1.小区量化特征的场景自动化精细识别与参数经验推荐

基于LTE现网参数配置数据、MR数据、工参数据、邻区配置、性能指标等多维度数据源，创造性地提出了小区量化特征的场景自动化精细识别与参数经验取值推荐方法，以精细量化小区分类，挖掘局部参数最优配置。

通过统一采集的海量数据，逐步建立和完善LTE现网优秀参数配置经验库，用于辅助其他地市新建站小区的初始参数规划配置，充分借鉴已充分优化地区的LTE参数配置经验，以减少优化人员工作量和技术水平要求，可快速辅助各地市网优人员将新入网小区的参数配置质量达到人工参数优化经验的水平。

2.可量化场景特征举例

不同小区的可量化场景特征，如图1-33所示。

图1-33 不同小区的可量化场景特征

场景1特征举例：站间距较小，下倾角较大，邻区站高波动较大，用户多分布于小区边缘，RRC、ERAB请求次数偏小，但上、下行业务总流量较大，切换总次数偏大，其中EnB内部切换较多。

场景2特征举例：站间距较大，下倾角较小，邻区站高波动较小，用户多分布于小区中心，RRC、ERAB请求次数较大，但上、下行业务总流量较小，切换总次数偏小，其中EnB内部切换较少。

3.现网LTE小区场景划分

实验将某省全省近8.4万个宏站小区划分为50类场景，其中典型场景见表1-18。

表1-18 现网LTE小区场景划分

（续）

在各场景内进行网络质量评价，挖掘各个场景下的局部参数最优配置（以某省数据为例），进行平台固化和共享，可按照精细场景进行参数经验值的推荐。

针对每种场景下的小区分别进行综合性能筛选，见表1-19。

表1-19 不同场景下的性能筛选

4.目前进展

（1）参数自动设置验证

经验值自动推荐（某省），自动化参数推荐已和人工优化效果基本相当。

常规方式：本地网络优化人员进行参数优化的指标情况见表1-20。

表1-20 常规方式下网络优化人员参数优化的指标情况(www.daowen.com)

采用自动化方式：通过智能优化算法，精细场景下的参数推荐配置方案在现网实施后的指标情况见表1-21。

表1-21 智能优化算法精细场景下现网实施优化后的指标情况

可见，自动化参数推荐已和人工优化效果基本相当，借鉴优秀参数取值经验，可减少优化人员的工作量。

（2）TOP质差小区

采用参数经验自动推荐，××市选取TOP质差小区进行了LTE参数经验的自动推荐试验，采用优秀参数经验值后，已有部分小区的性能获得了提升，另有少量小区变化不明显，见表1-22。

表1-22 智能优化算法TOP质差小区场景优化效果

（3）新入网小区

某自治区新入网小区分场景的参数经验值自动推荐设置，整网指标有较明显的提升，见表1-23。自动化参数推荐已和人工优化效果基本相当，部分小区自动推荐设置的经验值要优于现网配置，指标提升较大。

表1-23 智能优化算法新入网小区场景优化效果（整网指标）

新入网小区性场景优化效果见表1-24。

表1-24 智能优化算法新入网小区场景优化效果（小区指标）

（续）

（续）

5.总结

根据试点效果，优化算法，增加用户分布特征、小区覆盖地形地貌等；扩大试点范围，尝试应用在中西部人员数量不足或优化经验不足的公司。