基于云瞰的沿街商鋪覆蓋評估研究

曾 進，李皓杰

（中國聯(lián)合通信股份有限公司重慶市分公司云網(wǎng)接入網(wǎng)運營中心，重慶 401121）

沿街商鋪是眾多商鋪形式中的一種，指毗鄰街道、擁有臨街鋪面、經(jīng)營與老百姓衣食住行相關(guān)產(chǎn)品和服務(wù)的商業(yè)鋪面，通常分布在街道兩側(cè)樓房的底層。隨著現(xiàn)代社會發(fā)展，沿街商鋪已經(jīng)成為人們?nèi)粘Ｉ钪胁豢苫蛉钡囊徊糠郑瑢Τ鞘械慕?jīng)濟發(fā)展、社會繁榮和生活質(zhì)量的提高具有重要作用。對于網(wǎng)絡(luò)運營商來說，沿街商鋪場景具有用戶停留時間長、網(wǎng)絡(luò)使用度高、人流密集、用戶價值高、區(qū)域代表性強、口碑效應(yīng)明顯等特點，存在廣闊的市場空間，對推進公司基礎(chǔ)業(yè)務(wù)領(lǐng)域創(chuàng)新發(fā)展具有重要意義。但是，有別于大型商場和超市，沿街商鋪由于縱深大、規(guī)模小、數(shù)量多、分布密，往往沒有針對性的部署室內(nèi)分布系統(tǒng)，僅僅依靠室外宏站無法滿足用戶深度覆蓋需求，存在商業(yè)區(qū)和住宅區(qū)之間不平衡問題，嚴重影響城市居民生活質(zhì)量。對運營商來說，如何精準洞察沿街商鋪覆蓋問題、以點帶面提升用戶體驗是亟待攻克的難題。本文通過研究基于華為云瞰系統(tǒng)的沿街商鋪覆蓋評估方法，為洞察商鋪網(wǎng)絡(luò)覆蓋問題提供了新的思路，也為城市治理和公共服務(wù)提供了一些有價值的參考。

1 現(xiàn)有網(wǎng)絡(luò)覆蓋評估方法技術(shù)特點

當前行業(yè)對于沿街商鋪覆蓋主要有3種評估方法，如表1 所示。其中“CQT（Call Quality Test）遍歷測試評估”和“基于DT（Drive Test）路測的虛擬評估”均需要依靠人工測試來完成，耗時耗力、效率低、成本高，同時“基于DT 路測的虛擬評估”不能反映用戶室內(nèi)真實網(wǎng)絡(luò)體驗，準確性不足。“基于MR（Measurement Report，測量報告）數(shù)據(jù)評估”技術(shù)評估周期長，同時評估精度受數(shù)據(jù)質(zhì)量、地圖精度等因素影響，普遍精度不高。因此當前迫切需要一種評估手段，能反映用戶真實體驗的同時節(jié)省人力資源投入，進一步提升沿街商鋪深度覆蓋率和用戶感知。

表1 沿街商鋪現(xiàn)有三種網(wǎng)絡(luò)覆蓋評估技術(shù)特點對比

2 華為云瞰系統(tǒng)簡介

華為通過整合行業(yè)OTT（Over The Top，通過互聯(lián)網(wǎng)向用戶提供各種應(yīng)用服務(wù)）和終端性能管理數(shù)據(jù)，開發(fā)出“云瞰”服務(wù)解決方案，它具備競對公正、3D定位精準、覆蓋評估無損、語音體驗地理化精準評估等關(guān)鍵能力，如圖1 所示。云瞰系統(tǒng)可將采集的樓宇MR 覆蓋信息與終端進入樓宇時的當前Wi-Fi、氣壓等信息進行關(guān)聯(lián)，形成增強型MR，并上報至終端云數(shù)據(jù)平臺，支撐運營商對整體、樓宇、道路等場景以進行網(wǎng)絡(luò)質(zhì)量和體驗的洞察分析。

