喻嘉兵　姚銳　黃幫明

為了提升TD-LTE網(wǎng)絡(luò)分流效果，提高4G用戶的用戶感知，對影響網(wǎng)絡(luò)分流的網(wǎng)絡(luò)、市場、終端/用戶三方面的具體問題進(jìn)行挖掘。通過引入大數(shù)據(jù)分析技術(shù)，對運(yùn)營商的海量用戶數(shù)據(jù)、網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行分析，建立數(shù)據(jù)挖掘模型。在網(wǎng)絡(luò)方面，挖掘出現(xiàn)網(wǎng)中網(wǎng)絡(luò)覆蓋質(zhì)量異常的4G網(wǎng)絡(luò)小區(qū)；市場方面，識別出具有市場潛力的4G網(wǎng)絡(luò)小區(qū)和用戶；終端/用戶方面，識別出4G鎖網(wǎng)終端用戶，并分別給出了有針對性的解決方案。此外還介紹了該模型應(yīng)用于某直轄市現(xiàn)網(wǎng)后取得的良好分流提升效果。

網(wǎng)絡(luò)分流 大數(shù)據(jù) 網(wǎng)絡(luò)覆蓋質(zhì)量 鎖網(wǎng)終端

1 引言

TD-LTE網(wǎng)絡(luò)經(jīng)過近三年的大規(guī)模建設(shè)，已基本實(shí)現(xiàn)全區(qū)域的4G網(wǎng)絡(luò)廣覆蓋，為存量2G/3G用戶遷移至4G網(wǎng)絡(luò)奠定了良好的基礎(chǔ)。4G網(wǎng)絡(luò)較2G/3G網(wǎng)絡(luò)在承載效率、系統(tǒng)容量、數(shù)據(jù)業(yè)務(wù)速率方面都有巨大的提高，大幅提升了移動用戶的網(wǎng)絡(luò)感知。此外，對運(yùn)營商而言，運(yùn)營4G網(wǎng)絡(luò)一張網(wǎng)絡(luò)，可減少2G/3G網(wǎng)絡(luò)的建設(shè)投入和維護(hù)費(fèi)用，達(dá)到降低企業(yè)運(yùn)營成本的目的。因而運(yùn)營商迫切希望能解決4G網(wǎng)絡(luò)的分流問題，引導(dǎo)和吸引用戶主動使用并駐留4G網(wǎng)絡(luò)，降低2G/3G網(wǎng)絡(luò)負(fù)荷。本文將從運(yùn)營商自有的用戶、網(wǎng)絡(luò)海量數(shù)據(jù)出發(fā)，利用大數(shù)據(jù)理論，從網(wǎng)絡(luò)、市場、用戶三個維度綜合分析限制4G用戶使用4G網(wǎng)絡(luò)，即影響4G網(wǎng)絡(luò)分流的原因，并針對各具體問題給出解決方法，繼而進(jìn)行驗(yàn)證。

本方法具體涉及的用戶側(cè)、網(wǎng)絡(luò)側(cè)數(shù)據(jù)類型在前文提到的那些的基礎(chǔ)上，還包括用戶的4G終端機(jī)齡、用戶更換USIM卡數(shù)據(jù)等。實(shí)現(xiàn)模型如圖2所示，首先利用網(wǎng)絡(luò)覆蓋質(zhì)量分析模型識別出4G網(wǎng)絡(luò)覆蓋質(zhì)量良好的區(qū)域；其次對該區(qū)域內(nèi)的4G用戶進(jìn)行換卡、判斷4G終端機(jī)齡信息。根據(jù)市場統(tǒng)計(jì)結(jié)果表明，80%的移動用戶的終端更換周期為18個月，因此通過機(jī)齡可識別出潛在換機(jī)用戶，對未換卡用戶和潛在換機(jī)用戶可以通過市場營銷手段提升用戶感知。最后根據(jù)終端滲透率及非4G終端流量占比判斷該區(qū)域的整體市場潛力，幫助市場部門進(jìn)行定向營銷。

