学习–实验背景

观看视频进行学习，理解该仿真的内涵

使用人工智能代替人工分析，对5G网络进行优化

上下行速率

运营商定义了一个值，图中红线，上下行速率低于该值时标识用户体验严重受损，需要进行优化。

影响速率的原因有：丢包率 干扰 容量 覆盖等

传统的优化方法是,提取基站级 小区级 小时密度 天密度和基站参数配置等大量数据报表，通过复杂的分析确定其它指标和速率的关联的，用人工计算的方法预测高关联度指标调优后的指标趋势。
这样在5G时代消耗多效果还不好

使用人工智能，实现关联系数快速计算，调优后的指标趋势快速呈现，

调优分为4步

1. 观察速率指标，找到需要优化的地方
2. 通过人工智能算法计算其他指标和速率指标的关联度
3. 使用人工智能算法对关联度较高的指标进行调优
4. 使用人工智能算法对调优后的趋势进行预测

VOLTE

VoLTE是4G的语音解决方案，优化主要有掉话率和时延两个方面。

掉话率优化

传统方法：通过网关提出大量数据，通过大量复杂的数据分析出主要关联指标的数据，依次排查问题所在。

4个步骤：

1. 发现某一天的掉话率高于基准值，确定当天有掉话率问题
2. 对相关关联指标进行数据收集和分析，计算出关联度较高的几个指标
3. 选择人工智能算法，对关联性价高的几个指标进行针对性的调优
4. 基于人工智能算法预测调优后的指标趋势

时延优化

三种时延：

1. 呼叫建立时延：主叫发送呼叫请求到主叫接收到振铃消息的时间差
2. 端到端时延：主叫端语音编码器输出到被较短语音译码器输入前的时延
3. 抖动时延：相邻两个RTP包在到达终端或某个节点时间之差

优化流程有4步：

1. 先确定问题，发现某天的时延指数高于基准值，需要优化
2. 对相关关联指标进行数据收集和分析，计算出关联度较高的几个指标
3. 选择人工智能算法，对关联性价高的几个指标进行针对性的调优
4. 基于人工智能算法预测调优后的指标趋势

接入保持特性提升

无线接通率

1. 使用人工智能，利用训练集不断积累的训练数据，得出校验公式，得出因素影响无线接通率的关联度，进而知道调整那些指标，调整到那个区间。
   
   后面的0.76 0.74 等为影响因子，正数为正相关因子，影响因子越大，说明调整这些指标对无线接通率影响较大。 负数的为无影响的因素。

2. 利用人工智能算法对关联度较高的指标进行调优

3. 利用人工智能算法预测调优后的趋势

切换成功率

附录

关键指标及其相关关联指标。（实际指标不止这些，这里列出影响较大指标）

数据分析

依次选择数据类型

• 数据导入

• 问题分析： 找到指标恶化的位置

• 生成关联系数

• 生成相关矩阵： 矩阵中深蓝色的是相关性较高的地方，是后期调参的地方

• 下一步

• 机器学习：
  

• 模型训练 ：切换各自选项，得到测试集评分较高的情况再进行下一步
  不可以下一步的情况：
  

可以下一步的情况：

• 下一步

• 参数调优：找到对应日期与关联性较高的参数，根据其他日期的参数进行对比调整
  原来值：
  
  调整值：
  

• 可以看见曲线得到了优化：

原曲线

优化后曲线：

• 然后在分析报告里写清楚解决的途径：从6.13号的下行速率低于0.4为恶化指标，通过关联参数发现相关的参数中RRC连接数与上下行PRB平均利用率相关性较高。
  通过在参数调优时调整这4个参数，将其调整到合适值并查看调整后的预测曲线，发现上下行速率得到了优化

其他几种选项差不多