張展鵬（中國(guó)聯(lián)通溫州分公司，浙江溫州 325011）

1 概述

近年來溫州聯(lián)通網(wǎng)絡(luò)規(guī)模高速擴(kuò)張，數(shù)據(jù)類業(yè)務(wù)急速增長(zhǎng)，導(dǎo)致網(wǎng)絡(luò)負(fù)荷也急速增長(zhǎng)。傳統(tǒng)的網(wǎng)絡(luò)優(yōu)化分析手段模式單一、效率低下、時(shí)效性差、工作量大、耗費(fèi)資源多、網(wǎng)絡(luò)資源管理能力不足，且需要較多人工分析，目前的網(wǎng)絡(luò)優(yōu)化分析效率無法滿足新業(yè)務(wù)快速增長(zhǎng)的支撐需求。

目前PRB 分析大部分是人工完成，而且目前實(shí)行的都是后優(yōu)化擴(kuò)容手段，就是在出現(xiàn)高負(fù)荷后，再通過各種分析進(jìn)行優(yōu)化擴(kuò)容，這時(shí)候其實(shí)已經(jīng)在一定程度上影響了用戶感知并引起了部分投訴。

2 智能化策略

2.1 整體方案

4G 網(wǎng)絡(luò)容量智能分析預(yù)測(cè)系統(tǒng)采用B/S 模式架構(gòu)，主要分為以下3部分。

a）利用現(xiàn)有數(shù)據(jù)進(jìn)行低負(fù)荷扇區(qū)分析、不均衡小區(qū)分析和小區(qū)PRB利用率查詢。

b）通過大數(shù)據(jù)+AI 能力，進(jìn)行PRB 建模，指導(dǎo)網(wǎng)絡(luò)部門精準(zhǔn)擴(kuò)縮容，向一線部門提供精品場(chǎng)景網(wǎng)絡(luò)相關(guān)建議。

c）GIS 可視化展示：運(yùn)用7 日預(yù)測(cè)演變算法和Autolearn（自動(dòng)學(xué)習(xí)）功能，基于歷史流量數(shù)據(jù)對(duì)未來數(shù)據(jù)進(jìn)行預(yù)測(cè)，無論是預(yù)測(cè)結(jié)果，還是高低負(fù)荷扇區(qū)都將直觀準(zhǔn)確地展示在GIS可視化地圖上。

2.2 智能算法分析

智能算法通過大數(shù)據(jù)+AI，自動(dòng)分析出高負(fù)荷和低負(fù)荷扇區(qū)，基于歷史PRB 數(shù)據(jù)預(yù)測(cè)高負(fù)荷區(qū)，對(duì)網(wǎng)絡(luò)進(jìn)行預(yù)擴(kuò)容，具體應(yīng)用了以下7種預(yù)測(cè)算法。

a）非線性代數(shù)算法：根據(jù)前幾個(gè)月的樣本數(shù)據(jù)用非線性代數(shù)算法回歸成一個(gè)最接近的光滑對(duì)數(shù)圖像。

b）線性回歸算法：根據(jù)前幾個(gè)月的樣本數(shù)據(jù)用線性代數(shù)算法回歸成為誤差服從均值為0的正態(tài)分布。

c）相似度算法：將當(dāng)前PRB 最高的n個(gè)扇區(qū)，和2018 年甚至2017 年同時(shí)期3 個(gè)月份的所有扇區(qū)PRB數(shù)據(jù)做比較，找出相似度最高的數(shù)據(jù)用來預(yù)測(cè)，在圖像顯示中會(huì)羅列出相似度最高的3個(gè)扇區(qū)當(dāng)時(shí)的走勢(shì)變化及具體相似度值，并綜合計(jì)算得出預(yù)測(cè)值。

