CN108683527A - 一种基于mr和xdr的用户感知深度检测方法 - Google Patents

Abstract

本发明公开了一种基于MR和XDR的用户感知深度检测方法，包括以下步骤：S1：获取测量报告数据和信令监测数据；S2：从信令监测数据中提取用户位置信息；S3：以信令监测数据中的S1‑MME接口数据作为控制面，S1‑U接口数据作为业务面，从控制面和业务面两个维度形成业务质量KQI指标；S4：建立用户感知MOS指标的评分模型，基于评分模型和业务质量KQI指标计算得到用户感知MOS值；S5：根据无线性能KPI指标、业务质量KQI指标和用户感知MOS值，建立“无线性能—业务性能—用户感知”三层分析模型；通过三层分析模型还原用户感知质差时的即时无线性能；本发明通过无线侧与业务侧的双向联动分析，使质差用户分析层级从小区级提升至用户级，提高了问题定位精确度及效率。

Description

一种基于MR和XDR的用户感知深度检测方法

技术领域

本发明属于通信技术领域，更具体地，涉及一种基于MR和XDR的用户感知深度检测方法。

背景技术

网络质量是运营商的生命线，良好的网络服务质量才能保证市场占有率以及市场口碑。良好的网络覆盖在确保网络质量竞争优势、确保用户业务体验方面发挥着极其重要的作用。近年来，随着4G业务的快速发展，用户对无线网络服务质量要求也日益苛刻，因此，如何快速发掘无线网络深层次问题，快速定位问题以及及时解决问题，提升网络故障处理及时性，显得尤为重要。

传统手段对于无线网络问题的评估定位仅仅停留在网管小区、网元级关键绩效指标(Key Performance Indicator，KPI)的定量分析，将KPI指标作为用户感知指标，片面依据KPI诊断客户感受，指标好即客感好，指标差即客感差的错误优化理念，导致无线网络优化效率低，客户感知严重受损，运营商无线网络市场影响力下降等。其主要缺陷包括以下几点：

(1)不可复原真相，即时性差：依靠被动的用户投诉来驱动网络问题的排查定位，具有极大后知后觉性，不能复原用户投诉业务感知差的即时网络质量实情，无法“还原现场”；

(2)缺乏系统性的问题定界分析手段：传统测量报告(Mearsurement report，MR)数据分析只能基于小区，无法应用到用户级感知分析；单纯依靠人工统计KPI指标以及MR数据分析，仅能发现网络指标的异常迹象，用户无线侧问题定位难以实现，排查效率低，准确性无保障，局限性大。

发明内容

针对现有技术的至少一个缺陷或改进需求，本发明提供了一种基于MR和信令监测数据(Circuit call and Packet call Detail Records，XDR)的用户感知深度检测方法，解决了现有技术中以无线性能KPI指标作为用户感知指标无法真实反映用户感知、无法真实复原用户投诉业务感知差的即时网络质量实情的问题。

为实现上述目的，按照本发明的一个方面，提供了一种基于MR和XDR的用户感知深度检测方法，包括以下步骤：

S1：获取测量报告数据和信令监测数据；

S2：从信令监测数据中提取用户HTTP数据包，对用户HTTP数据包进行解码，获得用户位置信息；

S3：以信令监测数据中的S1-MME接口数据作为控制面，信令监测数据中的S1-U接口数据作为业务面，从控制面和业务面两个维度形成业务质量关键质量指标(Key QualityIndicators，KQI)；

S4：根据海量用户投诉的业务质量及用户感知评分的采样数据建立用户感知平均意见值(Mean Opinion Score，MOS)指标的评分模型；基于评分模型和业务质量KQI指标计算得到用户感知MOS值；

S5：从测量报告数据中提取无线性能KPI指标，根据无线性能KPI指标、业务质量KQI指标和用户感知MOS值，通过集成式学习算法建立“无线性能—业务性能—用户感知”三层分析模型；

S6：基于用户位置信息和用户感知MOS值，通过三层分析模型还原用户感知质差时所处的地理位置以及对应的时间点，以实现在时间和空间维度上对用户投诉业务感知差时的即时无线性能进行复原；

