基于MR大数据的LTE网络结构评估方法

李昶,华志超,刘猛（中国移动通信集团河北有限公司，石家庄 050021）

基于MR大数据的LTE网络结构评估方法

李昶,华志超,刘猛
（中国移动通信集团河北有限公司，石家庄 050021）

摘 要本文提出一种基于MR大数据的网络质量分析方法，首先从网络结构的角度出发，评估现网网络质量情况，然后发现网络问题短板，定位网络质差的根本原因，最后输出针对性的网络优化调整方案，从而改善网络结构，提升客户感知。

关键词TD-LTE；MR；网络结构；弱覆盖；重叠覆盖

随着4G网络规模的不断扩大，用户量的迅速增长，网络问题逐步显现。基于传统的DT（Drive Test，路测）和CQT（Call Quality Test，通话质量测试，即定点测试）等测试手段，主要对有限的道路和点进行测试，覆盖面小，需要专用测试设备，耗费大量人力物力，测试成本高；基于仿真等手段，对无线工参和三维地图要求较高，且存在较大的误差；而目前4G投诉比例整体较低，样本较少，且用户反映的是单点的问题，不利于系统性的问题定位；传统的网管性能统计指标缺少无线环境覆盖指标及用户级采样点级指标，与用户真实体验存在差距较大，不能全面反映客户感知[1～2]。基于此，本文提出了基于MR（Measurement Report，测量报告）的大数据分析方法，并辅以MR定位技术，能够发现并精确定位网络中存在的问题，为网络优化及站点规划等提供参考依据。

1　MR概述

MR是TD-LTE系统的一项重要功能，具体是将终端上报的测量数据，经过eNode B传到OMC-R，在经过itf-N接口存储到管理单元MNS。LTE的测量报告数据由UE终端和eNode B的物理层、RLC层在无线资源管理过程中计算产生。测量数据分为统计数据MRS和样本数据MRO，测量报告触发方式可以是事件触发或周期性触发。MRO数据为海量明细数据，经过数据分发、整合与处理，汇总为报表数据，用于开发上层应用，MR测量报告的处理流程如图1所示。

2　基于MR的网络性能分析

TD-LTE网络的覆盖和网络质量两者息息相关，只有良好的网络覆盖才能有好的网络质量，网络质量能间接的反映出网络覆盖情况。基于MR测量报告大数据能够更为准确的反映网络的覆盖情况和无线环境问题，促进网络关键问题点优化。基于MR大数据的网络评估包括网络覆盖评估和网络质量评估。网络覆盖评估包括弱覆盖、重叠覆盖、过覆盖等，网络质量评估包括上行信

噪比评估和下行RSRQ（Reference Signal Receiving Quality，参考信号接收质量）分析等[3～5]。

图1　MR测量报告的处理流程

2.1基于网络覆盖评估

网络覆盖类的关键指标可以用弱覆盖、过覆盖和重叠覆盖进行描述，下面针对各个指标进行具体分析。

2.1.1 下行弱覆盖

下行弱覆盖可用于评估LTE小区的覆盖情况，用于检查小区覆盖盲点和弱覆盖区域，根据不同场强区间分布比例可判断该小区的大致覆盖范围。弱覆盖采样点比例定义为：某个小区弱覆盖采样点在全部采样点中的比例，弱覆盖点是指在采用周期性测量情况下，MR报告中下行覆盖电平小于-110 dBm的采样点；弱覆盖采样点比例定义为：弱覆盖采样点数（＜-110 dBm）/总采样数×100%。根据下行弱覆盖定义，筛选出弱覆盖采样点占比大于20%的小区为严重弱覆盖小区。

2.1.2 重叠覆盖度

因为LTE采用同频组网，重叠覆盖是影响下载速率的一个重要原因。重叠覆盖度反映了该区域有多少个强信号小区进行了重复的覆盖，反映小区信号叠加的程度，实验表明，每增加一个重叠覆盖小区，下载速率下降30%。根据小区上报的样本点，统计样本点中测量到的邻区的电平和主小区电平差不小于-6 dB，且主邻小区的电平都大于-110 dBm，且满足以上条件的邻区数目不小于3（门限可以配置）的样本点的比例。根据重叠覆盖度定义，筛选出重叠覆盖度占比超过5%的小区为重叠度覆盖小区。

