基于大数据的POI场景级评估体系

周 熹 唐 俊 王 奔

1 中国移动通信集团云南有限公司 昆明 650100

2 中国移动通信集团设计院有限公司重庆分公司 重庆 401121

3 中国移动通信集团设计院有限公司陕西分公司 西安 710065

引言

目前无线网络评估考核是依靠平台推送TOP质差小区或人工取数进行分析等手段进行派单，不仅效率低且容易遗漏，同时由于网元的覆盖场景和设备类型的差异性较大，问题种类繁多且同网元多问题重复处理时效性差、周期长，导致网络问题挖掘存在真实痛点定位不明确等。如何量化和评估无线网络性能，已成为一个重要的研究课题。依托运营商自身网络大数据平台优势，提出一种基于“大数据的POI场景级评估体系”方法，引入“决策树特征评估算法”和“相关系数算法”突破单一指标门限派单模式，通过智能组合形成评估体系对用户感知问题进行场景化派单，由点及面找出网络短板，开展问题整治。

1 POI场景

POI(Point of Information)中文表示“信息点”，在地理信息系统中，一个POI可以是一栋房子、一个商铺、一所学校、一个村子等。在运营商网络优化中，POI场景是通过网络大数据如百度地图、高德地图、美团、安居客等数据进行聚类在一起的一个问题聚类区域，区域包含的信息有：POI_id(唯一标识)、中心经纬度、POI范围、POI面积大小、POI关联下挂小区等重要标识。

目前云南省共计聚类162908个POI场景，关联401937个小区，下挂全网小区占比92.29%。聚类优点：根据POI将区域内多个小区、多种KPI/KQI进行聚类分析并进行汇聚综合评分，将多种问题聚类至POI区域内便于统一处理和跟踪问题场景。

2 建立大数据级指标评估体系

2.1 建立分类决策树模型

根据现有的经验按照面向客户感知的无线网络评估的指标，以运营商重点考核的145项网络指标为对象建立分类决策树模型[1]，在特征选择阶段，对训练样本进行分析，选择最佳特征作为决策树节点的分裂标准[2]。

在机器学习中，决策树(Decision Trees)作为一种监督学习方法，代表的是对象属性与对象值之间的一种映射关系，是数据挖掘中一种经常用到的技术，可以用于分析数据和对象预测、挖掘变量与目标潜在的非线性关系大小。在目前常用的决策树算法中，ID3决策树算法的关键是按照递归思想进行信息增益和熵的计算，计算初始熵的方法如下[3]。

2.2 大数据指标体系

基于相关系数算法进行指标聚类，利用了数据的统计特点(协方差、标准差)来评估决策树的根结点/叶子结点变量间的关系。根据决策树的根结点/叶子结点之间线性相关程度的量得出的指标间线性相关系数。将相关系数最大化归类后的根结点和叶子节点进行聚类，建立大数据评估指标体系。

相关系数计算公式

决策树特征评估挖掘算法得出集中分析联合派单体系中的根结点/叶子结点之间的线性相关系数，依据两两线性相关系数最大化对强相关的根结点/叶子结点指标归类，构建了由五个维度问题组成的全新无线网络指标评估体系。

3 POI场景级评估算法体系

POI场景级评估体系通过对“黑点”的来源：“投诉、覆盖、感知、性能和结构”等问题数据的汇聚，对“黑点”问题点发现、问题点分类到问题点分析和问题解决的过程进行优化，通过选取相关的数据分析建模，建立POI场景级评估体系[4]。

3.1 POI场景级评估体系创新点

与传统无线网络优化方法相比，本文提出了一些新的方法和尝试。

3.1.1 POI场景多维度评估算法

通过多维数据的汇聚，建立POI场景黑点库，提升场景区域内问题点聚合效应，通过问题归一并统一解决网络问题，保证问题的解决和预防具有前瞻性，同一个网络因时对待，精品网络才能长期稳固发展。

3.1.2 POI场景多维度评估因子权重训练

POI场景多维度评估因子权重训练，采用“信息熵”与“模糊层次分析”相结合的综合算法来进行探索和训练。

3.2 POI场景级评估体系算法

如何最大化地提升无线网络优化质量，已成为目前网络优化工作中的重要环节。本着最大限度反应POI场景内用户感知为目标，将POI场景级评估体系算法设计为投诉、覆盖、感知、性能和结构五个部分构成。POI场景级评估如表1所示。

表1 POI场景级评估数据库指标体系

3.2.1 投诉指标评分

投诉指标评分算法，是根据POI场景内小区关联的近三个月因网络问题出现的投诉的数量进行统计计算[5]，出现一次投诉扣15分(扣完为止)。算法如式(7)：

3.2.2 覆盖好指标评分

3.2.3 感知佳指标评分

3.2.4 性能佳指标评分

3.2.5 结构优指标评分

3.3 POI场景级评估体系因子权重训练

在POI场景级评估体系算法中，将相关的POI场景级评估体系量化为五个子环节，并设计了相对应的指标因子及权重，为客观地对上述算法因子权重进行赋值，采用“信息熵算法”“模糊层次分析算法”对F1～F5的权重进行修正，克服传统权重基于经验值赋值，主观性偏强的缺点[6]。具体流程如图1所示。

图1 POI场景级评估体系因子权重修正流程图

4 POI场景级评估算法体系应用

4.1 POI场景级评估平台上线

基于大数据的POI场景级评估体系算法结合云南省本地网络情况构建了POI区域整治模型。该算法已完成程序开发应用于云南省移动，如图2所示，根据POI区域评估得分按红紫黄蓝绿评分标准颜色化进行大数据平台的呈现，通过对POI场景问题分析，为贬损用户修复评估提供数据支撑，提升客户感知。

图2 POI场景级黑点评估POI区域整治地图

4.2 POI场景级问题整治流程

POI场景整治平台根据评估结果发布基础黑点库，通过IT线上发布和闭环管控形成作战地图，如图3所示，通过明确责任人、方案完成时限，按归一化问题清单以周为单位线上呈现优化整治进度。地市分公司按时限要求完成问题点优化，并输出优秀案例。

图3 POI场景级黑点评估整治流程图

5 结语

2021年7月至今，云南省POI区域整治合计派发问题点1858单，目前已闭环1197单，摘牌率为64.17%，派单改善度从87.83分到95.60分。云南省POI区域整治攻坚投诉工单4593单，目前POI区域内关联投诉工单为1995单，减少2598单，投诉量下降了56.56%。从根本上提升整体网络质量，最终实现客户满意、市场放心、价值提升。与传统解决TOP小区级问题方法相比，具备三大优点。

1)为网络优化提供科学依据。在全省黑点库中，省公司团队通过精细筛选，优先派发出高价值且提升空间较大的黑点POI场景进行网络质量优化与提升，且通过POI场景优化，规避了以单小区派单所产生的冗余问题。

2)提高公司运营效益。单小区多个异常KPI指标，一线人员根据KPI指标项进行分工，会导致不同人员去处理同一站点。POI场景关联小区所有异常指标，以POI场景为单位优化所有异常指标，提升处理速率，节省人力资源、时间成本。

3)精细化优化，提升用户满意度。通过优化维护数据聚合，前后台数据归一化，将各类问题量化后根据经纬度进行在线式呈现，经地市中台统一派发至相关职能方，做到精确管控有的放矢，弥补短板，提升质量，提高客户满意度。