S7：根据上述即时无线性能，分别从无线侧和业务侧对用户感知质差原因进行定位，得到导致用户感知质差的异常无线性能指标，并针对该异常无线性能指标进行优化。

优选的，上述用户感知深度检测方法，步骤S7包括以下子步骤：

S71：根据相同的时间戳和S1apID信息，将信令监测数据、测量报告数据和所述用户位置信息进行关联，得到用户多维关联数据；

S72：在无线侧，基于用户感知MOS值，以及对应的业务性能数据和无线指标数据，采用地理信息系统(Geographic Information System，GIS)渲染和/或栅格定位呈现用户感知MOS值的短板区域，得到短板区域内的业务性能数据和无线指标数据，将无线指标数据与预设的无线指标预警阈值进行对比，得到异常无线指标，实现无线侧用户感知质差原因精确定位；

从用户多维关联数据中提取不同业务场景对应的业务特征值，基于无线性能KPI指标与业务质量KQI指标的映射关系得到与业务特征值对应的无线性能指标，深度检测用户业务质差微区域，锁定优化目标区域，并通过分场景覆盖优化实现用户感知MOS值提升；

S73：在业务侧，建立业务质量KQI指标与无线性能KPI指标的关联分析模型，当业务质量KQI指标出现异常时，该关联分析模型将触发无线性能KPI指标的评分算法，评分算法用于检测无线性能KPI指标中影响用户业务感知的影响因子并根据影响因子的异常程度生成对应的预警值，所述预警值触发具有不同等级和处理时限的运维工单，实现无线网络的巡检和优化。

优选的，上述用户感知深度检测方法，步骤S3之后还包括以下步骤：利用通用概率性潜在语义统计分析法(General Probability Latent Semantic Analysis，GPLSA)对不同业务域名、不同时间维度指标进行学习，得到各业务域名、不同时段时延的动态门限值，业务质量KQI指标低于所述动态门限值则进行预警，实现业务质量异常预警。

优选的，上述用户感知深度检测方法，其评分模型的建立过程包括：采集大量用户投诉的业务质量及其对应的用户感知评分建立经验库，根据用户感知评分对所述经验库中的不同业务质量数据设置权重并进行加权计分，得到用户感受特征值，将用户感受特征值和对应的业务质量数据进行关联，得到用户感知MOS指标的评分模型；业务质量数据包括附着、承载建立、业务请求、跟踪区更新(Tracking Area Update，TAU)和HTTP业务访问时延。

优选的，上述用户感知深度检测方法，其业务特征值包括地域级别、业务场景、业务类型、业务包大小、业务时延、用户规模、场强和质量。

优选的，上述用户感知深度检测方法，步骤S2中，获取用户位置信息包括以下步骤：

S21：从测量报告数据中提取原始测量报告数据；

S22：对原始测量报告数据进行预处理，解析并提取关键字段，获取涉及网络覆盖质量的数据信息，得到服务小区和邻区场强信息；

S23：判断服务小区和邻区场强信息是否具有三角场强定位条件，若是，则根据基站信息进行三角场定位，得到用户的位置信息；若否，则进入下一步；

S24：判断服务小区和邻区场强信息中是否具有TA和AOA数据，若是，则进行TA和AOA定位，得到用户位置信息；若否，则进入下一步；

S25：进行小区定位，获取用户位置信息，实现用户位置的精确定位。

优选的，上述用户感知深度检测方法，还包括以下步骤：

S26：基于采集的用户位置信息，采用室内外区分算法，结合用户位置的运动态识别和位置合理性判断，准确区分室内用户和室外用户，实现对用户级别的移动状态和静止状态的判定，并根据室内外用户属性数据建立MR指纹库。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

(1)本发明提供的一种基于MR和XDR的用户感知深度检测方法，从控制面和业务面两个维度形成业务质量KQI指标，建立用户感知MOS指标的评分模型，并基于评分模型和业务质量KQI指标计算得到用户感知MOS值，以用户感知MOS值代替MR数据中的无线性能KPI指标来诊断用户的网络感知，真实可靠；根据无线性能KPI指标、业务质量KQI指标和所述用户感知MOS值建立“无线性能—业务性能—用户感知”三层分析模型；基于用户位置信息和用户感知MOS值，通过三层分析模型还原用户感知质差时所处时间维度和地理位置的即时无线性能，实现从用户的即时地理位置、时间点等多维度对问题事件进行回溯还原，真实呈现，直击问题根因，快速锁定问题，提升客感评估优化效率；

