CN109348490B - 一种识别干扰铁路lte网络的邻接载波的方法及装置 - Google Patents

Abstract

本申请公开了一种识别干扰铁路LTE网络的邻接载波的方法，包括：基于预先建立的大数据平台和MR数据采集铁路用户和公网用户的数据；根据所述铁路用户和公网用户的数据基于铁路用户和公网用户的分离策略进行针对性建模，针对铁路用户占用邻接载波的数据和公网用户占用铁路小区的数据进行分析，获取干扰铁路LTE网络的邻接载波。实现了结合实际无线环境的邻接载波干扰问题的分类、优化和评估，实现了对铁路小区覆盖铁路、铁路用户占用铁路LTE网络的精准对标。实现了无线基础网络能力挖掘，实现了铁路LTE网络的邻接载波自动快速实时跟踪，降低了传统测试人员上车路测的车票费、人工成本及测试设备折旧费。

Description

一种识别干扰铁路LTE网络的邻接载波的方法及装置

技术领域

本申请属于数据挖掘领域，具体涉及一种识别干扰铁路LTE网络的邻接载波的方法及装置。

背景技术

目前铁路LTE网络(Long Term Evolution，通用移动通信技术的长期演进网络)干扰排查方法一般基于如下：

采用拉网路测传统问题发掘分析的评估手段，即测试人员购票乘坐铁路使用专门的测试设备进行路测的方法作为LTE干扰排查的重要方法，目前基于现场测试LTE网络系统间干扰情况分析较普遍。

目前较为智能的方法是在网络侧实现数据的自动采集和统计，确定存在PCI(Physical Cell Identifier，物理小区标识)干扰的小区是基于MR(Measurement Report，测量报告)中的服务小区的PCI进行的，通过获取用户设备UE(User Equipment)上报的测量报告MR进行。

业界基本采用拉网路侧传统问题发掘分析的评估手段，该手段成本高，需进行人力配置、购买全套测试设备及终端，流程复杂，且每次测试log不一定有效重复测试概率高，测试可用性需花费大量资源成本。且问题分析有一定滞后，面对突发网络异常问题需尽快处理时，现场分析慢，多个平台联动效率低下，需要简单、实时的分析优化手段。

最新的自动LTE系统干扰核查能够在网络侧实现数据的自动采集和统计，确定存在PCI干扰的小区该方法MR采集中根据用户行为产生大量数据，数据提取及分析慢有一定滞后性，且目前该过程无法界面化不够直观。

发明内容

本申请提供一种识别干扰铁路LTE网络的邻接载波的方法，以解决现有的LTE网络干扰排查方法成本高、并且有一定滞后性的问题。本申请另外提供一种识别干扰铁路LTE网络的邻接载波的装置。

本申请提供识别干扰铁路LTE网络的邻接载波的方法，包括：

基于预先建立的大数据平台和MR数据采集铁路用户和公网用户的数据；

根据所述铁路用户和公网用户的数据结合铁路用户和公网用户的分离策略，获取铁路用户占用邻接载波的数据和公网用户占用铁路小区的数据；

根据所述铁路用户占用邻接载波的数据和所述公网用户占用铁路小区的数据进行针对性建模，并获取干扰铁路LTE网络的邻接载波。

可选的，所述根据所述铁路用户占用邻接载波的数据和所述公网用户占用铁路小区的数据进行针对性建模，并获取干扰铁路LTE网络的邻接载波步骤，包括：

根据从所述铁路用户占用邻接载波的数据中提取出的特定时间段铁路用户占用每个邻接载波的用户数量、被占用的4G邻接载波基础工参以及周边铁路3G专网基础工参得出问题邻接载波清单，并结合路测大数据得出干扰所述铁路LTE网络的多个问题邻接载波；

根据从所述公网用户占用铁路小区的数据提取出的特定时间段公网用户占用铁路小区的用户数量、铁路用户占用过铁路小区附近的邻接载波、被占用的4G/3G铁路小区基础工参进行双向动态分析，结合路测大数据得出双待优化小区详单；

