基于用户感知的LTE高铁优化分析方法的研究及应用

1 引言

截止2018年底，全国铁路营业里程达到13.1万公里以上,其中高铁2.9万公里以上。国家铁路完成旅客发送量27.7亿人，同比增长11.2%，其中动车组发送14.43亿人，占比超过52%；单日发送旅客最高达1 442.7万人，创历史新高。

乘坐高铁已成为人们重要的出行方式，高铁通信已逐步成为各运营商品牌展示、获取可观经济利润及拉升高端客户黏合度的新竞争领域。现阶段高铁专网建设已铺开，高铁优化需求日益增长[1]，大部分高铁路线已实现新一代网络技术LTE的覆盖，但仍有较大的不足，同时由于高铁速度快，多普勒效应显著，网络质量问题严峻。对于高速铁路移动无线网络的传统优化手段，一则是通过后台话务统计数据对覆盖高铁的小区指标进行分析，然后针对异常小区进行分析及优化；二则是通过大量的实地路测数据进行分析，确定异常问题点然后进行优化。但是，上述手段均无法准确反映高铁用户的实际指标，通过话统数据分析容易被非高铁用户的指标所淹没，而实地测试数据往往又存在耗时长、验证周期长、数据少、测试终端型号与商务终端的性能存在差异等缺点，而且测试成本较大。

2 背景技术

大规模的高铁建设，给人们工作生活带来方便，具有移动速度快（在150~350 km/h之间）且相对恒定、移动方向与轨迹固定、同一趟高铁用户具有相似的移动特性（如相同的移动方向、相同速率、相近的时间等），因此通过结合新一代4G无线网络通信技术的原理及数据特点， 利用高铁上用户的海量LTE软硬采XDR信令数据对高铁用户进行剥离，进一步分析高铁用户实际的感知质量（如接入、速率、覆盖、质差等）、快速查找网络问题、制定优化方案并验证优化效果，完成对高铁网络的信令数据采集与建模、专项分析、输出优化方案及闭环处理等支撑工作，实现网络问题的有效优化及站点的精确规划。

2.1 LTE的概念

LTE（Long Term Evolution，长期演进)是由3GPP（The 3rd Generation Partnership Project，第三代合作伙伴计划）组织制定的UMTS（Universal Mobile Telecommunications System，通用移动通信系统）技术标准的长期演进，它改进并增强了3G的空中接入技术，采用OFDM（Orthogonal Frequency Division Multiplexing，正交频分复用技术）和MIMO（Multiple-Input Multiple-Output，多输入多输出系统）作为其无线网络演进的唯一标准。在20 MHz频谱带宽下能够提供下行100 Mbit/s与上行50 Mbit/s的峰值速率，改善了小区边缘用户的性能，提高小区容量和降低系统延迟。从理论的角度上LTE在数据传输上能够达到300 Mbit/s，在数据传输的速率上与之前3G的格式有了很大的提高，很多家庭宽带都没有LTE的速率快，随着LTE技术的广泛运用，给人们生活和工作带来了极大的便利[2]。

2.2 XDR数据的概念

XDR数据，是指基于全量数据进行处理后，生成的供信令监测平台和信令类应用使用的信令及业务的详细记录。XDR数据分为信令面XDR和用户面XDR两种，信令面采集包括对以下接口的采集：Uu、X2、S1-MME、S6a、S10、S11、S5/S8、SGs、Gn，用户面采集只对S1-U接口进行采集，其中Uu、X2口采集的数据属于软采XDR数据，其他口采集的属于硬采XDR数据。另外，XDR数据还包含UE_MR XDR和CELL_MR XDR两种MR XDR数据，UE_MR XDR为基于软采上报的每个UE的每个MR生成一个UE_MR XDR，其中包含UE级的相关信息，需要把Uu接口MR测试结果和Uu-extend接口MR相关测量值进行关联后生成；而CELL_MR XDR为基于软采上报的每个小区的小区级Uu-extend MR相关字段生成一个Cell_MR XDR，其中包含小区级的相关信息，如图1所示。

2.3 高铁用户的剥离方法

目前高速铁路已基本实现了LTE专网的覆盖，因此通过进一步结合高铁用户的特性，即可将高铁用户从LTE专网小区海量的用户中剥离出来，方法一则为占用到高铁专网小区达到3个以上且在小区覆盖距离内平均速度达到高铁速度值（如150 km/h以上）的用户，二则为占用高铁专网特殊小区（如只覆盖高铁隧道的小区）的用户，综合两者即为高铁用户，其中前者的具体方法如下：

