1 概述
中国联通4G网络已颇具规模，人员集中区域 、重点区域、交通道路等都已有了4G良好覆盖，且城区4G宏网建设已趋于饱和，提升深度覆盖是当前重点任务。
查漏补缺、精细补点已成为建设工作重点，但在大网成熟的网络环境下面临着以下2点难题。
a） 如何精准识别弱覆盖区域、发现问题？如何区分是室内问题还是室外问题，是室内高层问题还是低层问题？
b） 站点规划选址落地难，如何规划网络建宏站还是建微站？建在哪里？宏站和微站如何协同？如何精准规划？
针对上述典型的几个问题，以MDT数据为基础的网络立体评估解决方案应运而生。围绕楼宇360°沙盘式呈现热点和痛点，以高精度数据源从覆盖、流量、室内外等角度进行全面的3D分析。做到精准识别、聚焦高回报区域，精准投资；聚焦 “点线面”深度覆盖，方案精准匹配规划。
2 适用场景
立体化评估在立体上进行无线质量的呈现，更加直观地发现建筑物室内的深度覆盖问题，进而指导室内网络优化建设。
从建筑物特征维度考虑，适用于以下场景。
a） 办公大楼，大型商场（存在室外打室内站点）。
b） 高层居民楼宇（存在室外打室内站点）。
从室内运维维度，适用于以下场景。
a） 室内可视：室内覆盖、用户、速率、KPI等评估定位到楼层，立体可视。
b） 室内优化：室内故障定位到楼层，提升室内排障效率。
c） 室内规划：室内深度覆盖，精准指导室外打室内宏站和室内微站的建设。
同时，存在如下应用限制。
a） 因计算的数据量大，规划效率优先，不建议大规模批量扫网应用。
b） 不支持站间距超过800 m场景。
c） 不支持DAS、RRU拉远、SFN（小区合并）、全向站、带状RRU级联（高铁场景、泄露电缆）、孤站、隧道场景。
3 技术原理
3.1 评估规划能力
表1给出了规划工具及要求。
表1 规划工具及要求
3.2 定位关键技术
3.2.1 MDT（Minimization of Drive-Test）
MDT利用商用终端上报位置与测量信息，如果终端支持GPS/A-GPS，则可同时上报GPS信息与信号测量结果，带GPS的MDT测量报告可以达到20 m内定位精度。
适用性：采用3GPP R11标准化。2014年高通发布支持MDT芯片，之后高通芯片终端均支持MDT。
精度：定位精度达到20~30 m（GPS/A-GPS可用场景）。
3.2.2 RF指纹库匹配定位（RFPM）
利用MDT MR建立射频指纹库，通过MDT MR与普通MR根据指纹库方式匹配（指纹库包括主小区、邻区的PCI、RSRP、经纬度），确定普通MR的经纬度，可以显著提升整体MR水平定位精度，密集城区水平定位精度可达40~80 m。
3.2.3 室内外区分
利用六大特征（电平特征、运动特征、小区特征、切换特征、地物特征、邻区特征）构建室内外特征库，根据呼叫日志推断用户行为，多维度判定MR室内外属性与建筑物归属（见图1）。
3.2.4 基于数据分析的立体定位
基于高精度立体电子地图，利用大数据分析实现3D立体定位。建立楼宇周圈MR特征库，依据MDT定位确定楼宇周圈栅格MR、统计提取MR特征库按会话建立用户位置特征值：CHR提取会话信息，对每次业务会话建立特征值。依据会话特征值匹配特征库确定层高：依据会话特征值与周圈特征库、计算距离判定会话MR层高（见图2）。
经实测验证，准确度在80%以上。
3.3 规划关键技术
3.3.1 场景识别
针对电子地图楼宇描述参数识别建筑物类型与街区布局，精准匹配建筑物场景。利用室内弱覆盖栅格数据及3D立体地图，结合高度、面积、楼间距、饱和度等信息达到建筑物精准识别，并区分出建筑物的基本属性如：多栋高层、独栋高层、中低层、城中村、商业楼宇、办公楼宇、街道等。
3.3.2 分层智能规划
