一种基于多元回归算法扇区间业务均衡画像模型研究

［刘琳 文锦朝］

1 引言

随着5G 网络的快速建设与以及用户业务量持续增长，5G 流量占比已达到50%左右，中国移动在2023 年计划对4G 网络中2.6 G 频段（以下称D 频段）的60 M 带宽进行逐步退频。截止2022 年底，4G D 频流量占4G 总流量大约30%，在D 频退频的背景下，4G 高负荷问题将有一定程度的恶化，并且满意度调研不满用户中，存在4G高负荷问题的用户占22%左右，其中与周边小区业务不均衡的用户占高负荷问题用户的81.44%，因此，如何充分利用4G 现有频段资源做好4G 网内业务均衡，是提升客户满意度的举措之一。

目前通信行业中，4G 网络业务均衡维度基本停留在共址同覆盖小区之间，主要从终端驻留态和连接态两个不同的状态开展均衡。驻留态主要通过调整重选门限实现均衡；连接态主要通过调整负载均衡功能算法或切换门限、CIO（偏移）等实现均衡。但是在扇区维度，如何找到可均衡的目标扇区，可均衡多少业务量到目标扇区，业界均没有相关的模型作为指导。

为此，本文基于多元回归模型，对MR 数据、切换次数、工参等数据，重点研究扇区间业务均衡画像模型，①通过数据模型1，精准判断可均衡目标扇区；② 通过模型2，量化每个目标扇区可接受业务均衡比例；③通过模型1、模型2 的输出结果，通过地理化呈现扇区间业务画像，提升无线网络优化人员的分析效率和准确率，改善网络资源的利用率，从而提高用户满意度。

2 概念与定义

2.1 共覆盖与扇区概念

在移动通信中，射频天线的海拔高度、方向角与下倾角度均相近的基站小区的无线信号覆盖范围相近，无线信号覆盖范围相近即共覆盖。有共覆盖特点的逻辑小区组，可统称共覆盖小区。共覆盖小区可分为同址共覆盖与非共址共覆盖两种。

（1）同址共覆盖：同址共覆盖可理解为在共址物理基站中，几个逻辑小区覆盖方向相近或相同。同址共覆盖的几个逻辑小区的组合，称为扇区。在某省扇区具体判断方法为：逻辑宏站站间距小于50 m、小区方位角偏差小于10 度的逻辑小区组合。示例如图1 所示。

图1 扇区示意图

（2）非共址共覆盖：即基站小区之间相隔一定距离（大于50 m），且无线信号覆盖区域相近的小区。扇区间满足非共址共覆盖条件，则认为是共覆盖扇区，一般判断方法可根据站间距（基站间距离）、邻区切换数据、MR（Measurement Report）测量数据、方向角等进行判断。本文重点研究扇区共覆盖场景下负荷均衡模型画像。

2.2 MR 邻区采集

MR 测量是TD-LTE 系统的一项重要功能。由物理层上报，其测量结果可以用于系统中无线资源控制子层完成诸如小区选择/重选及切换等事件的触发[1～3]。其数据文件由周期或特定事件触发，以某项测量内容为单位记录呼叫过程中的某时间某地点的网络环境特征（如，服务小区RSCP、服务小区Ec/No、DL BLER、邻区的RSCP、邻区的Ec/No 等）。

MR 数据主要来自UE 和eNodeB 的物理层、RLC 层，以及在无线资源管理过程，直接报送到OMC-R 以样本数据形式进行存储，如图2 所示。该文件主要有服务小区电平、邻小区电平、服务小区质量等字段信息，无论系统是否配置邻区关系，均能测量到邻区相关信息，本文主要使用MR 中主邻小区电平值计算MR 重叠覆盖小区等相关数据进行分析，用于判断小区间、扇区间的共覆盖的关系。