(2)针对质差用户分别从终端、无线侧、核心网和业务侧进行质差原因分段定位，通过无线侧与业务侧的双向联动分析，使分析层级从小区级提升至用户级，提高了问题定位的精确度及效率；通过业务质量KQI指标与无线性能KPI指标的关联分析模型对重点业务性能的实时监测与优化，当业务质量KQI指标出现异常时，关联分析模型将触发无线性能KPI指标的评分算法，评分算法检测出无线性能KPI指标中影响用户业务感知的影响因子并对其进行预警呈现；采用此种方式，以用户感知作为网络优化的触发点，当业务质量KQI指标出现异常时即开始主动优化，相对于传统的以提升客感、降低投诉为目的的被动优化，能够提高无线网络的优化效率，避免客户感知严重受损，为用户提供更好的网络体验，提高运营商的无线网络市场影响力。

附图说明

图1是本发明实施例提供的基于MR和XDR的用户感知深度检测方法的流程图；

图2是本发明实施例提供的用户位置定位的流程图；

图3是本发明实施例提供的“网络质量—业务性能—用户感知”三层分析模型的架构图；

图4是本发明实施例提供的基于MR和XDR进行网络性能优化的架构图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明所提供的一种基于MR和XDR的用户感知深度检测方法，如图1所示，包括以下步骤：

S1：获取测量报告数据和信令监测数据；

S2：从XDR数据中提取用户HTTP数据包，采用数据解密解码技术从用户HTTP数据包中提取高精度用户位置信息，基于S1-U Http content全量高精度定位技术实现用户位置的精准定位，并将采集的用户位置信息存储在UE位置信息库中；用户在执行HTTP类网络业务时，根据Http Servlet Request消息，通过request.getRemoteAddr()从用户HTTP数据包中获取用户真实IP地址。

如图2所示，获取用户位置信息的过程具体包括以下子步骤：

S21：从MR数据中提取原始测量报告(Mearsurement report Original；MRO)数据；

S22：对MRO数据进行预处理，解析并提取关键字段，获取涉及网络覆盖质量的数据信息，得到服务小区和邻区场强；

S23：判断服务小区和邻区场强是否具有三角场强定位条件，若是，则根据基站信息进行三角场定位，得到用户的位置信息；若否，则进入下一步；

S24：判断服务小区和邻区场强是否具有时间提前量(Time advance，TA)和基站天线到达角(Angle of Arrival，AOA)数据，若是，则进行TA和AOA定位，得到用户位置信息；若否，则进入下一步；

S25：进行小区定位，获取用户位置信息，实现用户位置的精确定位；

S26：基于采集的用户位置信息，采用室内外区分算法，结合用户位置的运动态识别和位置合理性判断，准确区分室内用户和室外用户，实现对用户级别的移动状态和静止状态的判定，承担和替代模拟传统路测的分析工作，并根据室内外用户属性数据建立MR指纹库；由于室分与宏站网络自身能力存在差别，室内和室外用户的下行吞吐率指标所能达到的服务要求不同，通过MR指纹库可以检索出室内外用户特性，针对室内外用户采取不同的业务性能和用户感知的检测、预警机制和触发门限，对室内(静止态)用户和室外(移动态)用户的业务性能指标区别设置监控。

S3：根据相同的时间戳和S1apID信息，将XRD数据、用户位置信息和MR数据进行关联，得到用户多维关联数据；该用户多维关联数据可用于实现虚拟路测效果的GIS渲染，从空间维度直观呈现出无线网络的点与面覆盖质量；

MR数据和信令事件关联主要是利用各自的时间戳和S1apID信息，一个正常的用户呼叫过程中，其MmeUeS1apID是保持不变的，且MR数据和XDR数据都包含了这个字段，这样，通过指定的时间段上的MmeUeS1apID字段，即可将MR数据与XDR数据进行关联，实现用户事件与用户属性的匹配，得到匹配数据；将匹配数据和用户位置信息进行关联，得到信令发生时的地理位置信息和场强等用户多维关联数据，将该用户多维关联数据转换成测试Log，作为一种新的测试数据纳入路网通分析体系；通过用户多维关联数据，可实现网络普查及网络事件的回放，继而进行网络问题定位和分析优化等应用。

