基于MR的小区轮廓和共覆盖识别方法研究与应用

韩斌杰

中国移动通信集团河北有限公司 石家庄 050000

引言

移动网络的快速发展给人们的生产、生活方式带来了非常大的改变，已经成为人们日常生活中不可或缺的一项基础服务[1]。随着移动网络用户的不断增长，对于网络覆盖和质量的要求也在不断提高，如何保证广大用户更好、更便捷地使用网络已经成为了运营商重点关注的问题。终端用户在通话过程中上报的MR(Measurement Report，测量报告)数据对于网络质量评估和无线原因分析来说是非常重要的参考依据，能够有效支撑无线网络优化人员进行问题根因的定位和处理。但是如何实现海量MR数据实时、快速地精准定位，在技术上始终是一件较为棘手的问题。同时，随着网络覆盖深度的不断提升，如何有效利用MR数据，充分发掘MR数据的价值不仅对于提升无线网络问题分析的效率和质量等方面具有重要的作用，而且可以支撑客服、市场等部门的网络营销、投诉问题处理等。

目前在MR定位方面比较常见的是WCCL(Weighted Centroid Correction Localization，加权质心校正定位)快速定位算法，它是测距几何定位和基于加权质心几何定位的综合应用，前者通过MR测量的时延或通过传播模型构造的伪装时延和方位角的交点综合判定UE候选位置，后者通过MR测量小区构造多边形并基于电平加权计算拓扑质心作为UE空间候选位置，根据两种定位方法的结果确定UE的最终位置[2-3]。从实现逻辑上看，WCCL定位算法主要基于无线基站的工参对MR进行加权后定位，对工参的准确性具有很强的依赖性，如果工参配置跟实际偏差过大，会导致定位结果偏差过大。

为了有效提升MR的定位精度，本文采用了一种基于特征匹配的MR定位方法，首先利用终端上报的带有经纬度信息的测量报告(如MDT数据，即带有经纬度的MR数据)构建地理位置与周边站点的信号强度关系，形成位置定位特征库，通过已建立的特征库中查找与当前MR特征最接近的位置点来确定MR的位置[4]。而后基于MR的定位结果进一步实现了小区轮廓和共覆盖的精准识别，识别的结果可以作为基础数据资产支持日常网络优化、客服投诉区域精准判断等。

1 基于特征匹配的MR定位技术

特征匹配定位也叫DCM(Database Correlation Method)或指纹(Fingerprint)技术，通过构建网络覆盖范围内每个地理点上各小区电平或信噪比的信息特征库，然后根据手机上报的信息与已构建特征库信息的差异程度确定手机相应的位置栅格点来进行定位[5-6]。特征库越准，定位精度越高，且适合于各种制式和大部分场景，具有很强的实用性。基于特征匹配的MR定位方法主要可以分为以下几个过程。

1)基于实际网络的小区覆盖信息构建精度较高的特征库；

2)基于邻区关系、邻区电平等测量信息构建特征匹配打分模型；

3)基于时延和角度确定代入匹配计算的候选栅格集范围；

4)通过迭代运算从候选栅格集中找到得分最高的最优栅格如公式1所示。

其中：M为匹配值；Kn为小区匹配权重；Cn为共站衰减系数； CMatchConstant为匹配常量，此因子调整邻区关系和电平匹配度两者关系；Rxn是MR中小区n的电平，rxn是栅格中小区n的电平。每个栅格计算得到一个M值，M值越大，匹配度越高，M值最大的栅格即为定位点。

在实际应用中，特征库的构建可以基于已有特征库构建，也可以完全新建，构建过程如图1所示，核心为如下两个模块。

1)新建特征库构建：提取MDT MR高精度数据，进行栅格化处理，栅格化后同一栅格内同一小区电平进行均化处理，并记录出现次数；每个栅格逐一处理，根据小区出现次数、电平强弱排序，统计每个栅格TOP N小区及电平信息，生成初始特征库；

2)已有特征库构建：结合工参，筛除非法的高精度数据(简称实测数据)，将上次构建特征库所在区域划分为不同的Cluster，可认为Cluster内同小区的电平是连续分布的，按修正所依据的实测数据范围不同，修正方式有以下三种。①栅格级修正：使用实测数据修正最近栅格电平，被修正的栅格为实测栅格。Cluster内部修正：②Cluster内存在足够多的实测栅格，未修正栅格关联块内实测栅格，统计实测电平和原特征库电平关系完成修正。③Cluster联合修正：Cluster1内不存在足够的实测栅格，但存在足够数量的相邻Cluster已进行了Cluster内部修正，则Cluster1内的栅格可以结合相邻Cluster进行修正[7]。

2 小区轮廓和共覆盖识别算法

在对MR数据进行定位后，为了便于指标呈现和问题处理，业界普遍采用栅格进行呈现。MR栅格化就是将落在栅格内的所有MR的经纬度归一化，同一个网格对象内的所有MR最终归一成一条统计记录，再通过地理化服务器提供的栅格渲染服务生成栅格图层进行呈现。

小区的轮廓从本质上讲是一个地理空间概念，要识别小区的轮廓，则首先需要判断哪些栅格由该小区覆盖，然后将由同一小区覆盖的栅格进行合并，最终得到小区的轮廓信息。本文提出的小区轮廓识别方法如下。

