基于客戶感知的樓宇問題定位方法研究與實(shí)踐

張璐巖，賈磊，杜犇

（1.中國移動通信集團(tuán)陜西有限公司，陜西 西安 710077；2.中國移動通信集團(tuán)設(shè)計(jì)院有限公司陜西分公司，陜西 西安 710077）

0 引言

隨著移動通信網(wǎng)絡(luò)建設(shè)規(guī)模的快速擴(kuò)大、客戶對感知需求的不斷提升，分場景、體系化的優(yōu)化工作變得日趨重要。如何能量化用戶感知及快速定位、識別場景問題成為當(dāng)前亟待解決的問題。

為了解決上述問題，以提升客戶感知為目標(biāo)，初步提出了基于“客戶感知的樓宇問題定位方法”。本文從基于“用戶畫像體系的建立和識別樓宇主服小區(qū)”入手，通過量化客戶感知，構(gòu)建起基于感知問題的樓宇積木模型，進(jìn)而快速地給出場景問題解決方法，實(shí)現(xiàn)對樓宇主服務(wù)小區(qū)識別、基于樓宇的量化感知評估、樓宇質(zhì)量問題定位三方面的突破，希望通過該方法起到節(jié)省人力、提升效率的作用。

1 傳統(tǒng)樓宇質(zhì)量問題定位現(xiàn)狀

在傳統(tǒng)的優(yōu)化工作中，注重面的監(jiān)控與分析，對于立體化的樓宇缺少監(jiān)控與評估手段，在監(jiān)控與優(yōu)化工作中只能通過后臺的指標(biāo)監(jiān)控和實(shí)地測試發(fā)現(xiàn)問題，往往由于評估手段單一，僅能對設(shè)備性能問題進(jìn)行發(fā)現(xiàn)和處理，忽視客戶感知的監(jiān)控和提升，同時(shí)問題處理時(shí)人力投入大、時(shí)間長，導(dǎo)致網(wǎng)絡(luò)問題發(fā)現(xiàn)和處理滯后。傳統(tǒng)樓宇優(yōu)化工作存在如下問題：

（1）要主動發(fā)現(xiàn)樓宇內(nèi)覆蓋問題，需大量人工現(xiàn)場掃地式逐層測試，投入大、周期長；

（2）樓宇問題監(jiān)控與評估手段單一，主要通過人工從海量的網(wǎng)管指標(biāo)中發(fā)現(xiàn)性能問題，效率低下，評估手段沒有體系化、標(biāo)準(zhǔn)化，不能全面及時(shí)地發(fā)現(xiàn)樓宇問題；

（3）樓宇感知問題主要依靠投訴獲得，對樓宇感知缺少量化手段和評估標(biāo)準(zhǔn)，網(wǎng)絡(luò)維護(hù)只停留在性能指標(biāo)方面，對樓宇中體驗(yàn)問題缺少處理手段；

（4）樓宇感知問題主動解決乏力，只有當(dāng)體驗(yàn)達(dá)到不可容忍的地步，用戶才會通過投訴的方式反映網(wǎng)絡(luò)問題，網(wǎng)絡(luò)維護(hù)缺乏主動性，客戶滿意度提升面臨挑戰(zhàn)。

2 基于客戶感知的樓宇問題定位方法

基于客戶感知的樓宇問題定位方法，主要由樓宇與客戶感知關(guān)聯(lián)模型和樓宇積木模型組成，在功能上分別實(shí)現(xiàn)了樓宇的感知問題評估和感知問題定位。在應(yīng)用當(dāng)中，周期性地進(jìn)行樓宇感知得分評估，通過當(dāng)前網(wǎng)絡(luò)數(shù)據(jù)與歷史數(shù)據(jù)生成的網(wǎng)絡(luò)信息模型比對，實(shí)現(xiàn)對問題樓宇的監(jiān)控與維護(hù)。

圖1 中，首先通過識別樓宇主服小區(qū)，并關(guān)聯(lián)客戶畫像得分，匯聚形成基于樓宇的客戶感知得分，再根據(jù)樓宇的感知得分，結(jié)合樓宇積木模型定位功能，共同形成基于客戶感知的樓宇問題評估監(jiān)控和問題定位體系。

圖1 基于客戶感知的樓宇問題整體架構(gòu)

