白京春，乔思洁，刘衍晓（中国联通威海分公司，山东威海 264200）

1 概述

移动网络的发展日新月异，但仍可能会遇到如下问题：接续困难、通话质量差、上网慢、下载龟速、流媒体卡顿、视频聊天不流畅、用户投诉信号满格但无法正常做业务。这一切都可能是由干扰造成的，干扰带来的各种各样问题，会降低用户对网络的满意度，而干扰排查一直以来都在困扰着网络优化人员。

目前排查干扰的传统手段是依靠工程师的经验，首先利用网管结合地图初步判断干扰源的大概位置，然后再利用频谱仪和定向天线现场逐一扫频。传统方法存在4个方面的缺点，首先是及时性差，部分干扰靠人工观察网管指标难以发现，通常在用户投诉后才会引起注意，缺乏主动发现全网问题的手段；其次是准确率低，由于干扰形成的原因往往很复杂，对工程师的要求很高，但工程师的水平参差不齐；再次是效率低下，干扰排查需要分区域、分小区进行逐一分析，耗费大量时间；最后是人工成本高，尤其是对外界干扰的排查，一个干扰源往往需要多人、多次现场逐一查找，人力物力耗费巨大。

本文提出的方案分为两大模块：外部干扰小区识别模块和外部干扰源定位模块。项目的总体思路是，首先通过机器学习建立一个多分类的模型，把需要分类的小区信息输入模型后，模型自动对小区干扰情况进行分类。通过模型可以输出多种结果，包括正常小区、内部干扰小区和外部干扰小区。最后提取出对网络质量影响最大的外部干扰小区，使用其MR 数据，对外部干扰源进行定位（见图1）。

2 LTE干扰智能定位方案

2.1 外部干扰源识别模块

2.1.1 获取训练样本

从网管上提取每个小区的24 h 粒度的每个PRB上的干扰值，整理相关数据，包括小区名称、eNodeB ID、CI、时间戳、PRB号和干扰电平。然后，把相同带宽的小区放置在一组，剔除因设备故障、夜间自动关停等造成小区信息不完整的数据，将其作为训练数据（见图2）。

图2 生成训练数据示意图

有了训练数据后，还需要人工介入，分类打标签，但为上万个小区打标签耗时巨大，为了提升效率，采用了干扰瀑布图加聚类算法进行预归类的方式来加速处理。

生成干扰瀑布图：以时间为横轴，以0～99 号PRB为纵轴，每小时每个PRB 对应的干扰均值根据干扰强度，分别用不同的颜色来表示，最终生成每个小区的干扰瀑布图，辅助人工打标签（见图3）。

图3 干扰瀑布图

聚类加速：为进一步提高人工打标签的效率，先利用机器学习中的聚类算法，对所有干扰瀑布图进行聚类，再对聚类的结果进行人工确认，得到最终训练样本的标签，从而获得完整的训练样本（见图4）。

图4 生成训练样本示意图

利用瀑布图加聚类的方法，可以大幅缩短人工打标签的时长，由每百个小区100 min 降低到10 min，效率提升10倍。

2.1.2 建立预测模型

有了完整的训练样本，就可以进行多分类的建模。在建模过程中遇到并解决了如下问题：

a）训练时间过长。因为采用的数据是24 h 乘以100 个PRB，共2 400 列，因此训练时间过长，使用PCA降维，由2 400列降到83列，训练时间由分钟级别降到秒级别。

b）异常小区占比少。总体上干扰小区占比较少，易造成模型不准确，因此采用过采样的方法解决，异常小区占比由3.49%提高到9.39%，最终指标也提高了1.4个百分点。

c）分类指标不理想。从一开始的六分类，f1 指标仅有0.62 左右，从网络实际需求出发，将模型分类降低到三分类，f1指标提升至0.8以上。

d）调参效率低。使用贝叶斯调参代替网格搜索，调参效率提高10倍以上。

在经过模型的多次优化后，各种模型指标均达到较为理想水平，尤其是极端森林、xgboost、lightgbm 表现最好，因此，使用这3 种模型进行堆叠，在15 000 多个训练样本情况下，准确率达到0.98，f1 达到0.869 4，模型结果可用。至此，完成了干扰精准识别与自动分类模型的建立（见图5和表1）。

