基于常驻用户分离的室分隐性故障识别研究与实践

赵 伟，孟 宁，陈 乐，王镇鑫（.中国联通浙江省分公司，浙江杭州 3005；.中国联合网络通信集团有限公司，北京 00033）

0 引言

目前5G深度覆盖相对不足，5G VoNR尚未具备商用条件，4G网络仍为语音和数据主力承载网。统计显示，70%以上的移动数据业务和75%的语音业务发生在室内，室内覆盖及性能将直接影响运营商的客户感知体验。LTE 高频段组网、空间传播损耗和穿透损耗相对增大，更不利于室内深度覆盖。现阶段室分故障发掘缺乏规范且有效的定位方法，主要依靠现场的排查定位，较为耗时耗力。为提高室分故障定位的准确性，提升室分隐性故障的排查效率，亟需一套能高效准确对室分故障问题定界的方法，指导室内深度覆盖提升优化工作。

1 现有技术缺陷

室分站点的运行质量是移动网络整体运行质量的重要组成部分。随着LTE 网络覆盖的逐渐深入，现阶段室内弱覆盖问题的主要排查分析工作是根据现场测试、性能、告警、投诉、Trace信令等数据，在各自的维度有限地对网络问题进行定位和分析。

a）测试数据基于抽样的模拟测试，局限性大，难以准确评估用户感知。

b）MR数据、参数配置、告警及性能数据难以准确反映用户KQI相关指标。

c）投诉数据仅评估用户KQI 相关指标，难以准确定位用户问题。

d）信令数据数据量大、解析难度高，不利于快速评估全网感知。

目前基于设备性能和业务建模的网络指标评价体系比较完善，但如何客观、准确、全面、及时地得出客户真实的网络感知体验仍然需要探索。传统意义上的网络TOPN 异常问题和网管性能指标跟用户感知并非完全线性相关，网络性能指标好坏仅能在宏观层面推测反映大部分用户感知，既不具体也不全面；所以在实际网络运营中，仍然存在网络指标良好但用户真实感知劣化情况。

针对上述状况，目前并没有全面而准确的方法从室分角度真实反映故障问题。因此，本文基于专家经验，在总结室分巡检摸排案例的基础上，通过机器学习技术对经验建模分析，建立了一套基于AI 的室分故障问题定位方法，用于全网的巡检排查工作。

2 基于常驻用户分离的室分隐性故障定位方法

2.1 室内常驻用户识别

a）工作地点常驻用户识别：统计用户最近两周工作日（星期一至星期五）09：00—12：00，14：00—17：00所驻留小区的驻留时长，如果用户在某小区平均驻留时长大于2 h/天，则视其为该小区工作地点常驻用户。

b）家庭地点常驻识别：统计用户最近两周的00：00—06：00 所驻留小区驻留时长，如果用户在该小区驻留平均时长大于2 h/天，则视其为该小区家庭地点常驻用户。家庭地、工作地常驻用户识别示意如图1所示。

2.2 常驻用户楼宇立体定位

对常驻用户进行OTT 定位和Wi-Fi 信息挖掘，采用Wi-Fi 分层技术，识别常驻用户所在的楼宇及楼层信息。

Wi-Fi 分层技术是通过挖掘出的用户经纬度信息先定位用户所在的楼宇，然后利用同一栋楼宇采集到的多个用户Wi-Fi 网络信息（用户在同一位置点可收集到该楼宇多个AP 的MAC 和RSSI 值）进行Wi-Fi 分层，建立楼宇_楼层_Wi-Fi 信息库，根据Wi-Fi 连接情况进行用户楼宇楼层定位。Wi-Fi 分层示意如图2 所示。