（1）过覆盖

根据LTE服务小区的主载波RSRP的接收信号功率及LTE已定义邻区关系和未定义邻区关系小区的主载波RSRP的接收信号功率计算小区过覆盖指数，该指数用于反映本小区会对多少个邻区造成影响。在采用周期性测量情况下，主小区s的某一个邻区在服务小区s的测量报告中出现且接收信号码功率强度差，不小于-6 dB（邻小区-服务小区，门限为可调参数）且主邻小区距离小于门限值，主邻小区的电平都大于-110 dBm的样本点数之和与服务小区的样本点总数的比值。邻小区n与主小区s满足小区相关性条件的采样点占比超过3%（门限为可调参数），则记主小区s影响邻小区n。根据过覆盖定义，筛选出影响小区数大于12的小区为过覆盖小区。

（2）基于TA+AoA的定位方案

MR测量报告中包含有采样点的TA（Timing Advance，时间提前量）和AoA（Arrival of Angle，到达角度）信息，通过利用TA得到与基站的距离，AoA估算方向，主要原理是以基站站址为圆心、TA估算半径、AoA估算方向，进而定位到终端所处的位置[6]。基于TA+AoA的定位方法如图2所示，具体的实施步骤如下。

步骤 1： 基站测量对应终端的上行传输来确定每个终端的TA调整值t，从而确定终端到基站的距离R=ct/2。

步骤2： 基站接收端通过天线阵列测出接收信号的入射角度，从而确定终端相对于参考方向（通常为正北方向）与基站的位置关系。

图2　基于TA+AoA的定位方法示意图

2.2基于网络质量评估

2.2.1 下行高分组丢失率

下行高分组丢失率评估是通过下行分组丢失率指标加权计算小区下行质量情况，分析业务质量，衡量用户感受。定义下行分组丢失率大于10%的采样点数占比大于10%的小区，为下行高分组丢失率小区。

2.2.2 上行高分组丢失率

上行分组丢失率评估是通过下行分组丢失率指标加权计算小区下行质量情况，分析业务质量，衡量用户感受。定义上行分组丢失率大于10%的采样点数占比大于10%的小区，定义为上行高分组丢失率小区。

（1）eNode B接收信号干扰功率

统计周期内满足取值范围的按照分区间统计eNode B接收信号干扰功率的样本个数及采样点占比，该数据可间接用于评估业务质量，评估上行干扰情况。通过eNode B接收信号干扰功率得到eNode B接收信号干扰功率异常小区，计算小区RIP不小于-105 dBm的采样点数比覆盖范围内总采样点数，若此比例值大于5%，则认为该小区是eNode B接收信号干扰功率异常小区。

（2）上行信噪比

上行信噪比指统计周期内满足取值范围的按照分区间统计上行信噪比的样本个数及采样点占比，该数据可间接用于评估业务质量，用于定位上行质差小区或区域。定义小区所有用户上行信噪比。具体计算方法：根据一个物理资源块（PRB）带宽上的PUSCH信号功率S和干扰功率I，计算每用户信噪比。如果一个用户使用了X个PRB，则此用户的信噪比为。

（3）下行参考信号接收质量RSRQ

下行参考信号用于评估下行质量，可定位到下行质差小区或区域，定义为比值N×RSRP/RSSI，其中N表示RSSI 测量带宽中的资源块RB的数量。E-UTRA载波接收信号场强指示RSSI由UE从所有资源块源上观察到的总接收功率的线性平均，包括公共信道服务和非服务小区、相邻信道干扰、热噪声等。通过MR数据中的下行RSRQ指标可评估网络下行质量情况，根据定义RSRQ小于-14dB的占比大于5%即为质差小区。

3　基于MR的多维度关联分析

随着网络规模的扩大及用户的发展，用户感知已成为网络竞争的重要因素，而上行信噪比和下行参考信号接收质量是用户感知的主要体现。影响上行信噪比和下行参考信号接收质量的因素很多，包括网络结构类和非网络结构类，如图3所示。网络质量与网络结构关联分析就是通过质差小区与结构类和非结构类因素的关联分析，进一步挖掘引起质差的根本原因。

目前结构类原因引起的质差归为四类，分别是过覆盖、弱覆盖、重叠覆盖和网络干扰。对由于弱覆盖、过覆盖、重叠覆盖及干扰等引起的质差小区，开展有针对性的结构优化。对于非结构类原因，通过后台收集外部干扰小区、故障告警小区列表，排查引起的质差的原因，外部干扰小区指扫频测试发现存在干扰源干扰的小区，例如监狱、特殊会议场所、军事管辖区、其他系统干扰等；故障告警小区指存在有影响质量的故障告警，例如驻波比告警、传输类告警、器件告警等。基于MR大数据的分析方法和流程如图4所示。

