一种基于MRO数据的用户定位分析算法及初步应用

赵春阳，张楹, 何川, 王蔚

（中国移动通信集团设计院有限公司上海分公司，上海 200060）

随着移动运营商LTE网络规模的日益增大，网络结构更加复杂，用户投诉多样化，网络优化分析更深入、更贴合用户实际行为已成为网络维护、优化的工作重点。传统的网络优化及评估、处理方法及思路已无法满足现实需求， 如何准确地定位用户网络问题，发现覆盖和容量的空洞，科学指导网络优化和建设，提高优化人员的工作效率，成为了近期网络优化的热点问题。

当前摆在运营商面前的首要问题是快速发现网络的覆盖缺陷，有效提升网络的覆盖质量。目前网络质量评估主要手段是通过路测数据和后台KPI统计进行衡量的，路测数据主要是在道路上进行抽样，并非用户真实所处的无线环境，无法真实还原在网用户覆盖体验。而传统KPI统计，由于缺少无线环境指标，且不能区分用户，因此也无法真实体现用户感知。

所以对用户终端进行定位在网络优化中的重要性逐渐体现，网络优化定位需要使用的技术属于移动终端定位技术的一种。移动终端定位技术可以根据依靠的网络分为3大类：卫星定位、WLAN定位、基于移动网络的定位等。卫星定位适用于室外场景，WLAN 定位适用于室内场景。这两类方法的定位主体为终端自身，对终端实现复杂度和成本有一定的要求，定位的准确度和精度较高，应用比较成熟，如导航、自动驾驶、美食等生活信息搜索、地图、打车等。基于移动网络的定位方法对于室外和室内场景均适用，而且随着移动网络的大规模建设，此定位方法的适用场景和范围也越来越丰富。基于移动网络的定位方法同样可以基于终端实现，但是需要对终端进行改造。此外，网络可以根据通信过程中获取的终端信息进行自行定位，这类方法不需要终端改造，可利用现有资源，更经济、可行性更高。网络管理、评估和优化需要使用的就是这类定位技术。

本文将主要研究基于移动网络MRO 数据定位算法及其在网络优化中的初步应用。

1 定位原理

MR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。测量方式采用周期测量时，可在测量任务定制时对上报周期进行配置。对一个测量，报告触发方式可以是事件触发或周期性触发。如果是周期性触发，需要配置上报周期；如果是事件触发，则利用网络已开启的事件测量，不需另外开启测量。

目前主要运营商已经开启周期性测量功能，并由网络管理系统（NMS）对测量报告（MR）进行定期收集。周期性测量数据存放在MRO（代表测量报告样本数据文件）文件中，MRO数据量大，信息齐全，是网络评估和优化的首选数据。目前MRO数据中可以用于定位的信息有：时间提前量TA数据和eNode B天线到达角AOA数据。

（1）TA 数据：TA 是由eNode B测量并下发给终端，用于调整终端在主小区PUCCH/PUSCH/SRS上行发送时间的值。目前eNode B的计算方法为：在随机接入过程中，测量接收到的导频信号来确定TA，取值范围为（0， 1， 2，…， 282)×16 Ts；随后，eNode B测量对应终端的上行传输信号来确定TA调整值，调整值的范围为（0， 1， 2，…， 63)×16 Ts。最新的 TA 值为上次记录的TA值和本次调整值之和。MRO数据中TA的上报值与实际距离的换算关系如下：

UE与服务基站的距离=1/2×TA×16 Ts×c

其中Ts=1/(15 000×2 048) s，即一个TA相当于78.125 m的距离。因此采用TA值计算距离的算法精度为78 m。如果需要提高精度，需要配合其它数据一起使用，或者是修改规范，提高eNode B上报TA值的精度。

（2）AoA数据：AoA为用户相对正北方向逆时针方向的估计角度。AoA的取值范围是0°～360°，精度为5°。MRO中的AoA值的误差主要有以下几方面：

边缘效应：均匀线阵（ULA）天线自身拥有赋形不均匀性和栅瓣现象（或者大副瓣等），这些现象在扇区边缘区域比较明显，称为边缘效应。边缘效应可能使得处于扇区边缘区域的用户的AoA估计不准确，甚至估计到相反的一个方向。

天线数目少，分辨精度低：中国移动目前使用的天线多为八通道双极化智能天线，能够分辨的来波方向精度只有15°左右。因此天然地无法对用户进行精确定位。未来5G推行大规模阵列MIMO以后，AoA的精度将会大幅度提升。

