CN107332704A - 评估高速铁路移动用户使用lte服务质量的方法和系统 - Google Patents

Abstract

本发明公开了一种评估高速铁路移动用户使用LTE服务质量的方法及系统，该方法包括以下步骤：步骤(1)：收集高铁线路周边的高铁小区信息，根据获得的高铁小区信息得到附近1公里范围内的大网小区；同时，收集用户信令切换数据；步骤(2)：针对收集到用户信令切换数据进行分类，区分高铁用户和大网用户；步骤(3)：针对每个用户的信令切换数据进行提取特征指标，建立模型；步骤(4)：将得到的新用户信令切换数据导入所述步骤(3)建立的模型中，进行判定该新用户的分类。通过鉴别用户中的高铁用户，可以有效监控高铁沿线的高铁小区和大网小区，移动运营商可以为每种类型的小区制定调整和开发的策略，可以显著提高高铁沿线小区的服务性能。

Description

评估高速铁路移动用户使用LTE服务质量的方法和系统

技术领域

本发明属通信技术领域，尤其是涉及一种评估高速铁路移动用户使用LTE服务质量的方法和系统。

背景技术

在过去几年中，LTE无线网络已经越来越普遍，并且引起了专项基础设施的大量增加。截至2016年底，全球用户数量已达9.15亿，亚洲具有重要推动力。同时，中国高铁近年来得到高速发展：2003年第一条线路开通并实现商业化运营，2017年高速铁路线已建成并投入使用的已达到二千多公里，占世界总量的三分之一。在2016年运送旅客达15亿，使中国成为世界上最繁忙的铁路网络。考虑到这种特殊环境(高速且特定路线)，移动运营商为高铁沿线配置了专网小区(高铁小区)来保障高速移动用户的通信体验。

通过提供在任何地点和任何时间访问网络的可能性，LTE无线网络的发展为客户提供了新的通信方式。由于过去几年的投资，网络已经实现普及性。运营商提供了一些专门的基础设施来满足用户的特殊需求。其中一个需求是当用户乘坐高速移动的高铁上时，可以不掉话、不掉网的在通信世界遨游。在这种特殊环境下，运营商必须建立特殊的小区以保障良好的信号质量。小区数量可根据高铁客运量及高铁线长度按需分配，随之而来的一个关键问题是评估高铁小区的使用情况。

在中国专利文献CN105636104A中，公开了移动通信网络中高速移动用户通话识别的方法，该方法包括：根据高速移动用户组服务小区列表小区，确定高铁/高速/国道/城市环路/城市高架沿线非服务小区列表小区的范围；过滤用户信令数据，保留属于高速移动用户组服务小区列表小区及高铁/高速/国道/城市环路/城市高架沿线非服务小区列表小区的用户信令数据；对过滤后的用户信令数据进行分析，确定所述用户信令数据对应的用户是否属于高速移动用户。

上述专利文献中公开的方案并不能有效监测高铁小区的服务质量。该网络质量评估的方法是分析使用该高铁小区网络的用户网络质量指标，并不区分用户的类型。而在高铁沿线小区的情况下，该方法不能正确的评估出网络质量，因为存在着高铁用户使用大网小区，大网用户使用高铁小区的情况。

发明内容

本发明要解决的问题是提供一种有效区分使用高铁小区网络的大网用户和使用大网小区网络的高铁用户，进而可以有效监控高铁沿线的高铁小区和大网小区，评估高速铁路移动用户使用LTE服务质量的方法。

为解决上述技术方案，本发明采用的技术方案是：该评估高速铁路移动用户使用LTE服务质量的方法，包括以下步骤：

步骤(1)：收集高铁线路周边的高铁小区信息，根据获得的高铁小区信息得到附近1公里范围内的大网小区；同时，收集用户信令切换数据；

步骤(2)：针对收集到用户信令切换数据进行分类，区分高铁用户和大网用户；

步骤(3)：针对每个用户的信令切换数据进行提取特征指标，建立模型；

步骤(4)：将得到的新用户信令切换数据导入所述步骤(3)建立的模型中，进行判定该新用户的分类。

在本发明中，需要特别解释的是，高铁小区是指移动运营商在高铁沿线专门用于高铁用户使用的小区；大网小区是指非高铁小区的其他小区，通常为大网用户即非高铁用户提供服务。同样的，高铁用户是乘坐高铁的用户，而大网用户则是指网络中的任何其他客户。

