石宙飛，徐霖洲，趙明偉

一種基于多數(shù)據(jù)源的LTE天饋隱患排查方法

石宙飛，徐霖洲，趙明偉

（中國移動通信集團廣東有限公司中山分公司，廣東 中山 528403）

針對目前依靠掃頻數(shù)據(jù)發(fā)現(xiàn)LTE天饋隱患故障需配置大量人力物力的現(xiàn)象，創(chuàng)新性地提出一種通過對MR、MDT、第三方測試數(shù)據(jù)、網(wǎng)管告警、后臺統(tǒng)計指標多種數(shù)據(jù)源進行分析，利用貝葉斯分類識別算法預(yù)估出天饋隱患故障概率的方法，可以節(jié)省測試成本，并且解決路測不能遍歷全部小區(qū)的局限性。目前已經(jīng)在多個地市驗證了該方法的可行性和有效性。

多數(shù)據(jù)源 天饋隱患 LTE 貝葉斯估計

1 引言

目前，國內(nèi)外現(xiàn)有的天饋隱患故障排查主要依靠路測和掃頻數(shù)據(jù)，或者結(jié)合網(wǎng)管數(shù)據(jù)發(fā)現(xiàn)天饋隱患故障，其中依靠路測和掃頻數(shù)據(jù)發(fā)現(xiàn)天饋隱患的方式需要消耗大量的人力物力去測試。一方面，天饋隱患問題往往發(fā)生較長時間才能排查到，存在時延性大的問題；另一方面，路測數(shù)據(jù)往往不能遍歷全部小區(qū)，存在局限性。而依靠網(wǎng)管告警發(fā)現(xiàn)天饋隱患故障具有非常大的不確定性，因為很多天饋隱患并沒有告警提示，依靠網(wǎng)管告警只能發(fā)現(xiàn)部分有顯性故障的天饋隱患故障。鑒于此，本文旨在研究一種通過貝葉斯分類識別的方法進行及時分析數(shù)據(jù)，進而實現(xiàn)高效、較為準確地定位天饋隱患問題，為4G網(wǎng)絡(luò)質(zhì)量的提升提供良好支撐的目的。

2 分類識別的貝葉斯估計方法

分類識別方法是應(yīng)用最為廣泛的統(tǒng)計分析工具之一，在模式識別、神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和數(shù)據(jù)挖掘等多個領(lǐng)域中有著極其廣泛的應(yīng)用，它通過在事物已知分類的基礎(chǔ)上建立分類函數(shù)，按照所確定的準則，對樣品進行分類，將其劃為某一已知的類別。

若有G個總體A1, A2, ..., AG，其先驗概率分別是q1, q2, ..., qG，q1+q2+...+qG=1，假如各自分布密度函數(shù)依次為f1(x), f2(x), ..., fG(x)，那么在觀測到待判樣本Z=(Z1, Z2, ..., ZM)T的情況下，可用貝葉斯公式計算它來自總體Ag的后驗概率為：

如果 P (Ah|Z ) ＞ P(Aj|Z)， ?j≠h ，則可以判Z屬于類別Ah。

3 天饋隱患排查的實現(xiàn)方法

假設(shè)引起單流占比過高的原因有無線網(wǎng)絡(luò)傳輸環(huán)境A1和天饋系統(tǒng)故障A2，它們的先驗概率分別是q1、q2，待判樣本為Z=(Z1, Z2, Z3, Z4)T，其特征屬性分別是：Z1為單流占比；Z2為RSRP（Reference Signal Receiving Power，參考信號接收功率）電平；Z3為SINR（Signal to Interference plus Noise Ratio，信號與干擾加噪聲比）值；Z4為網(wǎng)管告警。

3.1 關(guān)于先驗概率q1和q2的計算

弱覆蓋、重疊覆蓋和PCI（Physical Cell Identifier，物理小區(qū)標識）干擾都會引起SINR值變差，因此可以用SINR值的大小來衡量無線網(wǎng)絡(luò)傳輸環(huán)境的好壞。

