朱格苗 徐 慧 王計斌 閆興秀 余 健

南京華蘇科技有限公司

0 引言

近年來，隨著通信網(wǎng)絡的不斷發(fā)展，其復雜性也越來越高，網(wǎng)絡優(yōu)化成為運營商面臨的主要問題之一，而準確的工參尤其是方位角是網(wǎng)絡優(yōu)化的基石，如何獲取正確的方位角是目前研究的重點問題之一。

目前，小區(qū)方位角核查主要采用人工定期巡檢的方法，分批逐步核查全網(wǎng)所有小區(qū)的方位角，該方式不僅耗時、耗人、耗力，而且運維成本較高。另一種自動核查天線方位角的方法是分析小區(qū)覆蓋范圍，目前通常是對路測數(shù)據(jù)進行分析。

目前很多學者的研究都是從某一方面對天線方位角進行計算，而沒有全面考慮到數(shù)據(jù)的差異。本文利用OTT數(shù)據(jù)、MDT數(shù)據(jù)、MR數(shù)據(jù)和工參數(shù)據(jù)，從各個方面考慮數(shù)據(jù)的差異性，相應地提出五個算法，分別對用戶數(shù)據(jù)進行分析，從而預測天線的方位角，并將五種算法通過賦予不同的權(quán)重形成一種聯(lián)合算法。本文方法的主要創(chuàng)新點是將五種預測算法聯(lián)合在一起，規(guī)避了單獨算法的一些缺點，以達到更高的精度和更好的穩(wěn)定性。

1 數(shù)據(jù)收集

我們的方法收集了三種不同的數(shù)據(jù)：用戶數(shù)據(jù)（OTT、MDT）、小區(qū)工參信息表、小區(qū)真實勘站數(shù)據(jù)。

用戶數(shù)據(jù)收集的是特定時間及空間上用戶手機上報的實時信息。最終保留的指標有：小區(qū)唯一標識（ECI）、用戶經(jīng)度、用戶緯度、參考信號接收功率（Reference Signal Received Power，RSRP）（以下簡稱RSRP）。

小區(qū)工參信息表收集的是一定區(qū)域內(nèi)大量小區(qū)的基本信息，每行代表一個ECI。最終保留下列指標：小區(qū)唯一標識（ECI）、小區(qū)經(jīng)度、小區(qū)緯度、工參方位角、小區(qū)覆蓋類型。

小區(qū)真實勘站數(shù)據(jù)收集的是小區(qū)真實的信息，包括小區(qū)唯一標識（ECI）、勘站方位角。

對用戶數(shù)據(jù)進行分析，利用我們的聯(lián)合算法對小區(qū)方位角進行預測，并且將預測的方位角和真實勘站的數(shù)據(jù)進行對比，得出算法預測的準確性。當算法的準確性較高時，該算法則投入生產(chǎn)應用，這樣則可以節(jié)省大量的人力、物力，不需要對每個小區(qū)進行實際勘站就能獲得準確的工參。

2 方法論

在實際生活中，當收集到的樣本數(shù)據(jù)量較小時，預測值與真實值之間常常會有較大的誤差，為了避免誤差過大，本文將五種基本預測算法和權(quán)重算法結(jié)合，形成聯(lián)合算法，從而對用戶數(shù)據(jù)進行預測，這樣可以在一定程度上保證預測結(jié)果的準確性?；谟脩魯?shù)據(jù)實現(xiàn)天線方位角糾偏的方法主要分為以下5個步驟：

步驟1：收集數(shù)據(jù)。收集用戶數(shù)據(jù)和工參數(shù)據(jù)樣本以及勘站數(shù)據(jù)。

步驟2：數(shù)據(jù)處理。首先將工參表中小區(qū)經(jīng)度和緯度為空的小區(qū)刪除，只選取小區(qū)覆蓋類型為室外的小區(qū)，在柵格級多天時間粒度上對用戶數(shù)據(jù)和工參數(shù)據(jù)通過小區(qū)唯一標識碼進行匹配，然后對匹配后的數(shù)據(jù)組進行去重處理，統(tǒng)計每個小區(qū)下的用戶數(shù)據(jù)數(shù)量，僅保留用戶數(shù)據(jù)數(shù)量大于閾值區(qū)，根據(jù)小區(qū)經(jīng)緯度和用戶數(shù)據(jù)經(jīng)緯度，計算用戶數(shù)據(jù)到小區(qū)的距離，并且進行異常值檢測，刪除距離較遠的用戶數(shù)據(jù)，再通過小區(qū)經(jīng)緯度和用戶經(jīng)緯度計算用戶相對小區(qū)的角度，以正北方位為0度。

