一种小区优化方法、装置、设备及存储介质与流程

1.本技术涉及通信技术领域，尤其涉及一种小区优化方法、装置、设备及存储介质。


背景技术：

2.质差小区是指网络通信质量存在一个或多个质差问题的小区，小区质差的问题类型涉及多个方面，如语音业务接通率、掉话率、丢包率、数据业务掉线率、接入成功率、用户感知速率等等。目前，对质差小区的问题类型的识别主要采用传统的网络优化方式，具体地先采集小区的各项关键业绩指标(key performance indication，kpi)，管理人员根据相关的专业知识和处理经验对各项kpi指标分别设置相应的阈值，进而将采集到的kpi数据与设置的阈值进行比较，确定小区质差的问题原因。然后，管理人员根据问题原因，通过人工排查覆盖、干扰、容量等各类网络问题，调整小区基站参数，从而对质差小区的网络问题进行优化。
3.这种传统的网络优化方法对管理人员的技术水平要求较高，需要管理人员掌握本领域内相关的专业知识，才能实现对质差小区的优化，并且该方法通过人工排查的方法优化质差小区，优化效率低，难以满足现在大规模网络优化要求。


技术实现要素：

4.本技术提供一种小区优化方法、装置、设备及存储介质，实现了自动生成质差小区的优化方案，提高了优化效率。
5.第一方面，本技术提供一种小区优化方法，该方法包括：确定目标小区的第一指标；第一指标用于指示目标小区中满足质差小区定义标准的kpi数据；将第一指标输入第一模型，得到环境参数；第一模型用于基于第一指标确定导致目标小区为质差小区的环境参数；将第一指标和环境参数输入第二模型，得到环境参数的最优值；第二模型用于基于第一指标和环境参数，调整环境参数的值以使得目标小区为正常小区；根据环境参数和环境参数的最优值优化目标小区。
6.本技术提供的小区优化方法，通过确定目标小区的第一指标，将第一指标输入第一模型，得到环境参数，进一步的，将第一指标和环境参数输入第二模型，得到环境参数的最优值，最终，根据环境参数和环境参数的最优值优化目标小区。本技术的小区优化方法基于质差小区定义标准将目标小区中满足条件的所有kpi数据作为第一指标，避免了基于人工经验定义目标小区优化目标的不合理性，使得目标小区的问题原因定位更加精准和深入，具有普适性，另外，本技术还通过第一模型确定kpi数据与环境参数之间的映射关系，从而自动生成需要进行优化的环境参数，提高了小区优化的效率，本技术还可以通过第二模型确定需有进行优化的环境参数的最优值，提高了优化的准确度，进而更快更准确地提升目标小区的用户感知。
7.一种可能的实现方式，方法还包括：获取目标小区的优化结果；优化结果用于指示目标小区根据环境参数和环境参数的最优值优化后的kpi数据；在优化结果未达到第二指
标的情况下，根据第二指标和优化结果调整第二模型；第二指标用于指示正常小区定义标准的kpi数据。
8.另一种可能的实现方式，第一模型基于神经网络算法模拟目标小区的物理环境，采用自回归模型和降维回归模型对目标小区的历史环境参数和历史kpi数据进行训练得到。
9.又一种可能的实现方式，第一模型的训练过程中，在第一模型输出结果不满足标定值的情况下，添加新的环境参数对第一模型进行修正。
10.又一种可能的实现方式，第二模型基于第一模型以及目标小区的训练数据，采用强化学习算法训练得到；训练数据包括环境参数以及以下至少一项：信号强度、人群密度、时间、天气和空间位置。
11.又一种可能的实现方式，第一指标包括以下至少一项：演进的无线接入承载(evolved radio access bearer，e-rab)建立成功率、丢包率、无线接入成功率、掉线率和平均感知速率。
12.又一种可能的实现方式，环境参数包括以下至少一项：方位角、电子下倾角、机械下倾角、切换重选类参数、互操作类参数、功率类参数和定时器类参数。
13.第二方面，本技术提供一种小区优化装置，该装置包括：确定模块、处理模块以及优化模块；确定模块用于，确定目标小区的第一指标；第一指标用于指示目标小区中满足质差小区定义标准的kpi数据；处理模块用于，将第一指标输入第一模型，得到环境参数；第一模型用于基于第一指标确定导致目标小区为质差小区的环境参数；处理模块还用于，将第一指标和环境参数输入第二模型，得到环境参数的最优值；第二模型用于基于第一指标和环境参数，调整环境参数的值以使得目标小区为正常小区；优化模块用于，根据环境参数和环境参数的最优值优化目标小区。
14.一种可能的实现方式，装置还包括：获取模块和调整模块；获取模块用于，获取目标小区的优化结果；优化结果用于指示目标小区根据环境参数和环境参数的最优值优化后的kpi数据；调整模块用于，在优化结果未达到第二指标的情况下，根据第二指标和优化结果调整第二模型；第二指标用于指示正常小区定义标准的kpi数据。
15.另一种可能的实现方式，第一模型基于神经网络算法模拟目标小区的物理环境，采用自回归模型和降维回归模型对目标小区的历史环境参数和历史kpi数据进行训练得到。
16.又一种可能的实现方式，第一模型的训练过程中，在第一模型输出结果不满足标定值的情况下，添加新的环境参数对第一模型进行修正。
17.又一种可能的实现方式，第二模型基于第一模型以及目标小区的训练数据，采用强化学习算法训练得到；训练数据包括环境参数以及以下至少一项：信号强度、人群密度、时间、天气和空间位置。
18.又一种可能的实现方式，第一指标包括以下至少一项：e-rab建立成功率、丢包率、无线接入成功率、掉线率和平均感知速率。
19.又一种可能的实现方式，环境参数包括以下至少一项：方位角、电子下倾角、机械下倾角、切换重选类参数、互操作类参数、功率类参数和定时器类参数。
20.第三方面，本技术提供一种电子设备，该电子设备包括：处理器和存储器；存储器
存储有处理器可执行的指令；处理器被配置为执行指令时，使得电子设备实现上述第一方面的方法。
21.第四方面，本技术提供一种计算机可读存储介质，该计算机可读存储介质包括：计算机软件指令；当计算机软件指令在电子设备中运行时，使得电子设备实现上述第一方面的方法。
22.第五方面，本技术提供一种计算机程序产品，当该计算机程序产品在计算机上运行时，使得计算机执行上述第一方面描述的相关方法的步骤，以实现上述第一方面的方法。
23.上述第二方面至第五方面的有益效果参考第一方面的对应描述，不再赘述。
附图说明
24.图1为本技术提供的一种小区优化方法的应用环境示意图；
25.图2为本技术提供的一种小区优化方法流程示意图；
26.图3为本技术提供的另一种小区优化方法流程示意图；
27.图4为本技术提供的又一种小区优化方法流程示意图；
28.图5为本技术提供的又一种小区优化方法流程示意图；
29.图6为本技术提供的一种模型训练过程示意图；
30.图7为本技术提供的又一种模型训练过程示意图；
31.图8为本技术提供的一种小区物理环境和网络环境示意图；
32.图9为本技术提供的一种小区优化装置的组成示意图；
33.图10为本技术提供的一种电子设备的组成示意图。
具体实施方式
34.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
35.需要说明的是，本技术实施例中，“示例性地”或者“例如”等词用于表示作例子、例证或说明。本技术实施例中被描述为“示例性地”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性地”或者“例如”等词旨在以具体方式呈现相关概念。