2.1 樓宇主服務(wù)小區(qū)識別

在對樓宇主服小區(qū)識別前，先利用長周期手機(jī)APP 的OTT 數(shù)據(jù)的精準(zhǔn)定位功能關(guān)聯(lián)手機(jī)終端MR 數(shù)據(jù)，建立手機(jī)移動軌跡指紋庫，實(shí)現(xiàn)了對樓宇內(nèi)小區(qū)MR 數(shù)據(jù)位置信息的賦值，其后結(jié)合場景邊界爬蟲技術(shù)對三維地圖數(shù)據(jù)的樓宇邊界識別，得到在樓宇邊界內(nèi)的MR 所攜帶的所有小區(qū)ECI 信息，即：利用樓宇邊界對賦值后的MR 數(shù)據(jù)進(jìn)行定界。具體算法為：根據(jù)樓宇主服小區(qū)選取規(guī)則：(小區(qū)所在建筑物采樣點(diǎn)TOP1+小區(qū)所在建筑物采樣點(diǎn)TOP2+……+小區(qū)所在建筑物采樣點(diǎn)TOPN)/建筑物所有小區(qū)總采樣點(diǎn)≥80%，當(dāng)N滿足條件后，即停止計(jì)算，且參與計(jì)算的單小區(qū)采樣點(diǎn)數(shù)須超過100，最終輸出的小區(qū)信息根據(jù)采樣點(diǎn)≥80%的門限從所有相關(guān)小區(qū)中按MR 數(shù)量從大到小選出主服務(wù)小區(qū)，并且按照采樣點(diǎn)從多到少排序，輸出的信息包含小區(qū)的ECI、樓宇I(lǐng)D、樓宇經(jīng)緯度、樓宇的MR 采樣點(diǎn)數(shù)量、MR 覆蓋率。

地圖爬蟲技術(shù)已普遍應(yīng)用，精度可達(dá)3～5 m，是基于高德API（Application Programming Interface，操作系統(tǒng)給應(yīng)用程序的調(diào)用）接口，獲取重點(diǎn)場景的POI（Point of Information）信息，即樓宇及場景的邊界信息，地圖數(shù)據(jù)中每個(gè)位置點(diǎn)的具體信息，包含名稱、經(jīng)緯度等）。

考慮到建筑物內(nèi)各種復(fù)雜覆蓋場景，綜合考慮計(jì)算的準(zhǔn)確性和高效性，提出了樓宇主服小區(qū)識別方法，覆蓋小區(qū)只要符合該方法便認(rèn)定為樓宇主服小區(qū)。

2.2 用戶感知畫像體系建立

為了量化用戶感知，通過研究確立影響客戶感知的3大業(yè)務(wù)、12 項(xiàng)指標(biāo)集，同時(shí)引入感知因子W、業(yè)務(wù)權(quán)重K，并耦合不同業(yè)務(wù)屬性用戶的不滿意概率，經(jīng)過畫像調(diào)優(yōu)，輸出用戶畫像得分。

由于對客戶感知的刻畫存在一定的偏差，因此在感知畫像初期必須通過畫像調(diào)優(yōu)對算法模型進(jìn)行校準(zhǔn)，最終達(dá)成模型輸出結(jié)果與用戶滿意度感知匹配的最大化，其中感知模型校準(zhǔn)是根據(jù)歷次的調(diào)研數(shù)據(jù)，不斷修正模型變量(K1,…,K3)，動態(tài)調(diào)整感知因子(W1,…,W4)，實(shí)現(xiàn)模型自適應(yīng)優(yōu)化和準(zhǔn)確的感知畫像輸出。

圖2 客戶感知評估體系

上述算法中，業(yè)務(wù)權(quán)重K決定了各業(yè)務(wù)對用戶的影響度，感知因子W表征業(yè)務(wù)流程中各階段影響程度。在客戶感知評估體系中，用戶畫像感知范圍為[0,…,10]，當(dāng)用戶畫像得分超過8 分時(shí)，認(rèn)為用戶感知良好，其中業(yè)務(wù)權(quán)重K指單個(gè)業(yè)務(wù)時(shí)長與總時(shí)長的比值，為全天24 小時(shí)累加，累加的取值范圍i為[0,…,23]；W為感知因子，即：綜合考慮業(yè)不同時(shí)間段業(yè)務(wù)質(zhì)量對感知的影響及各子項(xiàng)業(yè)務(wù)對感知影響的權(quán)重占比，是網(wǎng)絡(luò)性能對感知體驗(yàn)的映射，取值范圍為[0,…,1]。當(dāng)完成樓宇內(nèi)所有用戶的感知得分并匯聚后，便形成了基于樓宇的客戶感知得分。

2.3 樓宇與客戶感知關(guān)聯(lián)模型建立

當(dāng)完成每個(gè)用戶的感知量化得分，并與樓宇內(nèi)的主服小區(qū)相關(guān)聯(lián)，并確定常駐用戶，依據(jù)常駐用戶的畫像得分，匯聚成基于樓宇的客戶感知得分。