图2 Wi-Fi分层示意图

对于定位到楼宇楼层的常驻用户，通过关联其MRO 数据中的邻区信息，结合邻区中室外宏站的工参经纬度信息，定位其所在的楼层方位。常驻用户方位定位示意如图3所示。

图3 常驻用户方位定位示意图

2.3 常驻用户特征聚类

对于未能定位到楼宇楼层的常驻用户，结合已完成楼宇立体定位的常驻用户的服务小区场强特性、邻区场强特性以及服务小区场强及邻区场强的特征，通过聚类方式进行识别归类，实现立体定位。

a）常驻用户样本数据间的相似性度量。常驻用户数据集X={xm}，X中的样本特性用d个描述属性A1,A2,…,Ad来表示，并且d个描述属性都是连续型属性。数据样本xi=(xi1,xi2,…,xid)，xj=(xj1,xj2,…,xjd)。其中，xi1,xi2,…,xid和xj1,xj2,…,xjd分别是样本xi和xj对应d个描述属性A1,A2,…,Ad的具体取值。样本xi和xj之间的相似度通常用它们之间的距离d(xi,xj)来表示：

距离越小，样本xi和xj越相似，差异度越小；距离越大，样本xi和xj越不相似，差异度越大。

b）通过计算未定位常驻用户样本数据与已定位用户之间的距离相似度，将相似度最大的未定位常驻用户归类到已定位组，输出数据：楼宇—楼层—方位—用户组。

2.4 用户组指标统计

提取用户组MRO、S1-U、S1-MME、VoLTE 中XDR信息及话务数据，按用户组统计输出相关指标。

a）以天粒度按照楼宇、楼层、方位、用户组、小区等5个维度，汇聚统计流量、MR覆盖率、MR平均电平、MR 弱覆盖采样点数、MR 采样点、MR 弱覆盖采样点占比、2G/3G 回落次数、RRC 连接数、LTE 接通率、LTE 掉话率、LTE切换成功率等指标。

b）以天粒度按照楼宇、楼层、方位、用户组等4 个维度，汇聚统计中国移动MR 采样点数、中国移动MR平均电平、中国移动MR 覆盖率、中国联通MR 采样点数、中国联通MR平均电平、中国联通MR覆盖率、中国电信MR 采样点数、中国电信MR 平均电平、中国电信MR覆盖率等指标。

2.5 室分隐性故障识别方法

在完成楼宇常驻用户分离的基础上，结合省内3D楼宇库信息、以及基础工参信息，完成室分隐性故障识别算法搭建。室分隐性故障识别算法示意见图4。

图4 室分隐性故障识别算法示意图

3 基于常驻用户分离的室分故障挖掘实践

本文提到的基于常驻用户分离的室内隐性故障挖掘算法开发了原型产品，并在某省数字化网优平台上进行了试点运用，呈现GIS 效果如图5 所示。双击疑似室分隐性故障楼宇，可以下载清单，包含楼宇中心点经纬度、楼宇名称、占用小区名称、采样点数、首次故障时间、异常天数以及问题描述得到首次故障评分，并同时提供处理建议，如表1所示。

图5 室分隐性故障模块呈现效果示意图

根据首次故障评分值得分，结合异常天数和专家经验，每周选取高置信度疑似室分楼宇隐性故障工单开展现场排查。截至2021 年12 月31 日，累计派发室分健康度工单281 单，结单数240 单，工单闭环率85.41%，整体准确率相对传统测试方式，效率及准确性有了较大提升。

4 结束语

基于常驻用户分离的室分故障定位方法，在完成LTE 全量号码回填和全量MR 经纬度回填的基础上，通过识别室内常驻用户，识别用户楼宇位置，并针对常驻用户进行特征聚类。通过对历史样本和网络指标的学习，建立室分好点和差点的特征模型，通过数据自动采集和样本循环收集，对大量的样本进行迭代学习，不断完善室分故障评估模型，输出高置信度的疑似室分故障清单。基于专家经验和三维GIS 信息，完成数字化网优平台的室分健康度建设，并通过数字化运营系统和集团公司完成工单系统对接，实现工单一点看全。

基于常驻用户分离的室分故障定位方法，通过自动的方式从不同系统接入数据，通过机器学习科学建模，并且自动修正，进而得到客观真实结果，可以有效缩短网络优化问题处理工作的周期。该方法在试点中取得较好的效果，可进一步推广至多种不同的场景进行应用，提升用户感知问题的识别能力。