图2 测量报告样本数据采集示意图

MR 重叠覆盖率定义如下。

（1）重叠覆盖采样点：MR样本点中测量到的邻区的电平和主小区电平（主小区RSRP ＞-110 dBm）差大于-6 dB且邻区数目大于等于3 的样本点数量[4]。

（2）重叠覆盖率：某邻区重叠覆盖点数量占主小区所有邻区重叠覆盖采样点数量的比例。

3 模型原理与研究

3.1 现有业务均衡方法

在业务均衡的方法中，判断共覆盖是最重要的一个环节，现有的均衡方法主要是同站址不同小区间的均衡，目前基本使用负荷均衡算法与重选切换门限调整来实现[5,6]。

3.1.1 现有共覆盖判断方法

判断共覆盖方法主要有以下2 种。

（1）基于站间距、方位角进行判断[7]，当服务小区与邻区方向角在60 度以内（服务小区与邻区之间的连线与服务小区法线的夹角小于等于60 度，且与邻区的夹角小于60 度），且两基站的距离小于等于一定距离，则判断为共覆盖小区。该方法存在如下问题：数据依赖工参，没有充分考虑小区覆盖远近的情况，方法较为粗略。

（2）通过路测数据进行衡量，但是该方法无法真实呈现用户所处的无线环境以及真实的覆盖体验。同时，由于现在用户行为也发生了重大变化，大部分用户集中在室内使用数据业务，当出现用户投诉后使用路测手段进行复现的难度很大，并且需要耗费大量人力物力以及使用专用的测试设备，开展成本高。

3.1.2 现有业务均衡方法

现有的业务均衡方法主要为负荷均衡算法、重选切换门限调整、方向角下倾角调整等，对于LTE 3D-MIMO站点，可通过天线权值调整实现，但目前LTE 3D-MIMO 站点逐渐清退，天线权值调整方法只适用于5G 业务均衡,对4G网络作用不大。

（1）负荷均衡算法：负荷均衡算法是使小区间、频率间和无线接入系统间负荷达到有效均衡的方法。该项功能主要依据服务小区和与他相邻近的小区负荷状况（如PRB 利用率、UE 数量等）进行判断，根据一定算法控制用户的接入与切换，从而将系统资源合理有效利用，目的在于使系统容量和稳定性显著提高。本算法需人为定义共覆盖邻区，存在局限性。

（2）重选切换门限调整：主要通过调整邻区间的CIO（个体偏移）值、时间迟滞等重选切换参数，实现UE 从主小区加快或减慢切换到邻小区的效果。该方法同样需要人为主观判断，存在局限性。

（3）方向角、下倾角调整：主要为网络结构调整进行负荷均衡。

3.2 业务均衡模型总体思路

由于扇区内（即同址共覆盖小区）业务均衡已有成熟的均衡方法，针对现有业务均衡方法的不足，本文重点研究扇区间业务均衡模型。该方法先通过小区级的MR 数据、邻区切换数据和工参等数据，拟合MR 重叠覆盖权重（i）、站间距权重（j）、邻区切换权重（k），训练得到业务均衡模型，用于选择业务均衡的目标扇区，然后利用多元回归模型，输入i，j，k 系数与对应的扇区级MR 重叠覆盖率，站间距、邻区切换比例数据，判断业务均衡效果，最终地理化呈现业务均衡画像，便于网络优化人员开展业务均衡工作，总体思路如图3 所示。

图3 业务均衡模型总体思路

3.3 模型搭建

3.3.1 影响业务均衡的要素[10]及相关数据

由于用户移动性以及业务的多变性，需要保证用户的切换时延以及能切换到最适合当前业务的网络中，从而保证用户感知，而准确的邻区关系配置是保证移动网络性能的基本要求。

目前，业务均衡的关键是共覆盖扇区的判断准确性，本文研究的扇区间的共覆盖，原理上等同于邻扇区判断。以LTE 网络为例，根据网络优化经验，共覆盖判断可用到的数据有以下3 类。

