基于客户感知的楼宇问题定位方法研究与实践

张璐岩，贾磊，杜犇

（1.中国移动通信集团陕西有限公司，陕西 西安 710077；2.中国移动通信集团设计院有限公司陕西分公司，陕西 西安 710077）

0 引言

随着移动通信网络建设规模的快速扩大、客户对感知需求的不断提升，分场景、体系化的优化工作变得日趋重要。如何能量化用户感知及快速定位、识别场景问题成为当前亟待解决的问题。

为了解决上述问题，以提升客户感知为目标，初步提出了基于“客户感知的楼宇问题定位方法”。本文从基于“用户画像体系的建立和识别楼宇主服小区”入手，通过量化客户感知，构建起基于感知问题的楼宇积木模型，进而快速地给出场景问题解决方法，实现对楼宇主服务小区识别、基于楼宇的量化感知评估、楼宇质量问题定位三方面的突破，希望通过该方法起到节省人力、提升效率的作用。

1 传统楼宇质量问题定位现状

在传统的优化工作中，注重面的监控与分析，对于立体化的楼宇缺少监控与评估手段，在监控与优化工作中只能通过后台的指标监控和实地测试发现问题，往往由于评估手段单一，仅能对设备性能问题进行发现和处理，忽视客户感知的监控和提升，同时问题处理时人力投入大、时间长，导致网络问题发现和处理滞后。传统楼宇优化工作存在如下问题：

（1）要主动发现楼宇内覆盖问题，需大量人工现场扫地式逐层测试，投入大、周期长；

（2）楼宇问题监控与评估手段单一，主要通过人工从海量的网管指标中发现性能问题，效率低下，评估手段没有体系化、标准化，不能全面及时地发现楼宇问题；

（3）楼宇感知问题主要依靠投诉获得，对楼宇感知缺少量化手段和评估标准，网络维护只停留在性能指标方面，对楼宇中体验问题缺少处理手段；

（4）楼宇感知问题主动解决乏力，只有当体验达到不可容忍的地步，用户才会通过投诉的方式反映网络问题，网络维护缺乏主动性，客户满意度提升面临挑战。

2 基于客户感知的楼宇问题定位方法

基于客户感知的楼宇问题定位方法，主要由楼宇与客户感知关联模型和楼宇积木模型组成，在功能上分别实现了楼宇的感知问题评估和感知问题定位。在应用当中，周期性地进行楼宇感知得分评估，通过当前网络数据与历史数据生成的网络信息模型比对，实现对问题楼宇的监控与维护。

图1 中，首先通过识别楼宇主服小区，并关联客户画像得分，汇聚形成基于楼宇的客户感知得分，再根据楼宇的感知得分，结合楼宇积木模型定位功能，共同形成基于客户感知的楼宇问题评估监控和问题定位体系。

图1 基于客户感知的楼宇问题整体架构

2.1 楼宇主服务小区识别

在对楼宇主服小区识别前，先利用长周期手机APP 的OTT 数据的精准定位功能关联手机终端MR 数据，建立手机移动轨迹指纹库，实现了对楼宇内小区MR 数据位置信息的赋值，其后结合场景边界爬虫技术对三维地图数据的楼宇边界识别，得到在楼宇边界内的MR 所携带的所有小区ECI 信息，即：利用楼宇边界对赋值后的MR 数据进行定界。具体算法为：根据楼宇主服小区选取规则：(小区所在建筑物采样点TOP1+小区所在建筑物采样点TOP2+……+小区所在建筑物采样点TOPN)/建筑物所有小区总采样点≥80%，当N满足条件后，即停止计算，且参与计算的单小区采样点数须超过100，最终输出的小区信息根据采样点≥80%的门限从所有相关小区中按MR 数量从大到小选出主服务小区，并且按照采样点从多到少排序，输出的信息包含小区的ECI、楼宇ID、楼宇经纬度、楼宇的MR 采样点数量、MR 覆盖率。

