基于大數據挖掘的維優補位方案研究

梅明濤 張 晶 趙志揚 魏志剛 王朝陽 宋嘯天

1.中國移動通信集團江蘇有限公司網絡部；2.鎮江市審計局

0 引言

隨著5G快速建設的腳步，網絡規模急劇增長，多制式、多廠家、多類型設備共同組網使網絡維護工作難度進一步加大。由于備電不足、城市建設、業主破壞、惡劣天氣等突發情況導致站點退服情況時有發生，傳統的巡檢維護模式已經無法滿足復雜網絡結構穩定的需求。無線退服帶來了種種影響：較長的現場處理時間影響了網絡關鍵業績指標（key performance indicator，KPI）；應急修復退服基站容易帶來操作上的安全隱患；周邊用戶的客戶感知受到影響，客戶滿意度影響大。因此，在網絡智慧運維時代，基于網絡大數據，結合傳統運維生產經驗，針對人工分析執行的不足，需要探尋出智能、高效、安全的維護解決方案來保障網絡穩定性。

1 維優補位技術原理

從站點設備故障退服所帶來的覆蓋性能劣化程度智能預測評估和多維數據分析獲取的自動化覆蓋補償方案輸出兩個方面實現數字智能化運維支撐（Digital Intelligent Operation And Maintenance Support，DIOAMS），如圖1所示。

圖1 退服補位實現原理圖

維優補位技術是對通信網絡大數據進行挖掘，實現設備故障后智能化維護的創新技術。由正常設備運行數據建模→故障退服性能影響程度計算→覆蓋補償目標小區決策識別→大數據計算優化調整方案→智能維護運行五大環節組成，以下為關鍵技術原理：

1.1 小區同址關系建立

基于工參經緯度信息和歸屬資源點信息，對同受退服影響的小區進行同址關系聚合，并關聯工參得到相關小區頻點（E-UTRA absolute radio frequency channel number，Earfcn）和物理小區識別號（Physical Cell Id，PCI）信息。

1.2 退服覆蓋影響程度預測分析，定義站點覆蓋補償需求級別

解析讀取測量報告（Measurement Report，MR）數據，根據第一步中的同址小區關系，從鄰近小區測量數據中，篩選非同址小區進行最強接收信號強度排序，記錄下最強的接收信號強度數據，定義為“異站址鄰區最強信號（OverNcRsrp_Max）”，如圖2所示。

圖2 異站址鄰區最強信號測算方法

基于異站址鄰區最強信號模擬測算，當服務小區所屬站點退服中斷后，鄰近小區所能覆蓋到該小區區域的覆蓋指標：分段覆蓋率、平均參考信號接收功率（Reference Signal Receiving Power，RSRP）等。再結合站點的最小/平均間距，日常忙時業務量等信息，綜合判別定義站點退服覆蓋補償需求級別。

1.3 覆蓋補償有效小區識別算法

基于MR全鄰區測量服務小區+鄰區的小區對數據匯總，統計出有效鄰區覆蓋的采樣次數及占比。排列算法及規則如下所示：

（1）篩選站點測量中RSRP大于-110dB的采樣占比大于10%的鄰區；

（2）因同邏輯站點下小區頻段、站址、高度等要素一致，所以擇優一個待優化小區，采樣占比未超出3%的情況下優先選擇以退服站點鄰區方位角60°內的小區；

（3）過濾不同場景下的最大間距閾值外的結果，并按TOPn排序（本課題設置最大top3，避免出現較為嚴重的結構干擾問題）；

（4）無法調整黑名單小區配置，剔除待優化小區序列，如表1所示。

表1 待優化小區序列示例表

1.4 基于射線追蹤仿真的射頻（Radio Frequency，RF）調整策略

（1）目標補償位置計算

基于MR柵格聚合的用戶集中區域位置測算算法：根據目標補償小區所能覆蓋的柵格進行匯聚計算。利用具有噪聲的基于密度的聚類方法（Density-Based Spatial Clustering of Applications with Noise， DBSCAN）找出小區覆蓋方向上MR采樣點最集中的區域，計算出該區域的中心點經緯度，如圖3所示。

圖3 用戶集中區域中心位置測算

（2）基于射線追蹤覆蓋測算的智能RF尋優

基于高精地圖射線追蹤仿真技術，將問題分析點接收到的信號分解為直射δ1、反射δ2、繞射δ3三種傳播類型，并按照射線傳播的不同類型，分別進行計算，疊加到一起得出最終結果：

根據目標優化小區波束水平方位角度差α和波束垂直方向角度差β，設定水平方位和垂直角度的測算間隔步長（本課題研究水平方位測算間隔步長為3°，最大調整為30°；垂直方位為2°，最大調整10°）。將目標優化小區波束水平或垂直方向向問題分析點位置偏轉，對應步長的配置參數，以新增小區配置參數的方式列入仿真運算：計算射線追蹤模型下，目標優化小區和問題分析點測算不同方位和垂直角度的RSRP差值。

①RF配置尋優策略：根據現網覆蓋模型影響，實施難度，設定優先級為功率配置-＞天線下傾（電子）調整-＞水平權值配置；

②功率配置策略：基于有源天線處理單元（Active Antenna Unit，AAU）型號和合路射頻單元信息分析可配置最大功率與當前配置差值；

③天線下傾調整：根據同址不同下傾步長虛擬小區仿真結果測算，優先仿真RSRP增益最高的方案；

④水平權值調整：根據當前權值場景下水平波寬：目前普通室外小區覆蓋寬度最大為110°，在該范圍內可以對子波束數量和覆蓋方位進行自定義調整。因此，水平方位可調最大范圍為55°。當單波束射線追蹤覆蓋測算方案建議角度在55°內時可以直接基于權值配置實現。

