一種無線網(wǎng)絡優(yōu)化中挖掘LTE小區(qū)場景突變的方法研究

沈驁，王西點，徐晶，王磊

（中國移動通信集團設計院有限公司，北京 100080）

1 引言

為了提高網(wǎng)絡資源利用率，需要對無線通信LTE小區(qū)進行場景劃分。根據(jù)目前場景劃分方法，小區(qū)場景一旦劃分確認后，同一個場景中小區(qū)的無線參數(shù)，基本采用相同的配置方法，屬性值保持一致，不會再對同一個場景中小區(qū)參數(shù)做過多調(diào)整。

而現(xiàn)網(wǎng)中，由于各種原因，LTE小區(qū)場景會發(fā)生突變。某些小區(qū)話務密度可能突然發(fā)生較大變化，或者頻率資源突然變得緊張，各種突發(fā)原因?qū)е戮W(wǎng)絡質(zhì)量受到影響，小區(qū)不再適用某一場景的配置，這種情況就是場景突變。

由于場景突變，原有場景配置不再適合小區(qū)現(xiàn)狀，需要對小區(qū)場景進行調(diào)整。如果未及時對場景和小區(qū)相關屬性進行調(diào)整，網(wǎng)絡性能可能會受到嚴重影響，導致用戶感知度下降。

隨著LTE網(wǎng)絡建設的開展，急需一種好的方法，能夠及時發(fā)現(xiàn)小區(qū)場景的突變，通過調(diào)整小區(qū)場景，更好為LTE無線網(wǎng)絡優(yōu)化服務。

2 現(xiàn)有研究方法分析

2.1 現(xiàn)有方法的優(yōu)劣勢

現(xiàn)有方法中，小區(qū)場景劃分一般在小區(qū)建設規(guī)劃初期和網(wǎng)絡優(yōu)化前期就已經(jīng)設定好，這種方法大多基于經(jīng)驗，故有一定的普遍性和適用價值，該方法在LTE建網(wǎng)初期可用于大部分小區(qū)，節(jié)省了一定的人力物力成本。

但隨著網(wǎng)絡建設的日趨完善和復雜，需要在多網(wǎng)間進行網(wǎng)絡優(yōu)化，比如LTE與2G、3G網(wǎng)絡間互操作，CSFB等；同時，由于業(yè)務量，需求等的變化，小區(qū)所處的場景很有可能發(fā)生變化。如果不對其進行調(diào)整，將會嚴重影響網(wǎng)絡性能與質(zhì)量。

從現(xiàn)網(wǎng)來看，小區(qū)場景發(fā)生突變到最終出現(xiàn)嚴重網(wǎng)絡質(zhì)量問題是一個時間積累的過程，說明小區(qū)場景已經(jīng)突變了一段時間，卻沒有及時做出場景調(diào)整。

2.2 現(xiàn)有方法的主要缺陷

傳統(tǒng)發(fā)現(xiàn)小區(qū)場景突變的方法多依賴于專家的經(jīng)驗，難度較大。發(fā)現(xiàn)場景突變的技術(shù)和方法較少，一般是問題出現(xiàn)了一段時間，發(fā)生告警，嚴重網(wǎng)絡問題或收到投訴后，才會由優(yōu)化人員實施小區(qū)場景調(diào)整，重新劃分場景。這種方法不及時，問題上報說明網(wǎng)絡問題已經(jīng)比較嚴重了，用戶感知度已經(jīng)受到較大影響。同時，這種方法治標不治本，處理問題處于被動，不是主動發(fā)現(xiàn)并及時解決問題。

造成這種問題的主要原因有兩點。一是和場景突變相關的因素太多，包括各類指標，參數(shù)和相關屬性等。比如測量性能，保持性，接入性等指標；最大重發(fā)次數(shù)，小區(qū)重選偏移等無線參數(shù)。單獨分析某些指標或者參數(shù)，無法發(fā)現(xiàn)指標與參數(shù)間關聯(lián)關系，無法獲知小區(qū)場景突變的原因。即使發(fā)現(xiàn)了場景突變，也可能并不清楚是指標或者參數(shù)或者其他因素導致。二是數(shù)據(jù)的選擇大多局限于一天內(nèi)的某些特定指標或參數(shù)，未進行多維度對比分析，無法準確發(fā)現(xiàn)小區(qū)場景變化的原因，沒有太多借鑒價值，不適合推廣。已提出的利用數(shù)據(jù)挖掘算法發(fā)現(xiàn)小區(qū)場景突變的技術(shù)存在類似不足，其缺點主要集中在以下3點：