步驟3：分別采用基于采樣點強度預測算法、基于采樣點密度分扇區(qū)預測算法、基于采樣點強度和密度結(jié)合的預測算法、基于采樣點強度的分層統(tǒng)計預測算法、基于采樣點強度分扇區(qū)的預測算法，計算每個小區(qū)的預測方位角。

步驟4：使用用戶數(shù)據(jù)和實測的勘站數(shù)據(jù)作為訓練集，用步驟3的五種預測方法對訓練集進行預測，再根據(jù)預測結(jié)果使用蒙特卡羅方法訓練出五種預測方法的權(quán)重。

步驟5：根據(jù)步驟4的權(quán)重在訓練集上得到的預測效果，選出最優(yōu)權(quán)重，確定最優(yōu)權(quán)重的預測模型，根據(jù)最優(yōu)權(quán)重的預測模型對用戶數(shù)據(jù)進行預測，得出小區(qū)的預測方位角。

圖1 基于五種預測模型算法的天線方位角工參清洗的說明示意圖

2.1 基于采樣點強度的預測算法

該算法從采樣點的強度出發(fā)，將信號強度作為主要指標進行考慮。主要是計算每個小區(qū)唯一標識碼下RSRP值最大的前n個采樣點角度的均值作為方位角預測值，n為自然數(shù)。

2.2 基于采樣點密度分扇區(qū)的預測算法

該算法從采樣點密度分扇區(qū)進行考慮，將采樣點有規(guī)律地劃分為多個區(qū)域。每個小區(qū)唯一標識碼下，以基站經(jīng)緯度為圓心，以基站的正北方向為0度，順時針方向角度增加，每N度劃分一個扇區(qū)，將基站的區(qū)域劃分為360/N（取整數(shù)）個扇區(qū)。根據(jù)采樣點的經(jīng)緯度和基站的經(jīng)緯度，計算得到采樣點與基站之間相對正北方向的夾角，根據(jù)該角度將采樣點按照到小區(qū)的角度，每N度劃分一個扇區(qū)，分成360/N份，將每個采樣點都劃分到其所屬扇區(qū)，統(tǒng)計每個扇區(qū)中點的個數(shù)，取點的個數(shù)最多的扇區(qū)角度作為方位角預測值。

2.3 基于采樣點強度和密度結(jié)合的預測算法

該算法將采樣點的密度和強度結(jié)合考慮，首先同2.2中的扇區(qū)的劃分方法一致，進行扇區(qū)劃分，同樣是將采樣點有規(guī)律地劃分成多個區(qū)域。每個小區(qū)唯一標識碼下，將采樣點按照到小區(qū)的角度每N度劃分一個扇區(qū)，分成360/N份，N∈[1，360]，360/N取整數(shù)；然后統(tǒng)計每個小區(qū)唯一標識碼下的采樣點總數(shù)扇區(qū)中采樣點數(shù)占比，取出360/N個扇形區(qū)域中采樣點個數(shù)大于總采樣點d%的扇區(qū)，d∈[1，99]，計算這些扇區(qū)中RSRP值最大的前n個采樣點RSRP均值，n為自然數(shù)，取出RSRP均值最大的扇形區(qū)域t個，t的范圍為[1，360/N]之間的整數(shù)，計算這t個扇區(qū)角度的均值作為方位角預測值。

2.4 基于采樣點強度的分層統(tǒng)計預測算法

該算法是在第一個基于采樣點強度的預測算法的基礎上進行的改進，這個算法考慮距離變量的作用。每個小區(qū)唯一標識碼下，先將距離去重，再計算n-1個不同的百分位數(shù)，按照從小到大排列，根據(jù)用戶數(shù)據(jù)到小區(qū)的距離劃分m環(huán)，m≥3。第一環(huán)：距離≦第一個百分位數(shù)；第二環(huán)：第一個百分位數(shù)<距離≦第二個百分位數(shù)；第三環(huán)：第二個百分位數(shù)<距離≦第三個百分位數(shù)；第四環(huán)：第三個百分位數(shù)<距離≦第四個百分位數(shù)；第n環(huán)：第n-1個百分位數(shù)<距離，刪除最小環(huán)和最大環(huán)的數(shù)據(jù)，保留中間環(huán)數(shù)據(jù)；確定位于中間環(huán)中每環(huán)RSRP值最大的前n個采樣點角度均值，最后求前n個采樣點角度均值的均值作為方位角預測值，n為自然數(shù)。

