大数据分析在移动通信网络优化中的应用

孙梓博，刘 贺

（1.中通国脉通信股份有限公司，长春 130000：2.吉林省松原市前郭尔罗斯蒙古族中学，松原 138000）

1 研究背景

移动通信网络的整个发展过程经历了规划、建站、测试及优化等诸多环节，而网络优化工作恰恰是最后阶段，但却与早期的规划工作密切相关，对移动网络建设发挥着重要的衔接作用。移动网络优化不仅仅是和众多用户交互信息的主要环节，而且还是移动运营商及时了解网络运行状况和掌握用户需求及信息的重要途径。近年来，随着网络建设规模的不断扩大，移动网络功能和业务内容得到了极大的丰富，但运营商和用户间的矛盾也在不断凸显，特别是网络飞速发展过程中可能忽略的区域或者是可能忽略的服务质量问题。因为网络数据业务的不断增多，网络实时的数据量正在以指数级的增速快速增长，这在很大程度上就对移动通信网络优化工作者造成了巨大的压力，传统方式的网络优化工作方法已经不利于网络的发展和用户认同感的提升。因此，根据我国这一领域的发展现状，从大数据分析的方向出发对移动网络优化进行有效的定量及定性分析，利用大数据采集、存储、分析和处理技术，提高网络优化效率，合理利用资源，为移动网络运营商业务的发展给予预测性的建议，从而提高运营商服务水平，获取广大用户感知。

2 大数据分析技术

伴随着计算机技术的快速发展，我们在利用计算机处理传统的数据统计及分析时，能够在较短的时间内完成相同的工作，并且具有更高的准确率。先进的数据挖掘技术主要是通过利用计算机强大的运算处理能力，加以智能化的软件技术，完成以往专家完成的工作。我通过封装，将一些复杂和运算要求高的技术平民化，从而保证大数据统计工作人员能够在不断深入学习的情况下实现专家的工作水平，满足自身的工作需要。

2.1 数据库分析技术

大量数据的存储与集合统称为数据库，其为移动通信网络优化工作供应了诸多有利的数据信息。我们通过定义数据的存储采样周期、存储机制和关联规则等，方便网络优化人员从数据库中提取有价值的数据，从而对该地区的网络数据进行相应的问题分析，同时制定完整而又有效的网络优化方案，全面提升网络服务质量。当前，我国这一领域普遍存在数据量大、信息少的问题。目前所有的移动通信基站网络设备都实现了数据库的存储和互联，但仅能够实现录入、查询和统计数据等简单的功能，无法及时发现数据中各类有实际价值的信息。例如，通过对数据进行分析，发现数据的特征和模式，然后在进行深入研究可以发现某些基站或特定区域内用户群体业务模式的特点，如果某种业务类型使用量特别大，就可以预测该区域或用户群体的业务发展趋势。更深入挖掘，我们还可以发现用户对某些网站的访问频次高，或者使用某些移动应用的时间长，通过提炼这些有用信息，运营商就可以根据特定群体推出定向流量业务及流量包服务。移动运营商还可以通过和特定网站、手机应用合作的方式，提高服务价值和工作效率。

2.2 决策支持技术

大量有一定价值的基础数据利用数据库建立收集以供存取，然而其他各类不相关数据的归纳及筛选完全可运用先进的计算机技术来完成。但对移动通信优化工作而言，仍需在决策方面提供一定支持。一个给定区域的移动通信网络，用户成千上万，数据量巨大，通常采用决策树的方法来处理和应对大量的数据分析。通常情况下，决策树这种特殊算法用来对数据模型进行预测，主要是有目标地把基础数据进行逐一分类，然后找到各类有一定价值的深层信息。最大优点就是能够快速分类，并通过简单的语言就可以描述，非常适用于大规模数据的分析与处理。

3 大数据的投诉关联分析

随着移动互联网技术的普及和发展，在移动通信网络运行过程中，网络投诉业务在很大程度上已经成为了运营商考核的关键指标。以往传统的优化手段，如：DT、CQT等测试方法虽然可以发现网络覆盖的盲区，信号服务质量的好坏，但问题分析都只能是滞后性的行为，都是在接到投诉后，优化人员去现场测试才能发现网络中问题，然后去分析解决问题点。然而伴随着网络规模的持续扩大，用户的持续增多，网络投诉量也在呈几何级速率快速增长。这对于移动通信优化人员，无论是从优化工作的难度和工作量来说都是一个很大的问题，而且对于覆盖较大的区域，测试工作的成本也是一个应着重考虑的关键因素。针对这种现状，就迫切的需要移动通信运营商和网络优化人员转变思想，可以通过分析网络基础数据从而一定程度的预测分析，比较全面的分析预测网络问题，既节省了大量的劳动力，又可以节约成本节能减排。所以说运用大数据分析处理技术解决网络投诉问题，对推进移动网络发展，提高运营商服务质量，提高用户对业务感知度有着重要意义。