以自然街区为单位，依据建筑物布局兼顾覆盖提升与干扰控制，智能规划最佳站址与最优RF参数（见图3）。
布局扫描：自动搜索街区边界，扫描建筑物布局与遮挡关系，筛选备选站址。
分层规划：低层弱覆盖采用“九宫格”搜索算法，依据连续弱覆盖区域形状与建筑物遮挡情况选择合理建设位置。高层弱覆盖扫描备选站址周边楼宇匹配“高层对打”或“以低打高”等覆盖方案。大型建筑物/弱覆盖直接推荐室分。
干扰锁定：根据建筑布局选择最优RF设置，防止信号外泄。自扰严重区域给出SFN配置建议。
3.3.3 场景化解决方案匹配
根据建筑物布局灵活采用高层对打、低层上打解决覆盖问题（见图4）。
选择设备：根据候选站址与目标楼宇相对位置及候选产品参数选择满足条件设备。
优选站址：对候选站址覆盖增益效果对比优选，选定增益最佳站址。
优化参数：根据站址与产品选择优化RF参数（安装高度、下倾角、方向角……）。
4 评估流程
数据采集输入→平台→结果输出。
4.1 数据源要求
数据源要求如表2所示，数据源规格要求如表3所示。
4.2 MR及Polygon注意事项
建议数据量超过200 GB或规划面积超过100 km2时切割数据或Polygon。建议按100 km2左右划分Polygon，然后把MR数据按Polygon区域整理，尽量保证MR数据和Polygon匹配。
4.3 数据输出
数据输出情况如表4所示。
5 应用情况
通过采集MR、NIC话统、KPI指标等数据，利用厂家平台和工具，对长沙、衡阳等城市进行3D立体分析并输出基于覆盖3D渲染图。
3D覆盖分析结果如表5和图5所示。
a） 中度弱覆盖建筑物。长沙岳麓区共1 004栋，占总建筑物的13.5%；衡阳共4 204栋，占总建筑物的10.2%。
b） 重度弱覆盖建筑物。长沙岳麓区共803栋，占总建筑物的10.8%；衡阳共2 560栋，占总建筑物的5.8%。
5.1 典型弱覆盖区分析
5.1.1 长沙岳麓区
存在3处弱覆盖楼宇集中区域：湖南大学北侧红叶楼附近、师大天马公寓内及科教新村内、天马安置小区。为验证3D分析数据准确性对以上3个区域进行了现场测试，测试结果如表6所示。
3个区域由于建筑物密集、周边宏站遮挡导致无法很好完成室内深度覆盖，建议基于评估结合楼宇分布通过杆微站增强覆盖。
5.1.2 衡阳市区
衡阳珠晖区存在2个弱覆盖楼宇集中区域：建光里和苗圃，主要因为该区域建筑为低层住宅楼房、楼宇密集，从站点分布可以看出，区域主要是缺少基站，导致覆盖差。
5.2 价值楼宇评估
室内价值区域主要基于流量、TMSI数量的维度来分析，同时结合MR覆盖的情况，将室内分为高价值区域和低价值区域，其中弱覆盖的高价值楼宇区域需重点关注。
a） 高价值区域：流量高、用户数多。
b） 低价值区域：流量低、用户数少。
按照以上的原则，筛选出以下室内高价值区域：长沙岳麓区大学城一带290栋高价值楼宇；衡阳324栋高价值楼宇；后期重点对这些高价值楼宇优先进行覆盖建设（见图6）。
5.3 落地效果评估
5.3.1 长沙岳麓区
根据3D立体分析所呈现的结果，对比覆盖评估图与流量评估图发现，岳麓区存在许多区域每天都会产生高流量但是实际覆盖却不好的情况。这些高价值楼宇主要分布2个区域：阳光壹佰小区和兰亭Mall小区。
通过查看3D地图可以发现这2处区域均为密度极高的住宅小区，小区内房屋密集且人口密度大。核查此区域4G站点楼宇内为建设室分都是由小区旁边的宏站覆盖，站点较少且楼层高阻挡严重造成小区内部深度覆盖不足。但是由于人员高度集中，在信号覆盖差的情况下仍然产生了高流量。阳光壹佰小区和兰亭Mall小区，根据现场勘查和评估，是值得投入且回报周期短、回报率高的高价值区域。
通过3D看网，根据2个小区楼宇属性及层数的差别，在这2个小区进行了站点规划和建设。
