基于大数据的4G网络弱覆盖智能测评方案研究

许盛宏 宫云平 姚彦强

【摘  要】为了解决弱覆盖区域测评的工作量大且效率低、分析问题片面且准确性不高等问题，通过聚类、轮廓识别等算法对4G网络数据进行分析，研究了4G网络弱覆盖智能测评方案，分析了海量MR的栅格聚合、弱栅格连片的自动识别、区域轮廓的自动勾画、测评指标的智能关联，实验证实了弱覆盖测评的高度准确性及网络优化效率的大幅提升。

【关键词】4G;大数据;弱覆盖;智能测评

doi：10.3969/j.issn.1006-1010.2019.08.017      中图分类号：TN915.81

文献标志码：A      文章编号：1006-1010（2019）08-0092-05

引用格式：许盛宏，宫云平，姚彦强. 基于大数据的4G网络弱覆盖智能测评方案研究[J]. 移动通信， 2019，43（8）： 92-96.

[Abstract] In order to solve the problems of the evaluation of weak coverage area such as heavy workload， inefficiency， one-sided analysis and low accuracy， the solution for intelligent evaluation of poor coverage area is investigated based on the data analysis of 4G networks through the algorithms such as clustering and contour recognition. Then this paper analyzes the grid aggregation based on massive MR， automatic recognition of weak grid contiguous areas， automatic contour mapping of weak coverage area， and intelligent relation of evaluation metrics. The experiments demonstrate the high accuracy of weak coverage assessment and the substantial improvement of network optimization efficiency.

4G; big data; weak coverage; intelligent evaluation

1   引言

移动网络的覆盖质量关系到用户对运营商品牌形象的评价。随着移动业务竞争压力不断加大，移动用户感知质量需要迫切提升，移动网络覆盖质量是移动用户感知质量提升和忠诚度提升的重要保障。网络设备投入的资源有限、移动网络规划站点部署不足将导致移动网络出现弱覆盖问题，这会直接影响移动用户的业务感知和速率体验。因此，很有必要实现移动网络弱覆盖区域智能测评，高效解决移动网络的弱覆盖问题，快速提升移动用户的感知质量。

2   现有解决方案

目前，4G网络弱覆盖区域测评方法主要依靠拉网路测和客户投诉来解决。拉网路测需要专业车辆、专业设备的DT（Drive Test，路测）路面测试采集网络覆盖数据，然后将路测数据、地理图层导入GoogleEarth、MAPINFO等专业工具进行分析，再人工估算连在一起的满足弱覆盖条件的测试点作为弱覆盖区域，并结合不同厂家的4G网管、告警、路测、台账、仿真等多个系统兜转人工分析，最后经人工分析得到弱覆盖测试范围的测评指标。目前弱覆盖测评方法如图1所示，存在以下一些问题：

（1）需要人工进行路面测试，导致消耗大量人力和物力，工作量很大且效率低。

（2）人工进行弱覆盖范围识别，识别准确性不高且工作效率低，同时无法直观呈现弱覆盖区域。

（3）需要结合多个不同系统兜转人工分析，分析问题片面、不准确且工作效率低。

3   智能测评方案

3.1 总体实现思路

针对目前的弱覆盖区域测评需要消耗大量人力和物力、工作量大且效率低、分析问题片面且准确性不高等问题，提出了基于大数据的弱覆盖区域自动测评方案。

通过设备综合网管获取用户终端上报海量的MR（Measurement Report，测量报告），系统根据市区、农村等场景确定栅格大小、栅格连片数以及连片规则，再通过基于大数据的聚类算法，自动识别出弱覆盖区域，并结合轮廓识别算法识别出区域轮廓，最后关联DPI（Deep Packet Inspection，深度包檢测）、KPI（Key Performance Indication，性能指标）、告警等一站式输出测评指标（如图2所示）。

3.2  相关算法研究

（1）聚类算法

随着人类科学技术的发展，对分类的要求越来越高，以致有时仅凭经验和专业知识难以确切地进行分类，于是人们逐渐地把数学工具引用到了分类学中，形成了数值分类学，之后又将多元分析的技术引入到数值分类学形成了聚类分析。聚类分析的算法可以分为划分法、层次法、基于密度的方法、基于网格的方法、基于模型的方法。DBSCAN（Density Based Spatial Clustering of Applications with Noise，基于密度的聚类算法）是一个比较有代表性的基于密度的聚类算法，与划分和层次聚类方法不同，其将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。由于弱覆盖区域的数量和形状不固定，本方案将采用DBSCAN算法自动识别弱覆盖区域。

