基于MR的小區(qū)輪廓和共覆蓋識(shí)別方法研究與應(yīng)用

韓斌杰

中國(guó)移動(dòng)通信集團(tuán)河北有限公司 石家莊 050000

引言

移動(dòng)網(wǎng)絡(luò)的快速發(fā)展給人們的生產(chǎn)、生活方式帶來(lái)了非常大的改變，已經(jīng)成為人們?nèi)粘Ｉ钪胁豢苫蛉钡囊豁?xiàng)基礎(chǔ)服務(wù)[1]。隨著移動(dòng)網(wǎng)絡(luò)用戶的不斷增長(zhǎng)，對(duì)于網(wǎng)絡(luò)覆蓋和質(zhì)量的要求也在不斷提高，如何保證廣大用戶更好、更便捷地使用網(wǎng)絡(luò)已經(jīng)成為了運(yùn)營(yíng)商重點(diǎn)關(guān)注的問(wèn)題。終端用戶在通話過(guò)程中上報(bào)的MR(Measurement Report，測(cè)量報(bào)告)數(shù)據(jù)對(duì)于網(wǎng)絡(luò)質(zhì)量評(píng)估和無(wú)線原因分析來(lái)說(shuō)是非常重要的參考依據(jù)，能夠有效支撐無(wú)線網(wǎng)絡(luò)優(yōu)化人員進(jìn)行問(wèn)題根因的定位和處理。但是如何實(shí)現(xiàn)海量MR數(shù)據(jù)實(shí)時(shí)、快速地精準(zhǔn)定位，在技術(shù)上始終是一件較為棘手的問(wèn)題。同時(shí)，隨著網(wǎng)絡(luò)覆蓋深度的不斷提升，如何有效利用MR數(shù)據(jù)，充分發(fā)掘MR數(shù)據(jù)的價(jià)值不僅對(duì)于提升無(wú)線網(wǎng)絡(luò)問(wèn)題分析的效率和質(zhì)量等方面具有重要的作用，而且可以支撐客服、市場(chǎng)等部門的網(wǎng)絡(luò)營(yíng)銷、投訴問(wèn)題處理等。

目前在MR定位方面比較常見(jiàn)的是WCCL(Weighted Centroid Correction Localization，加權(quán)質(zhì)心校正定位)快速定位算法，它是測(cè)距幾何定位和基于加權(quán)質(zhì)心幾何定位的綜合應(yīng)用，前者通過(guò)MR測(cè)量的時(shí)延或通過(guò)傳播模型構(gòu)造的偽裝時(shí)延和方位角的交點(diǎn)綜合判定UE候選位置，后者通過(guò)MR測(cè)量小區(qū)構(gòu)造多邊形并基于電平加權(quán)計(jì)算拓?fù)滟|(zhì)心作為UE空間候選位置，根據(jù)兩種定位方法的結(jié)果確定UE的最終位置[2-3]。從實(shí)現(xiàn)邏輯上看，WCCL定位算法主要基于無(wú)線基站的工參對(duì)MR進(jìn)行加權(quán)后定位，對(duì)工參的準(zhǔn)確性具有很強(qiáng)的依賴性，如果工參配置跟實(shí)際偏差過(guò)大，會(huì)導(dǎo)致定位結(jié)果偏差過(guò)大。

為了有效提升MR的定位精度，本文采用了一種基于特征匹配的MR定位方法，首先利用終端上報(bào)的帶有經(jīng)緯度信息的測(cè)量報(bào)告(如MDT數(shù)據(jù)，即帶有經(jīng)緯度的MR數(shù)據(jù))構(gòu)建地理位置與周邊站點(diǎn)的信號(hào)強(qiáng)度關(guān)系，形成位置定位特征庫(kù)，通過(guò)已建立的特征庫(kù)中查找與當(dāng)前MR特征最接近的位置點(diǎn)來(lái)確定MR的位置[4]。而后基于MR的定位結(jié)果進(jìn)一步實(shí)現(xiàn)了小區(qū)輪廓和共覆蓋的精準(zhǔn)識(shí)別，識(shí)別的結(jié)果可以作為基礎(chǔ)數(shù)據(jù)資產(chǎn)支持日常網(wǎng)絡(luò)優(yōu)化、客服投訴區(qū)域精準(zhǔn)判斷等。

1 基于特征匹配的MR定位技術(shù)

