基于大数据的异网覆盖智能测评方案.docx

?

?

基于大数据的异网覆盖智能测评方案

?

?

许盛宏宫云平姚彦强

【摘?要】

为了解决目前异网覆盖测评不准确、工作量大、效率低的问题，通过空间聚合、密度聚类等算法研究了异网覆盖智能测评方案，通过对4G异网覆盖测量数据分析了异网所有频点MR的监测、MR的最优RSRP提取、异网覆盖栅格指标的生成、异网问题区域的识别等关键技术，实验证实了异网覆盖智能测评的高度准确性及较高应用价值。

【关键词】4G;大数据;异网覆盖;智能测评

0?引言

随着移动业务竞争带来压力，移动用户感知质量需要迫切提升。由于网络设备投入资源有限、规划站点部署不足将会导致移动网络弱覆盖、覆盖盲区等方面问题，严重影响用户感知的提升。为了支撑移动网络合理而精准的规划、优化，提升网络覆盖质量和业务服务竞争力，往往需要掌握异网（其他运营商）网络部署规模以及覆盖质量等竞争信息，实现有限资源的精准投放，重点保障和快速提升重要区域的客户感知，因此很有必要掌握异网覆盖指标。

1?现有解决方案

为了获取4G异网覆盖指标，需要其他运营商的卡通过路测专用设备进行拉网测试，显然这种方式资源消耗大、成本高且效率低。MR为用户终端上报的测量报告，本方案所指MR均为用户终端周期性上报测试报告MRO。当前，全网通的4G终端周期性上报的MR包含AGPS（MDT-GPS经纬度），也包括主接入小区和邻区覆盖指标，其中主接入小区即为本网接入小区，而邻区包含本网小区和异网小区。所以，通过本网用户上报MR采集异网覆盖指标，成为一种可行的解决方案。

然而，从基站资源节省的考虑，每条MR上报的总的邻区数量一般为6个，并需要预留一定数量的本网小区提供业务切换使用，就无法满足其他运营商周边小区上报。目前技术方案如图1所示，通过网管一次性次开启所有4G异频测量，获取所有含有异网覆盖指标的MR数据，将MR栅格化之后计算RSRP平均值作为栅格覆盖指标，最后通过人工方式识别异网覆盖问题区域。

目前技术方案存在的问题如下：

（1）MR上报邻区数量有限，收集异网频点不全，导致测评很不准确。

（2）不区分频点进行分析，无法反映现网根据最优频点信号接入网络的实际情况。

（3）通过人工方式识别异网问题区域，导致分析效率低且准确性不高。

因此，很有必要研究一种解决当前技术问题的方案，实现高效的、准确的、及时的自动化测评。

目前技术方案的实现流程如图1所示：

2?智能測评方案

2.1?总体实现思路

针对目前每条MR上报异网的邻区上报数量有限、频点收集不全、覆盖测评不准确的问题，提出了基于大数据的异网覆盖智能测评的方法。首先通过基站网管分批次监测异网所有频点，通过海量MR数据采集处理，然后每条MR按照频点分组提取RSRP最优值，将含有友商的MR进行栅格化，同时提取含有友商的MR，根据频点出现次数分布统计其他运营商的主频点，再分运营商计算每个栅格所有MR的频点以及每个频点对应算术平均值，提取运营商频点的RSRP均值高者作为栅格覆盖指标，过滤掉不含主频点的友商栅格，最后通过聚类算法实现问题栅格自动连片得到覆盖问题区域，实现了通过本网用户对异网覆盖进行准确而自动测评，可进一步实现多个运营商覆盖指标同时同地对比分析。具体实现步骤如图2所示：

2.2?相关算法研究

（1）空间聚合算法

空间聚合通过地理化空间对网络指标进行聚合分析[1]。由于栅格数据结构简单，便于网络指标的空间聚合分析，可以对测评区域进行栅格化。栅格数据就是将空间分割成有规律的网格，每一个网格称为一个单元，并在各单元上赋予相应的属性值来表示实体的一种形式，格网单元大小决定了栅格数据模型的分辨率。采用地理化栅格指标进行聚合分析，可满足异网覆盖指标地理化评估分析的需求[2]。

（2）密度聚类算法

聚类算法包括划分、层次、密度、网格等聚类算法[3]。其中密度聚类算法最为代表的为DBSCAN，该算法采用空间索引技术来有哪些信誉好的足球投注网站对象的邻域，引入了“核心对象”和“密度可达”等概念，从核心对象出发，把所有密度可达的对象组成一个簇[4]。为了实现覆盖质量差的地理区域查找，通过地理化栅格对异网覆盖指标进行分析，将满足弱覆盖的栅格自动连片，由于所要的目标区域大小和形状都不固定，通过采用密度聚类算法，从样本密度的角度出发，基于可连接样本不断扩展聚类簇，以获得最终的聚类结果。DBSCN算法包括扫描半径（R）和最小包含对象数（minPts），其中扫描半径R为相邻对象之间的最大距离，最小包含对象数为一个簇所需要最小对象的个数[5]。

（3）主频点过滤算法

每个运营商都有基础覆盖频点，覆盖主要区域范围，通过按照本地网统计异网MR分布得到MR条数最多频点即为主频点，为了实现主要区域的异网测评和提升测评准确性，将含有该运营商主频点的栅格作为分析对象，去掉不含有的该运营商主频点的栅格，避免少