基于XDR大數(shù)據(jù)分析的高架用戶(hù)識(shí)別技術(shù)

汪保友，姚賽彬，黃久成，潘暉

基于XDR大數(shù)據(jù)分析的高架用戶(hù)識(shí)別技術(shù)

汪保友，姚賽彬，黃久成，潘暉

（中國(guó)聯(lián)合網(wǎng)絡(luò)通信有限公司上海分公司，上海 200080）

城市高架路場(chǎng)景下，用戶(hù)行駛速度相對(duì)較快、人流密集，客戶(hù)對(duì)通信體驗(yàn)要求更高。首先，介紹了網(wǎng)絡(luò)質(zhì)量管控大數(shù)據(jù)平臺(tái)體系架構(gòu)；其次，設(shè)計(jì)了基于XDR大數(shù)據(jù)分析的高架用戶(hù)識(shí)別的算法；最后，通過(guò)XDR大數(shù)據(jù)分析處理，與高架路段指紋庫(kù)匹配，輸出高架用戶(hù)運(yùn)動(dòng)軌跡，提升了高架用戶(hù)識(shí)別準(zhǔn)確性，為高架路無(wú)線(xiàn)網(wǎng)絡(luò)質(zhì)量監(jiān)控提供輔助支撐。

網(wǎng)絡(luò)優(yōu)化；XDR；城市高架識(shí)別

1 引言

為有效緩解城市交通擁堵，很多城市選擇修建城市高架路，建立城市立體交通網(wǎng)絡(luò)。以上海為例，上海有延安高架、南北高架、內(nèi)環(huán)高架等14條高架線(xiàn)路，日均車(chē)流量已經(jīng)達(dá)到201萬(wàn)輛。高架、高速等快速道路中，用戶(hù)行駛路線(xiàn)相對(duì)固定、行駛速度相對(duì)較快、人流密集，客戶(hù)對(duì)通信體驗(yàn)要求更高，無(wú)線(xiàn)網(wǎng)絡(luò)的移動(dòng)性、保持性、接入性質(zhì)量對(duì)客戶(hù)感知有重要影響。如何準(zhǔn)確識(shí)別高架用戶(hù)，利用高架用戶(hù)群體的真實(shí)多維感知數(shù)據(jù)，實(shí)現(xiàn)全民測(cè)試、全量測(cè)試，快速匯聚問(wèn)題道路，更趨近用戶(hù)真實(shí)感知體驗(yàn)，從而大幅提高網(wǎng)絡(luò)檢測(cè)效率和準(zhǔn)確性，是迫切的實(shí)際需求，非常具有實(shí)用價(jià)值。

目前高架用戶(hù)識(shí)別方法，存在如下問(wèn)題。

（1）GPS衛(wèi)星定位法

由于多徑效應(yīng)等影響，GPS的高度誤差明顯高于平面誤差，僅靠GPS的坐標(biāo)，無(wú)法區(qū)分用戶(hù)處在高架橋上還是地面道路上。

（2）位置區(qū)更新識(shí)別法

單純位置區(qū)更新識(shí)別算法誤判率高，容易把地面道路用戶(hù)誤判為高架用戶(hù)。

（3）基于圖像檢索識(shí)別法

基于圖像檢索識(shí)別高架用戶(hù)，后臺(tái)需要拍攝、存儲(chǔ)大量高架路圖片，對(duì)設(shè)備的計(jì)算能力要求高，適用于車(chē)輛導(dǎo)航及路線(xiàn)服務(wù)場(chǎng)景。

眾所周知，運(yùn)營(yíng)商擁有海量的數(shù)據(jù)，其中MR測(cè)量報(bào)告和XDR信令數(shù)據(jù)是OSS域最主要的兩類(lèi)數(shù)據(jù)，MR測(cè)量報(bào)告每日可達(dá)幾TB，XDR原始信令每日更可達(dá)到幾十TB。面對(duì)如此巨大的數(shù)據(jù)體量，必須依托大數(shù)據(jù)支撐平臺(tái)處理分析。本文提出一種基于XDR大數(shù)據(jù)分析的高架用戶(hù)識(shí)別技術(shù)。該技術(shù)通過(guò)XDR大數(shù)據(jù)分析處理，輸出用戶(hù)完整運(yùn)動(dòng)軌跡，與高架路指紋庫(kù)匹配，可自動(dòng)輸出高架用戶(hù)運(yùn)動(dòng)軌跡，提升了高架用戶(hù)識(shí)別準(zhǔn)確性，為高架路無(wú)線(xiàn)網(wǎng)絡(luò)質(zhì)量監(jiān)控提供了輔助支撐。

圖1 網(wǎng)絡(luò)質(zhì)量管控大數(shù)據(jù)平臺(tái)體系架構(gòu)