（1）MR 重叠覆盖率：该数据通过MR 采样点得出，能客观反映源小区与邻区间重叠覆盖的采样点比例；优点是UE 直接测量，可对邻区关系缺失的邻区进行测量并记录采样点数，可用于补充判断共覆盖的小区；缺点是数据量大，解析数据时间长。通过该数据二次处理，可整理出MR 小于6 dB 重叠覆盖率权重、MR 邻区权重，作为业务均衡模型的输入要素。

MR 小于6 dB 重叠覆盖率（X1）计算公式为：

（2）工参数据：通过小区的经纬度、方向角、站间距等从水平空间上判断小区间的共覆盖关系；优点是判断共覆盖容易、直接；缺点是工参数据变动频率高，判断扇区间共覆盖容易出错；考虑到工参数据中，经纬度数据变动频率低，站间距判断准确，因此在模型搭建过程中，站间距（X2）作为业务均衡模型的输入要素。

（3）邻区切换关系数据：邻区即相邻的小区，相邻小区在系统上配置为邻区，即成为邻区关系。通过邻区关系数据可获得两小区间的切换次数，可客观反映两小区间共覆盖的程度。对本研究来说，该数据优点是数据获取容易，共覆盖关联性强；缺点是对邻区规划的准确性要求高，无法对未添加邻区关系的扇区进行共覆盖评估。通过数据二次处理，可整理出邻区切换比例，作为业务均衡模型输入要素。

邻区切换比例（X3）计算公式为：

（4）路测数据：该数据通过专业路测队伍测试所得。优点是能准确反映小区间共覆盖关系；缺点是数据量少，获取成本高，不作为判断业务均衡模型要素。

小结：通过现有数据的分析，业务均衡模型的重要输入要素有3 个，分别为：MR 小于6 dB 重叠覆盖率站间距、邻区切换比例

3.3.2 模型搭建

业务均衡画像模型搭建主要是为了准确找出业务均衡目标扇区，首先输入基站小区级别的MR 小于6 dB 重叠覆盖率、站间距、邻区切换比例、业务均衡效果（y）4 个因子，通过多元线性回归算法[8]，拟合出MR 小于6 dB 重叠覆盖率权重（i）、站间距权重（j）、邻区切换权重（k）3 个权重，得出业务均衡画像模型。模型搭建流程如图4。