36.为了便于清楚描述本技术实施例的技术方案，在本技术的实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分，本领域技术人员可以理解“第一”、“第二”等字样并不是在对数量和执行次序进行限定。
37.质差小区是指网络通信质量存在一个或多个质差问题的小区，小区质差的问题类型涉及多个方面，如语音业务接通率、掉话率、丢包率，数据业务掉线率、接入成功率、用户感知速率等等。目前，现有技术中对质差小区进行优化的方法主要有两种，一种是传统的质差小区优化方法，基于预设阈值和目标小区的kpi数据，确定目标小区的问题类型，通过人工排查覆盖、干扰、容量的各类网络问题，调整基站参数，对质差小区进行优化；另一种是以机器学习为导向的质差小区优化方法，基于机器学习为导向的移动通信网络质差小区定位
分析方法，发现网络中的质差问题，预判网络的质差程度以及是否影响到用户的使用感知，借助机器学习综合分析移动通信网络质差小区定位，及时提前预判处理网络问题，为用户带来更好的业务体验。
38.目前，传统的小区优化方法为：首先在根据话统数据筛选出问题小区，采集问题小区的各项kpi数据，管理人员基于专业知识和优化经验对各项kpi数据分别设置阈值，基于kpi数据中的网络结构类、资源评估类、网格道路测试类以及邻区参数核查类数据，针对不同的问题进行分类别定位处理，确定问题小区的问题类型，质差问题小区通常有三大类原因：无线侧参数配置问题、核心网侧配置问题以及信道环境影响，管理人员基于问题类型分析对应的各项数据，通过人工排查覆盖、干扰、容量的各类网络问题，通过经验调整基站参数，从而对网路问题进行优化。这种小区优化方法对于管理人员的专业知识水平要求较高，并且由于问题原因定位较为简单，优化后的用户感知可能没有得到很大提升，效率低、准确度差，难以满足现在大规模网络优化要求。
39.以机器学习为导向的质差小区优化方法为：以机器学习为导向的移动通信网络质差小区定位，结合移动通信的网络业务感知相应关键质量指标(key quality indicators，kqi)数据，综合分析业务的感知画像，以机器学习为导向算法，提高画像准确度，构建以机器学习为导向的移动通信网络质差小区定位及质差用户综合感知评估分析体系，以电话回访、用户使用感知、网络满意度等量化数据形成用户画像并迭代调优，逐步对用户的质差内容予以识别，进一步定位质差小区对用户所产生的影响及用户感知满意较差的根因分析，并输出质差小区的优化解决方案。这种小区优化方法需要基于相关的专业知识经验的根因定位算法作为优化根因的确定规则，可能存在根因定位不够精准和深入等情况，影响质差小区的解决效率。
40.综上所述，目前亟需一种快速优化质差小区的方式，基于此，本技术实施例提供一种小区优化方法，该方法中，优化装置通过确定目标小区的第一指标，将第一指标输入第一模型，得到环境参数，进一步的，将第一指标和环境参数输入第二模型，得到环境参数的最优值，最终，根据环境参数和环境参数的最优值优化目标小区。本技术实施例中优化装置基于质差小区定义标准将目标小区中满足条件的所有kpi数据作为第一指标，避免了基于人工经验定义目标小区优化目标的不合理性，使得目标小区的问题原因定位更加精准和深入，具有普适性，另外，优化装置还通过第一模型确定kpi数据与环境参数之间的映射关系，从而自动生成需要进行优化的环境参数，提高了小区优化的效率，优化装置还可以通过第二模型确定需有进行优化的环境参数的最优值，提高了优化的准确度，进而更快更准确地提升目标小区的用户感知。
41.本技术提供的小区优化方法，可应用于如图1所示的应用环境中。如图1所示，该应用环境包括：小区优化装置101(可简称为优化装置)和基站设备102，其中优化装置101与基站设备102之间相互连接。
42.在一些实施例中，优化装置101可以是多个服务器组成的服务器集群、或者单个服务器、又或者计算机、又或者服务器或计算机中的处理器或处理芯片等。本技术实施例对优化装置101的具体设备形态不作限制。图1中以优化装置101为单个服务器为例示出。
43.在一些实施例中，基站设备102可以是演进型基站(evolution nodeb，enb)、下一代基站(generation nodeb，gnb)、收发点(transmission receive point，trp)、传输点
(transmission point，tp)以及某种其它接入节点。根据所提供的服务覆盖区域的大小，基站又可分为用于提供宏蜂窝(macro cell)的宏基站、用于提供微蜂窝(pico cell)的微基站和用于提供毫微微蜂窝(femto cell)的毫微微基站。随着无线通信技术的不断演进，未来的基站也可以采用其他的名称。
44.在一些实施例中，在需要对目标小区的进行优化时，优化装置101可以从基站设备102中获取目标小区的kpi数据，基于kpi数据确定目标小区的第一指标，进一步的，通过第一模型和第二模型，得到环境参数和环境参数的最优值，最终基于环境参数和环境参数的最优值优化目标小区。
45.图2为本技术实施例提供的一种小区优化方法的流程示意图。如图2所示，本技术提供的小区优化方法，可以通过上述优化装置实现，具体包括以下步骤：
46.s201、优化装置确定目标小区的第一指标。
47.其中，第一指标用于指示目标小区中满足质差小区定义标准的kpi数据。
48.在一些实施例中，优化装置将目标小区的kpi数据中满足质差小区定义标准的指标确定为第一指标。其中，第一指标包括以下至少一项：e-rab建立成功率、丢包率、无线接入成功率、掉线率和平均感知速率。
49.示例性的，优化装置从基站设备中获取目标小区当前的kpi数据，将目标小区当前的kpi数据与质差小区定义标准进行比较，将目标小区当前的kpi数据中满足质差小区定义标准的指标作为第一指标，也即待优化的指标。其中，质差小区定义标准为本领域技术人员基于用户感知和小区的kpi数据之间的关联关系进行设置一种标准，存储在优化装置的数据库中。
50.具体的，质差小区包括：第四代移动通信技术(4th-generation mobile communication technology，4g)语音质差小区、第五代移动通信技术(5th-generation mobile communication technology，5g)语音质差小区、4g数据质差小区和5g数据质差小区。
51.1、4g语音业务质差小区定义标准如下：考察范围为连续30天内总计e-rab建立请求次数(服务质量等级标识符(quality of service class identifier，qci)＝1)≥100的小区。
52.a)语音低感知小区定义：统计周期(连续30天)内，在考察范围内的4g小区，满足语音低接入小区定义、语音高掉话小区定义、语音上行高丢包小区定义、语音下行高丢包小区定义任一定义的小区，为语音低感知小区。
53.b)语音低接入小区定义：“e-rab建立成功率(qci＝1)”、“e-rab建立成功率(qci＝5)”任一指标低于98％的小区为语音低接入小区。
54.c)语音高掉话小区定义：“长期演进(long term evolution，lte)业务掉线率(qci＝1)”高于1％的小区为语音高掉话小区。
