基于滑动平均二阶对比法的4G/5G小区流量陡降预警模型研究

［文锦朝 刘琳］

1 引言

随着通信技术的不断进步，人们对上网的体验要求越来越高，而突发网络异常波动对用户的上网体验尤为明显，因此运营商第一时间发现、解决网络问题维持网络的稳定性[1～2]成为网络维护和网络优化的关键。而网络稳定性主要体现在基站是否正常运营，即是否存在故障、网络性能是否稳定等方面。目前对于网络故障方面，已有维护专员监控故障告警并派单进行维护；但部分站点/小区业务量（本文主要通过流量开展分析）会出现陡降的现象，并且部分无法通过硬件故障发现，现有广东大数据平台中已有流量陡降的监控[3～4]，但目前局限于天级别流量陡降小区派单，故时效性受到限制。对于小时级实时性能的流量陡降监控依然欠缺，因此本文通过对小区流量下降对比方法（滑动平均二阶对比法）、流量下降幅度、流量下降时间段（小时粒度）、流量徒降门限、监控时间范围多个纬度进行流量陡降预警模型研究，提高流量陡降异常小区的监控与处理效率，解决旧模型准确性一般实时性差的问题，更好的维持网络稳定性。从而及时发现流量异常小区，并派单解决，提升用户感知。

2 新流量陡降预警模型研究

2.1 研究思路

总体思路：为解决旧预警模型[5～7]发现问题实时性差和准确性低的问题，本流量陡降预警模型采用基于滑动平均二阶对比法，以每3 个小时为一个滑块作为基础对比单位，一是通过每小时监控当前滑块day（n）与前一个滑块day（n-1）时间进行流量环比，提高输出数据的实时性；二是当前滑块day（n）与上一周同时间段滑块week（n）进行流量同比，保证输出数据的准确性。研究思路框架如图1 所示。

图1 研究思路框架图

2.1.1 新模型的优点

旧模型中，直接使用小区天粒度流量进行环比降幅大于80%时，第三天才能输出流量陡降预警小区，输出时效性差，并且当流量连续几天下降80%以下时，将会出现真实陡降小区无法触发预警的问题，准确性一般。

新模型采用3 小时作为滑块区间，将滑块区间内的流量数据[8～9]求平均处理以达到平滑削峰的目的，做到隐性故障发生3 个小时后就可以被监控发现并预警，解决了旧模型实时性差的问题，也避免了因单个小时流量偶发突变造成的准确率下降的问题。两种模型的对比如表1 所示。

表1 新旧模型优缺点比较

2.2 流量陡降模型建模

2.2.1 滑动平均二阶对比法原理

滑动平均二阶对比法是融合了滑动平均法[10～12]、环比法和同比法的综合算法。

（1）滑动平均法：移动平均的各元素的权重都相等。

滑动平均公式：

公式1 中：

day（n）为当前滑块平均值；

n 为移动平均的时期个数；

At-1 为前期实际值；

At-2，At-3 和At-m 分别表示前两期、前三期直至前m 期的实际值。

（2）环比法：表示连续2 个统计周期（比如连续两月）内的量的变化比，如环比=（本期流量-上期流量）/上期流量。

（3）同比法：表示2 个不同的大周期内相同事间段的2 个统计周期的变化比，如同比=（本期流量-上周同期流量）/上周同期流量×100%。

2.2.2 流量陡降预警模型研究

流量陡降预警模型基本原理是使用滑动平均二阶对比法，针对小时级粒度的流量数据进行分析统计，并通过关联广东某地市的流量数据，确认模型中滑块时长m（3 小时）、小时级数据取数时间段time（8:00～23:00）、环比陡降幅度门限a1（80%）和同比陡降幅度门限a2（80%），以保证流量陡降预警模型的实时性和准确性，提高维护处理的效率，从而提升客户感知。

（1）滑块时长m 主要控制模型灵敏度，尝试用1、2、3、4、5 小时作为输出模型后，发现m=1 时，模型过于灵敏，容易出现误判问题；5 小时模型灵敏度降低，实时性也得不到保障。

（2）时间段time 主要控制模型的准确性，因为其他时间段受上班、凌晨参数修改等方面会导致流量的剧烈波动；

（3）流量陡降幅度门限a1 和a2 用于提高用户感知的敏感度，有利于重点处理TOP 小区[13]。

滑动平均二级对比法滑块示意图如表2 所示。

表2 滑动平均二阶对比法示意图

day（n）：代表当天第n 时、n-1 时、n-2 时...的滑块平均值，

day（n-1）：代表day（n）前1 个小时的滑块平均值

week（n）：代表上周每天第n 时、n-1 时、n-2 时...的滑块平均值，取前一周同时间段的每小时的流量，可以有效稳定参照对象，使得模型更加准确，解决了旧模型中连续流量下降导致无法监控到流量陡降小区的问题。

2.2.3 监控小区集的确定

统计广东某地市一周各小区日均流量，对流量分段统计小区的数量。日均流量低于20 GB 的小区有44 704 个（占全网46.5%），高于20 GB 小区占比为53.50%。在日常分析中，日均流量20 GB 以上的小区，用户感知相对敏感，如果出现流量陡降的情况，用户投诉的几率大幅上升。

