一种基于多数据源的LTE天馈隐患排查方法

石宙飞，徐霖洲，赵明伟

一种基于多数据源的LTE天馈隐患排查方法

石宙飞，徐霖洲，赵明伟

（中国移动通信集团广东有限公司中山分公司，广东 中山 528403）

针对目前依靠扫频数据发现LTE天馈隐患故障需配置大量人力物力的现象，创新性地提出一种通过对MR、MDT、第三方测试数据、网管告警、后台统计指标多种数据源进行分析，利用贝叶斯分类识别算法预估出天馈隐患故障概率的方法，可以节省测试成本，并且解决路测不能遍历全部小区的局限性。目前已经在多个地市验证了该方法的可行性和有效性。

多数据源 天馈隐患 LTE 贝叶斯估计

1 引言

目前，国内外现有的天馈隐患故障排查主要依靠路测和扫频数据，或者结合网管数据发现天馈隐患故障，其中依靠路测和扫频数据发现天馈隐患的方式需要消耗大量的人力物力去测试。一方面，天馈隐患问题往往发生较长时间才能排查到，存在时延性大的问题；另一方面，路测数据往往不能遍历全部小区，存在局限性。而依靠网管告警发现天馈隐患故障具有非常大的不确定性，因为很多天馈隐患并没有告警提示，依靠网管告警只能发现部分有显性故障的天馈隐患故障。鉴于此，本文旨在研究一种通过贝叶斯分类识别的方法进行及时分析数据，进而实现高效、较为准确地定位天馈隐患问题，为4G网络质量的提升提供良好支撑的目的。

2 分类识别的贝叶斯估计方法

分类识别方法是应用最为广泛的统计分析工具之一，在模式识别、神经网络学习和数据挖掘等多个领域中有着极其广泛的应用，它通过在事物已知分类的基础上建立分类函数，按照所确定的准则，对样品进行分类，将其划为某一已知的类别。

若有G个总体A1, A2, ..., AG，其先验概率分别是q1, q2, ..., qG，q1+q2+...+qG=1，假如各自分布密度函数依次为f1(x), f2(x), ..., fG(x)，那么在观测到待判样本Z=(Z1, Z2, ..., ZM)T的情况下，可用贝叶斯公式计算它来自总体Ag的后验概率为：

如果 P (Ah|Z ) ＞ P(Aj|Z)， ∀j≠h ，则可以判Z属于类别Ah。

3 天馈隐患排查的实现方法

假设引起单流占比过高的原因有无线网络传输环境A1和天馈系统故障A2，它们的先验概率分别是q1、q2，待判样本为Z=(Z1, Z2, Z3, Z4)T，其特征属性分别是：Z1为单流占比；Z2为RSRP（Reference Signal Receiving Power，参考信号接收功率）电平；Z3为SINR（Signal to Interference plus Noise Ratio，信号与干扰加噪声比）值；Z4为网管告警。

3.1 关于先验概率q1和q2的计算

弱覆盖、重叠覆盖和PCI（Physical Cell Identifier，物理小区标识）干扰都会引起SINR值变差，因此可以用SINR值的大小来衡量无线网络传输环境的好坏。

根据网络优化的经验值，可认为SINR小于3时为无线网络传输环境恶化。假如某小区总样本点为n，SINR小于3的样本点有s个，则该小区无线网络传输环境恶化的概率为q1=s/n；由于引起单流占比过高的原因分别是无线网络传输环境和天馈系统故障，则天馈系统故障概率为q2=1-s/n。

3.2 概率密度函数推导

概率密度函数推导依据最小二乘法原理进行曲线拟合，从整体上考虑近似函数同所给数据点(xi, yi)误差ri=f(xi)-yi（i=1, 2, ..., n）的大小，通常采用误差平方和来度量整体误差的大小。

具体数据拟合的方法是：对给定数据ri=f(xi)-yi（i=1, 2, ..., n）在取定的函数类Ф中，求f(x)∈Ф，使误差=min 。 从几何意义上讲，就是寻求与给定点(xi, yi)（i=1, 2, ...,n）的距离平方和为最小的曲线y=f(x)。其中，函数f(x)称为拟合函数或最小二乘解。

针对本文，通过实验和观测等先验知识确定Z1单流占比、Z2RSRP电平、Z3SINR值分布基本服从高斯分布。假设每个特征向量对应采样点为(x1, y1), (x2, y2), ...,(xn, yn)，取模板函数为：