55.d)语音上行高丢包小区定义：“上行分组数据汇聚协议业务数据单元(packet data convergence protocol service data unit，pdcp sdu)丢包率(qci＝1)”高于1％的小区为语音上行高丢包小区。
56.e)语音下行高丢包小区定义：“下行pdcp sdu丢包率(qci＝1)”高于1％的小区为语音下行高丢包小区。
57.以上四个指标统计均为连续30天每天小区语音自忙时的数据取均值。
58.2、5g语音业务质差小区定义标准如下：考察范围为满足月总计新空口承载语音(voice over new radio，vonr)语音服务质量流(quality of service flow，qos flow)接入请求次数≥100的5g小区。
59.a)vonr业务低感知小区定义：统计周期(连续30天)内，在考察范围的5g小区满足vonr低接入小区定义、vonr高掉话小区定义、vonr高丢包小区定义任一定义的小区，为vonr业务低感知小区。
60.b)vonr低接入小区定义：vonr无线接入成功率＜98％的小区即为vonr低接入小区，其中，vonr无线接入成功率＝无线资源控制协议(radio resource control，rrc)连接建立成功率
×
vonr语音qos flow建立成功率
×
vonr信令qos flow建立成功率，该指标在5g侧统计。
61.c)vonr高掉话小区定义：vonr语音qos flow掉线率＞1％的小区为vonr高掉话小区，该指标在5g侧统计。
62.d)vonr高丢包小区定义：“vonr语音上行分组数据汇聚协议(packet data convergence protocol，pdcp)层用户面丢包率”、“vonr语音上行pdcp层用户面丢包率”任一指标＞1％的小区为vonr高丢包小区，该指标在5g侧统计。
63.3、4g数据业务质差小区定义标准如下：考察范围为满足月总计rrc连接请求次数≥100且月总计用户设备(user equipment，ue)上下文释放总次数≥100且月下行小区自忙时平均流量》0的小区，4g小区总数为满足考察范围的4g小区数量。
64.a)4g低速率小区定义：按小区的平均感知速率计算，20m带宽小区平均感知速率低于10mbps则为低速率小区，15m带宽小区平均感知速率低于7.5mbps则为低速率小区，10m带宽小区平均感知速率低于5mbps则为低速率小区，5m带宽小区平均感知速率低于2mbps则为低速率小区，其中，l900小区的低速率标准按照上述带宽的标准取80％。
65.b)4g低接入小区定义：不区分带宽，数据业务无线接入成功率《98％为低接入小区，其中，数据业务无线接入成功率＝rrc建立成功率
×
[e-rab(qci＝6)建立成功次数+e-rab(qci＝8)建立成功次数+e-rab(qci＝9)建立成功次数]/[e-rab(qci＝6)尝试建立次数+e-rab(qci＝8)尝试建立次数+e-rab(qci＝9)尝试建立次数]。
[0066]
c)4g高掉线小区定义：不区分带宽，掉线率》2％为高掉线小区，其中，掉线率＝(ue上下文释放总次数-ue上下文正常释放次数)/ue上下文释放总次数。
[0067]
其中，4g低速率小区指标统计全月每天小区自忙时数据，4g低接入小区和4g高掉线小区统计全月全量数据。
[0068]
4、5g数据业务质差小区定义标准如下：考察范围为满足月总计接入次数≥100。
[0069]
a)5g低速率小区定义：100m带宽时分双工(time division duplex，tdd)小区：5g用户下行平均感知速率《50mbps的小区，为5g低速率小区。频分双工(frequency division duplex，fdd)小区：以40m带宽、4通道配置小区为例，5g用户下行平均感知速率《30mbps的小区，为5g低速小区。同制式内的其他带宽配置情况按照带宽进行比例折算(根据电联共享数据支持情况适当考虑通道因素)。其中，5g用户下行平均感知速率＝(累加小区下行成功发送的无线链路控制(radio link control，rlc)层用户面业务数据单元(service data unit，sdu)字节个数-累加gnb小区内每个ue缓存区清空前最后一个slot通过空口成功发送
的rlc用户面sdu字节个数)/累加小区内每个ue每个数据无线承载(data radio bearer，drb)的激活drb的下行rlc缓存不为空的时长(不含最后一个slot)。
[0070]
b)5g低接入小区定义区分非独立组网(non-standalone architecture，nsa)单模小区、独立组网(standalone architecture，sa)单模小区以及nsa/sa双模小区三种情况定义：nsa单模小区：辅基站是5gnr的基站(secondary gnodeb，sgnb)添加成功率《98％则为低接入小区。sa单模小区：无线接入成功率《98％则为低接入小区。nsa/sa双模小区：如果sgnb添加请求次数＝0，rrc连接请求次数≠0，则nsa/sa双模小区的接入成功率＝sa网络无线接入成功率，如果rrc连接请求次数＝0，sgnb添加请求次数≠0，则nsa/sa双模小区的接入成功率＝nsa网络sgnb添加成功率，如果sgnb添加请求次数≠0且rrc连接请求次数≠0，则nsa/sa双模小区的接入成功率＝(sgnb添加成功率
×
(sgnb添加请求次数/(sgnb添加请求次数+rrc连接请求次数))+无线接入成功率
×
(rrc连接请求次数/(sgnb添加请求次数+rrc连接请求次数)))。如果nsa/sa双模小区的接入成功率《98％则为低接入小区。其中，sgnb添加成功率＝主基站是lte的基站(master enodeb，menb)小区添加辅站(sgnb)的成功次数/menb小区添加辅站(sgnb)的请求次数
×
100％，该指标在5g侧统计。无线接入成功率＝rrc连接建立成功率
×
ng接口信令连接建立成功率
×
初始qos flow建立成功率，该指标在5g侧统计。
[0071]
c)5g高掉线小区定义区分nsa单模小区、sa单模小区以及nsa/sa双模小区三种情况定义如下：nsa单模小区：sgnb异常释放比率》2％则为高掉线小区。sa单模小区：ue上下文掉线率》2％则为高掉线小区。nsa/sa双模小区：如果(menb请求的sgnb释放次数+sgnb触发的sgnb释放次数)＝0，ue上下文释放次数≠0，则nsa/sa双模小区的掉线率＝sa网络ue上下文异常掉线率；如果(menb请求的sgnb释放次数+sgnb触发的sgnb释放次数)≠0，ue上下文释放次数＝0，则nsa/sa双模小区的掉线率＝sgnb异常释放比率；如果(menb请求的sgnb释放次数+sgnb触发的sgnb释放次数)≠0，ue上下文释放次数≠0，则nsa/sa双模小区的掉线率＝(sgnb异常释放比率
×
((menb请求的sgnb释放次数+sgnb触发的sgnb释放次数)/(menb请求的sgnb释放次数+sgnb触发的sgnb释放次数+ue上下文释放总次数))+ue上下文掉线率
×
(ue上下文释放总次数/(menb请求的sgnb释放次数+sgnb触发的sgnb释放次数+ue上下文释放总次数)))
×
100％，如果nsa/sa双模小区的掉线率》2％则为高掉线小区。其中，sgnb异常释放比率＝(sgnb触发的sgnb释放次数-sgnb触发的sgnb正常释放次数)/(menb请求的sgnb释放次数+sgnb触发的sgnb释放次数)
