通信基站维护应急调度中大数据扮演什么角色

中国电信郴州市分公司|张潇涓

通过挖掘基站维护大数据，建立相应数据模型，利用数据分析手段来优化大面积停电情况下的应急发电调度流程，提升维护质量水平，成为当前大数据行业应用的一个崭新课题。

通信基站是一切无线运营的基础。通信基站的维护内容有通信基站巡检、日常维护、应急发电抢修和安全隐患排查。其中，应急抢修发电的及时性，直接影响运营商的网络指标。通过挖掘基站维护大数据，建立相应数据模型，利用数据分析手段来优化大面积停电情况下的应急发电调度流程，提升维护质量水平，成为当前大数据行业应用的一个崭新课题。

大数据的基本概念

大数据指的是所涉及的数据规模很巨大，需要用特别的数据库软件工具Hadoop等，对其内容进行采集、存储、管理和分析的数据集合。

大数据的基本特征首先是指数据体量大，如通信基站电力电压、电流随时都在变化产生大量的浮动数据；其次是指数据类别大，基站数据来自电力系统、门禁系统、电池负载等多种数据源，数据种类既有门磁等开关量数据，也有电压电流等模拟信号数据，更有视频监控等非结构化数据；再次是大数据要求数据处理速度快，做到实时处理，供电大网停电和供电的数据，要求在规定时间内能够通过传感器进行准确上报，代维单位根据收到的信息来进行工作调度；另外，大数据要求数据真实性高，对于基站铁塔平台空间资源占用情况、电源设备端子占用情况、配套设备的数量和型号应该能够进行及时更新，以便于新业务加载的时候能够有真实准确的数据参考。

大数据在通信行业的应用情况

基站是通信行业的基础和支撑，也是重要的社会公共资源。如何保障基站的稳定运行，维护维修以及面对突发状况的应急处置是基站运维工作中的重点。基于大数据技术的分布式采集，结合业务应用场景，规范标准化的应急事件处置策略，实现“动态联动应急事件防护体系”，是大数据在通信行业的基站运维领域的重要应用。

应急事件事前实时监控与预判

基站运维工作中涉及的数据体量大、类型多，包括实时、文本、语音、视频、图片等各种类型的结构化、半结构化以及非结构化数据。通过监控与数据采集设备获取设备关键参数（如稳定性指标、温度适应性指标、电量消耗与异常边界指标等），第一时间发现基站运行过程中的各类问题。并以此为基础建立标准、规则、策略体系，围绕体系构建应急事件的识别模型，发现已知和潜在的故障以及事件威胁。

应急事件事中合规高效处置

集成GIS地图以及地理位置经纬度，利用大数据技术的应用，为维护人员提供准确的定点数据和故障类型数据，并运用数据分析模型对应急事件进行分级预警以及为指挥领导和参与紧急处理的业务人员，提供决策依据和方案应急事件时候成因分析与总结。

应急事件事后总结分析

基于大数据分析挖掘技术、机器学习以及语义分析，以事件、人、地、时等自动分析提取、细化标签，输出应急事件的处置报告，形成“事件发生—过程记录—处置评估—总结展望”的大数据智能报告生成体系。

通信基站大数据分析的基础步骤

大数据的技术体系涉及大数据的采集与预处理、大数据存储与管理、大数据计算模式与系统、大数据分析与挖掘、大数据可视化分析及大数据隐私与安全等几个方面。大数据遵循以下实施步骤。

第一步是从数据源采集数据并进行预处理和集成操作，为后继流程提供统一的高质量的数据集。现有数据抽取与集成方式可分为以下4种类型：基于物化或ETL引擎方法、基于联邦数据库引擎或中间件方法、基于数据流引擎方法和基于搜索引擎方法。常用ETL工具负责将分布的、异构数据源中的数据如关系数据、平面数据文件等抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集市中，成为联机分析处理（OLAP）、数据挖掘的基础。由于大数据的来源不一，异构数据源的集成过程中需要对数据进行去重和纠正不一致数据。

第二步是大数据存储，其存储和管理软件主要包括文件系统和数据库。大数据存储与管理，需要对上层应用提供高效的数据访问接口，存取PB甚至EB量级的数据，对数据处理的实时性、有效性提出更高要求。某些实时性要求较高的应用，如基站状态监控数据，更适合采用流处理模式，直接在清洗和集成后的数据源上进行分析。而大多数其他应用需要存储，以支持后续更深度数据分析流程。

