陳 鋒，連 慧，李張錚，洪林夢涵，張雪平（中國聯通福州分公司，福建福州 350001）

1 概述

中國經濟正處于新基建時代，移動通信日益改變大眾工作生活方式，當前層出不窮的虛擬現實、增強現實、超高清視頻等超大帶寬移動互聯網應用對移動寬帶網速提出越來越高的要求［1］，5G 網絡應運而生。在目前5G 網絡大規(guī)模部署背景下，要拉動5G 業(yè)務收入增長，運營商面臨著兩大首要問題：哪部分存量3G/4G 用戶是潛在5G 用戶和這些潛在5G 用戶的常駐區(qū)域的網絡質量。發(fā)展最可能成為5G 用戶的傳統(tǒng)用戶和保障最容易出問題的覆蓋地點，是5G網絡端網協(xié)同優(yōu)化的重中之重。傳統(tǒng)營銷方式精準度低，無法快速實現5G 用戶規(guī)?；?；5G 用戶位置信息準確度不高，無法針對性進行5G 網絡部署，目前用戶終端上報的MR信息中，支持A-GPS 功能終端占比低，大多數MRO 數據的用戶位置信息缺失；傳統(tǒng)網絡感知分析手段有限，無法實現用戶級評估；5G 站點規(guī)劃工作量大、人員水平有限的問題導致站址規(guī)劃效果不佳。如何在提升5G 用戶營銷成功率的同時保障5G 用戶級網絡感知，提升5G站點規(guī)劃效能，是運營商亟待解決的問題。

2 基于大數據+AI的5G網絡運營與保障背景

基于傳統(tǒng)方式的5G 網絡運營無法對哪些用戶是5G 用戶、這些用戶使用的網絡位置在哪、該位置的用戶網絡感知如何等進行系統(tǒng)性分析，導致5G網絡運營耗時耗力。主要表現在如下4個方面。

a）移動網絡傳統(tǒng)用戶營銷方法存在諸多短板，比如營銷策略模糊、目標用戶存在盲目性、營銷成效與人員水平相關等，嚴重影響5G 用戶營銷效率，同時也造成5G 網絡用戶保障的盲點。因此需要建立用戶特征模型，實現潛在5G用戶精準挖掘。

b）用戶級網絡感知保障面臨復雜多變的無線環(huán)境，不同的地點存在不同的網絡質量，要對用戶進行精細化保障就必須知道MR 發(fā)生的真實位置，這樣才能保證用戶的網絡質量問題可在地理空間上進行回溯，但是目前支持A-GPS 功能終端占比低，大多數MRO 數據的用戶位置信息缺失。需要建立AI 位置預測模型，預測無經緯度的5G用戶位置信息。

c）傳統(tǒng)站點規(guī)劃主要通過路測或者用戶投訴發(fā)現無線網絡覆蓋問題，目前主流分析方法為人工分析、排查收集到的質差數據，判斷弱覆蓋類型、弱覆蓋原因并預估解決方案，分析人員的主觀判斷在這個過程中起主要作用，容易出現誤判且消耗大量人力；另外采用仿真手段，通過設定基站類型和網絡參數輸入選址仿真軟件，輸出基站建設位置，此方案成本較高且與實際網絡環(huán)境存在偏差。需要在5G 用戶弱覆蓋位置信息進行聚類，有效指導5G規(guī)劃。

d）傳統(tǒng)網絡感知保障僅限于小區(qū)級的KPI/KQI指標，無法對用戶級無線環(huán)境質量進行保障，這就導致無線網絡多數覆蓋面上指標好，少數點上無線質量差的表里不一現象，無法發(fā)現實際存在的問題點，即精細化用戶級感知保障缺失，給運營商網絡口碑造成巨大壓力。需要實現MR 數據與SEQ 數據的關聯，同時依靠地理可視化工具，直觀呈現用戶級網絡感知，提升網絡優(yōu)化效率。

