基于聚类算法的多维基站价值评估体系构建方法及实践

［刘昕 饶小正 刘阳］

1 引言

随着5G 网络逐渐成熟，组网方式须从粗放型铺设转变为精细化补点。转变过程中，资源价值的提升是重要立足点。目前基站运维需求来源于基站上报的数据和用户投诉内容，运维策略以及优先级依赖于设备运行指标，在基站的价值产出方面考量不足。因此在降本增效的大背景下，如何准确的将有限的资源投入到用户需求和基站收益双高的地方，是运营商迫切需要解决的问题[1]。

本文结合运营商的需求，以基站产出为核心指标，融合BMO 域指标，提出一种基于聚类算法的多维基站价值评估体系构建方法，能够从多维度评估基站价值，使得高价值区域识别更加精准，有效提升网络质量和用户业务体验[2]，助力生产流程网规、网优资源最大化利用。

2 价值评估

基站价值评估是一种评估通信基站的全维度价值的过程，涉及到基站的经济价值、使用价值等因素，以确定其综合价值。基站价值评估需要评估人员具有丰富的专业知识和经验。评估结果可以帮助运营商决定基站的投资和运维策略，从而实现最大的经济效益。

但目前尚无准确的标准去衡量基站的实际价值[3]，因此基站价值评估日益成为运营商迫切需要解决的问题。

2.1 价值评估影响因素

不同单位、组织或个人在结合自身实际需要的情况下，提出了不同价值评估维度[4]。

熊壮,陈燕芬等人提出结合移动网络业务量、小区收入、用户和终端分布等因素，建立价值区域分析模型和评估方法，从多个维度对网络进行价值分析[5]。巩传兵,杨明帅,吴松等人提出基于覆盖、投诉、容量、场景等维度对站点进行评估[6]。于鉴桐,王定江,刘亚丽娜等人提出基于“覆盖、容量、投诉、竞对、光网”五维进行价值打分，重点关注覆盖、容量[7]。严寒榕提出按市场指标、网络质量指标、用户感知指标进行基站价值评估[8]。

各组织/单位从不同的出发点考虑，对价值评估的角度是不一样的，且存在较大的差异性。

2.2 价值评估方法

目前业界存在多种基站价值评估方法，并且尚无统一的价值评估方法。

江枫,程日涛,孟繁丽等人提出基于跨域特征融合的基站价值智能评估方法，该算法通过梯度提升决策树(GBDT)进行特征融合，采用逻辑回归(LR)建立高价值概率评估模型[9]。程日涛,尧文彬,汪况伦等人提出通过基站画像的方式利用智能算法识别投资收益比最佳的站址列表，实现站址规划并维持周期性的站址等级评估，支撑规划与运维[10]。赵明峰,刘三思,贺春林等人提出一种分类场景下5G 站点价值评估方法，通过该方法可有效评估分类场景下的5G 待规划站点的价值[11]。

2.3 当前价值评估存在问题

业界对于价值评估影响因素及价值评估已经进行一定的研究，但目前基站价值评估仍存在一定的问题：

（1）基站价值统计维度没有结合运营商实际工作，出现价值维度缺失，导致计算结果无法真实反应基站真实价值。

（2）当前基站总价值一般是各价值子维度相加，没有依据基站实际的场景对维度的权重进行优化，导致部分基站本用于广覆盖，而错用用户数、业务收入来衡量价值，进而影响运维资源投入，最终降低了用户体验。

基于以上问题，本文提出一种基于聚类算法的多维基站价值评估体系构建方法，更加精准量化地评估基站综合价值，解决目前基站价值数字化评估缺乏全面性、准确性的问题，为基站运维资源的高效利用精准投入提供基础。

3 基于聚类算法的多维基站价值评估体系构建

本文将从3 个方面介绍基于聚类算法的多维基站价值评估体系构建过程。

3.1 价值评估因素选取

构建价值体系首先得明确基站价值的构成。基于运营商实际工作，本文的价值主要由经济价值、用户价值以及附加价值三个方面组成。经济价值是基站的价值基础，主要源于基站产生的业务。用户价值是经济价值增值的能力，用户价值越高，说明基站未来能产生的经济价值越高。附加价值对业务没有直接影响，但体现了企业的社会责任和企业形象。详见图1。