根據(jù)網(wǎng)絡(luò)優(yōu)化的經(jīng)驗值，可認為SINR小于3時為無線網(wǎng)絡(luò)傳輸環(huán)境惡化。假如某小區(qū)總樣本點為n，SINR小于3的樣本點有s個，則該小區(qū)無線網(wǎng)絡(luò)傳輸環(huán)境惡化的概率為q1=s/n；由于引起單流占比過高的原因分別是無線網(wǎng)絡(luò)傳輸環(huán)境和天饋系統(tǒng)故障，則天饋系統(tǒng)故障概率為q2=1-s/n。

3.2 概率密度函數(shù)推導(dǎo)

概率密度函數(shù)推導(dǎo)依據(jù)最小二乘法原理進行曲線擬合，從整體上考慮近似函數(shù)同所給數(shù)據(jù)點(xi, yi)誤差ri=f(xi)-yi（i=1, 2, ..., n）的大小，通常采用誤差平方和來度量整體誤差的大小。

具體數(shù)據(jù)擬合的方法是：對給定數(shù)據(jù)ri=f(xi)-yi（i=1, 2, ..., n）在取定的函數(shù)類Ф中，求f(x)∈Ф，使誤差=min 。 從幾何意義上講，就是尋求與給定點(xi, yi)（i=1, 2, ...,n）的距離平方和為最小的曲線y=f(x)。其中，函數(shù)f(x)稱為擬合函數(shù)或最小二乘解。

針對本文，通過實驗和觀測等先驗知識確定Z1單流占比、Z2RSRP電平、Z3SINR值分布基本服從高斯分布。假設(shè)每個特征向量對應(yīng)采樣點為(x1, y1), (x2, y2), ...,(xn, yn)，取模板函數(shù)為：

其中，a1、b1、c1為待定參數(shù)。

對上式兩邊取自然數(shù)對數(shù)變形整理可得：

根據(jù)最小二乘法原理，參數(shù)A、B、C可以由下式確定：

其中：

綜上所述，可求得各參數(shù)如下：

3.3 LTE小區(qū)天饋故障概率的計算

假設(shè)Z1、Z2、Z3無線網(wǎng)絡(luò)傳輸環(huán)境差時的概率密度函數(shù)分別為f1(Z1)、f1(Z2)、f1(Z3)，天饋系統(tǒng)故障時的概率密度函數(shù)分別為f2(Z1)、f2(Z2)、f2(Z3)，且fg(Z1)、fg(Z2)、fg(Z3)、fg(Z4)之間相互獨立，則Z來自總體天饋系統(tǒng)故障A2的后驗概率即天饋系統(tǒng)故障的概率為：

當天饋系統(tǒng)故障的概率達到70%以上時，就認為該小區(qū)的天饋故障概率較高，需要進行上站排查并進行隱患故障處理。

4 驗證過程和結(jié)果分析

4.1 概率密度函數(shù)的擬合

基于上述的概率密度函數(shù)擬合方法，擬采用RSRP擬合概率密度函數(shù)的數(shù)據(jù)源為MR（Measurement Report，測量報告）采樣點占比、MDT（Minimization of Drive Test，最小化路測）采樣點占比和路測采樣點占比。由于各樣本點的數(shù)量和重要性差異，根據(jù)經(jīng)驗擬定三者權(quán)重比例為4:4:2；SINR值的數(shù)據(jù)源為MR采樣點占比和路測采樣點占比，兩者權(quán)重比例為6:4；TM3（Transmission Mode，傳輸模式）發(fā)射分集使用RB（Resource Block，資源塊）數(shù)中占比計算門限為70%，根據(jù)訓(xùn)練域樣本點得出的概率密度擬合曲線如下：

（1）TM3發(fā)射分集模式占比概率密度函數(shù)

無線網(wǎng)絡(luò)傳輸環(huán)境差時：

無線網(wǎng)絡(luò)傳輸環(huán)境差時TM3發(fā)射分集模式占比概率密度函數(shù)如圖1所示：

圖1 無線網(wǎng)絡(luò)傳輸環(huán)境差時TM3發(fā)射分集模式占比概率密度函數(shù)

其中，橫坐標表示TM3發(fā)射分集使用RB數(shù)占比，范圍為0～100%；縱坐標表示小區(qū)數(shù)占比；散點為樣本點；曲線為擬合的概率密度函數(shù)曲線（圖2同）。由圖1可以看出，大部分小區(qū)的TM3發(fā)射分集使用RB數(shù)占比值集中在30%～70%。