图5 各模型效果图

表1 堆叠后模型效果

2.2 外部干扰源定位模块

模型建立完成后，即可识别出全网外部干扰小区，接下来需要通过MR 数据来定位干扰源位置。MR，即测量报告，是评估无线环境质量的主要依据之一。从北向接口中提取的MRO 文件包含了60 余项数据，可以有效解析的主要无线类数据有14 项，从中选取5项，包括小区标识、经度、纬度、接收电平和发射功率余量。

其中PHR 也就是发射功率余量，反映UE 的发射信号功率大小，是反映小区内UE 发射功率分布情况的主要指标（见表2）。PHR取值范围为0～63，值越大，表示手机的功率余量越多，手机的发射功率越低，反之越高。本课题需要定位干扰源位置，因此需要从原始MR 中筛选出PHR 值在0～22、手机实际发射功率不正常的采样点，同时剔除RSRP<-110 dBm 的点，避免因为弱覆盖造成PHR变差的情况，影响判断结果。

表2 PHR取值对应表

用这些包含经纬度的采样点，生成热力图，经过对经纬度纠偏之后，通过Python 的Pyecharts 模块，将PHR以热力图的形式呈现在地图上（见图6），图6中红色区域表示PHR 异常的区域，更接近于干扰源的位置。

图6 外部干扰源定位模块示意图

2.3 对外界干扰小区的干扰源进行自动定位

本节以某村周边突发强干扰为例进行说明。该强干扰影响3 个基站9 个小区，该区域为大型居民区，且北面是海，东边是山，地形较为复杂，如图7所示。

图7 干扰源影响区域

提取3 个基站的24 h 的MR 数据，提取PHR 信息，经过经纬度纠偏之后，呈现在百度地图上（见图8），可以看到，数据异常区域主要集中在4个区域，为重点排查区域。

图8 干扰智能定位工具定位出的干扰源大致区域

通过与无线电管理委员会的合作，对以上4 个区域按照顺序定点排查，迅速定位到干扰源位于区域2一栋居民楼内，用户为了解决深度覆盖问题自行安装的手机信号放大器。通过开发的工具可以有效缩小排查范围，协助现场工程师迅速定位干扰源。

3 结束语

本文通过对网管KPI 的大数据分析，利用机器学习建模，自动识别出所有存在干扰的小区并进行自动分类，准确率超过85%，弥补了目前优化工作中对干扰类型判断方式的匮乏，为进一步的深入干扰排查指定目标。对于影响最大的外部干扰小区，通过MR 进行干扰源的智能定位，创新使用Python 加百度地图的方式，将PHR 以热力图的形式清楚地呈现在地图上，帮助缩小干扰源排查范围，极大地缩短了定位时长，提高了工作效率。

目前已完成建模和全省4G 栅格速率的全流程自动预测，用于指导全省4G 网络低速率区域的整改，提高用户感知。

与排查干扰的传统手段相比，该工具主要有如下3个方面的优势。

a）发现问题全面，告别传统使用全网统一门限值的粗略判断方式，通过2 400 个维度的数据，自动甄别全网干扰小区，尤其是对隐性干扰小区，可以达到精准全面的识别。

b）提升工作效率，对发现的干扰问题自动进行干扰类型的分类，区分内部干扰与外部干扰，相对于传统人工判断方式，效率极大提升，全网运行一次仅需1 h。

c）增强自主优化能力，对于外界干扰可以自动输出重点排查范围，大大节省人力物力，增强自主优化能力。