根据所述双待优化小区详单和干扰所述铁路LTE网络的多个问题邻接载波得出干扰所述铁路LTE网络的邻接载波。

可选的，所述方法还包括：

针对所述干扰铁路LTE网络的邻接载波进行优化。

可选的，所述针对所述干扰铁路LTE网络的邻接载波进行优化步骤，包括：

针对所述干扰铁路LTE网络的邻接载波进行射频优化；

将进行射频优化无法解决干扰的干扰铁路LTE网络的邻接载波纳入铁路LTE网络。

可选的，所述将进行射频优化无法解决干扰的干扰铁路LTE网络的邻接载波纳入铁路LTE网络步骤之后，还包括：

获取公网用户的用户感知的业务质量参数，检验所述公网用户的用户感知的业务质量参数是否出现异常；

若检验出所述公网用户的用户感知的业务质量参数未出现异常，则确定所述邻接载波纳入铁路LTE网络后公网用户占用正常。

可选的，所述将进行射频优化无法解决干扰的干扰铁路LTE网络的邻接载波纳入铁路LTE网络步骤之后，还包括：

获取铁路用户的用户感知的业务质量参数，检验所述铁路用户的用户感知的业务质量参数是否出现异常；

若检验出所述铁路用户的用户感知的业务质量参数未出现异常，则确定所述优化后的邻接载波纳入铁路LTE网络后铁路用户占用正常。

本申请还提供一种识别干扰铁路LTE网络的邻接载波的装置，包括：

采集模块，用于基于预先建立的大数据平台采集铁路用户的数据；

获取模块，用于根据所述铁路用户和公网用户的数据结合铁路用户和公网用户的分离策略，获取铁路用户占用邻接载波的数据和公网用户占用铁路小区的数据；

识别模块，用于根据所述铁路用户占用邻接载波的数据和所述公网用户占用铁路小区的数据进行针对性建模，并获取干扰铁路LTE网络的邻接载波。

可选的，所述识别模块，包括：

问题邻接载波获取子模块，用于根据从所述铁路用户占用邻接载波的数据中提取出的特定时间段铁路用户占用每个邻接载波的用户数量、被占用的4G邻接载波基础工参以及周边铁路3G专网基础工参得出问题邻接载波清单，结合路测大数据得出干扰所述铁路LTE网络的多个问题邻接载波；

双待优化小区详单获取子模块，用于根据从所述公网用户占用铁路小区的数据提取出的特定时间段公网用户占用铁路小区的用户数量、铁路用户占用过铁路小区附近的邻接载波、被占用的4G/3G铁路小区基础工参进行双向动态分析，并结合路测大数据得出双待优化小区详单；

邻接载波确定模块，用于根据所述双待优化小区详单和干扰所述铁路LTE网络的多个问题邻接载波确定干扰所述铁路LTE网络的邻接载波。

可选的，所述装置，还包括：

优化模块，用于针对所述干扰铁路LTE网络的邻接载波进行优化。

可选的，所述优化模块，包括：

第一优化模块，用于针对所述干扰铁路LTE网络的邻接载波进行射频优化；

第二优化模块，用于将进行射频优化无法解决干扰的干扰铁路LTE网络的邻接载波纳入铁路LTE网络。

可选的，所述优化模块采用第二优化模块进行优化，所述装置，还包括：

第一检验模块，用于获取公网用户的用户感知的业务质量参数，检验所述公网用户的用户感知的业务质量参数是否出现异常；

第一确定模块，用于若检验出所述公网用户的用户感知的业务质量参数未出现异常，则确定所述邻接载波纳入铁路LTE网络后公网用户占用正常。

可选的，所述优化模块采用第二优化模块进行优化，所述装置，还包括：

第二检验模块，用于获取铁路用户的用户感知的业务质量参数，检验所述铁路用户的用户感知的业务质量参数是否出现异常；

第二确定模块，用于若检验出所述铁路用户的用户感知的业务质量参数未出现异常，则确定所述邻接载波纳入铁路LTE网络后铁路用户占用正常。

本申请实施例以用户感知为中心，立足大数据技术，借助华为SEQ平台等多平台共享，对铁路海量用户行为进行洞察和挖掘,基于大数据技术重点对铁路用户占用邻接载波的行为进行建模，实现了结合实际无线环境的邻接波干扰问题的分类、优化和评估，实现了对铁路小区覆盖铁路、铁路用户占用铁路LTE网络的精准对标。首次建立了铁路优化全景模型，促进信息服务全面升级。首次在铁路无线网络优化上应用了大数据快速实时模式，改革传统慢格局。实现了无线基础网络能力挖掘，实现了铁路LTE网络的邻接载波自动快速实时跟踪，降低了传统测试人员上车路测的车票费、人工成本及测试设备折旧费。