（2）轮廓识别算法

在图像处理与分析、模式识别和计算机视觉等研究领域中通常需要提取目标区域的轮廓以获得关于目标的诸多有价值的信息。其中比较有代表性的是Alpha Shapes（阿尔法形状）算法，从离散的空间点集中抽象出其直观形状，即从一堆无序的点中获取大致的轮廓，其原理可以想象成一个半径为α的圆在点集s外滚动，当α足够大时，这个圆就不会滚动到点集内部，其滚动的痕迹就是这个点集的边界线。为了更好表征弱覆盖区域的形状，本方案采用Alpha Shapes算法得到弱覆盖区域多边形顶点来表示，作为弱覆盖区域的地理化呈现。

3.3  关键技术实现

（1）基于海量MR的栅格聚合

4G终端用户每隔10 s上报一条MR记录，全省每天采集260亿条MR记录，MR记录包括位置AGPS以及覆盖指标等信息，基于大数据构建采集和运行框架高效实现MR数据聚合。然后将指定区域以网格的形式分成相同大小的栅格（如20 m×20 m），根据MR的经纬度和栅格范围对MR记录进行栅格聚合，根据每个栅格的所有MR的RSRP计算平均值作为该栅格的覆盖指标。当栅格的覆盖RSRP指标小于-105 dB即认为弱覆盖栅格。栅格编号采用（经度编号，纬度编号）的形式来表示，将左下角最小经纬度（109.456 006 485 399， 20.129 790 088 470 2）对应的栅格编号为（0， 0），并按固定栅格大小往后增加编码，具体计算方法如下：

经度编号=（经度-109.456 006485399）/（0.00000972×级别）+1001（向下取整）

纬度编号=（纬度-20.129790 0884702）/（0.00000896×级别）+1001（向下取整）

栅格编号=经度编号×1000000+纬度编号，如果栅格为20×20，那么此处级别为20。

（2）弱栅格连片区域的自动识别

根据弱覆盖栅格门限，筛选出符合要求的弱栅格集合，根据预先确定的弱栅格连片距离，采用DBSCAN算法，把满足一定条件的邻近弱栅格聚成一组，再根据栅格连片数门限过滤达不到门限值的分组，最后得到的栅格连片分组即为弱覆盖区域。

同时，系统可根据不同场景的基站覆盖范围、站间距、用户密度等的不同，自动计算对应的栅格大小、栅格连片数以及连片距离门限。市区和县城基站覆盖范围小、站间距密、用户密度高，设置栅格大小为20 m×20 m（此时D=20 m），栅格连片数至少为10个，连片距离为D;乡镇和农村基站覆盖范围大、站间距疏、用户密度低，设置栅格大小为50 m×50 m，栅格连片数最小值为5个，连片距离为2D。如图3所示，深色的格子表示弱栅格，当连片距离设置为D，算法流程如下：

1）在弱栅格集合随机拿一个栅格A，则与A栅格的连片距离满足的弱栅格有B和C。

2）分别判断B和C满足连片距离的栅格，则可以找到栅格D的满足条件。

3）再通过D查找没有满足距离的栅格，则该分组结束，输出分组1（ABCD）。

4）类似上述步骤，可以输出分组2（EFGH）。

当连片距离设置为2D则栅格C与栅格E、F满足距离条件，则中间有隔开不相连的栅格的成片栅格也会组成一个弱覆盖区域（ABCDEFGH），如图4所示。

（3）弱覆盖区域轮廓的自动勾画

弱栅格连片包含栅格的顶点，通过Alpha Shape算法检测出边缘轮廓点，从而勾画出弱覆盖区域轮廓。根据轮廓勾画算法原理，采用长度跟连片距离相等的线段，选取位置最高的顶点作为初始点，线段一端首先固定在该初始点，从水平方向开始逆时针旋转，当相交另一个顶点，线段保持方向移动，另一端固定在该顶点，继续逆时针旋转，直到线段相交初始点为止，输出线段经历顶点就是该区域的边缘轮廓点。如图5所示，当连片距离设置为2D时，实现流程如下：

1）把弱区1每个栅格顶点去重，得到11个点，取经纬度编号最大的点a作为初始点;