（1） 問題發(fā)現(xiàn)和解決效果滯后，場景突變一段時間后，小區(qū)網(wǎng)絡質(zhì)量受到影響時才進行場景調(diào)整。

（2） 受到人為影響，依賴優(yōu)化人員的經(jīng)驗。如果優(yōu)化人員經(jīng)驗不足，可能無法及時發(fā)現(xiàn)小區(qū)突變；或者對問題原因不清楚。

（3） 數(shù)據(jù)分析相關屬性維度選取不充分，無法進行較精準的分析。進行數(shù)據(jù)挖掘分析時，一般針對當天數(shù)據(jù)，未能從多維度進行分析比較。同時，選取的屬性單一，要么是指標，要么是參數(shù)。沒有綜合各類指標參數(shù)進行統(tǒng)一分析，屬性維度選取不足。

還沒有一種好的方法，能夠及時發(fā)現(xiàn)小區(qū)場景的突變。

3 小區(qū)場景突變的方法研究

本論文涉及的方法主要從數(shù)據(jù)挖掘角度來分析，通過獲取不同場景下，包含不同維度屬性的小區(qū)數(shù)據(jù)，篩選過濾出場景突變的小區(qū)數(shù)據(jù)集。分析確認是否由于某些性能指標或者參數(shù)原因而導致的小區(qū)場景突變，最終挖掘得到發(fā)生場景突變的小區(qū)。

3.1 步驟及流程

具體步驟為：

（1） 確定要分析的聚簇場景的目標屬性及與該屬性相關指標和參數(shù)。從相關平臺上獲取相關指標和參數(shù)的數(shù)據(jù)，得到無冗余的數(shù)據(jù)集合。

（2） 對數(shù)據(jù)進行聚簇分類。利用步驟（1)中獲取的指標和參數(shù)數(shù)據(jù)，采用聚簇分類算法，對數(shù)據(jù)進行聚簇分類，得到不同的聚簇場景。

（3） 針對每一個聚簇場景進行排序，篩選。過濾不合格小區(qū)或者未發(fā)生場景突變的小區(qū)，得到可能發(fā)生場景突變的小區(qū)。

（4） 分析上一步驟中得到的小區(qū)，區(qū)分是否由于某個性能指標或者參數(shù)原因?qū)е碌男^(qū)場景突變，刪除無法確認的情況。記錄由于某指標或參數(shù)原因?qū)е碌膱鼍巴蛔兦闆r，通知給相關人員調(diào)整小區(qū)場景配置。

3.2 確定目標屬性及關聯(lián)屬性

首先確定要分析的聚簇場景的目標屬性及與該屬性相關指標和參數(shù)。從相關平臺上獲取相關指標和參數(shù)的數(shù)據(jù)，得到無冗余的數(shù)據(jù)集合。

3.2.1 目標屬性確認

場景的劃分一般針對某些屬性，比如話務量，覆蓋性，接入性，保持性等。首先選定要分析的目標屬性，然后確定與該屬性相關的指標和參數(shù)。篩選出與該屬性關聯(lián)度較大，影響較大的指標和參數(shù)。屬性中還包括時間屬性。

3.2.2 關聯(lián)數(shù)據(jù)獲取

獲取與目標屬性相關指標和參數(shù)的數(shù)據(jù)。連續(xù)一段時間內(nèi)，每天定時從數(shù)據(jù)平臺或OMC上，獲取與目標屬性相關的指標和參數(shù)的數(shù)據(jù)。提取無冗余的特征屬性數(shù)據(jù)集合。通過ENODEBID+CELLID/ENODEBID+CELLID關聯(lián)指標和參數(shù)。

