基于K最近鄰算法的地鐵4G室分故障定位方法研究

滕祖偉，周杰華，肖 波（中國聯通湖北分公司，湖北武漢430040）

0 引言

地鐵已經成為城市最常用的公共出行方式，4G用戶經常使用移動互聯網來消磨時間，因而保障地鐵4G用戶感知愈發重要。2017年中國聯通集團要求：在保持重點城市網絡質量的基礎上，打造地鐵等4G室內網絡領先優勢。目前地鐵室內分布系統主要由有源設備及無源分布系統組成，其中無源分布系統由饋線、無源器件、天線組成來實現射頻信號在建筑物內的傳輸及覆蓋。后臺告警僅能監控室分信源設備故障，無法監控到分布系統等無源器件問題，這些無源器件問題主要依靠巡檢和投訴來定位，不僅周期長，且故障定位繁瑣、工作量大、定位準確率低。

K最近鄰算法是一個理論上比較成熟的機器學習方法，其核心思想是：給定一個訓練樣本集，輸入沒有標簽的新數據，與樣本集中數據對應的特征進行比較，然后選擇樣本集中距離最近鄰的k個分類標簽，并按照一定規則確定最終的分類標簽。通常采用最小歐氏距離或最大余弦距離衡量。

MR是手機在執行業務過程中向網絡上報的、反映用戶當前無線環境的下行信號強度和質量等信息的報告，其上報周期一般設定為5 s。

現有的基于K最近鄰算法和位置指紋庫的MR定位技術已廣泛應用于移動無線網質量評估、網絡規劃、網絡優化工作中。但地鐵的室內場景比較特殊，不僅其中的終端經緯度信息無法獲取，而且窄長型的隧道環境封閉，作為第三方的電信運營商無法直接對其空間進行柵格化操作，因此，無法有效實現對地鐵室分系統故障的精準定位。

1 主要思路

針對電信運營商無法直接對空間封閉的地鐵隧道進行柵格化操作的難點，創新性采用空間相關性測量方法，對地鐵隧道進行相同時間間隔的連續分割，完成地理柵格化并建立位置指紋庫。然后，采用K最近鄰機器學習算法，把位置指紋庫與實時上報的MR數據進行匹配：一旦連續多個地理柵格都未匹配到MR數據，則認為該區域室分系統存在故障。

其中，地鐵線路內有多列列車連續、勻速運行，相鄰列車時間間隔較短（通常低于5 min），可以認為：地鐵手機用戶持續占用整條地鐵的室分系統，那么每次周期上報的MR數據就是針對整條地鐵室分系統無線信號進行的一次“快照”。同時，由于地鐵室分系統信號與室外信號隔離好，具有干擾小、信號電平波動小的特點，因此K最近鄰算法定位準確度高。

2 定位過程

2.1 流程圖

故障定位流程圖如圖1所示。

圖1 故障定位流程圖

2.2 具體實施

武漢地鐵3號線全線位于地下，起于宏圖大道，止于沌陽大道，全長29 640 m，沿線24個地鐵站。覆蓋該地鐵沿線共使用4G基站29個，4G小區65個。下面以武漢地鐵3號線為例進行具體實施說明。

2.2.1 將地鐵沿線進行地理柵格化處理

a）執行空間相關性測量生成CQT文件：測試人員攜帶已安裝前臺測試軟件Pilot Walktour的測試終端iPhone 6S A和測試終端iPhone 6S B，從武漢地鐵3號線起點宏圖大道站臺進入地鐵列車尾部同時開始CQT測試。當列車啟動、離開站臺或到達下一站臺停車時，測試人員要在已導入測試終端A的地鐵站臺分布圖上進行手動打點（注：每次手動打點不要重疊在一起），一直持續到地鐵終點沌陽大道站臺，從而得到測試終端A、B生成的2個rcu格式CQT文件（見圖2）。