d）類比分析算法：是利用與預(yù)測(cè)扇區(qū)類型相同的現(xiàn)有數(shù)據(jù)進(jìn)行均差分析的方法，可以理解成是相似度算法的演變之一。該算法在本系統(tǒng)里是用同一個(gè)扇區(qū)2018 年的數(shù)據(jù)，與2019 年的數(shù)據(jù)進(jìn)行均差對(duì)比。類比分析算法是工程分析常用的方法，也是定量結(jié)果較為準(zhǔn)確的方法，但該方法計(jì)算時(shí)間長(zhǎng)、工作量大。在評(píng)價(jià)時(shí)間允許、評(píng)價(jià)工作等級(jí)較高，又有可以參考的相同的或相似的現(xiàn)有工程時(shí)，應(yīng)采用此法。采用此法時(shí)，應(yīng)注意充分分析對(duì)象與類比對(duì)象之間的相似性。

e）類比分析+線性糾正算法：是將類比分析算法和線性回歸算法結(jié)合，再通過三角函數(shù)計(jì)算出預(yù)測(cè)值。

f）ARIMA 算法：差分整合移動(dòng)平均自回歸模型，又稱整合移動(dòng)平均自回歸模型（移動(dòng)也可稱作滑動(dòng)），時(shí)間序列預(yù)測(cè)分析方法之一。ARIMA（p，d，q）中，AR是“自回歸”，p為自回歸項(xiàng)數(shù)；MA 為“滑動(dòng)平均”，q為滑動(dòng)平均項(xiàng)數(shù)，d為使非平穩(wěn)序列成為平穩(wěn)序列所做的差分次數(shù)（階數(shù)）。

g）指數(shù)平滑算法：指數(shù)平滑法是時(shí)間序列預(yù)測(cè)分析方法之一，是在移動(dòng)平均法基礎(chǔ)上發(fā)展起來的一種時(shí)間序列分析預(yù)測(cè)法，它是通過計(jì)算指數(shù)平滑值，配合一定的時(shí)間序列預(yù)測(cè)模型對(duì)現(xiàn)象的未來進(jìn)行預(yù)測(cè)。其原理是任一期的指數(shù)平滑值都是本期實(shí)際觀察值與前一期指數(shù)平滑值的加權(quán)平均，以某種指標(biāo)的本期實(shí)際數(shù)和本期預(yù)測(cè)數(shù)為基礎(chǔ)，引入一個(gè)簡(jiǎn)化的加權(quán)因子，即平滑系數(shù)，以求得平均數(shù)。

以一周為一個(gè)循環(huán)周期，每周的周一到周日為7個(gè)線維度，結(jié)合智能預(yù)測(cè)算法，分別進(jìn)行數(shù)據(jù)預(yù)測(cè)，這樣共形成幾十種預(yù)測(cè)結(jié)果。這種方法的優(yōu)點(diǎn)是不依賴于已封裝的算法，靈活性較強(qiáng)。

2.3 智能模塊功能

整個(gè)系統(tǒng)結(jié)構(gòu)采用B/S 模式架構(gòu)，數(shù)據(jù)保留在服務(wù)器上，Web 瀏覽器是客戶端最主要的應(yīng)用軟件，其主要特點(diǎn)是維護(hù)升級(jí)方式簡(jiǎn)單，成本較低，用戶操作簡(jiǎn)潔方便，不需要下載客戶端。

服務(wù)器端用目前最流行的python+Mysql 組合，負(fù)責(zé)核心算法、分析及模塊化等功能；瀏覽器端采用ASP+Javasctipt+Mysql 組合，負(fù)責(zé)分析結(jié)果GIS 展示、定位、經(jīng)緯度轉(zhuǎn)化、地址查找等。目前服務(wù)器端主要有5個(gè)功能模塊，分別是全網(wǎng)小區(qū)PRB導(dǎo)入、全網(wǎng)低負(fù)荷分析、全網(wǎng)不均衡分析、全網(wǎng)PRB 利用率查詢、高負(fù)荷AI分析及預(yù)測(cè)等，后續(xù)還會(huì)增加相應(yīng)的使用模塊。

