本文版权为《邮电设计技术》所有,如需转载请联系《邮电设计技术》编辑部
摘要:随着网络结构、业务形态、用户模型的不断变化以及大数据、云计算等技术的不断演进,网络运维成本压力逐年上升,依赖于专业测试软件进行道路测试的传统优化模式已经难以满足未来发展的需要,网络优化亟待智能转型。基于定轨道路用户的真实海量数据,通过聚类算法模型对上海全路段用户感知问题进行定位分析研究。研究结果表明,大数据分析和AI算法的定位精度和优化效率远大于传统路测。
关键词:智能转型;聚类算法;大数据分析;用户感知
doi:10.12045/j.issn.1007-3043.2021.03.017
前言
传统的道路优化采用 DT 路测分析加 KPI 指标监控的方式。DT 路测分析需要测试工程师使用专业的测试软件和测试设备模拟用户使用情况沿一定道路进行现场实地测试,这种优化方式成本高,路测数据样本量小,具有时间、地点的随机性,无法模拟真实用户感知。KPI指标监控是先筛选出定轨道路沿线主控小区然后进行大量 KPI 指标性能统计,这种方式会引入大量非定轨道路用户,同时也需要投入大量人力物
力,准确性和效率都大打折扣。而高架、高铁、高速、地铁等快速道路由于用户行驶路线相对固定且行驶速度相对较快,对于用户感知的要求更高。此外 2G/3G/4G的多网融合,以及5G网络的垂直应用等多方面都对网络优化的响应支撑能力提出新的挑战。
为解决传统路测优化方式固定、周期性长、工作量大、耗时等问题,网络优化的智能转型刻不容缓。以上海高架道路为例,根据最新统计上海高架日均车流量已经达到201万,面对如此大的样本数量,网络优化工作能否引入大数据分析和AI智能识别的方式,精准定位出定轨道路用户呢?本文基于真实定轨道路用户的海量业务分析,将用户感知情况自动关联至小区,为网络优化提供充分数据依据,将优化模式由传统的线下模式转型为线上模式,从而大幅提高网络优化效率,有效降低优化成本。