許盛宏 宮云平 姚彥強(qiáng)

【摘? 要】為了解決弱覆蓋區(qū)域測(cè)評(píng)的工作量大且效率低、分析問(wèn)題片面且準(zhǔn)確性不高等問(wèn)題，通過(guò)聚類(lèi)、輪廓識(shí)別等算法對(duì)4G網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行分析，研究了4G網(wǎng)絡(luò)弱覆蓋智能測(cè)評(píng)方案，分析了海量MR的柵格聚合、弱柵格連片的自動(dòng)識(shí)別、區(qū)域輪廓的自動(dòng)勾畫(huà)、測(cè)評(píng)指標(biāo)的智能關(guān)聯(lián)，實(shí)驗(yàn)證實(shí)了弱覆蓋測(cè)評(píng)的高度準(zhǔn)確性及網(wǎng)絡(luò)優(yōu)化效率的大幅提升。

【關(guān)鍵詞】4G;大數(shù)據(jù);弱覆蓋;智能測(cè)評(píng)

doi：10.3969/j.issn.1006-1010.2019.08.017? ? ? 中圖分類(lèi)號(hào)：TN915.81

文獻(xiàn)標(biāo)志碼：A? ? ? 文章編號(hào)：1006-1010（2019）08-0092-05

引用格式：許盛宏，宮云平，姚彥強(qiáng). 基于大數(shù)據(jù)的4G網(wǎng)絡(luò)弱覆蓋智能測(cè)評(píng)方案研究[J]. 移動(dòng)通信， 2019，43（8）： 92-96.

[Abstract]?In order to solve the problems of the evaluation of weak coverage area such as heavy workload， inefficiency， one-sided analysis and low accuracy， the solution for intelligent evaluation of poor coverage area is investigated based on the data analysis of 4G networks through the algorithms such as clustering and contour recognition. Then this paper analyzes the grid aggregation based on massive MR， automatic recognition of weak grid contiguous areas， automatic contour mapping of weak coverage area， and intelligent relation of evaluation metrics. The experiments demonstrate the high accuracy of weak coverage assessment and the substantial improvement of network optimization efficiency.

4G; big data; weak coverage; intelligent evaluation

1? ?引言

移動(dòng)網(wǎng)絡(luò)的覆蓋質(zhì)量關(guān)系到用戶對(duì)運(yùn)營(yíng)商品牌形象的評(píng)價(jià)。隨著移動(dòng)業(yè)務(wù)競(jìng)爭(zhēng)壓力不斷加大，移動(dòng)用戶感知質(zhì)量需要迫切提升，移動(dòng)網(wǎng)絡(luò)覆蓋質(zhì)量是移動(dòng)用戶感知質(zhì)量提升和忠誠(chéng)度提升的重要保障。網(wǎng)絡(luò)設(shè)備投入的資源有限、移動(dòng)網(wǎng)絡(luò)規(guī)劃站點(diǎn)部署不足將導(dǎo)致移動(dòng)網(wǎng)絡(luò)出現(xiàn)弱覆蓋問(wèn)題，這會(huì)直接影響移動(dòng)用戶的業(yè)務(wù)感知和速率體驗(yàn)。因此，很有必要實(shí)現(xiàn)移動(dòng)網(wǎng)絡(luò)弱覆蓋區(qū)域智能測(cè)評(píng)，高效解決移動(dòng)網(wǎng)絡(luò)的弱覆蓋問(wèn)題，快速提升移動(dòng)用戶的感知質(zhì)量。

2? ?現(xiàn)有解決方案

目前，4G網(wǎng)絡(luò)弱覆蓋區(qū)域測(cè)評(píng)方法主要依靠拉網(wǎng)路測(cè)和客戶投訴來(lái)解決。拉網(wǎng)路測(cè)需要專(zhuān)業(yè)車(chē)輛、專(zhuān)業(yè)設(shè)備的DT（Drive Test，路測(cè)）路面測(cè)試采集網(wǎng)絡(luò)覆蓋數(shù)據(jù)，然后將路測(cè)數(shù)據(jù)、地理圖層導(dǎo)入GoogleEarth、MAPINFO等專(zhuān)業(yè)工具進(jìn)行分析，再人工估算連在一起的滿足弱覆蓋條件的測(cè)試點(diǎn)作為弱覆蓋區(qū)域，并結(jié)合不同廠家的4G網(wǎng)管、告警、路測(cè)、臺(tái)賬、仿真等多個(gè)系統(tǒng)兜轉(zhuǎn)人工分析，最后經(jīng)人工分析得到弱覆蓋測(cè)試范圍的測(cè)評(píng)指標(biāo)。目前弱覆蓋測(cè)評(píng)方法如圖1所示，存在以下一些問(wèn)題：