3.2 价值评估方法

本文提出的3 种价值具体评估方法如下：

（1）经济价值：即基站的经济收益。计算基站的经济收益主要涉及到成本和业务收入两个部分。成本包含资产折旧、租费、电费以及维护费。业务收入包含两个部分，计费用户收入和非计费用户收入。计算公式如表1 所示。

表1 经济价值构成指标及计算公式

（2）用户价值：基站收益是由基站承载的用户产生的，承载的用户数越多，潜在的收益能力也越强。所以本文对于用户价值的指标选取集中于基站承载的用户数情况，即用户热度。选取的用户价值指标如下：

①去重用户数：用户的MDN 去重数量。该指标反映了在统计时域内，基站接入了多少不同的用户。

② 常驻用户数：常驻用户指在一定时域范围内，高频次链接该基站小区，且链接时长以及业务记录满足某一阈值的用户，即为该站点的常驻用户。常驻用户相对于其他用户，能稳定产生业务记录。

③夜间用户变化情况：比对夜间时均用户数和全天时均用户数的波动情况。

④ 节假日用户变化情况：比对节假日日均用户数和全周期日均用户数的波动情况

前两者构成了基站总体的用户数概况，后两者则反映了在不同时段基站用户数的变化情况，作为前者的补充。常驻用户是用户热度核心的组成部分，受时段的影响较小且一般常驻用户都是基站收益的主体来源。去重用户数反应了用户热度的全景，常驻用户多的基站，去重用户数一般也多；但常驻用户数少的基站，去重用户数不一定少，譬如交通枢纽或交通线路等用户流动性比较大的区域。用户价值的计算公式如下所示：

用户价值=μ1*(α1*去重用户数+α2*常驻用户数)+μ2*(β1夜间用户变化情况*+β2*节假日用户变化情况)

（3）附加价值：附加价值主要涉及社会舆论以及企业口碑。构成附加价值的指标如图2 所示。图2 附加价值指标构成

图2 附加价值指标构成

i.站址密度=基站数量/覆盖区域面积；

ii.友商对标：计算覆盖范围内是否存在友商基站；

iii.业务场景：对业务场景进行分类并赋值；

iv.重点地标：计算覆盖范围内是否存在重点保障地标建筑；

v.用户投诉：按照时间维度统计覆盖范围内用户投诉次数；

3.3 基于聚类方法的多维价值评估模型构建

上文中已确定3 个评估维度及具体评估方法，最终需要将三个价值进行加权计算到价值综合评分，计算公式如下：

价值综合评分=γ*经济价值+σ*用户价值+δ*附加价值

由于不同场景对于价值的评估考虑因素不同，如部分基站是覆盖党政军或者偏远地区，不能因为经济价值不高而不投入，因此本文根据通过聚类方式场景化基站小区价值倾向，继而得到每个基站小区的场景化权重系数，最后计算总价值分。详见图3。

图3 基于聚类方法的多维价值评估模型

首先计算所有基站价值评估分数，并利用KMEANS聚类得到三类基站小区（经济价值/用户价值/附加价值）的中心点。

然后计算当前基站离三类小区中心的距离（D1,D2,D3），并将距离映射为三种价值分的权重系数,则得到场景化权重系数：

γ=(D2+D3)/ (2*(D1+D2+D3))

σ=(D1+D3)/ (2*(D1+D2+D3))

δ=(D1+D2)/ (2*(D1+D2+D3))

