基于MDT重疊覆蓋度數據的KNN-DBSCAN參數自適應調優研究

劉璐，陳睿杰，李嘉

研究與開發

基于MDT重疊覆蓋度數據的NN-DBSCAN參數自適應調優研究

劉璐1，陳睿杰2，李嘉2

（1. 中國移動通信集團設計院有限公司重慶分公司，重慶 401121；2. 中國移動通信集團云南有限公司，云南 昆明 650228）

傳統網絡優化中路測工作存在難以全量測試道路及樓宇、測試工作量大、工作效率低、周期長、受人為因素影響等顯性缺點，無法動態關注每個區域網絡質量情況，且常規測量報告（measurement report，MR）數據不具備定位信息，無法精確定位如重疊覆蓋度問題發生位置。基于最小化路測（minimization drive test，MDT）精準定位系統通過采集底層基站MDT數據，并根據重疊覆蓋度算法輸出高重疊覆蓋度柵格，再通過自適應最近鄰-具有噪聲的基于密度的聚類方法（-nearest neighbor density-based spatial clustering of applica-tions with noise，NN-DBSCAN）聯合算法解決了DBSCAN算法對參數設置敏感性問題，并對問題柵格進行非監督聚類，收斂問題連片區域，通過小區采樣貢獻度進行柵格區域映射，最終達到精準調整全局最高優先級（TOP）小區，降低小區高重疊覆蓋度的目的。

NN-DBSCAN算法；MDT數據；重疊覆蓋度；小區貢獻度

0 引言

隨著近幾年網絡建設的大力發展，LTE業務量不斷增長、網優規模急劇擴大，干擾問題日益嚴重，網絡容量、覆蓋和質量檢查矛盾日趨凸顯。LTE網絡主要以D/F頻段組網，無法通過頻率規劃的方法精確有效降低同頻干擾，必須對網絡結構進行調整與優化。目前常規采用手段如路測、測量報告（measurement report，MR）數據和道路掃頻等數據進行優化，但由于路測數據獲取成本較高，MR數據未攜帶定位信息，掃頻數據也僅局限于道路，以及現網工參準確性較差等，重疊覆蓋分析誤判較多，難以準確定位和分析問題，無法達到優化預期效果。

1 基于MDT重疊覆蓋度優化思路

1.1 MDT技術原理

最小化路測（minimization of drive test，MDT）技術功能主要通過擴展現有無線資源管理（radio resource management，RRM）測量功能和跟蹤功能實現，MDT數據測量及解析流程如圖1所示。

基站根據網管配置的MDT測量任務下發相關測量配置至終端UE，終端UE在滿足測量條件時測量并上報測量信息，包含參考信號接收功率（reference signal receiving power，RSRP）、參考信號接收質量（reference signal receiving quality，RSRQ）等字段，最重要的是攜帶相關終端UE的定位信息（GPS經度、緯度）[1]，基站將收到的終端測量結果和基站自身的測量結果按數據標準要求上報至網管或MDT數據存儲處理服務器。

目前MDT支持的測量項主要包括3類，MDT支持測量項見表1。

1.2 MDT重疊覆蓋柵格定義

重疊覆蓋問題主要指在網絡拓撲空間內，彼此存在深度交疊區域，如RSRP較好但SINR較差，或者多個小區間乒乓切換造成用戶感知差問題，重疊覆蓋原因示意圖如圖2所示。

圖1 MDT數據測量及解析流程

表1 MDT支持測量項

圖2 重疊覆蓋原因示意圖

MDT柵格：采用目前主流GeoHash位置服務技術，實現柵格定位普通精度為38 m×19 m及5 m× 5 m高精度的GIS渲染。

基于上述MDT柵格進行高重疊覆蓋度柵格的計算，涉及以下指標內容：

（1）重疊覆蓋采樣點：在基站服務小區RSRP≥?110 dBm，同時鄰區與主服小區RSRP的絕對差值在6 dB范圍內的小區數量[2-3]，即：|主服小區RSRP?鄰區RSRP|≤6 dB。