2.3.1 全網(wǎng)導(dǎo)入模塊

全網(wǎng)導(dǎo)入模塊主要負(fù)責(zé)收集日常PRB 數(shù)據(jù)，方便其他模塊進(jìn)行分析處理，是整個(gè)系統(tǒng)的基礎(chǔ)。具體導(dǎo)入步驟如圖1 所示，首先點(diǎn)擊“瀏覽”按鍵選取要導(dǎo)入的文件，然后點(diǎn)擊“處理”，如果數(shù)據(jù)庫(kù)已有當(dāng)天的記錄則不導(dǎo)入，如果沒有則需要將記錄導(dǎo)入數(shù)據(jù)庫(kù)，最下面綠色條框?yàn)檫M(jìn)度條，導(dǎo)入成功后會(huì)顯示總體用時(shí)情況，注意導(dǎo)入的文件一定要嚴(yán)格按照模板格式，如果當(dāng)天某小區(qū)PRB無數(shù)據(jù)或PRB值為0，則不導(dǎo)入。

2.3.2 全網(wǎng)低負(fù)荷扇區(qū)分析模塊

全網(wǎng)低負(fù)荷扇區(qū)分析模塊主要是用來判斷扇區(qū)負(fù)荷是否偏低，判斷低負(fù)荷的標(biāo)準(zhǔn)主要依據(jù)載波低負(fù)荷門限值和連續(xù)低負(fù)荷的天數(shù)這2 個(gè)參數(shù)，參數(shù)值可根據(jù)地（市）實(shí)際需求情況修改。因?yàn)楹罄m(xù)的處理意見會(huì)涉及拆裝硬件，所以判定的標(biāo)準(zhǔn)必須嚴(yán)格，必須是連續(xù)低負(fù)荷。如圖2所示，點(diǎn)擊“確定分析”按鈕，分析出低負(fù)荷扇區(qū)后再根據(jù)該低負(fù)荷扇區(qū)的頻點(diǎn)、帶寬和載波數(shù)量給出對(duì)應(yīng)的處理意見。分析結(jié)果文件默認(rèn)保存在第1行文本框里的路徑，也可以點(diǎn)擊“選擇路徑”設(shè)定其他路徑。

2.3.3 全網(wǎng)不均衡小區(qū)分析模塊

圖1 全網(wǎng)導(dǎo)入模塊界面

圖2 全低負(fù)荷分析模塊界面

圖3 全網(wǎng)不均衡小區(qū)分析模塊界面

多載波小區(qū)頻段間損耗存在差異，導(dǎo)致用戶分布不均衡，從而引起各載波間的用戶感知差異。要解決負(fù)荷不均衡帶來的問題，需選擇合適的UE 轉(zhuǎn)移到負(fù)載相對(duì)較小的載波小區(qū)。改善異頻小區(qū)間負(fù)載不平衡的狀態(tài)，可以有效提高資源利用效率并保證業(yè)務(wù)的QoS 水平。按照省公司先優(yōu)化后擴(kuò)容的原則，要先分析判斷出全網(wǎng)有哪些不均衡小區(qū)，然后再執(zhí)行優(yōu)化操作，判斷不均衡小區(qū)主要依據(jù)2個(gè)參數(shù)：一個(gè)是各個(gè)載波之間相差門限值，另一個(gè)是不均衡的天數(shù)。因?yàn)橛脩粜袨闊o法預(yù)期，且載波間存在差異，因此在一個(gè)周期內(nèi)只要有一天均衡，就定義該小區(qū)為均衡小區(qū)，所以必須是連續(xù)不均衡才能定義為不均衡小區(qū)。上述的2個(gè)參數(shù)可以人工干預(yù)，根據(jù)地（市）實(shí)際情況調(diào)整。如圖3 所示，分析結(jié)果文件默認(rèn)保存在第1 行文本框顯示的路徑，也可以點(diǎn)擊“選擇路徑”設(shè)定其他路徑。

2.3.4 全網(wǎng)PRB查詢模塊

PRB 查詢模塊的功能主要是查詢小區(qū)的PRB 情況，方便其他專業(yè)或其他專項(xiàng)人員了解某個(gè)小區(qū)PRB情況，可以根據(jù)小區(qū)名模糊查詢，也可以根據(jù)ECI模糊查詢（見圖4）。

