黃友亮

（中國移動(dòng)通信集團(tuán)福建有限公司，福建 福州 350000）

0 引言

工參方位角是優(yōu)化分析執(zhí)行最重要的基礎(chǔ)數(shù)據(jù)，傳統(tǒng)工參數(shù)據(jù)需由現(xiàn)場工程師點(diǎn)對(duì)點(diǎn)進(jìn)行勘測[1]，但存在找錯(cuò)天線、更新不及時(shí)等問題。例如，優(yōu)化人員對(duì)天線進(jìn)行調(diào)整后未按照規(guī)定提交更新后的工參，或者由于任務(wù)緊張沒有嚴(yán)格測量，準(zhǔn)確更新；例行拉網(wǎng)任務(wù)未嚴(yán)格執(zhí)行，實(shí)際準(zhǔn)確測量勘查的小區(qū)占比少；天面多運(yùn)營天饋設(shè)備林立饋線復(fù)雜[2]，優(yōu)化人員找不到某些天線或者找錯(cuò)小區(qū)；廣泛使用的測量設(shè)備為羅盤儀，優(yōu)化人員往往不注意磁性干擾問題，仍沿用傳統(tǒng)的觀測程序，使羅盤導(dǎo)線精度較低[3]，產(chǎn)生測試誤差問題。同時(shí)，工參方位角數(shù)據(jù)數(shù)量龐大、無法自采、核查成本高、周期長等諸多因素導(dǎo)致較難快速發(fā)現(xiàn)錯(cuò)誤，這直接影響了工參數(shù)據(jù)的準(zhǔn)確性。

關(guān)于網(wǎng)絡(luò)優(yōu)化問題的研究，現(xiàn)有課題中存在天線方位角測量的一些手段，如基于MR 數(shù)據(jù)確定天線方位角的方法，主要通過對(duì)MR 數(shù)據(jù)來源及格式分析、手機(jī)定位算法進(jìn)行天線方位角確定[4]；基于移動(dòng)終端實(shí)測數(shù)據(jù)，利用源小區(qū)和各個(gè)移動(dòng)終端所在小區(qū)的載干比和距離關(guān)系快速判斷源小區(qū)的基站天線方位角是否發(fā)生偏移[5]。上述方法都是從某一方面對(duì)天線方位角進(jìn)行計(jì)算，而沒有全面地考慮到數(shù)據(jù)的差異。為了降低下一代無線網(wǎng)絡(luò)中參數(shù)配置和管理的人工成本，進(jìn)一步提高網(wǎng)絡(luò)的操作和維護(hù)性能[6]，本文的主要?jiǎng)?chuàng)新點(diǎn)是將7 種預(yù)測算法聯(lián)合在一起，規(guī)避了單獨(dú)算法的一些缺點(diǎn)，利用賦予多種預(yù)測模型權(quán)重的方法，將多種算法有機(jī)地組合在一起，解決這一類“啞”數(shù)據(jù)不可控的問題[7]。

1 策略及算法介紹

通過對(duì)LTE 的射頻信號(hào)測試系統(tǒng)進(jìn)行研究[8]，并基于大數(shù)據(jù)分析的工參糾錯(cuò)方法來實(shí)現(xiàn)工參方位角的預(yù)測功能，總體策略如圖1 所示。圖1 采用現(xiàn)網(wǎng)MDT（Minimization of Drive Test，最小化路測）原始數(shù)據(jù)及環(huán)形柵格處理后數(shù)據(jù)，將預(yù)測模型算法與權(quán)重算法進(jìn)行組合，最終輸出預(yù)測小區(qū)方位角。預(yù)測模型算法包括基于信號(hào)強(qiáng)度、采樣點(diǎn)密度、信號(hào)強(qiáng)度分層統(tǒng)計(jì)、電平強(qiáng)度與密度綜合評(píng)估、分類算法、路損補(bǔ)償算法和神經(jīng)網(wǎng)絡(luò)RBF 模型7種算法，權(quán)重算法包括小區(qū)聚類算法、蒙特卡羅方法[9]。

圖1 基于大數(shù)據(jù)分析的工參糾錯(cuò)策略示意圖

1.1 MDT 環(huán)形柵格處理

通過采集現(xiàn)網(wǎng)MDT 原始數(shù)據(jù)，提取所需數(shù)據(jù)格式如表1 所示，以小區(qū)經(jīng)緯度為中心，將用戶MDT 采樣點(diǎn)數(shù)據(jù)投影到地圖上，從0°～360°每隔5°劃分一個(gè)扇形，共劃分72 個(gè)扇形，并且以小區(qū)為中心，根據(jù)采樣點(diǎn)距離基站中心位置以50 m 為等級(jí)劃分。

