汪保友，姚賽彬，黃久成，潘暉

基于XDR大數(shù)據(jù)分析的高架用戶識別技術(shù)

汪保友，姚賽彬，黃久成，潘暉

（中國聯(lián)合網(wǎng)絡(luò)通信有限公司上海分公司，上海 200080）

城市高架路場景下，用戶行駛速度相對較快、人流密集，客戶對通信體驗要求更高。首先，介紹了網(wǎng)絡(luò)質(zhì)量管控大數(shù)據(jù)平臺體系架構(gòu)；其次，設(shè)計了基于XDR大數(shù)據(jù)分析的高架用戶識別的算法；最后，通過XDR大數(shù)據(jù)分析處理，與高架路段指紋庫匹配，輸出高架用戶運動軌跡，提升了高架用戶識別準(zhǔn)確性，為高架路無線網(wǎng)絡(luò)質(zhì)量監(jiān)控提供輔助支撐。

網(wǎng)絡(luò)優(yōu)化；XDR；城市高架識別

1 引言

為有效緩解城市交通擁堵，很多城市選擇修建城市高架路，建立城市立體交通網(wǎng)絡(luò)。以上海為例，上海有延安高架、南北高架、內(nèi)環(huán)高架等14條高架線路，日均車流量已經(jīng)達(dá)到201萬輛。高架、高速等快速道路中，用戶行駛路線相對固定、行駛速度相對較快、人流密集，客戶對通信體驗要求更高，無線網(wǎng)絡(luò)的移動性、保持性、接入性質(zhì)量對客戶感知有重要影響。如何準(zhǔn)確識別高架用戶，利用高架用戶群體的真實多維感知數(shù)據(jù)，實現(xiàn)全民測試、全量測試，快速匯聚問題道路，更趨近用戶真實感知體驗，從而大幅提高網(wǎng)絡(luò)檢測效率和準(zhǔn)確性，是迫切的實際需求，非常具有實用價值。

目前高架用戶識別方法，存在如下問題。

（1）GPS衛(wèi)星定位法

由于多徑效應(yīng)等影響，GPS的高度誤差明顯高于平面誤差，僅靠GPS的坐標(biāo)，無法區(qū)分用戶處在高架橋上還是地面道路上。

（2）位置區(qū)更新識別法

單純位置區(qū)更新識別算法誤判率高，容易把地面道路用戶誤判為高架用戶。

（3）基于圖像檢索識別法

基于圖像檢索識別高架用戶，后臺需要拍攝、存儲大量高架路圖片，對設(shè)備的計算能力要求高，適用于車輛導(dǎo)航及路線服務(wù)場景。

眾所周知，運營商擁有海量的數(shù)據(jù)，其中MR測量報告和XDR信令數(shù)據(jù)是OSS域最主要的兩類數(shù)據(jù)，MR測量報告每日可達(dá)幾TB，XDR原始信令每日更可達(dá)到幾十TB。面對如此巨大的數(shù)據(jù)體量，必須依托大數(shù)據(jù)支撐平臺處理分析。本文提出一種基于XDR大數(shù)據(jù)分析的高架用戶識別技術(shù)。該技術(shù)通過XDR大數(shù)據(jù)分析處理，輸出用戶完整運動軌跡，與高架路指紋庫匹配，可自動輸出高架用戶運動軌跡，提升了高架用戶識別準(zhǔn)確性，為高架路無線網(wǎng)絡(luò)質(zhì)量監(jiān)控提供了輔助支撐。

圖1 網(wǎng)絡(luò)質(zhì)量管控大數(shù)據(jù)平臺體系架構(gòu)

2 網(wǎng)絡(luò)質(zhì)量管控大數(shù)據(jù)平臺體系架構(gòu)

網(wǎng)絡(luò)質(zhì)量管控大數(shù)據(jù)平臺體系架構(gòu)如圖1所示，下面3層是技術(shù)層面，上面兩層是業(yè)務(wù)層面。底層是對近源數(shù)據(jù)的采集處理，包括MRO文件解壓、解析、預(yù)處理、定位、回填I(lǐng)MSI等；XDR文件解壓、解析；OMC網(wǎng)管PM性能數(shù)據(jù)和工參數(shù)據(jù)等采集處理，采用了Flume、Kafka流式計算框架。往上一層，是數(shù)據(jù)湖存儲和數(shù)據(jù)集市運算，數(shù)據(jù)湖存儲于Hadoop集群的HDFS文件，通過Hive及HBase工具組件對外提供查詢接口；通過Spark Streaming準(zhǔn)實時計算工具，匯聚計算中間結(jié)果存儲于MPP數(shù)據(jù)庫（包括基礎(chǔ)數(shù)據(jù)和匯總數(shù)據(jù)）；再通過數(shù)據(jù)挖掘、SQL計算，產(chǎn)生價值數(shù)據(jù)和粗粒度匯總數(shù)據(jù)，存儲于RDB數(shù)據(jù)集市，以便外部調(diào)用。再往上，是查詢引擎，通過一些框架組件，如Hibernate、SpringBoot、CAS框架，ExtJS、VUE、WebSocket前端工具等，進(jìn)行業(yè)務(wù)處理和可視化展現(xiàn)。再往上一層，是模型字典，提供計算模型（用戶模型、業(yè)務(wù)模型、指標(biāo)模型）以及數(shù)據(jù)字典（柵格、道路、場景、用戶等）。頂層是應(yīng)用門戶，實現(xiàn)網(wǎng)絡(luò)優(yōu)化生產(chǎn)（自動路測、自動評估、自動派單、智能工參等）以及網(wǎng)絡(luò)維護(hù)支撐（綜合監(jiān)控、智能判障等）。

