论文部分内容阅读
[摘 要]通过对运营商海量的用户数据及网络运行数据的深入挖掘，可以确定网络建设中需要重点关注的目标用户和价值区域，并准确定位目前网络中存在的问题点或问题区域，同时基于大数据分析结果，可以对规划站点的建设优先级进行排序。基于大数据分析的网络规划方法，能够提高网络规划效率，提升投资精准性，提升网络质量。
[关键词]网络规划；目标用户；价值区域；大数据分析
中图分类号：TP973 文献标识码：A 文章编号：1009-914X（2018）38-0069-01
1 前言
随着智能终端的不断普及和移动互联网业务的迅猛发展，用户对业务体验和网络质量的要求越来越高，运营商的网络建设也面临挑战，如何聚焦目标用户、聚焦重点业务，提升网络竞争力，提高投资精准性成为运营商关注的问题。
本文提出了一种基于大数据分析的网络规划方法，通过对用户侧和网络侧的海量数据分析，深度挖掘目标用户和价值区域，深度分析网络问题，提出更加科学的建网策略和更加合理建设方案，从而达到建设精品网络的效果。
2 基于大数据分析的价值区域确定
2.1 目标用户及分布
2.1.1 移动互联网用户
移动互联网时代，流量经营成为运营商的共同选择，为运营商带来大量数据流量的移动互联网用户必须受到重点关注。根据易观智库的中国移动互联网用户行为统计报告，中国移动互联网用户每日使用社交、娱乐类应用在10分钟以上，对应的每日的数据流量在1MB以上，因此本文将DOU>30M的用户定义为移动互联网用户。
2.1.2 视频业务用户
在流量经营时代，视频业务需要重点关注，视频业务是未来流量大幅增长的关键，是运营商的主要收入增加点。
对于业务级的分析，需要采集Gn口数据，Gn口数据是分组域Gn口部署采集获取的详单数据，包括IMSI、IMEI、LAC、CI、业务类型、业务开始时间、结束时间、上行流量、下行流量等信息，可用于对不同类型的业务进行业务情况的统计分析。
2.2 价值区域确定
因为用户和终端分布的不均衡性，不同地理区域对运营商的价值贡献差距巨大，如何找出高价值区域，找到用户和业务聚集区域是网络建设聚焦、市场发展聚焦的基础，是精准投资的前提。
为了便于区域价值的取定，可以根据用户聚集特征（如高校、医院、家属院、小区、政府机关、集团客户等）及建筑物特征（如高层、多层等），将用户特征相似或建筑物特征相似的区域划分为一个的网格。然后将品牌价值、收入情况、VIP用户分布、高流量用户，移动互联网用户分布、视频流量等维度叠加到网格中，对各个维度进行打分，最后通过加权的方式得出每个网格的最终分值，根据分值的高低确定该区域价值的高低。
3 基于大数据分析的网络问题定位
传统的网络问题定位一般通过DT/CQT测试或投诉等手段进行，但是无论DT/CQT测试还是投诉分析有明显的缺点。DT/CQT测试的主要问题表现在，首先是耗费大量的人力物力资源，成本较高；其次，数据不能实时更新，不能及时掌握网络变化；最后是测试的广度和深度都受限，测试车辆或测试人员无法到达的区域（如居民家里、办公室内）无法获取网络质量情况，因此无法全面反映网络问题。
用户投诉存在的问题在于，用户作为非专业人员，对网络问题的理解、描述等等都可能会与实际情况有较大的偏差，无法客观真实的反映网络存在的问题。
MR的全称是“Measurement Report”，即测量报告。在LTE系统中，MR记录了UE在业务保持过程中的服务小区以及周边邻区的ID、RSRP、RSRQ、TA、AOA、CQI、MCS、PHR等无线测量信息。
通过现网小区的MR采样数据，可以判断出该小区的弱覆盖情况，比如，可以将弱覆盖采样点占比超过30%的小区定义为弱覆盖小区，通过相邻小区的弱覆盖情况判断，可以大致定位出网络的覆盖空洞或弱覆盖区域。
4 基于大数据分析的站点排序
定位出网络问题区域或网络问题点后，再结合网络工参、网络结构等参数深入分析网络问题产生的原因，对于优化可以解决的问题优先优化解决，对于需要建站解决的问题点可以考虑规划新建站点。
但是受限于投资额度和网络建设能力，规划的新建站点并不能在一期工程中全部完成，因此需要对规划站点的建设优先级进行排序。
规划站点的优先级排序同样可以根据大数据分析结果进行，可以参考的维度包括周边站点的业务量情况，周边站点的用户密度情况，规划站点的周围的MR弱覆盖情况，规划站点的投资回收期等。周边站点的业务量、用户密度可以预估规划站点未来业务情况，周围MR弱覆盖情况可以判斷规划站点的需求紧迫情况，规划站点的投资回收期可以评估站点的投资效益。
