当前位置：文档之家 › TopN小区处理方法总结

TopN小区处理方法总结

  • 格式：pdf
  • 大小：781.46 KB
  • 文档页数：10

TD-LTE差小区处理方法小结
1概述
随着移动TD-LTE用户的不断增多，TD-LTE的KPI指标成为移动客户关注的一个重点。

通过考核各厂家KPI的各项指标，以达到提升TD-LTE网络的性能。

目前TD-LTE的KPI指标主要包括以下几大类：接入性指标、保持性指标、移动性指标、业务量指标。

各类指标所包含的具体指标如下表示：
本文档就TD-LTE的KPI指标定义及常规的优化思路做一介绍，并结合卡特榆林现场的一些经验案例进行分析。

2 TD-LTE KPI指标定义及常规优化思路
2.1 接入性指标
2.1.1 RRC连接建立成功率
1.指标定义：
RRC建立成功率=RRC连接建立成功次数/ RRC连接建立请求次数*100% 该指标的定义是处于空闲模式（RRC_IDLE）下的UE收到非接入层请求建立信令连接时，UE将发起RRC连接建立过程。

收到RRC建立请求之后决定是否建立RRC连接。

RRC连接建立成功率用RRC连接建立成功次数和RRC连接建立请求次数的比来
表示. 该指标反映小区的UE接纳能力，RRC连接建立成功意味着UE与网络建立了信令连接。

RRC连接建立，包括（如位置更新、系统间小区重选、注册等）的RRC连接建立。

注：由于各厂家conter定义有所不同，此处conter就不列了。

2.信令流程：
RRC建立流程
3.影响指标因素及优化思路
1)设备故障：
优化手段：加大对全网设备故障、传输故障告警监控及故障的排查力度；
2)终端问题：
优化手段：通过信令采集等手段对比TOP终端性能；
3)空口信号质量：
优化手段：通过天馈优化、覆盖优化、提升RSRP、SINR等；
4)网络容量：
优化手段：调整小区下最大接入用户；
5)参数设置：
优化手段：通过优化最小接收电平、小区选择参数、小区重选参数、4-3重选参数、邻区核查等手段提升；
6)网内网外干扰：
优化手段：
网外干扰：如CDMA、WCDMA、TDS等干扰，通过扫频确定干扰，提升与
TDL间离度等手段来尽量避免干扰；政府会议、学校考试等放置干扰器，则采取
锁小区等手段来降低对指标的影响；网内干扰：核查PCI，减少因PCI MOD3、
MOD6干扰导致的RRC建立失败；
7)室内外优化：
优化手段：通过路测等手段检查室分泄漏，降低因室分泄漏导致的乒乓重选或干
扰导致的RRC建立失败。

2.1.2 E-RAB建立成功率
1.指标定义：
E-RAB建立成功率=E-RAB建立成功数/E-RAB建立请求数*100%
通过E-RAB建立过程，网络成功为用户分配用户面连接，使用户可以进行业务应用。

注：此处conter不做介绍，根据各个厂家大家自己看吧。

2.信令流程：
3.影响指标因素及优化思路：
1)设备故障：
优化手段：加大对全网设备故障、传输故障告警监控及故障的排查力度；
2)终端问题：
优化手段：通过信令采集等手段对比TOP终端性能；
3)空口信号质量：
优化手段：通过天馈优化、覆盖优化、提升RSRP、SINR等；
4)参数设置：
优化手段：通过调整3-4重定向、4-4G宏站-室分重选参数、4-3G重选参数、
4-3G重定向参数，核查修改PCI等；
5)网内网外干扰：
优化手段：同RRC建立成功率优化；
6)室内外优化：
优化手段：同RRC建立成功率优化；
2.1.3 无线接通率
1.无线接通率指标定义：
无线接通率=RRC建立成功率*ERAB建立成功率*100％
该指标反映UE成功接入网络的性能，此KPI一般大于98%，处于比较良好的水平。

2.信令流程：
3.分析思路：RRC连接建立
ERAB建立成RRC连接建立
ERAB建立请
UE ENB MME
该指标由RRC连接建立成功率以及E-RAB建立成功率组合而成，所以要从这两个指标着手分析，以提升无线接通率。