表1 MDT原始數(shù)據(jù)格式示意圖

1.2 基于信號(hào)強(qiáng)度

求每個(gè)小區(qū)識(shí)別碼下RSRP 值，將各扇形RSRP 值進(jìn)行平均，抽取各扇形內(nèi)采樣點(diǎn)RSRP 均值最大的扇區(qū)，即為方位角預(yù)測值。

1.3 采樣點(diǎn)密度

其中，公式(1)中的Z為實(shí)際預(yù)測誤差，angelpredict為預(yù)測方位角，angeltrue為勘站方位角；公式(2)中cost表示權(quán)重組合對(duì)應(yīng)的誤差系數(shù)，M為訓(xùn)練樣本中總勘站小區(qū)數(shù)量，K為設(shè)定的角度誤差閾值。

1.4 信號(hào)強(qiáng)度分層統(tǒng)計(jì)

在每個(gè)小區(qū)識(shí)別碼下，根據(jù)用戶數(shù)據(jù)到小區(qū)的距離劃分為m環(huán)。第一環(huán)：距離≤第一個(gè)百分位數(shù)；第二環(huán)：第一個(gè)百分位數(shù)＜距離≤第二個(gè)百分位數(shù)；第三環(huán)：第二個(gè)百分位數(shù)＜距離≤第三個(gè)百分位數(shù)；第四環(huán)：第三個(gè)百分位數(shù)＜距離≤第四個(gè)百分位數(shù)；第n環(huán)：第n-1 個(gè)百分位數(shù)＜距離，刪除最小環(huán)和最大環(huán)的數(shù)據(jù)，保留中間環(huán)數(shù)據(jù)，對(duì)應(yīng)扇區(qū)內(nèi)采樣點(diǎn)RSRP 采樣點(diǎn)均值最強(qiáng)的即為方位角預(yù)測角度。圖2 是挑選某一小區(qū)通過信號(hào)強(qiáng)度分層計(jì)算方位角預(yù)測值，可見預(yù)測值為310°。

1.5 電平強(qiáng)度與密度綜合評(píng)估

圖3 是電平強(qiáng)度與密度綜合評(píng)估示意圖，即每個(gè)小區(qū)識(shí)別碼下，將采樣點(diǎn)按照到小區(qū)的角度分成72 份（即5°一個(gè)扇區(qū)），統(tǒng)計(jì)每個(gè)小區(qū)下的采樣點(diǎn)總數(shù)，取出72 個(gè)扇形區(qū)域中采樣點(diǎn)個(gè)數(shù)大于4%總采樣點(diǎn)的扇區(qū)，計(jì)算這些扇區(qū)中RSRP 值最大的前五個(gè)采樣點(diǎn)RSRP 均值，取出RSRP 均值最大的扇形區(qū)域2 個(gè)，計(jì)算這2 個(gè)扇區(qū)角度的均值即為方位角預(yù)測值。

圖3 電平強(qiáng)度與密度綜合評(píng)估示意圖

1.6 分類算法

根據(jù)采樣點(diǎn)經(jīng)緯度、RSRP 以及該采樣點(diǎn)與基站角度、距離關(guān)系，利用圖5 神經(jīng)網(wǎng)絡(luò)RBF 模型訓(xùn)練出目標(biāo)小區(qū)場強(qiáng)覆蓋模型，基于此覆蓋模型找出該小區(qū)方位角法線。

1.7 路損補(bǔ)償算法

前幾種算法都適用于采樣點(diǎn)充足的情況，若準(zhǔn)確方位角方向上的采樣點(diǎn)較少，則需要用路損補(bǔ)償算法。

通過RSRP 公式可知，當(dāng)方位角相同，AH、Tx 都已知時(shí)，則可擬合出PathLoss～f(distance)的方程。因此可將采樣點(diǎn)以3°劃分一個(gè)扇區(qū)，此時(shí)則可忽略方位角的影響，從而可以根據(jù)公式推算出原點(diǎn)處的RSRP 值，最終方位角即為原點(diǎn)處RSRP 值最強(qiáng)的角度。圖4 是路損補(bǔ)償示意圖：