附图说明

图1为本申请第一实施例提供的一种识别干扰铁路LTE网络的邻接载波的方法的流程图；

图2为本申请第二实施例提供的一种识别干扰铁路LTE网络的邻接载波的方法的流程图；

图3为本申请第二实施例提供的一种识别干扰铁路LTE网络的邻接载波的方法的邻接载波干扰铁路LTE网络的示意图；

图4为本申请第二实施例提供的一种识别干扰铁路LTE网络的邻接载波的方法的邻接载波干扰铁路LTE网络的另一示意图；

图5为本申请第二实施例提供的一种识别干扰铁路LTE网络的邻接载波的方法的邻接载波铁路LTE网络用户数的示意图；

图6为本申请第二实施例提供的一种识别干扰铁路LTE网络的邻接载波的方法的邻接载波优化前的示意图；

图7为本申请第二实施例提供的一种识别干扰铁路LTE网络的邻接载波的方法的邻接载波优化后的示意图；

图8为本申请第三实施例提供的一种识别干扰铁路LTE网络的邻接载波的装置的结构示意图；

图9为本申请第四实施例提供的一种识别干扰铁路LTE网络的邻接载波的装置的结构示意图。

具体实施方式

为使本领域技术人员更好地理解本申请的技术方案，下面结合附图和具体实施方式对本申请作进一步详细描述。

本申请提供一种识别干扰铁路LTE网络的邻接载波的方法、装置。以下分别结合本申请提供的实施例的附图逐一进行详细说明。

本申请第一实施例提供的一种识别干扰铁路LTE网络的邻接载波的方法如下：

本申请实施例的执行主体是服务端，如图1所示，其示出了本申请实施例提供的一种识别干扰铁路LTE网络的邻接载波的方法的流程图，包括以下步骤。

步骤S101，基于预先建立的大数据平台和MR数据采集铁路用户和公网用户的数据。

步骤S102，根据铁路用户和公网用户的数据结合铁路用户和公网用户的分离策略，获取铁路用户占用邻接载波的数据和公网用户占用铁路小区的数据。

步骤S103，根据铁路用户占用邻接载波的数据和公网用户占用铁路小区的数据进行针对性建模，并获取干扰铁路LTE网络的邻接载波。

本申请实施例以用户感知为中心，立足大数据技术，借助华为SEQ平台等多平台共享，对铁路海量用户行为进行洞察和挖掘,基于大数据技术重点对铁路用户占用邻接载波的行为进行建模，实现了结合实际无线环境的邻接波干扰问题的分类、优化和评估，实现了对铁路小区覆盖铁路、铁路用户占用铁路LTE网络的精准对标。首次建立了铁路优化全景模型，促进信息服务全面升级。首次在铁路无线网络优化上应用了大数据快速实时模式，改革传统慢格局。实现了无线基础网络能力挖掘，实现了铁路LTE网络邻接载波自动实时跟踪，降低了传统测试人员上车路测的车票费、人工成本及测试设备折旧费。

本申请第二实施例提供的一种识别干扰铁路LTE网络的邻接载波的方法如下：

本申请实施例的执行主体是服务端，如图2所示，其示出了本申请实施例提供的一种识别干扰铁路LTE网络的邻接载波的方法的流程图，包括以下步骤。

步骤S201，基于预先建立的大数据平台和MR数据采集铁路用户和公网用户的数据。

采用铁路LTE网络的TAC与WCDMA网的LAC对应方式形成所谓专网，但覆盖铁路的LTE网络与非覆盖铁路的周边LTE网络同频。同频干扰是LTE网干扰的主要来源，同频干扰也就是重叠覆盖导致，常采用路测发现问题区域，主要优化手段为天馈调整，同频干扰对用户切换等产生较大影响，容易产生异常事件。原则上合理的重叠覆盖区域将降低同频邻接载波干扰，但由于站高、站间距、站轨距等差异，势必会形成邻接载波干扰。