3 基于XDR大數(shù)據(jù)分析的高架用戶識別技術(shù)

3.1 相關(guān)定義

定義1 區(qū)塊路段

定義2 區(qū)塊路段指紋

定義3 高架路指紋庫

定義4 運動特征用戶

基于移動性原理，用戶在行駛過程中，會從一個位置區(qū)移動到另一個位置區(qū)，如果用戶在短時間內(nèi)發(fā)生多個位置區(qū)更新，則將其定義為運動特征用戶。

定義5 高架用戶

某時間段內(nèi)在高架路段行駛的運動特征用戶，定義為高架用戶。

3.2 技術(shù)思路

基于XDR大數(shù)據(jù)分析的高架用戶識別，首先，通過XDR大數(shù)據(jù)關(guān)鍵信息，生成用戶運動軌跡；其次，把每個用戶的運動軌跡與高架路指紋庫進(jìn)行比對匹配，判定用戶是否經(jīng)過某個區(qū)塊路段、經(jīng)過多少條區(qū)塊路段，進(jìn)而判定是否為高架用戶、運動場景經(jīng)過哪些高架；最后，通過閾值和條件選擇實現(xiàn)高架用戶自動識別，為無線網(wǎng)質(zhì)量感知問題提供用戶聚焦手段。數(shù)據(jù)處理流程如圖2所示。

3.3 用戶運動行程生成算法

3.4 用戶運動行程合并算法

通過算法1生成的用戶運動行程UTrips，可能存在行程碎片，即用戶單次行程被分割記錄成多條行程，為此需要進(jìn)行用戶行程合并。選擇用戶

圖2 高架用戶識別數(shù)據(jù)處理流程

圖3 用戶運動行程生成算法流程

3.5 高架用戶識別算法

將合并后的用戶運動軌跡UTrips_New，與高架路指紋庫進(jìn)行匹配，判定用戶是否經(jīng)過某區(qū)塊路段、經(jīng)過多少條區(qū)塊路段，進(jìn)而判定是否高架用戶、運動場景經(jīng)過哪些高架路。高架用戶識別算法流程如圖5所示。

圖5 高架用戶識別算法流程

此算法基本思路分為以下4步。

步驟2 將UTrips_shift按用戶、時域排序。

步驟3 行程記為UTrips_shift與高架路指紋庫RD_Finger匹配，判斷該條行程是否在指紋中。如是，則判斷屬于哪條線路，并輸出到UTrips_Out數(shù)據(jù)集中。

4 高架用戶識別的應(yīng)用

通過以上算法的大數(shù)據(jù)分析處理，可實現(xiàn)高架用戶自動識別，為無線網(wǎng)質(zhì)量感知提供用戶聚焦手段。準(zhǔn)確識別高架用戶后，再利用高架用戶群體的真實多維感知數(shù)據(jù)，實現(xiàn)全民測試、全量測試，快速匯聚道路問題，更趨近用戶真實感知體驗，從而大幅提高網(wǎng)絡(luò)檢測效率和準(zhǔn)確性，達(dá)到“節(jié)能增效”的目的。通過可視化大屏可實現(xiàn)區(qū)塊路段KPI監(jiān)控、異常路段告警提示，也可提供單用戶、單區(qū)塊路段的感知指標(biāo)查詢分析，輔助投訴和問題定位?？梢暬O(jiān)控系統(tǒng)門戶如圖6所示。

圖6 可視化監(jiān)控系統(tǒng)門戶

5 結(jié)束語

基于XDR大數(shù)據(jù)分析的高架用戶識別技術(shù)，為無線網(wǎng)質(zhì)量感知提供用戶聚焦手段，有效提升了全網(wǎng)高架路評估能力和頻次。傳統(tǒng)DT路測法成本高、數(shù)據(jù)樣本量小、測試終端數(shù)極少、隨機(jī)性大，無法模擬真實用戶感知；傳統(tǒng)指標(biāo)監(jiān)控法，通過篩選出高架路沿線主控小區(qū)進(jìn)行KPI性能統(tǒng)計，會引入大量非高架路用戶，準(zhǔn)確性偏低。本文所提方法克服了傳統(tǒng)DT路測法及指標(biāo)監(jiān)控法的問題，從實際應(yīng)用效果看，該方法已推廣使用到高架、高速、高鐵等“三高”定軌道路場景，質(zhì)差和高掉話等隱性問題的發(fā)現(xiàn)及時率從30%提高到95%，日常優(yōu)化問題點覆蓋率超過90%，路測工作自動完成率超過70%，節(jié)約了運維成本，提高了優(yōu)化效率。

[1] 劉韜, 吳濤, 王斌. XDR與MR數(shù)據(jù)關(guān)聯(lián)與應(yīng)用[J]. 電信科學(xué), 2019, 35(4): 120-130.