（2）柵格重疊覆蓋度：柵格重疊覆蓋度≥3的采樣點/柵格總采樣點×100%。

（3）高重疊覆蓋度柵格：柵格重疊覆蓋度≥15%，該閾值可根據實際情況進行動態調整。

重疊覆蓋度柵格內小區采樣貢獻度：柵格內總共有個小區覆蓋，其中，個小區重疊覆蓋采樣點共計個，第N個小區的重疊覆蓋采樣點為n個，則第N小區重疊覆蓋采樣貢獻度=n/。

1.3 傳統高重疊覆蓋問題優化思路

傳統高重疊覆蓋問題優化主要是基于DT路測數據以及MR數據進行渲染，呈現高重疊覆蓋區域，在獲取數據便捷性、成本性、時效性、精準性上均劣于MDT數據評估分析效果。

傳統高重疊覆蓋優化流程如圖3所示，傳統高重疊覆蓋優化流程及判定分析方法均是側重尋優單例問題小區，而本文主要是對傳統高重疊覆蓋問題評估階段進行改進優化，采用較為精準的MDT數據，并依據GeoHash算法形成柵格級數據，通過目前較為成熟的NN與DBSCAN聯合非監督機器學習算法，進行高重疊覆蓋度柵格的聚類，在此問題聚類區域進一步計算TOP小區貢獻度，綜合性、全局性地調整TOP小區以實現最終尋優目的。

2 基于DBSCAN算法研究分析

2.1 研究場景及采樣策略

由于目前密集城區高重疊覆蓋度問題相對凸顯，且DBSCAN算法在樣本集的密度不均勻、聚類間距差相差很大時聚類質量較差等原因，在分析場景上選取站間距較小、MDT高重疊覆蓋數據采樣的稀疏程度相似、簇密度數據差異不明顯的密集城區進行研究。

圖3 傳統高重疊覆蓋優化流程

（1）MDT測量采樣策略

考慮全省MR以及MDT數據測量項同時開啟、數據服務器負荷因素，可以只開啟以下基本測量項。

●全省開啟IMM-MDT的M1測量（RSRP、RSRQ，由UE測量）。

●M2測量（PHR最大發射功率余量，由UE測量）。

●M3測量（RIP接收干擾功率測量，由eNB測量）。

●同時開啟LOGGED-MDT以及RLF-MDT測量項。

（2）MDT采樣周期

全省每個月集中采樣10天，取最終全量并集數據。

（3）MDT補采數據機制

通過步驟（1）和步驟（2）中數據采集策略及采集周期可能會出現因廠商MDT服務器IP地址差異、服務器傳輸模式如SFTP但省端采集側配置為FTP等問題出現數據采集不全的情況，所以需要針對上述原因補采MDT數據。

（4）MDT數據ETL策略

根據步驟（1）～步驟（3）獲取初步MDT數據，經IT支撐平臺進行預處理，可輸出MDT采樣數據，MDT采樣樣例數據見表2，按優化經驗對該數據做進一步數據分析處理。

●柵格總采樣點＞5采樣點。

●柵格重疊覆蓋度>15%。

聯合上述兩個條件輸出對應高重疊覆蓋度柵格作為研究候選對象柵格。

2.2 經典DBSCAN算法分析

選取按第2.1節中條件過濾后的高重疊覆蓋度柵格，將柵格經度、緯度通過編程工具進行GIS渲染，并使用DBSCAN密度聚類算法將多個鄰近高重疊覆蓋度柵格聚為一類。

（1）DBSCAN密度聚類尋優流程[4-5]如算法1所示。

算法1 DBSCAN密度聚類尋優流程

輸入：數據源集（高重疊覆蓋度柵格）

表2 MDT采樣樣例數據

（2）實現經典DBSCAN主要過程

高重疊覆蓋柵格簇群GIS渲染如下。

利用PlotClusterinResult(X,IDX1)函數，可得出在超參數搜索半徑、MinPts擬合模型函數，設置不同超參數的聚類效果如圖4所示。

由圖4可知，DBSCAN算法的搜索半徑、MinPts參數需要人為設定，聚類結果敏感度、準確度受其超參數影響較大，需要在高重疊覆蓋干擾簇群范圍大小與噪點包含度進行尋優平衡，如干擾簇群搜索半徑過大，其涵蓋小區過多會導致干擾簇群內小區貢獻度指標被弱化，無法凸顯最嚴重干擾小區；而干擾簇群搜索半徑過小可能會導致無法包含相近樣本，從而誤判為噪點情況，所以為降低減少人為干預，需要進行機器自適應的DBSCAN超參數調優的研究。