在步骤(1)中，对于小区信息数据，首先收集位于当前高铁线路周边的高铁小区，对于每个高铁小区，可以获得小区的经纬度，接着根据经纬度得到附近1公里内的大网小区，这样就获得了目标小区信息，每个小区包含经纬度以及标记为是否高铁小区的二元变量；对于用户信令切换数据，需确定特定日期下连接目标小区的所有用户，通过IMSI(国际移动用户身份)和IMEI(国际移动设备身份识别码)唯一化用户，这样就得到了用户使用小区网络的列表，时间精确到秒，由于连接网络的不规则性，收集到的数据也不会固定在某个特定时间内，用户信令切换数据包含用户信令切换信息以及相应的时间标识；在步骤(2)中，针对收集到用户信令切换数据进行分类，目的是为了得到一些样本数据的明确标签：高铁用户或大网用户；这是非常重要的，鉴别出使用高铁小区网络的大网用户，这部分人的比例应该足够低以防止高铁小区的超负荷连接，鉴别出使用大网小区网络的高铁用户，这种情况会导致高铁用户上网体验的下降，这种下降是由高铁小区和大网小区信号的快速切换导致的，此外，需要注意的是，步骤(2)中的将数据进行分类，是从原始数据中抽取出部分用户数据进行人为分类；依据步骤(3)创建提取相关指标后，使用分类算法对样本数据进行分析建模，提取能够显著区分高铁用户和大网用户的特征指标；模型结果用于预测每个用户的分类。通过鉴别用户中的高铁用户，可以有效监控高铁沿线的高铁小区和大网小区，一旦模型训练好后将自动执行。因此，移动运营商可以为每种类型的小区制定调整和开发的策略。以这种方式，可以显著提高高铁沿线小区的服务性能。

优选的，在所述步骤(2)中，将分类的数据集分成两部分，随机抽取80％用户为训练集，剩下的20％用户为验证集；在所述步骤(3)中的模型建立后，采用训练集对模型进行训练，接着在训练集和验证集上同时测试。

结果显示，该模型可以高效的区分出高铁用户及大网用户：在训练集上，准确率达到99％；在验证集上，准确率为98％；每个新用户可以通过该模型提取的重要特征指标进行分类；上述操作确保结果的可靠性。

优选的，在所述步骤(3)中，所述特征指标包括用户的移动速度。

优选的，在所述步骤(3)中，所述特征指标还包括有用户高铁小区与大网小区切换信息、移动距离、连接大网小区的总次数、连接高铁小区的总次数、高铁小区连接次数占比和用户连接到大网小区的数目。

优选的，该方法还包括有步骤(5)，汇总出包含高铁用户连接的高铁小区以及连接的时间；汇总出包含大网用户占用高铁小区网络以及时间；汇总出高铁用户从高铁小区切换到大网小区信息，其中，包含连接小区的类型以及时间；汇总出大网用户从大网小区到高铁小区的切换；汇总出每天大网小区和高铁小区的信息。

对于汇总出高铁用户从高铁小区切换到大网小区信息，其中，包含连接小区的类型以及时间，切换较频繁的高铁小区，需要对小区进行天线调整或者增加高铁小区的建立；汇总出每天大网小区和高铁小区的信息包括高铁专网用户的数量、高铁用户至少连接到一个大网小区的比例、大网用户连接至少一个高铁小区的比例，强调了服务性能的演变，反映了季节性变化和全网的改善。

本发明要解决的另一个问题是，提供一种评估高速铁路移动用户使用LTE服务质量的系统。

该估高速铁路移动用户使用LTE服务质量的系统包括有数据收集模块、数据分类模块、数据处理模块和结果导出模块；

其中，所述数据收集模块：用于接收高铁线路周边的高铁小区信息，并根据获得的高铁小区信息得到附近1公里范围内的大网小区；同时，收集高铁用户和大网用户的信令切换数据；

数据分类模块：用于将数据收集模块中收集到的部分用户信息加以人工分类，区分出哪些用户是高铁用户，哪些用户是大网用户，并提取特征指标，建立分类模型；

数据处理模块：将得到的新用户信令切换数据导入，进行判定该新用户的分类；

优选的，该系统还包括有数据结果导出模块，用于展示高铁小区或大网小区服务质量的量化指标。

附图说明

下面结合附图和本发明的实施方式进一步详细说明：

图1为本发明评估高速铁路移动用户使用LTE服务质量的系统的模型训练流程图；

图2为本发明评估高速铁路移动用户使用LTE服务质量的系统的产品化的流程图；

图3显示了高铁沿线分布的高铁小区及非高铁小区，基于经纬度的小区打点；

图4a、4b、4c和4d说明了用户在一定时间内使用高铁沿线的专网大网小区情况，其中，图4a显示出了高铁用户仅连接到专网小区的示例图，图4b显示出了高铁用户连接到一些大网小区的示例图，图4c显示出了非高铁用户连接到大网小区的示例图，图4d显示出了非高铁用户连接到高铁小区的示例图；