（1）需要人工進(jìn)行路面測(cè)試，導(dǎo)致消耗大量人力和物力，工作量很大且效率低。

（2）人工進(jìn)行弱覆蓋范圍識(shí)別，識(shí)別準(zhǔn)確性不高且工作效率低，同時(shí)無(wú)法直觀呈現(xiàn)弱覆蓋區(qū)域。

（3）需要結(jié)合多個(gè)不同系統(tǒng)兜轉(zhuǎn)人工分析，分析問(wèn)題片面、不準(zhǔn)確且工作效率低。

3? ?智能測(cè)評(píng)方案

3.1 總體實(shí)現(xiàn)思路

針對(duì)目前的弱覆蓋區(qū)域測(cè)評(píng)需要消耗大量人力和物力、工作量大且效率低、分析問(wèn)題片面且準(zhǔn)確性不高等問(wèn)題，提出了基于大數(shù)據(jù)的弱覆蓋區(qū)域自動(dòng)測(cè)評(píng)方案。

通過(guò)設(shè)備綜合網(wǎng)管獲取用戶終端上報(bào)海量的MR（Measurement Report，測(cè)量報(bào)告），系統(tǒng)根據(jù)市區(qū)、農(nóng)村等場(chǎng)景確定柵格大小、柵格連片數(shù)以及連片規(guī)則，再通過(guò)基于大數(shù)據(jù)的聚類(lèi)算法，自動(dòng)識(shí)別出弱覆蓋區(qū)域，并結(jié)合輪廓識(shí)別算法識(shí)別出區(qū)域輪廓，最后關(guān)聯(lián)DPI（Deep Packet Inspection，深度包檢測(cè)）、KPI（Key Performance Indication，性能指標(biāo)）、告警等一站式輸出測(cè)評(píng)指標(biāo)（如圖2所示）。

3.2? 相關(guān)算法研究

（1）聚類(lèi)算法

隨著人類(lèi)科學(xué)技術(shù)的發(fā)展，對(duì)分類(lèi)的要求越來(lái)越高，以致有時(shí)僅憑經(jīng)驗(yàn)和專(zhuān)業(yè)知識(shí)難以確切地進(jìn)行分類(lèi)，于是人們逐漸地把數(shù)學(xué)工具引用到了分類(lèi)學(xué)中，形成了數(shù)值分類(lèi)學(xué)，之后又將多元分析的技術(shù)引入到數(shù)值分類(lèi)學(xué)形成了聚類(lèi)分析。聚類(lèi)分析的算法可以分為劃分法、層次法、基于密度的方法、基于網(wǎng)格的方法、基于模型的方法。DBSCAN（Density Based Spatial Clustering of Applications with Noise，基于密度的聚類(lèi)算法）是一個(gè)比較有代表性的基于密度的聚類(lèi)算法，與劃分和層次聚類(lèi)方法不同，其將簇定義為密度相連的點(diǎn)的最大集合，能夠把具有足夠高密度的區(qū)域劃分為簇，并可在噪聲的空間數(shù)據(jù)庫(kù)中發(fā)現(xiàn)任意形狀的聚類(lèi)。由于弱覆蓋區(qū)域的數(shù)量和形狀不固定，本方案將采用DBSCAN算法自動(dòng)識(shí)別弱覆蓋區(qū)域。

（2）輪廓識(shí)別算法

在圖像處理與分析、模式識(shí)別和計(jì)算機(jī)視覺(jué)等研究領(lǐng)域中通常需要提取目標(biāo)區(qū)域的輪廓以獲得關(guān)于目標(biāo)的諸多有價(jià)值的信息。其中比較有代表性的是Alpha Shapes（阿爾法形狀）算法，從離散的空間點(diǎn)集中抽象出其直觀形狀，即從一堆無(wú)序的點(diǎn)中獲取大致的輪廓，其原理可以想象成一個(gè)半徑為α的圓在點(diǎn)集s外滾動(dòng)，當(dāng)α足夠大時(shí)，這個(gè)圓就不會(huì)滾動(dòng)到點(diǎn)集內(nèi)部，其滾動(dòng)的痕跡就是這個(gè)點(diǎn)集的邊界線。為了更好表征弱覆蓋區(qū)域的形狀，本方案采用Alpha Shapes算法得到弱覆蓋區(qū)域多邊形頂點(diǎn)來(lái)表示，作為弱覆蓋區(qū)域的地理化呈現(xiàn)。