地图爬虫技术已普遍应用，精度可达3～5 m，是基于高德API（Application Programming Interface，操作系统给应用程序的调用）接口，获取重点场景的POI（Point of Information）信息，即楼宇及场景的边界信息，地图数据中每个位置点的具体信息，包含名称、经纬度等）。

考虑到建筑物内各种复杂覆盖场景，综合考虑计算的准确性和高效性，提出了楼宇主服小区识别方法，覆盖小区只要符合该方法便认定为楼宇主服小区。

2.2 用户感知画像体系建立

为了量化用户感知，通过研究确立影响客户感知的3大业务、12 项指标集，同时引入感知因子W、业务权重K，并耦合不同业务属性用户的不满意概率，经过画像调优，输出用户画像得分。

由于对客户感知的刻画存在一定的偏差，因此在感知画像初期必须通过画像调优对算法模型进行校准，最终达成模型输出结果与用户满意度感知匹配的最大化，其中感知模型校准是根据历次的调研数据，不断修正模型变量(K1,…,K3)，动态调整感知因子(W1,…,W4)，实现模型自适应优化和准确的感知画像输出。

图2 客户感知评估体系

上述算法中，业务权重K决定了各业务对用户的影响度，感知因子W表征业务流程中各阶段影响程度。在客户感知评估体系中，用户画像感知范围为[0,…,10]，当用户画像得分超过8 分时，认为用户感知良好，其中业务权重K指单个业务时长与总时长的比值，为全天24 小时累加，累加的取值范围i为[0,…,23]；W为感知因子，即：综合考虑业不同时间段业务质量对感知的影响及各子项业务对感知影响的权重占比，是网络性能对感知体验的映射，取值范围为[0,…,1]。当完成楼宇内所有用户的感知得分并汇聚后，便形成了基于楼宇的客户感知得分。

2.3 楼宇与客户感知关联模型建立

当完成每个用户的感知量化得分，并与楼宇内的主服小区相关联，并确定常驻用户，依据常驻用户的画像得分，汇聚成基于楼宇的客户感知得分。

在基于客户感知的楼宇问题定位模型中，基于楼宇的客户感知分为优、良、中、差四个等级。当楼宇内客户感知大于8 分的用户数占比低于80% 时，则认为基于楼宇的感知级别为差；当占比介于80%～90% 时，基于楼宇的感知级别为中；当占比介于90%～100% 时，基于楼宇的感知级别为良；当占比为100%时，基于楼宇的感知级别为优。

图3 中楼宇与用户画像得分根据ECI 相关联，再汇聚形成基于楼宇的感知得分，即：基于楼宇的客户感知得分=楼宇内大于等于8 分用户个数/楼宇内用户总个数。

图3 楼宇与客户感知关联算法模型

2.4 基于楼宇积木模型的问题定位

楼宇积木模型建立采用OTT 数据关联用户数据（XDR、MR 数据、MDT 数据），并融合宽带+Wi-Fi+pRRU 多种定位技术，实现用户数据精准定位回填，构建起楼宇积木块模型；最后利用机器学习进行楼宇积木块强关联指标学习，关联锁定关键指标，完成楼宇网络信息的建立。

在图4 中，首先根据用户APP 上报的位置信息和地图API 上报信息及MR 指纹库，并结合OTT 与WLAN、宽带位置及pRRU 信息，实现MR 数据位置分布和回填，同时对无效数据进行清洗，并借助K-means 聚类算法最终实现楼宇积木块的搭建。

图4 楼宇积木模型

其次为了保证楼宇积木块数据回填的精度，综合考虑算力和效率，选取楼宇积木块70% 的数据作为训练序列，当发现数据回填的位置出现偏差时，通过训练序列对楼宇积木信息进行校正，直至数据的回填精度无偏差。

