基于XDR大數據分析的高架用戶識別技術

汪保友，姚賽彬，黃久成，潘暉

基于XDR大數據分析的高架用戶識別技術

汪保友，姚賽彬，黃久成，潘暉

（中國聯合網絡通信有限公司上海分公司，上海 200080）

城市高架路場景下，用戶行駛速度相對較快、人流密集，客戶對通信體驗要求更高。首先，介紹了網絡質量管控大數據平臺體系架構；其次，設計了基于XDR大數據分析的高架用戶識別的算法；最后，通過XDR大數據分析處理，與高架路段指紋庫匹配，輸出高架用戶運動軌跡，提升了高架用戶識別準確性，為高架路無線網絡質量監控提供輔助支撐。

網絡優化；XDR；城市高架識別

1 引言

為有效緩解城市交通擁堵，很多城市選擇修建城市高架路，建立城市立體交通網絡。以上海為例，上海有延安高架、南北高架、內環高架等14條高架線路，日均車流量已經達到201萬輛。高架、高速等快速道路中，用戶行駛路線相對固定、行駛速度相對較快、人流密集，客戶對通信體驗要求更高，無線網絡的移動性、保持性、接入性質量對客戶感知有重要影響。如何準確識別高架用戶，利用高架用戶群體的真實多維感知數據，實現全民測試、全量測試，快速匯聚問題道路，更趨近用戶真實感知體驗，從而大幅提高網絡檢測效率和準確性，是迫切的實際需求，非常具有實用價值。

目前高架用戶識別方法，存在如下問題。

（1）GPS衛星定位法

由于多徑效應等影響，GPS的高度誤差明顯高于平面誤差，僅靠GPS的坐標，無法區分用戶處在高架橋上還是地面道路上。

（2）位置區更新識別法

單純位置區更新識別算法誤判率高，容易把地面道路用戶誤判為高架用戶。

（3）基于圖像檢索識別法

基于圖像檢索識別高架用戶，后臺需要拍攝、存儲大量高架路圖片，對設備的計算能力要求高，適用于車輛導航及路線服務場景。

眾所周知，運營商擁有海量的數據，其中MR測量報告和XDR信令數據是OSS域最主要的兩類數據，MR測量報告每日可達幾TB，XDR原始信令每日更可達到幾十TB。面對如此巨大的數據體量，必須依托大數據支撐平臺處理分析。本文提出一種基于XDR大數據分析的高架用戶識別技術。該技術通過XDR大數據分析處理，輸出用戶完整運動軌跡，與高架路指紋庫匹配，可自動輸出高架用戶運動軌跡，提升了高架用戶識別準確性，為高架路無線網絡質量監控提供了輔助支撐。

圖1 網絡質量管控大數據平臺體系架構

2 網絡質量管控大數據平臺體系架構

網絡質量管控大數據平臺體系架構如圖1所示，下面3層是技術層面，上面兩層是業務層面。底層是對近源數據的采集處理，包括MRO文件解壓、解析、預處理、定位、回填IMSI等；XDR文件解壓、解析；OMC網管PM性能數據和工參數據等采集處理，采用了Flume、Kafka流式計算框架。往上一層，是數據湖存儲和數據集市運算，數據湖存儲于Hadoop集群的HDFS文件，通過Hive及HBase工具組件對外提供查詢接口；通過Spark Streaming準實時計算工具，匯聚計算中間結果存儲于MPP數據庫（包括基礎數據和匯總數據）；再通過數據挖掘、SQL計算，產生價值數據和粗粒度匯總數據，存儲于RDB數據集市，以便外部調用。再往上，是查詢引擎，通過一些框架組件，如Hibernate、SpringBoot、CAS框架，ExtJS、VUE、WebSocket前端工具等，進行業務處理和可視化展現。再往上一層，是模型字典，提供計算模型（用戶模型、業務模型、指標模型）以及數據字典（柵格、道路、場景、用戶等）。頂層是應用門戶，實現網絡優化生產（自動路測、自動評估、自動派單、智能工參等）以及網絡維護支撐（綜合監控、智能判障等）。