圖1 華為云瞰系統(tǒng)整體流程

3 基于云瞰的沿街商鋪覆蓋評估方法

本文研究探索了基于華為云瞰樓宇級覆蓋數(shù)據(jù)的二次定位方法，構(gòu)建了從云瞰樓宇數(shù)據(jù)清洗→沿街商鋪數(shù)據(jù)定位→沿街商鋪三維建模→沿街商鋪覆蓋評估模型構(gòu)建與校正的覆蓋評估體系，具體實現(xiàn)思路如圖2所示。首先對云瞰樓宇數(shù)據(jù)進行清洗，將不包含商鋪特征信息的OTT 數(shù)據(jù)篩除，并對該部分數(shù)據(jù)進行算法定位，得到沿街商鋪增強型MR 采樣信息；結(jié)合爬取的商鋪POI 信息構(gòu)建沿街商鋪3D 模型，對落入3D 模型的采樣點進行覆蓋評估；最后引入線性回歸算法，將未落入模型的樣本根據(jù)影響因子賦予相應(yīng)權(quán)重，用以校正評估模型，大大提升了覆蓋評估效率和精準度。

圖2 基于云瞰的沿街商鋪覆蓋評估思路

3.1 樓宇商鋪數(shù)據(jù)清洗

基于華為云瞰系統(tǒng)，可以采集全重慶樓宇級MR采樣數(shù)據(jù)，其中包含商場、商鋪、寫字樓、停車場等數(shù)據(jù)。利用云瞰系統(tǒng)數(shù)據(jù)進行二次清洗，將云瞰樓宇級采樣點中包含商鋪特征的視為有效采樣點，其余數(shù)據(jù)視為臟數(shù)據(jù)，清洗出樓宇級內(nèi)的商鋪有效樣本。云瞰樓宇商鋪數(shù)據(jù)清洗流程如圖3 所示。

圖3 云瞰樓宇商鋪數(shù)據(jù)清洗流程

云瞰樓宇商鋪數(shù)據(jù)清洗過程如下：①對云瞰原始樓宇數(shù)據(jù)數(shù)據(jù)進行采集和存儲。此步驟收集的原始采樣點數(shù)據(jù)包括樓宇區(qū)域內(nèi)高層、商鋪、地下車庫等全部區(qū)域，數(shù)據(jù)內(nèi)容包含用戶MR 覆蓋信息及業(yè)務(wù)特征信息。②收集沿街商鋪特征。沿街商鋪特征信息主要體現(xiàn)在用戶被動采集的數(shù)據(jù)中是否包含面向商戶的微信/支付寶支付信息。③對采集的數(shù)據(jù)進行清洗。提取原始數(shù)據(jù)中包含商鋪特征信息的采樣點，通過此特征篩除非商鋪采樣點。④商鋪數(shù)據(jù)存儲。通過本地數(shù)據(jù)庫存儲包含商鋪特征信息的采樣點[1]。

商鋪數(shù)據(jù)清洗采用萊茵達準則（3σ準則），在95%或99.7%的置信概率下，以采集數(shù)據(jù)標準偏差的3 倍作為誤差判斷的標準進行判斷，如果數(shù)據(jù)大于該標準，則判定為誤差較大的數(shù)據(jù)不在隨機誤差之內(nèi)。這類誤差較大的數(shù)據(jù)即為系統(tǒng)中的異常數(shù)據(jù)，需要在清洗時進行刪除，具體算法如下：對于采集到的數(shù)據(jù)x1、x2…x n，先計算其算數(shù)平均數(shù)和誤差vi=xi-可以求得標準差為1；當時，認為xi為異常值，即不包含商鋪特征信息的值，應(yīng)剔除；當xi為正常數(shù)據(jù)，進行保留，經(jīng)過清洗便得到包含商鋪特征信息的采樣點數(shù)據(jù)[2]。