特征匹配定位也叫DCM(Database Correlation Method)或指紋(Fingerprint)技術(shù)，通過(guò)構(gòu)建網(wǎng)絡(luò)覆蓋范圍內(nèi)每個(gè)地理點(diǎn)上各小區(qū)電平或信噪比的信息特征庫(kù)，然后根據(jù)手機(jī)上報(bào)的信息與已構(gòu)建特征庫(kù)信息的差異程度確定手機(jī)相應(yīng)的位置柵格點(diǎn)來(lái)進(jìn)行定位[5-6]。特征庫(kù)越準(zhǔn)，定位精度越高，且適合于各種制式和大部分場(chǎng)景，具有很強(qiáng)的實(shí)用性?；谔卣髌ヅ涞腗R定位方法主要可以分為以下幾個(gè)過(guò)程。

1)基于實(shí)際網(wǎng)絡(luò)的小區(qū)覆蓋信息構(gòu)建精度較高的特征庫(kù)；

2)基于鄰區(qū)關(guān)系、鄰區(qū)電平等測(cè)量信息構(gòu)建特征匹配打分模型；

3)基于時(shí)延和角度確定代入匹配計(jì)算的候選柵格集范圍；

4)通過(guò)迭代運(yùn)算從候選柵格集中找到得分最高的最優(yōu)柵格如公式1所示。

其中：M為匹配值；Kn為小區(qū)匹配權(quán)重；Cn為共站衰減系數(shù)； CMatchConstant為匹配常量，此因子調(diào)整鄰區(qū)關(guān)系和電平匹配度兩者關(guān)系；Rxn是MR中小區(qū)n的電平，rxn是柵格中小區(qū)n的電平。每個(gè)柵格計(jì)算得到一個(gè)M值，M值越大，匹配度越高，M值最大的柵格即為定位點(diǎn)。

在實(shí)際應(yīng)用中，特征庫(kù)的構(gòu)建可以基于已有特征庫(kù)構(gòu)建，也可以完全新建，構(gòu)建過(guò)程如圖1所示，核心為如下兩個(gè)模塊。

1)新建特征庫(kù)構(gòu)建：提取MDT MR高精度數(shù)據(jù)，進(jìn)行柵格化處理，柵格化后同一柵格內(nèi)同一小區(qū)電平進(jìn)行均化處理，并記錄出現(xiàn)次數(shù)；每個(gè)柵格逐一處理，根據(jù)小區(qū)出現(xiàn)次數(shù)、電平強(qiáng)弱排序，統(tǒng)計(jì)每個(gè)柵格TOP N小區(qū)及電平信息，生成初始特征庫(kù)；

2)已有特征庫(kù)構(gòu)建：結(jié)合工參，篩除非法的高精度數(shù)據(jù)(簡(jiǎn)稱實(shí)測(cè)數(shù)據(jù))，將上次構(gòu)建特征庫(kù)所在區(qū)域劃分為不同的Cluster，可認(rèn)為Cluster內(nèi)同小區(qū)的電平是連續(xù)分布的，按修正所依據(jù)的實(shí)測(cè)數(shù)據(jù)范圍不同，修正方式有以下三種。①柵格級(jí)修正：使用實(shí)測(cè)數(shù)據(jù)修正最近柵格電平，被修正的柵格為實(shí)測(cè)柵格。Cluster內(nèi)部修正：②Cluster內(nèi)存在足夠多的實(shí)測(cè)柵格，未修正柵格關(guān)聯(lián)塊內(nèi)實(shí)測(cè)柵格，統(tǒng)計(jì)實(shí)測(cè)電平和原特征庫(kù)電平關(guān)系完成修正。③Cluster聯(lián)合修正：Cluster1內(nèi)不存在足夠的實(shí)測(cè)柵格，但存在足夠數(shù)量的相鄰Cluster已進(jìn)行了Cluster內(nèi)部修正，則Cluster1內(nèi)的柵格可以結(jié)合相鄰Cluster進(jìn)行修正[7]。

2 小區(qū)輪廓和共覆蓋識(shí)別算法

在對(duì)MR數(shù)據(jù)進(jìn)行定位后，為了便于指標(biāo)呈現(xiàn)和問(wèn)題處理，業(yè)界普遍采用柵格進(jìn)行呈現(xiàn)。MR柵格化就是將落在柵格內(nèi)的所有MR的經(jīng)緯度歸一化，同一個(gè)網(wǎng)格對(duì)象內(nèi)的所有MR最終歸一成一條統(tǒng)計(jì)記錄，再通過(guò)地理化服務(wù)器提供的柵格渲染服務(wù)生成柵格圖層進(jìn)行呈現(xiàn)。

小區(qū)的輪廓從本質(zhì)上講是一個(gè)地理空間概念，要識(shí)別小區(qū)的輪廓，則首先需要判斷哪些柵格由該小區(qū)覆蓋，然后將由同一小區(qū)覆蓋的柵格進(jìn)行合并，最終得到小區(qū)的輪廓信息。本文提出的小區(qū)輪廓識(shí)別方法如下。