×
100％，该指标在5g侧统计。ue上下文异常掉线率＝(ue上下文释放总次数-ue上下文正常释放次数)/ue上下文释放总次数，该指标在5g侧统计。
[0072]
其中，5g低速率小区指标统计全月每天小区自忙时数据，5g低接入小区和5g高掉线小区统计全月全量数据，以上指标包含nsa和sa用户。
[0073]
应理解，优化装置确定目标小区的第一指标之前，还可以获取用户指令，基于大语言模型解析用户指令，确定目标小区。例如：优化装置获取用户输入的“请查询一下上海市黄浦区的质差小区，并给出每个小区优化方案”指令，利用大语言模型的上下文理解能力，对用户指令进行意图解析，确定出需要进行优化的一个或多个目标小区，进一步，针对一个或多个目标小区中的每个目标小区进行处理确定优化方案，并基于优化方案进行优化。
[0074]
其中，大型语言模型是一种深度学习算法，由具有许多参数的神经网络组成，使用
自监督学习或半监督学习对大量未标记文本进行训练，可以通过大规模数据集训练来学习识别、总结、翻译、预测和生成文本及其他内容。本技术实施例中的大语言模型为现有技术中任一种大语言模型，例如：chatglm模型、盘古大模型、文心一言模型、通义大模型以及混元大模型等，本技术实施例对此不作限定。
[0075]
s202、优化装置将第一指标输入第一模型，得到环境参数。
[0076]
其中，第一模型用于基于第一指标确定导致目标小区为质差小区的环境参数。
[0077]
在一些实施例中，优化装置确定目标小区的第一指标后，可以将第一指标输入第一模型，得到导致目标小区为质差小区的环境参数。其中，环境参数包括以下至少一项：方位角、电子下倾角、机械下倾角、切换重选类参数、互操作类参数、功率类参数和定时器类参数。
[0078]
示例性的，第一模型基于神经网络算法模拟目标小区的物理环境，采用自回归模型和降维回归模型对目标小区的历史环境参数和历史kpi数据进行训练得到。优化装置基于第一模型确定环境参数和kpi数据之间的映射关系，从而根据第一指标，得到导致目标小区为质差小区的环境参数。
[0079]
具体的，第一模型基于监督学习的方式物理仿真目标小区的环境参数与kpi数据之间的输入到输出的规律，从而实现模拟目标小区的物理环境。优化装置获取目标小区的历史环境数据，例如，物理天馈参数(方位角、机械下倾角、电子下倾角参数)和目标小区级控制参数(定时器参数、功控参数、切换参数、负载均衡参数)，将历史环境参数作为训练集，获取目标小区的历史测量报告(measurement report，mr)/kpi数据信息作为验证集，分别采用自回归模型(auto-regression)和降维回归模型(pod-regression)进行学习训练得到第一模型。其中，自动回归模型用于学习输入到输出函数关系，即输入参数(物理天馈参数、小区级控制参数等)到kpi数据变化的规律，可以实现自动模型选择，自动特征工程和自动调参数。降维回归模型用于实际输出维度较高，且输出维度间相关性较高的场景，可以实现输入维度较高，且各项指标之间相关性较强的kpi数据。优化装置将目标小区的mr/kpi数据信息作为验证集时，可以采用均方误差(mean squared error，mse)或者加权均方误差(weighted mean squared error，wmse)的方法评估指标。
[0080]
其中，优化装置采集的目标小区的环境参数主要是小区的物理天馈参数和小区级控制参数。作为一种示例，小区物理天馈参数如表1所示。
[0081]
表1
[0082][0083][0084]
表1包括：字段、字段解释和样例三种类型的数据。其中，字段sdata对应的字段解释为文本格式，样例为20160213，用于表示该小区天馈参数的时间；字段province，字段解释为省份，样例为四川，用于表示目标小区所处的省份；字段city，字段解释为城市，样例为zigongshi，用于表示目标小区所处的城市；字段area，字段解释为城市里的县、区，样例为自流井区，用于表示目标小区所处的县、区；字段btsname_cn，字段解释为中文站名，样例为彩灯小区，用于表示目标小区的基站收发信台中文名称；字段cellname_cn，字段解释为中文小区名，样例为彩灯公园_1，用于表示目标小区的中文名称；字段longitude，字段解释为经度，样例为104.765812，用于表示目标小区所处的经度；字段latitude，字段解释为纬度，样例为29.354384，用于表示目标小区所处的纬度；字段height，字段解释为站高，样例为35，用于表示目标小区的基站高度；字段etilt，字段解释为电子下倾角，样例为4，用于表示目标小区基站的电子下倾角；字段mtilt，字段解释为机械下倾角，样例为6，用于表示目标小区基站的机械下倾角；字段downtilt，字段解释为总下倾角，样例为10，用于表示目标小区基站的总下倾角；字段azimuth，字段解释为方向角，样例为335，用于表示目标小区基站的方位角。
[0085]
作为一种示例，小区级控制参数如表2所示。
[0086]
表2
[0087]
[0088]
[0089][0090][0091]
表2包括：参数所属、参数分类、参数中文名、参数名、参数核查范围以及默认值六类数据。其中，参数所述包括：切换重选类、互操作类、功率类、定时器类、切换重选参数、功率参数和定时器，
[0092]
切换重选类参数的参数分类包括：空闲态和连接态，空闲态主要包括：最小接入电平(qrxlevmin，核查范围为[-128～-120]，默认值为-126)、异频测量门限(snonintrsearch，核查范围为[-120～-100]，默认值为-100)以及小区重选优先级(cellreselprio，核查范围为[fdd：6；tdd：5；通用移动通讯系统(universal mobile telecommunications system，umts)：4]，默认值为5、6)。连接态主要包括：a2事件参考信号接收功率(reference signalreceiving power，rsrp)门限(异系统)(threshold2wcdma，核查范围为[-105～-120]，默认值为-118)、a2事件迟滞(异系统)(ysthreshold2wcdma，核查范围为[0～2]，默认值为0)、a3事件触发偏置(同频)(a3offset，核查范围为[1～3]，默认值为3)以及a3事件触发迟滞(同频)(ysthreshold3，核查范围[0～2]，默认值为0)。
[0093]
互操作类参数的参数分类主要包括：4g与3g互操作，主要包括的参数有：电路域回落(circuit switched fallback，csfb)开关(actcsfbredir，核查范围为开启，默认值为true)以及a2事件rsrp门限(盲重定向)(threshold4，核查范围为[-100～-126]，默认值为-121)。
[0094]
