高速铁路移动无线网络全方位智能分析

施巍巍 谷俊江 赵波

1.中国联通江苏省分公司；2.南京邮电大学

0 引言

当前全国高铁网络优化工作已基本实现了问题点的集中管理和管控，高铁网络质量逐步提升。但是高铁网络质量提升也逐渐呈现出了一定的技术瓶颈，主要体现在：（1）无法实现快速精细化分析，对高铁网络的分析仍停留在传统大网的分析方式上；（2）无法直观快速评价网络性能，对网络问题点、网络质量管控手段方面目前还以表格、数据等存储为主；（3）用户问题分析过程复杂度高，对VIP用户跟踪目前还主要停留在用户投诉后才去分析的被动阶段，无法事先主动发现和反馈用户投诉；（4）无法评价车厢内用户的真实感知，对高铁车厢内高铁用户的网络感知评价分析，还主要依据对覆盖高铁小区的网络性能分析，以网络质量代表用户感知；（5）高铁网络分析还停留“碎片化”阶段，每个省只能分析本省路段网络情况，不能实现跨省全线路分析能力，高铁整条线路网络质量分析“碎片化”。

本文根据高铁网络特征，从用户感知最敏感的高铁车站（点）和高铁线路（线）两个方面开展分析和研究，总结出一套高适合高铁网络全方位网络智能分析与优化方法：1.实现车站站台地理信息绘制和栅格化呈现；2.实现高铁跨省（上海段）分析与呈现能力；3.实现“车站和站台”网络性能地理化呈现；4.引入“影响集中度”模型探索站台扩容标准；5.实现“高铁线路”形态的场景化分析与呈现；6.实现用户随高铁运动情况的场景化分析与呈现；7.探索开展高铁用户上网问题智能分析；8.实现针对高铁用户感知场景化分析与评价。

1 高铁车站和线路网络全方位智能分析思路

根据高铁网络特征和传统优化高铁网络方法存在的问题，从用户感知最敏感的高铁车站（点）和高铁线路（路）两个方面开展研究，探索高铁全方位智能分析的新模式。图1为高铁网络全方位智能分析思路流程图，分别以车站为点、以线路为线，从“点、线”两个维度进行分析。

1.1 高铁车站和站台场景化智能分析与呈现

（1）利用Python开源工具结合访问网站运行特征，获取高铁车站整体的地理边框信息、站台中心经纬度信息和所有列车运行信息。现有的网络地图平台不提供站台的地理边框数据，要根据站台的中心经纬度，运用地球球面的区域经纬度算法获取站台的边框经纬度信息。采用JavaScript实现高铁车站和所有站台场景绘制工作。

（2）利用python的自动FTP功能自动对接网管，获取高铁车站网络承载能力、网络性能、覆盖能力数据和网络稳定性能数据，于在线地图上精准呈现高铁车站和所有站台的网络运行状态。

（3）根据获取的高铁车站列车信息，运用python的大数据分析能力分析全天分钟级“列车聚合度”，根据对列车聚合度分析，并在列车主要运行时段（6:00-22:00），对网络分钟级指标跟踪分析，实现“列车集中度”和“用户感知集中度”联合分析，探索制定高铁车站扩容模型标准。

1.2 高铁线路场景化智能分析与呈现

高铁线路网络形态主要从网络运行稳定性，网络运行资源可视化，网络运行性能可视化和全线路覆盖情况四个方面进行分析与呈现。利用python爬虫手段采集高铁小区的告警、覆盖数据、基站可用资源和用户感知数据，运用大数据分析呈现方式，实现高铁线路所有网络故障点及各类KPI、KQI及路测指标场景化呈现，可以更直观、快速综合评价高铁整条线路的用户感知和网络质量。

1.3 单用户运动轨迹图分析与呈现

通过python爬虫手段采集多个数据平台单用户的驻留小区的信息，运用开源软件工具实时跟踪分析用户业务（语音、Volte、数据）在铁路沿线小区的占用变化过程，对突发的网络问题快速形成有效的分析结果。

1.4 车厢内用户分离分析与呈现

根据高铁用户驻留基站小区信息和时间制定出高低速用户分离算法，基于算法分离出高铁车厢内用户，以这些用户的实际感知分析网络中存在的问题，并根据这部分用户分析评估全线网络质量。