1)統(tǒng)計(jì)柵格內(nèi)包含的MR條數(shù)，如果MR條數(shù)≥閾值M，則認(rèn)為該柵格為有效柵格；

2)計(jì)算有效柵格內(nèi)包含的MR條數(shù)及其對(duì)應(yīng)的服務(wù)小區(qū)，如圖2所示；

3)統(tǒng)計(jì)同一柵格內(nèi)涉及的服務(wù)小區(qū)及其MR占比，即計(jì)算柵格內(nèi)某服務(wù)小區(qū)對(duì)應(yīng)的MR條數(shù)與柵格內(nèi)所有MR條數(shù)的比例；

4)如果某服務(wù)小區(qū)對(duì)應(yīng)的MR占比≥閾值N，則認(rèn)為該柵格可以由該小區(qū)覆蓋；

5)獲取由該小區(qū)覆蓋的所有柵格及其位置信息，將其合并得到小區(qū)的輪廓信息。

所謂小區(qū)共覆蓋判斷，就是基于小區(qū)的輪廓信息進(jìn)一步判斷不同小區(qū)的覆蓋是否存在較大的重疊區(qū)域，進(jìn)而判斷小區(qū)是否共覆蓋，本文識(shí)別方法主要步驟如下。

1)基于小區(qū)輪廓識(shí)別方法得到對(duì)應(yīng)小區(qū)的主服務(wù)柵格信息，匯總每個(gè)小區(qū)的輪廓包含的柵格信息，得到需要進(jìn)行共覆蓋判斷的全量柵格；

2)以匯總后的柵格為比較對(duì)象，統(tǒng)計(jì)同一個(gè)柵格的主服務(wù)小區(qū)信息，即某個(gè)柵格由哪幾個(gè)小區(qū)主覆蓋，構(gòu)建存在同覆蓋柵格的小區(qū)關(guān)系表；

3)依次比較所有的柵格，獲取每個(gè)柵格對(duì)應(yīng)的主服務(wù)小區(qū)信息，建立全量柵格與主服務(wù)小區(qū)的對(duì)應(yīng)關(guān)系表，如圖3所示；

4)基于步驟3中的關(guān)系表得到不同小區(qū)之間共覆蓋的柵格信息；

5)計(jì)算不同小區(qū)之間的柵格共覆蓋比例，小區(qū)間共覆蓋柵格的數(shù)量/小區(qū)輪廓包含的主覆蓋柵格數(shù)量=小區(qū)共覆蓋比例。假設(shè)Cell1主覆蓋輪廓包含的柵格為柵格1、2、3、4、5、6、7、8；Cell2主覆蓋輪廓包含的柵格為柵格1、2、3、4、5、8；則Cell1與Cell2的共覆蓋比例為5/8=71.42%，Cell2與Cell1的共覆蓋比例為5/6=83.33%(即小區(qū)共覆蓋判斷要進(jìn)行兩兩判斷)。

假設(shè)小區(qū)主覆蓋柵格范圍C＞B＞A，則認(rèn)為小區(qū)C與小區(qū)A、B共覆蓋，以小區(qū)C為行數(shù)進(jìn)行記錄；如圖4所示，按照覆蓋范圍大的進(jìn)行記錄，得到小區(qū)C與小區(qū)A/B、D共覆蓋的記錄信息。

3 結(jié)果與分析

1)MR定位精度的對(duì)比

定位精度(Precision)指的是通過(guò)定位計(jì)算獲得的位置點(diǎn)與UE真實(shí)的位置點(diǎn)之間的誤差或偏差[8]。在實(shí)際MR定位中，由于每個(gè)MR采樣點(diǎn)的計(jì)算值與測(cè)量值差異變化不一，因此某個(gè)點(diǎn)的定位誤差不能夠代表一批MR采樣點(diǎn)的定位精度。本文使用CDF(Cumulative Distribution Function，累積分布函數(shù))曲線上的關(guān)鍵點(diǎn)來(lái)表述定位精度，在某種概率(Probability)前提下表述定位誤差[9]。例如在67%的概率下，定位誤差小于100米，表述為100米@67%的方式。本次驗(yàn)證取67%和95%兩個(gè)典型概率點(diǎn)(67%接近正態(tài)分布的1西格瑪，對(duì)應(yīng)的值與正態(tài)分布的標(biāo)準(zhǔn)差一致；95%接近正態(tài)分布的2西格瑪位置)下的誤差值來(lái)描述定位誤差。