最后通过关联分析确定与楼宇问题强关联的指标为MR 覆盖率、占用率、积木块平均RSRP、积木块平均SINR，再利用机器学习进行楼宇积木块强关联指标学习，同时强关联指标选取楼宇历史标准指标进行机器学习，最终实现楼宇积木网络信息模型的标准化建立。

楼宇积木块效果如图5 所示：

图5 楼宇积木块效果

当建立完成楼宇积木网络信息后，就可依据楼宇积木块信息模型中的主服小区、邻区、电平、质量、覆盖率等网络信息，与当前网络信息进行比对，根据差异精确定位出楼宇问题类型和位置，如表1 和表2 所示。

表1 基于长周期（年粒度）的楼宇积木块网络信息示例

表2 基于当前（天粒度）的楼宇积木块网络信息示例

表1 为设定周期为一年的标准模型中的楼宇网络信息，表2 为当前一天的楼宇模型网络信息，定位模型会根据楼宇客户感知画像等级变差触发标准模型（表1）与当前网络信息（表2）的比对，从而定位出楼层区域和问题小区。例如：在表1 和表2 对比中，若某一个楼层（积木块）标准模型存在较大差异（日均采样点、RSRP、SINR 差异超过20% 以上），便可定位某个楼层某个小区存在问题。

3 基于客户感知的楼宇问题实践

基于客户感知评估的楼宇问题模型建立后，通过平台落地，对于问题定位，首先通过感知指标评估体系发现楼宇是否存在问题，然后系统自动导入楼宇当前网络信息，通过与楼宇网络信息模型比对，实现对异常楼宇质量问题的定位。

通过登录楼宇问题评估与定位平台，选择立体覆盖评估，设定时间周期后，系统会通过对楼宇感知分析得到存在感知下降问题的楼宇ID，再通过楼宇网络信息模型和当前的网络信息进行对比，根据差异定位出楼宇问题。

如图6 左侧图例是楼宇感知3D 模型呈现，不仅可以直观地显示和量化楼宇的感知级别，而且可以根据不同感知得分对楼宇进行不同色谱分类，绿、蓝、黄、红分别代表优、良、中、差四个客户感知级别，楼宇问题评估与定位平台会根据楼宇内客户感知级别的变化与下降，分析定位出楼宇的质量问题。

对于楼宇存在的感知问题，楼宇问题评估与定位平台采用当前网络信息与楼宇网络信息模型比对的方法，定位出楼宇内的问题范围和问题小区，如图6 右侧图例所示。平台分析楼宇ID 为170843 存在感知问题，感知等级为差，由于该小区MR 数据已经赋值和定界，平台会根据当前MR 的赋值信息，即MR 数据分布范围和总数与标准模型进行比对，如果发现覆盖范围和采样点总数与标准模型差值超过20% 以上，即可得出该小区存在功率减少或故障引起小区工作异常等问题，随后便具体检查该小区的状况，从而实现快速、高效、精准的定位网络问题。

图6 楼宇感知与问题定位呈现

以上通过对楼宇主服小区识别、用户感知画像与楼宇关联算法、基于楼宇积木模型的问题的定位，最终实现了基于楼宇的感知评估和问题定位。本方法应用于省内重点楼宇物业点后，缩短了问题发现和定位的周期，重点楼宇整体达质率超过90%，提升11PP，实践效果良好，达到了提升楼宇内用户感知的目的。

4 结束语

本研究提出了基于客户感知的楼宇问题定位方法，解决了以往楼宇问题不易发现的痛点，随着对应用的逐步落地，有望提高解决楼宇问题的工作效率；同时也发现MR 定界及回填依赖于MDT 及MR+OTT+（家宽+Wi-Fi+pRRU）多种定位技术，需要经过数据清洗、聚类算法等最终实现，过程及算法复杂，对计算机的算力有较高的要求，如何优化算法、提高效率将成为下一步要重点解决的问题。同时，后续在优化算法的同时，将对模型的使用场景进行拓展研究，使其广泛应用于交通枢纽、机场、商业区、高校等密集复杂场景。