圖4 路損補(bǔ)償示意圖

1.8 神經(jīng)網(wǎng)絡(luò)RBF 模型

使用一部分真實(shí)的勘測數(shù)據(jù)作為訓(xùn)練集，針對(duì)每個(gè)ECI 構(gòu)建分類模型，MDT 采樣點(diǎn)與方位角夾角在20°以內(nèi)的打標(biāo)簽為1，其他打標(biāo)簽為0，提取的特征為RSRP值及相關(guān)統(tǒng)計(jì)值。最終的方位角即為標(biāo)簽為1 的采樣點(diǎn)角度的均值。

在臨床中,通常采用子宮切除手術(shù)聯(lián)合盆腔淋巴結(jié)清掃手術(shù)方式徹底治療宮頸癌。因?yàn)榇耸中g(shù)方法手術(shù)面積大,使得患者很容易引發(fā)膀胱功能障礙,臨床表現(xiàn)以尿潴留為主。據(jù)有關(guān)資料顯示[1],尿潴留發(fā)生率處于7.5%-44.9%之間,如果不給予患者有效的護(hù)理方法,將會(huì)對(duì)患者膀胱功能造成直接影響。本次研究主要針對(duì)我院宮頸癌術(shù)后患者實(shí)施穴位按摩的效果進(jìn)行分析,現(xiàn)將探究內(nèi)容以如下報(bào)告形式呈現(xiàn)。

圖5 神經(jīng)網(wǎng)絡(luò)RBF模型圖

1.9 小區(qū)聚類算法

圖6 小區(qū)聚類示意圖，即根據(jù)小區(qū)實(shí)際采樣點(diǎn)的場強(qiáng)分布特征，對(duì)小區(qū)進(jìn)行K-means 聚類，將小區(qū)劃分為不同聚類。取每一類小區(qū)收斂性最高的方法，得到最終預(yù)測方位角。

觀測指標(biāo)為2種檢測方式陽性患者隨訪1年CIN發(fā)生率，及2種檢測方式均為陽性患者隨訪1年CIN發(fā)生率，并對(duì)其進(jìn)行對(duì)比。

圖6 小區(qū)聚類示意圖

1.10 蒙特卡羅方法

從上述公式可知，權(quán)重組合的置信度為1-cost。例如，cost為20%，則權(quán)重組合的置信度就為1-20%，即為80%。

通過收集國內(nèi)某省7 天552 個(gè)小區(qū)的MDT 數(shù)據(jù)，按照預(yù)測模型及權(quán)重算法分別進(jìn)行訓(xùn)練、預(yù)測，得出含置信度的預(yù)測方位角。以實(shí)地勘站獲取小區(qū)真實(shí)信息數(shù)據(jù)，檢驗(yàn)基于大數(shù)據(jù)分析的工參糾錯(cuò)方法準(zhǔn)確性與應(yīng)用效果。

好說話的麻糍不管常愛蘭怎么說他，不管周小羽怎么撕本子，還是買，還是笑呵呵。他說，買給自己孩子又不是買給外人，我每天多賣兩塊麻糍不就行了。更何況，白給人家吃有時(shí)也要給呢。

每個(gè)小區(qū)識(shí)別碼下，將采樣點(diǎn)按照到小區(qū)的角度每5°劃分一個(gè)扇區(qū)，分成360/5=72 份，求每個(gè)扇區(qū)下采樣點(diǎn)數(shù)量最多的角度，即為方位角預(yù)測角度。

為了將前面的算法進(jìn)行聯(lián)合，通過使用蒙特卡羅方法隨機(jī)從訓(xùn)練集中抽取一部分?jǐn)?shù)據(jù)作為訓(xùn)練樣本，共隨機(jī)選取P次得到P份訓(xùn)練樣本。針對(duì)每份訓(xùn)練樣本隨機(jī)生成Q個(gè)權(quán)重組合，Q為自然數(shù)。針對(duì)每個(gè)權(quán)重組合，統(tǒng)計(jì)訓(xùn)練模型輸出的預(yù)測方位角與勘站方位角的偏差在R°以內(nèi)的個(gè)數(shù)占比作為該權(quán)重組合的置信度，R的取值范圍為[0,360）。針對(duì)每份訓(xùn)練樣本，確定置信度最大的權(quán)重組合。

為了得到純度高、結(jié)晶良好、表面光滑的三水碳酸鎂晶須，控制重鎂水溶液濃度在2.75～3.39 g/L之間。

1.11 多維度訓(xùn)練的算法權(quán)重

通過現(xiàn)網(wǎng)勘測的樣本小區(qū)，依據(jù)每種方法預(yù)測值和實(shí)際勘站值進(jìn)行線性擬合，得出的每種方法權(quán)重為：預(yù)測角度=算法1×權(quán)重1+算法2×權(quán)重2+算法3×權(quán)重3+算法4×權(quán)重4+算法5×權(quán)重5+算法6×權(quán)重6+算法7×權(quán)重7，如表2 所示：