小结：为了减轻模型的运算量，模型确定监控小区集确定为日均流量＞20 GB 的小区。

2.2.4 滑块时间长度的确定

通过数据分析，当m=1 小时的流量波动较大，尖峰较多，模型不够平滑，容易出现流量小区陡降的误判。当m=3 小时，曲线平滑，达到平滑削峰的目的。因此m=3 时，灵敏度（实时性）能有一定的保证，并且准确度也较旧模型大。m=1 或m=3 时，流浪波动对比如图2 所示。（注：横坐标单位为时，纵坐标单位为GB）

图2 小时级流量滑块对比图

2.2.5 流量陡降门限的确定

本文通过两种方法确定流量陡降幅度门限。一是通过对现网广东某地市A 网格小区的XDR 投诉数据与用户常驻小区的流量陡降幅度进行关联分析，确定对用户影响最大的流量陡降幅度的门限a1 和a2；二是通过专家判断法，对陡降50%、60%、70%、80%等门限共抽样3 500 个小区，根据2.2.4 方法输出波形图进行准确行判断。

（1）方法1：散点图关联法

流量陡降幅度环比门限a1：由图3 可知，环比a1 小区流量陡降幅度达到80%时，小区投诉量快速增长，严重影响用户感知，因此可确定流量陡降降幅环比门限a1 值为80%。

图3 流量陡降幅度与小区投诉量散点图（环比门限a1）

流量陡降幅度同比门限a2：由图4 可知，同比a2 小区流量陡降幅度达到80%时，小区投诉量快速增长，严重影响用户感知，因此可确定流量陡降幅度同比门限a2值为80%。

图4 流量陡降幅度与小区投诉量散点图（同比门限a2）

（2）方法2：专家判断法

针对采用同比环比降幅大于60%以上的触发点（3 500 个）进行人工抽查核查。从抽查的样本305 个中存在流量陡降的有235 个。根据同比环比的分段对核验准确率进行分析：当降幅区间为同比降幅80%以上，环比降幅80%以上时，专家判断准确率达到80%以上。专家判断法统计结果如表3 所示。

表3 专家判断法统计结果

3 小时滑块流量降量值确定：在专家判断法环节的人工抽样工作中发现存在同比环比降幅均大于80%但流量降量小于1 GB 的小区，因该类小区已经触发现网低流量小区工单的派发，此种情况会导致重复派单，故流量陡降门限增加一个条件，即同比和环比3 小时平均流量降量大于1 GB 以上。

2.2.6 监控时间范围的确定

从7 天的小时级总流量分布看，流量高峰出现在晚上21 点为12 万 GB，流量低谷在凌晨5 点1.56 万 GB，分布如图5 所示。

图5 小时级流量分布图

按照2.2.3 结论，统计滑块流量陡降降幅大于80%的小区，主要集中在区间0:00～7:00，时间段（分布图如图6所示）。主要原因有3 个：用户晚间休息、网络正常维护、载波节点功能开启断电退服，并且该时间段流量波动较大，数据准确性低，对用户影响小,故0:00～7:00 不纳入流量陡降预警模型，只考虑8:00～23:00 的时间区间范围。

图6 同比环比流量降幅时间分布图

2.2.7 模型参数小结

根据数据的分析，流量陡降预警模型相关参数制定如下：

（1）监控小区集：日均流量大于20 GB 的小区

（2）滑块时间长度m=3 小时

（3）陡降门限a1=80%和a2=80%，同比和环比3 小时平均流量降量大于1G 以上

（4）监控时间范围：8:00～23:00

2.3 流量陡降预警模型输出案例

如图7 该小区（460-00-176276-11）在在当天的16:00、17:00、18:00 触发了流量陡降预警共3 次。

图7 流量陡降预警模型输出案例

以16:00 为例，满足绿色虚线框中day_cell_GB 的平均流量对比上周同时段均值流量（week_Avg_GB）降幅大于80%且降量大于1 GB；绿色虚线框中day_cell_GB的平均流量对比橙色虚线框中的day_cell_GB 的平均流量降幅大于80%且降量大于1 GB 且上周的日均流量大于20 GB，故触发了预警。由于滑块判别的延续性，如后续流量未能恢复正常，会持续触发3 次告警后才不再触发。

说明：

（1）横坐标是0～24 点，纵坐标是流量（GB）。

（2）粉色实线是查询小区查询日期的的24 小时流量分布。

（3）蓝色实线是查询小区上一周5 个工作日的每小时平均流量分布。

（4）2 条蓝色虚线 分别是查询小区上一周5 个工作的每个小时最大值和最小值流量分布。

3 总结

本文创新性采用滑动平均二阶对比法的综合算法，结合现有生产的数据分析，搭建流量陡降预警模型。模型综合考虑了用户满意度、现有优化人员的生产力等主客观因素，制定模型的具体参数门限值，并通过计算机语言编程实现流量陡降预警小区清单的输出和派单优化，响应了集团降本增效的工作指引。本模型可运用于现有的4G 和5G网络当中，具有广泛的实用性，由于目前5G 话务较少，数据量无法满足模型验证，因此本文主要通过研究4G 话务分布对模型中参数进行确定，随着5G 网络的不断建设和话务的不断吸收，可通过本文的滑动平均二阶对比法，输出5G 的流量陡降预警模型，及时发现隐形故障，提升5G 网络质量，从而提供用户满意度。