基于MDT重叠覆盖度数据的KNN-DBSCAN参数自适应调优研究

doi:10.11959/j.issn.1000-0801.2022010

摘要/Abstract

摘要：

传统网络优化中路测工作存在难以全量测试道路及楼宇、测试工作量大、工作效率低、周期长、受人为因素影响等显性缺点，无法动态关注每个区域网络质量情况，且常规测量报告（measurement report，MR）数据不具备定位信息，无法精确定位如重叠覆盖度问题发生位置。基于最小化路测（minimization drive test， MDT）精准定位系统通过采集底层基站 MDT 数据，并根据重叠覆盖度算法输出高重叠覆盖度栅格，再通过自适应K最近邻-具有噪声的基于密度的聚类方法（K-nearest neighbor density-based spatial clustering of applica-tions with noise，KNN-DBSCAN）联合算法解决了DBSCAN算法对参数设置敏感性问题，并对问题栅格进行非监督聚类，收敛问题连片区域，通过小区采样贡献度进行栅格区域映射，最终达到精准调整全局最高优先级（TOP）小区，降低小区高重叠覆盖度的目的。

关键词: KNN-DBSCAN算法, MDT数据, 重叠覆盖度, 小区贡献度

Abstract:

In the traditional network optimization, the drive test (DT) work has obvious disadvantages, such as difficult to fully test roads and buildings, large test workload, low work efficiency, long cycle, affected by human factors, unable to dynamically pay attention to the network quality of each area, and the conventional measurement report (MR) data does not have positioning information, so it is impossible to accurately locate the location where the overlapping coverage problem occured.Based on minimization drive test (MDT), the precision positioning system collected the MDT data of the underlying base station and outputted the grid with high overlapping coverage according to the overlapping coverage algorithm.Then, the sensitivity of DBSCAN algorithm to parameter setting was solved through the adaptive K-nearest neighbor density-based spatial clustering of applications with noise (KNN-DBSCAN)joint algorithm.The problem grid was unsupervised clustered, the problem contiguous area was converged, and the grid area was mapped through the cell sampling contribution.Finally, the global top cell was accurately adjusted to optimize the high overlap coverage.

Key words: KNN-DBSCAN algorithm, MDT data, overlapping coverage, cell contribution

中图分类号:

TN929.5

刘璐, 陈睿杰, 李嘉. 基于MDT重叠覆盖度数据的KNN-DBSCAN参数自适应调优研究[J]. 电信科学, 2022, 38(2): 119-129.

Lu LIU, Ruijie CHEN, Jia LI. Research on adaptive optimization of KNN-DBSCAN parameters based on MDT overlapping coverage data[J]. Telecommunications Science, 2022, 38(2): 119-129.

图/表 11

图1

表1

图2

图3

表2

图4

图5

图6

图7

图8

表3

参考文献 9

[1]	谭钰山, 周文金, 何延 . 基于MDT数据的重叠覆盖优化思路及实践[J]. 通讯世界, 2019,26(12): 6-7.
	TAN Y S , ZHOU W J , HE Y . Overlapping coverage optimization idea and practice based on MDT data[J]. Telecom World, 2019,26(12): 6-7.
[2]	张吉, 赵夙, 朱晓荣 . 基于大数据挖掘的 LTE 网络重叠覆盖优化方法[J]. 南京邮电大学学报(自然科学版), 2020,40(6): 92-99.
	ZHANG J , ZHAO S , ZHU X R . Optimization method for overlapping coverage of LTE networks based on big data mining[J]. Journal of Nanjing University of Posts and Telecommunications (Natural Science Edition), 2020,40(6): 92-99.
[3]	谷欣杏 . LTE 网络覆盖优化及无线定位优化算法的研究[D]. 北京:北京邮电大学, 2019.
	GU X X . Research on LTE network coverage optimization and wireless positioning algorithm[D]. Beijing:Beijing University of Posts and Telecommunications, 2019.
[4]	宋金玉, 郭一平, 王斌 . DBSCAN 聚类算法的参数配置方法研究[J]. 计算机技术与发展, 2019,29(5): 44-48.
	SONG J Y , GUO Y P , WANG B . Research on parameter configuration method of DBSCAN clustering algorithm[J]. Computer Technology and Development, 2019,29(5): 44-48.
[5]	赵文, 夏桂书, 苟智坚 ,等. 一种改进的 DBSCAN 算法[J]. 四川师范大学学报(自然科学版), 2013,36(2): 312-316.
	ZHAO W , XIA G S , GOU Z J ,et al. An improved DBSCAN algorithm[J]. Journal of Sichuan Normal University (Natural Science), 2013,36(2): 312-316.
[6]	何正风 . MATLAB 在数学方面的应用[M]. 北京: 清华大学出版社, 2012.
	HE Z F . Application of MATLAB in mathematics[M]. Beijing: Tsinghua University Press, 2012.
[7]	李文杰, 闫世强, 蒋莹 ,等. 自适应确定 DBSCAN 算法参数的算法研究[J]. 计算机工程与应用, 2019,55(5): 1-7,148.
	LI W J , YAN S Q , JIANG Y ,et al. Research on method of self-adaptive determination of DBSCAN algorithm parameters[J]. Computer Engineering and Applications, 2019,55(5): 1-7,148.
[8]	王紫薇, 徐凯, 侯益明 . 基于不同距离公式的KNN算法对鸢尾花的分类[J]. 无线互联科技, 2021,18(13): 105-106.
	WANG Z W , XU K , HOU Y M . Classification of iris based on KNN algorithm with different distance formulas[J]. Wireless Internet Technology, 2021,18(13): 105-106.
[9]	周红芳, 王鹏 . DBSCAN 算法中参数自适应确定方法的研究[J]. 西安理工大学学报, 2012,28(3): 289-292.
	ZHOU H F , WANG P . Research on adaptive parameters determination in DBSCAN algorithm[J]. Journal of Xi’an University of Technology, 2012,28(3): 289-292.