功率类参数的参数分类主要包括：物理随机接入信道(physical randomaccess channel，prach)功控、物理上行链路控制通道(physical uplinkcontrol channel，pucch)功控、物理上行链路共享信道(physical uplinkshared channel，pusch)功控以及下行功率配置。prach功控主要包括：前导初始接收目标功率(ulpciniprepwr，核查范围为[-104～-96]，默认值为-96)。pucch功控主要包括pucch期望功率(p0nompucch，核查范围为[-116～-100]，默认值为-116)。pusch功控主要包括pusch期望功率(p0nompusch[-67～-80]，默认值为-67)和路损因子alpha(ulpcalpha，核查范围为[0.7～0.8]，无默认值)。下行功率配置主要包括参考信号功率(pmax-cellpwrred-dlpcmimocomp-10*log(prbnumber)+dlrsboost，核查范围为[12.2～15.2]，无默认值)。
[0095]
定时器类参数的参数分类主要包括：定时器，主要包括的参数有：t304(t304intralte，核查范围为[500～1000]，默认值为1000)、t310(t310，核查范围为[1000～2000]，默认值为2000)、t311(t311，核查范围为[3000～10000]，默认值为3000)、n310(n310，核查范围为n10(6)，默认值为n10)以及n311(n311，核查范围为n1(0)，默认值为n1)。
[0096]
切换重选参数的参数分类主要包括：空闲态、3g/4g互操作和切换。空闲态主要包括：小区选择重选测量(cellselqualmeas，核查范围为0，默认值为cpich ec/no(0))、最低质量标准(qqualmin，核查范围为[-14～-19]，默认值为-19)、最低接入电平(qrxlevmin，核查范围为[-100～-116]，默认值为-116)、异频小区重选启动门限(sintersearch，核查范围为[-2～-17]，默认值为-15)以及异系统小区重选启动门限(ssearch_rat，核查范围为[-13～-24]，默认值为-17)。3g/4g互操作主要包括：服务小区的绝对优先级(abspriocellreselec，核查范围为[3～4]，默认值为4)、3g至4g重选开关(ltecellreselection，核查范围为1，默认值为enabled(1))、fr开关(smartltelayeringenabled，核查范围为诺基亚4/华为1，默认值为enabled(4))、演进的umts陆面无线接入(evolved universal terrestrial radio access，e-utra)频点绝对优先级(adjlabspriocellreselec，核查范围为[5～6]，默认值为6)、4g邻区最小接收电平(adjlqrxlevmineutra，核查范围为[-130～-120]，默认值为-126)以及高优先级小区门限(adjlthreshigh，核查范围为[-116～-106]，默认值为-116)。切换主要包括：cs业务异频测
量接收信号码功率(received signal code power，rscp)启动门限(hhorscpthreshold，核查范围为[-90～-110]，默认值为-101)、cs业务异频测量rscp停止门限(hhorscpcancel，核查范围为[-80～-105]，默认值为-96)、异频策略【关闭ecno，开启rscp】(异频，核查范围为rscpandecno/rscp，无默认值)、异系统策略【关闭ecno，开启rscp】(异系统(2g)，核查范围为rscpandecno/rscp，无默认值)、cs业务异系统测量rscp启动门限(hhorscpthreshold，核查范围为[-100～-110]，默认值为-101)以及cs业务异系统测量rscp停止门限(hhorscpcancel，核查范围为[-97～-107]，默认值为-96)。
[0097]
功率参数的参数分类主要包括：功率参数，主要包括的有：ptxcellmax(ptxcellmax，核查范围为43～46，默认值为43)和ptxprimarycpich(ptxprimarycpich，核查范围为30～36，默认值为33)。
[0098]
定时器参数的参数分类主要包括：定时器，主要包括的有：t302(t302，核查范围为[100～2000]，默认值为2000ms(10))、n302(n302，核查范围为[1-7]，默认值为7)、t304(t304，核查范围为[100～2000]，默认值为2000ms(4))、t312(t312，核查范围为[1-6]，默认值为6)、n312(n312，核查范围为[1-10]，默认值为1)、t313(t313，核查范围为[3-12]，默认值为8)、n313(n313，核查范围为[10-200]，默认值为50(5))以及t314(t314，核查范围为[6-20]，默认值为8s(4))。
[0099]
另外，优化装置还可以采集目标小区的历史环境信息特征，基于历史环境信息特征模拟目标小区物理环境。作为一种示例，目标小区的环境信息特征，例如所在建筑物相关参数如表3所示。
[0100]
表3
[0101][0102][0103]
表3包括：编号、英文名、中文名和匹配属性四类数据。其中，编号为1的level-one road表示一级道路，匹配属性为道路匹配栅格；编号为2的level second road表示二级道路，匹配属性为道路匹配栅格；编号为3的level third road表示三级道路，匹配属性为道路匹配栅格；编号为4的level four road表示四级道路，匹配属性为道路匹配栅格；编号为5的expressway表示高速道路，匹配属性为道路匹配栅格；编号为6的inland water表示内陆水系，匹配属性为非道路匹配栅格；编号为7的wet land表示湿地，匹配属性为非道路匹配栅格；编号为8的open in suburban表示郊区，匹配属性为非道路匹配栅格；编号为9的open in urban表示开阔的城市，匹配属性为非道路匹配栅格；编号为10的green land表示
绿地，匹配属性为非道路匹配栅格；编号为11的forest表示森林，匹配属性为非道路匹配栅格；编号为12的super_high_buildings(heights》60m)表示超高层建筑，匹配属性为非道路匹配栅格；编号为13的hight buildings(heights》40m)表示高层建筑，匹配属性为非道路匹配栅格；编号为522的dense urban high(heights 40m～20m)表示密集城区(高)，匹配属性为非道路匹配栅格；编号为523的dense urban(heigh《20m)表示密集城区(低)，匹配属性为非道路匹配栅格；编号为524的residential high(heigh《20m)表示高住宅，匹配属性为非道路匹配栅格；编号为525的industrial and commercial(heights《20m&area》20m*40m)表示工厂和商场，匹配属性为非道路匹配栅格；编号为526的dense urban low(height《20m)表示密集城区(低)，匹配属性为非道路匹配栅格；编号为527的villages表示村庄，匹配属性为非道路匹配栅格。
[0104]
应理解，第一模型的训练过程中，在第一模型输出结果不满足标定值的情况下，添加新的环境参数对第一模型进行修正。
[0105]