步骤1：通过对基站采集的MRO海量明细数据进

行汇总、加工和处理，筛选出影响网络结构的关键指标和质差小区列表。

步骤2：根据质差小区列表，筛选出宏站小区上行信噪比占比或下行参考信号接收质量（RSRQ）超过门限的小区，得到质差小区列表（每小区按照MR＞100采样点进行过滤）。

步骤3：检查所有的质差小区中是否存在故障告警和外部干扰，排除非结构类原因。

步骤4：对结构类问题进行深度关联分析，分别从弱覆盖、重叠覆盖、过覆盖等维度找到影响用户感知的主要原因，并进行分类。

步骤5：分析内部干扰原因导致的质差，在弱覆盖、重叠覆盖和过覆盖指数均小于门限的质差小区中，如果上行干扰门限和PRB平均电平大于等于门限，则为内部干扰导致的质差小区。

步骤6：分析其他原因导致的质差小区，包括参数设置和网络负荷等原因。

步骤7：对各类质差原因进行统计分析，梳理各类问题小区列表，进一步指导网络建设和优化。

图3　影响用户感知的因素

4　应用效果分析

某城市主城区中网络质量问题小区共计289个，应用基于MR大数据的多维度关联分析方法，对其问题产生原因进行分析，发现弱覆盖对网络质量影响最大（占比42.21%）、其次为重叠覆盖（占比29.41%）、过覆盖（12.11%）、参数设置（占比5.19%）、故障（占比3.82%）、PCI干扰（占比2.77%）。针对289个问题小区开展网络质量专项工作，通过网络建设和优化等手段提升网络质量，优化后问题小区数量减少为167个，LTE覆盖率由97.95%提升为98.61%，应用层下载速率由38.85Mbit/s提升为40.91Mbit/s，应用层上传速率由5.23Mbit/s提升为5.67Mbit/s，网络质量改善明显，如表1所示。

表1　应用效果对比表

图5　MR大数据分析案例

具体案例分析：利用基于TA+AoA的MR定位技术，找到存在问题的关键点进行现场测试。通过MR大数据分析发现北宋路与煤机街交叉口附近区域重叠覆盖严重，周围小区重叠覆盖度均在5%以上。针对以上区域进行扫频测试分析，可以看出路段民航大酒店_2与嘉泰商务_1、嘉泰商务_2等重叠覆盖，持续150 m，重叠覆盖小区数在4个以上，重叠覆盖度在15%以上，与MR数据分析相吻合，如图5所示。最后，通过对天馈参数优化调整，问题消除。

5　结束语

综上所述，本文利用基于MR的大数据分析方法，进行网络结构问题分析和定位，具有实现简单和定位准确等优点，并能节省大量的人力和物力，达到事半功倍的效果。通过网络质量与结构关联分析，形成以用户感知为导向的分析优化方法，进而评估网络存在的主要短板问题，精确定位网络质差的根本原因，并输出针对性的优化调整方案，从而达到改善网络结构，提升用户感知的目的。

参考文献

[1] 胡亚希，梁双春，方媛. 基于LTE测量报告数据的小区覆盖分析[J]. 电信工程技术与标准化， 2013，1(1)： 33-37.

[2] 张炎炎，孟繁丽，张新程， 等. TD-LTE网络结构评估方法研究及预规划分析[J]. 电信工程技术与标准化， 2014，1(1)：10-15.

[3] 姚柒零，岳军，隋延峰， 等. 基于MR数据的LTE网络结构评估方法[J]. 移动通信， 2013，21(11)：27-31.

[4] 何珂，全涛，赵晋， 等. 基于MR数据的LTE网络射频精细优化的方法研究[J]. 移动通信， 2013，12(6)：15-19.

[5] 朱兴东. 浅析MR在TD_LTE规划及优化中的应用[J]. 通讯世界， 2015，1(1)： 27-29.

[6] 秦嗣仲. TD-LTE网络基于AoA+TA功能的接入控制应用[J]. 电信工程技术与标准化， 2015， 1(2)： 20-24.

LTE network structure evaluation method based on MR bigdata

LI Chang, HUA Zhi-chao, LIU Meng
(China Mobile Group Hebei Co., Ltd., Shijiazhuang 050021, China)

AbstractThis paper proposes a network quality analysis method based on measurement report large data, from the perspective of the network structure, an accurate assessment of the current network situation network quality fi rst, and then the weaknesses of network problems was found to pinpoint the root causes of poor network quality, the final output targeted network optimization adjustment programs to improve the network structure, improve customer perception.

KeywordsTD-LTE； MR； network structure； weak coverage； overlapping coverage

收稿日期：2015-08-10

中图分类号TN929.5

文献标识码A

文章编号1008-5599（2015）11-0017-05