MDT测量项		测量上报信息	测量网元
即时MDT数据	M1	RSRP、RSRQ、位置信息等	UE
	M2	最大发射功率余量（power headroom，PHR）	UE
	M3	接收干扰功率测量（received interference power measurement，RIP）	eNode B
	M4	下行/上行数据吞吐量	eNode B
	M5	下行/上行调度IP吞吐率	eNode B
	M6	下行/上行数据包时延测量	eNode B
	M7	下行/上行数据丢包率测量	eNode B
已登录MDT数据		RSRP、RSRQ、位置信息等	UE
无线链路失败（radio link faillure，RLF）		发生RLF主服小区、重建小区、失败类型、位置信息等	UE/eNode B

地市	栅格ID	栅格经度栅格纬度	CGI	小区总采样点	小区重叠覆盖采样点	小区重叠覆盖度	小区在该栅格总样点	小区在该栅格重叠覆盖采样点	小区在该栅格重叠覆盖度	该栅格总采样点	该栅格重叠覆盖采样点	该栅格重叠覆盖度
××	wk3n8ec6	102.680 125.069 86	830748-232	365	34	9.32%	7	1	14.29%	50	9	18.00%
××	wk3n8ec6	102.680 125.069 86	830841-230	254	19	7.48%	23;	4	17.39%	50	9	18.00%
××	wk3n8ec6	102.680 125.069 86	830748-235	797	141	17.69%	12	4	33.33%	50	9	18.00%
××	wk3n8ec6	102.680 125.069 86	830746-230	424	33	7.78%	8	0	0	50	9	18.00%
××	wk3nOemz	102.686 324.98:0 08	818993-230	578	14	2.42%	1	0	0	1	0	0
××	wk3n98dk	102.725 425.052 35	569127-11	238	15	6.3%	1	0	0	9 293	1	0.01%
××	wk3n98dk	102.725 425.052 35	569307-55	580	41	7.07%	15	1	6.67%	9 293	1	0.01%
××	wk3n98dk	102.725425.052 35	566634-27	1109	197	17.76%	7	0	0	9 293	1	0.01%
××	wk3n98dk	102.725 425.052 35	566634-62	630	67	10.63%	8	0	0	9 293	1	0.01%
××	wk3n98dk	102.725 425.052 35	566634-8	312	18	5.77%	3	0	0	9 293	1	0.01%
××	wk3n98dk	102.725 425.052 35	566634-4	169	19	11.24%	3	0	0	9 293	1	0.01%
××	wk3n98dk	102.725 425.052 35	817975-232	82	5	6.1%	4	0	0	9 293	1	0.01%
××	wk3n8hks	102.662 625.072 95	815677-235	248	12	4.84%	2	0	0	9 293	1	0.01%
××	wk3n8hks	102.662 625.072 95	712463-143	136	8	5.88%	22	0	0	9 293	1	0.01%
××	wk3n8hks	102.662 625.072 95	815677-234	417	32	7.67%	12	0	0	9 293	1	0.01%
××	wk3n8hks	102.662 625.072 95	853851-145	3 492	159	4.55%	7	0	0	9 293	1	0.01%
××	wk3n8hks	102.662 625.072 95	830233-235	1302	134	10.29%	1	0	O	9 293	1	0.01%