2.2 保持性指标
1.指标定义：
切换成功率=（S1切换成功次数+ X2切换成功次数+ 小区内切换成功次数）/（S1切换尝试次数+ X2切换请求次数+ 小区内切换请求次数）*100%
切换（Handover）是移动通信系统的一个非常重要的功能。

作为无线链路控制的一种手段，切换能够使用户在穿越不同的小区时保持连续的通话。

切换成功率是指所有原因引起的切换成功次数与所有原因引起的切换请求次数的比值。

切换主要的目的是保障通话的连续，提高通话质量，减小网内越区干扰，为UE用户提供更好的服务。

2.信令流程：
1）基站内小区间切换信令流程，如图所示：
2）基站间X2切换流程：
基站间X2切换信令流程3）基站间S1切换流程：
基站间S1切换信令流程
3.影响指标因素及优化思路：
1)设备故障：
优化手段：加大对全网设备故障、传输故障告警监控及故障的排查力度；
2)终端问题：
优化手段：通过信令采集等手段对比TOP终端性能；
3)空口信号质量：
优化手段：通过天馈优化、覆盖优化、提升RSRP、SINR，梳理切换关系等；
4)参数核查：
优化手段：同过优化同频、异频切换测量、切换判决参数、小区下最小接入电平等参数；
5)邻区优化：
优化手段：定期核查X2告警，冗余邻区，对切换基数较小但失败分子较多邻区进
行增删，或者禁止切换，核查邻区中是否有同PCI邻区等；
6)CIO、A3、A5触发定时器、迟滞等参数精细化调整：
优化手段：根据道路测试、场景对CIO、A3、A5事件定时器等参数进行精细化调
整；
7)网内外干扰：
优化手段：
网外干扰：如CDMA、WCDMA、TDS等干扰，通过扫频确定干扰，提升与TDL
间离度等手段来尽量避免干扰；政府会议、学校考试等放置干扰器，则采取锁小
区等手段来降低对指标的影响；
网内干扰：核查PCI，减少因PCI MOD3、MOD6干扰导致的切换失败等；
8)室内外优化：
优化手段：根据室分场景进行室内外切换测量、判决、触发时延等参数进行精细化
调整。

2.3 移动性指标
1.指标定义：
无线掉线率= eNB异常请求释放上下文数/初始上下文建立成功次数*100%
该指标指示了UE CONTEXT异常释放的比例。

异常请求释放上下文数通过UE CONTEXT RELEASE REQUEST中包含异常原因的消息个数统计；初始上下文建立成功次数通过包含建立成功信息的Initial Context Setup Response消息个数
2.信令流程：
3.影响因素与优化思路：
1)设备故障：
优化手段：加大对全网设备故障、传输故障告警监控及故障的排查力度；
2)终端问题：
优化手段：通过信令采集等手段对比TOP终端性能；
3)空口信号质量：
优化手段：通过天馈优化、覆盖优化、提升RSRP、SINR等减少因无线环境等因素造成的掉线；
4)拥塞：
优化手段：调整最小接入电平、调整小区下最大用户数、扩容等手段来提升；
5)参数设置：
优化手段：小区选择、小区重选、UE定时器等参数优化调整；
6)MOD3、MOD6干扰优化：
优化手段：核查PCI，避免PCI对打，邻区中有相同PCI等；
3 TD-LTE KPI指标提升常规思路
4 项目案例分析
一周以来，在屈老师的指导下，榆林项目就KPI指标分析总结了一些经验案例。