3.3? 關(guān)鍵技術(shù)實(shí)現(xiàn)

（1）基于海量MR的柵格聚合

4G終端用戶每隔10 s上報(bào)一條MR記錄，全省每天采集260億條MR記錄，MR記錄包括位置AGPS以及覆蓋指標(biāo)等信息，基于大數(shù)據(jù)構(gòu)建采集和運(yùn)行框架高效實(shí)現(xiàn)MR數(shù)據(jù)聚合。然后將指定區(qū)域以網(wǎng)格的形式分成相同大小的柵格（如20 m×20 m），根據(jù)MR的經(jīng)緯度和柵格范圍對(duì)MR記錄進(jìn)行柵格聚合，根據(jù)每個(gè)柵格的所有MR的RSRP計(jì)算平均值作為該柵格的覆蓋指標(biāo)。當(dāng)柵格的覆蓋RSRP指標(biāo)小于-105 dB即認(rèn)為弱覆蓋柵格。柵格編號(hào)采用（經(jīng)度編號(hào)，緯度編號(hào)）的形式來(lái)表示，將左下角最小經(jīng)緯度（109.456 006 485 399， 20.129 790 088 470 2）對(duì)應(yīng)的柵格編號(hào)為（0， 0），并按固定柵格大小往后增加編碼，具體計(jì)算方法如下：

經(jīng)度編號(hào)=（經(jīng)度-109.456 006485399）/（0.00000972×級(jí)別）+1001（向下取整）

緯度編號(hào)=（緯度-20.129790 0884702）/（0.00000896×級(jí)別）+1001（向下取整）

柵格編號(hào)=經(jīng)度編號(hào)×1000000+緯度編號(hào)，如果柵格為20×20，那么此處級(jí)別為20。

（2）弱柵格連片區(qū)域的自動(dòng)識(shí)別

根據(jù)弱覆蓋柵格門(mén)限，篩選出符合要求的弱柵格集合，根據(jù)預(yù)先確定的弱柵格連片距離，采用DBSCAN算法，把滿足一定條件的鄰近弱柵格聚成一組，再根據(jù)柵格連片數(shù)門(mén)限過(guò)濾達(dá)不到門(mén)限值的分組，最后得到的柵格連片分組即為弱覆蓋區(qū)域。

同時(shí)，系統(tǒng)可根據(jù)不同場(chǎng)景的基站覆蓋范圍、站間距、用戶密度等的不同，自動(dòng)計(jì)算對(duì)應(yīng)的柵格大小、柵格連片數(shù)以及連片距離門(mén)限。市區(qū)和縣城基站覆蓋范圍小、站間距密、用戶密度高，設(shè)置柵格大小為20 m×20 m（此時(shí)D=20 m），柵格連片數(shù)至少為10個(gè)，連片距離為D;鄉(xiāng)鎮(zhèn)和農(nóng)村基站覆蓋范圍大、站間距疏、用戶密度低，設(shè)置柵格大小為50 m×50 m，柵格連片數(shù)最小值為5個(gè)，連片距離為2D。如圖3所示，深色的格子表示弱柵格，當(dāng)連片距離設(shè)置為D，算法流程如下：

1）在弱柵格集合隨機(jī)拿一個(gè)柵格A，則與A柵格的連片距離滿足的弱柵格有B和C。

2）分別判斷B和C滿足連片距離的柵格，則可以找到柵格D的滿足條件。

3）再通過(guò)D查找沒(méi)有滿足距離的柵格，則該分組結(jié)束，輸出分組1（ABCD）。

4）類(lèi)似上述步驟，可以輸出分組2（EFGH）。

當(dāng)連片距離設(shè)置為2D則柵格C與柵格E、F滿足距離條件，則中間有隔開(kāi)不相連的柵格的成片柵格也會(huì)組成一個(gè)弱覆蓋區(qū)域（ABCDEFGH），如圖4所示。