具体的，第一模型基于目标小区的历史环境参数和历史kpi数据构建完成后，优化装置可以将第一模型上线验证，随机选择几个实际物理小区，通过实际调整输入环境参数，比对预测结果和实际的优化结果。在优化结果不满足预期结果的情况下，可以从特征层面，增加更多地形、建筑物、位置等相关的特征，从数据层面，增加输入控制参数的覆盖面，从模型层面，对空间加入更复杂的建模方式，实现对第一模型的增强和调整。
[0106]
s203、优化装置将第一指标和环境参数输入第二模型，得到环境参数的最优值。
[0107]
其中，第二模型用于基于第一指标和环境参数，调整环境参数的值以使得目标小区为正常小区。
[0108]
在一些实施例中，优化装置得到环境参数后，可以将第一指标和环境参数输入第二模型，得到环境参数的最优值。
[0109]
示例性的，第二模型基于第一模型以及目标小区的训练数据，采用强化学习算法训练得到，训练数据包括环境参数以及以下至少一项：信号强度、人群密度、时间、天气和空间位置。第二模型基于第一模型的环境参数与kpi数据之间的映射关系，基于强化学习算法动态调整目标小区的环境参数，得到使得目标小区的kpi数据达到最优的环境参数。
[0110]
具体的，优化装置即时获取真实环境中的目标小区的各项数据，第二模型学习信号强度分布对人群使用手机时长的影响关系，即当前人群密度(刷手机的人群)，时间、日期、天气，基站输入参数与未来一段时间人群密度积累分布(刷手机的人群)的因素关系，基于强化学习算法优化未来一段时间多次调整基站参数后小区内kpi指标的平均值和总和。
[0111]
一种可能的实现方式，优化装置根据历史记录学习基站输入参数(多个相关基站同时考虑)，空间位置特征，时间天气特征与物理相关mr指标的映射关系，基于过去一周的网络环境，优化基站输入参数(多个相关基站同时考虑)，使得基于人群密度的平均kpi指标满足要求。
[0112]
另一种可能的实现方式，优化装置根据基站输入参数的调整频次，统计网络环境随时间、日期、天气等变化的数据，学习当前人群密度，时间、日期、天气与未来一段时间网络环境积累分布的因素关系。根据当前网络环境、物理环境，计算未来一段时间网络环境积累分布，并调整基站的输入参数，运筹优化kpi指标的平均值。
[0113]
又一种可能的实现方式，优化装置探索信号强度分布对人群使用手机时长的影响
关系，学习当前人群密度(刷手机的人群)，时间、日期、天气，基站输入参数与未来一段时间人群密度积累分布(刷手机的人群)的因素关系。
[0114]
其中，强化学习方法主要有三种，分别是在线强化学习、离线强化学习和多智能体强化学习，通过选择任意一种以下强化学习方法进行第二模型训练。在线强化学习是同模拟器或者真实环境进行交互学习的强化学习算法，功能模块包括：并行模块、路径采集模块，算法模块包括：最近期政策最优化算法(proximal policy optimization，ppo)、sara算法、mcts蒙特卡洛树搜索，适合线上交互成本较低或者模拟器搭建成本低的场景。离线强化学习是直接从离线数据中学习策略的强化学习算法，算法模块包括：强化学习算法(batch constrained deep q-learning，bcq)，适合线上交互成本很高和者模拟器搭建成本也很高的场景。多智能体强化学习有多个智能体同环境进行交互学习的强化学习算法，功能模块包括：并行模块、路径采集模，算法模块包括：qmix多智能体强化学习，mappo算法，适合多个智能体存在合作或者竞争的场景。
[0115]
s204、优化装置根据环境参数和环境参数的最优值优化目标小区。
[0116]
在一些实施例中，优化装置基于第一模型和第二模型，得到环境参数和环境参数的最优值后，可以根据环境参数和环境参数的最优值优化目标小区。
[0117]
示例性的，优化装置可以将环境参数和环境参数的最优值发送给管理人员，管理人员基于环境参数的最优值对目标小区的环境参数进行调整，以实现优化目标小区。例如：目标小区方位角：从10度调整到85度，目标小区机械下倾角从1度下压到6度，目标小区电子下倾角从2度调整到8度，目标小区控制参数a2事件rsrp门限(异系统)从-108dbm修改到-115dbm等等。
[0118]
具体的，装置可以将环境参数和环境参数的最优值通过前端界面显示给管理人员，管理人员可以对环境参数和环境参数的最优值进行确认，通过相关的专业知识和经验判断是否合理准确，在环境参数和环境参数的最优值没有问题的情况下，按照环境参数的最优值调整目标小区的环境参数。
[0119]
应理解，优化装置根据环境参数和环境参数的最优值目标小区后，还可以获取目标小区的优化结果，基于优化结果，调整第二模型。因此，在s204之后，本技术实施例提供的小区优化方法，还包括如下s205-s206。
[0120]
s205、优化装置获取目标小区的优化结果。
[0121]
其中，优化结果用于指示目标小区根据环境参数和环境参数的最优值优化后的kpi数据。
[0122]
在一些实施例中，优化装置根据环境参数和环境参数的最优值优化目标小区后，还可以获取目标小区优化后的优化结果，即目标小区优化后的kpi数据。
[0123]
s206、在优化结果未达到第二指标的情况下，优化装置根据第二指标和优化结果调整第二模型。
[0124]
其中，第二指标用于指示正常小区定义标准的kpi数据。
[0125]
在一些实施例中，优化装置获取目标小区的优化结果后，可以将优化结果与第二指标进行比较，在优化结果未达到第二指标的情况下，优化装置根据目标小区的优化结果和第二指标调整第二模型。
[0126]
示例性的，在优化结果未达到第二指标的情况下，优化装置将目标小区优化后的
kpi数据、第二指标、环境参数以及环境参数的最优值作为训练数据输入第二模型，第二模型基于训练数据进行离线自学习迭代，优化第二模型中的相关参数，以使得根据第二模型输出的环境参数的最优值优化目标小区后，目标小区的优化结果满足第二指标。其中，第二指标为正常小区定义标准的kpi数据。
[0127]
具体的，正常小区包括：4g语音正常小区、5g语音正常小区、4g数据正常小区和5g数据正常小区，即正常小区与质差小区是相对应的，正常小区定义标准与质差小区的标准中的指标数据也是相对应的，指标数据的标准是相反的，因此，第二指标与第一指标也是相对应，第二指标与第一指标是对立关系，本技术实施例对第二指标的正常小区具体定义标准不再赘述。
[0128]
上述实施例提供的技术方案至少带来以下有益效果，本技术实施例提供的小区优化方法，优化装置通过确定目标小区的第一指标，将第一指标输入第一模型，得到环境参数，进一步的，将第一指标和环境参数输入第二模型，得到环境参数的最优值，最终，根据环境参数和环境参数的最优值优化目标小区。本技术实施例中优化装置基于质差小区定义标准将目标小区中满足条件的所有kpi数据作为第一指标，避免了基于人工经验定义目标小区优化目标的不合理性，使得目标小区的问题原因定位更加精准和深入，具有普适性，另外，优化装置还通过第一模型确定kpi数据与环境参数之间的映射关系，从而自动生成需要进行优化的环境参数，提高了小区优化的效率，优化装置还可以通过第二模型确定需有进行优化的环境参数的最优值，提高了优化的准确度，进而更快更准确地提升目标小区的用户感知。
[0129]