在基于客戶感知的樓宇問題定位模型中，基于樓宇的客戶感知分為優(yōu)、良、中、差四個(gè)等級。當(dāng)樓宇內(nèi)客戶感知大于8 分的用戶數(shù)占比低于80% 時(shí)，則認(rèn)為基于樓宇的感知級別為差；當(dāng)占比介于80%～90% 時(shí)，基于樓宇的感知級別為中；當(dāng)占比介于90%～100% 時(shí)，基于樓宇的感知級別為良；當(dāng)占比為100%時(shí)，基于樓宇的感知級別為優(yōu)。

圖3 中樓宇與用戶畫像得分根據(jù)ECI 相關(guān)聯(lián)，再匯聚形成基于樓宇的感知得分，即：基于樓宇的客戶感知得分=樓宇內(nèi)大于等于8 分用戶個(gè)數(shù)/樓宇內(nèi)用戶總個(gè)數(shù)。

圖3 樓宇與客戶感知關(guān)聯(lián)算法模型

2.4 基于樓宇積木模型的問題定位

樓宇積木模型建立采用OTT 數(shù)據(jù)關(guān)聯(lián)用戶數(shù)據(jù)（XDR、MR 數(shù)據(jù)、MDT 數(shù)據(jù)），并融合寬帶+Wi-Fi+pRRU 多種定位技術(shù)，實(shí)現(xiàn)用戶數(shù)據(jù)精準(zhǔn)定位回填，構(gòu)建起樓宇積木塊模型；最后利用機(jī)器學(xué)習(xí)進(jìn)行樓宇積木塊強(qiáng)關(guān)聯(lián)指標(biāo)學(xué)習(xí)，關(guān)聯(lián)鎖定關(guān)鍵指標(biāo)，完成樓宇網(wǎng)絡(luò)信息的建立。

在圖4 中，首先根據(jù)用戶APP 上報(bào)的位置信息和地圖API 上報(bào)信息及MR 指紋庫，并結(jié)合OTT 與WLAN、寬帶位置及pRRU 信息，實(shí)現(xiàn)MR 數(shù)據(jù)位置分布和回填，同時(shí)對無效數(shù)據(jù)進(jìn)行清洗，并借助K-means 聚類算法最終實(shí)現(xiàn)樓宇積木塊的搭建。

圖4 樓宇積木模型

其次為了保證樓宇積木塊數(shù)據(jù)回填的精度，綜合考慮算力和效率，選取樓宇積木塊70% 的數(shù)據(jù)作為訓(xùn)練序列，當(dāng)發(fā)現(xiàn)數(shù)據(jù)回填的位置出現(xiàn)偏差時(shí)，通過訓(xùn)練序列對樓宇積木信息進(jìn)行校正，直至數(shù)據(jù)的回填精度無偏差。

最后通過關(guān)聯(lián)分析確定與樓宇問題強(qiáng)關(guān)聯(lián)的指標(biāo)為MR 覆蓋率、占用率、積木塊平均RSRP、積木塊平均SINR，再利用機(jī)器學(xué)習(xí)進(jìn)行樓宇積木塊強(qiáng)關(guān)聯(lián)指標(biāo)學(xué)習(xí)，同時(shí)強(qiáng)關(guān)聯(lián)指標(biāo)選取樓宇歷史標(biāo)準(zhǔn)指標(biāo)進(jìn)行機(jī)器學(xué)習(xí)，最終實(shí)現(xiàn)樓宇積木網(wǎng)絡(luò)信息模型的標(biāo)準(zhǔn)化建立。

樓宇積木塊效果如圖5 所示：

圖5 樓宇積木塊效果

當(dāng)建立完成樓宇積木網(wǎng)絡(luò)信息后，就可依據(jù)樓宇積木塊信息模型中的主服小區(qū)、鄰區(qū)、電平、質(zhì)量、覆蓋率等網(wǎng)絡(luò)信息，與當(dāng)前網(wǎng)絡(luò)信息進(jìn)行比對，根據(jù)差異精確定位出樓宇問題類型和位置，如表1 和表2 所示。

表1 基于長周期（年粒度）的樓宇積木塊網(wǎng)絡(luò)信息示例

表2 基于當(dāng)前（天粒度）的樓宇積木塊網(wǎng)絡(luò)信息示例

表1 為設(shè)定周期為一年的標(biāo)準(zhǔn)模型中的樓宇網(wǎng)絡(luò)信息，表2 為當(dāng)前一天的樓宇模型網(wǎng)絡(luò)信息，定位模型會根據(jù)樓宇客戶感知畫像等級變差觸發(fā)標(biāo)準(zhǔn)模型（表1）與當(dāng)前網(wǎng)絡(luò)信息（表2）的比對，從而定位出樓層區(qū)域和問題小區(qū)。例如：在表1 和表2 對比中，若某一個(gè)樓層（積木塊）標(biāo)準(zhǔn)模型存在較大差異（日均采樣點(diǎn)、RSRP、SINR 差異超過20% 以上），便可定位某個(gè)樓層某個(gè)小區(qū)存在問題。