圖4 設置不同超參數的聚類效果

2.3 自適應KNN-DBSCAN聯合算法調優的研究思路

根據式（2）中密度閾值過大，可能會導致同簇群中內部被劃分為多個集合；如密度閾值過小，則可能引起不同簇群集合間的合并，所以選取合適的密度閾值非常重要。-均值DBSCAN算法需要人為設定初始聚類中心，不能很好地解決聚類結果隨機性問題；AF-DBSCAN算法需要選擇種子代表對象的數量，代表對象過多則無法發揮算法效率，過少則容易造成對象丟失，影響算法聚類質量。為盡可能減少人為干預，確保聚類效果，本文采用自適應參數NN-DBSCAN算法構建最小距離矩陣，并通過分析數據的NN的數學統計規律，尋優密度閾值列表中的超參數取值，本文算法主要適用于低維且簇密度差異不明顯的數據集。

（1）確定搜索半徑具體算法思路有以下3個步驟。

步驟2 采用NN算法[8]及knnsearch函數[IDX,Dist]=knnsearch(a,b)遍歷計算每個柵格位置與其他柵格位置的距離，并將最小距離值存儲至Dist中，記錄其數據行號索引值存儲至IDX中。

尋優策略執行：輸入第2.2節的數據，按照上述算法進行步驟（1）～步驟（3）調優，并使用編程工具建模仿真，搜索半徑尋優過程1和2分別如圖5、圖6所示。

由圖5可知，在第4個數據點處出現明顯數據凸起，說明在第4～5個點處出現數值階躍現象。其在圖6曲線上則反映A、B兩點的拐點處縱坐標階躍值最大，說明該B點的縱坐標為搜索半徑=0.004 49。

（2）確定MinPts值具體算法思路有以下3個步驟。

圖5 搜索半徑尋優過程1

圖6 搜索半徑尋優過程2

尋優策略執行：按上述確定MinPts值具體算法思路及步驟采用編程實現，對不同取值曲線進行圖形化渲染，MinPts參數尋優過程如圖7可知，取離散值1,2,…,15等15條曲線基本形似，呈“前緩后陡”趨勢。

圖7 MinPts參數尋優過程

圖8 自適應KNN-DBSCAN聯合算法調優聚類效果

（3）自適應NN-DBSCAN聯合算法模型的實效性評估

●噪點率=noise噪點數/對象數。

●最大簇群內TOP問題小區貢獻度占比=最大簇群中高重疊覆蓋度柵格所轄TOP5小區的采樣點/最大簇群中高重疊覆蓋度柵格所有小區采樣點。

通過表3可知，在自適應NN-DBSCAN聯合算法調優層面，當簇群C一定時，噪點率越小越好；在實際網絡優化層面，解決高重疊覆蓋小區需要以優化最少小區為代價獲得最好收效，即最大簇群內TOP問題小區貢獻度的占比越高，該簇群的問題小區收斂性越好。

實驗組別9、10的噪點率最小，同為4.83%，而最大簇群內TOP問題小區貢獻度僅為38.97%；實驗組別6、7、8最大簇群內TOP問題小區貢獻度同為59.32%，但噪點率依次為9.03%、13.24%、15.34%，均略高于實驗組別9、10。另實驗組別6與實驗組別5在同為8個簇群前提下，雖然實驗組別6比實驗組別5噪點率稍劣于2.73%，但在最大簇內TOP問題小區貢獻度占比方面實驗組別6大幅優于實驗組別5，領先幅度為20.60%。

表3 不同超參數設置下算法模型KPI驗證結果

3 結束語

對MDT高重疊覆蓋度柵格基于NN-DBSCAN的聯合算法研究，利用編程工具對DBSCAN密度閾值Density參數中搜索半徑、MinPts兩個超參數進行自適應尋優，從而解決了該算法對參數設置敏感性問題。結合實際網絡優化工作特性，高效、快速構建優化區域內高重疊覆蓋度簇群，精準識別其簇群中TOP小區，為一線生產提供有效的優化解決方案，確保移動用戶的良好感知體驗。

[1] 譚鈺山, 周文金, 何延. 基于MDT數據的重疊覆蓋優化思路及實踐[J]. 通訊世界, 2019, 26(12): 6-7.

TAN Y S, ZHOU W J, HE Y. Overlapping coverage optimization idea and practice based on MDT data[J]. Telecom World, 2019, 26(12): 6-7.

[2] 張吉, 趙夙, 朱曉榮. 基于大數據挖掘的LTE網絡重疊覆蓋優化方法[J]. 南京郵電大學學報(自然科學版), 2020, 40(6): 92-99.