S4：从控制面、业务面两个维度形成业务质量KQI指标；其中，控制面的KQI指标数据来源于XDR信令数据中的S1-MME接口数据，业务面的KQI指标数据来源于XDR信令数据中的S1-U关键字段和数据。

S5：根据海量用户投诉的业务质量及用户感知评分的采样数据建立用户感知MOS指标的评分模型；基于评分模型，根据业务质量KQI指标计算得到用户感知MOS值；本实施例提供的用户感知MOS值的评分标准为0～10分，其中，MOS值为10分，代表用户感知优秀；9分，代表用户感知良好；8分，代表用户感知较好；7分，代表用户感知一般；6分，代表用户感知可忍受，无线性能KPI指标进行预警，网络维护人员进行网络性能巡检和监控；低于6分表示用户感知质差，无线性能KPI指标异常告警，运维管理平台派发运维工单，启动用户位置定位，分析质差原因并进行优化；

用户感知MOS指标的评分模型的建立过程包括：采集海量用户投诉的业务质量及其对应的用户感知评分建立经验库，根据用户感知评分对经验库中的不同业务质量数据设置打分权重并进行加权计分，得到用户感受特征值，将用户感受特征值和对应的业务质量数据进行关联，得到用户感知MOS值的评分模型；其中，业务质量数据包括附着、承载建立、业务请求、TAU和HTTP业务访问时延等。

S6：从测量报告数据中提取无线性能KPI指标，根据所述无线性能KPI指标、业务质量KQI指标和用户感知MOS值，通过集成式学习算法建立“无线性能—业务性能—用户感知”三层分析模型，三层分析模型的架构图如图3所示；

集成式学习算法的过程如下：

1、利用机器学习的集成式学习理念，对无线性能KPI指标和业务性能KQI指标数据之间的映射模型进行集成式学习，其中，业务性能指标包括空口时延和下行吞吐率；无线性能指标包括参考信号接收功率(Reference Signal Receiving Power，RSRP)、参考信号接收质量(Reference Signal Receiving Quality，RSRQ)、信号与干扰加噪声比(Signal toInterference plus Noise Ratio，SINR)、信道质量指示(Channel Quality Instruction，CQI)、调制与编码策略(Modulation and Coding Scheme，MCS)、物理上行共享信道物理资源块(Physical Uplink Shared Channel Physical Resource Block，PUSCH PRB)和物理下行共享信道物理资源块(Physical Downlink Shared Channel Physical ResourceBlock，PDSCH PRB)；通过数据挖掘中的多种回归关联算法对上述无线性能指标和业务性能指标进行优化整合并赋予动态权重，得到空口时延和下行吞吐率与各无线性能指标映射关系的关联模型；

空口时延与无线性能指标的映射公式为：

T＝f(RF_I_i)_{i＝1，2，3，……7}；

下行吞吐率与无线性能指标的映射公式为：

V＝f(RF_I_i)_{i＝1，2，3，……7}；

其中：T表示空口时延，V表示下行吞吐率，I代表七种不同的回归关联算法，具体为：1.Linear Regression，2.Polynomial Regression，3.Stepwise Regression，4.LassoRegression，5.Ridge Regression，6.ElasticNet Regression，7.GAM-generalizedAdditive Model；

2、通过集成式学习算法训练器筛选出无线性能指标和业务性能指标的原始数据，将原始数据分成训练集和测试集；在训练集中，将七种无线指标原始数据通过不同的关联算法分别对空口时延和下行吞吐率进行训练学习；根据误差率、重要性设置各个无线性能指标的权重，权重的收敛利用最小二乘法到达最优化，最后利用得出的七个权重利用加权平均训练得出空口时延和下行吞吐率与各无线性能指标映射关系模型，并利用测试集的数据进行验证；

3、将无线性能KPI指标和业务性能KQI指标的映射模型，以及与业务性能KQI指标对应的用户感知MOS值进行关联，得到“无线性能—业务性能—用户感知”三层分析模型。

S7：基于用户位置信息和用户感知MOS值，通过三层分析模型还原用户感知质差时所处的地理位置以及对应的时间点，以实现在时间和空间维度上对用户投诉业务感知差时的即时无线性能进行复原。

