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：研究一种代替人工定位 LTE外部干扰的工具，通过AI算法和自动化技术，将外部干扰源呈现在地图上。它利用2400 维PRB 数据，生成小区的干扰瀑布图；用AI算法判断干扰种类，筛选外部干扰小区；最后利用小区的MR大数据，将表示小区受干扰程度的PHR用热力图的形式呈现在地图上，指导优化人员对外部干扰源进行精准定位，快速排除。
关键词：LTE；AI；MR；PHR；干扰；定位；分类
doi：10.12045/j.issn.1007-3043.2022.01.017
概述
移动网络的发展日新月异，但仍可能会遇到如下问题：接续困难、通话质量差、上网慢、下载龟速、流媒体卡顿、视频聊天不流畅、用户投诉信号满格但无法正常做业务。这一切都可能是由干扰造成的，干扰带来的各种各样问题，会降低用户对网络的满意度，而干扰排查一直以来都在困扰着网络优化人员。
目前排查干扰的传统手段是依靠工程师的经验，首先利用网管结合地图初步判断干扰源的大概位置，然后再利用频谱仪和定向天线现场逐一扫频。传统方法存在4个方面的缺点，首先是及时性差，部分干扰靠人工观察网管指标难以发现，通常在用户投诉后才会引起注意，缺乏主动发现全网问题的手段；其次是准确率低，由于干扰形成的原因往往很复杂，对工程师的要求很高，但工程师的水平参差不齐；再次是效率低下，干扰排查需要分区域、分小区进行逐一分析，耗费大量时间；最后是人工成本高，尤其是对外界干扰的排查，一个干扰源往往需要多人、多次现场逐一查找，人力物力耗费巨大。
本文提出的方案分为两大模块：外部干扰小区识别模块和外部干扰源定位模块。项目的总体思路是，首先通过机器学习建立一个多分类的模型，把需要分类的小区信息输入模型后，模型自动对小区干扰情况进行分类。通过模型可以输出多种结果，包括正常小区、内部干扰小区和外部干扰小区。最后提取出对网络质量影响最大的外部干扰小区，使用其MR数据，对外部干扰源进行定位（见图1）。