2.5 基于采樣點強度分扇區(qū)的預測算法

該算法是在第一個基于采樣點強度的預測算法的基礎上進行的改進。它將采樣點有規(guī)律地劃分為多個區(qū)域，然后基于采樣點強度進行計算。每個小區(qū)唯一標識碼下，將采樣點按照到小區(qū)的角度每N度劃分一個扇區(qū)分成360/N份，求每個扇區(qū)下RSRP值最大的前n個采樣點的RSRP均值，最后取RSRP均值最大的扇區(qū)角度為方位角預測值。

2.6 蒙特卡羅方法

為了將前面的五種算法進行聯(lián)合，通過蒙特卡羅方法隨機從訓練集中抽取一部分數(shù)據(jù)作為訓練樣本，共隨機選取P次得到P份訓練樣本；針對每份訓練樣本隨機生成Q個權(quán)重組合，Q為自然數(shù)；針對每個權(quán)重組合，統(tǒng)計訓練模型輸出的預測方位角與勘站方位角的偏差在R°以內(nèi)的個數(shù)占比作為該權(quán)重組合的置信度，R的取值范圍為[0，360]；針對每份訓練樣本，確定置信度最大的權(quán)重組合。

在具體實現(xiàn)時，按照如下公式（1）和（2），針對每份訓練樣本確定置信度最大的權(quán)重組合。

其中，公式（1）中的Z為實際預測誤差，angelpredict為預測方位角，angeltrue為勘站方位角；公式（2）中cost表示權(quán)重組合對應的誤差系數(shù)，M為訓練樣本中總勘站小區(qū)數(shù)量，K為設定的角度誤差閾值。

從上面的公式可知，權(quán)重組合的置信度為1-cost，例如，cost為20%，則權(quán)重組合的置信度就為1-20%，即為80%。

2.7 檢驗結(jié)果

對于上述的聯(lián)合算法模型，我們通過最終損失函數(shù)值來衡量改進，損失函數(shù)越小則越好，通過訓練出的最好模型可以對新的用戶數(shù)據(jù)進行預測方位角，并根據(jù)最終輸出的結(jié)果更新小區(qū)工參信息。最終選取一部分小區(qū)進行勘站，將預測結(jié)果和勘站數(shù)據(jù)進行對比，判斷算法的準確性。

3 實驗及結(jié)果

3.1 實驗

本文收集了國內(nèi)某省30天691個小區(qū)的OTT（Over The Top）數(shù)據(jù)，并且對這691個小區(qū)進行勘站，獲取小區(qū)真實信息數(shù)據(jù)，從而計算聯(lián)合算法預測結(jié)果的準確性、穩(wěn)定性。

為了確保數(shù)據(jù)的完整性，需要對數(shù)據(jù)進行異常值處理，對缺少小區(qū)唯一標識碼和經(jīng)緯度信息的數(shù)據(jù)予以剔除，刪除采樣點中距離異常的數(shù)據(jù)和重復的采樣點數(shù)據(jù)。首先將訓練數(shù)據(jù)放到模型中訓練、預測，將每個算法得到的預測數(shù)據(jù)和誤差數(shù)據(jù)保存，接著將訓練數(shù)據(jù)放到聯(lián)合算法中訓練、預測，將得到的預測數(shù)據(jù)和誤差數(shù)據(jù)保存，最后是對比聯(lián)合算法和五種算法的預測效果，分別計算聯(lián)合算法和五種算法在訓練集、驗證集上的誤差，計算誤差小于20度（包含20度）的個數(shù)占比。

3.2 實驗結(jié)果

在實驗中發(fā)現(xiàn)，聯(lián)合算法的預測準確性更高，使用聯(lián)合算法進行預測，得到如下所示的一些相關圖。

圖2是實驗例中某個小區(qū)10米柵格級OTT采樣點RSRP熱力圖，從圖中可以看出該小區(qū)的識別碼、名稱、30天的采樣點數(shù)以及工參方位角和預測方位角，以及每個柵格中平均RSRP值的強弱。

