移动通信网络中数据采集与数据挖掘的应用

杨荣兴

（西北民族大学，甘肃 兰州 730030）

0 引 言

数据采集技术和数据挖掘技术都属于当今的先进技术。将这两项技术应用于移动通信网络，可实现网络信息数据的良好采集、计算和处理，进而为移动通信网络的应用与发展提供有力的技术支撑。因此，在移动通信网络的应用与发展中，应格外重视数据采集技术和数据挖掘技术的合理应用，以满足移动通信网络的实际应用需求，促进移动通信网络良好发展。

1 数据采集技术在移动通信网络中的应用

1.1 TD测试和数据采集

在传统的数据采集过程中，仅仅借助于路测（Dirver Test，DT）和定点测试的方法来获得相关信息。这种数据采集方式主要是针对空中无线网络接口的测试，以实现语音质量数据、小区强度数据、小区识码、切换比例、收集地理位置、移动管理、呼叫管理、业务建立成功率、临近小区信号强度指示和信号质量指示数据等的获取[1]。但是这种测试方法仅仅可以对重点场所和主干道进行测试，获取到的数据信息量十分有限，所以测试结果存在一定的片面性。

1.2 MR数据采集

MR数据采集技术主要是获取用户设备（UE）和演进基站（eNodeB）的数据。MR数据指的是业务信道每480 ms、信令信道每470 ms进行的一次数据发送，将原始的测量数据进行统计和计算，然后将其发送给基站子系统的操作和维护中心（OMC-R），通过统计数据的形式储存起来，最后形成MRS形式的文件；也可以直接将其报送给OMC-R，通过样本数据的形式储存起来，最终形成MRO形式的文件[2]。表1是MRS上的部分测量字段；图1是测量报告数据采集的流程图。

表1 MRS上的部分测量字段

图1 测量报告数据采集的流程图

借助于MR工具，可以处理采集的数据，并将其应用于无线环境的全网评价，以此替代大量的路测与定点测试工作，进一步节约运维成本。该技术是将用户通话实际发生过程中的测量报告作为网络评价标准，较路测和定点测量的形式更具针对性[3]。同时，该技术也可以全面挖掘采集的数据，并全面分析用户行为模式和小区内分布情况等信息，从而为网络优化策略的制定提供便利。

1.3 KPI数据采集

在进行移动通信网络的优化过程中，KPI数据采集技术发挥着关键性作用。KPI技术的主要采集方式是OMC性能的统计和测试，将数据承载基本单元作为测量对象，将数据承载子单元作为测量类型。图2是KPI数据采集技术具体的数据采集和上报方式。

图2 KPI数据采集技术具体的数据采集和上报方式

2 数据挖掘技术在移动通信网络中的应用

2.1 神经网络技术

就长远意义来看，要想让数据挖掘技术在移动通信网络中得到良好应用，并发挥良好的融合效果，首先应该全面掌握不同的数据挖掘技术类型。神经网络技术属于数据挖掘技术中最具代表性的一种技术，具有显著的工作效果。将神经网络技术应用于移动通信网络的数据挖掘技术，可实现对滤波的自适应，借助神经网络信号具备的复原特征等，检测信息传递中产生的滤波，从而有效解决非线性滤波问题[4]。其次，实现呼叫控制。借助于神经网络技术，可以将流量特性作为依据，通过自学方式组建一个多输入输出形式的非线性函数，以此实现呼叫控制，且有着非常快的处理速度。再次，优化路由选择。在国外，已经通过CMOSVI-SI技术对8×8形式的交叉开关机路由器进行控制，运行速度可以达到120 ns[5]。另外，由于神经网络技术有着非常快的反应速度，所以在复杂条件下的非线性问题解决中也可以发挥充分的优势，使其在语音和图像处理、雷达声呐等多目标的识别、跟踪以及保密通信等领域得到了广泛应用。图3为神经网络的结构示意图。

图3 神经网络结构示意图

2.2 数据统计分析

在移动通信网络中，数据统计分析技术需要以传统数据统计技术作为基础进行建立。在该技术的应用过程中，数据库字段项之间的关系有两种。一是函数关系，即通过函数公式的形式对确定性关系加以表示；二是相关关系，即虽然不可以通过函数公式的形式表示确定关系，但是依然具有相应的确定性[6]。在对这些数据库字段进行关系分析的过程中，可供选择的分析方法包括辨别分析法、相关分析法、因子分析法、最小二乘回归分析方法以及多元回归分析方法等[7]。当今国际上影响力最大的3个统计分析软件为SAS软件、SPSS软件和BMDP软件。表2是对这3款软件的相关对比介绍。

表2 SAS软件、SPSS软件和BMDP软件的相关对比介绍

2.3 聚类分析

在多元统计分析中，聚类分析属于一种非常有效的方法；而在统计模式识别中，聚类分析也属于非监督模式识别过程中的一个重要分支。就当今的统计分析和模式识别这两大领域来看，聚类分析已经成为了一种广泛研究的技术形式。通过相关专家学者多年以来的不断研究，已经提出了大量的研究理论与研究方法，或得到的研究成果也十分显著。在移动通信网络的数据挖掘技术中，聚类分析技术的应用主要有3个途径——随机采样法、距离优化法和密度估计法[8]。因为聚类分析的概念和层次都比较复杂，所以在新的分类属性数据相似度与距离函数提出后，面向分类属性数据并以划分作为基础的聚类算法也开始在数据挖掘领域中得到了越来越广泛的应用，进而进一步提升移动通信网络中的应用效果。图4为聚类分析示意图。

图4 聚类分析示意图

2.4 数据挖掘技术在移动通信网络中的应用要求

将数据挖掘技术应用于移动通信网络的优化，应该对技术方案进行科学拟定，使其表现出持续性的革新特征，充分发挥不同的技术内涵，并使其与移动通信网络需要完成的任务有机结合[9]。这需要数据挖掘技术具备足够高的可行性和可靠性，以此保障移动通信网络的实际应用需求，促进移动通信网络获得良好应用与发展。表3为数据挖掘技术在移动通信网络中应用的配置要求。

表3 数据挖掘技术在移动通信网络中应用的配置要求

在应用数据挖掘技术进行移动通信网络的优化过程中，还应保障该技术应用的持续性，并坚持定期进行技术的优化处理。具体技术优化过程中，应该将不同应用群体反馈的内容作为依据，结合社会重点研究的话题，有针对性地改善移动通信网络，从而科学全面优化移动通信网络，使其在当今时代社会中充分发挥其自身应用优势。

3 结 论

综上所述，随着当今社会经济和科学技术的不断发展，移动通信网络得到了全面普及。在移动通信网络的应用与发展过程中，数据采集技术和数据挖掘技术可以使相关的信息数据得到更加科学合理的收集、整理、分析、处理与储存等，并显著提升操作质量和操作效率。因此，为保障移动通信网络的合理应用，并使其在具体应用过程中不断得到优化和完善，应该合理应用数据采集技术和数据挖掘技术，使这两项技术在移动通信网络的应用和发展中充分发挥自身作用，进一步优化移动通信网络，使其充分满足当今社会对移动通信网络的实际应用需求，全面促进移动通信网络的良好稳定发展。