图5是本发明评估高速铁路移动用户使用LTE服务质量的系统结构示意图；

图6是本发明评估高速铁路移动用户使用LTE服务质量的方法的流程图。

具体实施方式

本发明实施例的评估高速铁路移动用户使用LTE服务质量的方法，如图6所示，包括以下步骤：

步骤(1)：收集高铁线路周边的高铁小区信息，根据获得的高铁小区信息得到附近1公里范围内的大网小区；同时，收集用户信令切换数据；

步骤(2)：针对收集到用户信令切换数据进行分类，区分高铁用户和大网用户；

步骤(3)：针对每个用户的信令切换数据进行提取特征指标，建立模型；

步骤(4)：将得到的新用户信令切换数据导入所述步骤(3)建立的模型中，进行判定该新用户的分类。

在所述步骤(2)中，将分类的数据集分成两部分，随机抽取80％用户为训练集，剩下的20％用户为验证集；在所述步骤(3)中的模型建立后，采用训练集对模型进行训练，接着在训练集和验证集上同时测试。

在所述步骤(3)中，所述特征指标包括用户的移动速度。

在所述步骤(3)中，所述特征指标还包括有用户高铁小区与大网小区切换信息、移动距离、连接大网小区的总次数、连接高铁小区的总次数、高铁小区连接次数占比和用户连接到大网小区的数目。

该方法还包括有步骤(5)，汇总出包含高铁用户连接的高铁小区以及连接的时间；汇总出包含大网用户占用高铁小区网络以及时间；汇总出高铁用户从高铁小区切换到大网小区信息，其中，包含连接小区的类型以及时间；汇总出大网用户从大网小区到高铁小区的切换；汇总出每天大网小区和高铁小区的信息。

评估高速铁路移动用户使用LTE服务质量的方法主要目的是从高铁小区基站收集的信令切换数据中对高铁专网用户和大网用户进行分类，进而从该分类中评估高铁小区服务质量。有两点很重要：1、需要鉴别出使用高铁小区网络的大网用户，这部分人的比例应该足够低以防止高铁小区的超负荷连接；2、鉴别出使用大网小区网络的高铁用户，这种情况会导致高铁用户上网体验的下降，这种下降是由高铁小区和大网小区信号的快速切换导致的。

基于高铁小区及距离高铁沿线1公里内的大网小区的信令数据，利用各小区经纬度信息提取用户级指标，运用分类算法得到高铁用户及非高铁用户。

具体过程有两个主要阶段：模型训练阶段和产品化阶段。

模型训练阶段主要是建立分类模型，该阶段可详见图1。简而言之，我们首先收集有关高铁线路周围的小区的信息。从这些信息中可得到高铁线路图。同时，收集用户的信令切换数据，该数据可推出高铁用户及高铁周边大网用户的网络连接行为，样例图详见4a，4b，4c和4d；在做分类模型前，需要手动的区分高铁用户和大网用户，创建信号切换速度等行为特征指标。最后，选择合适的分类算法鉴别两种用户。

产品阶段(生产阶段)的目的是实现代码运行及结果输出的自动化，流程图详见图2。对于训练阶段，从数据中提取用户行为特征指标。，利用分类算法区分高铁用户和大网用户，最后，通过总结用户使用小区网络的情况来评估小区的服务质量。

下面详细阐述流程图：

由于整个过程是对相关数据进行分析挖掘，因此第一步是要得到原始数据。首先确定高铁线和日期。接着收集两份数据，一份是小区信息数据：该线路高铁小区及1公里内的大网小区数据，另一份是用户数据：包含使用这些小区网络用户的信令切换数据。

对于小区信息数据，首先收集位于当前高铁线的高铁小区，对于每个高铁小区，可以获得小区的经纬度。接着根据经纬度得到附近1公里内的大网小区。这样就获得了目标小区信息，每个小区包含经纬度以及标记为是否高铁小区的二元变量。

对于用户数据，需确定特定日期下连接目标小区的所有用户，通过IMSI(国际移动用户身份)和IMEI(国际移动设备身份识别码)唯一化用户。这样就得到了用户使用小区网络的列表，时间精确到秒。由于连接网络的不规则性，收集到的数据也不会固定在某个特定时间内。用户数据包含用户信令切换信息以及相应的时间标识。