最后场景化权重系数将系数代入价值综合评分公式，得到基站价值综合评分。

4 实践及分析

4.1 部署实践

本文所述方法已在实际系统部署，主要流程如图4所示。

图4 基于聚类方法的多维价值评估系统流程

（1）数据提取：首先通过大数据平台，获取运营商用户消费数据，星级用户数据，以及获取用户周期性测量报告MR 数据等。

（2）基站小区价值分析：分别计算基站的经济价值、用户价值、附加价值分值。

（3）基站小区聚类：利用所有基站的价值分，并结合聚类算法得到三类基站小区（经济/用户/附加）价值的中心点及当前基站小区离中心点的距离。

（4）场景化权重系数计算：根据聚类结果，将基站小区离三类小区中心的距离映射为三种价值分的权重系数。

（5）基站小区价值汇总：根据上述计算到的三个维度价值得分以及场景化权重系数，计算基站价值总分。

（6）前端呈现模块：前端呈现每个基站小区价值评估结果，并定期更新。

4.2 效果分析

4.2.1 4G 和5G 基站价值分分布

按照上述模型对某省全量基站进行计算并赋予分值。分别分析5G 基站和4G 基站的价值分分布，如表2 和表3所示。

表2 某省4G 基站价值分分布

由表2 和表3 中的结果可以看出，价值分分布较为均匀，0～10 分段数据量较大主要原因是统计时期是现网还在持续建设阶段，存在不少新开通还未规模承载流量的站点。

4.2.2 稳定性分析

为了验证模型的稳定性，引入价值评分突变的概念，即同一个基站在两个评测时段分值变化超过10 分，认定其出现了价值评分突变。本文为了保证稳定性测验的准确性，提取了连续6 周的数据，相邻两周数据作为一组，进行了三次对比分析。各地市突变情况如图5 所示。

图5 各地市基站价值模型稳定性测试结果

由图5 可以看出4G 网络各地市的基站价值分突变率集中在2%左右，最大突变率为5%，5G 网络目前处于大规模建设中，而且5G 用户数也在快速上升中，所以突变率较高，集中在3%左右，最大5%。

三次对比全省的基站价值分突变率，4G 基站分别为1.96%、1.74%以及1.99%；5G 基站的突变率分别为2.66%、3.60%以及3.24%，和分地市统计的情况基本相符。由于选取的时间段内没有重大节假日，人流变动相对稳定，价值评分突变率不高。由此可见模型的稳定性良好。

4.2.3 分时段分析

通过模型对单个站点不同时段的价值分析，可以准确的反应不同时段站点工作状况。以图6 和图7 的站点为例。

图6 站点价值分时段得分

图7 站点分时段运行状况

图6 给出站点4 月份和7 月份的价值评分情况，经济价值、用户价值分值明显降低。图7 则表明了4 月份和7月份该站点的具体运行状况，网络流量缩小了近100 倍，链接用户数从16 减少到了1，有MR 的栅格数从126 降低到72.。从地图上可以看到，该站点属于校内站点，4 月份是开学期，站内业务量处于高峰段，到了8 月暑假期间站点的业务急剧减少。因此价值模型真实的反应了站点的时段特征。

4.3 模型应用

高价值基站属于重点保障对象，需实时监测基站的运行状况，提高运维优化的优先级，减少因故障带来的经济损失。低价值基站可以按照标签制定不同的维护优化策略。譬如关联了重要地标的零低流量基站，可以通过调整节能策略，降低运营成本；用户价值高、经济价值低的基站，调研周边用户行为，优化套餐内容；长时间低价值站点可以进行关停合并处理，减少不必要的成本支出，例如图8 所示站点，连续多个月份站点业务和用户热度过低，7 月底站点下电拆除。

综上所述，基于聚类算法的多维价值评估模型具备一定的区分性、稳定性，并在工作中取得实际成效，表明模型具有较好的实用性。

5 结束语

本文通过分析业界价值评估现状，从实际工作出发，根据运营商的用户数据以及基站数据，从经济价值、用户价值以及附加价值三个维度构建了基站价值评估模型，并通过聚类方式场景化基站价值倾向，继而得到每个基站的场景化权重系数，最后得到基站的综合总价值分。以此模型评估为参考，可以科学的制定网络优化策略，助力基站效能提升。