基于LTE MR大数据分析的虚拟化路测应用探讨

刘通，施兆阳，陈灿，齐春言

（中国电信股份有限公司安徽分公司，安徽 合肥 230031）

基于LTE MR大数据分析的虚拟化路测应用探讨

刘通，施兆阳，陈灿，齐春言

（中国电信股份有限公司安徽分公司，安徽 合肥 230031）

为了降低网优的工作中人工测试的工作量、降本增效，通过采用大数据分析的方法，对用户手机采集上报的MR数据进行分析，研究了不同道路场景的MR定位优化算法，并提出了道路栅格化、数据清洗、栅格汇聚及道路覆盖GIS呈现、自动发现道路典型覆盖问题的虚拟化路测实现方案。经过人工路测与虚拟化路测对比验证，证实了虚拟化路测的可行性和准确性。

MR 大数据 用户识别 虚拟化路测

1 引言

在移动通信无线网络优化工作中，无线网络路测一直是发现和分析无线网络问题的重要手段。常见的路测工具方式有笔记本电脑+单机版测试软件+测试手机、智能手机+APP测试软件、自动路测系统等，人工测试和分析的工作量较大。

在4G时代，无线网络提供了更为丰富的发现和分析无线网络问题的手段及方法，MR即是其中之一。MR（Measurement Report，测量报告）主要来自UE（User Equipment，用户终端）和eNodeB的物理层、RLC（Radio Link Control，无线链路层控制协议）层以及在无线资源管理过程中计算产生的测量报告。MR数据中含有位置信息和无线网络覆盖信息，若能针对道路场景的MR进行分析加工，将MR包含的无线网络覆盖数据在道路上GIS（Geographic Information System，地理信息系统）打点展现，将找到一个新的无线网络路测方法。本文基于Hadoop大数据平台构建MR虚拟化路测应用系统，针对高铁等道路MR的差异化特征，分场景进行定位算法优化，以提高定位精度，并利用电子地图对道路进行栅格化，通过数据清洗剔除干扰数据，将有效MR采样点RSRP汇聚成栅格维度进行GIS呈现，直观展示无线网络覆盖质量以及道路无线网络典型覆盖问题自动发现。

2 虚拟化路测的算法实现

基于MR的虚拟化路测需要对MR数据进行一系列的分析加工，主要包括采集、定位、清洗、栅格化、GIS渲染等环节，具体如图1所示：

图1 虚拟化路测MR数据处理流程

2.1 MR数据采集

MR数据采集环节主要关注MR数据的生成规则。MR数据由基站负责收集，无线侧网管负责数据文件生成，因此需要在无线网管进行相关的规则配置。根据3GPP协议规范，只有激活态用户才会上报MR，为减少对用户的影响，一般都采用抽样上报的模式，即只选择部分用户上报。

MR数据采样的规则主要包括MR抽样用户数、数据上报周期、数据上报次数等，一般配置为单小区50个用户、10秒上报一次、连续上报10次。为避免MR单个文件过大，通常无线侧网管配置15分钟生成一个MR文件。

为提高数据采集和后续分析的效率，考虑用户在道路上的行为特征，可以只采集08:00～18:00的MR数据即可。

2.2 MR定位

MR数据能否在道路测试中得到有效应用，关键是定位精度问题，直接决定了虚拟化路测的效果。如果定位偏差较大，那么落在道路上的采样点就不一定是真正发生在道路上的，这将极大地影响虚拟化路测结果的可用性，因此分场景对定位算法进行了优化。

（1）各类场景的定位算法优化

1）高铁场景

针对高铁场景的定位优化主要包括高铁用户识别、高铁用户MR定位，具体如下：

◆高铁用户识别

高铁用户识别的主要目的是剔除高铁沿线用户的影响，把实际乘坐高铁的旅客分拣出来，剔除沿线非高铁用户的干扰，主要是通过分析用户移动性特征（服务小区、移动轨迹、移动速度等）进行识别。高铁用户识别流程如图2所示：

图2 高铁用户识别流程

例如：如图3所示，某京沪高铁用户占用了高铁小区A，连续多条MR中服务小区的切换顺序为B→C→D→E，显示用户移动轨迹是高铁下行方向，根据小区经纬度和MR上报时间，可以测算出用户移动的速度约为150km/h。由于该用户符合连续占用高铁小区、快速移动的特征，所以根据上述流程判断该用户为高铁用户。