3 基于大數據+AI的5G網絡運營與保障方案

3.1 項目核心功能模塊及創(chuàng)新點

本項目圍繞Who、Where 和How，即5G 用戶是誰、5G用戶在哪、5G用戶網絡感知如何這3個核心問題來開展研究，包含5G 用戶畫像、5G 用戶位置預測、5G 智能規(guī)劃和5G網絡感知保障四大核心模塊。

a）5G 用戶畫像：要識別5G 用戶是誰主要解決如何找到5G 用戶的問題，傳統(tǒng)運營商在制定5G 用戶營銷策略時往往是一刀切，沒有考慮用戶個體差異性，5G用戶發(fā)展效率低效果差，本項目針對這一短板利用機器學習分類算法，建立用戶特征模型，實現潛在5G用戶精準挖掘，提升營銷效率節(jié)省成本。

b）MR 用戶位置預測：要知道5G 用戶在哪主要是獲取用戶位置信息，目前5G 用戶主要是NSA 用戶，用戶同時附著于4G 和5G 網絡上，可以利用4G MR 獲取用戶位置信息，但僅有A-GPS 終端能實現位置信息獲取。目前A-GPS 終端占比低，導致用戶位置信息獲取不完整。針對這個問題項目采用MRO 多維數據進行AI建模，預測無經緯度的5G用戶位置。

c）5G 網絡感知保障：在知道用戶是誰用戶在哪后，就需要了解這些5G 用戶的網絡體驗如何，傳統(tǒng)的優(yōu)化手段通過SEQ 與MR 平臺進行分析，但2 個平臺缺乏關聯性，比如對于單用戶速率慢問題，根據SEQ無法了解到當時用戶位置的無線環(huán)境情況，根因定位困難，針對該問題，本項目組開發(fā)工具自動關聯SEQ與MR用戶數據，實現5G用戶級感知監(jiān)控。

d）5G 智能規(guī)劃：基于5G 用戶的位置信息和感知就可以在5G建網初期進行更精準的站址規(guī)劃與部署，但傳統(tǒng)規(guī)劃方法更多采用人工審核，找出規(guī)劃站點過程中面臨工作量大、人員水平參差不齊的問題，導致站址規(guī)劃效果不佳，項目利用機器學習算法對5G用戶覆蓋差的位置進行智能聚類，輸出5G網絡覆蓋亟待加強的區(qū)域，指導5G規(guī)劃。

本項目主要創(chuàng)新點如下。

a）5G 用戶畫像：使用出賬數據、上網行為、感知指標等維度數據對多種機器學習算法進行評估，選擇最優(yōu)的GBDT 算法進行潛在5G 用戶建模，輸出潛在5G用戶清單。

b）5G 用戶位置預測：結合MR 數據的電平、質量、網絡工參的小區(qū)經緯度、方位角、覆蓋類型等多維度數據對多種機器學習算法進行模型選擇，最后通過隨機森林算法學習帶經緯度標簽的用戶級MR 特征數據，同時針對全網統(tǒng)一建模存在的定位誤差不均衡問題，建立差異化潛在5G 用戶位置預測模型，輸出潛在5G用戶經緯度數據。

c）5G 智能規(guī)劃：分不同場景基于DBSCAN 聚類分析對潛在5G 用戶位置進行聚類發(fā)現無線環(huán)境差的地點，指導5G智能規(guī)劃。

d）5G 網絡感知保障：融合時空維度無線網絡質量數據和用戶經緯度信息，可視化呈現監(jiān)控5G用戶網絡感知，提升5G網絡口碑。

圖1給出了基于大數據+AI的5G網絡運營與保障項目框架。

圖1 基于大數據+AI的5G網絡運營與保障項目框架

3.2 項目具體實現算法與應用

對每個上述核心功能模塊，本項目嚴格按照機器學習建模的標準流程，從數據源獲取、數據集拆分、數據預處理、特征工程、模型選擇和超參數調優(yōu)等步驟進行模型開發(fā)［2］，最終實現基于大數據+AI 的5G 網絡運營與保障。

3.2.1 基于AI算法的5G用戶智能預測

本項目通過梯度提升GBDT 機器學習算法學習5G 用戶正負樣本歷史上的B 域出賬數據和O 域網絡數據，建立5G 用戶分類預測模型，預測出傳統(tǒng)移動網絡用戶是否是潛在5G用戶。該模型可在5G用戶營銷支撐、5G網絡感知保障等網優(yōu)日常工作中起到積極作用。

a）數據準備。收集5G 用戶和非5G 用戶在歷史3G/4G 網絡上的字段數據作為樣本，這些原始字段包含B 域的用戶基礎信息和用戶消費信息、O 域的用戶上網行為和用戶網絡感知KQI指標（見表1）。