针对占用铁路LTE网做语音业务的用户来说，根据3GPP规定，语音业务在起呼的时候，UE从LTE网络回退到CS域(Circuit Switched，电路域)发起呼叫；终呼时，UE在LTE网络收到寻呼，触发UE回退到CS网络。E-UTRAN(LTE网络中的接入网部分)引导终端进入CS域，包括3类7种方式，推荐采用R9方式进行CSFB(Circuit Switched Fallback，电路域回落)。回落优选网络可设置，即通过RIM过程(RAN Information Management，进行信息管理)提前获取2G/3G网络中最多16个小区的系统信息并通过RRC(Radio Resource Control，无线资源控制)释放消息向UE发送，UE接入到2G/3G网络后无需读取系统信息，降低接入时延。铁路3G/4G互操作中CSFB通过RRC释放消息中携带3G频点来判断回落3G专网或公网。

图3和图4示出了目前铁路用户、公网用户、铁路基站、邻接载波对应关系。第一种情况，如图3所示，邻接载波覆盖到了铁路用户和公网用户，即邻接载波对铁路网络行程强干扰而使铁路用户无法正常使用最近的铁路网络，如果该邻接载波4G网络回落到就近的3G公网，会造成铁路用户拖死掉话、上网感知差等现象发生。第二种情况，如图4所示，该情况较为复杂，铁路用户占用铁路专网CSFB回落到3G专网，铁路用户占用邻接载波CSFB回落到3G公网，公网用户占用铁路专网CSFB回落到3G专网，以及公网用户占用邻接载波CSFB回落到3G公网。CSFB业务回落时按照频点回落，3G铁路专网和邻接载波3G公网异频可根据回落频点进行分别指定到对应网络上。上述情况对铁路用户、公网用户感知产生一定影响，使用户都不同程度感知下降。假如铁路用户占用LTE邻接载波，发起呼叫携带3G公网频点CSFB占用共站或邻近3G公网，由于3G公网信号不纯净且该扇区较远，存在较大可能的掉话风险，且一旦该邻接载波周边公网用户多负荷高，势必影响铁路用户感知。

综上述，需要对干扰铁路LTE网络的邻接载波进行识别，以备之后对干扰铁路LTE网络的邻接载波进行优化。

为了识别干扰铁路LTE网络的邻接载波，需先采集铁路用户和公网用户的数据，即采集铁路LTE网络用户的数据和邻接载波的数据。

在该步骤中，将多个平台大数据整合，首次将华为SEQ平台、中兴VMAX、核心网中创平台、B侧大数据平台等多个平台关联互动，实现了多个平台的聚合，使数据挖掘及优化更便利，实现了大量信息的快速挖掘和实时应用。并结合MR数据达到铁路用户和公网用户的数据的精确采集。

步骤S202，根据铁路用户和公网用户的数据结合铁路用户和公网用户的分离策略，获取铁路用户占用邻接载波的数据和公网用户占用铁路小区的数据。

铁路用户的行为习惯画像对铁路用户感知分析及网络优化、针对性促销、主动关怀、有效解决用户投诉等具有重要作用，为精准化用户服务提供巨大支撑。现有技术中，经历了五个阶段对铁路用户分离和提取验证。

第一阶段：基于隧道场景的用户遍历。针对多隧道铁路路段，因为隧道场景封闭信号纯净，该区域受周边公网用户干扰小影响少，每个铁路用户必须经过铁路隧道，此部分用户为纯净铁路用户。该方法剥离出的铁路专用用户精准，但省内只部分地市及区域有隧道，不具备全省普适性。

第二阶段：基于MR数据的长周期用户连续出现概率遍历。抽取MR数据，取出该小区下所有用户，剥离非铁路时段用户，抽取一周中至少三天以上非铁路时段出现的用户为公网用户。