a） 兰亭Mall增补室分站点。
b） 阳光壹佰小区建议增补微站：LFW-岳麓区阳光100东区西区美化外打。
通过测试对比，站点建设前后信号强度及日均流量提升效果明显（见表7）。
5.3.2 衡阳雁峰区
根据衡阳的3D评估结果，结合现场的实际施工条件，评估结果中部分重点区域和楼宇进行落地建设，选择其中2个场景雁峰区碧桂园12栋以及东江丽景和东升花苑区域进行落地前后分析。
5.3.2.1 雁峰区碧桂园12栋
该楼宇是电梯高层住宅小区，无室分，距离最近的基站是LFH-雁峰区政府拉远碧桂园（距离400 m），由于站点距离过远阻挡严重，整体覆盖很差，3D MR覆盖也很差，根据现场勘查后，确定在雁峰区碧桂园12栋新建室内分布系统解决该区域的覆盖问题，对方案落地前后进行现场测试对比，结果如表8所示。
从表8可以看出，方案落地后，覆盖指标得到大幅提升，同时提取该区域小区的流量和用户数进行对比，对比情况如图7所示，流量和用户数等指标大幅提升，投资价值明显。
5.3.2.2 东江丽景和东升花苑
该小区属于中层住宅小区，由于小区楼房密集，阻挡严重，小区内覆盖均很差，根据3D MR覆盖分析，该区域是大面积弱覆盖。
根据3D MR统计及现场勘查后，确定在东升花苑新建宏基站解决该区域的覆盖问题。新站点落地后，该区域覆盖效果大幅提升，具体路测指标对比如表9所示。
从表9可以看出，方案落地后，覆盖指标得到大幅提升，同时提取该区域小区的流量和用户数进行对比，对比情况如图8所示，流量和用户数等指标大幅提升，投资价值明显。
6 结束语
业务特征及用户行为决定了大量流量发生在室内，室内覆盖成为关注的焦点，但成本的巨大投入也是运营商巨大的痛点。立体化网络评估提供了室内三维立体覆盖、CQI、速率、重定向等评估能力，以一个全新的维度对网络进行评估，以面中求点、点中求精的态度在大网已经基本成熟定型的情况下发掘隐藏的可深耕地，并对深耕地环境做出详细的分析，提供最科学合理的部署方案，以最少的投资获取最佳的收获；同时提升了室内排障的效率，站点规划更加精细化，助力室内数字建设。
参考文献：
［1］ 孙林洁. 基于MR的位置指纹定位算法研究［J］. 互联网天地，2016，29（4）：43-46.
［2］ 王粟. 基于OTT的MR定位方法［J］. 电信工程技术与标准化，2016，29（10）：63-66.
［3］ 陈巍，王东明，王家恒，等. 密集立体覆盖：未来移动通信的机遇和挑战［J］. 电信科学，2013，29（6）：1-9.
［4］ 华为技术有限公司. 室内深度覆盖规划-室内外话务区分原理［R］. 深圳：华为技术有限公司，2017.
［5］ 徐俊俊. 基于射频指纹匹配的高精度鲁棒定位技术的研究与验证［D］. 北京：北京邮电大学，2013.
［6］ 韩亚楠. LTE中RF指纹定位算法研究［D］. 北京：北京交通大学，2016.
［7］ 唐文胜，李姗，匡旺秋. RF室内定位指纹库空间相关生成算法［J］. 计算机工程与应用，2008，44（23）：226-229.
［8］ 黄小光，汪伟. 基于3D仿真的4G网络立体覆盖效果评估及规划［J］. 邮电设计技术，2018（1）：57-60.
［9］ 龚德才，张怡，王昕. 高层住宅小区立体化覆盖方案研究［J］. 邮电设计技术，2016（10）：47-50.
［10］ 黎兴，胡冀新. 高校校园无线宽带互联网覆盖方式浅谈［J］. 广西通信技术，2010（3）：44-45.
［11］ 赵海宁. 双频立体无线覆盖网络的构建［J］. 电信工程技术与标准化，2005（1）：4-9.
［12］ 王晓帆. 中兴立体化校园网解决方案［J］. 中国新通信，2006，8（19）：79-81. 