第三步是数据建模。需要根据大数据的不同数据特征和计算特征，从多样性的大数据计算问题和需求中提炼并建立的各种高层抽象或模型。基站大数据处理的主要数据特征和计算特征维度有数据结构特征、数据获取方式、数据处理类型、实时性或响应性能、迭代计算、数据关联性和并行计算体系结构特征。我们需要选用适合基站应急抢修调度的模型，如果模型不合适，需要进行数据训练并且不断进行模型优化调整，直至找到可用的模型。

第四步是数据的可视化展现。建模完成后，就需要对数据模型进行可视化展现，用形象的图形方式向用户展示结果。应急抢修调度指挥系统，我们需要关注以下几个数据模块:

1.网络统计模块，当前全市各区基站的电力正常数量、停电基站数量、发电基站数量；

2.抢修资源模块，如各基站到驻点的车程时间，抢修车辆数量，可用的车辆台数、维修中的车辆台数，可用的发电机数量台数，维修中的发电机台数，以及其分布情况；

3.配套资源模块，如蓄电池的型号容量，续航时间，开关电源模块的可用数量等；

4.优化调度方案的可视化推荐，以便于监控中心值班人员进行应急抢修调度，常见的可视化技术有原位分析（In Situ Analysis）、标签云（Tag Cloud）、历史流（history flow）、空间信息流（Spatial information flow）、不确定性分析等。

郴州通信基站大数据应急调度系统解决方案

本项目应用计划部署在郴州的联网服务区，形成与视频监控网络、内部业务网络的无缝连接，并结合实际应用需求进一步延伸至互联网，用以满足跨部门、跨区域业务协作以及应急处置的统一调度。

第一，建立统一的大数据中心：通过对接与整合原有系统资源，实现分散数据的集中管理，并建立透明跨引擎作业的数据交换平台，提升异构数据间复杂关联处理性能。

图 数据模型建立和优化

第二，监控中心：展现基站各模块运行状态，包括对设备层、应用层以及数据层进行全方面的监控，定义数据监控指标和传输规范，输出友好的数据可视化界面。

第三，应急事件调度中心：利用算法自动推荐应急处置资源（支持人工干预），包括命令实施部署和监督方法，能及时、有效地调集各种资源，实施险情控制和现场处理工作，减轻突发事件对基站运营安全造成威胁，用最有效的控制手段和小的资源投入，将损失控制在最小范围内。

第四，数据分析与智能报告中心基站故障排除后的数据收集，情况分析并记录入大数据库，并进行大数据建模，分为以下五个步骤。

1.选择模型：基于通信基站维护应急调度问题，来选择一个合适的数学模型。

2.训练模型：基于真实的业务数据来确定最合适的模型参数。

3.评估模型：将模型放在通信基站维护场景下来评估其预测的正确率、查全率、查准率等。

4.应用模型：评估模型质量在可接受的范围内，没有出现过拟合，就可以开始应用模型了，这一步，就需要将可用的模型开发出来，并部署在数据分析系统中，然后可以形成数据分析的模板和可视化的分析结果，以便实现自动化的数据分析报告。应用模型，就是将模型应用于真实的业务场景。构建模型的目的，就是要用于解决工作中的业务问题的，比如预测基站故障等。当然，应用模型过程中，还需要收集业务预测结果与真实的业务结果，以检验模型在真实的业务场景中的效果，同时用于后续模型的优化。

5.优化模型：在评估模型时，如果发现模型欠拟合（即效果不佳）或者过拟合，则模型不可用，需要优化模型。模型优化，可以有以下几种情况：重新选择一个新的模型；模型中增加新的考虑因素；尝试调整模型中的阈值到最优；尝试对原始数据进行更多的预处理，比如派生新变量。

项目的应用前景

通信技术的发展带来了大量的通信基站的建立，当通信基站发生故障等问题时存在着以下局限性：各部门间信息交换不够及时和全面，代维单位的抢修能力达不到运营商的要求；对于重大的通信事故，往往需要协调通信公司内各级的多个部门，跨运营商的配合处理很弱；除了运监系统的工单派发，指挥中心只能通过打电话等传统方式指挥；对故障数据没有系统化的积累和分析，事故处理的标准和规范等资料常常不能及时获取，给应急调度中领导决策带来不便。

围绕这一系列行业“痛点”进行分析，本方案的探索具有以下应用价值。突破了大数据与传统通信的合作边界，进一步丰富通信基站业务应用场景，为突发网络障碍事件预测、故障诊断、温度影响、电池梯级利用、维护维修、隐患处理等提供决策支撑。帮助基站运维企业节省运维人工成本和时间成本，提高客户使用的满意度。基于大数据进行事后恢复与总结，通过事件中的信息捕获、甄别加工信息、机器分析，最终总结反馈，从而改进维护质量，使得网络运营更具健壮性。