表1 5G用戶正負樣本原始字段

b）數據預處理。主要是對原始數據的缺失值或異常字符進行校正替換，高維度類別特征進行降維處理，類別特征不平衡字段進行重新歸并。

c）特征工程。對樣本數據分別采用特征構造、特征抽取和特征選擇進行處理，舉例如下：

（a）特征構造。通過設置標桿時間將原始字段的“入網時間”轉換成在網月數。

（b）特征抽取。使用PCA 算法對KQI 數據進行降維，使用降維后的PCA 分量與標簽做相關性分析，保留最相關的分量作為最終特征進行模型訓練。

（c）特征選擇。采用相關系數法進行特征篩選，為了避免部分特征間的相關性過高，導致多重共線性，影響模型效果，刪除相關性高的特征。

d）模型選擇與優(yōu)化。使用多種機器學習模型進行交叉驗證打分，選擇分數最高的GBDT 模型進行建模訓練（見圖2）。

圖2 基于交叉驗證的分類模型選擇

選定模型后利用隨機搜索算法來調整GBDT 算法的超參數，最終搜索得到最佳超參數組合。在測試集上進行評估，分類正確率acurracy 為0.858，召回率為0.732。對比二分類隨機判別50%的正確性，本模型有較好的預測性能。

3.2.2 基于MR的AI智能用戶位置定位算法

受限于終端不具備A-GPS 功能，目前MRO 攜帶位置信息的MR 數據占比較低，如何利用AI 手段學習已有的帶位置信息的MR 數據來預測不帶位置信息的MR 樣本成為網絡優(yōu)化智能化的重要方向。本項目使用自主采集解析的MRO 多維用戶MR 數據，嘗試多種AI 算法對MR 樣本進行訓練，最終確定使用隨機森林算法分地域差異化建模，取得了較好的預測效果［3］。

a）數據準備：利用前面自主開發(fā)的MRO 采集解析工具對當日1 h的福州聯通全網MRO 數據進行采集解析，得到11個維度的MR數據，結合小區(qū)工參中經緯度、區(qū)縣、方位角和覆蓋類型，共生成16個維度的訓練集數據（見表2），同樣采集次日同時段的全網MRO 數據作為測試集數據。

表2 16個維度的MR訓練數據

b）數據預處理?；鶖担╟ardinality）指的是類別特征所有可能的不同值的數量，在高基數的類別特征面前，直接使用Label Encoding 和One-Hot Encoding 的數據預處理的方法往往得不到令人滿意的結果。本項目的MR.LteScCgi、MR.LteScPci 和MR.LteNcPci 3 個類別特征可以發(fā)現存在高基數問題，因此對所述的高基數特征采用特征Hash 編碼的方式映射到低維空間，使用API為：sklearn.feature_extraction.FeatureHasher。

c）模型選擇：分別使用基于多目標回歸的線性回歸、XGBoost、GBDT、Ridge 和隨機森林算法進行5 折交叉驗證模型選擇（見圖3），發(fā)現隨機森林算法得分最高（見圖4），因此使用隨機森林算法進行建模。

圖3 交叉驗證模型選擇代碼

圖4 交叉驗證模型選擇得分

d）測試集測試結果分析：預測結果分區(qū)縣來看，存在非常明顯的地域差異，其中福州城區(qū)臺江、鼓樓、倉山和晉安好于全網平均水平，臺江最好，誤差僅140 m；偏遠區(qū)縣閩清和永泰誤差最大，誤差達到1 km以上（見圖5）。不同區(qū)域的基站和人群的分布不一，全網建立一個通用的且符合預期精度的模型不具備實踐性和可操作性。

圖5 基于全網統(tǒng)一模型的平均預測距離誤差

e）算法優(yōu)化：鑒于上述缺陷，調優(yōu)的主要思路是選取一個大小合適的區(qū)域進行建模和訓練，將算法選型和模型參數優(yōu)化好之后，再在其他區(qū)域進行推廣建模，建立差異化的位置定位算法模型。本項目對福州聯通13 個區(qū)（縣）MR 分別進行差異化建模，取次日五城區(qū)同時段MR 數據作為測試集進行測試，福州五城區(qū)的差異化建模測試效果如表3 所示，與統(tǒng)一建模相比，預測精度有較大提升。