3.2 沿街商鋪數(shù)據(jù)定位

清洗好云瞰采樣點數(shù)據(jù)后，需要進一步完成高度定位以滿足后續(xù)沿街商鋪內(nèi)覆蓋評估精確度要求。根據(jù)現(xiàn)場調(diào)研，重慶沿街商鋪主要分布在道路兩旁樓房底層，樓層數(shù)量為1—2 層，平均高度為10 m，考慮MR 采樣點數(shù)據(jù)誤差，對數(shù)據(jù)定位設(shè)置5 m 高度偏置，即認為15 m 以上的商鋪采樣點屬于無效商鋪采樣點。采用的主要定位算法有2 種：①基于位置指紋的Wi-Fi定位算法，該算法定位準確度較高，為優(yōu)先使用的定位算法；②基于氣壓信息的定位方法，在沒有Wi-Fi 信息時，使用終端自帶氣壓傳感器信息完成數(shù)據(jù)高度定位[3]。

3.2.1 基于位置指紋的Wi-Fi 定位算法

設(shè)備在開啟Wi-Fi 的情況下，即可掃描并收集周圍的AP（Access Point，接入點）信號，無論是否加密、是否已連接，甚至信號強度不足以顯示在無線信號列表中，都可以獲取到AP 廣播出來的MAC（Media Access Control，硬件位置）地址。基于位置指紋的Wi-Fi 定位算法如圖4 所示。將采樣點中這些能夠標示AP 的信息（包含終端Wi-Fi 的多徑結(jié)構(gòu)及接收功率等信號特征）與云瞰平臺Wi-Fi 信號位置信息指紋庫進行比對，可以確定采樣點在樓宇內(nèi)的相對高度，進一步篩選出沿街商鋪的有效采樣點。

圖4 基于位置指紋的Wi-Fi 定位算法示意圖

采樣點數(shù)據(jù)位置指紋獲取：從采樣點數(shù)據(jù)中分離Wi-Fi 定位的關(guān)鍵字段形成位置指紋。

采樣點數(shù)據(jù)定位：通過加權(quán)KNN（K-Nearest Neighbor）算法進行指紋匹配定位，在位置指紋數(shù)據(jù)庫中選擇多個（K≥2）合適的離線位置指紋[4]，求多個（K≥2）離線位置指紋的橫縱坐標，并求平均值，得到帶高度的采樣點定位信息，即：

3.2.2 基于氣壓信息的定位算法

依據(jù)大氣壓值會隨海拔高度增加而減小的物理規(guī)律，建立氣壓高度模型，如圖5 所示。通過不同氣壓值的高度變化，可以計算終端采樣點在樓宇內(nèi)的相對高度，進一步篩選出沿街商鋪的有效采樣點。

圖5 基于氣象信息的定位算法示意圖（單位：hPa）

采樣點氣壓信息獲取：從采樣點數(shù)據(jù)中分離氣壓傳感器信息關(guān)鍵字段，形成氣壓信息。

采樣點海拔高度計算：根據(jù)接采樣點中的氣壓信息，使用標準大氣模型來計算用戶的海拔高度，在具體應(yīng)用中使用的公式為具體實現(xiàn)算法，即：

式（2）中：h為待定位目標的海拔高度；h0為基準點海拔高度；tm為2 個等壓面P0和P之間的平均攝氏溫度；P0為基準點氣壓；P為待定位目標所在位置的氣壓；t0為基準點溫度；t為測量的溫度。

地面氣壓分布一般在970～1 040 hPa，將P0賦值為1 000 hPa，h0為云瞰平臺收集的基準點海拔高度，t0為20 ℃，則計算采樣點海拔高度的表達式變?yōu)椋?/p>

采樣點相對高度計算：根據(jù)計算得到的采樣點海拔高度度信息h，結(jié)合云瞰系統(tǒng)采集的每個樓宇底層海拔高度h1，可以計算得出到每個采樣點相對于樓宇的相對高度h2，并將帶相對高度的采樣點定位信息存儲于云瞰服務(wù)器[3]，可得h2=h－h(huán)1。

3.3 沿街商鋪三維建模

通過高德地圖API（Application Program Interface，應(yīng)用程序接口），爬取重慶市商鋪級POI 信息，生產(chǎn)重慶沿街商鋪二維平面圖層，結(jié)合重慶沿街商鋪平均高度10 m 進行三維切片建模，具體實現(xiàn)步驟如圖6 所示。