天饋系統(tǒng)故障時：

天饋系統(tǒng)故障時TM3發(fā)射分集模式占比概率密度函數(shù)如圖2所示：

圖2 天饋系統(tǒng)故障時TM3發(fā)射分集模式占比概率密度函數(shù)

（2）RSRP電平概率密度函數(shù)

無線網(wǎng)絡(luò)傳輸環(huán)境差時：

無線網(wǎng)絡(luò)傳輸環(huán)境差時RSRP電平概率密度函數(shù)如圖3所示：

圖3 無線網(wǎng)絡(luò)傳輸環(huán)境差時RSRP電平概率密度函數(shù)

其中，橫坐標表示RSRP電平值，范圍為-140 dBm～-44 dBm；縱坐標表示采樣點占比；散點為樣本點；曲線為擬合的概率密度函數(shù)曲線（圖4同）。由圖3可以看出，大部分小區(qū)的RSRP電平值集中在-120 dBm～-80 dBm。

天饋系統(tǒng)故障時：

天饋系統(tǒng)故障時RSRP電平概率密度函數(shù)如圖4所示：

圖4 天饋系統(tǒng)故障時RSRP電平概率密度函數(shù)

（3）SINR值概率密度函數(shù)

無線網(wǎng)絡(luò)傳輸環(huán)境差時：

無線網(wǎng)絡(luò)傳輸環(huán)境差時SINR值概率密度函數(shù)如圖5所示：

圖5 無線網(wǎng)絡(luò)傳輸環(huán)境差時SINR值概率密度函數(shù)

其中，橫坐標表示SINR值，范圍為-10 dB～25 dB；縱坐標表示采樣點占比；散點為樣本點；曲線為擬合的概率密度函數(shù)曲線（圖6同）。由圖5可以看出，大部分小區(qū)的SINR值集中在-5 dB～10 dB。

天饋系統(tǒng)故障時：

天饋系統(tǒng)故障時SINR值概率密度函數(shù)如圖6所示：

圖6 天饋系統(tǒng)故障時SINR值概率密度函數(shù)

（4）告警次數(shù)概率密度函數(shù)

以1小時為采樣間隔，統(tǒng)計24小時內(nèi)出現(xiàn)告警的次數(shù)，屬于隨機事件，而泊松分布適合描述單位時間內(nèi)隨機事件發(fā)生的次數(shù)，通過統(tǒng)計樣本值得出告警次數(shù)的數(shù)學(xué)期望值λ=4，其概率密度函數(shù)為：

4.2 實驗結(jié)果驗證分析

基于上述方法擬合的概率密度函數(shù)和統(tǒng)計的先驗概率在中山6個OMMB，共計5 525個站點16 017個小區(qū)中進行現(xiàn)網(wǎng)驗證，相關(guān)設(shè)置如圖7所示。

通過對P(A2|Z)的計算，得出天饋系統(tǒng)故障概率70%以上的高概率故障小區(qū)數(shù)為199個，具體如表1所示：

表1 天饋系統(tǒng)故障小區(qū)概率統(tǒng)計

圖7 基于多數(shù)據(jù)源的LTE天饋隱患排查系統(tǒng)參數(shù)設(shè)置界面

針對上述199個小區(qū)，現(xiàn)場確定天饋系統(tǒng)故障小區(qū)178個，排查定位成功率達到89.45%，實際完成整治165個，整治后部分天饋隱患故障小區(qū)關(guān)鍵指標提升明顯，具體如表2所示：

表2 天饋問題小區(qū)整治效果

5 結(jié)束語

本文提出一種基于多數(shù)據(jù)源的LTE天饋隱患排查方法，該方法基于MR、MDT模擬測試、路測、后臺指標等數(shù)據(jù)，通過分類識別的貝葉斯方法，較為全面及時地定位了天饋系統(tǒng)隱形故障，提高了排查效率，并且減少了大量的人力物力資源。但仍存在一些問題有待后續(xù)改進，比如：在室分天饋系統(tǒng)排查方面，仍沒有較好的解決措施；對于一些采樣點較少的小區(qū)，排查準確度仍待研究。

[1] 王建,劉方森,趙昌盛. 基于MR數(shù)據(jù)的TD-LTE天饋檢測方法研究[J]. 電信技術(shù), 2017(2): 5-6.