2）以a为圆心，连片距离为半径，从水平方向逆时针旋转，相交于点d，则d作为下一个顶点;

3）以d为圆心，连片距离为半径，从a点开始逆时针旋转，相交于点e，则e作为下一个顶点;

4）以e为圆心，连片距离为半径，从d点开始逆时针旋转，相交于点g，则g作为下一个顶点;

5）如此类推，当下一个顶点是初始点的时候，就停止计算，可以输出弱覆盖区域1的边界，弱覆盖区域2也类似这么处理。

当连片距离设置为2D，则栅格C与栅格E、F满足距离条件，则分组1和分组2合并成一个分组，轮廓勾画出的结果如图6所示：

（4）测评指标的智能生成

为了提升网络优化支撑的智能化水平，减少多个系统兜转人工分析，通过結合DPI、KPI、MR、CDR、基站台账等多系统全方位指标实现弱覆盖区域的智能测评，测评输出指标包括处理措施、处理优先级、接入扇区和附近扇区。

处理措施：根据附近基站扇区状况以及场景，输出规划、维护、工程和优化建议。

处理优先级：根据弱栅格数、4G切3G次数、4G用户数、4G流量、4G感知优良率等指标进行计算。

接入扇区：弱覆盖区域MR数量最多的5个主服务接入扇区，用于分析弱覆盖区域接入小区原因。

附近扇区：距离弱覆盖区域中心点最近的5个扇区，用于分析弱覆盖区域附近小区原因。

4   方案应用验证

人工路测与本方案测评结果对比如表1所示，路测弱路段表示至少连续100 m弱覆盖路段，而系统弱覆盖区域表示至少10个20 m×20 m弱栅格连片的区域，验证了75个路段覆盖情况，整体匹配准确率为93.33%，其中区域A验证情况如图7所示，该区域路测总弱路段为21段，其中系统只有编号18路段没有匹配上，匹配准确率为95.24%。

同时，基于本方案实现了弱覆盖区域的自动精准识别、基站扇区覆盖地理化分析及重要场景弱覆盖智能测评功能，经过实际推广应用，可准确发现并快速解决4G网络弱覆盖问题，使得工作效率大幅提升，路测费用大幅下降。某地市每条城中村网络测评耗时由原来2～3天缩短至10分钟，提供工作效率百倍以上。初步估算可取代80%的路测工作，某地市每年需要投入800万路测费用，即每年可节省640万元。

5   结束语

为解决目前弱覆盖区域测评需要消耗大量资源、工作量大且效率低、分析问题片面且准确性不高等问题，提出了基于大数据的4G网络弱覆盖测评方案，实现快、全、准的一站式智能测评，使得网络优化效率大幅提升，路测费用大幅下降以及客户感知有效提升，具有良好的推广应用价值。后续结合人工智能和大数据技术不断完善功能，进一步推进原因定位智能化分析，更有力支撑智慧化运营。

参考文献：

[1] 刘通，施兆阳，陈灿，等. 基于LTE MR大数据分析的虚拟化路测应用探讨[J]. 移动通信， 2017，41（12）： 1-5.

[2] 张臻. 大数据在移动通信网络优化中的应用研究[J]. 移动通信， 2017，41（5）： 27-30.

[3] 刘帆. LTE网络优化方法[J]. 网络安全技术与应用， 2017（6）： 1-2.

[4] 张振刚，金瑞. 基于MR和信令数据的LTE网络覆盖评估及盲区识别[J]. 山东通信技术， 2016（3）： 1-3.

[5] 李勇，李果，衛钰. 一种基于信令和MR数据的LTE网络质量监测方法研究[J]. 移动通信， 2016，40（24）： 1-4.

[6] 李颖. 4G网络覆盖分析及解决方案[J]. 通讯世界， 2016（24）： 1-2.

[7] 熊玮. LTE弱覆盖问题分析与优化[J]. 信息通信， 2015（2）： 1-2.

[8] 王博. LTE覆盖的评估、定位和优化[J]. 移动通信， 2014，38（17）： 1.

[9] 周飞. 利用Alpha Shapes算法提取离散点轮廓线[J]. 湖北广播电视大学学报， 2010（2）： 1-2.

[10] 陈涛，李光耀. 平面离散点集的边界搜索算法[J]. 计算机仿真， 2004（3）： 1-4.