多径产生的误差：在多径反射的场景下，MRO中估计的AoA值只能是多径中的最强径。

在TD-LTE系统中，由于使用了智能天线，因而有用户的到达角（AoA）的测量上报，使得TA+AoA这种方式的定位成为可能。

由于以上MRO测量数据本身的给用户定位造成的误差，所以本算法受限于MR数据定位本身的精度误差，在此基础上提供一种基于MRO数据的终端用户采样点定位算法。

2 算法设计

针对一线网络优化工程师来说， MR数据的统计分析报告里面，已经有了TA+AoA的统计数据，可以用来帮助判断小区级别的覆盖情况， 但是这种数据的分析太过于宽泛，很难直观的分析用户所在的具体位置，缺少了用户采样点在地理位置上的分布，因为MR测量报告的周期在测量报告收集时间内是固定的， 所以测量报告的上报数量与业务的密度高度关联，可以近似的认为测量报告上报密集点区域是高业务密度区域的分布，同时如果对上报电平较低的采样点进行专题的地图显示，则可以辅助网络优化人员定位到弱覆盖的具体区域。

所以根据MR数据生成测量报告采样点的经纬度数据，成为算法研究的关键内容。

2.1 经纬度计算

因为基站的经纬度作为运营商是已知信息，因此可以根据该经纬的数据进行移动用户的定位拓展应用。由于用户采样点距离基站的长度远远低于地球周长，这是可考虑基站覆盖平面为水平面，而非球体。以下以用户位置在相对基站在第一象限的采样点为例，对用户采样点相对基站的经度差和纬度差进行运算。

为TA相对地球赤道周长距离微乎其微，可考虑TA×sin (AoA)、TA×cos (AoA)为圆弧形，用它们分别除以地球所在纬度周长、地球赤道周长，然后换算成角度便可获取用户采样点相对于基站的经度差和纬度差。

图1 用户定位经纬度计算原理

通过图1可知：

经度差= [TA×sin (AoA)]/基站所在位置地球纬度周长/360°。

纬度差= [TA×cos (AoA)]/地球赤道周长/360°。注：这里考虑赤道周长＝子午线周长。

另外通过详细严谨推算，其它3个象限经度差、纬度差也等于上述公式。

2.2 基站所在位置纬度计算

众所周知，地球赤道周长约为40 076 km，子午线和赤道周长相差无几，约等于40 009 km，本次计算时统一使用地球赤道周长作为标准。设R=地球半径，图2可展示如何计算基站所在位置的地球纬度周长。

考虑地球表面为规则的球形，根据以上图例和几何数学公式，可知基站所在纬度地球周长/[2×R×cos (基站纬度)]=赤道周长/(2×R) =π。即基站所在纬度地球周长=赤道周长×cos (基站纬度)。

图2 基站所在位置地球纬度周长的计算（地球纵切面）

考虑地球表面为规则的球形，根据以上图例和几何数学公式，可知：

基站所在纬度地球周长/[2×R×cos (基站纬度)］ =赤道周长/(2×R) =π

即基站所在纬度地球周长=赤道周长×cos (基站纬度)

2.3 算法展示

根据某运营商数字蜂窝移动通信网无线操作维护中心（OMC-R）测量报告技术要求，TA和AoA在测量范围和精度如表1和表2所示。

表1 TA上报数据与测量区间的分布

表2 AoA上报数据与测量区间的分布

采样点上报角度为AoA1，而实际上AoA1并非实际上用户所在位置相对基站所成角度，而是除以2要再减去采样点所占用小区天线方位角，即：AoA=(AoA1/2)-天线方向角+360°。在此基础上，MRO原始样本中TA和AoA对应的参数是一个范围区间，不是一个固定的数值，这里可以取区间的中间值，计算基站经纬度如下：

用户采样点经度=基站经度+ [TA中值×sin(AoA)]/(基站所在位置地球纬度周长/360°) (1)

用户采样点纬度=基站纬度+ [TA中值×cos (AoA)]/(地球赤道周长/360°) (2)