对以上几个维度可以进行量化打分，然后再加权求和可以得到每个规划站点的得分情况。以业务量维度为例，以规划站点周边最近的（站距一般不超过1.5Km）三个站点的平均业务量作为规划站点的预估业务量，然后与现网业务量进行比较，打分规则如下：
全网平均业务量：60分；全网最多业务量：100分；全网最少业务量：0分；低于平均的区间得分按照：60-（全网平均-x）*（60-0）/（全网平均-全网最少）；高于平均的区间得分按照：60+（x-全网平均）*（100-60）/（全网最多-全网平均）；x为规划站点预估业务量。
其它几个维度的打分情况类似，算法稍有差别。打分完成后，可以确定各个维度的权重，例如可以如下设置：业务量维度权重0.3，用户密度维度权重0.1，MR维度权重0.2，投资回收期维度权重0.4，等等。
规划站点得分=业务量得分*业务量权重+用户密度得分*用户密度权重+MR得分*MR权重+投资回收期得分*投资回收期权重。
根据站点的最终得分，对规划站点的建设优先级进行排序，后期工程建设可以考虑优先建设得分高的站点，即预期业务量高，用户密度大，覆盖需求急迫，投资效益好的站点。
5 总结
随着数据挖掘能力和数据分析能力的不断增强，大数据技术有了越来越广泛的应用。对于有海量用户数据和网络运行数据的运营商，可以进行深入的数据挖掘，并应用于后期的网络规划建设及市场营销中。大数据分析在网络规划中的应用，包括通过用户侧数据确定高价值区域，通过MR数据确定网络问题点，通过业务量等相关数据对规划站点进行优先级排序，等等。大数据的应用对于提高网络规划效率，提升投资精准性，提升网络质量有着重要意义。
参考文献
[1]王宜科，梁松柏，魏宁，等.基于MR的移动无线网络规划的可靠性分析[J].邮电设计技术，2014（7）：53-57.
[2]孙林浩.基于MR的位置指纹定位算法研究[J].互联网天地，2016（4）：43-46.
[1]商冶，程晓军，李德屹，等.移动互联网时代基于大数据分析的网络优化体系研究[J].邮电设计技术，2014（3）：58-62.
作者简介
张斌（1981-），男，河南郑州人，高级工程师，硕士，主要从事移动通信新技术研究和通信大数据应用工作。
程果（1987-），男，河南郑州人，工程师，硕士，主要从事移动通信网规划设计以及无线宽带技术研究。赵兴（1982-），男，河南漯河人，高级工程师，学士，主要从事移动通信网络部署方案制定，移动通信网络咨询、规划和设计工作。
[关键词]网络规划；目标用户；价值区域；大数据分析
中图分类号：TP973 文献标识码：A 文章编号：1009-914X（2018）38-0069-01
1 前言
随着智能终端的不断普及和移动互联网业务的迅猛发展，用户对业务体验和网络质量的要求越来越高，运营商的网络建设也面临挑战，如何聚焦目标用户、聚焦重点业务，提升网络竞争力，提高投资精准性成为运营商关注的问题。
本文提出了一种基于大数据分析的网络规划方法，通过对用户侧和网络侧的海量数据分析，深度挖掘目标用户和价值区域，深度分析网络问题，提出更加科学的建网策略和更加合理建设方案，从而达到建设精品网络的效果。
2 基于大数据分析的价值区域确定
2.1 目标用户及分布
2.1.1 移动互联网用户
移动互联网时代，流量经营成为运营商的共同选择，为运营商带来大量数据流量的移动互联网用户必须受到重点关注。根据易观智库的中国移动互联网用户行为统计报告，中国移动互联网用户每日使用社交、娱乐类应用在10分钟以上，对应的每日的数据流量在1MB以上，因此本文将DOU>30M的用户定义为移动互联网用户。
2.1.2 视频业务用户
在流量经营时代，视频业务需要重点关注，视频业务是未来流量大幅增长的关键，是运营商的主要收入增加点。
对于业务级的分析，需要采集Gn口数据，Gn口数据是分组域Gn口部署采集获取的详单数据，包括IMSI、IMEI、LAC、CI、业务类型、业务开始时间、结束时间、上行流量、下行流量等信息，可用于对不同类型的业务进行业务情况的统计分析。
2.2 价值区域确定
因为用户和终端分布的不均衡性，不同地理区域对运营商的价值贡献差距巨大，如何找出高价值区域，找到用户和业务聚集区域是网络建设聚焦、市场发展聚焦的基础，是精准投资的前提。
为了便于区域价值的取定，可以根据用户聚集特征（如高校、医院、家属院、小区、政府机关、集团客户等）及建筑物特征（如高层、多层等），将用户特征相似或建筑物特征相似的区域划分为一个的网格。然后将品牌价值、收入情况、VIP用户分布、高流量用户，移动互联网用户分布、视频流量等维度叠加到网格中，对各个维度进行打分，最后通过加权的方式得出每个网格的最终分值，根据分值的高低确定该区域价值的高低。
