*** 摘要： ***

研究一種代替人工定位LTE外部干擾的工具，通過AI算法和自動化技術，將外部干擾源呈現在地圖上。它利用2 400維PRB數據，生成小區的干擾瀑布圖；用AI算法判斷干擾種類，篩選外部干擾小區；最后利用小區的MR大數據，將表示小區受干擾程度的PHR用熱力圖的形式呈現在地圖上，指導優化人員對外部干擾源進行精準定位，快速排除。

01

概述

移動網絡的發展日新月異，但仍可能會遇到如下問題：接續困難、通話質量差、上網慢、下載龜速、流媒體卡頓、視頻聊天不流暢、用戶投訴信號滿格但無法正常做業務。這一切都可能是由干擾造成的，干擾帶來的各種各樣問題，會使用戶降低對網絡的滿意度，而干擾排查一直以來都在困擾著網絡優化人員。

目前排查干擾的傳統手段是依靠工程師的經驗，首先利用網管結合地圖初步判斷干擾源的大概位置，然后再利用頻譜儀+定向天線現場逐一掃頻。傳統方法存在4個方面的缺點，首先是及時性差，部分干擾靠人工觀察網管指標難以發現，通常造成用戶投訴后才會引起注意，缺乏主動發現全網問題的手段；其次是準確率低，由于干擾形成的原因往往很復雜，對工程師的要求很高，但工程師的水平參差不齊；第三是效率低下，干擾排查需要分區域、分小區進行逐一分析，耗費大量時間；最后是人工成本高，尤其是對外界干擾的排查，一個干擾源往往需要多人、多次現場逐一查找，人力物力耗費巨大。

本文提出的方案分為兩大模塊：外部干擾小區識別模塊和外部干擾源定位模塊。項目的總體思路是，首先通過機器學習建立一個多分類的模型，把需要分類的小區信息輸入模型后，模型自動對小區干擾情況進行分類。通過模型可以輸出多種結果，包括正常小區、內部干擾小區和外部干擾小區。最后提取出對網絡質量影響最大的外部干擾小區，使用其MR數據，對外部干擾源進行定位(見圖1)。

圖1 項目方案圖

02

LTE干擾智能定位方案

2.1 外部干擾源識別模塊

2.1.1 獲取訓練樣本

從網管上提取每個小區的24 h粒度的每個PRB上的干擾值，整理相關數據，包括小區名稱、eNodeB ID、CI、時間戳、PRB號和干擾電平。然后，把相同帶寬的小區放置在一組，剔除因設備故障、夜間自動關停等造成小區信息不完整的數據，將其作為訓練數據（見圖2）。

圖2 生成訓練數據示意圖

有了訓練數據后，還需要人工介入，分類打標簽，但為上萬個小區打標簽耗時巨大，為了提升效率，采用了干擾瀑布圖加聚類算法進行預歸類的方式來加速處理。

生成干擾瀑布圖：以時間為橫軸，以0—99號PRB為縱軸，每小時每個PRB對應的干擾均值根據干擾強度，分別用不同的顏色來表示，最終生成每個小區的干擾瀑布圖，輔助人工打標簽（見圖3）。

圖3 干擾瀑布圖

聚類加速：為進一步提高人工打標簽的效率，先利用機器學習中的聚類算法，對所有干擾瀑布圖進行聚類，再對聚類的結果進行人工確認，得到最終訓練樣本的標簽，從而獲得完整的訓練樣本（見圖4）。

圖4 生成訓練樣本示意圖

利用瀑布圖加聚類的方法，可以大幅縮短人工打標簽的時長，由每百個小區100 min降低到10 min，效率提升10倍。

2.1.2 建立預測模型

有了完整的訓練樣本，就可以進行多分類的建模。在建模過程中遇到并解決了如下問題：

a)訓練時間過長。因為采用的數據是24 h乘以100個PRB，共多達2 400列，因此訓練時間過長，使用PCA降維，由2 400列降到83列，訓練時間由分鐘級別降到秒級別。

b)異常小區占比少。總體上干擾小區占比較少，易造成模型不準確，因此采用過采樣的方法解決，異常小區占比由3.49%提高到9.39%，最終指標也提高了1.4個百分點。

