基于大数据与精确定位的高铁可视化分析

孔卉

（中国联合网络通信有限公司安徽省分公司，安徽合肥230001）

摘要

本文主要介绍中国联通安徽分公司依靠大数据平台对全省高铁专线进行全息自动化网络监控及网络优化，创新性地采用大数据处理分析和MR精确定位的手段，将信令数据、MR数据、用户数据进行有效关联，实现对每个高铁用户端到端全面监控；在高铁站点规划、用户感知提升、网络优化等多方面进行研究，成功实现了多条高铁线路的质量提升目标，高铁用户感知和满意度明显提升。

关键词：

大数据MR测量报告精确定位高铁LTE网络规划网络优化用户感知

概述

随着高铁网络的快速发展，高铁用户急剧增长。高铁用户移动速度快，网络环境变化复杂，用户集中度高，用户感知评估难。高铁专项分析需求愈来愈迫切。

中国联通安徽分公司针对高铁场景网络规划优化与感知分析的难点，利用前沿的大数据分析平台，结合海量MR定位技术，探索出基于大数据与精确定位的高铁可视化分析手段。重点解决高铁用户业务过程中出现的弱覆盖、专网掉公网、上网速率慢、异常掉线等严重影响用户感知的现象，取得良好的效果。

研究背景

高铁场景的大数据应用

传统的高铁场景优化往往需要依赖反复的现场测试，导致人力物力的大量投入且效率较低。安徽联通探索从大数据平台获取高铁小区及周边小区的信令数据、MR数据、网管数据等数据源，对其进行数据挖掘、数据关联、优化算法嵌入、GIS地理呈现的操作，从而得到全面准确的高铁分析结果。

高铁场景的MR分析

无线环境的优化是高铁场景优化的重点和难点，高铁用户在高速移动的状态下，其无线质量受到多种因素的影响。通过引入测量报告MR数据源，可以得到全面准确的无线环境信息，包括信号强度、信号质量、邻区强度关系等多种无线参数。通过先进的数据关联算法和基因遗传算法，将MR与信令数据进行关联，并进行精确的地理化定位，形成小区级、用户级和栅格级的统计分析粒度，从而全面准确地反映各个维度、各个环节的无线质量问题。

基于大数据与精确定位的高铁可视化分析

大数据处理技术与实现

大数据的技术，包括大规模并行处理（MPP）数据库，数据挖掘电网，分布式文件系统，分布式数据库，云计算平台，互联网，和可扩展的存储系统。

安徽联通大数据平台架构

针对数据量不断大幅增长，每天产生TB级数据，安徽联通前瞻性引入了大数据处理技术，对海量数据进行归类，分析和处理。

目前安徽联通大数据平台采用业界最经典三层构架，即数据采集层、数据处理层、创新应用层。其中高铁大数据感知分析系统集成目前最先进的Hadoop技术、以及Spark，Hive等开发技术。将低层多数据源进行联合处理，真正实现对现网每个高铁用户的端到端分析，填补传统网络监控无法真实再现问题的盲区，避免海量重复测试工作，提升工作效率。

安徽联通数据挖掘模型与大数据平台实现

分支预测（分类、神经网络、贝叶斯、SVM）

某些资源（如MR）无法永远打开，我们可以根据模型预测推断判定

路测不能天天做，我们可以根据模型推导需要做的区域

指标下降有诱因，在问题没有发生前我们已经把他解决

专家系统（决策树、知识学习）

总结专家经验，再现知识

自动挖掘经验并验证

预警（时间序列分析）

深度分析告警产生的原因

综合多种告警对系统预告警测推断

推广（聚类）

精准广告投放

市场分析

MR精确定位技术与联合分析实现

定位的目的是希望通过现网真实用户上报的MR测量数据，探究网络的质量、网络性能等情况，同时也能反映出现网用户的真实感知，这点是最明显区别于网络OSS后台KPI指标和路测分析；OSS后台指标由于是所有用户按照小区级维度进行汇聚，难免一些网络问题被这种统计所掩盖，路测分析需要大量的人力和物力保障，测试局限于主要的道路。基于MR数据的精确定位，结合道路信息在GIS地图呈现全网用户在道路上电平、质量、干扰等信息,对用户业务的周期MR进行精确定位，输出用户的位置经纬度,从而很直观的看到用户在道路上的覆盖、干扰和质量分布情况；

安徽联通MR采用先进神经网络定位技术

在目前实际使用中，最常见的四种定位方法：神经网络定位、TA+AOA定位、三角场强定位和小区定位。神经网络定位法是目前定位法中较为先进的一种算法，其利用日常测试DT或CQT数据，通过后处理方法生成训练指纹库，构建MS所测电平相对关系与位置相对关系的整体映射.利用PNN神经网络算法，训练出传播模型；利用上述路测指纹库进行神经网络和场强定位，同时结合用户的特点，切换关系对定位结果进行粗大误差剔除以及空间聚合，从而更加提高用户的定位精度。

MR、网管和信令数据的联合分析

MR数据本身可以进行重叠覆盖等网络结构类指标计算，同时MR数据还可以用于定位计算。信令数据包括了详细的用户事件等重要信息，目前安徽联通大数据平台实现了将MR数据、网关和信令数据关联起来，通过数据建模，大量关联运算，把数据的查看视角更进一步的放大，从小区扩展到具体的地理位置上。