◆高铁用户MR定位

图3 高铁用户识别示例

由于高铁车厢较封闭，接收到GPS信号的难度较大，因此需对高铁MR采用多种定位方法进行定位。可以依次采用AGPS（Assisted Global Positioning System，辅助全球卫星定位系统）、指纹定位、TA（Time Advance，时间提前量）+AOA（Angle of Arrival，到达角度）方法进行定位。其中，AGPS定位是指符合3GPP R10及以上版本规范的终端可以通过手机终端采集经纬度，直接在MR中上报；指纹定位是指通过提取AGPS定位MR采样点的无线网络特征向量建立指纹模型，与其他MR进行比对，对特征向量匹配的MR进行定位；TA+AOA定位是指利用MR中的TA值估算距基站距离、AOA计算与基站角度，实现MR定位。高铁用户定位算法流程如图4所示：

2）地铁场景

地铁场景封闭性较好，一般为地下线路，无法接收GPS卫星信号，因为定位精度较高的AGPS方法无法适用。同时，由于地铁通常采用漏缆覆盖，信号单一、均匀性较好，所以指纹算法、RSRP（Reference Signal Receiving Power，参考信号接收功率）三角定位等无法适用。

由于信号沿漏缆传播，信号时延可以较好地反映距离信源小区的远近，而地铁线路方向性较明确，因此将TA+AOA定位方法优化为根据地铁行进方向+TA沿地铁线路依次打点，可以较好地解决地铁场景高精度定位问题。

3）高速、城区、国省道等开放性场景

高速、城区、国省道等道路一般较开阔，上空无遮挡，GPS卫星信号较好，因此可以只采用AGPS定位方式。

（2）首次数据清洗

MR首次数据清洗的目的主要是根据定位算法剔除，对前述各场景定位算法未能实现精准定位的MR记录予以剔除。

2.3 MR栅格化

图4 高铁用户定位算法流程

由于MR采样点数量巨大，动辄以亿计，若直接采用采样点进行道路覆盖渲染，对系统处理能力要求极高，为便于后续分析，需将MR数据栅格化。

MR栅格化主要是利用GIS技术建立道路栅格，在高精度定位算法为主的情况下，可以将栅格大小设置为10m×10m。例如：依据高铁电子地图图层，以高铁线为中心，左右各10m，生成10m×10m的道路栅格。

在MR栅格化的过程中，将同步实现二次数据清洗，根据MR定位经纬度将MR采样点落入相应道路栅格，未落入道路栅格的MR采样点则予以剔除。

为保证虚拟化路测的实现效果，需对数据清洗后的MR数据质量进行评估，主要考察是否有效覆盖目标道路、采样点数量是否足够，一般至少要求道路栅格中MR采样点大于100个的栅格占比要达到95%以上。若无法满足，则需要考虑通过时间进行数据累积，一般累积合并一周数据即可满足虚拟化路测分析的数据质量要求。

2.4 MR栅格渲染

将MR栅格化后，需将MR内的采样点汇聚为栅格粒度网络覆盖指标，通常采用RSRP指标评价LTE无线网络覆盖。

对于单条MR采样点，取服务小区和邻小区中最强的RSRP值作为该条MR的RSRP。将栅格内所有MR的RSRP取算术平均值作为栅格的RSRP。

利用不同颜色区分栅格RSRP的强弱，通常采用与路测软件相近的色系和取值范围。例如：RSRP＜-105dBm（红色）、-105dBm≤RSRP＜-95dBm（黄色）、RSRP≥-95dBm（绿色）。

基于MR的无线网络覆盖率栅格化评价公式如下：

MR栅格覆盖率=(栅格平均RSRP≥覆盖门限电平的栅格数)/有MR测量报告的栅格总数×100% (1)

3 虚拟化路测的IT系统实现

基于MR大数据分析的虚拟化路测应用已在无线网络优化平台实现，MR数据量大小与网络规模、用户规模、终端分布等高度相关。一般来说，省级网络的MR日均数据量可达TB级、采样点数达到十亿级，同时虚拟化路测对数据加工分析的算法逻辑较为复杂，网优平台可采用分布式架构的Hadoop大数据处理技术来更好地提升系统效率。系统架构具体如图5所示。

MR数据存储在HDFS（Hadoop Distributed File System，Hadoop分布式文件系统）中，多台DataNode节点服务器并行执行MR数据的采集解析程序。在数据处理和分析中应用了MapReduce、Hive、Impala等Hadoop组件，提供便捷、高效的数据SQL分析查询能力。采用基于Hadoop架构的分布式的、面向列的HBase开源数据库组件，用于MR详单数据的存储。GIS组件采用ArcGIS产品提供数据栅格化、GIS展示能力。

4 虚拟化路测的实践应用

传统路测不管是人工方式还是自动路测方式，都只能进行抽样测试，一般都是有目的的局部区域测试，测试频率和测试范围也都有限，并且对人力、仪表、车辆等资源的需求较大。

虚拟化路测借助海量MR数据的自动化分析，全面覆盖所有有用户的区域，可以实现24小时不间断的监控分析，及时发现网络覆盖问题，具有覆盖面广、时效性高、自动化等特点。虚拟化路测应用推动了无线网优工作效率的提升，无线网优人员的精力由70%发现问题转向70%解决问题。