由于目前客户主要关注的是KPI指标中的切换成功率。

案例也多与切换相关。

4.1 切换类案例
4.1.1 切换源小区附近有相同PCI的小区导致切换判决失败
案例名称：切换源小区附近有相同PCI的小区导致切换判决失败。

案例描述：
5 遗留问题及后续计划。

合集下载

numpy topk 分类算法

numpy topk 分类算法

numpy topk 分类算法numpy是Python中一个强大的数学库，提供了许多高效的数值计算工具。

其中之一就是topk分类算法，它可以根据给定的k值将一个数组或矩阵中的元素进行分类。

在介绍numpy的topk分类算法之前，我们先来了解一下topk算法的概念。

topk算法是一种常用的数据处理方法，它可以快速地找出数组或矩阵中的最大或最小的k个元素。

这种算法在数据分析、机器学习等领域中经常被使用。

在numpy中，我们可以使用np.partition函数来实现topk分类算法。

np.partition函数将数组或矩阵中的元素进行分区，使得分区后的元素满足以下条件：左边的元素都比右边的元素小。

这样一来，我们就可以通过取分区后的前k个元素或后k个元素来得到topk 分类的结果。

下面我们通过一个例子来演示numpy的topk分类算法。

假设我们有一个包含10个元素的数组arr，我们要找出其中最大的3个元素。

我们需要导入numpy库，并创建一个包含10个随机整数的数组arr。

```pythonimport numpy as nparr = np.random.randint(1, 100, size=10)print("原始数组：", arr)```接下来，我们使用np.partition函数对数组arr进行分区，将最大的3个元素放在数组的末尾。