其中，a1、b1、c1为待定参数。

对上式两边取自然数对数变形整理可得：

根据最小二乘法原理，参数A、B、C可以由下式确定：

其中：

综上所述，可求得各参数如下：

3.3 LTE小区天馈故障概率的计算

假设Z1、Z2、Z3无线网络传输环境差时的概率密度函数分别为f1(Z1)、f1(Z2)、f1(Z3)，天馈系统故障时的概率密度函数分别为f2(Z1)、f2(Z2)、f2(Z3)，且fg(Z1)、fg(Z2)、fg(Z3)、fg(Z4)之间相互独立，则Z来自总体天馈系统故障A2的后验概率即天馈系统故障的概率为：

当天馈系统故障的概率达到70%以上时，就认为该小区的天馈故障概率较高，需要进行上站排查并进行隐患故障处理。

4 验证过程和结果分析

4.1 概率密度函数的拟合

基于上述的概率密度函数拟合方法，拟采用RSRP拟合概率密度函数的数据源为MR（Measurement Report，测量报告）采样点占比、MDT（Minimization of Drive Test，最小化路测）采样点占比和路测采样点占比。由于各样本点的数量和重要性差异，根据经验拟定三者权重比例为4:4:2；SINR值的数据源为MR采样点占比和路测采样点占比，两者权重比例为6:4；TM3（Transmission Mode，传输模式）发射分集使用RB（Resource Block，资源块）数中占比计算门限为70%，根据训练域样本点得出的概率密度拟合曲线如下：

（1）TM3发射分集模式占比概率密度函数

无线网络传输环境差时：

无线网络传输环境差时TM3发射分集模式占比概率密度函数如图1所示：

图1 无线网络传输环境差时TM3发射分集模式占比概率密度函数

其中，横坐标表示TM3发射分集使用RB数占比，范围为0～100%；纵坐标表示小区数占比；散点为样本点；曲线为拟合的概率密度函数曲线（图2同）。由图1可以看出，大部分小区的TM3发射分集使用RB数占比值集中在30%～70%。

天馈系统故障时：

天馈系统故障时TM3发射分集模式占比概率密度函数如图2所示：

图2 天馈系统故障时TM3发射分集模式占比概率密度函数

（2）RSRP电平概率密度函数

无线网络传输环境差时：

无线网络传输环境差时RSRP电平概率密度函数如图3所示：

图3 无线网络传输环境差时RSRP电平概率密度函数

其中，横坐标表示RSRP电平值，范围为-140 dBm～-44 dBm；纵坐标表示采样点占比；散点为样本点；曲线为拟合的概率密度函数曲线（图4同）。由图3可以看出，大部分小区的RSRP电平值集中在-120 dBm～-80 dBm。

天馈系统故障时：

天馈系统故障时RSRP电平概率密度函数如图4所示：

图4 天馈系统故障时RSRP电平概率密度函数

（3）SINR值概率密度函数

无线网络传输环境差时：

无线网络传输环境差时SINR值概率密度函数如图5所示：

图5 无线网络传输环境差时SINR值概率密度函数

其中，横坐标表示SINR值，范围为-10 dB～25 dB；纵坐标表示采样点占比；散点为样本点；曲线为拟合的概率密度函数曲线（图6同）。由图5可以看出，大部分小区的SINR值集中在-5 dB～10 dB。

天馈系统故障时：

天馈系统故障时SINR值概率密度函数如图6所示：

图6 天馈系统故障时SINR值概率密度函数

（4）告警次数概率密度函数

以1小时为采样间隔，统计24小时内出现告警的次数，属于随机事件，而泊松分布适合描述单位时间内随机事件发生的次数，通过统计样本值得出告警次数的数学期望值λ=4，其概率密度函数为：

4.2 实验结果验证分析

基于上述方法拟合的概率密度函数和统计的先验概率在中山6个OMMB，共计5 525个站点16 017个小区中进行现网验证，相关设置如图7所示。

通过对P(A2|Z)的计算，得出天馈系统故障概率70%以上的高概率故障小区数为199个，具体如表1所示：

表1 天馈系统故障小区概率统计

图7 基于多数据源的LTE天馈隐患排查系统参数设置界面

针对上述199个小区，现场确定天馈系统故障小区178个，排查定位成功率达到89.45%，实际完成整治165个，整治后部分天馈隐患故障小区关键指标提升明显，具体如表2所示：

