基于常駐用戶(hù)分離的室分隱性故障識(shí)別研究與實(shí)踐

趙 偉，孟 寧，陳 樂(lè)，王鎮(zhèn)鑫（.中國(guó)聯(lián)通浙江省分公司，浙江杭州 3005；.中國(guó)聯(lián)合網(wǎng)絡(luò)通信集團(tuán)有限公司，北京 00033）

0 引言

目前5G深度覆蓋相對(duì)不足，5G VoNR尚未具備商用條件，4G網(wǎng)絡(luò)仍為語(yǔ)音和數(shù)據(jù)主力承載網(wǎng)。統(tǒng)計(jì)顯示，70%以上的移動(dòng)數(shù)據(jù)業(yè)務(wù)和75%的語(yǔ)音業(yè)務(wù)發(fā)生在室內(nèi)，室內(nèi)覆蓋及性能將直接影響運(yùn)營(yíng)商的客戶(hù)感知體驗(yàn)。LTE 高頻段組網(wǎng)、空間傳播損耗和穿透損耗相對(duì)增大，更不利于室內(nèi)深度覆蓋?，F(xiàn)階段室分故障發(fā)掘缺乏規(guī)范且有效的定位方法，主要依靠現(xiàn)場(chǎng)的排查定位，較為耗時(shí)耗力。為提高室分故障定位的準(zhǔn)確性，提升室分隱性故障的排查效率，亟需一套能高效準(zhǔn)確對(duì)室分故障問(wèn)題定界的方法，指導(dǎo)室內(nèi)深度覆蓋提升優(yōu)化工作。

1 現(xiàn)有技術(shù)缺陷

室分站點(diǎn)的運(yùn)行質(zhì)量是移動(dòng)網(wǎng)絡(luò)整體運(yùn)行質(zhì)量的重要組成部分。隨著LTE 網(wǎng)絡(luò)覆蓋的逐漸深入，現(xiàn)階段室內(nèi)弱覆蓋問(wèn)題的主要排查分析工作是根據(jù)現(xiàn)場(chǎng)測(cè)試、性能、告警、投訴、Trace信令等數(shù)據(jù)，在各自的維度有限地對(duì)網(wǎng)絡(luò)問(wèn)題進(jìn)行定位和分析。

a）測(cè)試數(shù)據(jù)基于抽樣的模擬測(cè)試，局限性大，難以準(zhǔn)確評(píng)估用戶(hù)感知。

b）MR數(shù)據(jù)、參數(shù)配置、告警及性能數(shù)據(jù)難以準(zhǔn)確反映用戶(hù)KQI相關(guān)指標(biāo)。

c）投訴數(shù)據(jù)僅評(píng)估用戶(hù)KQI 相關(guān)指標(biāo)，難以準(zhǔn)確定位用戶(hù)問(wèn)題。

d）信令數(shù)據(jù)數(shù)據(jù)量大、解析難度高，不利于快速評(píng)估全網(wǎng)感知。

目前基于設(shè)備性能和業(yè)務(wù)建模的網(wǎng)絡(luò)指標(biāo)評(píng)價(jià)體系比較完善，但如何客觀、準(zhǔn)確、全面、及時(shí)地得出客戶(hù)真實(shí)的網(wǎng)絡(luò)感知體驗(yàn)仍然需要探索。傳統(tǒng)意義上的網(wǎng)絡(luò)TOPN 異常問(wèn)題和網(wǎng)管性能指標(biāo)跟用戶(hù)感知并非完全線性相關(guān)，網(wǎng)絡(luò)性能指標(biāo)好壞僅能在宏觀層面推測(cè)反映大部分用戶(hù)感知，既不具體也不全面；所以在實(shí)際網(wǎng)絡(luò)運(yùn)營(yíng)中，仍然存在網(wǎng)絡(luò)指標(biāo)良好但用戶(hù)真實(shí)感知劣化情況。

針對(duì)上述狀況，目前并沒(méi)有全面而準(zhǔn)確的方法從室分角度真實(shí)反映故障問(wèn)題。因此，本文基于專(zhuān)家經(jīng)驗(yàn)，在總結(jié)室分巡檢摸排案例的基礎(chǔ)上，通過(guò)機(jī)器學(xué)習(xí)技術(shù)對(duì)經(jīng)驗(yàn)建模分析，建立了一套基于AI 的室分故障問(wèn)題定位方法，用于全網(wǎng)的巡檢排查工作。