（3）弱覆蓋區(qū)域輪廓的自動(dòng)勾畫(huà)

弱柵格連片包含柵格的頂點(diǎn)，通過(guò)Alpha Shape算法檢測(cè)出邊緣輪廓點(diǎn)，從而勾畫(huà)出弱覆蓋區(qū)域輪廓。根據(jù)輪廓勾畫(huà)算法原理，采用長(zhǎng)度跟連片距離相等的線段，選取位置最高的頂點(diǎn)作為初始點(diǎn)，線段一端首先固定在該初始點(diǎn)，從水平方向開(kāi)始逆時(shí)針旋轉(zhuǎn)，當(dāng)相交另一個(gè)頂點(diǎn)，線段保持方向移動(dòng)，另一端固定在該頂點(diǎn)，繼續(xù)逆時(shí)針旋轉(zhuǎn)，直到線段相交初始點(diǎn)為止，輸出線段經(jīng)歷頂點(diǎn)就是該區(qū)域的邊緣輪廓點(diǎn)。如圖5所示，當(dāng)連片距離設(shè)置為2D時(shí)，實(shí)現(xiàn)流程如下：

1）把弱區(qū)1每個(gè)柵格頂點(diǎn)去重，得到11個(gè)點(diǎn)，取經(jīng)緯度編號(hào)最大的點(diǎn)a作為初始點(diǎn);

2）以a為圓心，連片距離為半徑，從水平方向逆時(shí)針旋轉(zhuǎn)，相交于點(diǎn)d，則d作為下一個(gè)頂點(diǎn);

3）以d為圓心，連片距離為半徑，從a點(diǎn)開(kāi)始逆時(shí)針旋轉(zhuǎn)，相交于點(diǎn)e，則e作為下一個(gè)頂點(diǎn);

4）以e為圓心，連片距離為半徑，從d點(diǎn)開(kāi)始逆時(shí)針旋轉(zhuǎn)，相交于點(diǎn)g，則g作為下一個(gè)頂點(diǎn);

5）如此類(lèi)推，當(dāng)下一個(gè)頂點(diǎn)是初始點(diǎn)的時(shí)候，就停止計(jì)算，可以輸出弱覆蓋區(qū)域1的邊界，弱覆蓋區(qū)域2也類(lèi)似這么處理。

當(dāng)連片距離設(shè)置為2D，則柵格C與柵格E、F滿足距離條件，則分組1和分組2合并成一個(gè)分組，輪廓勾畫(huà)出的結(jié)果如圖6所示：

（4）測(cè)評(píng)指標(biāo)的智能生成

為了提升網(wǎng)絡(luò)優(yōu)化支撐的智能化水平，減少多個(gè)系統(tǒng)兜轉(zhuǎn)人工分析，通過(guò)結(jié)合DPI、KPI、MR、CDR、基站臺(tái)賬等多系統(tǒng)全方位指標(biāo)實(shí)現(xiàn)弱覆蓋區(qū)域的智能測(cè)評(píng)，測(cè)評(píng)輸出指標(biāo)包括處理措施、處理優(yōu)先級(jí)、接入扇區(qū)和附近扇區(qū)。

處理措施：根據(jù)附近基站扇區(qū)狀況以及場(chǎng)景，輸出規(guī)劃、維護(hù)、工程和優(yōu)化建議。

處理優(yōu)先級(jí)：根據(jù)弱柵格數(shù)、4G切3G次數(shù)、4G用戶數(shù)、4G流量、4G感知優(yōu)良率等指標(biāo)進(jìn)行計(jì)算。

接入扇區(qū)：弱覆蓋區(qū)域MR數(shù)量最多的5個(gè)主服務(wù)接入扇區(qū)，用于分析弱覆蓋區(qū)域接入小區(qū)原因。

附近扇區(qū)：距離弱覆蓋區(qū)域中心點(diǎn)最近的5個(gè)扇區(qū)，用于分析弱覆蓋區(qū)域附近小區(qū)原因。

4? ?方案應(yīng)用驗(yàn)證

人工路測(cè)與本方案測(cè)評(píng)結(jié)果對(duì)比如表1所示，路測(cè)弱路段表示至少連續(xù)100 m弱覆蓋路段，而系統(tǒng)弱覆蓋區(qū)域表示至少10個(gè)20 m×20 m弱柵格連片的區(qū)域，驗(yàn)證了75個(gè)路段覆蓋情況，整體匹配準(zhǔn)確率為93.33%，其中區(qū)域A驗(yàn)證情況如圖7所示，該區(qū)域路測(cè)總?cè)趼范螢?1段，其中系統(tǒng)只有編號(hào)18路段沒(méi)有匹配上，匹配準(zhǔn)確率為95.24%。