表2 天馈问题小区整治效果

5 结束语

本文提出一种基于多数据源的LTE天馈隐患排查方法，该方法基于MR、MDT模拟测试、路测、后台指标等数据，通过分类识别的贝叶斯方法，较为全面及时地定位了天馈系统隐形故障，提高了排查效率，并且减少了大量的人力物力资源。但仍存在一些问题有待后续改进，比如：在室分天馈系统排查方面，仍没有较好的解决措施；对于一些采样点较少的小区，排查准确度仍待研究。

[1] 王建,刘方森,赵昌盛. 基于MR数据的TD-LTE天馈检测方法研究[J]. 电信技术, 2017(2): 5-6.

[2] 刘婉妮,王欢. TD-LTE系统eNodeB基站故障分析与研究[J]. 电子设计工程, 2015(7): 175-177.

[3] 徐志华,杨文波,刘扬. TD-LTE干扰识别与排查[J]. 信息通信, 2014(5): 177-179.

[4] 唐冲,惠辉辉. 基于Matlab的高斯曲线拟合求解[J]. 计算机与数字工程, 2013,41(8): 1262-1263.

[5] 乔立山,王玉兰,曾锦光. 实验数据处理中曲线拟合方法探讨[J]. 成都理工大学学报, 2004,31(1): 91-95.

[6] 张继龙,甄蜀春,曹鹏. 实验数据的曲线拟合方法及其应用[J]. 测试技术学报, 2003,17(3): 255-257.

[7] 张春丽. 移动通信网络天馈系统的检测装置: 中国,CN203136177C[P/OL]. 2013-08-14 [2017-05-31]. http://www2.soopat.com/Patent/201220382742#this.

[8] 马向龙,曲秦健,缪炎,等. 一种天馈系统的性能评估方法: 中国, CN103152758A[P/OL]. 2013-06-12 [2017-05-31]. http://www2.soopat.com/Patent/201210465913.

[9] 李挺钊. 一种天馈系统物理故障检测与告警方法: 中国, CN1851410[P/OL]. 2008-11-26 [2017-05-31]. http://www2.soopat.com/Patent/200610032791?lx=FMSQ.

[10] 李程峻,李喜珍. 一种检测天馈设备接反的小区的方法和装置: 中国, CN102026236A[P/OL]. 2013-03-20 [2017-05-31]. http://www2.soopat.com/Patent/201010578956?lx=FMSQ.★

A Detection Method of Antenna Feeder Flaws Based on Multiple Data Sources

SHI Zhoufei, XU Linzhou, ZHAO Mingwei
(China Mobile Group Guangdong Co., Ltd., Zhongshan Branch, Zhongshan 528403, China)

Since the use of sweep-frequency data to fi nd out LTE antenna feeder fl aws needs massive manpower and material resources, a detection method of antenna feeder fl aws was innovatively proposed, in which multiple data sources including MR, MDT, third-party test data, network management alarm and background statistics are analyzed and the Bayesian classifi cation recognition algorithm is adopted to estimate the fault probability of antenna feeder fl aws.This method not only saves the testing cost, but also solves the limitation that the drive test cannot traverse the whole cell. At present, the feasibility and effectiveness of the method were verifi ed in many cities.

multiple data sources antenna feeder fl aw LTE Bayesian estimation

10.3969/j.issn.1006-1010.2017.22.005

TN929.53

A

1006-1010(2017)22-0018-05

石宙飞,徐霖洲,赵明伟. 一种基于多数据源的LTE天馈隐患排查方法[J]. 移动通信, 2017,41(22): 18-22.

2017-05-31

袁婷 yuanting@mbcom.cn

石宙飞：工程师，硕士毕业于哈尔滨工程大学，现任职于中国移动通信集团广东有限公司中山分公司无线优化中心网络优化室，主要从事无线网络的规划和优化等工作。

徐霖洲：工程师、高级技师、省级专家，硕士毕业于中山大学，现任中国移动通信集团广东有限公司中山分公司无线优化中心网络优化室室经理，主要负责网优技术、VoLTE等方面的研究工作。

赵明伟：工程师，硕士毕业于重庆邮电大学，现任中国移动通信集团广东有限公司中山分公司无线优化中心副总经理，主要负责无线网络的分析、优化、资源管理等工作。