3.3 場景劃分及研究分析

假設要分析某個小區(qū)目標屬性，通過步驟（1）中獲取到的相關指標和參數(shù)等屬性的數(shù)據(jù)。屬性記為a，共獲取y類屬性，記為{a1, a2,…ay}。

假設選擇X個小區(qū)進行分析，每個小區(qū)包含y類屬性。數(shù)據(jù)選取樣本天數(shù)為T天的小區(qū)相關數(shù)據(jù)，比如每天的數(shù)據(jù)選擇小區(qū)某天的六忙時（具有代表性）。一共有X×T條數(shù)據(jù)記錄，每條記錄即一個小區(qū)某天的指標和參數(shù)，每天記錄包含y類屬性，每個小區(qū)均有T條數(shù)據(jù)記錄。記為數(shù)據(jù)集Dorin。

采用算法進行聚簇分析，可將小區(qū)分為多個聚簇場景。通過聚簇分類，y類屬性中具有相同或者相似值的小區(qū)被分配到某一個場景中。處理之后的數(shù)據(jù)集和處理前相比，增加了一列屬性名為class，為標識該小區(qū)屬于某類場景。場景記為Z，假設分為P類場景，每個場景的數(shù)據(jù)條數(shù)記為z1, z2,…zp。每個場景的數(shù)據(jù)條數(shù)可能均不同，即z1, z2,…zp的個數(shù)可能均不同，且z1+ z2+…＋zp=X×T。

即

3.3.1 場景數(shù)據(jù)分析

將小區(qū)數(shù)據(jù)按照時間維度排序。循環(huán)遍歷所有場景，檢查每個場景中不同小區(qū)的數(shù)據(jù)條數(shù)是否相等；同一個小區(qū)的數(shù)據(jù)記錄條數(shù)是否等于樣本天數(shù)。

將所有小區(qū)按照聚簇分類后的場景進行排序，每一個場景中小區(qū)個數(shù)不盡相同。理論上，如果某小區(qū)在一段時間內(nèi)未發(fā)生場景突變，其性能，參數(shù)沒有變化，則若該小區(qū)某天的數(shù)據(jù)已經(jīng)劃分到某個聚簇場景中，那么該小區(qū)其他天的數(shù)據(jù)，經(jīng)過聚簇分類后，也應該分配到該聚簇場景中。注意：ENODEBID+CELLID值不同的小區(qū)，定義為一個不同的小區(qū)，如果出現(xiàn)ENODEBID+CELLID相同的情況，為該小區(qū)在不同時間的數(shù)據(jù)記錄。

如果某個小區(qū)在場景設定后，性能指標，參數(shù)等屬性沒有發(fā)生變化，則該小區(qū)在T天內(nèi)的每一條數(shù)據(jù)理應屬于同一個場景。即一旦發(fā)現(xiàn)某個小區(qū)在T天數(shù)據(jù)中的某一天的數(shù)據(jù)屬于某個聚簇場景，則該小區(qū)在其他T-1天理論上應該屬于同一個場景，在該場景中應該有某小區(qū)的T條數(shù)據(jù)記錄。假設小區(qū)屬于第i類場景（1≤i≤P)，該場景中小區(qū)數(shù)據(jù)條數(shù)為Zi，則Zi＝ T×Ri，Ri為不重復的小區(qū)個數(shù)（以每個場景中，不重復的ENODEBID+CELLID記為一個不重復小區(qū)），且 Ri理論上應為整數(shù)，Zi為T的整數(shù)倍。

但檢查實際情況，Zi卻不是T的整數(shù)倍。大部分小區(qū)，相同ENODEBID+CELLID的小區(qū)，均能在i類場景的Zi條數(shù)據(jù)中找到該小區(qū)的T條數(shù)據(jù)；少部分小區(qū)無法找到T條數(shù)據(jù)，有的可能只能找到一天的數(shù)據(jù)記錄，原因就是小區(qū)聚簇場景可能發(fā)生了突變。