1.5 高铁用户上网问题智能化分析

当前高铁用户反映的问题80%以上发生在车站候车室和站台，本次以南京南站站台问题为例，建立问题分析流程和模型，可实现自动化分析该类问题点。

分析流程：

（1）获取到用户使用号码及问题发生时间，并从相关系统上通过互联网化的方式获取用户占用小区和网络资源；

（2）通过开源工具自动获取相应网络KPI和KQI信息，并建立数据库；

（3）用户占用网络资源的主要KPI和覆盖数据进行关联分析；

（4）通过车站投诉智能分析工具，评价和分析影响用户感知的关键因素和原因。

2 高铁场景车站和线路全方位分析研究过程

2.1 高铁车站网络形态分析与呈现

2.1.1 高铁车站物理形态地理化呈现

（1）采用互联手段获取高铁车站地理信息

编写python代码模拟浏览器爬取高铁车站边框的经纬度信息，然后对响应的数据提炼，最终获取车站的电子边框信息并写入Excel文件中。

（2）南京南站整体和各个站台地图生成

采用百度地图开放平台上添加线和面的JavaScript源代码编辑接口方式。用获取的南京南站边框经纬度，使用百度地图提供的JavaScript代码接口，在网页地图上添加整体车站边框图层。另外地图平台不提供站台边框的经纬度数据，只能获取到单个站台的一个中心经纬度，课题组通过中心经纬度数据，采用对地球北半球球面维度区域经纬度算法，计算出站台四角的经纬度数据，从而成功实现南京南站所有站台边框生成和呈现。

2.1.2 高铁车站网络“多维度性能”分析与呈现

（1）网络性能指标的自动提取

为了更加快速高效分析和呈现南京南站网络性能，可通过Python代码编程实现自动化从OMC网管采集和FTP下载网络配置和网络性能数据。下面以南京南站为例进行说明。

（2）南京南站网络地理化呈现

提取南京南站边框数据和指标数据后，在地图上南京南站的每个站台区域被分为以下4个维度进行指标呈现，根据指标范围来显示不同的颜色，可以更加形象地了解当前南京南站的总体网络情况。

①影响用户感知的网络故障实时呈现：

可快速实时发现和跟踪所有车站网络故障告警情况，及时预警和推动分公司快速解决。图2为南京南站告警信息的地理化呈现图，可以区分覆盖不同站台的RRU告警。

②用户实时感知分析与呈现（平均单用户速率Mbps，平均上网RTT时延）：

实现用户感知最敏感的平均上网速率、平均上网时延等关键性能快速实时呈现，动态掌握车站网络性能变化情况。图3为南京南站下载速率和RTT时延区间图，可以区分不同站台的指标。

图3 南京南站下载速率和RTT时延区间图

③网络负荷分析与呈现（PRB利用率，用户数）：

常州的竹炉山房位居41处被写仿的江南景观榜首，西苑北海北岸、香山静宜园、玉泉山静明园、盘山静寄山庄、清漪园、避暑山庄和紫禁城建福宫等7座皇家园林对其进行了仿建。清漪园的清可轩、玉泉山静明园的竹炉山房、香山静宜园的竹炉精舍和避暑山庄千尺雪的茶舍均建于乾隆十六年，盘山静寄山庄千尺雪的茶舍建于乾隆十七年春，或于室内置有竹茶炉，或名称源自竹炉山房。乾隆二十二年，乾隆帝在《汲惠泉烹竹炉歌叠旧作韵》诗中还写道，“玉泉山房颇仿效，以彼近恒此远灌。”⑯

通过典型的网络负荷指标“小区下行PRB利用率”、“单小区用户数”，及时掌握车站网络负荷情况。图4为南京南站PRB利用率和用户数区间图，可以区分不同站台指标。

图4 南京南站PRB利用率和用户数区间图

④网络覆盖的呈现（10米x 10米栅格化RSRP和SINR）：

根据高铁车站局部范围内用户密度大、用户话务集中度高的特性，首次引入10米x 10米MR覆盖栅格分析，通过RSRP精细化分析站台覆盖问题，通过SINR精细化分析站台网络质量。图5为南京南站RSRP和SINR区间图，可以区分不同栅格指标。

图5 南京南站RSRP和SINR区间图

2.1.3 引入“影响集中度”模型，探索站台扩容标准

（1）车站、车次信息的获取

（2）停靠列车车次集中度和网络指标关联分析

通过对南京南站每分钟的列车停靠数量进行聚合计算，将其一天每分钟列车聚合度与网络主要指标小区用户数和PRB利用率进行关联分析，分析发现车数与小区PRB利用率呈正向分布。