2 基于常駐用戶(hù)分離的室分隱性故障定位方法

2.1 室內(nèi)常駐用戶(hù)識(shí)別

a）工作地點(diǎn)常駐用戶(hù)識(shí)別：統(tǒng)計(jì)用戶(hù)最近兩周工作日（星期一至星期五）09：00—12：00，14：00—17：00所駐留小區(qū)的駐留時(shí)長(zhǎng)，如果用戶(hù)在某小區(qū)平均駐留時(shí)長(zhǎng)大于2 h/天，則視其為該小區(qū)工作地點(diǎn)常駐用戶(hù)。

b）家庭地點(diǎn)常駐識(shí)別：統(tǒng)計(jì)用戶(hù)最近兩周的00：00—06：00 所駐留小區(qū)駐留時(shí)長(zhǎng)，如果用戶(hù)在該小區(qū)駐留平均時(shí)長(zhǎng)大于2 h/天，則視其為該小區(qū)家庭地點(diǎn)常駐用戶(hù)。家庭地、工作地常駐用戶(hù)識(shí)別示意如圖1所示。

2.2 常駐用戶(hù)樓宇立體定位

對(duì)常駐用戶(hù)進(jìn)行OTT 定位和Wi-Fi 信息挖掘，采用Wi-Fi 分層技術(shù)，識(shí)別常駐用戶(hù)所在的樓宇及樓層信息。

Wi-Fi 分層技術(shù)是通過(guò)挖掘出的用戶(hù)經(jīng)緯度信息先定位用戶(hù)所在的樓宇，然后利用同一棟樓宇采集到的多個(gè)用戶(hù)Wi-Fi 網(wǎng)絡(luò)信息（用戶(hù)在同一位置點(diǎn)可收集到該樓宇多個(gè)AP 的MAC 和RSSI 值）進(jìn)行Wi-Fi 分層，建立樓宇_樓層_Wi-Fi 信息庫(kù)，根據(jù)Wi-Fi 連接情況進(jìn)行用戶(hù)樓宇樓層定位。Wi-Fi 分層示意如圖2 所示。

圖2 Wi-Fi分層示意圖

對(duì)于定位到樓宇樓層的常駐用戶(hù)，通過(guò)關(guān)聯(lián)其MRO 數(shù)據(jù)中的鄰區(qū)信息，結(jié)合鄰區(qū)中室外宏站的工參經(jīng)緯度信息，定位其所在的樓層方位。常駐用戶(hù)方位定位示意如圖3所示。

圖3 常駐用戶(hù)方位定位示意圖

2.3 常駐用戶(hù)特征聚類(lèi)

對(duì)于未能定位到樓宇樓層的常駐用戶(hù)，結(jié)合已完成樓宇立體定位的常駐用戶(hù)的服務(wù)小區(qū)場(chǎng)強(qiáng)特性、鄰區(qū)場(chǎng)強(qiáng)特性以及服務(wù)小區(qū)場(chǎng)強(qiáng)及鄰區(qū)場(chǎng)強(qiáng)的特征，通過(guò)聚類(lèi)方式進(jìn)行識(shí)別歸類(lèi)，實(shí)現(xiàn)立體定位。

a）常駐用戶(hù)樣本數(shù)據(jù)間的相似性度量。常駐用戶(hù)數(shù)據(jù)集X={xm}，X中的樣本特性用d個(gè)描述屬性A1,A2,…,Ad來(lái)表示，并且d個(gè)描述屬性都是連續(xù)型屬性。數(shù)據(jù)樣本xi=(xi1,xi2,…,xid)，xj=(xj1,xj2,…,xjd)。其中，xi1,xi2,…,xid和xj1,xj2,…,xjd分別是樣本xi和xj對(duì)應(yīng)d個(gè)描述屬性A1,A2,…,Ad的具體取值。樣本xi和xj之間的相似度通常用它們之間的距離d(xi,xj)來(lái)表示：

距離越小，樣本xi和xj越相似，差異度越??；距離越大，樣本xi和xj越不相似，差異度越大。

b）通過(guò)計(jì)算未定位常駐用戶(hù)樣本數(shù)據(jù)與已定位用戶(hù)之間的距離相似度，將相似度最大的未定位常駐用戶(hù)歸類(lèi)到已定位組，輸出數(shù)據(jù)：樓宇—樓層—方位—用戶(hù)組。

2.4 用戶(hù)組指標(biāo)統(tǒng)計(jì)

