基于信令软采的天线异常智能核查研究

史君黛

（中国移动通信集团广东有限公司江门分公司, 江门 529000）

目前4G网络的发展迅速，对基站设备维护工作提出更高的要求。频繁的日常维护容易引起操作失误，导致现网出现大量基站天线接反、工参准确性低等天线异常情况，继而可能导致性能指标恶化，客户感知受影响，网络质量竞争力下降的结果。为准确、便捷地核查并解决天线异常问题，本文从大数据精准定位方向探索，结合智能分析技术，构建出基于信令软采的天线异常智能核查系统，降低了天线异常核查和维护成本，提高了核查效率和准确性。

1 基于信令软采的天线异常智能核查研究

天线异常判断研究是在软硬采数据采集和关联后，进行象限运算和异常MR比例运算，再通过天线异常判断和天线方位角估算，然后进行验证和调整，最终闭环。流程图如图1所示。

1.1 软硬采数据采集和关联

图1 天线异常智能核查研究流程

邻区测量数据采集关联是指以软硬采的MR测量数据去关联主小区和测量邻区，统计出主小区和邻区关联的MR数据列表。统计SQL语句如下：

select Intcellid，intSrvFREQ，intpci，intnc1freq，intnc1pci，avg(intSrvRSRP)，avg(intNC1RSRP)，cou nt(*)

from ftbuemr

where intnc1freq in (38350，38400，38450，38550，37900，38098，40936)

and intnc1pci is not null and intSrvRSRP≤97 and intNC1RSRP≤97 and intmrtype≤8 and intmrtype＞1

group by Intcellid， intSrvFREQ， intpci，intnc1freq， intnc1pci；

其中，Intcellid指主小区cellid，intSrvFREQ指主小区频点，intpci指主小区PCI，intnc1freq指测量邻区频点，intnc1pci指测量邻区pci，intSrvRSRP指主小区电平，intNC1RSRP指测量邻区电平，intmrtype为1时指周期性测量，intmrtype为2-8时指事件性测量。

用户定位数据采集关联是指提取软硬采数据中用户上报的经纬度信息、采样点个数等，并以此匹配主覆盖小区。

1.2 象限运算和异常MR比例运算

首先在邻区关联MR数据列表匹配工参信息后，本文建立起邻区汇聚模型，继而通过角度算法运算出邻区位置象限，详细步骤如下：预设服务小区A站点为坐标轴中心，正北方向0°为Y轴，服务小区A与测量邻区小区B连线的夹角为β，邻区连线与服务小区A天线方向的夹角为θ；再根据θ夹角度数来确定邻区所在象限，若夹角在[0，90]之间为第1象限，夹角在[90，180]之间为第4象限，夹角在[180，270]之间为第3象限；夹角在[270，360]之间为第2象限，本文定义第3、4象限的邻区位置为异常象限邻区，如图2所示。

“公转商”是指公积金贷款转商业贷款的简称，具体如下，当公积金出现资金链紧张或者达到特定条件（前期预警设置）时，住房公积金缴存者需申请办理住房公积金贷款支付购房款，在审批的贷款额度内由“公”（公积金中心）指定的商业银行向购房人发放“商”业贷款，两种贷款间的息差由前者按月向借款人发放补贴。同时，当公积金中心贷存比下降到合理水平，资金流动性向好时，可将居民的商业性个人住房贷款转回为住房公积金贷款[5]。

另一方面，在匹配用户定位数据工参信息后，本文建立起用户定位分布模型，继而运算出用户定位分布象限，其运算方法类似邻区位置象限运算方法，同样引入了4象限，再根据用户上报的经、纬度信息，计算出用户定位分布点处在以主小区方向为正纵轴象限的位置，若用户定位分布点集中在第3、4象限，则被视为异常用户定位分布情况。

经过邻区位置象限运算和用户定位分布象限运算后，得到异常象限邻区和异常象限用户定位分布，即可运算出邻区异常的MR比例和用户定位分布异常的MR比例。邻区异常MR比例指分布在3、4象限的邻区所关联的MR数据占所有邻区关联的MR数据的比例；用户定位分布异常MR比例指分布在第3、4象限的用户定位分布点关联的MR数据占所有用户定位分布点关联的MR数据的比例。