3 基于XDR大數據分析的高架用戶識別技術

3.1 相關定義

定義1 區塊路段

定義2 區塊路段指紋

定義3 高架路指紋庫

定義4 運動特征用戶

基于移動性原理，用戶在行駛過程中，會從一個位置區移動到另一個位置區，如果用戶在短時間內發生多個位置區更新，則將其定義為運動特征用戶。

定義5 高架用戶

某時間段內在高架路段行駛的運動特征用戶，定義為高架用戶。

3.2 技術思路

基于XDR大數據分析的高架用戶識別，首先，通過XDR大數據關鍵信息，生成用戶運動軌跡；其次，把每個用戶的運動軌跡與高架路指紋庫進行比對匹配，判定用戶是否經過某個區塊路段、經過多少條區塊路段，進而判定是否為高架用戶、運動場景經過哪些高架；最后，通過閾值和條件選擇實現高架用戶自動識別，為無線網質量感知問題提供用戶聚焦手段。數據處理流程如圖2所示。

3.3 用戶運動行程生成算法

3.4 用戶運動行程合并算法

通過算法1生成的用戶運動行程UTrips，可能存在行程碎片，即用戶單次行程被分割記錄成多條行程，為此需要進行用戶行程合并。選擇用戶

圖2 高架用戶識別數據處理流程

圖3 用戶運動行程生成算法流程

3.5 高架用戶識別算法

將合并后的用戶運動軌跡UTrips_New，與高架路指紋庫進行匹配，判定用戶是否經過某區塊路段、經過多少條區塊路段，進而判定是否高架用戶、運動場景經過哪些高架路。高架用戶識別算法流程如圖5所示。

圖5 高架用戶識別算法流程

此算法基本思路分為以下4步。

步驟2 將UTrips_shift按用戶、時域排序。

步驟3 行程記為UTrips_shift與高架路指紋庫RD_Finger匹配，判斷該條行程是否在指紋中。如是，則判斷屬于哪條線路，并輸出到UTrips_Out數據集中。

4 高架用戶識別的應用

通過以上算法的大數據分析處理，可實現高架用戶自動識別，為無線網質量感知提供用戶聚焦手段。準確識別高架用戶后，再利用高架用戶群體的真實多維感知數據，實現全民測試、全量測試，快速匯聚道路問題，更趨近用戶真實感知體驗，從而大幅提高網絡檢測效率和準確性，達到“節能增效”的目的。通過可視化大屏可實現區塊路段KPI監控、異常路段告警提示，也可提供單用戶、單區塊路段的感知指標查詢分析，輔助投訴和問題定位。可視化監控系統門戶如圖6所示。

圖6 可視化監控系統門戶

5 結束語

基于XDR大數據分析的高架用戶識別技術，為無線網質量感知提供用戶聚焦手段，有效提升了全網高架路評估能力和頻次。傳統DT路測法成本高、數據樣本量小、測試終端數極少、隨機性大，無法模擬真實用戶感知；傳統指標監控法，通過篩選出高架路沿線主控小區進行KPI性能統計，會引入大量非高架路用戶，準確性偏低。本文所提方法克服了傳統DT路測法及指標監控法的問題，從實際應用效果看，該方法已推廣使用到高架、高速、高鐵等“三高”定軌道路場景，質差和高掉話等隱性問題的發現及時率從30%提高到95%，日常優化問題點覆蓋率超過90%，路測工作自動完成率超過70%，節約了運維成本，提高了優化效率。

[1] 劉韜, 吳濤, 王斌. XDR與MR數據關聯與應用[J]. 電信科學, 2019, 35(4): 120-130.