圖6 沿街商鋪三維建模流程

POI 數(shù)據(jù)爬取：首先，使用高德地圖提供的API接口，以GET 方式請求商鋪數(shù)據(jù)，然后將返回的JSON（JavaScript Object Notation，一種輕量級的數(shù)據(jù)交互格式）數(shù)據(jù)解析為Python（計算機編程語言）對象，使用json.loads()函數(shù)將JSON 數(shù)據(jù)解析為Python 對象，生成POI 信息表。

解析JSON 數(shù)據(jù)：提取所需的POI 信息。使用Python 的json 模塊處理JSON 數(shù)據(jù)，提取所需的POI信息，如名稱、地址、類型、評分等。

POI 數(shù)據(jù)解析和存儲：使用BeautifulSoup 庫對HTML（超文本標記語言）文檔進行解析，提取商鋪信息，將提取的POI 數(shù)據(jù)存儲到本地數(shù)據(jù)庫中。

沿街商鋪三維建模：使用云瞰平臺的E3DX 模塊，將商鋪級POI 數(shù)據(jù)以及上文分析得到高度進行3D 建模渲染，得到如圖7 所示的商鋪級3D 模型。

圖7 沿街商鋪三維建模渲染示意圖

3.4 沿街商鋪覆蓋預(yù)評估

基于重慶主城區(qū)商鋪級3D 模型，結(jié)合沿街商鋪數(shù)據(jù)清洗和定位結(jié)果，構(gòu)建沿街商鋪覆蓋評估模型，如圖8 所示。落入商鋪3D 模型的采樣點為有效采樣點，對該部分有效采樣點的網(wǎng)絡(luò)覆蓋情況加權(quán)平均得到商鋪覆蓋情況，基于這種方法可以對沿街商鋪進行覆蓋評估。

圖8 沿街商鋪有效采樣點示意圖

由于沿街商鋪移動網(wǎng)絡(luò)無線環(huán)境復(fù)雜，為驗證該覆蓋評估方法的準確性，研究小組在重慶主城9 區(qū)各抽選350 個，共計3 150 個研究商鋪進行人工CQT 遍歷測試。

將模型評估結(jié)果與人工測試結(jié)果進行對比，若同一商鋪2 種評估方法得到的覆蓋差異在±5 dB 內(nèi)，則認為該商鋪覆蓋評估準確，反之則不準確，最后統(tǒng)計評估準確商鋪的數(shù)量占比，目標要求達到90%以上。具體檢驗過程如表2 所示。

表2 沿街商鋪覆蓋預(yù)評估準確率比較試驗內(nèi)容表

試驗統(tǒng)計結(jié)果如圖9 所示，覆蓋評估準確的沿街商鋪共有1 958 個，評估準確率僅為62.16%，與預(yù)期目標要求差距較大。

圖9 3 150 個沿街商鋪覆蓋評估結(jié)果統(tǒng)計

3.5 沿街商鋪覆蓋評估校正

為進一步校正調(diào)優(yōu)覆蓋評估模型，消除差異，提升評估精準性，對3 150 個沿街商鋪預(yù)評估結(jié)果進行分析，評估準確率低的主要原因如下：①預(yù)評估模型中只將落入商鋪模型的采樣點作為有效評估采樣數(shù)據(jù)，其余數(shù)據(jù)一刀切為無效數(shù)據(jù)，很大程度上減少了評估樣本量；②高德地圖爬取的POI 也存在一定誤差，導(dǎo)致約23%的商鋪有效采樣點在3D 模型以外，使得該評估方法與實際有較大差異。

因此，通過線性回歸算法對沿街商鋪覆蓋評估模型進行校正，對沿街商鋪的采樣點賦予影響因子，如圖10 所示。將商鋪場景模型內(nèi)的采樣點影響因子權(quán)重設(shè)置為X0，將場景模型外的采樣點根據(jù)到場景邊框的不同距離β設(shè)置影響因子權(quán)重為X1、X2…XM，從而擴大有效樣本量，提升評估精準度。