ZHANG J, ZHAO S, ZHU X R. Optimization method for overlapping coverage of LTE networks based on big data mining[J]. Journal of Nanjing University of Posts and Telecommunications (Natural Science Edition), 2020, 40(6): 92-99.

[3] 谷欣杏. LTE網絡覆蓋優化及無線定位優化算法的研究[D]. 北京: 北京郵電大學, 2019.

GU X X. Research on LTE network coverage optimization and wireless positioning algorithm[D]. Beijing: Beijing University of Posts and Telecommunications, 2019.

[4] 宋金玉, 郭一平, 王斌. DBSCAN聚類算法的參數配置方法研究[J]. 計算機技術與發展, 2019, 29(5): 44-48.

SONG J Y, GUO Y P, WANG B. Research on parameter configuration method of DBSCAN clustering algorithm[J]. Computer Technology and Development, 2019, 29(5): 44-48.

[5] 趙文, 夏桂書, 茍智堅, 等. 一種改進的DBSCAN算法[J]. 四川師范大學學報(自然科學版), 2013, 36(2): 312-316.

ZHAO W, XIA G S, GOU Z J, et al. An improved DBSCAN algorithm[J]. Journal of Sichuan Normal University (Natural Science), 2013, 36(2): 312-316.

[6] 何正風. MATLAB在數學方面的應用[M]. 北京: 清華大學出版社, 2012.

HE Z F. Application of MATLAB in mathematics[M]. Beijing: Tsinghua University Press, 2012.

[7] 李文杰, 閆世強, 蔣瑩, 等. 自適應確定DBSCAN算法參數的算法研究[J]. 計算機工程與應用, 2019, 55(5): 1-7, 148.

LI W J, YAN S Q, JIANG Y, et al. Research on method of self-adaptive determination of DBSCAN algorithm parameters[J]. Computer Engineering and Applications, 2019, 55(5): 1-7, 148.

[8] 王紫薇, 徐凱, 侯益明. 基于不同距離公式的NN算法對鳶尾花的分類[J]. 無線互聯科技, 2021, 18(13): 105-106.

WANG Z W, XU K, HOU Y M. Classification of iris based onNN algorithm with different distance formulas[J]. Wireless Internet Technology, 2021, 18(13): 105-106.

[9] 周紅芳, 王鵬. DBSCAN算法中參數自適應確定方法的研究[J].西安理工大學學報, 2012, 28(3): 289-292.

ZHOU H F, WANG P. Research on adaptive parameters determination in DBSCAN algorithm[J]. Journal of Xi’an University of Technology, 2012, 28(3): 289-292.

Research on adaptive optimization ofNN-DBSCAN parameters based on MDT overlapping coverage data

LIU Lu1, CHEN Ruijie2, LI Jia2

1. Chongqing Branch of China Mobile Communications Group Design Institute Co., Ltd., Chongqing 401121, China 2. Yunnan Branch of China Mobile Communications Group Co., Ltd., Kunming 650228, China

In the traditional network optimization, the drive test (DT) work has obvious disadvantages, such as difficult to fully test roads and buildings, large test workload, low work efficiency, long cycle, affected by human factors, unable to dynamically pay attention to the network quality of each area, and the conventional measurement report (MR) data does not have positioning information, so it is impossible to accurately locate the location where the overlapping coverage problem occured. Based on minimization drive test (MDT), the precision positioning system collected the MDT data of the underlying base station and outputted the grid with high overlapping coverage according to the overlapping coverage algorithm. Then, the sensitivity of DBSCAN algorithm to parameter setting was solved through the adaptive-nearest neighbor density-based spatial clustering of applications with noise (NN-DBSCAN) joint algorithm. The problem grid was unsupervised clustered, the problem contiguous area was converged, and the grid area was mapped through the cell sampling contribution. Finally, the global top cell was accurately adjusted to optimize the high overlap coverage.

NN-DBSCAN algorithm, MDT data, overlapping coverage, cell contribution

TN929.5

A

10.11959/j.issn.1000?0801.2022010

2021?09?09；

2022?01?09

劉璐，18323064733@139.com

劉璐（1986?），男，中國移動通信集團設計院有限公司重慶分公司工程師、高級咨詢設計師，主要研究方向為無線網絡智能優化。

陳睿杰（1987?），男，中國移動通信集團云南有限公司工程師，主要研究方向為大數據分析、AI、智慧運維。

李嘉（1989?），男，現就職于中國移動通信集團云南有限公司，主要研究方向為大數據分析、AI、智慧運維等。