圖2 空間相關性測量過程流程圖

b）對地鐵沿線進行相同時間間隔的連續分割：測試人員采用Pilot Walktour軟件解析測試終端A生成的CQT文件，并輸出TXT文本格式的地鐵室內分布系統信號特征記錄。然后，根據之前列車停車、啟動時的手動打點，剔除列車停靠站臺時的信號特征記錄，完成對整條地鐵200 ms間隔周期（即測試終端A的芯片采樣周期）的均勻等分，并得到每個200 ms所對應的信號特征記錄信息：采樣時刻、主小區唯一標識、主小區信號電平、鄰小區PCI、鄰小區信號電平。

c）針對這些信號特征記錄從“1”開始進行順序編號，得到長度為29 640 m的武漢地鐵3號線全部11 694個地理化柵格（見圖3）。

圖3 地鐵3號線地理柵格化

d）采用上述相同步驟處理測試終端B生成的CQT文件，實現測試終端B對整條地鐵站臺和隧道的地理柵格化處理。

2.2.2 建立地理柵格與室內分布系統信號特征一一映射的位置指紋庫

針對測試終端A、測試終端B產生的相同柵格編號所對應的主小區信號電平、鄰小區信號電平進行算術平均，得到對應柵格內的信號電平強度向量（包含主小區信號電平強度平均值、鄰小區信號電平強度平均值），從而建立地鐵地理柵格與室內分布系統信號特征一一映射的位置指紋庫（見表1）。

2.2.3 采用K最近鄰算法實時定位MR記錄

表1 位置指紋庫

K最近鄰算法實時定位MR記錄如圖4所示。

采集并解析地鐵室內分布系統OMC周期生成的15 min粒度的MR原始文件，得到地鐵手機用戶實時上報的待匹配MR記錄中的主小區唯一標識、主小區信號電平、鄰小區PCI及鄰小區信號電平，并從位置指紋庫中篩選出具有相同主小區唯一標識和鄰小區PCI的1個或多個信號電平強度向量。

然后，采用K最近鄰算法計算這些信號電平強度向量與待匹配MR的信號電平強度向量之間的歐氏距離。根據計算得到的歐氏距離和距離門限閾值確定最相似的k個柵格，并按照一定規則從k個柵格中選擇1個柵格作為待匹配MR記錄的柵格位置估計值（見表2）。

2.2.4 統計地理柵格內所匹配的MR記錄條數

圖4 K最近鄰算法實時定位MR記錄

表2 柵格位置估計值

按小時粒度統計武漢地鐵3號線全部11 694個地理柵格內所匹配的MR記錄條數（見表3）。

表3 柵格所匹配的MR記錄條數

2.2.5 定位地鐵室內分布系統故障的地理位置

如果一個小時內未匹配到MR記錄的地理柵格序號連續，并且序號連續的柵格數量大于設定門限值（50）時，可判定這些連續地理柵格所對應的室內分布系統覆蓋區域出現故障。

2.3 效果驗證

隨機選取武漢地鐵3號線的宏圖大道站、市民之家站2個站臺進行定位精準性測試。

每個站臺起始位置測試1 min，間隔10 m測試1 min，依次重復10次，記錄10組的時間點和位置點，共進行20次測試。同時后臺跟蹤測試手機的MME UE S1AP ID，從而可找到對應MR記錄并匹配到柵格位置。最后，統計柵格位置和實際位置的距離偏差：定位偏差在-20～+20 m的MR數量占比為86.34%（見表4）。

表4 MR定位精準度統計

2.4 應用情況

統計某時段武漢地鐵3號線每個地理柵格內所匹配的MR條數，發現4處疑似故障。其中，宏圖大道站→市民中心站之間的隧道內86個柵格（約250 m）未匹配到MR數據，經核實：信源正常，但POI存在上行硬件故障。協調鐵塔替換后，恢復正常。

3 結論

本文描述的地鐵室內分布系統故障的定位方法，實際上是位置指紋庫定位算法的逆向應用，可拓展應用到地停、高鐵隧道、高速隧道等其他密閉場景的故障定位。如果開啟中國聯通4G基站的異頻測量功能，可得到密閉場景中其他運營商（中國移動、中國電信）的信號情況，找到相比競爭對手的優勢和劣勢，有的放矢地指導日常優化工作。