LIU T, WU T, WANG B. Association and application in XDR and MR data[J]. Telecommunications Science, 2019, 35(4): 120-130.

[2] YAO S B, HUANG J C, WANG B Y, et al. Design and application of network optimizing integrated platform based on rasterized big data[M]. Signal and Information Processing, Networking and Computers. Singapare: Springer, 2020: 789-799.

[3] 汪保友, 姚健, 張正卿. 基于FKS的信令采集與監控技術[J].電信科學, 2018, 34(3): 145-155.

WANG B Y, YAO J, ZHANG Z Q. Signaling collection and monitoring technology based on FKS[J]. Telecommunications Science, 2018, 34(3):145-155.

[4] 伏玉筍, 楊根科. 人工智能在移動通信中的應用：挑戰與實踐[J]. 通信學報, 2020, 41(9): 190-201.

FU Y S, YANG G K. Application of artificial intelligence in mobile communication: challenge and practice[J]. Journal on Communications, 2020, 41(9): 190-201.

[5] 王瑩, 蘇壯. 無線網絡中的移動預測綜述[J]. 通信學報, 2019, 40(8): 157-168.

WANG Y, SU Z. Survey of mobility prediction in wireless network[J]. Journal on Communications, 2019, 40(8): 157-168.

[6] 許佳捷, 鄭凱, 池明旻, 等. 軌跡大數據: 數據、應用與技術現狀[J]. 通信學報, 2015, 36(12): 97-105.

XU J J, ZHENG K, CHI M M, et al. Trajectory big data: data, applications and techniques[J]. Journal on Communications, 2015, 36(12): 97-105.

[7] 朱近康, 柴名揚, 周武旸. 面向B5G/6G的三三三網絡體系架構和優化學習機制[J]. 通信學報, 2021, 42(4): 62-75.

ZHU J K, CHAI M Y, ZHOU W Y. Three-three-three network architecture and learning optimization mechanism for B5G/6G[J]. Journal on Communications, 2021, 42(4): 62-75.

[8] 湯雅妃, 魏進武, 張云勇. 基于大數據的信令監測系統研究[J]. 郵電設計技術, 2014(7): 47-52.

TANG Y F, WEI J W, ZHANG Y Y. Research on big data based signaling monitoring platform[J]. Designing Techniques of Posts and Telecommunications, 2014(7): 47-52.

Identification technology for city freeway users based on XDR big data analysis

WANG Baoyou, YAO Saibin, HUANG Jiucheng, PAN Hui

Shanghai Branch of China United Network Communications Co., Ltd., Shanghai 200080, China

In the scene of city freeway, the driving speed is relatively faster, the flow of people is denser, and the customers have higher requirements for communication experience. Firstly, the architecture of big data platform for mobile network quality control was introduced. Then, the identification algorithm for city freeway users based on XDR big data analysis was proposed. Finally, through XDR big data analyzing and processing, the user track on freeway was output, which followed by matching with the fingerprints database of freeways. The identification accuracy for city freeway users was improved, and wireless network quality monitoring of city freeways was supported.

network optimization, XDR, identification of city freeway

TN929.5

A

10.11959/j.issn.1000?0801.2021214

汪保友（1968? ），男，博士，中國聯合網絡通信有限公司上海分公司高級工程師，主要研究方向為商業智能與大數據分析、無線網優化、網絡與數據安全。

姚賽彬（1982? ），男，中國聯合網絡通信有限公司上海分公司無線網優化中心總經理、高級工程師，主要研究方向為無線網優化、通信網絡規劃、智能網絡。

黃久成（1987? ），男，中國聯合網絡通信有限公司上海分公司無線網優化中心專項優化室經理、工程師，主要研究方向為無線網優化、通信網絡規劃。

潘暉（1992? ），男，中國聯合網絡通信有限公司上海市分公司工程師，主要研究方向為無線網優化、5G技術。

2021?05?28；

2021?10?21