第三阶段：基于MR数据的短周期用户做业务占用铁路小区遍历。

第四阶段：基于SEQ、VMAX平台铁路用户一系列行为占用小区数据采集及分析。

第五阶段：多维度立体化采集及分析。在第四阶段基础上，空间时间多维度约束严格化。

在该步骤中，使用阶段五专网用户剥离方法来分离和提取验证铁路用户的数据，并进行了相应的改进。根据基于MR数据的占用铁路小区长短周期用户遍历、以及结合多个大数据平台基于隧道场景的用户遍历、占用公网小区的铁路用户一系列行为的分析得出铁路小区中的铁路用户和公网用户，以及每个公网小区中的铁路用户和公网用户，即获取铁路用户占用邻接载波的数据和公网用户占用铁路小区的数据。根据从公网小区中铁路用户占用数据将该公网小区自动加入铁路邻接载波列表中，以供之后对邻接载波进行识别。

本申请实施例不必再采用传统的拉网路测传统问题发掘分析的评估手段，测试人员需购票乘坐铁路使用专门的测试设备进行路测。而是利用SEQ、VMAX等平台联动，细化铁路场景，通过铁路用户行为，如必经过火车站广场至铁路线路小区等一系列行为，且集合经过省内列车时刻、跨地市铁路站间距等综合因素判断是否为铁路用户。经过多次细致大数据挖掘、统计和分析，抽取出的铁路用户与MR数据用户行为拟合验证准确率达90％以上，实现了数据的精确分离。

例如，如图5所示，为2018年9月邻接载波铁路LTE网络用户数Top50，即铁路上连接到邻接载波的铁路用户，用户数越多说明干扰指数越大，异常事件风险概率越高。

在一种优选的方案中，所述铁路用户是高铁用户，基于SEQ、VMAX等平台联动，采集高铁用户的数据，以下论述也以铁路用户为高铁用户为例进行说明。

步骤S203，根据从铁路用户占用邻接载波的数据中提取出的特定时间段铁路用户占用每个邻接载波的用户数量、被占用的4G邻接载波基础工参以及周边铁路3G专网基础工参得出问题邻接载波清单，并结合路测大数据得出干扰铁路LTE网络的多个问题邻接载波。

在该步骤中，当用户为高铁用户时，将高铁用户占用邻接载波的数据进一步剥离提取，提取出4G邻接载波基础工参(尤其是过高、过近等特征工参)以及周边铁路3G专网基础工参、特定时间段铁路用户占用每个邻接载波的用户数值得出问题邻接载波清单，例如表1，并结合路测大数据进行风险分析，从而筛选出需要优化的干扰高铁LTE网络的多个问题邻接载波。

表1

具体的，特定时间段可以按照需求进行设计，如每天，此处不作限定。二层站小区是邻接载波的网络，最近的3G小区1和最近的3G小区2是铁路LTE网络。问题邻接载波清单反映的是铁路用户占用邻接载波的数据，基于表1需要得到的优化结果是铁路用户占用邻接载波的数量变少。因此对铁路用户占用邻接载波数量较大的二层站小区进行优化，并且结合对应的该4G公网小区与3G专网小区2间距等数据得出需要进行优化的二层站小区。

步骤S204，根据从公网用户占用铁路小区的数据提取出的特定时间段公网用户占用铁路小区的用户数量、铁路用户占用过铁路小区附近的邻接载波、被占用的4G/3G铁路小区基础工参进行双向动态分析，结合路测大数据得出双待优化小区详单。

在该步骤中，当用户为高铁用户时，提取出公网用户占用该铁路小区的用户数量，以此来评估该铁路小区的精准覆盖，同时提取出铁路用户占用过铁路小区附近的邻接载波以及被占用的4G/3G铁路小区基础工参进行双向动态分析，结合路测大数据得出双待优化小区详单，以及双向合理覆盖区域。

如下表2Top小区可动态显示取第N天大网/公网高铁用户数，自动显示高铁用户占用过该高铁小区附近的邻接载波。结合路测大数据得出高铁用户占用邻接载波的参考信号接收功率，通过路测大数据的RSRP值得出该邻接载波干扰的大小，然后通过用户数、RSRP值等定量分析干扰的大小，得出双待优化小区详单，对干扰较大的邻接载波进行优先处理。

表2

具体的，特定时间段可以按照需求进行设计，如每天，此处不作限定。大网用户即公网用户。双向动态调整清单反映的是公网用户占用铁路小区的数据，以及铁路用户占用过该铁路小区附近的邻接载波，能筛选出哪个邻接载波对哪个铁路小区影响最大。基于表2需要得到的优化结果是公网用户占用铁路小区的数量变少。因此，双向动态识别及优化，可使网络对应覆盖更精准，对应用户感知进一步提升。

