参数。
[0018]进一步，作为一种可能的实现方法，所述网络链路优化方法还包括所述参数配置模型的训练过程，所述训练过程包括：
[0019]基于各所述现网小区的网络参数确定第二相关性矩阵，所述第二相关性矩阵用于表征各所述网络参数之间的相关性；
[0020]基于所述第一相关性矩阵和所述第二相关性矩阵从所述网络参数中选取满足第二预设需求的网络参数，以及基于所述网络标签从多个所述现网小区中选取网络上/下行链路平衡的现网小区，作为指定小区；
[0021]基于所述指定小区中满足第二预设需求的网络参数形成训练数据集；
[0022]将所述训练数据集输入预设的机器学习模型进行特征学习，得到所述参数配置模型。
[0023]进一步，作为一种可能的实现方法，所述基于所述第一相关性矩阵和所述第二相关性矩阵从所述网络参数中选取满足第二预设需求的网络参数的步骤，包括：
[0024]基于所述第一相关性矩阵确定所述网络参数中存在的相关性小于第二预设值的网络参数，作为第一参数；
[0025]基于所述第二相关性矩阵确定所述网络参数中存在的相关性大于第三预设值的网络参数对；
[0026]对于每个所述网络参数对，从该网络参数对中选取任一网络参数作为第二参数；
[0027]从所述网络参数中剔除所述第一参数和第二参数，得到满足第二预设需求的网络参数。
[0028]进一步，作为一种可能的实现方法，所述训练过程还包括：
[0029]获取测试数据集；
[0030]将所述测试数据集输入训练得到的所述参数配置模型中，计算得到待测配置参数的待测参数值；
[0031]在检测到所述待测参数值不符合第三预设需求时，对所述参数配置模型进行参数调优处理，直到基于调优处理后的参数配置模型计算得到的待测参数值满足所述第三预设需求。
[0032]进一步，作为一种可能的实现方法，所述指定参数至少包括PUSCH小于负120dbm的比例、eNodeB内语音业务同频切换出成功率、eNodeB内同频切换出成功率；
[0033]所述目标配置参数至少包括本系统门限-SRVCC、异系统门限-SRVCC、参考信号功率、上/下行语音分组丢失率超过语音质差门限、语音质量丢包评估周期中的一种。
[0034]第二方面，本申请实施例还提供一种网络链路优化装置，包括
[0035]参数获取模块，被配置为执行获取待优化的目标小区的目标网络参数，所述目标
网络参数中包括至少一个指定参数，所述指定参数是从影响网络上/下行链路平衡性的多个网络参数中选取的相关度满足预设条件的参数；
[0036]参数调节模块，被配置为执行将各所述指定参数的参数值按照预设规则调节至满足第一预设需求；
[0037]参数计算模块，被配置为执行将所述满足第一预设需求的指定参数,以及所述目标网络参数中除所述指定参数之外的其他参数输入至参数配置模型中，计算得到用于对所述目标小区进行网络链路优化的目标配置参数的参数值；其中，所述参数配置模型是基于多个指定小区的网络参数训练得到的，所述指定小区的网络上/下行链路平衡。
[0038]第三方面，本申请实施例还提供一种电子设备，包括：
[0039]至少一个处理器；
[0040]与所述处理器连接的至少一个存储器；
[0041]其中，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如上所述的方法。
[0042]第四方面，本申请实施例还提供一种计算机可读存储介质，所述存储介质存储有计算机指令，所述计算机指令使所述计算机执行如上所述的方法。
[0043]本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：
[0044]基于学习有现网的网络特征的参数配置模型，对待优化的目标小区的目标网络参数进行分析、计算，得到用于对目标小区进行网络链本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种网络链路优化方法，其特征在于，包括：获取待优化的目标小区的目标网络参数，所述目标网络参数中包括至少一个指定参数，所述指定参数是从影响网络上/下行链路平衡性的多个网络参数中选取的相关度满足预设条件的参数；将各所述指定参数的参数值按照预设规则调节至满足第一预设需求；将所述满足第一预设需求的指定参数，以及所述目标网络参数中除所述指定参数之外的其他参数输入至参数配置模型中，计算得到用于对所述目标小区进行网络链路优化的目标配置参数的参数值；其中，所述参数配置模型是基于多个指定小区的网络参数训练得到的，所述指定小区的网络上/下行链路平衡。2.如权利要求1所述的网络链路优化方法，其特征在于，所述将各所述指定参数的参数值按照预设规则调节至满足第一预设需求的步骤，包括：基于各所述指定参数的参数值以及预设的多个用于表征链路平衡性的平衡度构建线性回归模型，其中，各所述指定参数为自变量，各所述平衡度为模型预测值，1>平衡度>0；基于构建的所述线性回归模型，将该线性回归模型的输出设置为第一预设值；基于输出为所述第一预设值的所述线性回归模型反向计算得到目标参数值；基于所述目标参数值对所述指定参数的参数值进行调节，得到满足第一预设需求的指定参数。3.如权利要求1所述的网络链路优化方法，其特征在于，在执行所述获取待优化的目标小区的目标网络参数的步骤之前，所述方法还包括用于所述指定参数确定的参数确定步骤，该参数确定步骤包括：获取多个现网小区的网络参数，以及各所述现网小区的网络标签，所述网络标签用于表征与其对应的现网小区的网络上/下行链路的平衡性；基于各所述现网小区的网络参数以及所述网络标签确定第一相关性矩阵，所述第一相关性矩阵用于表征各所述网络参数与所述网络标签之间的相关性；基于所述第一相关性矩阵从所述网络参数中，选取与网络上/下行链路的平衡性之间的相关度满足预设条件的网络参数，作为指定参数。4.如权利要求3所述的网络链路优化方法，其特征在于，所述网络链路优化方法还包括所述参数配置模型的训练过程，所述训练过程包括：基于各所述现网小区的网络参数确定第二相关性矩阵，所述第二相关性矩阵用于表征各所述网络参数之间的相关性；基于所述第一相关性矩阵和所述第二相关性矩阵从所述网络参数中选取满足第二预设需求的网络参数，以及基于所述网络标签从多个所述现网小区中选取网络上/下行链路平衡的现网小区，作为指定小区；基于所述指定小区中满足第二预设需求的网络参数形成训练数据集；将所述训练数据集输入预设的机器学习模型进行特征学习，得到所述参...
【专利技术属性】
技术研发人员：李丹，苟浩淞，伍雄，苏凌，杨兵，李志恒，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。