3.3.2 場景數(shù)據(jù)篩選

循環(huán)遍歷場景，獲得所有場景中，數(shù)據(jù)條數(shù)小于樣本天數(shù)的小區(qū)數(shù)據(jù)集。

針對P類場景中每一個聚簇場景，循環(huán)遍歷每一個場景，按照同一個ENODEBID+CELLID的小區(qū)進行排序，針對每個ENODEBID+CELLID相同的小區(qū)，找出其數(shù)據(jù)條數(shù)少于T條的小區(qū)。如場景i中，數(shù)據(jù)條數(shù)為Zi，有Ri個不重復小區(qū)。最終找到Ri-Si個數(shù)據(jù)條數(shù)等于T的小區(qū)。Si個數(shù)據(jù)條數(shù)少于T的小區(qū)，這些小區(qū)共有數(shù)據(jù)條數(shù)為。公式為：

根據(jù)上述公式，獲取每個場景中的（1≤i≤P），得到P個基于聚簇場景的新的數(shù)據(jù)集，該數(shù)據(jù)集與初始X×T條數(shù)據(jù)集相比，多了一列聚簇場景屬性。同時，對于每一個聚簇場景，少了（Ri-Si)×T條小區(qū)數(shù)據(jù)，只有條數(shù)據(jù)，對應Si個小區(qū)。

則經(jīng)過篩選排序之后的數(shù)據(jù)集，記為Dfilter。共有數(shù)據(jù)條數(shù)為

該數(shù)據(jù)集為小區(qū)場景突變數(shù)據(jù)集，每個小區(qū)在T天內(nèi)的數(shù)據(jù)可能屬于2個或多個class場景。不同class屬性的值不相同。

3.3.3 場景數(shù)據(jù)過濾

利用ENODEBID+CELLID進行過濾后，每個不同ENODEBID+CELLID的小區(qū)理論上也應該有T條數(shù)據(jù)，只是屬于不同的聚簇，其class屬性的值不一樣。但檢查Dfilter數(shù)據(jù)集，仍然有部分小區(qū)的數(shù)據(jù)條數(shù)小于T。這是由于在采集樣本時間范圍內(nèi)，小區(qū)首次入網(wǎng)或者在數(shù)據(jù)采集時間范圍內(nèi)，發(fā)生退網(wǎng)情況；或者某天數(shù)據(jù)沒有上報。這種外在因素導致的數(shù)據(jù)條數(shù)少于T的情況，沒有參考價值，需要刪除這類小區(qū)。剩下的所有小區(qū)，每個小區(qū)均有T條數(shù)據(jù)記錄。對應T天的數(shù)據(jù)。最終得到數(shù)據(jù)集，記為Dfinal。

此時可對剩下的數(shù)據(jù)進行分析挖掘。

3.4 場景突變判定

3.4.1 場景挖掘分析

計算每個小區(qū)的每一列屬性在所有樣本中的標準差；計算每個屬性與其標準差的偏差，獲取偏差較大，且符合判別標準的屬性所對應小區(qū)當天的數(shù)據(jù)記錄。

利用Dfinal，按照ENODEBID+CELLID進行排序。對于同ENODEBID+CELLID，但屬于不同場景的小區(qū)，查找每一條數(shù)據(jù)的聚簇場景class。

對于同一個小區(qū)，假設某個小區(qū)的T天數(shù)據(jù)分到m個聚簇場景中（1

m個場景中，有的場景可能只有一條數(shù)據(jù)，有的場景可能有多條數(shù)據(jù)。

針對小區(qū)y個屬性中的每一個屬性，取T天的值。針對每一個屬性在不同天內(nèi)的不同值，比如每一行的第一列屬性作為一組；同理，每一行的第二列屬性作為一組，每一行第y列屬性也作為一組。分別計算每個屬性組的標準差，標準差公式為：

（j為天數(shù)，1≤j≤T ；n為屬性標識， 1≤n≤y,表示屬性n在這一組中的算術(shù)平均值)

如果出現(xiàn)不符合上述判斷的情況，表明針對屬性n，該小區(qū)第j天的值與其他天相比，波動較大。獲取所有不符合上述公式判決的，屬性n的該小區(qū)第j天數(shù)據(jù){。假設有T′天。

一般的，如果某個屬性n的值變化范圍不大，則基本都符合上述公式判決。如果某個屬性在一段時間內(nèi)，變化差異大，則可能有T′天的數(shù)據(jù)不符合上述判決。

