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搜索对象的邻域，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