高铁专项分析方法及成果展示

高铁用户准确识别

高铁小区是专网小区，但占用高铁小区的用户不一定全部是高铁用户，要准确评估高铁用户的感知，首先要准确识别出真正的高铁用户，才能进一步地分析高铁用户的各项性能指标。

安徽联通通过大数据平台，以海量信令数据作为分析数据源，综合网络特性、运行距离、移动速率、持续时间、小区类型等多项因素，以机器学习的方式，采用神经网元算法，全面准确的识别高铁专网用户。经过大量的实际测试与反复的算法优化，高铁用户识别准确率基本达到100%。

高铁用户感知评估体系

高铁专项课题针对高铁用户的感知，设计了一套感知分析体系，涵盖了高铁场景质量透视、性能指标监控告警、异常事件定位分析和用户投诉回溯等多个方面，能够快速准确地评估场景网络质量并提升高铁用户业务感知。

高铁用户常见无线问题分解

根据高铁用户的特性和行为特点，结合运维部门长期积累的高铁网优分析经验，将高铁用户常见的无线问题进行详细分解，融合到大数据分析的挖掘算法中，实现无线网优经验与大数据深度挖掘的有机结合。最终输出高铁用户感知评估体系的各项分析内容成果，并对每个可能出现问题的环节进行详细分析和溯源。

高铁网络性能监控

采用大数据批处理技术，对高铁网络的主要性能指标进行准实时的计算，包括容量类指标、质量类指标、感知类指标和互操作类指标等，提供小时级的性能指标监控手段。主要容量指标包括：用户数、流量、小区；网络性能指标包括：Attach成功率、TAU成功率、切入切出成功率、掉线率、寻呼成功率；倒流和互操作指标：CSFB主被叫次数、异系统重定指标、CS寻呼成功率；用户感知指标：等效速率、感知数率、延时；

通过GIS可视化的展示方式，清晰显示性能异常小区的分布和质差区域的分布。

高铁用户级的分析

通过高铁网优经验与大数据处理技术相结合的手段，能够对用户级的各种异常感知问题进行深度数据挖掘和问题准确定位。并可针对单个用户，对其信令数据进行提取、回溯等处理；同时，对于异常的网络问题，可以通过逐级下钻的方式，深度挖掘到用户级，定位出受影响的用户。

系统开发出：高铁专网掉公网用户分析表，用户弱覆盖感知多发区域图，用户信令跟踪回溯等多个可视化图表以供使用。

高铁优化成果

采用基于大数据与精确定位的高铁可视化手段，对安徽宿州段京沪线进行了专项整治优化工作，共挖掘出各类网络问题共17个，其中中弱覆盖6个、出专网4个、异常掉线3个、低速率4个专项问题，经过优化整治，各类问题得到较好的解决，性能指标得到较大提升。

对弱覆盖区域进行优化调整，通过增加基站和调整参数等手段，有效提升了覆盖水平，弱电平MR占比从15.2%下降到11.4%。挖掘专网掉公网次数和用户数较多的小区对，进行针对性的优化工作，效果明显，掉公网次数基本降为0。对高铁小区进行专项整治后，其他各项主要性能指标均有所改善，异常掉线率平均值从0.52%下降到0.39%，HTTP大包（100KB）下载速率从4.5Mbps上升到5.1Mbps，用户感知比整治前有较大幅度提升。

结论

依托现有大数据平台，将网络中所有海量运维数据输入大数据平台数据共享层，从真实普通用户感知出发，完成一整套大数据处理建模、开发，从六个维度进行数据深度关联处理，主要包括业务业务维度、用户维度、覆盖维度、容量维度、质量维度及3/4G分担维度。主要面向网络维护及网络规划工作，取得一些重要成果。

高铁用户识别模块，通过特定算法将高铁用户从沿线摘取出来，作为高铁应用分析核心基础模块，准确率达到95%以上。

基础数据关联，通过将MR、KPI及信令等海量数据进行关联运算，达到多维度后台直接透视网络，同时避免为了再现问题进行大量反复测试。

高铁用户感知评估模块，通过从宏观、微观两个角度进行全面评估每条高铁质量，同时可以细化至单用户、业务维度跟踪及回溯分析。

高铁网络性能监控模块，从容量、质量、感知等多个维度进行全面、实时监控，按线路地理化、图表化呈现。

常见无线问题处理模块，基于指标情况，进行问题联合分析诊断。

参考文献

SimonHaykin(加)《神经网络与机器学习》2011年

MartinT.HaganHowardB.DemuthMarkHBeale(美)《神经网络设计》

AnandRajaraman,JeffreyDavidUIIman（美）《大数据-互联网大规模数据挖掘与分布式处理》2012年

StefaniaSesia（意）《LTE-UMTS长期演进理论与实践》2009年

作者简介：姓名：孔卉；出生年月：1978年12月；性别：女；

民族：汉；籍贯：安徽省庐江县；职称：工程师；

学位：本科学士学位

通信地址：安徽省政务区祁门路1669号联通公司