进一步的，优化装置还可以基于神经网络算法模拟目标小区的物理环境，采用自回归模型和降维回归模型对目标小区的历史环境参数和历史kpi数据进行训练得到第一模型，使得得到的环境参数更具有针对性的解决目标小区质差的原因。优化装置还可以在优化结果不符合第二指标的情况下，根据优化结果和第二指标调整第二模型，使得环境参数的最优值可以在最大程度上解决目标小区的质差问题。
[0130]
下面就一个具体的实施例对本技术实施例的小区优化方法进行介绍，本方法具体实施过程如图3所示。
[0131]
优化装置将大语言模型作为交互入口，对用户输入的质差小区(即上述目标小区)意图进行理解(即上述优化装置获取用户指令，基于大语言模型分析用户指令，确定目标小区)，通过大语言模型将用户的意图进行分解和转义，根据提前定义的质差小区定义标准，自动进行关联匹配生成质差小区kpi优化目标(即上述第一指标)。优化装置将生成的质差小区优化目标作为质差小区智能优化模型(即上述第一模型和第二模型)输入，进行模型推理(即上述优化装置将第一指标输入第一模型得到环境参数，将第一指标和环境参数输入第二模型，得到环境参数的最优值)。模型推理后生成质差小区优化解决方案(即上述环境参数和环境参数的最优值)给优化人员，优化人员根据模型生成的优化解决方案进行确定并执行操作(即上述优化装置根据环境参数和环境参数的最优值优化目标小区)。在方案执行后的优化效果未达到预期效果(即上述第二指标)的情况下，模型把小区参数调整结果等相关数据作为实践反馈对质差小区智能优化模型做离线自学习迭代(即上述在优化结果未符合第二指标的情况下，优化装置根据优化结果和第二指标调整第二模型)。
[0132]
下面就一个具体的实施例对本技术实施例的小区优化方法进行介绍，本方法具体
实施过程如图4所示。
[0133]
优化装置接收优化人员发送的业务意图对话(即上述用户指令)，例如：查询黄浦区的质差小区，并分别生成优化方案。优化装置基于大语言模型进行意图识别，确定目标小区，根据质差小区kpi目标(即上述质差小区定义标准)生成优化目标(即上述第一指标)。优化装置将优化目标输入智能优化模型进行模型推理，收集目标小区的mr/kpi/xdr等数据进行强化学习，生成优化方案(即上述环境参数和环境参数的最优值)提供给优化人员，其中，优化方案包括：天线方位角、下倾角调整，小区参数优化(切换参数、邻区增删、负载均衡参数等优化)。优化人员根据要优化方案确认执行。智能优化模型收集优化后的小区kpi性能指标，确认优化效果，在优化效果不符合预期效果的情况下，根据优化方案调整结果反馈模型离线迭代，进行持续自学习迭代，优化智能优化模型。
[0134]
下面就一个具体的实施例对本技术实施例的第一模型和第二模型进行介绍，第一模型和第二模型具体实施过程如图5所示。
[0135]
优化装置确定目标小区的第一指标后，将第一指标输入环境学习模型(即上述第一模型)中，通过模拟目标小区的业务逻辑和业务数据利用环境学习技术模拟目标小区的物理环境，基于目标小区的历史数据确定环境参数与kpi指标的映射关系，得到环境参数，将第一指标和环境参数输入智能决策模型(即上述第二模型)，智能优化模型调用环境学习模型中的数据驱动模拟器，基于非梯度优化方法和强化学习方法确定优化决策/策略(即上述环境参数和环境参数的最优值)。
[0136]
下面就一个具体的实施例对本技术实施例的第一模型训练过程进行介绍，第一模型训练过程如图6所示。
[0137]
第一模型获取目标小区的历史数据，并对历史数据进行预处理，剔除无效的数据，历史数据主要包括：历史环境参数、历史物理相关mr/kpi指标以及历史人流相关mr/kpi指标。其中，历史数据的历史环境参数包括：物理天馈参数、小区控制参数、所在建筑物相关参数、天气相关参数以及时间、节日参数。对物理天馈参数和小区控制参数进行监督学习，将对应的历史物理相关mr/kpi指标作为验证集，确定物理天馈参数和小区控制参数与物理相关mr/kpi指标之间的映射关系。对所在建筑物相关参数、天气相关参数以及时间、节日参数进行监督学习，将对应的历史人流相关mr/kpi指标作为验证集，确定所在建筑物相关参数、天气相关参数以及时间、节日参数与历史人流相关mr/kpi指标之间的映射关系。
[0138]
下面就一个具体的实施例对本技术实施例的第二模型训练过程进行介绍，第二模型训练过程如图7所示。
[0139]
第二模型基于目标小区的离线数据，随机选取历史数据，基于第一模型模拟的小区物理环境进行当前状态初始化，以及第一模型确定的环建函数f(即上述环境参数与kpi数据之间的映射关系)，对小区的物理天馈参数和控制优化参数进行强化学习训练，确定环境参数的最优值。第二模型还可以基于真实的小区环境，对小区的物理天馈参数和控制优化参数进行强化学习，从而确定环境参数的最优值。
[0140]
下面就一个具体的实施例对本技术实施例的第二模型训练过程中的目标小区的物理环境和网络环境进行介绍，第二模型训练过程中的目标小区的物理环境和网络环境如图8所示。
[0141]
通常，基站并不能对小区所有的位置、所有的需求都得到满足，因此，优化装置根
据网络环境、物理环境调整基站的参数，使得小区人群的平均信号质量得到提升，或则在在保证平均信号质量不下降的前提下，改善特殊位置的信号质量。因此，在计算小区的信号质量的时候需要考虑小区内网络环境分布。如图所示，第二模型基于空间位置特征，包括建筑物类型和相对建筑物的位置，时间天气特征以及物理相关mr指标，通过调整基站的输入参数(物理、电学)，确定环境参数的最优值。
[0142]
在示例性的实施例中，本技术还提供一种小区优化装置。该小区优化装置可以包括一个或多个功能模块，用于实现以上方法实施例的小区优化方法。
[0143]
例如，图9为本技术实施例提供的一种小区优化装置的组成示意图。如图9所示，该优化装置包括：确定模块901、处理模块902和优化模块903。
[0144]
确定模块901用于，确定目标小区的第一指标，第一指标用于指示目标小区中满足质差小区定义标准的kpi数据。处理模块902用于，将第一指标输入第一模型，得到环境参数，第一模型用于基于第一指标确定导致目标小区为质差小区的环境参数。处理模块902还用于，将第一指标和环境参数输入第二模型，得到环境参数的最优值，第二模型用于基于第一指标和环境参数，调整环境参数的值以使得目标小区为正常小区。优化模块903用于，根据环境参数和环境参数的最优值优化目标小区。
[0145]
在一些实施例中，装置还包括：获取模块904和调整模块905。获取模块904用于，获取目标小区的优化结果，优化结果用于指示目标小区根据环境参数和环境参数的最优值优化后的kpi数据。调整模块905用于，在优化结果未达到第二指标的情况下，根据第二指标和优化结果调整第二模型，第二指标用于指示正常小区定义标准的kpi数据。
[0146]
在另一些实施例中，第一模型基于神经网络算法模拟目标小区的物理环境，采用自回归模型和降维回归模型对目标小区的历史环境参数和历史kpi数据进行训练得到。
[0147]
在又一些实施例中，第一模型的训练过程中，在第一模型输出结果不满足标定值的情况下，添加新的环境参数对第一模型进行修正。
[0148]
在又一些实施例中，第二模型基于第一模型以及目标小区的训练数据，采用强化学习算法训练得到；训练数据包括环境参数以及以下至少一项：信号强度、人群密度、时间、天气和空间位置。
[0149]
在又一些实施例中，第一指标包括以下至少一项：e-rab建立成功率、丢包率、无线接入成功率、掉线率和平均感知速率。