S8：根据即时无线性能，针对质差用户从终端、无线侧、核心网和业务侧等具体环节开展分段定位；针对无线侧和业务侧两个主要环节，开展细化建模分析和问题精确定位；

如图4所示，在无线侧，通过问题分析建模进行无线侧问题栅格定位，实现4G无线质差原因精确定位；通过分场景覆盖优化实现质差小区感知提升；

具体的，基于用户感知MOS值，以及对应的业务性能数据和无线指标数据，采用GIS渲染和/或栅格定位呈现用户感知MOS值的短板区域，得到短板区域内的业务性能数据和无线指标数据，将无线指标数据与预设的无线指标预警阈值进行对比，得到异常无线指标，实现无线侧质差原因精确定位；另外，可通过图层和走势图等方式直观呈现用户感知MOS值的变化趋势；

从用户多维关联数据中提取不同业务场景对应的业务特征值，基于无线性能KPI指标与业务质量KPI指标的映射关系得到与所述业务特征值对应的无线性能指标，深度检测用户业务质差微区域，锁定优化目标区域，并通过分场景覆盖优化实现用户感知MOS值提升；其中，多业务特征值包括地域级别、业务场景、业务类型、业务包大小、业务时延、用户规模、场强和质量等。

在业务侧，建立业务质量KQI指标与无线性能KPI指标的关联分析模型，通过该关联分析模型实现对重点业务性能实时监测与优化，当业务质量KQI指标出现异常时，该关联分析模型将触发无线性能KPI指标的评分算法，该评分算法通过检测找出无线性能KPI指标中影响用户业务感知的影响因子并对其进行预警呈现，根据异常程度生成预警值，结合预警值分等级触发不同处理时限要求的运维工单，实施巡检、优化；重点业务包括热点域名点击率，业务接入时延，响应时延，ping时延，attach成功率，上网速率，丢包率，RRC接入成功率，E-RAB建立成功率等。

采用此种方式，以用户感知作为网络优化的触发点，当业务质量KQI指标出现异常时即开始主动优化，相对于传统的以提升客感、降低投诉为目的的被动优化，能够提高无线网络的优化效率，避免客户感知严重受损，为用户提供更好的网络体验，提高运营商的无线网络市场影响力。

针对现有业务整体感知评估方式无法发现业务内个别域名质差，传统简单设置静态门限预警方式无法区分不同业务和时间维度的差异的情况，本实施例利用GPLSA模型对不同业务域名、不同时间维度指标进行学习，得到各业务域名、不同时段时延的动态门限值，业务质量KQI指标低于动态门限值则进行预警，实现业务质量异常预警，从而实现业务质量异常点检测；

具体的，建立业务质量KQI指标与无线性能KPI指标的GPLSA模型并采用EM算法求解PLSA模型参数，进行降维处理后对无线性能KPI指标中影响用户业务感知的隐含变量做后验概率计算，再通过对数似然函数求解各隐含变量的最大值，得到各业务域名、不同时段时延的动态门限值，实现业务质量异常动态预警；基于时间点分段，在一个时间粒度上，基于业务类型、KQI指标，进行切片分段呈现，实现在时间进程上，网络质量与用户业务感受的逐一回放、还原，使得异常问题点能够清晰透视。这种基于无监督、完全自动化处理方式，实现用户感受与网络质量之间的自学习匹配。

本发明提供的一种基于MR和XDR的用户感知深度检测方法，通过对信令监测数据、测量报告数据和用户位置信息进行关联分析，得到用户多维关联数据，建立“无线性能—业务性能—用户感知”三层分析模型，实现从网络侧到用户侧对用户感知进行双向联动分析，实现从用户的即时地理位置、时间点等多维度对问题事件进行回溯还原，真实呈现，直击问题根因，快速锁定问题，提升客感评估优化效率。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于MR和XDR的用户感知深度检测方法，其特征在于，包括以下步骤：

S1：获取测量报告数据和信令监测数据；

S2：从所述信令监测数据中提取用户HTTP数据包，对所述用户HTTP数据包进行解码，获得用户位置信息；

S3：以信令监测数据中的S1-MME接口数据作为控制面，信令监测数据中的S1-U接口数据作为业务面，从所述控制面和业务面两个维度形成业务质量KQI指标；

S4：根据用户投诉的业务质量及用户感知评分的采样数据建立用户感知MOS指标的评分模型；基于所述评分模型和业务质量KQI指标计算得到用户感知MOS值；

S5：从所述测量报告数据中提取无线性能KPI指标，根据所述无线性能KPI指标、业务质量KQI指标和所述用户感知MOS值，通过集成式学习算法建立“无线性能—业务性能—用户感知”三层分析模型；