同時(shí)，基于本方案實(shí)現(xiàn)了弱覆蓋區(qū)域的自動(dòng)精準(zhǔn)識(shí)別、基站扇區(qū)覆蓋地理化分析及重要場(chǎng)景弱覆蓋智能測(cè)評(píng)功能，經(jīng)過(guò)實(shí)際推廣應(yīng)用，可準(zhǔn)確發(fā)現(xiàn)并快速解決4G網(wǎng)絡(luò)弱覆蓋問(wèn)題，使得工作效率大幅提升，路測(cè)費(fèi)用大幅下降。某地市每條城中村網(wǎng)絡(luò)測(cè)評(píng)耗時(shí)由原來(lái)2～3天縮短至10分鐘，提供工作效率百倍以上。初步估算可取代80%的路測(cè)工作，某地市每年需要投入800萬(wàn)路測(cè)費(fèi)用，即每年可節(jié)省640萬(wàn)元。

5? ?結(jié)束語(yǔ)

為解決目前弱覆蓋區(qū)域測(cè)評(píng)需要消耗大量資源、工作量大且效率低、分析問(wèn)題片面且準(zhǔn)確性不高等問(wèn)題，提出了基于大數(shù)據(jù)的4G網(wǎng)絡(luò)弱覆蓋測(cè)評(píng)方案，實(shí)現(xiàn)快、全、準(zhǔn)的一站式智能測(cè)評(píng)，使得網(wǎng)絡(luò)優(yōu)化效率大幅提升，路測(cè)費(fèi)用大幅下降以及客戶感知有效提升，具有良好的推廣應(yīng)用價(jià)值。后續(xù)結(jié)合人工智能和大數(shù)據(jù)技術(shù)不斷完善功能，進(jìn)一步推進(jìn)原因定位智能化分析，更有力支撐智慧化運(yùn)營(yíng)。

參考文獻(xiàn)：

[1] 劉通，施兆陽(yáng)，陳燦，等. 基于LTE MR大數(shù)據(jù)分析的虛擬化路測(cè)應(yīng)用探討[J]. 移動(dòng)通信， 2017，41（12）： 1-5.

[2] 張臻. 大數(shù)據(jù)在移動(dòng)通信網(wǎng)絡(luò)優(yōu)化中的應(yīng)用研究[J]. 移動(dòng)通信， 2017，41（5）： 27-30.

[3] 劉帆. LTE網(wǎng)絡(luò)優(yōu)化方法[J]. 網(wǎng)絡(luò)安全技術(shù)與應(yīng)用， 2017（6）： 1-2.

[4] 張振剛，金瑞. 基于MR和信令數(shù)據(jù)的LTE網(wǎng)絡(luò)覆蓋評(píng)估及盲區(qū)識(shí)別[J]. 山東通信技術(shù)， 2016（3）： 1-3.

[5] 李勇，李果，衛(wèi)鈺. 一種基于信令和MR數(shù)據(jù)的LTE網(wǎng)絡(luò)質(zhì)量監(jiān)測(cè)方法研究[J]. 移動(dòng)通信， 2016，40（24）： 1-4.

[6] 李穎. 4G網(wǎng)絡(luò)覆蓋分析及解決方案[J]. 通訊世界， 2016（24）： 1-2.

[7] 熊瑋. LTE弱覆蓋問(wèn)題分析與優(yōu)化[J]. 信息通信， 2015（2）： 1-2.

[8] 王博. LTE覆蓋的評(píng)估、定位和優(yōu)化[J]. 移動(dòng)通信， 2014，38（17）： 1.

[9] 周飛. 利用Alpha Shapes算法提取離散點(diǎn)輪廓線[J]. 湖北廣播電視大學(xué)學(xué)報(bào)， 2010（2）： 1-2.

[10] 陳濤，李光耀. 平面離散點(diǎn)集的邊界搜索算法[J]. 計(jì)算機(jī)仿真， 2004（3）： 1-4.