图4 模型搭建流程图

（1）第一步：量化业务均衡效果（y）

业务均衡效果即目标基站小区吸收源基站小区业务的能力。由于现有指标规范中没有业务均衡量化的指标，因此，本文需对业务均衡效果进行量化，以便搭建模型1。

业务均衡效果主要通过网络参数调整，对比参数调整前后目标基站小区的下行PRB 利用率的变化幅度进行量化。量化流程如下。

①从全网筛选出高负荷待扩容小区100 个（以下称源小区）。

② 整理源小区的MR 重叠覆盖率、MR 邻区测量数据、邻区关系等数据，通过MR 邻区测量数据、邻区关系确定源小区对应的均衡目标小区。

③源小区所有邻区关系的CIO 设置为0，负荷均衡算法开关为关，并保持一周。

④ 源小区打开均衡算法开关，算法内所有参数设置为一致，CIO 统一调整为3，并保持一周。

⑤ 统计网络参数修改前后目标小区下行利用率变化幅度，业务均衡效果数值范围为

（2）第二步：三个要素权重的确定

d.SD：标准差

② 模型1 搭建

归一化后，多元回归模型（以下称模型1）公式如公式5。

a.h：为常数，默认为0。

b.MR 小于6dB 重叠覆盖率权重（i）：该权重处于[0,1]区间，值越大，共覆盖关联性越大，业务均衡效果越好。

c.MR 邻区权重（j）：该权重处于[0,1]区间，值越大，共覆盖关联性越大，业务均衡效果越好。

d.邻区切换权重（k）：该权重处于[0,1]区间，值越大，共覆盖关联性越大，业务均衡效果越好。

③i，j，k 权重值求解

导入挑选的100 个满足条件小区的MR 小于6 dB 重叠覆盖率、站间距，邻区切换请求比例和业务均衡效果数据，通过最小二乘法计算i，j，k 值。

（3）第三步：选择目标扇区

本文基于小区级间业务均衡进行模型搭建与训练，得出i，j，k 值后，根据1.1 章节概念，将小区级数据汇聚成扇区级数据，通过模型1 输出目标扇区对应源扇区的业务均衡效果。当业务均衡效果大于n，则认为目标扇区满足共覆盖要求，均衡效果好；反之目标扇区剔除，不作为均衡目标。

（4）第四步：生成均衡画像

根据模型1 输出的业务均衡效果，确定目标扇区后，搭建模型2 解决“可均衡多少”的问题，从而生成源扇区与周边目标扇区的均衡画像。模型2 如公式6。

注：等效PRB 利用率即以TDD 20 M 的小区为基准，根据不同频段、不同带宽的载波能力，折算成TDD 20 M等效载波，各频点转换关系如表1 所示。

表1 等效载波折算表

根据模型2，输出业务均衡画像示意图如图5。

图5 业务均衡画像示意图

4 业务均衡画像应用

4.1 模型应用

表2 权重系数表

选取该地市最大等效下行PRB 利用率＞40%且平均等效下行PRB 利用率＞30%[9]的扇区挑选进行效果验证。导入对应3 个要素数据用模型1 时进行分析，共分析出826 对具备均衡调整条件的邻扇区对。此批邻扇区区对的基本负荷情况如图6 所示，主扇区的利用率处于较高水平，模型1 输出结果邻扇区利用率在较低水平，且主邻小区利用率差值超过20%，模型1 符合理论结果。

图6 主邻扇区PRB 资源利用率对比图

4.2 优化方案实施及效果

根据模型2，对评估出的826 对邻扇区进行量化均衡画像输出，优化人员根据现有均衡方法，按区域共分3 批进行实施。如图7 与图8 所示。

图7 自忙时资源利用率对比图

图8 高流量预警扇区数量对比图

（1）整体高流量预警扇区从优化前239 个下降为154 个，改善幅度35%。

（2）主扇区平均利用率从49.43%下降为40.21%。

（3）目标业务均衡扇区平均利用率从24.30%增长为28.01%。

5 小结

多元线性回归算法业务均衡画像模型可以充分挖掘网络容量潜能，提升网络整体资源利用率，网络效能得到显著提升。基于扇区间的重叠覆盖区域空间，结合主邻扇区间的点对点切换关系，精细化计算出各相邻扇区可均衡幅度，对高流量、高负荷小区进行邻扇区级业务均衡综合评估，输出小区对可均衡优化清单，使扇区间负荷平衡达到新的高度，大幅提高业务均衡的精准性、可控性、高效性。

本文所述方法可以有效改善当前日益严重容量问题，并且其比传统的均衡方法，具备以下优势。

（1）均衡精准：精细到主邻小区对级的均衡，可以明确业务均衡到具体扇区。

（2）有效可控性：对权重大且具备均衡条件的邻区，可通过切换参数实时控制均衡力度，在后续指标监控过程中动态调整其大小，防止过均衡等情况。

（3）快捷性：此方法对比以往人工优化模式，可以做到批量评估、批量调整、批量进行效果观察等，简化优化流程提高效率。

本文主要通过LTE 数据，开展多元线性回归业务均衡画像模型研究，精准判断可均衡邻扇区并输出业务均衡画像，大幅提升优化效率。在5G 业务发展到成熟阶段，700 M、2.6 G、4.9 G 频段的5G 站点大量建设后，均可以使用同种方法开展5G 扇区间业务均衡。在后期计划中，将对5G 网络的业务均衡进行研究，保证5G 用户的满意度。