对某个小区的MRO采样点按照以上公式进行计算，映射到mapinfo图层上，如图3所示。

图3 某小区的MRO中值算法采样点分布

通过在地图上打点，可以发现，该算法可以根据MR采样点的数据信息自动生成采样点的经纬度信息，实现了用户数据的模拟定位；同时我们发现采用中值方法后由于TA、AoA数据的不连续分布，所以存在着多个采样集中在一个点上无法区分的问题，最终导致无法通过地图分布分析，确认业务量的空间分布情况，所以有必要对该算法进行进一步的探讨。

2.4 算法探讨

由于多个采样点在某一个经纬度上重叠数较多，在做业务量地理位置分析上，很难区分采样点的业务密度分布情况分析，所以在不改变MR定位算法精度的前提下，可以考虑对采样点在测量报告技术要求的范围内对测量报告中的角度、距离在边界内进行随机化，利用RAND函数对采样点在角度、距离边界内分别进行随机化，得到以下优化后的计算公式：

用户采样点经度=基站经度+[(TA+TA间隔×随机函数)×sin(AoA+AoA间隔×随机函数)]/(基站所在位置地球纬度周长/360°) (3)

用户采样点纬度=基站纬度+[(TA+TA间隔×随机函数)×cos(AoA+AoA间隔×随机函数)]/(地球赤道周长/360°) (4)

通过图3与图4的对比发现，引入随机函数后，采样点分布在技术要求的范围区域内，采样点重叠的概率得到了有效的降低，可以实现在地理位置上的分布分析，可以用来做业务量密度的进一步分析。

图4 某小区优化算法后的MRO采样点随机化分布

图5 某小区MRO定位随机化采样点分布与扫频数据对比图

2.5 算法小结

该算法的核心价值就是根据小区经纬度及MR数据的相关信息实现了MR采样点的经纬度的自动生成，该算法可以模拟生成用户的定位信息，定位数据的进一步应用可以帮助网络优化人员进行网络质量的定位分析，把网络优化的精度从小区级别提升到地理位置的细化级别要求。

由于TA、AoA是区间值，不是一个具体的固定值，该算法定位的精度受限于TA、AoA数据的精度，同时算法中采用中值的函数和随机的函数不存在那个算法优越的问题，只是在做不同应用时可以采用不同的函数用来帮助我们更好的匹配分析的目标。

3 算法初步应用

下面运用MRO定位技术对典型问题某小区的用户区域进行定位分析，如表3所示。

表3 小区基础工参信息

通过提取小区的MRO及扫频相关数据，得到如图5所示分析数据。

MRO数据和小区扫频维数据显示主要覆盖800 m范围内，主要方向为30°/100°/200°方向，二者在分析小区覆盖的方向和范围上基本一致。

从图6可以看出，在小区主方向MRO采样点分布较少，而在基站东北、正东、西南方向有较多分布。现场查勘小区主打方向为空地，并无建筑阻挡。从用户集中的角度分析，该小区的MRO采样点分布主要是在用户集中区域，靠近主打方向340°最近的东北用户集中区域MRO采样点分布最多。由此说明MRO采样点的定位技术较为准确， MRO采样点基本分布在用户集中区域，主打为空地属于用户稀少区域，采样点相对较少。

图6 小区MRO定位采样点分布与无线环境的匹配度对比

由此判断小区主打方向为非用户集中区，本小区不仅仅信号穿过空旷区域造成远点路面的重叠覆盖问题，而且由于近点20°方向的用户集中分布区域由本小区的旁瓣信号覆盖，同时造成了近点用户集中区域的弱覆盖问题。

4 结论

结合以上具体的案例分析可以发现，该算法实现了MRO采样点的经纬度生成，可以用来模拟用户的定位信息。定位算法可以采用中值函数算法和随机函数算法，可以供技术人员根据优化的目标去自行选择。

同时MRO定位功能的作用不止于此，采样点随机化后可以反映区域用户的多少，可以协助网络优化人员根据不同区域分场景实施不同的优化策略。该算法的核心价值就是根据小区经纬度及MR数据的相关信息实现MR采样点的经纬度的自动生成。

目前MRO采样点的定位技术也有一定的局限性，比如对处于天线背向覆盖的用户不能准确判断位置，还有区域分析时需要采用大量的MRO样本，处理的时间较长。但是相信随着大规模阵列智能天线以后在LTE网络中的广泛应用，MRO定位方法会更加准确。另外随着服务器处理计算能力的提高，对MRO数据进行大量分析处理也不是太大的难题，相信MRO采样点的定位技术在以后的LTE网络优化中会得到更广泛的应用和推广。