摘要
结合大数据及机器学习的发展与实践，以安徽省O域MDT、XDR、MR、无线数据为基础，结合实践给出了有效提升MR定位准确率方法，创新使用的四摸法定位算法实现指纹定位提升定位精度能力，同时实现了关联后数据的切片化。基于关联数据提出了面向网络、面向客户的创新应用场景与方向，最后给出了网优应用案例，验证了网优大数据应用前景。
关键词
MDT ；大数据；数据关联；关联成功率；关联数据应用。
引言
随着移动互联网的发展和4G网络的普及，O域数据呈现爆发式增长，而XDR、MR、MDT就是网络侧最主要的三类大数据。其中XDR主要采集接口包括S11、S1-MME、S1-U、SGS、S6a、S5/S8、Gb、IU_PS、Gn、A、IU-CS、C/D，其中S1-MME、S1-U承载了用户信息、业务信息、话单信息等；MR主要包括MRO、MRS和MRE 3种类型测试报告，其中MRO代表周期性的测量报告样本数据文件，包含了用户定位的工参信息及网络评估的覆盖信息等。MDT是3GPP在LTE系统中引入的一种通过网络配置对普通用户/商用终端进行测量数据和位置信息采集的功能，只要用户终端开启GPS并支持MDT功能，终端就能向基站自动上报包含用户位置信息的无线网络环境测量数据。这3类采样点级的大量数据，通过利用大数据分析方法进行清洗、关联、算法挖掘后能实际应用用于网络问题挖掘和分析。
目前各个运营商已经具备这3类数据的采集、解析与分析能力，并应用于基本的建维工作中，打破了常规的网优思路，网优优化从优化问题小区转变为优化栅格、优化切片、优化用户感知，而支撑这一切的便是网优大数据分析能力。
本文结合安徽联通实践，通过安徽联通综合业务支撑系统对MDT、XDR、MR以及网管性能等数据分析算法进行了研究，提出将MDT数据应用到指纹库定位中提高定位精度，同时给出了虚拟路测与投诉智能分析两个方面的应用实践。实践结果表明，通过将MDT、XDR与MR综合，可以有效提升MR回填准确率，可以有效提升用户投诉远程分析能力等，从而助力运营商提高数据使用价值，拓展数据变现业务。
XDR与MR的大数据关联分析
2.1利用“四模法”位置定位，训练特征指纹库
目前已实现的MR定位技术，有些在定位精度方面有优势、有些在普适性方面有优势，但是缺少在精确度和普适性方面均能满足生产要求的定位技术。因此实现一种全新的定位技术，能够在少量样本精确定位的基础上，提高全量样本的定位精度非常重要。
“四模法”说明：
整合资源、邻区、MR、DPI等多维数据，综合MDT、OTT、三点定位等多种定位技术，运用大数据机器学习算法训练栅格特征指纹库，以指纹特征匹配和最小二乘法匹配相结合的两级匹配方式，实现MR定位精确度和普适性的合理兼容。
1、MDT模型：通过筛选UE上报AGPS信息的MRO采样点进行解析，准确识别用户GPS坐标位置。
2、位置APP模型：通过对用户使用的位置类应用进行深度解析，准确识别用户GPS坐标位置。
3、最小二乘法模型（三点定位）：根据已知1、2、3等n个主邻小区坐标，计算它们到未知点D的距离，最终计算确定节点D的坐标。
4、指纹匹配模型：利用位置APP模型和MDT模型采集的用户经纬度信息，以及从MRO采集到的用户网络环境信息，采用机器学习的算法，训练定位模型，对未开启GPS业务的用户根据网络环境进行定位。
2.2基于MDT的模拟路测分析
基于互联网GIS数据实现的对道路数据整合和切片算法，该算法是通过互联获取道路GIS数据与后台切片算法实现对道路图层进行切片的算法。通过算法对高铁、高速、国道、省道等道路进行切片，并生成切片字典数据，通过切片数据对通信采样点数据进行汇总处理生成道路业务切片图层，业务图层通过对RSRP指标渲染更直观呈现问题路段。
本次针对安徽全省、16地市的市区道路、国道、省道、高速、高铁进行覆盖栅格化分析，分析类别包含RSRP、SINR、RSRQ与采样点信息，并将道路概览信息进行呈现。后续道路分析将由栅格升级为基于MDT数据的切片分析。
（1）虚拟路测-虚拟测试概览
针对安徽全省、16地市的市区道路、国道、省道、高速、高铁进行覆盖栅格化分析，分析类别包含RSRP、SINR、RSRQ与采样点信息，并将道路概览信息进行呈现。后续道路分析将由栅格升级为基于MDT数据的切片分析。
（2）虚拟路测-路测覆盖黑点
针对安徽全省、16地市的市区道路、国道、省道、高速、高铁进行路测覆盖黑点分析，进行道路覆盖黑点整体情况分析，并将覆盖黑点栅格详细信息进行TOP呈现，同时支持数据导出功能。
（3）虚拟路测-道路结构专题
针对安徽全省、16地市的市区道路、国道、省道、高速、高铁进行路测重叠覆盖、无覆盖、越区覆盖分析，进行道路结构整体情况分析，并将道路结构问题栅格详细信息进行TOP呈现，同时支持数据导出功能。
.jpg)
基于大数据分析和机器学习技术，融合多数据源进行关联分析，识别用户场景，实现质量分析、用户画像、室内分析、系统派单、数据共享功能，呈现DT/CQT模测结果概览，进行覆盖、干扰指标评估。
图-功能架构
2.3基于大数据的投诉智能诊断
投诉智能诊断功能针对用户进行提供问题发生时的时间、地点和问题类型信息进行追溯。 固化智能算法，对用户、终端、无线、核心、互联网进行快速定界，同时输出问题原因，协助完成用户投诉处理和问题跟踪。
输入查询的开始日期与结束日期与查询的电话号码信息：
用户智能诊断呈现：
呈现用户的号码信息（后四位隐藏）
用户终端类型
用户终端的支持的网络制式
针对用出现问题进行定界，定界包含：终端侧、用户侧、无线侧、核心网侧、SP侧等信息，同时对问题形成原因与处理方法智能诊断。
（1）投诉智能诊断-用户详单查询
针对投诉用户的问题发生时间进行用户详单查询，呈现该时段的用户详单信息，业务详细信息、业务地址、服务小区、流量信息，当该详单出现问题时，进行失败原因智能分析、输出解释口径等信息。
业务呈现：
接入小区信息呈现：
问题详单分析
（2）投诉智能诊断-白名单管理
将重点用户、保密相关人员等增加到白名单中，可对白名单中的人员信息进行增加、删减、修改，增加到白名单的人员信息禁止信息查询。
结束语