圖10 沿街商鋪覆蓋評估MR 采樣點校正示意圖

具體線性回歸校準步驟如下。

3.5.1 線性回歸模型選擇

采用的線性回歸模型函數(shù)表達式為：

式（3）中：y⌒為模型輸出的預(yù)估值，即實際覆蓋評估值；β0…βm為預(yù)測系數(shù)，即模型外采樣點數(shù)；m為所使用自變量x的總數(shù)。

3.5.2 線性回歸模型訓(xùn)練

在線性回歸算法中，擁有多個模型評估的判斷指標，在對覆蓋模型校正時，主要使用均方誤差（MSE，Mean Squared Error）以及決定系數(shù)（R2）的值進行最終線性模型準確度的評估，以確定相關(guān)聯(lián)自變量x的選擇與使用。該過程主要分為以下3 步。

第一步：計算決定系數(shù)（R2），它是一種用來反映因變量的波動有多少百分比可被自變量的波動所描述，決策系數(shù)（R2）值越高則表明模型越好，應(yīng)用所有的自變量，依據(jù)（R2）值選擇最優(yōu)的自變量進行線性回歸模型的搭建，最終得到最優(yōu)自變量為采樣點到模型距離，計算表達式為：

第二步：計算均方誤差，它是反映估計值與被估計值之間差異程度的一種度量，均方誤差MSE 的值越小，表明模型所輸出的預(yù)測值與實際值間的誤差越小，準確度則越高。首先，基于得到的R2值，即采樣點到模型距離，選擇相對較優(yōu)的自變量進行多元線性模型的搭建，計算均方誤差MSE 值；其次，將應(yīng)用所有的自變量到多元線性回歸模型中，計算均方誤差MSE 并與之前選取部分自變量的所得的MSE 值進行比較討論[4]，計算表達式為：

第三步：通過以上線性回歸模型評估得到在3D 模型外的采樣點區(qū)間影響因子的合理配置，具體結(jié)果如表3 所示。

表3 未落入沿街商鋪模型內(nèi)的采樣點影響因子

3.5.3 模型校準效果檢驗

3.5.3.1 原試驗場景評估檢驗

利用校準后的覆蓋評估模型再次對之前選取的3 150 個商鋪進行覆蓋評估，如圖11 所示。校準后評估準確率明顯改善，評估準確的商鋪增加了947 個，覆蓋評估準確率由62.16%提升至92.22%，達到預(yù)期目標。

圖11 校準后評估準確率分析圖（原3 150 個商鋪）

3.5.3.2 新場景評估檢驗

為確保評估方法同樣適用于其余商鋪，將評估范圍擴展至整個重慶區(qū)域，共抽選了5 300 個沿街商鋪重新進行覆蓋評估和現(xiàn)場測試，如圖12 所示。評估準確的商鋪共有5 023 個，準確率為94.77%，同樣達到預(yù)期目標。

圖12 校準后評估準確率分析圖（新的5 300 個商鋪）

經(jīng)過對8 450 個沿街商鋪的評估結(jié)果對比分析，證明了基于云瞰的沿街商鋪覆蓋評估方法準確率能保持在90%以上，將此方法用于全重慶沿街商鋪的覆蓋評估是完全可行的。

4 結(jié)束語

通過對云瞰系統(tǒng)樓宇覆蓋數(shù)據(jù)進行二次開發(fā)，構(gòu)建沿街商鋪覆蓋評估的新方法，經(jīng)驗證其評估準確率達90%以上，采用高效且準確的商鋪評估手段，大幅節(jié)約運營商人工評估成本，有效提升沿街商鋪的深度覆蓋水平，改善用戶體驗，達到提質(zhì)降本增效目的。同時，為后續(xù)同類場景網(wǎng)絡(luò)評估提供了更多可借鑒的選擇，為攻堅深度覆蓋難點提供了更多的解決方案。