（3）高铁车站网络扩容模型分析

引入用户“感知影响集中度”分析思维，以全天影响用户使用感知程度作为扩容的重要判决因素。进行1min粒度流量抑制分析，对比15min粒度，站台流量抑制发生的更早，更能模拟站台用户突增情况。通过分析得出，随着小区吞吐率的增加，下行单用户速率明显下降，即用户需求受到抑制。

通过列车聚合度分析发现列车运行时间主要集中在6:00-22:00，以分钟级指标跟踪得出如下扩容标准，以全天影响集中度30%为判断依据，即一天用户感知受影响能容忍的程度不能超过30%（“影响集中度”表示站台高负荷可容忍程度，可根据实际情况调整）。表1为根据“感知影响集中度”分析得到的高铁小区扩容标准模型。

表1 高铁小区扩容标准

2.2 高铁线路网络形态分析与呈现

2.2.1 线路网络稳定性形态呈现

通过Python自动化实现手段，实时从网管获取高铁车站点活动告警信息并进行告警信息解析，经过与工参信息匹配后得出告警网元归属地市、高铁线路以及经纬度等信息，利用JavaScript接口实现告警地图展示。

2.2.2 线路网络多维KPI质量呈现

通过将高铁线路小区的KPI指标（PRB利用率、小区单用户平均速率、小区最大用户数等数据）进行地理化呈现，能快速评价全线路各路段网络负荷情况、用户速率情况等。

2.2.3 线路网络多维KQI指标可视化呈现

通过将高铁线路小区的KQI指标（用户大页面感知速率、RTT时延等）进行地理化呈现，能快速评价全线路各路段用户实际体验情况。

2.3 实现高铁（某省）跨省网络形态的场景化分析

高铁网络具有网络场景归属清晰、用户对场景判断明确的特征，全线路网络质量有保障才能整体提升用户感知。本研究打破传统省份只分析本省路段高铁网络、整条高铁分段分析零散破碎的现状，实现具备整条线路网络质量分析能力，为实现京沪以及其他高铁线路全线跨省分析工作进行探索。

跨省数据采集与分析：

（1）获取某省段数据，在江苏进行关联分析

通过分析某省提供的沪宁高铁用户+位置+应用业务数据，与江苏现网高铁用户业务预统表关联，通过用户号码聚类关联合成沪宁高铁用户全线的业务轨迹数据。

（2）后续计划采用自动化采集某省数据方式

后续相关省可以通过FTP向中间接口机分发数据文件，江苏本地集群通过数据解析程序实时读取文件，并入到集群数据库，再通过用户号码关联实现沪宁全线路分析。

2.4 高铁单用户快速分析

通过从核心网接口获取用户占用小区信息（LAI/ECI），利用综合分析方式匹配高铁工参数据，实时分析跟踪用户业务产生的相关小区，从而实现对高铁单用户（或VIP用户）的跟踪分析，在第一步实现高铁网络形态场景化呈现的基础上，关注业务（语音、Volte、数据）用户在铁路沿线小区上的占用变化过程，主要关注用户随基站小区的移动而不是用户本身的经纬度变化，根据高铁内手机依次占用不同高铁小区，在高铁线路图上快速跟踪分析用户使用情况。

2.5 真正的高铁用户（车厢内用户）使用感知分析与网络评价

2.5.1 高低速分离算法研究

首先通过四个数据源获取用户占用小区基本信息（基于MR+信令+话单数据的高铁用户用户识别，基于S1-U接口XDR数据的高铁用户识别，基于S1-MME、IU-PS接口信令面数据的高铁用户识别，基于O侧的位置更新、切换信令及用户特征的高铁用户识别）；其次记录用户驻留的第一个高铁小区时间为T1，用户驻留到第二个高铁小区时间为T2，通过两个小区间驻留的时长记录为T，计算对应到高铁小区的路测经纬度采样点间距离为S，计算用户在这两个小区间移动的速度V，通过时速来区分高铁用户与普通用户，再通过计算一小时内小区驻留时长T的集合，来筛选出高铁用户。（其中V＞300KM/H，定义为“复兴号”用户，200＜V＜300KM/H，定义为“和谐号”用户，T的集合＞1H，定位为高铁用户。）