[2] 劉婉妮,王歡. TD-LTE系統(tǒng)eNodeB基站故障分析與研究[J]. 電子設(shè)計工程, 2015(7): 175-177.

[3] 徐志華,楊文波,劉揚. TD-LTE干擾識別與排查[J]. 信息通信, 2014(5): 177-179.

[4] 唐沖,惠輝輝. 基于Matlab的高斯曲線擬合求解[J]. 計算機與數(shù)字工程, 2013,41(8): 1262-1263.

[5] 喬立山,王玉蘭,曾錦光. 實驗數(shù)據(jù)處理中曲線擬合方法探討[J]. 成都理工大學(xué)學(xué)報, 2004,31(1): 91-95.

[6] 張繼龍,甄蜀春,曹鵬. 實驗數(shù)據(jù)的曲線擬合方法及其應(yīng)用[J]. 測試技術(shù)學(xué)報, 2003,17(3): 255-257.

[7] 張春麗. 移動通信網(wǎng)絡(luò)天饋系統(tǒng)的檢測裝置: 中國,CN203136177C[P/OL]. 2013-08-14 [2017-05-31]. http://www2.soopat.com/Patent/201220382742#this.

[8] 馬向龍,曲秦健,繆炎,等. 一種天饋系統(tǒng)的性能評估方法: 中國, CN103152758A[P/OL]. 2013-06-12 [2017-05-31]. http://www2.soopat.com/Patent/201210465913.

[9] 李挺釗. 一種天饋系統(tǒng)物理故障檢測與告警方法: 中國, CN1851410[P/OL]. 2008-11-26 [2017-05-31]. http://www2.soopat.com/Patent/200610032791?lx=FMSQ.

[10] 李程峻,李喜珍. 一種檢測天饋設(shè)備接反的小區(qū)的方法和裝置: 中國, CN102026236A[P/OL]. 2013-03-20 [2017-05-31]. http://www2.soopat.com/Patent/201010578956?lx=FMSQ.★

A Detection Method of Antenna Feeder Flaws Based on Multiple Data Sources

SHI Zhoufei, XU Linzhou, ZHAO Mingwei
(China Mobile Group Guangdong Co., Ltd., Zhongshan Branch, Zhongshan 528403, China)

Since the use of sweep-frequency data to fi nd out LTE antenna feeder fl aws needs massive manpower and material resources, a detection method of antenna feeder fl aws was innovatively proposed, in which multiple data sources including MR, MDT, third-party test data, network management alarm and background statistics are analyzed and the Bayesian classifi cation recognition algorithm is adopted to estimate the fault probability of antenna feeder fl aws.This method not only saves the testing cost, but also solves the limitation that the drive test cannot traverse the whole cell. At present, the feasibility and effectiveness of the method were verifi ed in many cities.

multiple data sources antenna feeder fl aw LTE Bayesian estimation

10.3969/j.issn.1006-1010.2017.22.005

TN929.53

A

1006-1010(2017)22-0018-05

石宙飛,徐霖洲,趙明偉. 一種基于多數(shù)據(jù)源的LTE天饋隱患排查方法[J]. 移動通信, 2017,41(22): 18-22.

2017-05-31

袁婷 yuanting@mbcom.cn

石宙飛：工程師，碩士畢業(yè)于哈爾濱工程大學(xué)，現(xiàn)任職于中國移動通信集團廣東有限公司中山分公司無線優(yōu)化中心網(wǎng)絡(luò)優(yōu)化室，主要從事無線網(wǎng)絡(luò)的規(guī)劃和優(yōu)化等工作。

徐霖洲：工程師、高級技師、省級專家，碩士畢業(yè)于中山大學(xué)，現(xiàn)任中國移動通信集團廣東有限公司中山分公司無線優(yōu)化中心網(wǎng)絡(luò)優(yōu)化室室經(jīng)理，主要負責(zé)網(wǎng)優(yōu)技術(shù)、VoLTE等方面的研究工作。

趙明偉：工程師，碩士畢業(yè)于重慶郵電大學(xué)，現(xiàn)任中國移動通信集團廣東有限公司中山分公司無線優(yōu)化中心副總經(jīng)理，主要負責(zé)無線網(wǎng)絡(luò)的分析、優(yōu)化、資源管理等工作。