图1 统一DPI系统架构图

步骤1：切换序列的确定

根据高铁专网小区工参数据及时间顺序，确定高铁行驶正向小区切换序列(A/B/C/…/N(n-1)/Nn)和反向小区切换序列（Nn/N(n-1)/…/C/B/A）。

步骤2：切换点位置的确定

根据海量的高铁路测数据，得到正反向切换点所对应的经纬度信息，无经纬度信息的切换点，则根据传播模型获取，而对于高速铁路场景，其具有用户移动速度快(200~350 km/h)、站点密集、传播环境较好等特点。而采用Hata的扩展模型，即COST-231 Hata模型，其适合在基站密集区域（数百米）及频率在2GHz频率的传播场景，由于高速铁路轨迹是固定的，LTE切出切入的发射点也是确定的，因此通过建立切换点算法模型，即可得出切换点的位置，具体如下：

传播模型算法：

式中：

f 是载波频率；

hte是发射天线有效高度；

同时为保证挖沟机能够正常越障,车体与地面的最小离地间隙应作为重要参数进行考虑,可以得到如下安全的离地间隙[8]，即

hre是接收天线有效高度；

d是发射机与接收机之间的距离；

CM为校正因子；[3]

a(hre)是移动天线修正因子，其数值为：

PTX：天线口功率;

GT：天线增益，发射天线增益+接收天线增益；

LRS：人体损耗；

LCS：车体损耗；

切换点位置算法：

PS：切换出小区的信号强度；

PN：目标小区的信号强度；

Qhyst：切换幅度迟滞；

CIO：切换偏置；

通过上述公式（1）、公式（2）和公式（3）即可得出无GPS位置信息的切换点的位置。

步骤3：切换点的位置匹配

获取高铁专网小区的软采XDR（包括Uu_XDR及X2_XDR）信令数据，根据源小区（CELLID/Source Cell ID）及目标小区(Target Cell ID) 筛选切换点及其对应的时间，其中Uu_XDR选取为“RRC_HO_intraENB/RRC_HO_interENB”的Procedure Type，X2_XDR选取为“X2 handover”的Procedure Type，将软采切换点与已知位置点信息进行匹配，同时根据用户占用高铁专网小区的时间序列，确定用户的正反向属性；

步骤4：速率的计算

表1 用户数及RSRP≥-110 dBm分布统计

表2 RSRQ分布统计

由于切换点及高铁轨道均是确定的，因此切换点间的轨道距离S是确定的，即切换点1与切换点2、…、切换点N间的距离为S12、S13、…S1N，因此根据上述步骤1~3中可得出某一用户切换点1与其他切换点间的间隔时间分别为T12、T13、…T1N，因此该用户在小区覆盖范围内的速度为：

最后，通过各高铁小区覆盖特性（如是否覆盖高铁站小区等），提出异常的小区速度，将剩下的样本与高铁场景用户运动速度VG（如VG=150 km/h）进行比较，若符合则将此用户判断为高铁用户。

3 应用效果

统计高铁专网站点及周边公网站点的一天的用户数共594 777个，其中占用专网小区的用户有92 064个，高铁用户有13 828个，高铁用户占比为15.02%，高铁用户RSRP≥-110 dBm的占比为82.25%（专网小区为64.37%）、SINR_UL≥-3dB的占比为99.82%（专网小区为98.18%）、RSRQ≥-15 dB的占比为94.28%（专网小区为90.59%）、X2口切换成功率为99.20%（专网小区为98.92%）、Uu口小区内切换成功率为56.31%（专网小区为13.04%）、Uu口ENB内切换成功率为95.96%（专网小区为96.76%）、Uu口ENB间切换成功率为93.05%（专网小区为86.67%），Uu口ENB间切换成功率为99.20%（专网小区为98.92%），MOD3干扰比例为0.1%（专网小区为0.02%），具体如表1~6所示。

4 结语

通过利用高铁上用户的海量LTE软硬采XDR信令数据，对高铁用户的进行剥离，实现了除依靠小区的后台网管统计指标、高速铁路路测数据及高速铁路用户投诉这三方面的手段外的另一种维度的分析方法。通过区分LTE小区的高铁与非高铁用户，进行用户级的精细化分析，发现网络优化中各维度、各类型的问题点，完成对网络评估及问题点的呈现、输出、优化调整及验证，实现问题的闭环处理，具有耗时短、取数周期短、效率高、巨量数据、反映实际用户感知等优势，可有效推进高铁优化的进行。

表3 SINR_UL分布统计

表4 X2切换统计

表5 Uu切换统计

表6 MOD3干扰统计