一种基于MR数据空间分布的网络格局判别方法.docVIP

一种基于MR数据空间分布的网络格局判别方法 　　【摘 要】为了从海量MR数据中挖掘和呈现网络存在的问题，并提出行之有效的解决方案，通过分析MR数据定位难题，将MR定位问题转化为寻找最大概率感知弱区问题，应用数据挖掘及网格聚类手段，提出了一种MR数据精准评估及网络格局判别方法。并以某地MR数据为例，进行数据处理、指标构造、格局判别以及方案提出，验证了该模型的有效性，为MR数据分析提供了一种新思路。 　　【关键词】MR数据 空间分布 网络格局 　　中图分类号：TN929.53 文献标志码：A 文章编号：1006-1010（2016）18-0067-06 　　1 引言 　　随着移动互联网和智能终端的普及，人们已经习惯并依赖于以数据应用为主流的“永远在线”交流方式[1]，这也催生了移动数据需求的爆炸式增长，亦对无线网络质量提出了更苛刻的要求。如何从海量通信数据中挖掘网络存在的问题，直观呈现问题格局，客观评价网络质量，真实反映用户体验，成为无线网络规划和优化的重要课题。相比DT（Drive Test，路测）、CQT（Call Quality Test，呼叫质量测试）、投诉等数据，MR（Measurement Report，测量报告）数据能更客观、准确、快速、低成本地反映无线网络质量[2]，从而真实地还原用户体验过程。因此，本文基于MR数据及其现有解析条件，紧盯用户感知指标，以MR数据精准定位为切入点，将MR定位问题转化为寻找最大概率感知弱区问题，应用数据挖掘及网格聚类手段，提出了一种基于MR数据空间分布的网络格局判别方法，为挖掘网络问题点提供参考。 　　2 问题描述 　　进行网络格局判别的关键在于利用MR数据优势，定位、模拟和还原用户感受，进而分析、发现和解决问题，从而最终实现用户体验的提升。然而，MR数据分析却面临三大技术难题：定位难、分析难和呈现难。首先，由于MR数据本身并不包含位置信息[3]，如何准确定位用户位置并真实模拟和还原用户体验，将成为实现格局判别的重要前提；其次，MR数据是对网络7×24小时无线环境测量的数据，将无法回避数据量大、维度高、归约难等难题[4]。此外，如何从海量MR数据中梳理数据特征进行模型构建，最终形成网络格局及地理呈现，也将是面临的重大挑战。因此，进行网络格局判别需重点解决“问题点精准定位”、“数据精确分析”、“地理精细呈现”等问题，才能实现“用户体验卓越提升”。 　　3 模型构建 　　从目标需求出发，以用户为中心，紧盯用户感知指标[5]，构建出MR定位模型，进而挖掘用户感知格局，寻找最大概率感知弱区，并提出精准的解决方案，从而实现用户体验的提升。因此，建模的总体思路为：遵循分层处理、逐层映射的数据评估原则[6]，将评估模型分为数据处理层、指标映射层及地理呈现层，对各分层数据进行扇区化和栅格化处理，并构建逐层对应的指标映射关系，进而形成网络格局的地理呈现，从而最终实现对目标区域内最大概率的MR劣质指标格局的判别，如图1所示。 　　实现MR数据网络格局判别的核心是问题点精准定位，基于上述模型，反推和定位MR事件发生位置[7]，进而模拟和还原用户体验，从而针对性地挖掘用户感知格局，准确判别出“劣质指标区”、“可接受指标区”和“优质指标区”。各分层评估思路如下： 　　数据处理层将主要理清以下两条主线： 　　（1）结合MR信号强度指标范围，运用网络仿真手段，校正无线传播模型，模拟出单站覆盖范围，进而获得扇区化的最佳单站覆盖区。 　　（2）结合MR采样点的射线模型[8]，以50 m步长为栅格的单位尺寸，对扇区化的最佳单站覆盖区进行栅格化处理，进而建立逐层映射的指标体系。 　　指标映射层则是构造与数据处理层中MR数据对应映射的关键特征库，形成类似“滤镜”功能的建筑物数据、人口数据等特征映射图层，进而建立逐层对应的指标映射关系，为MR数据栅格化映射和地理化呈现提供特征选择。 　　而地理呈现层是将已栅格化处理、特征选择、模式过滤的MR数据以及指标映射关系，经过叠加运算和网格聚类，进而精准映射和定位到地理坐标系统中[9]，形成特征匹配的“劣质指标区”、“可接受指标区”和“优质指标区”，直观呈现出MR数据空间分布格局和评估模式，为网络综合解决方案提供有效的判别依据。 　　4 评估流程和方法 　　根据上述的MR数据精准评估模型，剖析和理解数据本质及外延，应用基于密度的网格聚类法进行MR数据处理和格局呈现[10]，其评估流程主要包括MR数据处理、指标映射构造、格局呈现与判别、方案输出等，如图2所示。 　　4.1 MR数据处理 　　进行数据预处理是提高数据质量和数据挖掘效率的重要步骤，MR数据处理主要通过数据集成、数据清理、数据归约、数据变换、特征构造和概念分层等一系列流程来保证数据的