3.2.3 基于DBSCAN算法的5G智能規(guī)劃

對于龐大復雜的5G無線網絡，網絡覆蓋問題層出不窮，現有無線覆蓋分析的局限性日趨明顯，如何盡可能減少人工路測成本和分析成本、提高分析判斷準確性成為重中之重［4］。本項目提出的基于DBSCAN 算法的5G 智能規(guī)劃在用戶MR 位置可以預測的基礎上，利用密度聚類算法定位問題，高效挖掘MR 弱覆蓋區(qū)域。對福州聯通某區(qū)域用戶MR 采樣點進行篩選，定義服務小區(qū)RSRP 小于-110 dBm 的采樣點為弱覆蓋點，共篩選出弱覆蓋采樣點3 500個［5］。

對這些弱覆蓋點開展第一輪粗粒度的參數搜索，先設定DBSCAN 參數最少樣本個數以10為步長，從10變化到100，半徑始終200 m，經過DBSCAN 聚類得到的10 種弱覆蓋簇（見圖6）。從計算結果可以發(fā)現，最少樣本個數為30 時，輪廓系數值最高0.368 5。第2 輪開展細粒度的參數搜索，設置最小樣本個數以30為中心，步長為1，從25 變化到34，半徑始終200 m，使用聚類算法分析當最少樣本個數為25 時輪廓系數最高為0.388 7。此時聚類數量為26 個，即該區(qū)域發(fā)現26 個弱覆蓋場景，需要規(guī)劃建設。

圖6 福州聯通某區(qū)域弱覆蓋DBSCAN聚類結果

3.2.4 基于用戶級MR的5G網絡感知保障

傳統(tǒng)網優(yōu)平臺僅有天級小區(qū)MR 指標，無法針對用戶投訴信息進行回溯。本項目將用戶SEQ 數據與MR 信息進行關聯，利用基站ID、用戶S1AP ID 和問題發(fā)生時間回溯用戶當時特定地點的無線網絡環(huán)境，分析解決用戶網絡感知問題［6］。此外，在用戶級感知保障的基礎上擴展實現區(qū)域級保障，將用戶級MR 匯總到相應區(qū)域，渲染出全區(qū)的MR 感知分布圖，應用于區(qū)域級網絡優(yōu)化。

3.3 項目應用情況

本項目的落地實施為某市聯通5G 市場營銷和網絡運營帶來了巨大效益。在5G用戶畫像應用方面，某市聯通2020年9月實際新增5G終端用戶11 311戶，其中存量用戶5 276戶，5 276戶中預測出的用戶有2 981戶，命中率56.5%。2020 年11 月份的5G 用戶預測已向市場部門完成第2 次用戶推送，累計推送用戶4.9萬。在5G 智能優(yōu)化方面，基于精細化MR 的5G 用戶感知獲取模塊落地后，用戶級保障共分析4G/5G 用戶321 人，其中發(fā)現問題63 個，解決42 個，閉環(huán)率67%；區(qū)域級保障共發(fā)現172 個問題，解決117 個，閉環(huán)率68%。問題平均解決時間由原來3 天/人降低到當前0.5 天/人，極大提升了問題解決效率。通過基于DBSCAN 聚類分析網絡質量模塊，發(fā)現4G/5G 現網MR 弱覆蓋地點97 處，對于這些問題借助5G 站點開通過程中的5G 網絡優(yōu)化來解決，同時解決4G 底層網覆蓋問題；第1期已解決42個問題點，第2期計劃完成剩余45個問題點。

4 總結

推進全面數字化轉型是貫徹國家新基建發(fā)展戰(zhàn)略的具體行動，站在數字化轉型的新關口，福州聯通充分利用運營商大數據優(yōu)勢，結合現有的AI 應用能力，針對5G 用戶是誰、5G 用戶在哪、5G 用戶網絡感知如何這3個核心問題來開展基于大數據+AI的5G網絡運營與保障研究，取得了一系列創(chuàng)新成果，對加快福州地區(qū)5G 新基建發(fā)展、加快5G 應用、引領科技創(chuàng)新、助推產業(yè)升級意義重大。