3.1 投诉分析和问题定位

目前优化人员针对移动通信网络投诉，需要通过后台数据分析定位、现场进行测试（DT/CQT）、确认并收集数据进一步分析找到原因、调整处理、复测来解决。现阶段投诉内容大体上可划分为三个方面：网络原因的投诉、非网络原因的投诉以及其他原因的投诉等等。其中占据较大比例的主要是来自非网络原因的投诉，而真正网络质量、信号覆盖的原因导致的投诉，相比较只是其中一小部分。设想一下若用户每次投诉，都要派出专业的网络优化人员上门进行测试并且分析处理后复测的话，不但会加大相关工作人员的工作量，而且还使处理投诉的整体效率有所降低，严重影响了广大用户对网络投诉处理响应的感知度，浪费人力、时间、增加优化成本。如果我们可以利用大数据对后台数据进行整理、汇总、筛选、分析以及定位，关联分析用户投诉的具体内容与业务类型，就能够及时分类、分析及定位投诉问题，进而全面提升处理用户投诉的工作效率。

3.2 大数据的关联网络投诉优化方案

所谓关联实际上就是利用大数据所具有的数据采集功能，对用户投诉的具体内容、后台主要数据、用户业务类型及地理位置等进行全面的分析及问题定位，挖掘数据的潜在价值，从而形成一套完善的关联体系，划分相应区间，同时对特定时间内的投诉实行聚类分析，从而实现批量制定优化方案。

针对大数据关联网络投诉优化工作，可以运用如下几种方法：

（1）建立完整而又有效的评估体系，将网络覆盖、网络接入性、通话质量、网络保持性、资源以及用户满意程度作为中心点进行全面的评估，并给出相应的分数。（网络覆盖包括：上行覆盖率、下行覆盖率；网络接入性包括：SDCCH拥塞率、TCH拥塞率；通话质量包括：半速率占比、上行质差话务比例与下行质差话务比例；网络保持性包括：TCH掉话率、干扰带比例；资源包括：SDCCH分配成功率、TCH分配成功率）。

（2）针对各评估项，建立与之相对应的KPI指标体系。对得分低的KPI指标重点关注，划分区域、划分时段。

（3）对各个地区进行有效的网格化管理，划分为多个网格，在网格和小区之间建立起对应关系，利用区域内的小区指标对区域指标进行计算。

（4）运用网络投诉数据对最终评估结果进行全面的评估，同时对其有效性和合理性进行相应的验证。

（5）通过投诉数据与评估结果的双向验证，从而解决目前优化网络中，事中定位难、事后分析难、事前预判难的三大问题。并将大数据关联的网络投诉处理方法普及起来。

3.3 网络投诉问题定位

要想全面做到网络投诉问题自动定位，就要涉及到大数据采集处理、聚类分析以及数据挖掘等多项技术。我们所采集的各类数据本身并不具有互联的特性，而是我们通过有效的关联分析，数据建模整合在一起所得出的聚类分析结果。再加上数据挖掘技术从聚类关联数据中匹配获取相关的问题定位数据，这样就可以做到：（1）事前预判：对网络中已发生网络类投诉的用户进行相应的建模，并分析推导出用户投诉的主要指标，对以后极有可能发生的各类用户投诉行为进行有效的预判，进而在发生用户投诉之前进行事前快速判断定位。（2）事中定位：当用户发生网络类投诉之后，网络优化人员利用各类信息，依托于大数据平台，对全网用户特定时间内的相关信息进行整理汇总、筛选，迅速分析定位问题。（3）事后分析：通过大数据平台对信息的整理汇总，可以对投诉高发的时段、地区、人群等进行场景化分析，直观对比投诉发生时的指标情况及网络优化效果。从而实现网络投诉问题的自动定位。

其实网络投诉问题自动定位就是在大数据关联的网络投诉分析中，给定一些常见的投诉类型，比如网络覆盖率、接入成功率、掉话率、EC/IO、RSSI等问题分类。然后通过关键字搜索，寻找相似项，将网络投诉数据进行分类、筛选、统计、平均，最后通过计算能力打出一份评估得分表。这样我们就得到一份相对完善的网络投诉评估报告，通过评估报告，可以对网络投诉进行分类处理，既可以减少网络优化人员的工作量，有能提升网络投诉处理效率。

4 结束语

本文以网络投诉优化数据为例，对大数据的分析技术在移动通信网络优化中的应用进行了分析，可以看出通过运用大数据分析进行移动网络投诉的处理，可以简化网络优化工作程序，提高网络优化人员的工作效率，降低优化成本。旨在推进我国移动通信网络优化技术的发展，提高运营商服务质量。因此基于大数据分析方法的移动通信网络优化技术至关重要。