基于大数据测量报告的掉话密度地理化呈现方法探索

李 贝 黄琪飞 胡煜华 孙科达

中国联合网络通信浙江省分公司

0 引言

语音掉话既表征移动通信网络质量又直观体现用户感知，现有分析掉话手段主要有网管性能指标监控（KPI）、路测（DT）、定点测试（CQT）等。KPI反映只能聚焦到小区级，难以聚焦到具体的掉话位置；DT和CQT虽能聚焦掉话位置，但需耗费大量人力物力，测试只覆盖到少数重要区域且结果存在一定的随机性。现有基于测量报告的研究只可实现该小区质量评估无法实现大量数据的用户级形象化表征。

本文提出了一种基于测量报告的分析方法，在掉话大数据样本支撑下，可实现大量数据的单用户级以系统软件Mapinfo的形式呈现其掉话概率密度分布，可形象快捷地分析掉话问题。该方法在掉话分析的实际应用中效果明显，对基站精准规划建设和用户感知提升提供了有效指导。

1 测量报告研究

测量报告（Measurement Report，简称MR）是由UE终端、Node B的物理层和RLC 层在无线资源管理过程中计算产生，其触发方式有事件性触发和周期性触发两种，其结果可用于无线网络评估，包括干扰小区、过覆盖、弱覆盖和整网覆盖评估，是无线网络优化重要手段之一。

MR文件包括“MR文件头”和“MR文件包”两部分。WCDMA的测量报告文件结构如图1所示，“MR文件头”主要用于配置文件名、日志文件校验等；“MR文件包”由三部分组成：MR包之间的分隔符0xCDCD、MR包长Length和MR包内容（MR（asn1）），其中MR（asn1）包含同频测量报告（INTRA）、异频测量报告（INTER）、定位测量报告（LCS）等。MR中的common info含用户标示IMSI、RAB属性（业务类型）、时间标签等信息；INTRA分同频周期/事件报告，含1个服务小区以及最多5个邻区的无线信息；LCS是UE根据网络指示，选择合适的测量方法，周期性上报UE位置信息。对现网MR的LCS数据统计分析得出LCS报告中包含正常地理位置信息的比例较低（约6%），但本研究中大数据采集弥补了正常地理位置信息占比低问题，通过海量数据的分析获取了大量正常地理位置信息。

图1 测量报告结构

2 测量报告和掉话关联探索

2.1 大数据获取

该研究基于语音掉话记录和测量报告这两个大量数据采集分析基础上的。语音掉话记录可从核心网侧获取，也可从无线网侧的异常呼叫日志中提取，一般RNC发起Lu Release Request这条信令的时间计为掉话的时间。掉话记录包括用户标识（IMSI）和掉话时间；MR文件中同频测量报告和LCS测量报告包含与单用户级掉话相关的小区质量、事件、失败原因等，掉话记录与MR文件的关联分析是掉话密度地理化呈现的基础。两种报告包含的主要信息具体如表1所示。

表1 同频测量和LCS测量报告主要字段

RNC生成的原始MR文件是二进制文件，用Python编程实现文件解析，本文提取2019年5月17日解析后的同频测量报告，如图2所示，包含国际移动用户识别码（IMSI）、日期、时间、同频事件类型（1B/1D）、服务小区信息（服务小区名称Bestcell、小区号RabInfo、质量Ec/N0、覆盖RSCP）、测量报告中的同频邻区信息（邻区名称Cell0、质量Ec/N0、覆盖RSCP）。

图2 解析后的同频测量报告

再提取2019年5月17日解析后的定位测量报告（LCS），如图3所示，包含国际移动用户识别码（IMSI）、日期、时间、定位方法（AGPS）、经度（Longtitude）、纬度（Latitude）。

图3 解析后的LCS测量报告

2.2 数据关联

同频周期报告和LCS报告现网设置间隔均为12s，同频事件报告的报告间隔不固定，在时间上同频报告和LCS报告都较为稀疏。另外终端掉话前，一般有个等待时间已处于失步状态，这段时间里网络侧不会收到UE的测量报告。因此用户的掉话时间难以秒级精确地匹配到同频测量报告和LCS报告，引入容忍时间（计为T），同频测量报告、LCS报告、掉话清单这三者之间的时间差只要小于T，即可近似认为这三者同时发生。T取值越小精度越高，能成功匹配的概率就越低，匹配结果越少。经实践验证，在一般非高速高铁场景，T取3s可满足大部分场合。图4所示为数据关联的原理图，在T容忍范围内，以用户IMSI和时间Time为数据关联的关键字段，掉话清单分别与同频测量报告、LCS报告匹配，输出一个包含用户IMSI，掉话时间Time，掉话位置等信息。

图4 数据关联的原理图

2.3 地理化可视呈现

MapInfo是数据可视化、信息地图化的系统软件，根据上述MR中经纬度解析数据利用MapInfo进行呈现，某城市部分区域掉话密度分布情况具体如图5所示，每个红色圆点表示一个用户掉话点。每个红圈表示掉话点密集区域，可视化后直观反映某市部分区域掉话密度分布情况，方便对重点区域的优先重点分析排查。

图5 部分区域掉话密度分布情况

3 准确性及可靠性验证

文章可视化实现了可快速聚焦掉话问题，尤其是重点掉话问题区域的优先处理。现从两方面对研究成果进行验证（红色表示第1周掉话点，黑色表示第2周掉话点）。

准确性验证：输出2019年5月14至27日连续2×7天的MR关联结果后可视化呈现，如下图6、7所示，绝大部分掉话集中的区域红色和黑色都能重叠。

可靠性验证：以图6小区A为例，现场测试占用小区A前行，发现漏配小区B的邻区关系，Ec/Io恶化到-16dB导致掉话，现场安排添加邻区后复测无掉话。经验证，图7小区C亦是邻区漏配导致的掉话问题。

图6 小区A掉话密度分布情况

图7 小区C掉话密度分布情况

4 结语

该研究利用基于测量报告的大数据分析方法，通过对测量报告包里的同频测量报告、LCS定位测量报告和掉话清单进行有效关联，地理化呈现了大量单用户级数据情况及某地市单用户掉话密度分布，定位精确快捷，便于采集，覆盖面积广，实现简单，能够及时发现问题，节省了大量人力物力财力，改善了网络结构，减少了投诉量，提升了用户感知，为网络建设规划和优化调整提供精准线索，值得借鉴推广。