刘玮,董江波,任冶冰,刘娜
(中国移动通信集团设计院有限公司,北京 100080)
网络弱覆盖严重影响用户感知,是运营商最为关注并需首要解决的问题之一。网络弱覆盖的发现来源主要有路测、用户投诉等,近年来,随着大数据采集与分析能力的提升,也成为了弱覆盖发现的重要手段之一。本文以某密集城区为例,介绍从基于Hadoop的大数据解析、大数据定位、到网络弱覆盖发现与优化建议的整个流程,给实际网络规划优化工作提供经验。
测量是TD-LTE系统的一项重要功能。物理层上报的测量结果可以用于系统中无线资源控制子层完成诸如小区选择/重选及切换等事件的触发,也可以用于系统操作维护,观察系统的运行状态。网络设备应具有测量所规定测量报告数据的能力。OMC-R采用周期测量,生成测量报告并上报给NMS的周期一般是15 min或者15 min的整数倍。
OMC-R统计并上报的数据即是MR数据,包含手机接收场强、邻区以及终端与扇区的夹角(AOA)等宝贵的信息。测量报告收集的是全网用户的手机接收场强等信息,对于评估网络的覆盖情况、定位问题等都能够提供强有力的支持。但是由于可能涉及用户的隐私,测量报告中不包含经纬度,所以无法确定用户所处的地理位置。
因此,为了利用MR数据进行网络弱覆盖的分析,需要对其进行定位处理,将经纬度信息进行回填。
目前,常用的MR定位方法主要有小区定位、三角定位、指纹定位、室内外区分和OTT定位高低层等方法,他们各自的优劣势与准确性对比如表1。
表1 常用MR定位方法与对比
本文在三角定位法的基础上稍作变化,利用现网中的基站设备参数结合地理栅格信息及电波传播特性,通过无线网络规划平台(APC)对终端的接收场强进行预测,得到地理栅格上的主服务小区和邻小区的接收电平预测结果。再通过测量报告中每条记录的服务小区、邻小区的接收电平值等信息,与地理栅格上的每个预测结果进行比对,计算得到最小值来确定对应的栅格,并由栅格的经纬度信息确定MR记录的经纬度。为了使预测的接收场强更加准确,往往通过大量路测数据对表征电波传播特性的传播模型进行矫正。
由于MR数据有其特定的存储格式,且包含的信息较多,而用于定位的信息只是其中一部分,因此,需要通过MR解析来将MR数据本身的存储格式转化为定位所需的格式,并提取出相应的少量信息。
目标区域站址分布图如图1所示,内含453个宏站小区,其中,F频点187个,D频点254个。
正如前文所说,为了使预测的接收场强更加准确,会通过大量路测数据对表征电波传播特性的传播模型进行矫正。由于目标区域内既有F频点站址,又有D频点站址,因此需要分别将F频段和D频段的小区信息和DT数据分别进行传播模型矫正。利用矫正后模型进行的接收信号预测结果如图2所示。
图1 目标区域站址分布图
图2 接收信号预测结果
图3 MR数据经纬度回填
此次,用于网络弱覆盖分析的MR数据为15天14GB。将这14GB的MR数据进行解析与定位,发现仅有12%的MR数据上报了2个以上的有效邻区数,其中,有效邻区是指小区ID、频点号、物理小区ID和RSRP均上报。将这12%的MR数据进行定位并展示,如图3所示。
弱覆盖栅格定义为,有90%的MR数据上报的RSRP<-110 dB,如果一定数量的弱覆盖栅格连续成片,即可定义为弱覆盖区域。
根据上述弱覆盖的定义,对目标区域进行分析,共找到12处弱覆盖区域,如图4所示,其中,有11处弱覆盖区域为成片楼群。
这12处弱覆盖区域的分析与优化建议见表 2。
综上所述,基于Hadoop的大数据分析与弱覆盖发现操作流程如下:
表2 12处弱覆盖区域及优化建议
图4 目标区域的12处弱覆盖区域
步骤1:确定目标区域,即待分析区域。为了MR定位更加准确,建议目标区域选择时,能够外扩两到三圈,使得处在目标区域边界小区的邻区能够一起进行分析。
步骤2:MR数据提取。MR数据建议提取1~2周。
步骤3:目标区域内栅格的终端接收场强预测。建议使用规划仿真软件APC进行接收场强预测。
步骤4:利用基于Hadoop的MR解析与定位系统进行MR数据解析与定位,将每条MR数据的经纬度进行回填。
步骤5:弱覆盖区域发现与分析。依据弱覆盖定义,发现目标区域内的弱覆盖栅格,观察这些弱覆盖栅格是否能够连片,如果能够连接成片,则为弱覆盖区域。
步骤6:依据弱覆盖区域面积大小,选择优化建议,调整周围站址方向角、下倾角、发射功率,或者进行加站。
本文以某密集城区为例,介绍从基于Hadoop的大数据解析、大数据定位、到网络弱覆盖发现与优化建议的整个流程,给实际网络规划优化工作提供经验。