图2 邻区位置象限运算方法示意图

1.3 天线异常判断

经过对天线异常判断的反复研究和验证，本文将邻区异常MR比例和用户定位分布异常MR比例同时大于等于50%以上作为天线异常的判断标准。

以服务小区天线方向为基准，邻区象限判断天线异常和用户定位分布判断天线异常的示意如图3所示。

1.4 天线方位角估算

在天线异常判断结果的基础上，本文利用用户定位分布关联的MR数据进行角度估算，继而得出异常天线的方位角：先预设小区为坐标中心，Y轴正半轴为0°方向，平均划分出12个象限，每个象限跨度为30°；再计算出每个用户定位分布关联的MR采样点所落在的象限；进而统计出每个象限用户定位分布关联的MR采样点占所有象限MR采样点的比例。若算出多个连续相邻象限的MR采样点占比之和≥60%，则定义该连续相邻象限的中心角为天线方位角估算值。

假设小区用户定位MR采样点主要集中在1、2、3象限，象限角度之和为90°，则天线方向角为3个象限的中心角45°，如图4所示。

图3 天线异常判断示意图

1.5 实例验证

为验证研究有效性，本文选取了一个城区天线接反疑似问题点进行实例验证，情况如下：选取的X基站3个小区方向角分别为50°、165°、285°；通过天线异常智能核查系统分析出2小区和3小区天馈疑似接反；X基站2小区的用户点分布并不是分布在扇区指向方向上，而是集中分布在3小区扇区指向方向；同样，3小区的用户点集中分布在2小区扇区指向方向，覆盖方向与用户点分布不一致。天线异常判断系统覆盖评估分析图例如图5所示。

现场实测发现2/3小区光纤顺序错误，实际连接顺序与标签标注顺序相反，在维护人员正确调换光纤顺序后，X基站的2小区和3小区的覆盖方向恢复正常，再通过天线异常智能核查系统验证，X基站的2小区和3小区的用户点分布方向与天线方位角方向一致，实例验证本文智能核查方法准确有效。

图4 天线方位角估算示意图

2 基于信令软采的天线异常智能核查系统功能应用

通过软硬采数据采集和关联、象限运算和异常MR比例运算、天线异常判断、天线方位角估算和实例验证等一系列的研究，最终本文成功构建了基于信令软采的天线异常智能核查系统，其界面功能包括定位功能、问题的量化呈现功能和阀值自由设置功能：定位功能支持GIS图层，支持用图钉标识主小区，支持用飞线图指向测量较多的邻区；问题点量化呈现功能实现了详细问题清单的界面化，包括异常采样点比例、不合理邻区PCI邻区测量次数等；阀值自由设置功能实现了数据源时间范围和异常MR比例范围的自由选择。

基于信令软采的天线异常智能核查系统可智能化地判断出天线异常，批量输出结果，提供了图像化界面，实现天线异常的核查和维护工作更高效、更准确且更低成本。

图5 天线异常实例分析

3 结语

LTE网络运营规模及需求不断提升，其优化维护工作对工作人员提出更高要求及挑战。在日益增加的天线异常问题急需解决的情况下，本文通过开展大数据精准定位和智能分析技术研究，并在实例验证当中不断完善智能分析技术，最终成功构建基于信令软采的天线异常智能核查系统，提高了天线异常核查的准确性和效率，降低了天线异常情况的管控难度。天线异常智能核查系统实现界面图像化，操作简易，精准度高，且能进行批量核查，与人工现场核查相比，该系统大大提高天线核查工作的时效性和准确性，减少维护人员、配套测试设备等资源投入。

[1] 成峰辉. 浅析大数据关键技术[J]. 通讯世界, 2015(17):5-5.

[2] 刘德威， 孙鹏，王佳宁，等. 检测天线接反的方法及相关装置: CN, CN 101964988 A[P]. 2011.

[3] 张守国，洪亚奇，张琦，等. 基于虚拟方位角定位天线交叉连接探讨[J]. 互联网天地, 2013(11):38-39.

[4] 郭平，王可，罗阿理，等. 大数据分析中的计算智能研究现状与展望[J]. 软件学报, 2015, 26(11):3010-3025.