以現(xiàn)場小區(qū)真實(shí)工參方位角為基礎(chǔ)數(shù)據(jù)，實(shí)際測量與預(yù)測偏差在10°內(nèi)計(jì)為準(zhǔn)確，通過統(tǒng)計(jì)分析，總體預(yù)測準(zhǔn)確率達(dá)91.39%以上（如圖7），這說明預(yù)測模型有較好的準(zhǔn)確性，可較好地指導(dǎo)全網(wǎng)工參生產(chǎn)工作。

表2 多維度訓(xùn)練的算法權(quán)重

2 應(yīng)用效果及實(shí)例

在具體實(shí)現(xiàn)時(shí)，按照公式(1)和公式(2)，針對(duì)每份訓(xùn)練樣本確定置信度最大的權(quán)重組合。

2.1 預(yù)測準(zhǔn)確率

土壤樣品：將采集到的土壤樣本碾碎后過篩，收集于搪瓷盤或其他適宜的容器中，充分混勻，用四分法分取200～300 g樣品2份，分別裝入封口樣品容器中，貼好標(biāo)簽，貯存于- 20 ℃冰柜中保存。

圖7 不同置信度的預(yù)測準(zhǔn)確率分析圖

2.2 典型識(shí)別案例

通過某市現(xiàn)網(wǎng)MDT 采集的原始數(shù)據(jù)進(jìn)行解析，根據(jù)每種算法計(jì)算出小區(qū)每種方法的方位角預(yù)測角度，并按照上述線性擬合的權(quán)重配比進(jìn)行計(jì)算，如表3 所示。

表3 不同算法結(jié)合權(quán)重配比的預(yù)測示意

預(yù)測角度=算法1×權(quán)重1+算法2×權(quán)重2+算法3×權(quán)重3+算法4×權(quán)重4+算法5×權(quán)重5+算法6×權(quán)重6+算 法7×權(quán) 重7=50°×0.22+40°×0.21+60°×0.17+65°×0.07+55°×0.12+45°×0.09+45°×0.12=50°

通過這樣的三個(gè)問題，實(shí)際上對(duì)學(xué)生的觀察能力、想象力、語言運(yùn)用能力、語言表達(dá)能力、寫作能力都有所訓(xùn)練。學(xué)生通過觀察并結(jié)合生活常識(shí)會(huì)發(fā)現(xiàn)這個(gè)故事發(fā)生在秋天的公園當(dāng)中，通過對(duì)菊花的觀察可以想象出一系列描寫花的詞語，通過自己的想象力可以形成一個(gè)比較完整的故事。

如圖8，經(jīng)現(xiàn)場實(shí)地勘測方位角為60°，系統(tǒng)工參表中方位角為110°，預(yù)測的方位角與實(shí)際勘測的方位角誤差較小（橙色扇區(qū)方向?yàn)閷?shí)際勘查方位角，紅色為現(xiàn)場方位角，綠色工參方位角）。平臺(tái)軟件具備快速甄別小區(qū)方位角異常功能。

Summer precipitation anomaly in the western Maritime Continent:modes independent and dependent of the IOD

圖8 方位角預(yù)測實(shí)際效果圖

3 結(jié)束語

本文提出了一種基于多維度的大數(shù)據(jù)分析的工參糾錯(cuò)方法，將7 種預(yù)測算法聯(lián)合在一起，規(guī)避了單獨(dú)算法的一些缺點(diǎn)，利用賦予多種預(yù)測模型權(quán)重的方法，將多種算法有機(jī)地組合在一起，給預(yù)測效果較好的算法賦予高的權(quán)重，給預(yù)測結(jié)果相對(duì)不好的算法賦予低的權(quán)重，既保證了數(shù)據(jù)預(yù)測的準(zhǔn)確性，又保證了對(duì)于不同地區(qū)的數(shù)據(jù)預(yù)測的穩(wěn)定性[10]。本文以大數(shù)據(jù)+AI 技術(shù)為驅(qū)動(dòng)，搭建了“全景化、智能化、可視化”的具有智能化天饋?zhàn)约m錯(cuò)運(yùn)維平臺(tái)，通過更深層次的分析，可以找出工參中經(jīng)緯度錯(cuò)誤、方位角錯(cuò)誤、接反小區(qū)等問題。