3.3 用戶終端維度

（1）鎖網(wǎng)終端分析方法

為減少網(wǎng)絡(luò)、市場異常因素對用戶數(shù)據(jù)的影響，提高對4G用戶中鎖網(wǎng)終端識別的準(zhǔn)確率?；诰W(wǎng)絡(luò)覆蓋質(zhì)量分析模型和市場潛力分析模型，對網(wǎng)絡(luò)覆蓋質(zhì)量和4G市場發(fā)展均良好的小區(qū)進(jìn)行鎖網(wǎng)用戶識別，挖掘現(xiàn)網(wǎng)中4G網(wǎng)絡(luò)分流異常的4G用戶，采用有針對性的解決方案來提升4G網(wǎng)絡(luò)分流能力。首先利用忙時用戶、網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行鎖網(wǎng)終端的初步識別，主要識別依據(jù)包括用戶4G流量及4G流量駐留比等；對初步識別出的疑似鎖網(wǎng)終端，利用其月度數(shù)據(jù)（包括話單數(shù)據(jù)、網(wǎng)絡(luò)數(shù)據(jù)及信令數(shù)據(jù)），確認(rèn)其中真正的鎖網(wǎng)終端。

（2）方法實(shí)現(xiàn)

根據(jù)4G鎖網(wǎng)終端識別原理，數(shù)據(jù)挖掘涉及的數(shù)據(jù)類型除上文3.1節(jié)（2）提到的之外，還包括月度流量數(shù)據(jù)、用戶月度駐留小區(qū)數(shù)據(jù)，以及基于月度流量數(shù)據(jù)的4G用戶流量駐留比數(shù)據(jù)。鎖網(wǎng)終端識別方法具體所需數(shù)據(jù)類型有用戶ID、2G/3G/4G流量、全月白天駐留小區(qū)（CELLID/流量）以及全月晚間駐留小區(qū)（CELLID/流量）。

基于所列的數(shù)據(jù)分析類型以及鎖網(wǎng)用戶識別方法，鎖網(wǎng)終端的具體識別模型如圖3所示。模型具體說明如下：

1）利用忙時用戶側(cè)及網(wǎng)絡(luò)側(cè)數(shù)據(jù)，對網(wǎng)絡(luò)覆蓋質(zhì)量良好小區(qū)內(nèi)的4G用戶進(jìn)行4G流量分析，判定4G流量為0的4G用戶為疑似鎖網(wǎng)終端；

2）提取疑似4G鎖網(wǎng)用戶的月度數(shù)據(jù)，根據(jù)用戶的月度流量信息，并計(jì)算4G用戶的4G流量駐留比，分析該4G用戶是否具有使用4G流量的潛力，即是否為具有4G潛力的鎖網(wǎng)終端；

3）提取具有4G流量使用潛力的鎖網(wǎng)用戶的全月駐留的各制式網(wǎng)絡(luò)小區(qū)信息，分析該用戶是否全月處在4G網(wǎng)絡(luò)覆蓋區(qū)域，若該用戶曾出現(xiàn)過在4G覆蓋區(qū)域，但4G流量為0，則該4G用戶為最終確認(rèn)的鎖網(wǎng)終端。

4 方法驗(yàn)證與應(yīng)用

為了驗(yàn)證研究方法的可行性，借助某直轄市移動大數(shù)據(jù)平臺，將研究模型予以實(shí)現(xiàn)并驗(yàn)證，利用網(wǎng)絡(luò)側(cè)、用戶側(cè)大數(shù)據(jù)，根據(jù)模型分別定位了4G網(wǎng)絡(luò)覆蓋質(zhì)量異常小區(qū)、市場發(fā)展?jié)摿^(qū)域與用戶，以及4G鎖網(wǎng)終端用戶，并對問題進(jìn)行了有針對性地解決。

