大数据分析在移动通信网络优化中的应用探讨

谢赣乐

(公诚管理咨询有限公司第四分公司,广东惠州 516003)

众所周知,移动通信网络数据用户群庞大、基站多,产生的数据也多,对于这些数据的获取和收集是一个相当庞大的工程,这给移动通信网络的优化工作带来了很大的难度。常规的信息处理技术在处理大量的通信数据以及客户信息的时候常常出现降低信息传输的现象。而大数据分析在处理大量通信数据时,更为快速、准确、智能化,从而大大提高通信质量和保障通信安全。下面就大数据分析在移动通信网络优化中的应用进行分析。

1 移动通信网络化化技术

移动通信网络优化是在了解网络的实际运行状况下,加强对数据的分析和采集,进而进行网络的优化。所以在移动通信网络优化中,对数据的分析和采集的关键在于对各种来源的基础数据进行分析,进而对移动通信网络故障进行定位。 采集网络数据包括五种基础来源,分别为OMC数据、移动通信用户投诉数据、道路测试数据、话务统计数据和其他数据资料等。

2 大数据分析

大数据分析技术理论基础是大量的样本数据,即来源准确、数据丰富、具有内在联系的数据。通过对这些数据进行分类、分组,进而估计数据有效性,最后进行复杂数据挖掘。下面主要对聚类分析的后台数据优化模型进行阐述。

3 基于聚类分析的后台数据优化技术模型

3.1 聚类分析

聚类分析主要是对数据进行复杂性的类别定义,通过聚集相类别来量化大量基础数据,在同类属性的数据中提取有效信息,对这些信息进行分类,每类赋予一个权重,根据重要性分别加权平均,得出指标评估体系,这种对数据进行分类,然后估计数据有效性,得出的网络KPI评估,最后预测未来的相关数据是大数据分析技术的常用手段,预测结果才更合理有效。现结合某市移动通信网络优化中,通过建立一套KPI监控分析模型,用于日常KPI指标的优化。经过长期验证,其有效性程度很高。

3.2 后台数据采集

在大数据的分析中,最重要和基础的工作是对数据的有效采集,在某市的移动通信网络优化中,我们采集了10种基础配置数据与16种能反映移动通信网络真实情况的KPI数据,对这些数据进行分析并加以权重。

3.3 后台数据分类

根据所提出的数据属性进行分类,主要分为四大类:业务类、质量类、容量类、感知类。业务类是指移动通信用户所使用的业务类型,有话务量、数据流量等数据。质量类是指有干扰化例、上行质量、下行质量、重传率等数据,详见表1。

3.4 建立分析模型

现通过对以上分类的4种数据进行加权,并对数据进行平均,进而得到科学的后台数据评估体系。在某地市移动通信网络长期数据统计中,获取了一组较为合理的指标评估体系数据,并依此建立了聚类分析模型。这个模型共包含以下6类数据:网络覆盖类、网络保持性、网络接入性、通话质量类、资源类及考察类。

表1 后台数据分类

3.5 后台数据优化

数据的自动优化,是指根据移动通信网络的后台数据的大数据处理分析,对出现的问题定位分析,给出科学的解决建议,为移动通信网络优化人员提供帮助,降低了人员工作量,节省劳动资源。比如在某市区的移动通信网络优化工作中的休眠小区的监控与处理。因为移动通信网络规模较大、小区多、使用用户也多、网络出现问题较为频繁,用人工很难进行对问题进行排查。通过对大数据的分析,能够有效地筛选休眠条件的问题小区,及时解决小区问题,达到智能化分析的目的,大大节省了人员的工作时间。

4 结语

由本文的分析可知, 大数据分析技术应用于移动通信网络的优化中的作用极为重要,加强对数据的采集以及分析是进行网络优化的重要前提。通过以上建立聚类分析对某市移动网络的优化起到很好的效果,有助于帮助通信公司优化数据,提高效率。但在发展与突破的同时,仍然存在一系列问题,还需要加大对大数据技术的研究力度,整合更精准的数据,获得持续发展的机会。

[1]党永亮.大数据分析在移动通信网络优化中的应用研究[D].华中师范大学,2015.

[2]甄仲强.大数据分析在移动通信网络优化中的应用[J].工程建设与设计,2017(01):173-174+177.

[3]刘洁,王哲.基于大数据的电信运营商业务精确运营平台的构建化[J].电信科学,2015,29(3):22-26.

[4]刘震,付俊辉,赵楠.基于移动通信数据的用户移动轨迹预测方法[J].计算机应用与软件,2015,30(2):10-13.