论文部分内容阅读
随着无线网络的普及,智能网络有着广阔的发展前景,而它最重要的部分就是数据的收集与分析和预测。当前,运营商的工作重心已从无线网络的建设转向运营维护,渴望为用户提供最佳的服务体验。这就要求对无线网络的数据进行分析,利用历史数据找出影响用户体验指标的因素,并且能够预测未来的网络性能和劣化原因。本文通过对无线网络运营数据的时空分析,探索无线网络的KPI（Key Performance Indicator）和 KQI（Key Quality Indicator）关联分析方法,以得到KPI和KQI的关联关系,为通过优化某些KPI来有效提升KQI提供指导和依据。本文主要工作如下:（1）阐述 QoE（Quality of Experience）,KQI,KPI,QoS（Quality of Service）的基本概念和相互关系,设计MRS数据提取方案,为无线通信网络相关的数据分析与挖掘研究提供支持。（2）基于时间序列和时间序列分析理论,利用STL时间序列分解法研究了无线网络的时间特性;基于对无线网络时间特性的分析,尝试了多种预测模型,提出了融合Holt-Winters模型和LSTM模型的组合模型,在实验数据集上取得了最优效果。（3）分析了无线网络的空间特性,考虑其他小区对当前小区的影响,利用皮尔逊相关系数,借助空间相关性热力图,得出同基站下不同小区间的相关程度,找出跟当前小区相关性最大的小区,从而用于多小区关联分析模型中。（4）采用机器学习模型进行无线网络KQI、KPI关联分析,实验结果表明逻辑回归模型和随机森林模型效果最佳,表明了上述模型在KQI、KPI关联分析中的有效性。（5）将Apriori算法用于无线网络KQI、KPI关联分析,提出了基于Apriori算法的单小区关联分析模型,以及基于改进Apriori算法的多小区关联分析模型,取得了相比机器学习模型更佳的实验效果。