4.1 異常小區(qū)識別結(jié)果及應(yīng)對建議

對某直轄市的所有4G基站應(yīng)用網(wǎng)絡(luò)覆蓋質(zhì)量分析建模，統(tǒng)計(jì)結(jié)果表明網(wǎng)絡(luò)覆蓋質(zhì)量異常小區(qū)占所有4G小區(qū)的15%。將模型識別結(jié)果引入傳統(tǒng)網(wǎng)絡(luò)質(zhì)量測試方法（如MR、路測），對網(wǎng)元KPI指標(biāo)進(jìn)行驗(yàn)證后可知，其中90%的小區(qū)確實(shí)存在覆蓋質(zhì)量問題。針對異常小區(qū)，通過路測、MR數(shù)據(jù)分析確認(rèn)具體的網(wǎng)絡(luò)覆蓋異常類型，采用網(wǎng)絡(luò)優(yōu)化或者增建基站等方式改善網(wǎng)絡(luò)覆蓋。以模型識別結(jié)果中的一個網(wǎng)絡(luò)覆蓋質(zhì)量異常區(qū)域?yàn)槔?G網(wǎng)絡(luò)弱覆蓋區(qū)域補(bǔ)站前后分別如圖4和圖5所示。渝北工業(yè)園區(qū)ED1-2基站為2G基站，距離其最近的4G基站為渝北正委花園-HLH站，該區(qū)域?qū)儆谝话愠菂^(qū)，區(qū)域內(nèi)的4G基站間隔為360 m，符合網(wǎng)絡(luò)規(guī)劃中的通用規(guī)則。根據(jù)本文研究方法進(jìn)行分析，結(jié)合現(xiàn)場實(shí)際情況和測試分析，有規(guī)劃地進(jìn)行了補(bǔ)站，并于9月15日開通了渝北回興農(nóng)貿(mào)市場D-HLH。通過對比該區(qū)域4G網(wǎng)絡(luò)弱覆蓋問題解決前后的測試數(shù)據(jù)發(fā)現(xiàn)，區(qū)域內(nèi)4G用戶的整體網(wǎng)絡(luò)感知由原來的27.14%提升至了88.47%。

4.2 市場化精準(zhǔn)營銷

通過在某直轄市運(yùn)用市場潛力分析模型，發(fā)現(xiàn)其中具有4G市場發(fā)展?jié)摿Φ木W(wǎng)絡(luò)小區(qū)有3653個。通過在挖掘出的市場潛力區(qū)域進(jìn)行區(qū)域定向營銷，已成功銷售4G終端703 779臺，其中通過定向潛在客戶營銷銷售終端267 316臺，通過區(qū)域營銷銷售終端436 463臺，針對換機(jī)未換卡用戶定向引導(dǎo)換卡8965個，最終市場引導(dǎo)帶來流量提升的業(yè)務(wù)數(shù)達(dá)15 718筆，平均每筆業(yè)務(wù)帶來的DOU增量為530 M，對4G網(wǎng)絡(luò)分流效果提升起到較大作用。通過本模型方法提升了4G終端銷售的定向性，為公司節(jié)省了渠道終端傭金，并提升了網(wǎng)絡(luò)分流能力，具體經(jīng)濟(jì)效益計(jì)算方法如表1所示。

4.3 問題終端用戶識別結(jié)果及應(yīng)對建議

應(yīng)用鎖網(wǎng)終端識別模型，對使用不同品牌、不同款式終端的4G用戶進(jìn)行數(shù)據(jù)分析，挖掘出其中鎖網(wǎng)概率較高的終端類型。通過對某直轄市920萬4G用戶應(yīng)用本模型，發(fā)現(xiàn)鎖網(wǎng)終端占比達(dá)8.6%，其中使用用戶超過30萬的iPhone 6 A1549、iPhone 5C A1526、iPhone 5S A1528等4G終端鎖網(wǎng)概率較高，具體各品牌、各款式4G終端的鎖網(wǎng)概率如圖6所示。通過數(shù)據(jù)業(yè)務(wù)中心和市場部采取一系列營銷活動，幫助鎖網(wǎng)終端用戶解鎖4G網(wǎng)絡(luò)，提升了用戶感知。具體方法包括：1）點(diǎn)對點(diǎn)引導(dǎo)，將鎖網(wǎng)終端用戶下發(fā)至其長期駐留小區(qū)所在的移動營業(yè)廳，由營業(yè)廳負(fù)責(zé)點(diǎn)對點(diǎn)指導(dǎo)鎖網(wǎng)終端用戶解鎖4G網(wǎng)絡(luò)；2）分終端款式解鎖引導(dǎo)，由大數(shù)據(jù)中心對鎖網(wǎng)概率高的終端款式挖掘解鎖步驟，通過“10086”將解鎖步驟下發(fā)給鎖網(wǎng)終端用戶，幫助其解鎖。截至目前，鎖網(wǎng)終端用戶解鎖前后人均流量增加89 M，其中4G流量增加80 M，解鎖后各用戶的平均4G流量駐留比為87.89%。