在查詢結(jié)果處，雙擊某條結(jié)果就會(huì)顯示近幾天的PRB 走勢(shì)圖，同時(shí)把該扇區(qū)里所有載波都顯示出來，如圖5所示。

2.3.5 高負(fù)荷AI分析及預(yù)測(cè)

高負(fù)荷AI分析及預(yù)測(cè)模塊是整個(gè)系統(tǒng)的核心，主要功能是利用大數(shù)據(jù)+AI，進(jìn)行PRB 建模，幫助網(wǎng)絡(luò)部門基于網(wǎng)絡(luò)和業(yè)務(wù)級(jí)PRB 預(yù)測(cè)結(jié)果，指導(dǎo)網(wǎng)絡(luò)精準(zhǔn)擴(kuò)容或減容。先運(yùn)用7 日預(yù)測(cè)演變算法預(yù)測(cè)結(jié)果，再結(jié)合自創(chuàng)的Autolearn 功能，將預(yù)測(cè)出來的結(jié)果數(shù)據(jù)先沉淀，再進(jìn)行訓(xùn)練演進(jìn)，不斷學(xué)習(xí)識(shí)別，根據(jù)場(chǎng)景、時(shí)間、擬合度等不同維度，給出最理想的預(yù)測(cè)結(jié)果，對(duì)網(wǎng)絡(luò)進(jìn)行預(yù)擴(kuò)容。

圖4 全網(wǎng)查詢模塊界面

圖5 全網(wǎng)查詢顯示界面

AutoLearn 功能具體實(shí)現(xiàn)方法：將每次的預(yù)測(cè)結(jié)果記錄保存下來，記錄里含有預(yù)測(cè)時(shí)長(zhǎng)、預(yù)測(cè)開始時(shí)間、擬合度、所屬場(chǎng)景等。以具體某個(gè)小區(qū)為例，首先根據(jù)這小區(qū)的預(yù)測(cè)開始時(shí)間和預(yù)測(cè)時(shí)長(zhǎng)，來匹配往年同期歷史記錄里否有最優(yōu)預(yù)測(cè)結(jié)果，有的話將得出最優(yōu)結(jié)果的方法作為本次預(yù)測(cè)算法標(biāo)準(zhǔn)；時(shí)間未匹配上，就看相同類型場(chǎng)景下是否有最優(yōu)預(yù)測(cè)結(jié)果；場(chǎng)景未匹配上，那就將前面多種預(yù)測(cè)結(jié)果做擬合度識(shí)別訓(xùn)練（擬合度是指預(yù)測(cè)值對(duì)樣本值的擬合程度，值越接近1說明擬合程度越好，反之越差），假設(shè)預(yù)測(cè)7個(gè)數(shù)字，前3 個(gè)數(shù)字的擬合度0.27，前4 個(gè)數(shù)字的擬合度0.87，那就能說明第4個(gè)數(shù)字是最接近預(yù)測(cè)值，將它保留，以此類推，得出所有7個(gè)預(yù)測(cè)值；最后如果沒有任何一組歷史預(yù)測(cè)數(shù)據(jù)，就從當(dāng)前全網(wǎng)已用過的預(yù)測(cè)算法中找個(gè)得分最高（每預(yù)測(cè)一次，會(huì)對(duì)所有的算法打分）的作為標(biāo)準(zhǔn)。算法的具體流程如圖6所示。

該模塊共有4 個(gè)參數(shù)：樣本天數(shù)、預(yù)測(cè)天數(shù)、開始預(yù)測(cè)日期、全網(wǎng)分析還是單扇區(qū)分析，分析結(jié)果文件默認(rèn)保存在第一行文本框顯示的路徑，也可以點(diǎn)擊“選擇路徑”設(shè)定其他路徑（見圖7）。

2.3.6 瀏覽器端（Brower）GIS展示

用戶在瀏覽器輸入網(wǎng)址：“http：//服務(wù)器地址/GPStoaddress.asp”就可進(jìn)入GIS 可視化界面（調(diào)用百度API），除了將服務(wù)器端的結(jié)果可視化展示外，另外還有很多其他小功能，如3種坐標(biāo)系的相互轉(zhuǎn)換（國(guó)際坐標(biāo)系、火狐坐標(biāo)系、百度坐標(biāo)系）、地址與坐標(biāo)系的轉(zhuǎn)換、任意類型坐標(biāo)系的GIS 定位、全網(wǎng)基站展示、高負(fù)荷區(qū)域展示、建筑物場(chǎng)景范圍抓取等。GIS 展示界面如圖8所示。