2.5.2 高铁用户感知场景化分析

主要通过对分离出的高铁车厢内的用户开展高铁主要感知指标评价，以这些用户的实际感知可以实现两个方面的目的：一是通过高铁用户的感知指标、KPI指标，分析网络存在问题，二是基于这些车厢内用户的感知评价高铁全线网络质量情况。（因此，基于网络质量分析与评价的目的，与之前分离算法评价系统不同，在这里不追求高铁用户分离100%完整性，而是追求对分离出来的那部分高铁用户网络感知评价的准确性。）

重点开展高铁车厢内用户业务感知分析（主要包括上行RTT时延、下行RTT时延、大页面下载速率、视频下载速率、页面响应平均时长、页面响应成功率、0卡顿率、每GB卡顿次数）和网络性能指标分析（语音接通率、掉话率），按以上10个关键性指标作为高铁网络评分标准，每项指标计10分，共计100分。通过对高铁各线路及地市进行评分，挖掘网络短板指标，为网络优化重心提供决策依据。表2为高铁车厢内用户评价分析模型。

表2 高铁车厢内用户评价模型

2.6.1 高铁用户使用问题分析的痛点

当前高铁网络用户投诉分析主要存在以下3个痛点：

（1）要通过登录多平台获取数据（信令平台、感知平台、网管平台）。

（2）只能采用表格化的关联分析方式，分析效率低、响应时间长。

（3）无法有效呈现分析结果，用户对分析结果满意度低。当前高铁用户投诉80%以上发生在高铁车站，如何提高车站用户投诉反应效率是提高用户满意度的关键。本次通过研究“高铁车站用户上网问题智能化分析”，建立用户在车站发生投诉的快速反应机制，显著提高了用户满意度。

2.6.2 探索高铁问题分析的新方法

（1）建立问题分析流程

①获取到用户使用号码及问题发生时间，并从相关系统上通过互联网化的方式获取用户占用小区和网络资源。

②通过开源工具自动获取相应网络KPI和KQI信息，并建立数据库。

③用户占用网络资源的主要KPI和覆盖数据进行关联分析。

④通过投诉智能分析工具，评价和分析影响用户感知的关键因素和原因。

（2）探索问题智能分析算法

图6为高铁问题智能分析算法图，通过对RSRP、SINR、用户数和PRB利用率等关键性KPI指标进行判决，可得出发生投诉的问题小区存在的主要问题，从而快速得出投诉反馈结果。

图 6 高铁问题智能分析算法图

2.6.3 高铁问题分析方法的实践应用

端午节前一天，用户反映南京南站上网速率低，通过输入用户投诉号码和时间，智能分析系统自动获取问题小区信息，并根据分析算法得出问题小区存在的问题，整个投诉反应时间从接到投诉到得出结论共用时5分钟，而正常投诉需要登录平台、查询信令平台、感知平台、网管平台等多个平台，最少需要60分钟，效率提升12倍左右，投诉分析效率显著提升，节省了大量人力成本。

3 结束语

运用互联网开源工具与大数据分析手段，突破高铁场景传统分析和管控方法的瓶颈，利用Python、JavaScript以及Spss Modeler等互联网工具和大数据分析软件，以及利用高铁用户分离算法，首次提出“影响集中度”概念的高铁车站扩容标准，总结出一套高铁网络全方位管控及优化方法，该方法具备车站扩容指标评估功能、用户投诉快速响应功能、网络性能实时地理化显示功能、跨省网络形态的场景化分析与呈现能力、单用户运动轨迹实时显示功能、车厢内用户感知分析评估功能，能有效实现高铁网络点线场景快速精准化分析与管控。

截止2019年5月累计实现网络告警通报208次，处理1096条，极大提高网络故障处理效率，提高了高铁网络稳定性；智能分析处理VIP用户投诉46次，平均时间由40分钟降低为7分钟，用户满意度由30%提升为90%。每月对省内高铁分析4次，累计评估80余次，共发现问题点398处，真实反映了高铁车厢内用户感知，为高铁优化提供新的思路，且减少了分析和测试成本支出；共完成30余次节假日和重要活动（春节、国庆、未来网络峰会、金博会等）保障，实时分析高铁用户感知指标，提前进行预警和快速投诉分析，多次圆满完成保障了任务；本项目可以推广实现其他重点场景，如校园、地铁、机场等场景的快速迭代分析，提升重点场景整体分析管控效率和能力，提升网络竞争力和减少维护成本。