[0150]
在又一些实施例中，环境参数包括以下至少一项：方位角、电子下倾角、机械下倾角、切换重选类参数、互操作类参数、功率类参数和定时器类参数。
[0151]
在示例性的实施例中，本技术实施例还提供了一种电子设备，该电子设备可以是上述方法实施例中的小区优化装置。图10为本技术实施例提供的一种电子设备的组成示意图。如图10所示，该电子设备可以包括：处理器1001和存储器1002；存储器1002存储有处理器1001可执行的指令；处理器1001被配置为执行指令时，使得电子设备或网络设备或管理器实现如前述方法实施例中描述的方法。
[0152]
在示例性的实施例中，本技术实施例还提供一种计算机可读存储介质，其上存储有计算机程序指令；当计算机程序指令被计算机执行时，使得计算机实现如前述实施例中描述的方法。计算机可读存储介质可以是非临时性计算机可读存储介质，例如，非临时性计算机可读存储介质可以是rom、随机存取存储器(ram)、cd-rom、磁带、软盘和光数据存储设
备等。
[0153]
在示例性的实施例中，本技术实施例还提供了一种计算机程序产品，当该计算机程序产品在计算机上运行时，使得计算机执行上述相关方法步骤，以实现上述实施例中的小区优化方法。
[0154]
以上，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何在本技术揭露的技术范围内的变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应该以权利要求的保护范围为准。

技术特征：
1.一种小区优化方法，其特征在于，所述方法包括：确定目标小区的第一指标；所述第一指标用于指示所述目标小区中满足质差小区定义标准的关键业绩指标kpi数据；将所述第一指标输入第一模型，得到环境参数；所述第一模型用于基于所述第一指标确定导致所述目标小区为质差小区的环境参数；将所述第一指标和所述环境参数输入第二模型，得到环境参数的最优值；所述第二模型用于基于所述第一指标和所述环境参数，调整所述环境参数的值以使得所述目标小区为正常小区；根据所述环境参数和所述环境参数的最优值优化所述目标小区。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取所述目标小区的优化结果；所述优化结果用于指示所述目标小区根据所述环境参数和所述环境参数的最优值优化后的kpi数据；在所述优化结果未达到第二指标的情况下，根据所述第二指标和所述优化结果调整所述第二模型；所述第二指标用于指示正常小区定义标准的kpi数据。3.根据权利要求1所述的方法，其特征在于，所述第一模型基于神经网络算法模拟所述目标小区的物理环境，采用自回归模型和降维回归模型对所述目标小区的历史环境参数和历史kpi数据进行训练得到。4.根据权利要求3所述的方法，其特征在于，所述第一模型的训练过程中，在所述第一模型输出结果不满足标定值的情况下，添加新的环境参数对所述第一模型进行修正。5.根据权利要求1所述的方法，其特征在于，所述第二模型基于所述第一模型以及所述目标小区的训练数据，采用强化学习算法训练得到；所述训练数据包括所述环境参数以及以下至少一项：信号强度、人群密度、时间、天气和空间位置。6.根据权利要求1至5任一项所述的方法，其特征在于，所述第一指标包括以下至少一项：演进的无线接入承载e-rab建立成功率、丢包率、无线接入成功率、掉线率和平均感知速率。7.根据权利要求1至5任一项所述的方法，其特征在于，所述环境参数包括以下至少一项：方位角、电子下倾角、机械下倾角、切换重选类参数、互操作类参数、功率类参数和定时器类参数。8.一种小区优化装置，其特征在于，所述装置包括：确定模块、处理模块以及优化模块；所述确定模块用于，确定目标小区的第一指标；所述第一指标用于指示所述目标小区中满足质差小区定义标准的kpi数据；所述处理模块用于，将所述第一指标输入第一模型，得到环境参数；所述第一模型用于基于所述第一指标确定导致所述目标小区为质差小区的环境参数；所述处理模块还用于，将所述第一指标和所述环境参数输入第二模型，得到环境参数的最优值；所述第二模型用于基于所述第一指标和所述环境参数，调整所述环境参数的值以使得所述目标小区为正常小区；所述优化模块用于，根据所述环境参数和所述环境参数的最优值优化所述目标小区。9.根据权利要求8所述的装置，其特征在于，所述装置还包括：获取模块和调整模块；所述获取模块用于，获取所述目标小区的优化结果；所述优化结果用于指示所述目标
小区根据所述环境参数和所述环境参数的最优值优化后的kpi数据；所述调整模块用于，在所述优化结果未达到第二指标的情况下，根据所述第二指标和所述优化结果调整所述第二模型；所述第二指标用于指示正常小区定义标准的kpi数据。10.根据权利要求8所述的装置，其特征在于，所述第一模型基于神经网络算法模拟所述目标小区的物理环境，采用自回归模型和降维回归模型对所述目标小区的历史环境参数和历史kpi数据进行训练得到。11.根据权利要求10所述的装置，其特征在于，所述第一模型的训练过程中，在所述第一模型输出结果不满足标定值的情况下，添加新的环境参数对所述第一模型进行修正。12.根据权利要求8所述的装置，其特征在于，所述第二模型基于所述第一模型以及所述目标小区的训练数据，采用强化学习算法训练得到；所述训练数据包括所述环境参数以及以下至少一项：信号强度、人群密度、时间、天气和空间位置。13.根据权利要求8至12任一项所述的装置，其特征在于，所述第一指标包括以下至少一项：e-rab建立成功率、丢包率、无线接入成功率、掉线率和平均感知速率。14.根据权利要求8至12任一项所述的装置，其特征在于，所述环境参数包括以下至少一项：方位角、电子下倾角、机械下倾角、切换重选类参数、互操作类参数、功率类参数和定时器类参数。15.一种电子设备，其特征在于，所述电子设备包括：处理器和存储器；所述存储器存储有所述处理器可执行的指令；所述处理器被配置为执行所述指令时，使得所述电子设备实现如权利要求1-7任一项所述的方法。16.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括：计算机软件指令；当所述计算机软件指令的电子设备中运行时，使得所述电子设备实现如权利要求1-7任一项所述的方法。

技术总结
本申请提供一种小区优化方法、装置、设备及存储介质，涉及通信技术领域，该方法能够实现提高质差小区的优化效率，以快速提升用户感知。该方法包括：确定目标小区的第一指标，第一指标用于指示目标小区中满足质差小区定义标准的KPI数据，将第一指标输入第一模型，得到环境参数，第一模型用于基于第一指标确定导致目标小区为质差小区的环境参数，将第一指标和环境参数输入第二模型，得到环境参数的最优值，第二模型用于基于第一指标和环境参数，调整环境参数的值以使得目标小区为正常小区，根据环境参数和环境参数的最优值优化目标小区。本申请可用于小区优化的过程中，用于自动生成优化目标小区的环境参数和环境参数的最优值。目标小区的环境参数和环境参数的最优值。目标小区的环境参数和环境参数的最优值。


技术研发人员：杨飞虎 刘贤松 欧大春 陈一丁 施亚洲 许国平 石旭荣 易峰 马明志 徐静静
受保护的技术使用者：中国联合网络通信集团有限公司
技术研发日：2023.08.08
技术公布日：2023/10/11