3 基于大数据分析的网络问题定位
传统的网络问题定位一般通过DT/CQT测试或投诉等手段进行，但是无论DT/CQT测试还是投诉分析有明显的缺点。DT/CQT测试的主要问题表现在，首先是耗费大量的人力物力资源，成本较高；其次，数据不能实时更新，不能及时掌握网络变化；最后是测试的广度和深度都受限，测试车辆或测试人员无法到达的区域（如居民家里、办公室内）无法获取网络质量情况，因此无法全面反映网络问题。
用户投诉存在的问题在于，用户作为非专业人员，对网络问题的理解、描述等等都可能会与实际情况有较大的偏差，无法客观真实的反映网络存在的问题。
MR的全称是“Measurement Report”，即测量报告。在LTE系统中，MR记录了UE在业务保持过程中的服务小区以及周边邻区的ID、RSRP、RSRQ、TA、AOA、CQI、MCS、PHR等无线测量信息。
通过现网小区的MR采样数据，可以判断出该小区的弱覆盖情况，比如，可以将弱覆盖采样点占比超过30%的小区定义为弱覆盖小区，通过相邻小区的弱覆盖情况判断，可以大致定位出网络的覆盖空洞或弱覆盖区域。
4 基于大数据分析的站点排序
定位出网络问题区域或网络问题点后，再结合网络工参、网络结构等参数深入分析网络问题产生的原因，对于优化可以解决的问题优先优化解决，对于需要建站解决的问题点可以考虑规划新建站点。
但是受限于投资额度和网络建设能力，规划的新建站点并不能在一期工程中全部完成，因此需要对规划站点的建设优先级进行排序。
规划站点的优先级排序同样可以根据大数据分析结果进行，可以参考的维度包括周边站点的业务量情况，周边站点的用户密度情况，规划站点的周围的MR弱覆盖情况，规划站点的投资回收期等。周边站点的业务量、用户密度可以预估规划站点未来业务情况，周围MR弱覆盖情况可以判斷规划站点的需求紧迫情况，规划站点的投资回收期可以评估站点的投资效益。
对以上几个维度可以进行量化打分，然后再加权求和可以得到每个规划站点的得分情况。以业务量维度为例，以规划站点周边最近的（站距一般不超过1.5Km）三个站点的平均业务量作为规划站点的预估业务量，然后与现网业务量进行比较，打分规则如下：
全网平均业务量：60分；全网最多业务量：100分；全网最少业务量：0分；低于平均的区间得分按照：60-（全网平均-x）*（60-0）/（全网平均-全网最少）；高于平均的区间得分按照：60+（x-全网平均）*（100-60）/（全网最多-全网平均）；x为规划站点预估业务量。
其它几个维度的打分情况类似，算法稍有差别。打分完成后，可以确定各个维度的权重，例如可以如下设置：业务量维度权重0.3，用户密度维度权重0.1，MR维度权重0.2，投资回收期维度权重0.4，等等。
规划站点得分=业务量得分*业务量权重+用户密度得分*用户密度权重+MR得分*MR权重+投资回收期得分*投资回收期权重。
根据站点的最终得分，对规划站点的建设优先级进行排序，后期工程建设可以考虑优先建设得分高的站点，即预期业务量高，用户密度大，覆盖需求急迫，投资效益好的站点。
5 总结
随着数据挖掘能力和数据分析能力的不断增强，大数据技术有了越来越广泛的应用。对于有海量用户数据和网络运行数据的运营商，可以进行深入的数据挖掘，并应用于后期的网络规划建设及市场营销中。大数据分析在网络规划中的应用，包括通过用户侧数据确定高价值区域，通过MR数据确定网络问题点，通过业务量等相关数据对规划站点进行优先级排序，等等。大数据的应用对于提高网络规划效率，提升投资精准性，提升网络质量有着重要意义。
参考文献
[1]王宜科，梁松柏，魏宁，等.基于MR的移动无线网络规划的可靠性分析[J].邮电设计技术，2014（7）：53-57.
[2]孙林浩.基于MR的位置指纹定位算法研究[J].互联网天地，2016（4）：43-46.
[1]商冶，程晓军，李德屹，等.移动互联网时代基于大数据分析的网络优化体系研究[J].邮电设计技术，2014（3）：58-62.
作者简介
张斌（1981-），男，河南郑州人，高级工程师，硕士，主要从事移动通信新技术研究和通信大数据应用工作。
程果（1987-），男，河南郑州人，工程师，硕士，主要从事移动通信网规划设计以及无线宽带技术研究。赵兴（1982-），男，河南漯河人，高级工程师，学士，主要从事移动通信网络部署方案制定，移动通信网络咨询、规划和设计工作。