2 網(wǎng)絡(luò)質(zhì)量管控大數(shù)據(jù)平臺(tái)體系架構(gòu)

網(wǎng)絡(luò)質(zhì)量管控大數(shù)據(jù)平臺(tái)體系架構(gòu)如圖1所示，下面3層是技術(shù)層面，上面兩層是業(yè)務(wù)層面。底層是對(duì)近源數(shù)據(jù)的采集處理，包括MRO文件解壓、解析、預(yù)處理、定位、回填I(lǐng)MSI等；XDR文件解壓、解析；OMC網(wǎng)管PM性能數(shù)據(jù)和工參數(shù)據(jù)等采集處理，采用了Flume、Kafka流式計(jì)算框架。往上一層，是數(shù)據(jù)湖存儲(chǔ)和數(shù)據(jù)集市運(yùn)算，數(shù)據(jù)湖存儲(chǔ)于Hadoop集群的HDFS文件，通過(guò)Hive及HBase工具組件對(duì)外提供查詢(xún)接口；通過(guò)Spark Streaming準(zhǔn)實(shí)時(shí)計(jì)算工具，匯聚計(jì)算中間結(jié)果存儲(chǔ)于MPP數(shù)據(jù)庫(kù)（包括基礎(chǔ)數(shù)據(jù)和匯總數(shù)據(jù)）；再通過(guò)數(shù)據(jù)挖掘、SQL計(jì)算，產(chǎn)生價(jià)值數(shù)據(jù)和粗粒度匯總數(shù)據(jù)，存儲(chǔ)于RDB數(shù)據(jù)集市，以便外部調(diào)用。再往上，是查詢(xún)引擎，通過(guò)一些框架組件，如Hibernate、SpringBoot、CAS框架，ExtJS、VUE、WebSocket前端工具等，進(jìn)行業(yè)務(wù)處理和可視化展現(xiàn)。再往上一層，是模型字典，提供計(jì)算模型（用戶(hù)模型、業(yè)務(wù)模型、指標(biāo)模型）以及數(shù)據(jù)字典（柵格、道路、場(chǎng)景、用戶(hù)等）。頂層是應(yīng)用門(mén)戶(hù)，實(shí)現(xiàn)網(wǎng)絡(luò)優(yōu)化生產(chǎn)（自動(dòng)路測(cè)、自動(dòng)評(píng)估、自動(dòng)派單、智能工參等）以及網(wǎng)絡(luò)維護(hù)支撐（綜合監(jiān)控、智能判障等）。

3 基于XDR大數(shù)據(jù)分析的高架用戶(hù)識(shí)別技術(shù)

3.1 相關(guān)定義

定義1 區(qū)塊路段

定義2 區(qū)塊路段指紋

定義3 高架路指紋庫(kù)

定義4 運(yùn)動(dòng)特征用戶(hù)

基于移動(dòng)性原理，用戶(hù)在行駛過(guò)程中，會(huì)從一個(gè)位置區(qū)移動(dòng)到另一個(gè)位置區(qū)，如果用戶(hù)在短時(shí)間內(nèi)發(fā)生多個(gè)位置區(qū)更新，則將其定義為運(yùn)動(dòng)特征用戶(hù)。

定義5 高架用戶(hù)

某時(shí)間段內(nèi)在高架路段行駛的運(yùn)動(dòng)特征用戶(hù)，定義為高架用戶(hù)。

3.2 技術(shù)思路

基于XDR大數(shù)據(jù)分析的高架用戶(hù)識(shí)別，首先，通過(guò)XDR大數(shù)據(jù)關(guān)鍵信息，生成用戶(hù)運(yùn)動(dòng)軌跡；其次，把每個(gè)用戶(hù)的運(yùn)動(dòng)軌跡與高架路指紋庫(kù)進(jìn)行比對(duì)匹配，判定用戶(hù)是否經(jīng)過(guò)某個(gè)區(qū)塊路段、經(jīng)過(guò)多少條區(qū)塊路段，進(jìn)而判定是否為高架用戶(hù)、運(yùn)動(dòng)場(chǎng)景經(jīng)過(guò)哪些高架；最后，通過(guò)閾值和條件選擇實(shí)現(xiàn)高架用戶(hù)自動(dòng)識(shí)別，為無(wú)線(xiàn)網(wǎng)質(zhì)量感知問(wèn)題提供用戶(hù)聚焦手段。數(shù)據(jù)處理流程如圖2所示。

3.3 用戶(hù)運(yùn)動(dòng)行程生成算法

3.4 用戶(hù)運(yùn)動(dòng)行程合并算法

通過(guò)算法1生成的用戶(hù)運(yùn)動(dòng)行程UTrips，可能存在行程碎片，即用戶(hù)單次行程被分割記錄成多條行程，為此需要進(jìn)行用戶(hù)行程合并。選擇用戶(hù)