提取用戶(hù)組MRO、S1-U、S1-MME、VoLTE 中XDR信息及話務(wù)數(shù)據(jù)，按用戶(hù)組統(tǒng)計(jì)輸出相關(guān)指標(biāo)。

a）以天粒度按照樓宇、樓層、方位、用戶(hù)組、小區(qū)等5個(gè)維度，匯聚統(tǒng)計(jì)流量、MR覆蓋率、MR平均電平、MR 弱覆蓋采樣點(diǎn)數(shù)、MR 采樣點(diǎn)、MR 弱覆蓋采樣點(diǎn)占比、2G/3G 回落次數(shù)、RRC 連接數(shù)、LTE 接通率、LTE 掉話率、LTE切換成功率等指標(biāo)。

b）以天粒度按照樓宇、樓層、方位、用戶(hù)組等4 個(gè)維度，匯聚統(tǒng)計(jì)中國(guó)移動(dòng)MR 采樣點(diǎn)數(shù)、中國(guó)移動(dòng)MR平均電平、中國(guó)移動(dòng)MR 覆蓋率、中國(guó)聯(lián)通MR 采樣點(diǎn)數(shù)、中國(guó)聯(lián)通MR平均電平、中國(guó)聯(lián)通MR覆蓋率、中國(guó)電信MR 采樣點(diǎn)數(shù)、中國(guó)電信MR 平均電平、中國(guó)電信MR覆蓋率等指標(biāo)。

2.5 室分隱性故障識(shí)別方法

在完成樓宇常駐用戶(hù)分離的基礎(chǔ)上，結(jié)合省內(nèi)3D樓宇庫(kù)信息、以及基礎(chǔ)工參信息，完成室分隱性故障識(shí)別算法搭建。室分隱性故障識(shí)別算法示意見(jiàn)圖4。

圖4 室分隱性故障識(shí)別算法示意圖

3 基于常駐用戶(hù)分離的室分故障挖掘?qū)嵺`

本文提到的基于常駐用戶(hù)分離的室內(nèi)隱性故障挖掘算法開(kāi)發(fā)了原型產(chǎn)品，并在某省數(shù)字化網(wǎng)優(yōu)平臺(tái)上進(jìn)行了試點(diǎn)運(yùn)用，呈現(xiàn)GIS 效果如圖5 所示。雙擊疑似室分隱性故障樓宇，可以下載清單，包含樓宇中心點(diǎn)經(jīng)緯度、樓宇名稱(chēng)、占用小區(qū)名稱(chēng)、采樣點(diǎn)數(shù)、首次故障時(shí)間、異常天數(shù)以及問(wèn)題描述得到首次故障評(píng)分，并同時(shí)提供處理建議，如表1所示。

圖5 室分隱性故障模塊呈現(xiàn)效果示意圖

根據(jù)首次故障評(píng)分值得分，結(jié)合異常天數(shù)和專(zhuān)家經(jīng)驗(yàn)，每周選取高置信度疑似室分樓宇隱性故障工單開(kāi)展現(xiàn)場(chǎng)排查。截至2021 年12 月31 日，累計(jì)派發(fā)室分健康度工單281 單，結(jié)單數(shù)240 單，工單閉環(huán)率85.41%，整體準(zhǔn)確率相對(duì)傳統(tǒng)測(cè)試方式，效率及準(zhǔn)確性有了較大提升。

4 結(jié)束語(yǔ)

基于常駐用戶(hù)分離的室分故障定位方法，在完成LTE 全量號(hào)碼回填和全量MR 經(jīng)緯度回填的基礎(chǔ)上，通過(guò)識(shí)別室內(nèi)常駐用戶(hù)，識(shí)別用戶(hù)樓宇位置，并針對(duì)常駐用戶(hù)進(jìn)行特征聚類(lèi)。通過(guò)對(duì)歷史樣本和網(wǎng)絡(luò)指標(biāo)的學(xué)習(xí)，建立室分好點(diǎn)和差點(diǎn)的特征模型，通過(guò)數(shù)據(jù)自動(dòng)采集和樣本循環(huán)收集，對(duì)大量的樣本進(jìn)行迭代學(xué)習(xí)，不斷完善室分故障評(píng)估模型，輸出高置信度的疑似室分故障清單?；趯?zhuān)家經(jīng)驗(yàn)和三維GIS 信息，完成數(shù)字化網(wǎng)優(yōu)平臺(tái)的室分健康度建設(shè)，并通過(guò)數(shù)字化運(yùn)營(yíng)系統(tǒng)和集團(tuán)公司完成工單系統(tǒng)對(duì)接，實(shí)現(xiàn)工單一點(diǎn)看全。

基于常駐用戶(hù)分離的室分故障定位方法，通過(guò)自動(dòng)的方式從不同系統(tǒng)接入數(shù)據(jù)，通過(guò)機(jī)器學(xué)習(xí)科學(xué)建模，并且自動(dòng)修正，進(jìn)而得到客觀真實(shí)結(jié)果，可以有效縮短網(wǎng)絡(luò)優(yōu)化問(wèn)題處理工作的周期。該方法在試點(diǎn)中取得較好的效果，可進(jìn)一步推廣至多種不同的場(chǎng)景進(jìn)行應(yīng)用，提升用戶(hù)感知問(wèn)題的識(shí)別能力。