c)分類指標不理想。從一開始的六分類，f1指標僅有0.62左右，從網絡實際需求出發，將模型分類降低到三分類，f1指標提升至0.8以上。

d)調參效率低。使用貝葉斯調參代替網格搜索，調參效率提高10倍以上。

在經過模型的多次優化后，各種模型指標均達到較為理想水平，尤其是極端森林、xgboost、lightgbm表現最好，因此，使用這3種模型進行堆疊，在15 000多個訓練樣本情況下，準確率達到0.98，f1達到0.869 4，模型結果可用。至此，完成了干擾精準識別與自動分類模型的建立(見圖5和表1)。

圖5 各模型效果圖

表1 堆疊后模型效果

2.2 外部干擾源定位模塊

模型建立完成后，即可識別出全網外部干擾小區，接下來需要通過MR數據來定位干擾源位置。MR，即測量報告，是評估無線環境質量的主要依據之一。從北向接口中提取的MRO文件包含了60余項數據，可以有效解析的主要無線類數據有14項，從中選取5項，包括小區標識、經度、緯度、接收電平和發射功率余量。

其中PHR也就是發射功率余量，反映UE的發射信號功率大小，是反映小區內UE發射功率分布情況的主要指標（見表2）。PHR取值范圍為063，值越大，表示手機的功率余量越多，手機的發射功率越低，反之越高。本課題需要定位干擾源位置，因此需要從原始MR中篩選出PHR值在022、手機實際發射功率不正常的采樣點，同時剔除RSRP<-110 dBm的點，避免因為弱覆蓋造成PHR變差的情況，影響判斷結果。

表2 PHR取值對應表

用這些包含經緯度的采樣點，生成熱力圖，經過對經緯度糾偏之后，通過Python的Pyecharts模塊，將PHR以熱力圖的形式呈現在地圖上（見圖6），圖6中紅色區域表示PHR異常的區域，更接近于干擾源的位置。

圖6 外部干擾源定位模塊示意圖

2.3 對外界干擾小區的干擾源進行自動定位

本節以某村周邊突發強干擾為例進行說明。該強干擾影響3個基站9個小區，該區域為大型居民區，且北面是海，東邊是山，地形較為復雜，如7圖所示。

圖7 干擾源影響區域

提取3個基站的24 h的MR數據，提取PHR信息，經過經緯度糾偏之后，呈現在百度地圖上(見圖8)，可以看到，數據異常區域主要集中在4個區域，為重點排查區域。

圖8 干擾智能定位工具定位出的干擾源大致區域

通過與無線電管理委員會的合作，對以上4個區域按照順序定點排查，迅速定位到干擾源位于區域2一棟居民樓內，用戶為了解決深度覆蓋問題自行安裝的手機信號放大器。通過開發的工具可以有效縮小排查范圍，協助現場工程師迅速定位干擾源。

03

結束語

本文通過對網管KPI的大數據分析，利用機器學習建模，自動識別出所有存在干擾的小區并進行自動分類，準確率超過85%，彌補了目前優化工作中對干擾類型判斷方式的匱乏，為進一步的深入干擾排查指定目標。對于影響最大的外部干擾小區，通過MR進行干擾源的智能定位，創新使用Python加百度地圖的方式，將PHR以熱力圖的形式清楚地呈現在地圖上，幫助縮小干擾源排查范圍，極大地縮短了定位時長，提高了工作效率。

目前已完成建模和全省4G柵格速率的全流程自動預測，用于指導全省4G網絡低速率區域的整改，提高用戶感知。

與排查干擾的傳統手段相比，該工具主要有如下3個方面的優勢。

a)發現問題全面，告別傳統使用全網統一門限值的粗略判斷方式，通過2 400個維度的數據，自動甄別全網干擾小區，尤其是對隱性干擾小區，可以達到精準全面的識別。

b)提升工作效率，對發現的干擾問題自動進行干擾類型的分類，區分內部干擾與外部干擾，相對于傳統人工判斷方式，效率極大提升，全網運行一次僅需1 h。

c)增強自主優化能力，對于外界干擾可以自動輸出重點排查范圍，大大節省人力物力，增強自主優化能力。

審核編輯：劉清