圖2 高架用戶(hù)識(shí)別數(shù)據(jù)處理流程

圖3 用戶(hù)運(yùn)動(dòng)行程生成算法流程

3.5 高架用戶(hù)識(shí)別算法

將合并后的用戶(hù)運(yùn)動(dòng)軌跡UTrips_New，與高架路指紋庫(kù)進(jìn)行匹配，判定用戶(hù)是否經(jīng)過(guò)某區(qū)塊路段、經(jīng)過(guò)多少條區(qū)塊路段，進(jìn)而判定是否高架用戶(hù)、運(yùn)動(dòng)場(chǎng)景經(jīng)過(guò)哪些高架路。高架用戶(hù)識(shí)別算法流程如圖5所示。

圖5 高架用戶(hù)識(shí)別算法流程

此算法基本思路分為以下4步。

步驟2 將UTrips_shift按用戶(hù)、時(shí)域排序。

步驟3 行程記為UTrips_shift與高架路指紋庫(kù)RD_Finger匹配，判斷該條行程是否在指紋中。如是，則判斷屬于哪條線(xiàn)路，并輸出到UTrips_Out數(shù)據(jù)集中。

4 高架用戶(hù)識(shí)別的應(yīng)用

通過(guò)以上算法的大數(shù)據(jù)分析處理，可實(shí)現(xiàn)高架用戶(hù)自動(dòng)識(shí)別，為無(wú)線(xiàn)網(wǎng)質(zhì)量感知提供用戶(hù)聚焦手段。準(zhǔn)確識(shí)別高架用戶(hù)后，再利用高架用戶(hù)群體的真實(shí)多維感知數(shù)據(jù)，實(shí)現(xiàn)全民測(cè)試、全量測(cè)試，快速匯聚道路問(wèn)題，更趨近用戶(hù)真實(shí)感知體驗(yàn)，從而大幅提高網(wǎng)絡(luò)檢測(cè)效率和準(zhǔn)確性，達(dá)到“節(jié)能增效”的目的。通過(guò)可視化大屏可實(shí)現(xiàn)區(qū)塊路段KPI監(jiān)控、異常路段告警提示，也可提供單用戶(hù)、單區(qū)塊路段的感知指標(biāo)查詢(xún)分析，輔助投訴和問(wèn)題定位?？梢暬O(jiān)控系統(tǒng)門(mén)戶(hù)如圖6所示。

圖6 可視化監(jiān)控系統(tǒng)門(mén)戶(hù)

5 結(jié)束語(yǔ)

基于XDR大數(shù)據(jù)分析的高架用戶(hù)識(shí)別技術(shù)，為無(wú)線(xiàn)網(wǎng)質(zhì)量感知提供用戶(hù)聚焦手段，有效提升了全網(wǎng)高架路評(píng)估能力和頻次。傳統(tǒng)DT路測(cè)法成本高、數(shù)據(jù)樣本量小、測(cè)試終端數(shù)極少、隨機(jī)性大，無(wú)法模擬真實(shí)用戶(hù)感知；傳統(tǒng)指標(biāo)監(jiān)控法，通過(guò)篩選出高架路沿線(xiàn)主控小區(qū)進(jìn)行KPI性能統(tǒng)計(jì)，會(huì)引入大量非高架路用戶(hù)，準(zhǔn)確性偏低。本文所提方法克服了傳統(tǒng)DT路測(cè)法及指標(biāo)監(jiān)控法的問(wèn)題，從實(shí)際應(yīng)用效果看，該方法已推廣使用到高架、高速、高鐵等“三高”定軌道路場(chǎng)景，質(zhì)差和高掉話(huà)等隱性問(wèn)題的發(fā)現(xiàn)及時(shí)率從30%提高到95%，日常優(yōu)化問(wèn)題點(diǎn)覆蓋率超過(guò)90%，路測(cè)工作自動(dòng)完成率超過(guò)70%，節(jié)約了運(yùn)維成本，提高了優(yōu)化效率。

[1] 劉韜, 吳濤, 王斌. XDR與MR數(shù)據(jù)關(guān)聯(lián)與應(yīng)用[J]. 電信科學(xué), 2019, 35(4): 120-130.

LIU T, WU T, WANG B. Association and application in XDR and MR data[J]. Telecommunications Science, 2019, 35(4): 120-130.

[2] YAO S B, HUANG J C, WANG B Y, et al. Design and application of network optimizing integrated platform based on rasterized big data[M]. Signal and Information Processing, Networking and Computers. Singapare: Springer, 2020: 789-799.

[3] 汪保友, 姚健, 張正卿. 基于FKS的信令采集與監(jiān)控技術(shù)[J].電信科學(xué), 2018, 34(3): 145-155.