5 結(jié)束語

4G網(wǎng)絡(luò)分流是運(yùn)營商目前重點(diǎn)關(guān)注的研究課題之一，其有助于提高4G用戶感知、降低運(yùn)營成本、增加數(shù)據(jù)業(yè)務(wù)營收。本文提出的基于大數(shù)據(jù)分析的網(wǎng)絡(luò)分流方法，從網(wǎng)絡(luò)、市場、用戶終端三個維度發(fā)現(xiàn)并解決導(dǎo)致現(xiàn)網(wǎng)中4G用戶無法正常使用4G網(wǎng)絡(luò)、4G流量駐留比低的問題，最終有效提升了4G網(wǎng)絡(luò)的分流能力。通過實(shí)際驗(yàn)證及應(yīng)用表明，本方法在識別和提升4G網(wǎng)絡(luò)小區(qū)覆蓋質(zhì)量、鎖網(wǎng)4G用戶感知以及定向市場營銷精準(zhǔn)性方面效果較明顯，給提升4G網(wǎng)絡(luò)的分流能力提供了參考。

參考文獻(xiàn)：

[1] Guo B， Cao W， Tao A， et al. LTE/LTE‐A Signal Compre-ssion on the CPRI Interface[J]. Bell Labs Technical Journal， 2013，18（2）： 117-133.

[2] 劉苑明，黃志豪. 鎖網(wǎng)終端分析模型的研究與應(yīng)用[J]. 電信工程技術(shù)與標(biāo)準(zhǔn)化， 2015，28（2）： 63-67.

[3] 李紅亮，王雨，梁濤. TD-LTE網(wǎng)絡(luò)架構(gòu)及關(guān)鍵技術(shù)分析[J]. 黑龍江科技信息， 2012（24）： 108.

[4] 周俊，劉克清. 基于LTE信令大數(shù)據(jù)的網(wǎng)絡(luò)質(zhì)量評估體系研究[J]. 互聯(lián)網(wǎng)天地， 2015（3）： 33-40.

[5] 羅凡云，郭俊峰. TD-LTE網(wǎng)絡(luò)覆蓋性能分析[J]. 移動通信， 2010，34（5）： 41-44.

[6] 王斌，吳金科，張翼. 網(wǎng)絡(luò)分流優(yōu)化探討[J]. 信息化建設(shè)， 2015（6）： 51.

[7] 鄧炳光，劉兵，張治中. 面向用戶感知的LTE網(wǎng)絡(luò)評估模型的設(shè)計(jì)與實(shí)現(xiàn)[J]. 電視技術(shù)， 2015，39（13）： 76-82.

[8] 朱濤，張麗珍，邵四清. 基于信令數(shù)據(jù)的客戶感知評估與無線網(wǎng)絡(luò)質(zhì)量分析[J]. 電信網(wǎng)技術(shù)， 2011（4）： 48-56.

[9] Wu X， Zhu X， Wu G Q， et al. Data mining with big data[J]. IEEE Transactions on Knowledge and Data Engineering， 2014，26（1）： 97-107.

[10] Theera-Ampornpunt N， Bagchi S， Joshi K R， et al. Using big data for more dependability： A cellular network tale[A]. Proceedings of the 9th Workshop on Hot Topics in Dependable Systems[C]. 2013： 2. ★