举例说明数据量大小，例如：一个高铁线上的高铁小区有50个，1公里范围内的大网小区有450个。连接这些网络的用户数量可达到100万，280万条信令切换信息。

第二步旨在根据高铁小区经纬度信息刻画出高铁线。利用主成分分析方法对小区经纬度信息进行合适的旋转，接着通过广义加性模型(GAM)刻画出高铁线路。当列车线呈现垂直方向，即从北向南或南向北时，空间的旋转是必要的。该过程的示例结果详见图3。红点表示高铁小区；黑色曲线代表高铁路线；蓝点表示距高铁小区1公里内的大网小区。从高铁线路可推测出每个小区之间和高铁线路距离，进而推导出目标小区和高铁出发站之间的距离。

第三步是创建模型数据集。该数据集是在用户数据的基础上增加了两列数据：第一列是标记小区是高铁小区还是大网小区；第二列是对应小区离高铁出发站的距离(单位：公里)。

在模型训练阶段，需要对用户当天在高铁线小区的时间及小区距离进行可视化呈现。实践中，只画出了部分用户的信息图。图4a,4b,4c,4d是4个典型用户的小区移动图。每个点表示用户和小区之间发生网络连接，红色为高铁小区，黑色为大网小区。

在模型训练阶段需要人工对用户分类，目的是为了得到一些样本数据的明确标签：高铁用户或大网用户。创建提取相关指标后，使用分类算法对样本数据进行分析建模，提取能够显著区分高铁用户和大网用户的特征指标。用户的人工分类依据如下图形表现：若用户快速的从一个基站移动到另一个基站，则标记为高铁用户(图4a，4b)，反之标记为大网用户(图4c，4d)。对用户人工分类可以把一切可能影响分类结果的情形考虑在内。

例如，从100万个用户中选择4000个用户进行人工分类。

特征提取是模型训练阶段和产品阶段共同的一个环节。在做此步骤之前，每个用户都会有信令切换时间及切换小区离高铁出发站的距离信息，且时间是不规则的。做完特征提取后，每个用户的小区切换信息、移动速度、移动距离都可以用固定的时间来表达。

其中特征较重要的是用户的移动速度，移动速度根据小区离高铁出发站距离及切换至该小区网络的时间与出发时间计算所得。但若计算瞬时速度的话可达600km/h，详见图4c(12点前)。为了避免这种情况发生，考虑计算用户在不同时间段的平均速度。具体可以计算一天内特定持续时间段(例如30分钟)的用户最大移动距离。在本系统中，用如下时间段来计算最大移动距离：1秒，5秒，25秒，2分钟，10分钟，15分钟，20分钟，25分钟，30分钟，35分钟，40分钟，45分钟，50分钟，55分钟，1小时，4小时，24小时。

对于每个用户，还可以创建跟小区数相关的特征变量，这些附加特征包括但不限于：(a)连接小区的总次数；(b)连接到高铁小区的总次数；(c)定义高铁小区连接次数占比(a)/(b)；(d)用户连接到小区的数目(1个小区有多次连接只计数一次)。

提取所有特征指标后，每个用户有21个特征指标。

接下来的步骤专注于建立模型(该步骤仅在模型训练阶段中执行)。该模型需在特征指标基础上预测用户是高铁用户还是大网用户。而这一问题是典型的分类问题，实现流程是：(1)特征提取；和(2)用户是高铁用户还是大网用户。这个流程适合人工分类后的数据集，模型可在该数据集上进行训练。在机器学习领域，已有很多成熟的分类算法，其中一个较简单的算法是随机森林，可以在分类的同时提取出重要的特征变量。

为了确保结果的可靠性，将人工分类的数据集分成两部分：随机抽取80％用户为训练集；剩下的20％用户为验证集。用训练集对模型进行训练，接着在训练集和验证集上同时测试。结果显示，该模型可以高效的区分出高铁用户及大网用户：在训练集上，准确率达到99％；在验证集上，准确率为98％。每个新用户可以通过该模型提取的重要特征指标进行分类。

在产品化阶段，模型结果用于预测每个用户的分类。如模型训练阶段，需要获取小区信息数据以及用户数据，接着创建特征指标，利用模型筛选出的重要特征指标预测用户是高铁用户还是大网用户。