```pythonpartitioned_arr = np.partition(arr, -3)print("分区后的数组：", partitioned_arr)```我们可以通过切片操作来获取最大的3个元素。

```pythontopk = partitioned_arr[-3:]print("最大的3个元素：", topk)```通过以上代码，我们可以得到最大的3个元素。

在实际应用中，topk算法可以帮助我们快速地找出一个数组或矩阵中的最大或最小的k个元素，方便我们进行数据分析和处理。

永州联通GSM网络2011年度总结报告

永州联通GSM网络2011年度总结报告


1、1摸底评估报告问题的实施（DT方面）
冷水滩区问题点说明：
通过第一次摸底测试 ，发现问题点有6个，掉话 1个，掉话小区为：冷区汽 车北站-3，质差基站有4个 ，分别是冷区巾帼大酒店 、冷区三多亭大市场、永 州八中和冷区建行，未接 通小区有2个，分别是梅湾 路建行-3、冷区香格里拉3，切换失败1次，占用冷 区啤酒厂-3小区。 对所有问题点进行RF调 整和参数调整后，复测正 常
2、全网同频同BSIC ： 一般情况下邻区数量应在正常范围， 若配置邻区过少，在边缘地带有可能 引起掉话，本次对邻区数量少于6个的 小区进行了检查，以上小区需要对其 地理环境以及经纬度进行核查后进行 邻区关系的优化
冷水滩区优化前后指标对比：
测试区域 冷水滩区
时间 优化前 优化后
接通率 98.73% 99.46%
覆盖率 92.82% 71.42%
掉话率 1.03% 0%
语音质量 切换成功率 96.37% 99.72% 97.11% 99.60%
1、1摸底评估报告问题的实施（DT方面）
芝山区问题点说明：
通过第一次摸底测试 ，发现问题点有6个，掉话 1个，掉话小区为：冷区汽 车北站-3，质差基站有4个 ，分别是冷区巾帼大酒店 、冷区三多亭大市场、永 州八中和冷区建行，未接 通小区有2个，分别是梅湾 路建行-3、冷区香格里拉3，切换失败1次，占用冷 区啤酒厂-3小区。 对所有问题点进行RF调 整和参数调整后，复测正 常
永州联通GSM网络 2011年度总结报告
永州联通GSM集采网优项目组
目录
一、现阶段工作总结
1、1 摸底评估报告问题的实施（DT） 1、2 摸底评估报告问题的实施（邻区和系统参数） 1、3日常优化调整 1、4专项优化 1、5高速优化 1、6资源优化调整 二、项目中存在的问题
队列的top方法

队列的top方法

队列的top方法队列是一种常见的数据结构，它遵循先进先出（FIFO）的原则。

在队列中，元素从队尾入队，从队头出队。

在实际应用中，我们经常需要获取队列中的第一个元素，这时就需要用到队列的top方法。

一、什么是top方法top方法是队列类中的一个成员函数，它用于获取队首元素。

在C++ STL中，queue类提供了top方法。

在Java中，Queue接口也提供了类似的方法。

二、C++ STL中queue类的top方法1. queue类的定义在使用queue类之前，我们需要包含<queue>头文件：#include <queue>然后可以定义一个queue对象：queue<int> q;这里定义了一个int类型的队列q。

2. top方法的使用要使用top方法，只需调用q.front()即可。

注意，在调用top方法之前需要判断队列是否为空。

if (!q.empty()) {int x = q.front();cout << "The top element is: " << x << endl;} else {cout << "The queue is empty." << endl;}三、Java中Queue接口的peek方法1. Queue接口的定义在Java中使用Queue接口时，需要先导入java.util包：import java.util.*;然后可以创建一个Queue对象：Queue<Integer> q = new LinkedList<>();这里创建了一个Integer类型的链表实现的队列q。

2. peek方法的使用要使用peek方法获取队首元素，只需调用q.peek()即可。

注意，在调用peek方法之前需要判断队列是否为空。

if (!q.isEmpty()) {int x = q.peek();System.out.println("The top element is: " + x);} else {System.out.println("The queue is empty.");}四、总结队列的top方法是获取队首元素的一种常用方式。

大批量数据处理方法

大批量数据处理方法

⼤批量数据处理⽅法如何只⽤2GB内存从20亿，40亿，80亿个整数中找到出现次数最多的数？20亿级别⾯试官：如果我给你 2GB 的内存，并且给你 20 亿个 int 型整数，让你来找出次数出现最多的数，你会怎么做？⼩秋：（嗯？怎么感觉和之前的那道判断⼀个数是否出现在这 40 亿个整数中有点⼀样？可是，如果还是采⽤ bitmap 算法的话，好像⽆法统计⼀个数出现的次数，只能判断⼀个数是否存在），我可以采⽤哈希表来统计，把这个数作为 key，把这个数出现的次数作为 value，之后我再遍历哈希表哪个数出现最多的次数最多就可以了。

⾯试官：你可以算下你这个⽅法需要花费多少内存吗？⼩秋：key 和 value 都是 int 型整数，⼀个 int 型占⽤ 4B 的内存，所以哈希表的⼀条记录需要占⽤ 8B，最坏的情况下，这 20 亿个数都是不同的数，⼤概会占⽤16GB 的内存。

⾯试官:你的分析是对的，然⽽我给你的只有 2GB 内存。

⼩秋：（感觉这道题有点相似，不过不知为啥，没啥思路，这下凉凉），⽬前没有更好的⽅法。

⾯试官：按照你那个⽅法的话，最多只能记录⼤概 2 亿多条不同的记录，2 亿多条不同的记录，⼤概是 1.6GB 的内存。

⼩秋：（嗯？⾯试官说这话是在提⽰我？）我有点思路了，我可以把这 20 亿个数存放在不同的⽂件，然后再来筛选。

⾯试题：可以具体说说吗？⼩秋：刚才你说，我的那个⽅法，最多只能记录⼤概 2 亿多条的不同记录，那么我可以把这 20 亿个数映射到不同的⽂件中去，例如，数值在 0 ⾄ 2亿之间的存放在⽂件1中，数值在2亿⾄4亿之间的存放在⽂件2中....，由于 int 型整数⼤概有 42 亿个不同的数，所以我可以把他们映射到 21 个⽂件中去，如图显然，相同的数⼀定会在同⼀个⽂件中，我们这个时候就可以⽤我的那个⽅法，统计每个⽂件中出现次数最多的数，然后再从这些数中再次选出最多的数，就可以了。

⾯试官：嗯，这个⽅法确实不错，不过，如果我给的这 20 亿个数数值⽐较集中的话，例如都处于 1~20000000 之间，那么你都会把他们全部映射到同⼀个⽂件中，你有优化思路吗？⼩秋：那我可以先把每个数先做哈希函数映射，根据哈希函数得到的哈希值，再把他们存放到对应的⽂件中，如果哈希函数设计到好的话，那么这些数就会分布的⽐较平均。