1)统计栅格内包含的MR条数，如果MR条数≥阈值M，则认为该栅格为有效栅格；

2)计算有效栅格内包含的MR条数及其对应的服务小区，如图2所示；

3)统计同一栅格内涉及的服务小区及其MR占比，即计算栅格内某服务小区对应的MR条数与栅格内所有MR条数的比例；

4)如果某服务小区对应的MR占比≥阈值N，则认为该栅格可以由该小区覆盖；

5)获取由该小区覆盖的所有栅格及其位置信息，将其合并得到小区的轮廓信息。

所谓小区共覆盖判断，就是基于小区的轮廓信息进一步判断不同小区的覆盖是否存在较大的重叠区域，进而判断小区是否共覆盖，本文识别方法主要步骤如下。

1)基于小区轮廓识别方法得到对应小区的主服务栅格信息，汇总每个小区的轮廓包含的栅格信息，得到需要进行共覆盖判断的全量栅格；

2)以汇总后的栅格为比较对象，统计同一个栅格的主服务小区信息，即某个栅格由哪几个小区主覆盖，构建存在同覆盖栅格的小区关系表；

3)依次比较所有的栅格，获取每个栅格对应的主服务小区信息，建立全量栅格与主服务小区的对应关系表，如图3所示；

4)基于步骤3中的关系表得到不同小区之间共覆盖的栅格信息；

5)计算不同小区之间的栅格共覆盖比例，小区间共覆盖栅格的数量/小区轮廓包含的主覆盖栅格数量=小区共覆盖比例。假设Cell1主覆盖轮廓包含的栅格为栅格1、2、3、4、5、6、7、8；Cell2主覆盖轮廓包含的栅格为栅格1、2、3、4、5、8；则Cell1与Cell2的共覆盖比例为5/8=71.42%，Cell2与Cell1的共覆盖比例为5/6=83.33%(即小区共覆盖判断要进行两两判断)。

假设小区主覆盖栅格范围C＞B＞A，则认为小区C与小区A、B共覆盖，以小区C为行数进行记录；如图4所示，按照覆盖范围大的进行记录，得到小区C与小区A/B、D共覆盖的记录信息。

3 结果与分析

1)MR定位精度的对比

定位精度(Precision)指的是通过定位计算获得的位置点与UE真实的位置点之间的误差或偏差[8]。在实际MR定位中，由于每个MR采样点的计算值与测量值差异变化不一，因此某个点的定位误差不能够代表一批MR采样点的定位精度。本文使用CDF(Cumulative Distribution Function，累积分布函数)曲线上的关键点来表述定位精度，在某种概率(Probability)前提下表述定位误差[9]。例如在67%的概率下，定位误差小于100米，表述为100米@67%的方式。本次验证取67%和95%两个典型概率点(67%接近正态分布的1西格玛，对应的值与正态分布的标准差一致；95%接近正态分布的2西格玛位置)下的误差值来描述定位误差。

本文使用的特征匹配定位算法，统计得出的定位精度约为40m，而基于WCCL定位统计的定位精度约为180m，基于特征匹配的定位结果显著高于WCCL定位算法，对比效果如图5所示，其中横坐标表示定位误差，纵坐标表示累计分布函数。

2)小区轮廓识别结果分析

在进行小区轮廓识别前，首先要确定栅格MR采样点数量M和采样点占比N的取值。随机选取包含不同场景的10万个栅格进行分析，可以发现当栅格采样点数M=100时，计算时间和计算完整度取得较好的平衡，如图6所示，其中横坐标表示MR栅格采样点数量，纵坐标表示计算时间。当栅格采样点占比N=30%时，小区轮廓识别的准确率较高，如图7所示，其中横坐标表示栅格采样点占比，纵坐标表示识别准确度。

确定M和N的取值后，基于计算结果随机抽取不同地市不同场景的小区各200个进行准确性验证，如果识别出的小区轮廓包含的栅格MR采样点数量≥该小区全量MR采样点数量的80%，则认为识别正确，验证结果如表1所示，有效证明了本文小区轮廓识别算法的有效性。小区轮廓识别结果实例如图8所示。

表1 小区轮廓识别准确性分析

3)共覆盖识别结果分析

在小区轮廓识别的基础上，对小区共覆盖识别结果的准确性进行验证，从两个维度进行评判，一是识别的准确性，即识别出的结果正确的占比；二是识别的完整性，即识别出的结果是否完整。选取市区、县城和农村三种场景各200个小区进行实际验证，验证结果如表2所示。

表2 小区共覆盖识别准确性分析

4 结束语

随着移动网络越来越复杂，无线网络优化工作普遍存在着多制式协同优化难度大、网络互操作策略难等现实问题。充分借助IT平台实现对网络数据的分析和挖潜对于提升问题处理的效率和质量具有重要的作用，也是无线网络优化数字化、智能化转型的发展趋势[10]。本文采用了一种基于特征匹配的MR定位算法，实现对用户MR数据的精准定位，而后在此基础上实现对小区轮廓的判断和共覆盖的识别，将海量的MR数据转换为网络优化的基础信息，同时将其推送给客服系统，有效支撑日常网络投诉问题处理。后续应进一步结合5G网络的发展，逐步完善面向5G的MR数据分析和应用，促进4/5G网络协同优化发展。