最后一步是得到5个汇总表格。每个表格能够得到小区服务质量的关键指标。这些表每天都会更新。

表一用于评估高铁小区的服务质量。该表包含高铁用户连接的高铁小区(以及连接的时间)；第二个表含有大网用户占用高铁小区网络以及时间；表三和表四主要展示高铁小区和大网小区的切换情形。第三张表是高铁用户连接网络的情况，每一行包含高铁用户从高铁小区切换到大网小区信息，包含连接小区的类型以及时间。对于切换较频繁的高铁小区，需要对小区进行天线调整或者增加高铁小区的建立。第四张表列出了大网用户从大网小区到高铁专网小区的切换；表五粗略的给出了每天小区的汇总信息：高铁专网用户的数量；高铁用户至少连接到一个大网小区的比例；大网用户连接至少一个高铁小区的比例。该表强调了服务性能的演变，反映了季节性变化和全网的改善。

如图5所示，评估高速铁路移动用户使用LTE服务质量的系统包括有数据收集模块、数据分类模块、数据处理模块；

其中，所述数据收集模块：用于接收高铁线路周边的高铁小区信息，并根据获得的高铁小区信息得到附近1公里范围内的大网小区；同时，收集高铁用户和大网用户的信令切换数据；

数据分类模块：用于将数据收集模块中收集到的部分用户信息加以人工分类，区分出哪些用户是高铁用户，哪些用户是大网用户，并提取特征指标，建立分类模型；

数据处理模块：将得到的新用户信令切换数据导入，进行判定该新用户的分类；

该系统还包括有数据结果导出模块，用于展示高铁小区或大网小区服务质量的量化指标。

总体而言，该系统对高铁专网小区的LTE的服务性能进行了稳定的评估。通过鉴别用户中的高铁用户，可以有效监控高铁沿线的高铁小区和大网小区。采用机器学习算法可以有效地区分高铁用户和大网用户。整个产品过程完全是数据驱动的，一旦模型训练好后将自动执行。因此，移动运营商可以为每种类型的小区制定调整和开发的策略。以这种方式，可以显著提高高铁沿线小区的服务性能。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明；凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种评估高速铁路移动用户使用LTE服务质量的方法，其特征在于，包括以下步骤：

步骤(1)：收集高铁线路周边的高铁小区信息，根据获得的高铁小区信息得到附近1公里范围内的大网小区；同时，收集用户信令切换数据；

步骤(2)：针对收集到用户信令切换数据进行分类，区分高铁用户和大网用户；

步骤(3)：针对每个用户的信令切换数据进行提取特征指标，建立模型；

步骤(4)：将得到的新用户信令切换数据导入所述步骤(3)建立的模型中，进行判定该新用户的分类。

2.根据权利要求1所述的评估高速铁路移动用户使用LTE服务质量的方法，其特征在于，在所述步骤(2)中，将分类的数据集分成两部分，随机抽取80％用户为训练集，剩下的20％用户为验证集；在所述步骤(3)中的模型建立后，采用训练集对模型进行训练，接着在训练集和验证集上同时测试。

3.根据权利要求2或3所述的评估高速铁路移动用户使用LTE服务质量的方法，其特征在于，在所述步骤(3)中，所述特征指标包括用户的移动速度。

4.根据权利要求3所述的评估高速铁路移动用户使用LTE服务质量的方法，其特征在于，在所述步骤(3)中，所述特征指标还包括有用户高铁小区与大网小区切换信息、移动距离、连接大网小区的总次数、连接高铁小区的总次数、高铁小区连接次数占比和用户连接到大网小区的数目。

5.根据权利要求4所述的评估高速铁路移动用户使用LTE服务质量的方法，其特征在于，该方法还包括有步骤(5)，汇总出包含高铁用户连接的高铁小区以及连接的时间；汇总出包含大网用户占用高铁小区网络以及时间；汇总出高铁用户从高铁小区切换到大网小区信息，其中，包含连接小区的类型以及时间；汇总出大网用户从大网小区到高铁小区的切换；汇总出每天大网小区和高铁小区的信息。

6.一种评估高速铁路移动用户使用LTE服务质量的系统，其特征在于，该系统包括有数据收集模块、数据分类模块、数据处理模块；

其中，所述数据收集模块：用于接收高铁线路周边的高铁小区信息，并根据获得的高铁小区信息得到附近1公里范围内的大网小区；同时，收集高铁用户和大网用户的信令切换数据；

数据分类模块：用于将数据收集模块中收集到的部分用户信息加以人工分类，区分出哪些用户是高铁用户，哪些用户是大网用户，并提取特征指标，建立分类模型；

数据处理模块：将得到的新用户信令切换数据导入，进行判定该新用户的分类。

7.根据权利要求6所述的评估高速铁路移动用户使用LTE服务质量的系统，其特征在于，该系统还包括有数据结果导出模块，用于展示高铁小区或大网小区服务质量的量化指标。