示例：小區原權值配置為默認場景2配置、覆蓋問題區域在小區主波瓣增益區域外、繼承垂直賦型，方案輸出調整至權值場景4，實現水平覆蓋增強，如圖4所示。

圖4 補位參數配置調整覆蓋增強示意圖

1.5 自動化執行及性能監控

（1）自動進行補償與倒回：讀取預設補償方案，對接操作維護中心（Operation and Maintenance Center，OMC）接口自動執行補償和倒回方案的參數調整。

（2）補償效果自動評估：接入最小路測技術（Minimization of Drive-Tests，MDT）測量數據與小區級北向性能指標（Performance Metrics，PM），對退服區域整體指標進行退服后、補償后指標統計評估。

2 維護優化補位技術應用

2.1 試點背景及整體應用效果

從設備覆蓋、用戶密度規模等因素考慮，分別選取南通、鹽城、常州三個地市進行試點研究應用。設備類型分別涵蓋了華為、中興、愛立信省內三大主設備廠家；地域分布代表了蘇南、蘇中、蘇北，以確保涵蓋不同類型的應用場景。

試點期間退服告警1780個，分析評估優先派單271單，涉及參數修改的補償小區1732次。系統在有限的處理人力資源條件下，更好地聚焦重點目標，有效提升了運維效益。退服補償程序能挽回71%的流量，并且平均RSRP和覆蓋率較退服未補償期間均有明顯的改善。該方法目前已經在全省推廣使用納入生產系統。2021年某月份全省處理工單2164條，方案制定時長下降80%，退服小區連同補位小區微區域流量相比退服補位前增長1.37倍，維穩流量約115T左右。

2.2 應用實例

本課題系統共計對接試點區域站點3.7萬，接入數據包括：站點設備工程參數、告警數據、MR數據、MDT數據等。共監測到故障站點1352個，必要執行站點271個，其中黨政軍機關、交通樞紐等重要保障場景站點32個、覆蓋性能保障站點239個。

【分析優化實例】

退服發生：鹽城響水消防大隊_HLF基站位于響水縣城，屬于覆蓋黨政軍機關的重點保障場景，于2021年9月19日發生網元連接中斷告警。

補位建議：根據大數據分析情況，識別補位小區并進行功率提升以及下傾角調整（關鍵補位鄰區目標發射功率配置12，鄰區下傾調整2°）消除網絡故障對網絡的影響。

經測試，采用補位技術后網絡性能和感知明顯提升：RSRP提升4dB、基礎信號強度覆蓋率提升5.56%、感知保障信號強度覆蓋率提升16%、下載速率提升40%。

3 技術性能評估

本課題基于傳統的故障應急保障方案，分別從設備故障后網絡覆蓋質量有效預測、補償小區精準識別、保障用戶集中區域定位三個重要環節進行完善，創建實效性更高、網絡操作穩定性更高、方案實施更有效的智能化故障維優系統。

3.1 有效預測退服覆蓋性能

基于MR數據特點，將期望測算的站點下服務小區內的用戶測量報告鄰區進行逐一檢索，判斷出最強接收電平的異站址鄰區，實現準確的退服覆蓋性能預測，同時，結合德洛內三角算法測算的站點間距以及主服務站點下業務量，完成精確的覆蓋補償優先級判斷。基于測量報告的退服覆蓋性能預測解決了日常告警過多，導致地市無法聚焦評估影響，顧此失彼的維護模式，大幅提升了維護工作效率。

3.2 準確識別覆蓋補償有效小區

基于MR全鄰區測量服務小區+鄰區的小區對數據匯總，統計出有效鄰區覆蓋的采樣次數及占比，并根據初選鄰區的間距以及扇區方位判斷實現補償有效小區識別。通過覆蓋補償有效小區識別算法，結合以往人工分析經驗，納入人工覆蓋補盲優化分析要素和流程，結合實際用戶MR數據統計，實現了更為準確的覆蓋補償有效目標小區的選取。

3.3 優化退服站點用戶集中位置測度

覆蓋補償有效小區確立后，針對目標小區所有效覆蓋的柵格區域，基于用戶業務采樣熱度，采用DBSCAN聚類算法，計算出需要覆蓋中心位置。通過運用退服站點用戶集中位置算法，改善了傳統方案中相對粗獷的覆蓋目標點判斷，將覆蓋柵格區域以合理密度算法進行聚類，讓調優目標更精細，如圖5所示。

圖5 密度聚類算法輸出用戶集中位置

4 結束語

本課題在傳統的退服覆蓋自動化補償成果引入的基礎上結合省內日常優化工作積累，從預前退服覆蓋測算、調整目標選取，調整策略有效性等多個方面進行創新改良。經過多地市、多區域實地試點驗證，本課題技術方案相較傳統人工分析，方案準確性提升32%，方案輸出實施時長縮短78%，有效率提升25%。因此，不管在方案算法準確性，還是調整策略合理性上都更加完善，更能適用于實際網絡生產工作。給一線優化生產帶來很大幫助，具有全國推廣的意義。