由于本次研究课题的时间有限，为了利于实施，我们首先以载波数作为话务模型的分类，将广州北部地区其作为一个整体，看作是一种话务模型来研究。
2. 拥塞门限值选取
1) 拥塞类型
拥塞可以分为时间拥塞和事件拥塞。
时间拥塞是小区在单位时间内（例如1小时）发生拥塞的时间累计，即网络无线资源匮乏的时间累计；
事件拥塞是小区在单位时间内（例如1小时）发生拥塞次数的累计，即网络无线资源匮乏的次数统计。
通常，时间拥塞更能反映网络的实际拥塞，而事件拥塞更能反映拥塞时网络设备的占用情况。如果用变化曲线表示，时间拥塞的曲线比较平滑，事件拥塞的曲线比较波动。在事件拥塞中，某个呼叫的建立可能会造成多次拥
6
塞次数的统计。例如当前小区发生拥塞时，如果开通AW=ON(Assignment to worse cell)、CLS(CELL LOAD SHARING)等小区接入辅助功能，某个呼叫会尝试连接多个小区，可能会造成多次的拥塞次数统计。如下图：
2) 拥塞门限值
拥塞门限值的选取有两个标准： 1) 第一次拥塞的发生时间
在拥塞次数为壹的时候，即为拥塞门限值。其优点是能反映网络的100％拥塞；缺点是浪费网络资源，因为极可能在第一次拥塞发生后的一段时间内，网络并不持续拥塞。
本次研究将选取第一次拥塞发生时间的话务量作为小区拥塞的门限值。即某小区的拥塞次数大于0次就认为该小区已经拥塞。
2) 拥塞拐点的发生时间
时间拥塞与话务量间的关系满足y＝ax（n>1，a>0）,如下图：
n
当话务量达到一定门限值的时候，开始拥塞。如果拥塞一直持续，当拥
7
塞率达到一定门限值的时候，由于“雪崩”效应，拥塞率会急速上升，在拥塞率曲线上会存在一个“拐点”。不同小区所处的人文地理和无线资源不同，所以拐点也不尽相同。
3. 数据离散度处理
我们收集了大量的话务统计数据（取4、5两个月24小时话务统计数据，因为这两个月网络的CELLOAD数据相对稳定，除了个别小区外，其余小区的CELLOAD值都没有变动），对各个载波数下的数据进行了离散处理，并对由于载波损坏、突发话务等原因造成拥塞的数据摒弃。
由于每个小区的SDCCH数目不尽相同，所以此次专项我们仅以载波数为单位进行研究，没有将研究对象细分到每个信道。同时考虑到数据量的问题，广州北区载波数为1和12的小区较少，所收集到的拥塞数据量太少，故在此不做研究。
1、话务拥塞离散图
在这里我们以4至8个载波为例，（考虑到我们所要得到的是小区刚开始拥塞时的每线话务量，故在此仅取拥塞事件小于100的数据）：
载波数为4时的话务拥塞离散图1每线话务量0.80.60.40.200204060拥塞事件80100120每线话务量
8
载波数为5时的话务拥塞离散图1量0.8务话0.6每线话务量线0.4每0.20020406080100拥塞事件载波数为6时的话务拥塞离散图1.21量务0.8话0.6每线话务量线每0.40.20050100150拥塞事件载波数为7时的话务拥塞离散图1.21量务0.8话0.6每线话务量线每0.40.20020406080100拥塞事件9
载波数为8时的话务拥塞离散图1.21每线话务量0.80.60.40.200204060拥塞事件80100
每线话务量
2、数据处理
从上面的各个图表中，我们可以得到不同载波个数下的话务拥塞离散图，可以看到这些数据虽然较为离散，但总是集中在某一数据值的某个偏差范围内。
因此为了滤除突变数据的影响，我们对数据进行两次平均值的算法：第一次现求平均值，再求样本的标准偏差（标准偏差是反映样本数值相对于平均值的离散程度），
标准偏差＝
其中x为样本平均值，n为样本大小
然后将误差在标准偏差以外的样本剔除；再经过第二次的平均，最后得出不同载波个数下的拥塞门限值（由于北区全网载波个数为1和12的话务统计数据量太少，故在此不进行研究）。
载波个数
2
3 4
平均值 标准偏差 0.331 0.477 0.633
0.0851 0.0701 0.1043
10