圖6 算法流程圖

圖7 容量預(yù)測(cè)界面

圖8 GIS展示界面

3 效果分析

3.1 網(wǎng)絡(luò)運(yùn)營(yíng)效率提升

相比人工分析，本系統(tǒng)的一個(gè)功能模塊的分析時(shí)間平均節(jié)省15 個(gè)小時(shí)（近2 個(gè)工作日），目前系統(tǒng)有4個(gè)現(xiàn)網(wǎng)分析模塊，所以共可以節(jié)省60個(gè)工時(shí)（相當(dāng)于1個(gè)人近8個(gè)工作日的分析工作，本系統(tǒng)只要1 h完成），大幅提升工作效率，降低人工成本。分析是日常性工作，所以累計(jì)帶來的效率是不可估量的。

3.2 提升用戶感知

預(yù)擴(kuò)容可以保障網(wǎng)絡(luò)的穩(wěn)定性，有利于提升用戶使用感知，減少投訴。容量預(yù)測(cè)模塊目前還在試驗(yàn)驗(yàn)證階段，還在對(duì)各個(gè)預(yù)測(cè)算法進(jìn)行比較和糾正，未正式使用，不過從單扇區(qū)試驗(yàn)結(jié)果來看，目前7日預(yù)測(cè)演變算法+線性回歸算法的預(yù)測(cè)與實(shí)際值誤差是最小的，平均誤差小于0.2個(gè)百分點(diǎn)。

3.3 降低運(yùn)營(yíng)成本

通過拆閑補(bǔ)忙，能夠?qū)⒎治龀鰜淼拓?fù)荷扇區(qū)的RRU 硬件拆下調(diào)配到高負(fù)荷扇區(qū)，2019 年7 月和8 月分別進(jìn)行了2 次分析，已調(diào)配20M-L2100RRU 20 塊（每月10 個(gè)），平均單價(jià)2.6 萬元，節(jié)省52 萬元；拆閑補(bǔ)忙是個(gè)常態(tài)化工作，按照每月最低10 個(gè)來執(zhí)行，一年可以至少節(jié)省300萬元以上。

4 結(jié)論

通過對(duì)溫州現(xiàn)網(wǎng)容量負(fù)荷的研究，運(yùn)用4G網(wǎng)絡(luò)容量資源智能分析及預(yù)測(cè)系統(tǒng)，改正以往傳統(tǒng)優(yōu)化方法效率低下、耗時(shí)長(zhǎng)、工作量大、預(yù)警預(yù)測(cè)能力不足等缺點(diǎn)，對(duì)大量的輸入信息進(jìn)行分析和學(xué)習(xí)，并通過不斷地學(xué)習(xí)加強(qiáng)模型，掌握專家經(jīng)驗(yàn)，提升解決問題的準(zhǔn)確性。該系統(tǒng)能模擬人類進(jìn)行大量重復(fù)的工作，提升工作效率，同時(shí)能處理和發(fā)掘人工工作不容易注意的問題和不確定的信息。該系統(tǒng)利用現(xiàn)網(wǎng)數(shù)據(jù)及相應(yīng)算法對(duì)未來網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，對(duì)網(wǎng)絡(luò)提前擴(kuò)減容，把網(wǎng)絡(luò)容量問題提前消滅在萌芽中，提升用戶感知。研究4G 網(wǎng)絡(luò)容量資源智能分析及預(yù)測(cè)系統(tǒng)主要是為了提高網(wǎng)絡(luò)運(yùn)營(yíng)效率，提升業(yè)務(wù)質(zhì)量，降低運(yùn)營(yíng)成本，這無論是在技術(shù)創(chuàng)新方面還是在經(jīng)濟(jì)效益方面都將具有非常重要的意義。