WANG B Y, YAO J, ZHANG Z Q. Signaling collection and monitoring technology based on FKS[J]. Telecommunications Science, 2018, 34(3):145-155.

[4] 伏玉筍, 楊根科. 人工智能在移動(dòng)通信中的應(yīng)用：挑戰(zhàn)與實(shí)踐[J]. 通信學(xué)報(bào), 2020, 41(9): 190-201.

FU Y S, YANG G K. Application of artificial intelligence in mobile communication: challenge and practice[J]. Journal on Communications, 2020, 41(9): 190-201.

[5] 王瑩, 蘇壯. 無(wú)線(xiàn)網(wǎng)絡(luò)中的移動(dòng)預(yù)測(cè)綜述[J]. 通信學(xué)報(bào), 2019, 40(8): 157-168.

WANG Y, SU Z. Survey of mobility prediction in wireless network[J]. Journal on Communications, 2019, 40(8): 157-168.

[6] 許佳捷, 鄭凱, 池明旻, 等. 軌跡大數(shù)據(jù): 數(shù)據(jù)、應(yīng)用與技術(shù)現(xiàn)狀[J]. 通信學(xué)報(bào), 2015, 36(12): 97-105.

XU J J, ZHENG K, CHI M M, et al. Trajectory big data: data, applications and techniques[J]. Journal on Communications, 2015, 36(12): 97-105.

[7] 朱近康, 柴名揚(yáng), 周武旸. 面向B5G/6G的三三三網(wǎng)絡(luò)體系架構(gòu)和優(yōu)化學(xué)習(xí)機(jī)制[J]. 通信學(xué)報(bào), 2021, 42(4): 62-75.

ZHU J K, CHAI M Y, ZHOU W Y. Three-three-three network architecture and learning optimization mechanism for B5G/6G[J]. Journal on Communications, 2021, 42(4): 62-75.

[8] 湯雅妃, 魏進(jìn)武, 張?jiān)朴? 基于大數(shù)據(jù)的信令監(jiān)測(cè)系統(tǒng)研究[J]. 郵電設(shè)計(jì)技術(shù), 2014(7): 47-52.

TANG Y F, WEI J W, ZHANG Y Y. Research on big data based signaling monitoring platform[J]. Designing Techniques of Posts and Telecommunications, 2014(7): 47-52.

Identification technology for city freeway users based on XDR big data analysis

WANG Baoyou, YAO Saibin, HUANG Jiucheng, PAN Hui

Shanghai Branch of China United Network Communications Co., Ltd., Shanghai 200080, China

In the scene of city freeway, the driving speed is relatively faster, the flow of people is denser, and the customers have higher requirements for communication experience. Firstly, the architecture of big data platform for mobile network quality control was introduced. Then, the identification algorithm for city freeway users based on XDR big data analysis was proposed. Finally, through XDR big data analyzing and processing, the user track on freeway was output, which followed by matching with the fingerprints database of freeways. The identification accuracy for city freeway users was improved, and wireless network quality monitoring of city freeways was supported.

network optimization, XDR, identification of city freeway

TN929.5

A

10.11959/j.issn.1000?0801.2021214

汪保友（1968? ），男，博士，中國(guó)聯(lián)合網(wǎng)絡(luò)通信有限公司上海分公司高級(jí)工程師，主要研究方向?yàn)樯虡I(yè)智能與大數(shù)據(jù)分析、無(wú)線(xiàn)網(wǎng)優(yōu)化、網(wǎng)絡(luò)與數(shù)據(jù)安全。

姚賽彬（1982? ），男，中國(guó)聯(lián)合網(wǎng)絡(luò)通信有限公司上海分公司無(wú)線(xiàn)網(wǎng)優(yōu)化中心總經(jīng)理、高級(jí)工程師，主要研究方向?yàn)闊o(wú)線(xiàn)網(wǎng)優(yōu)化、通信網(wǎng)絡(luò)規(guī)劃、智能網(wǎng)絡(luò)。

黃久成（1987? ），男，中國(guó)聯(lián)合網(wǎng)絡(luò)通信有限公司上海分公司無(wú)線(xiàn)網(wǎng)優(yōu)化中心專(zhuān)項(xiàng)優(yōu)化室經(jīng)理、工程師，主要研究方向?yàn)闊o(wú)線(xiàn)網(wǎng)優(yōu)化、通信網(wǎng)絡(luò)規(guī)劃。

潘暉（1992? ），男，中國(guó)聯(lián)合網(wǎng)絡(luò)通信有限公司上海市分公司工程師，主要研究方向?yàn)闊o(wú)線(xiàn)網(wǎng)優(yōu)化、5G技術(shù)。

2021?05?28；

2021?10?21