安徽联通经过不断优化，在大数据平台对XDR与MR的大数据关联率进行对比，从初期大数据关联率69.9%提升至从83.4%。精准度由大幅提升，通过关联率、精准度的提升，是虚拟路测、投诉智能诊断分析得以迅速推广使用，安徽大数据平台成功支撑建维线的规建维优智能化转型。
按照公司制定“M+1+N”的大数据构架，安徽联通已经完成B、O域数据统一融合到1个大数据平台，近期将开展互联网数据的DPI的解析、合成、入库工作，继而开展移网DPI、互联网DPI数据、B域数据的融合及应用，持续围绕规建维优一体化、AI赋能的智能运营的工作目标持续开展大数据建设工作。
参考文献
[1]魏进武, 张云勇. 基于大数据的信令监测系统研究[J]. 邮电设计技术, 2014(7):47-52.
WEI J W, ZHANG Y Y. On Big Data Based Signaling Monitoring Platform[J]. Designing Techniques of Posts and Telecommunications ,2014(7):47-52.
[2]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.
WANG Y K, LIANG S B, WEI N, et al. Reliability Analysis of Mobile Wireless Network Planning Based on MR[J]. Designing Techniques of Posts and Telecommunications,2014(7):53-57.
[3]杨谦, 施文政, 林雨浓, 等. 基于MR定位技术的客服支撑综合应用系统的开发及应用[J]. 云南大学学报(自然科学版), 2011, 33(S2):264-268.
YANG Q,SHI W Z,LIN Y N,et al.Customer support integrated application system development and applications based on MR positioning technology[J].Journal of Yunnan University(Natural Sciences), 2011, 33(S2):264-268.
[4]周波. 基于Apache Flume的MR数据采集实现方案[J]. 电信科学, 2018(S1):216-221.
ZHOU B.An implementation scheme for MR acquisition based on Apache Flume[J]. Telecommunications Science, 2018(S1):216-221.
[5]叶树祥. 基于XDR大数据的高铁用户精准识别算法[J]. 信息通信, 2018, 186(6):231-232.
YE S X. An Algorithms of High-speed rail customer Accurate recognition Based on Big Data[J].Information ＆ Communications,2018, 186(6):231-232.
[6]谭晖 , 王浩君 , 席晨 . 一种基于DPI数据的家宽投诉精细分析系统[J]. 信息通信, 2018.
TAN H,WANG H J, XI C.An Home broadband Complaint Analysis System based on DPI Data[J]. Information ＆ Communications, 2018.
[7] 杨岚兰，石磊.大数据技术及其在通信领域的应用[J].信息与电脑（理论版）, 2015, 15:68~69.
YANG F L,SHI L. Big Data Technology and Application in Telecom Industry[J]. China Computer ＆ Communication, 2015, (15):68~69.
[8] 赵云山，刘焕焕.大数据技术在电力行业的应用研究[J].电信科学, 2014, 30(1):57~62.
ZHAO Y S, LIU H H, Research on Application of Big Data Technique in Electricity Power Industry,Telecommunications Science, 2014, (1):57~62.
[9] 堵雯曦.大数据技术在通信行业的应用探讨[J].江苏通信, 2015, (3):52~55+59.
DU WX, Discussion on the Application of Big Data in Telecom Industry[J].Jiang Su Communication,2015, (3):52~55+59.
[10] 张延彬.基于移动通信行业的大数据服务研究[J].电信工程技术与标准化, 2016, 29(2):44-47.
ZHANG Y B .Study on the service of mobile communication industry based on big data[J]. Telecom Engineering Technics and Standardization, 2016, 29(2):44-47.
[11] 潘洋.通信行业基于大数据的精确化服务应用研究[J].中国新通信, 2017, 19(6):123.
PANG Y. Research on Precision Service Application Based on Big Data in Telecom Industry [J].China New Telecommunications, 2017, 19(6):123.
[12] 王娟.基于大数据的通信运营商商业化模型及应用研究[D].兰州:兰州交通大学, 2016.