3.4.2 場景突變判定

獲取波動變化最大的屬性，若其對應當天的小區(qū)數(shù)據(jù)在某個場景中唯一，則判決其為小區(qū)場景突變。

由于不同的聚簇方法采用的算法不同，產(chǎn)生的聚簇場景也不同。可能出現(xiàn)某個小區(qū)不同時間天內(nèi)，部分屬性值變化較大或者波動差異較大，卻沒有發(fā)生聚簇突變，仍然屬于同一個場景的情況。需要對這種情況進行區(qū)分。

對于3.4.1結(jié)果中波動變化較大的屬性，可能出現(xiàn) 天波動都比較大的情況。針對屬性n，對于所有不符合3.4.1中判決公式的數(shù)據(jù)，取max（。

計算值最大時所對應的j值以及相應的聚簇場景class值。

檢查第j天所屬場景，若只有一條數(shù)據(jù)，即該小區(qū)的其余T-1條數(shù)據(jù)分布在其余m-1個場景中。則可認為，由于該屬性an在第j天發(fā)生大的波動變化，導致某小區(qū)第j天的數(shù)據(jù)發(fā)生場景突變。且突變很有可能和該屬性關聯(lián)性相關。可將結(jié)果通知網(wǎng)優(yōu)人員，查明該屬性突變的原因，進行現(xiàn)網(wǎng)數(shù)據(jù)的分析和調(diào)整。

圖1 小區(qū)聚簇分類

圖2 小區(qū)數(shù)據(jù)篩選過濾

3.5 場景突變示例

截取了某省部分小區(qū)3天的數(shù)據(jù)，主要包括標示和部分指標，性能相關屬性，利用聚簇分類進行場景劃分之后的情況如圖1所示。

圖中最右邊為聚簇類，從圖中可以看出，聚簇分類后，出現(xiàn)了同一個小區(qū)不同天內(nèi)劃分在不同場景的情況。篩選某一個聚簇類，比如cluster58，篩選結(jié)果如圖2所示。

從圖2中可知，該類下具有兩個小區(qū)，一個CELLID為10762，它在不同天內(nèi)都屬于cluster58，另外一個CELLID為61016，在該簇下只有一條記錄，故該小區(qū)可能發(fā)生場景突變。檢查該小區(qū)數(shù)據(jù)條數(shù)是否缺失，如圖3所示。

從圖3中可知，該小區(qū)的數(shù)據(jù)條數(shù)是完整的。利用本章3.3與3.4節(jié)的場景突變判定方法，該場景cluster58下的小區(qū)，CELLID為61016的小區(qū)發(fā)生了場景突變。從圖中標綠色部分可以看出，該場景下小區(qū)的部分指標和性能屬性值在之后的時間發(fā)生較大偏離。如果仍然按照之前的場景劃分方式設置參數(shù)值，很有可能導致該小區(qū)覆蓋區(qū)域的指標和性能較差，從而影響用戶感知。建議對該小區(qū)重新劃分場景并設置相關參數(shù)值。

4 總結(jié)

本論文提出了一種方法，通過獲取包含不同維度屬性的小區(qū)數(shù)據(jù)，篩選過濾出場景突變的小區(qū)數(shù)據(jù)集。分析確認是否由于某些性能指標或者參數(shù)原因而導致的小區(qū)場景突變，最終挖掘得到發(fā)生場景突變的小區(qū)。

圖3 小區(qū)場景突變判定

本論文的方法不依賴于網(wǎng)優(yōu)人員的經(jīng)驗，能夠快速定位發(fā)生場景突變的小區(qū)，網(wǎng)優(yōu)人員可以及時調(diào)整小區(qū)所屬場景。同時，該方法具有通用性，不論按照何種方式劃分場景，只要發(fā)生突變，均可利用該方法判決突變小區(qū)。

后續(xù)將更多需要圍繞現(xiàn)網(wǎng)數(shù)據(jù)開展大量的驗證和實踐工作，更好的指導現(xiàn)網(wǎng)LTE優(yōu)化工作。