圖2 10米柵格級OTT采樣點rsrp熱力圖

圖3是實驗例中某市預測方位角與勘站結(jié)果對比分析圖，分別計算了預測誤差小于等于20度、35度、45度的小區(qū)個數(shù)占比，從圖中可以看出預測偏差小于45度的小區(qū)占比達到96.88%，預測偏差小于35度的小區(qū)占比達到87.53%，預測偏差小于20度的小區(qū)占比達到80.39%，占比都較大，說明預測模型有較好的準確性。

圖3 預測方位角與勘站結(jié)果對比分析圖

圖4、5、6分別是居民小區(qū)、道路小區(qū)、城中村小區(qū)預測工參與勘站結(jié)果對比分析圖，分別計算了預測誤差小于等于20度、35度、45度的小區(qū)個數(shù)占比，從圖中可以看出預測偏差小于45度的小區(qū)占比分別達到95.96%、95.96%、93.96%，預測偏差小于35度的小區(qū)占比分別達到81.25%、86.25%、87.25%，預測偏差小于20度的小區(qū)占比分別達到75.36%、82.35%、79.36%，占比都較大且表現(xiàn)一致，可以說明預測模型在道路、城中村等場景中都有較好的準確性。

圖4 居民區(qū)小區(qū)預測方位角與勘站結(jié)果對比分析圖

圖5 道路小區(qū)預測方位角與勘站結(jié)果對比分析圖

圖6 城中村小區(qū)預測方位角與勘站結(jié)果對比分析

圖7是實施例中方位角錯誤實際效果圖，該小區(qū)中根據(jù)OTT采樣點預測的方位角為75度，而實際勘測的方位角為60度，但是工參表中的方位角為20度，預測的方位角與實際勘測的方位角誤差較小，經(jīng)驗證發(fā)現(xiàn)，該小區(qū)工參方位角為人為錄入錯誤，此算法為平臺軟件快速甄別小區(qū)方位角異常提供了理論及技術(shù)支撐。

圖7 小區(qū)方位角錯誤實際效果圖

圖8是實施例中接反小區(qū)實際效果圖，圖8中（a）和（b）的藍色加粗線條標注的扇形區(qū)域和紅色加粗線條標注的扇形區(qū)域表示兩個相鄰小區(qū)，小區(qū)周邊的各小圓圈表示采樣點。參見圖8中的（a）圖可知，利用本方法提供的上述預測模型，基于采樣點的數(shù)據(jù)，預測出第一個小區(qū)（紅色加粗線條標注的扇形區(qū)域）的方位角預測值為300度，而實際勘測第一個小區(qū)的方位角為187度；參見圖8中的（b）圖可知，基于采樣點的數(shù)據(jù)，預測出第二個小區(qū)（紅色加粗線條標注的扇形區(qū)域）的預測方位角為120度，而實際勘測第二個小區(qū)的方位角為293度，可見，這兩個相鄰小區(qū)的預測誤差很大，這提供給維護人員作為參考數(shù)據(jù)，維護人員現(xiàn)場核查發(fā)現(xiàn)這兩個小區(qū)的天線被人為接反，此算法為平臺軟件快速甄別接反小區(qū)提供了理論及技術(shù)支撐。

圖8 接反小區(qū)實際效果圖

4 結(jié)束語

本文提出了一種基于用戶數(shù)據(jù)實現(xiàn)天線方位角糾偏的方法，將五種預測算法聯(lián)合在一起，規(guī)避了單獨算法的一些缺點，提高了方法的準確性和穩(wěn)定性。經(jīng)實際勘站證明模型的準確性如下：預測偏差小于45度的小區(qū)占比達到96.88%，預測偏差小于35度的小區(qū)占比達到87.53%，預測偏差小于20度的小區(qū)占比達到80.39%，并且在各個場景表現(xiàn)一致。本文通過對分析的數(shù)據(jù)畫柵格級用戶數(shù)據(jù)RSRP熱力圖，獲得小區(qū)周圍的采樣點信息以及預測的方位角，通過更深層次的分析，可以找出工參中方位角錯誤、接反小區(qū)等問題，以對運營商的工參數(shù)據(jù)進行修正，對其網(wǎng)絡優(yōu)化工作具有指導意義。