图5 无线网优平台虚拟化路测实现架构

某地市分公司虚拟化路测与人工路测效果对比如图6所示。可以看出，虚拟化路测的相同路段无线网络信号覆盖与人工路测高度拟合，可有效覆盖目标区域内的主要道路，这表明虚拟化路测的结果准确可用。

图6 虚拟化路测与人工路测效果对比

虚拟化路测已在日常网优测试分析、工程网优、用户投诉处理等方面获得了广泛应用。在此基础上，网优平台又进一步开发了智能派单功能，通过建立算法模型，智能化识别连续弱覆盖路段、连续重叠覆盖路段、连续模三干扰路段等无线网络覆盖问题，自动发现、自动派单、自动验证，派单准确率达到85%以上。

5 结束语

本文研究了MR数据在路测上的应用，通过分场景的定位算法优化，提高定位精度；数据清洗和栅格化，剔除干扰数据；应用GIS技术实现无线网络覆盖的直观展示，利用Hadoop大数据系统的处理和分析能力，很好地实现了虚拟化路测效果。虚拟化路测已在无线网络优化平台实现，并在网优实践工作中产生了实际效果，成为大数据网优的典型应用之一。3GPP RAN2工作组提出了MDT（Minimization of Drive-Test，最小化路测）技术研究，其中的Logged MDT模式将有助于收集网络覆盖盲区信息，后续可再进一步丰富虚拟化路测的应用场景。

[1] 孙林洁,王粟. 基于MR的位置指纹定位算法[J]. 电信工程技术与标准化, 2016,29(8): 62-64.

[2] 王粟. 基于OTT的MR定位方法[J]. 电信工程技术与标准化, 2016,29(10): 63-66.

[3] 琚波. 基于电平信号的LTE MR定位方法研究[D]. 杭州:浙江工业大学, 2015.

[4] 池刚毅,商亮,孙浩,等. 基于三维空间特征库的MR定位系统[J]. 电信工程技术与标准化, 2016,29(3): 25-27.

[5] 韩亚楠. LTE中RF指纹定位算法研究[D]. 北京: 北京交通大学, 2016.

[6] 陈国军,周海骄,王典炜. 通过MR实现跨运营商LTE网络覆盖对比的研究[J]. 移动通信, 2016,40(24): 8-11.

[7] 何国华. 基于MR数据的上下行不平衡优化分析[J]. 电信技术, 2013(3): 59-61.

[8] 徐桦. 一种基于LTE-MR劣化场景模式识别的自动优化方法[J]. 电信工程技术与标准化, 2016,29(10): 18-21.

[9] 王润璠. 面向LTE的AoA无线定位技术的研究[D]. 南京:东南大学, 2014.

[10] 姜备. 基于LTE MR的移动网络优化研究[D]. 上海: 上海师范大学, 2016.★

施兆阳：高级工程师，学士毕业于南京邮电大学，现任职于中国电信股份有限公司安徽分公司无线网络优化中心，主要从事移动通信无线网络优化管理工作。

陈灿：通信工程师，毕业于广西百色学院，现任职于中国电信股份有限公司安徽分公司无线网络优化中心，主要从事3G/4G移动网优化及系统建设工作。

Discussion on Application of Virtual Drive Test Based on LTE MR Big Data Analysis

LIU Tong, SHI Zhaoyang, CHEN Can, QI Chunyan
(C h i n a T e l e c o m C o., L t d., A n h u i B r a n c h, H e f e i 230031, C h i n a)

10.3969/j.i s s n.1006-1010.2017.12.001

T N929.53

A

1006-1010(2017)12-0001-05引用格式：刘通,施兆阳,陈灿,等. 基于L T E MR大数据分析的虚拟化路测应用探讨[J]. 移动通信, 2017,41(12): 1-5.[Abstract]In order to reduce the workload of arti fi cial tests, decrease the cost and increase ef fi cacy in the network optimization, the big data analysis method was used to analyze the MR data collected and reported by users’ terminals. The MR localization optimization algorithms suitable for different scenarios were investigated. The implementation scheme on the virtual drive tests of the grid road, data cleaning, grid aggregation, road coverage GIS display and automatic discovery of typical road coverage was put forward. The virtual drive test is compared with the arti fi cial drive test. Results validate the feasibility and accuracy of the virtual drive test. [Key words]MR big data user identi fi cation virtual drive test

刘通：通信工程师，学士毕业于西安电子科技大学，现任中国电信股份有限公司安徽分公司无线与移动专业（实操型）主任工程师，主要研究方向为移动通信无线网络优化。

2017-06-07

责任编辑：袁婷 y u a n t i n g@m b c o m.c n