实验组别	数据集	对象数N	密度阈值D（Density）参数列表		噪点率	簇群数C_i/个	最大簇群C_max覆盖近似面积/km²	最大簇群C_max包含问题小区数/个	最大簇内TOP问题小区贡献度占比
实验组别	数据集	对象数N	搜索半径eps	MinPts	噪点率	簇群数C_i/个	最大簇群C_max覆盖近似面积/km²	最大簇群C_max包含问题小区数/个	最大簇内TOP问题小区贡献度占比
1	××地市密	476	0.003 00	7	15.76%	10	11.46	82	41.06%
2	集城区MDT		0.003 00	8	18.07%	10	10.62	75	42.66%
3	高重叠覆盖		0.003 00	9	20.38%	10	10.62	75	42.66%
4	度栅格数据		0.003 00	10	25.00%	10	10.62	75	42.66%
5			0.004 49	7	6.30%	8	25.10	234	38.72%
6			0.004 49	8	9.03%	8	14.76	117	59.32%
7			0.004 49	9	13.24%	6	14.76	117	59.32%
8			0.004 49	10	15.34%	5	14.76	117	59.32%
9			0.005 00	7	4.83%	7	35.66	284	38.97%
10			0.005 00	8	4.83%	7	35.66	284	38.97%
11			0.005 00	9	9.87%	5	33.28	276	39.15%
12			0.005 00	10	13.66%	4	24.12	158	54.71%

[1]	王妍, 彭莹. 国际电信联盟（ITU）6G标准化研究[J]. 电信科学, 2023, 39(6): 129-138.
[2]	张辰, 王红凯, 毛冬, 潘司晨, 赵帅. 面向电力终端的轻量化5G硬加密通信模组研究及应用[J]. 电信科学, 2023, 39(6): 159-169.
[3]	许浩, 吴琳. 基于5G网络的VoWi-Fi互操作研究[J]. 电信科学, 2023, 39(5): 144-154.
[4]	丁青锋, 王松. 高铁场景下联合天线与IOS单元选择的分布式IOS-SM传输方案[J]. 电信科学, 2023, 39(4): 31-42.
[5]	王建斌, 王淑春, 廖尚金, 施淑媛. 基于DCNN-LSTM负荷预测算法的5G基站节能系统研究[J]. 电信科学, 2023, 39(4): 133-141.
[6]	张乐, 马洪源. 运营商网络边缘云安全实践[J]. 电信科学, 2023, 39(4): 165-172.
[7]	葛海江, 贾宁, 池凯凯, 陈云志. 非线性能量收集认知无线电网络的次用户吞吐量最大化方案[J]. 电信科学, 2023, 39(2): 103-117.
[8]	宫剑, 张宇. 5G毫米波终端测试方法及分析[J]. 电信科学, 2023, 39(2): 171-177.
[9]	王晖, 邰其心, 刘镠, 王鸿, 宋荣方. 基于GSIC的上行链路毫米波大规模MIMO-NOMA系统低功耗传输方法[J]. 电信科学, 2023, 39(1): 51-59.
[10]	巩传兵, 杨明帅, 吴松, 葛海平, 张守国, 刘磊, 祁云山, 徐辉. 基站价值评估模型的应用研究[J]. 电信科学, 2023, 39(1): 100-107.
[11]	杨震, 赵建军, 黄勇军, 李洁, 陈楠. 基于网络演进的人工智能技术方向研究[J]. 电信科学, 2022, 38(12): 27-34.
[12]	章鹏, 金小萍, 陈东晓. 一种面向RDSM系统的基于遗传算法优化色散矩阵的方法[J]. 电信科学, 2022, 38(12): 46-55.
[13]	张叶江, 陈捷, 胡坚, 杨晓康, 陆赟, 梁腾. 一种提升城区网格道路5G覆盖率的新方法[J]. 电信科学, 2022, 38(12): 94-102.
[14]	高博, 马科, 张建敏, 邓桂荣, 臧振瀚. 基于5G MEC的水泥智慧工厂解决方案研究与验证[J]. 电信科学, 2022, 38(12): 141-151.
[15]	吕沛锦, 陆赟, 杨晓康, 杨丹, 尹以雁, 郭正义. 700MHz频段5G网络广播电视系统干扰问题研究[J]. 电信科学, 2022, 38(11): 106-112.