3 基于客戶感知的樓宇問題實(shí)踐

基于客戶感知評估的樓宇問題模型建立后，通過平臺落地，對于問題定位，首先通過感知指標(biāo)評估體系發(fā)現(xiàn)樓宇是否存在問題，然后系統(tǒng)自動導(dǎo)入樓宇當(dāng)前網(wǎng)絡(luò)信息，通過與樓宇網(wǎng)絡(luò)信息模型比對，實(shí)現(xiàn)對異常樓宇質(zhì)量問題的定位。

通過登錄樓宇問題評估與定位平臺，選擇立體覆蓋評估，設(shè)定時(shí)間周期后，系統(tǒng)會通過對樓宇感知分析得到存在感知下降問題的樓宇I(lǐng)D，再通過樓宇網(wǎng)絡(luò)信息模型和當(dāng)前的網(wǎng)絡(luò)信息進(jìn)行對比，根據(jù)差異定位出樓宇問題。

如圖6 左側(cè)圖例是樓宇感知3D 模型呈現(xiàn)，不僅可以直觀地顯示和量化樓宇的感知級別，而且可以根據(jù)不同感知得分對樓宇進(jìn)行不同色譜分類，綠、藍(lán)、黃、紅分別代表優(yōu)、良、中、差四個(gè)客戶感知級別，樓宇問題評估與定位平臺會根據(jù)樓宇內(nèi)客戶感知級別的變化與下降，分析定位出樓宇的質(zhì)量問題。

對于樓宇存在的感知問題，樓宇問題評估與定位平臺采用當(dāng)前網(wǎng)絡(luò)信息與樓宇網(wǎng)絡(luò)信息模型比對的方法，定位出樓宇內(nèi)的問題范圍和問題小區(qū)，如圖6 右側(cè)圖例所示。平臺分析樓宇I(lǐng)D 為170843 存在感知問題，感知等級為差，由于該小區(qū)MR 數(shù)據(jù)已經(jīng)賦值和定界，平臺會根據(jù)當(dāng)前MR 的賦值信息，即MR 數(shù)據(jù)分布范圍和總數(shù)與標(biāo)準(zhǔn)模型進(jìn)行比對，如果發(fā)現(xiàn)覆蓋范圍和采樣點(diǎn)總數(shù)與標(biāo)準(zhǔn)模型差值超過20% 以上，即可得出該小區(qū)存在功率減少或故障引起小區(qū)工作異常等問題，隨后便具體檢查該小區(qū)的狀況，從而實(shí)現(xiàn)快速、高效、精準(zhǔn)的定位網(wǎng)絡(luò)問題。

圖6 樓宇感知與問題定位呈現(xiàn)

以上通過對樓宇主服小區(qū)識別、用戶感知畫像與樓宇關(guān)聯(lián)算法、基于樓宇積木模型的問題的定位，最終實(shí)現(xiàn)了基于樓宇的感知評估和問題定位。本方法應(yīng)用于省內(nèi)重點(diǎn)樓宇物業(yè)點(diǎn)后，縮短了問題發(fā)現(xiàn)和定位的周期，重點(diǎn)樓宇整體達(dá)質(zhì)率超過90%，提升11PP，實(shí)踐效果良好，達(dá)到了提升樓宇內(nèi)用戶感知的目的。

4 結(jié)束語

本研究提出了基于客戶感知的樓宇問題定位方法，解決了以往樓宇問題不易發(fā)現(xiàn)的痛點(diǎn)，隨著對應(yīng)用的逐步落地，有望提高解決樓宇問題的工作效率；同時(shí)也發(fā)現(xiàn)MR 定界及回填依賴于MDT 及MR+OTT+（家寬+Wi-Fi+pRRU）多種定位技術(shù)，需要經(jīng)過數(shù)據(jù)清洗、聚類算法等最終實(shí)現(xiàn)，過程及算法復(fù)雜，對計(jì)算機(jī)的算力有較高的要求，如何優(yōu)化算法、提高效率將成為下一步要重點(diǎn)解決的問題。同時(shí)，后續(xù)在優(yōu)化算法的同時(shí)，將對模型的使用場景進(jìn)行拓展研究，使其廣泛應(yīng)用于交通樞紐、機(jī)場、商業(yè)區(qū)、高校等密集復(fù)雜場景。