本文使用的特征匹配定位算法，統(tǒng)計(jì)得出的定位精度約為40m，而基于WCCL定位統(tǒng)計(jì)的定位精度約為180m，基于特征匹配的定位結(jié)果顯著高于WCCL定位算法，對(duì)比效果如圖5所示，其中橫坐標(biāo)表示定位誤差，縱坐標(biāo)表示累計(jì)分布函數(shù)。

2)小區(qū)輪廓識(shí)別結(jié)果分析

在進(jìn)行小區(qū)輪廓識(shí)別前，首先要確定柵格MR采樣點(diǎn)數(shù)量M和采樣點(diǎn)占比N的取值。隨機(jī)選取包含不同場(chǎng)景的10萬(wàn)個(gè)柵格進(jìn)行分析，可以發(fā)現(xiàn)當(dāng)柵格采樣點(diǎn)數(shù)M=100時(shí)，計(jì)算時(shí)間和計(jì)算完整度取得較好的平衡，如圖6所示，其中橫坐標(biāo)表示MR柵格采樣點(diǎn)數(shù)量，縱坐標(biāo)表示計(jì)算時(shí)間。當(dāng)柵格采樣點(diǎn)占比N=30%時(shí)，小區(qū)輪廓識(shí)別的準(zhǔn)確率較高，如圖7所示，其中橫坐標(biāo)表示柵格采樣點(diǎn)占比，縱坐標(biāo)表示識(shí)別準(zhǔn)確度。

確定M和N的取值后，基于計(jì)算結(jié)果隨機(jī)抽取不同地市不同場(chǎng)景的小區(qū)各200個(gè)進(jìn)行準(zhǔn)確性驗(yàn)證，如果識(shí)別出的小區(qū)輪廓包含的柵格MR采樣點(diǎn)數(shù)量≥該小區(qū)全量MR采樣點(diǎn)數(shù)量的80%，則認(rèn)為識(shí)別正確，驗(yàn)證結(jié)果如表1所示，有效證明了本文小區(qū)輪廓識(shí)別算法的有效性。小區(qū)輪廓識(shí)別結(jié)果實(shí)例如圖8所示。

表1 小區(qū)輪廓識(shí)別準(zhǔn)確性分析

3)共覆蓋識(shí)別結(jié)果分析

在小區(qū)輪廓識(shí)別的基礎(chǔ)上，對(duì)小區(qū)共覆蓋識(shí)別結(jié)果的準(zhǔn)確性進(jìn)行驗(yàn)證，從兩個(gè)維度進(jìn)行評(píng)判，一是識(shí)別的準(zhǔn)確性，即識(shí)別出的結(jié)果正確的占比；二是識(shí)別的完整性，即識(shí)別出的結(jié)果是否完整。選取市區(qū)、縣城和農(nóng)村三種場(chǎng)景各200個(gè)小區(qū)進(jìn)行實(shí)際驗(yàn)證，驗(yàn)證結(jié)果如表2所示。

表2 小區(qū)共覆蓋識(shí)別準(zhǔn)確性分析

4 結(jié)束語(yǔ)

隨著移動(dòng)網(wǎng)絡(luò)越來(lái)越復(fù)雜，無(wú)線網(wǎng)絡(luò)優(yōu)化工作普遍存在著多制式協(xié)同優(yōu)化難度大、網(wǎng)絡(luò)互操作策略難等現(xiàn)實(shí)問(wèn)題。充分借助IT平臺(tái)實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)數(shù)據(jù)的分析和挖潛對(duì)于提升問(wèn)題處理的效率和質(zhì)量具有重要的作用，也是無(wú)線網(wǎng)絡(luò)優(yōu)化數(shù)字化、智能化轉(zhuǎn)型的發(fā)展趨勢(shì)[10]。本文采用了一種基于特征匹配的MR定位算法，實(shí)現(xiàn)對(duì)用戶MR數(shù)據(jù)的精準(zhǔn)定位，而后在此基礎(chǔ)上實(shí)現(xiàn)對(duì)小區(qū)輪廓的判斷和共覆蓋的識(shí)別，將海量的MR數(shù)據(jù)轉(zhuǎn)換為網(wǎng)絡(luò)優(yōu)化的基礎(chǔ)信息，同時(shí)將其推送給客服系統(tǒng)，有效支撐日常網(wǎng)絡(luò)投訴問(wèn)題處理。后續(xù)應(yīng)進(jìn)一步結(jié)合5G網(wǎng)絡(luò)的發(fā)展，逐步完善面向5G的MR數(shù)據(jù)分析和應(yīng)用，促進(jìn)4/5G網(wǎng)絡(luò)協(xié)同優(yōu)化發(fā)展。