S6：基于所述用户位置信息和用户感知MOS值，通过所述三层分析模型还原用户感知质差时所处的地理位置以及对应的时间点，以实现在时间和空间维度上对用户投诉业务感知差时的即时无线性能进行复原；

S7：根据所述即时无线性能，分别从无线侧和业务侧对用户感知质差原因进行定位，得到导致用户感知质差的异常无线性能指标，并针对所述异常无线性能指标进行优化。

2.如权利要求1所述的用户感知深度检测方法，其特征在于，步骤S7包括以下子步骤：

S71：根据相同的时间戳和S1apID信息，将信令监测数据、测量报告数据和所述用户位置信息进行关联，得到用户多维关联数据；

S72：在无线侧，基于用户感知MOS值和所述用户多维关联数据，采用GIS渲染和/或栅格定位呈现用户感知MOS值的短板区域，得到所述短板区域内的业务性能数据和无线指标数据，将所述无线指标数据与预设的无线指标预警阈值进行对比，得到异常无线指标，实现无线侧质差原因精确定位；

从所述用户多维关联数据中提取不同业务场景对应的业务特征值，基于无线性能KPI指标与业务质量KQI指标的映射关系得到与所述业务特征值对应的无线性能指标，深度检测用户业务质差微区域，锁定优化目标区域，并通过分场景覆盖优化实现用户感知MOS值提升；

S73：在业务侧，建立业务质量KQI指标与无线性能KPI指标的关联分析模型，当业务质量KQI指标出现异常时，所述关联分析模型将触发无线性能KPI指标的评分算法，所述评分算法用于检测无线性能KPI指标中影响用户感知MOS值的影响因子并根据所述影响因子的异常程度生成对应的预警值，所述预警值触发具有不同等级和处理时限的运维工单，实现无线网络的巡检和优化。

3.如权利要求1或2所述的用户感知深度检测方法，其特征在于，步骤S3之后还包括以下步骤：利用GPLSA算法对不同业务域名、不同时间维度指标进行学习，得到各业务域名、不同时段时延的动态门限值，业务质量KQI指标低于所述动态门限值则进行预警，实现业务质量异常预警。

4.如权利要求1或2所述的用户感知深度检测方法，其特征在于，所述评分模型的建立过程包括：采集用户投诉的业务质量及其对应的用户感知评分建立经验库，根据所述用户感知评分对所述经验库中的不同业务质量数据设置权重并进行加权计分，得到用户感受特征值，将所述用户感受特征值和对应的业务质量数据进行关联，得到用户感知MOS指标的评分模型；所述业务质量数据包括附着、承载建立、业务请求、TAU和HTTP业务访问时延。

5.如权利要求2所述的用户感知深度检测方法，其特征在于，所述业务特征值包括地域级别、业务场景、业务类型、业务包大小、业务时延、用户规模、场强和质量。

6.如权利要求1所述的用户感知深度检测方法，其特征在于，步骤S2中，获取用户位置信息包括以下步骤：

S21：从测量报告数据中提取原始测量报告数据；

S22：对所述原始测量报告数据进行预处理，解析并提取关键字段，获取涉及网络覆盖质量的数据信息，得到服务小区和邻区场强信息；

S23：判断所述服务小区和邻区场强信息是否具有三角场强定位条件，若是，则根据基站信息进行三角场定位，得到用户的位置信息；若否，则进入下一步；

S24：判断所述服务小区和邻区场强信息中是否具有TA和AOA数据，若是，则进行TA和AOA定位，得到用户位置信息；若否，则进入下一步；

S25：进行小区定位，获取用户位置信息，实现用户位置的精确定位。

7.如权利要求6所述的用户感知深度检测方法，其特征在于，还包括以下步骤：

S26：基于采集的用户位置信息，采用室内外区分算法，结合用户位置的运动态识别和位置合理性判断，准确区分室内用户和室外用户，实现对用户级别的移动状态和静止状态的判定，并根据室内外用户属性数据建立MR指纹库。