LIU T, WU T, WANG B. Association and application in XDR and MR data[J]. Telecommunications Science, 2019, 35(4): 120-130.

[2] YAO S B, HUANG J C, WANG B Y, et al. Design and application of network optimizing integrated platform based on rasterized big data[M]. Signal and Information Processing, Networking and Computers. Singapare: Springer, 2020: 789-799.

[3] 汪保友, 姚健, 張正卿. 基于FKS的信令采集與監(jiān)控技術(shù)[J].電信科學(xué), 2018, 34(3): 145-155.

WANG B Y, YAO J, ZHANG Z Q. Signaling collection and monitoring technology based on FKS[J]. Telecommunications Science, 2018, 34(3):145-155.

[4] 伏玉筍, 楊根科. 人工智能在移動通信中的應(yīng)用：挑戰(zhàn)與實踐[J]. 通信學(xué)報, 2020, 41(9): 190-201.

FU Y S, YANG G K. Application of artificial intelligence in mobile communication: challenge and practice[J]. Journal on Communications, 2020, 41(9): 190-201.

[5] 王瑩, 蘇壯. 無線網(wǎng)絡(luò)中的移動預(yù)測綜述[J]. 通信學(xué)報, 2019, 40(8): 157-168.

WANG Y, SU Z. Survey of mobility prediction in wireless network[J]. Journal on Communications, 2019, 40(8): 157-168.

[6] 許佳捷, 鄭凱, 池明旻, 等. 軌跡大數(shù)據(jù): 數(shù)據(jù)、應(yīng)用與技術(shù)現(xiàn)狀[J]. 通信學(xué)報, 2015, 36(12): 97-105.

XU J J, ZHENG K, CHI M M, et al. Trajectory big data: data, applications and techniques[J]. Journal on Communications, 2015, 36(12): 97-105.

[7] 朱近康, 柴名揚, 周武旸. 面向B5G/6G的三三三網(wǎng)絡(luò)體系架構(gòu)和優(yōu)化學(xué)習(xí)機(jī)制[J]. 通信學(xué)報, 2021, 42(4): 62-75.

ZHU J K, CHAI M Y, ZHOU W Y. Three-three-three network architecture and learning optimization mechanism for B5G/6G[J]. Journal on Communications, 2021, 42(4): 62-75.

[8] 湯雅妃, 魏進(jìn)武, 張云勇. 基于大數(shù)據(jù)的信令監(jiān)測系統(tǒng)研究[J]. 郵電設(shè)計技術(shù), 2014(7): 47-52.

TANG Y F, WEI J W, ZHANG Y Y. Research on big data based signaling monitoring platform[J]. Designing Techniques of Posts and Telecommunications, 2014(7): 47-52.

Identification technology for city freeway users based on XDR big data analysis

WANG Baoyou, YAO Saibin, HUANG Jiucheng, PAN Hui

Shanghai Branch of China United Network Communications Co., Ltd., Shanghai 200080, China

In the scene of city freeway, the driving speed is relatively faster, the flow of people is denser, and the customers have higher requirements for communication experience. Firstly, the architecture of big data platform for mobile network quality control was introduced. Then, the identification algorithm for city freeway users based on XDR big data analysis was proposed. Finally, through XDR big data analyzing and processing, the user track on freeway was output, which followed by matching with the fingerprints database of freeways. The identification accuracy for city freeway users was improved, and wireless network quality monitoring of city freeways was supported.

network optimization, XDR, identification of city freeway

TN929.5

A

10.11959/j.issn.1000?0801.2021214

汪保友（1968? ），男，博士，中國聯(lián)合網(wǎng)絡(luò)通信有限公司上海分公司高級工程師，主要研究方向為商業(yè)智能與大數(shù)據(jù)分析、無線網(wǎng)優(yōu)化、網(wǎng)絡(luò)與數(shù)據(jù)安全。

姚賽彬（1982? ），男，中國聯(lián)合網(wǎng)絡(luò)通信有限公司上海分公司無線網(wǎng)優(yōu)化中心總經(jīng)理、高級工程師，主要研究方向為無線網(wǎng)優(yōu)化、通信網(wǎng)絡(luò)規(guī)劃、智能網(wǎng)絡(luò)。

黃久成（1987? ），男，中國聯(lián)合網(wǎng)絡(luò)通信有限公司上海分公司無線網(wǎng)優(yōu)化中心專項優(yōu)化室經(jīng)理、工程師，主要研究方向為無線網(wǎng)優(yōu)化、通信網(wǎng)絡(luò)規(guī)劃。

潘暉（1992? ），男，中國聯(lián)合網(wǎng)絡(luò)通信有限公司上海市分公司工程師，主要研究方向為無線網(wǎng)優(yōu)化、5G技術(shù)。

2021?05?28；

2021?10?21