精品利用MDT数据核查LTE基站工参案例Word格式.docx

精品利用MDT数据核查LTE基站工参案例Word格式.docx

《精品利用MDT数据核查LTE基站工参案例Word格式.docx》由会员分享，可在线阅读，更多相关《精品利用MDT数据核查LTE基站工参案例Word格式.docx（13页珍藏版）》请在冰豆网上搜索。

移动网络工参数据对网络的规划、建设、维护以及优化等一系列工作起着重要支撑作用，基站小区的基础信息对日常维护及优化工作作用巨大，天馈工参实际运行状态直接影响着网络质量及用户感知。

随着移动网络建设，日常网优、维护过程中经常发现工参数据库与基站小区天馈实际情况存在严重偏差，特别是天馈系统的接反、串接及站址经纬度差异直接影响网络运行质量。

如何对整个移动网络的做到定性分析、定量调整，进而提高工作效率，亟需解决。

1.1经纬度偏差

在日常优化中部分基站会出现经纬度不准确的情况，给日常优化和日常维护待来诸多不不便。

例如：

鄠邑区古城小区站点，工参经纬度和实际站点经纬度相差500米左右，在对站点所在区域整体簇优化的时发现现场未能找到站点，联系鄠邑区局维护人员，告知站点实际位置在西北方向500米左右某宾馆楼顶，经过现场测试和数据验证，站点为楼顶方柱天线。

站点现场勘测图：

1.2天线串接和接反

在对长安区西京大学周边道路测试时发现，图中三段道路数据业务速率较低，分析测试数据发现，导致数据下载速率差的原因为：

现场PCI规划过程中，默认模0、模1和模2分别对应站点的1/2/3扇区，在西京大学问题路段，发现

（1）西安_长安_152222培华学院7号公寓楼B1_CMBDCX站点1.8G三个扇区存在顺时针接反，

（2）西安_长安_154268西京大学四号公寓_DMIFLX站点1.8G49扇区和50扇区存在扇区接反的情况，导致问题路段出现比较严重的MOD3干扰，影响了手机信号接收质量，导致下载速率低。

具体路段如下：

二、分析过程

为了全面的分析现全网的基站工参的准确性，提取2周MDT数据，通过工参核查系统系统进行分析定位，快速、准确、定量的评估出整个西安电信LTE网络中的天馈接反、串接及站址经纬度差异的站点信息，为网络工参调整提供准确参考依据。

进一步为4G网络规划、建设、维护以及优化等提供重要支撑，从而提高西安电信4G网络运行质量及用户感知，支撑前端用户发展。

2.1工参方位角核查原理

工参核查系统以大数据算法为驱动，实现基础工参数据管控向智能化和精细化转型，以工参数据集中化、流程化、系统化管理。

大数据智能寻优机器学习算法，自动对接大数据源（OTT、MDT）、自动计算全网小区、自动输出工参结果。

运算流程如下图：

扇区方向角确定原理：

系统根据MR和MDT数据，对一段时间内4G扇区的用户上报MR采样点信息，软件精确给出用户上报MR的经纬度、RSRP阀值等关键信息，针对一定距离内的采样点，取RSRP较强的采样点占比大于某特定阈值的扇区，在此基础上取最密集的等分扇区均值，作为最终的预测方位角。

2.1.1基于RSRP采样点近点分布预测

系统将天线覆盖空间每10度作为一个统计范围，在统计范围内RSRP在-70dBm至-80dBm的采样点点最多作为预测方位角，如下图：

根据MDT上报的数据，方位角10度方向手机上报-70dBm至-80dBm的采样点最多（在100个采样点以上），预测方位角为320度。

2.1.2基于采样点强度均值分布预测

软件将天线覆盖空间每10度作为一个统计范围，对范围内所有的采样点的RSRP值加权平均，得出平均的RSRP值，以RSRP平均值最大的方位作为预测方位角，如下图：

。

2.1.3基于分类算法的方位角纠错

使用一部分真实的勘站数据作为训练集，针对每个ECI构建Xgboost分类模型，OTT采样点与方位角夹角在20度以内的打标签为1，其他为0，提取的特征为RSRP值及相关统计值。

最终的方位角即为标签为1的采样点角度的均值。

2.1.4基于路损补偿算法的方位角纠偏

前几种算法都适用于采样点充足的情况，若准确方位角方向上的采样点较少，则需要用路损补偿算法。

RSRP=Tx-PathLoss+（Av+AH）

通过RSRP公式可知，当方位角相同，AH、Tx都已知时，则可拟合出PathLoss~f（distance）的方程。

因此我们可将采样点以3度划分一个扇区，此时则可忽略方位角的影响，从而可以根据公式推算出原点处的RSRP值。

最终方位角即为原点出RSRP值最强的角度

2.1.5基于不同层用户电平强度与密度综合评估

按照距离分位数，针对一定距离内的采样点，取RSRP较强的采样点占比大于某特定阈值的扇区，在此基础上取最密集的等分扇区均值，作为最终的预测方位角

2.1.6基于采样聚类算法建立场景

2.1.6基于聚类算法建立场景模型

首先根据MR和MDT数据情况三个扇区所有采样点，根据小区实际采样点的场强分布特征，对小区进行K-means聚类，将小区划分不同聚类。

取每一类小区收敛性最高的方法，得到最终预测方位角。

2.1.7基于神经网络的RBF模型

根据采样点经纬度、RSRP以及该采样点与基站角度、距离关系，利用RBF神经网络训练出目标小区场强覆盖模型，基于此覆盖模型找出该小区方位角法线。

2.2站点经纬分析过程

2.2.1MDT数据筛选分析

箱线图和孤立森林算法一同做异常值检测，将异常经纬度的采样点删除。

2.2.2MDT的TA分布分析

DBSCAN聚类方法对不同TA的采样点做聚类，得到各个簇的簇中心；

2.2.3MDT数据采样点多扇区拟合

对各个簇中心进行多元线性拟合，得到最终的基站位置；

三、解决措施

提取2周MDT数据按照工参方位角核查的七种模型和经纬度运算分析进行运算，目前LTE网络存在疑似天线接反及串接小区为312个，经纬度偏离扇区212个。

随机抽取天线接反和经纬度偏离小区各50%进行验证，运算结果准确率为100%。

分别对天线接反及串接的点位进行整改，经纬度偏离点位进行修正。

以下就分别具体案例进行描述。

3.1串接

经MR和MDT数据与工参方向角比对，户县_比亚迪汽车9号宿舍1.8G扇区存在顺时针接反的情况。

小区名

小区ID

工参方位角

预测方位角

问题类型

户县_比亚迪汽车9号宿舍1.8G_1

9261232

115

串接

9261233

120

250

9261234

240

25

预测方向角：

3.2接反

石油大学南校区2号楼站点的49和50扇区存在扇区接反的情况：

XA_2501D_1_LM_石油大学南校区2号楼

38804785

110

230

疑似接反

XA_2501D_2_LM_石油大学南校区2号楼

38804786

220

130

软件预测方位角接反：

3.3经纬度偏离

外国语大学1号女生公寓楼B座站点存在经纬度不准确的情况。

工参经度

工参纬度

预测经度

预测纬度

偏差距离

XA_83DB_0_LT_外国语大学1号女生公寓楼B座

8641456

108.86667

34.139722

108.871275

34.1399621

424.708672

疑似偏离

XA_83DB_1_LT_外国语大学1号女生公寓楼B座

8641457

XA_83DB_2_LT_外国语大学1号女生公寓楼B座

8641458

四、经验总结

工参核查系统能够快速对LTE网络基站工参进行核查，节省大量人力、物力。

提高工作效率。

相比传统优化方法具有以下优势，值得推广：

1.高效：

根据MD和MDT数据，短期内对全网工参和实际覆盖情况进行预测，定位全网工参问题；

2.准确：

预测准确率高；

3.直观：

直观的呈现出4G扇区的用户分布、MRRSRP强度等信息，为日常的投诉处理、性能优化、用户感知优化等工作提供准确数据，提高优化方案的有效性、工作效率；

4.安全：

减少上塔次数、降低安全隐患。