步骤S205，根据双待优化小区详单和干扰铁路LTE网络的多个问题邻接载波得出干扰铁路LTE网络的邻接载波。

在该步骤中，结合步骤S202中得出的多个问题邻接载波和步骤S204中得出的双待优化小区详单，能判断出干扰所述铁路LTE网络最大的是哪个邻接载波。即得出干扰铁路LTE网络的最需进行优化的邻接载波，能更精准覆盖的铁路小区，以减少重叠覆盖，遏制邻接载波对铁路用户的干扰。

在一种优选的方案中，可以根据双待优化小区详单得出哪个邻接载波对哪个铁路小区影响最大，进而可以针对干扰多个铁路LTE网络的邻接载波进行识别。方法类似本申请实施例针对干扰一个铁路LTE网络的邻接载波的识别方法进行实施，此处不作过多论述。

步骤S206，针对所述干扰铁路LTE网络的邻接载波进行射频优化。

本申请实施例采用两种优化方法对邻接载波进行优化，第一种是针对所述干扰铁路LTE网络的邻接载波进行射频优化，减少邻接载波对铁路LTE网络的干扰；第二种是将邻接载波纳入铁路LTE网络。

例如，当铁路用户为高铁用户时，针对表1得出的待优化的邻接载波，具体的优化过程如下：取7天铁路用户占用邻接载波日均500次以上，且历史路测大数据库中连续2个月例测业务占用小区，同时跟平台联动发现RSRP大于等于-100异常事件概率(在邻载波优化时也考虑覆盖情况)。

第一步：根据下倾角工参和站轨距精细算出该下倾角值M，如现网天馈小于M，需优先下倾角RF优化，优先解决过高/过近站；

第二步：如下倾角已大于M，根据该小区公网用户大数据数量进行FR优化，使该扇区服务公网用户更集中的方向。针对过高站两步RF无法优化的原则上提出降平台需求评估；

第三步：对下倾角和方位角均无法解决、降平台不可行的小区，除隧道与隧道间基站以外，与周边3G专网站间距城区/农村500/1000米以内，可加入铁路LTE网络。

在该步骤中，采用第一种优化方法对干扰铁路LTE网络的邻接载波进行优化，即对邻接载波进行射频优化。

射频优化方法需一定标准进行针对性评估和实施，具体的优化方法，如图6和图7所示，例如，当铁路用户为铁路用户时，针对结合表1和表2得出的待优化的邻接载波，图6为经过上述步骤自动得出Top小区中邻接载波HZFL2634杭州四季青昙花庵路_11(PCI355)。该邻接载波与沪昆铁路杭州段的铁路小区HZFL0478杭州运新花园GT距离502米，该邻接载波日均铁路用户数为9494个，实际路测中附近路段SINR较差。通过基础工参自动匹配出该邻接载波天馈数据(站高、下倾角)为过高基站，经过下倾角及降平台，减少邻接载波干扰。如图7所示，实际优化后HZFL2634杭州四季青昙花庵路_11在10月中并未出现在HZFL0478杭州运新花园GT的邻接载波TOP清单中，即图6中的铁路邻接载波355站点经过优化后变成图7中的铁路LTE网络站点111。在该邻接载波进行减少邻接载波干扰的优化之后，邻接载波日均铁路用户数也会减少至50个(原则上减少至零，但是实际操作中由于无线环境复杂，仍有少许铁路用户占据该邻接载波。)

步骤S207，将进行射频优化无法解决干扰的干扰铁路LTE网络的邻接载波纳入铁路LTE网络。

在该步骤中，采用第二种优化方法对干扰铁路LTE网络的邻接载波进行优化，假如邻接载波无法采用RF(Radio Frequency，射频)优化解决，则将其纳入铁路LTE网络。邻接载波纳入铁路LTE网络的优化方法需一定标准进行针对性评估和实施，并且需要对用户的感知效果进行验证。

步骤S208，所述针对干扰铁路LTE网络的邻接载波进行优化包括将所述邻接载波纳入铁路LTE网络，获取公网用户的用户感知的业务质量参数，检验公网用户的用户感知的业务质量参数是否出现异常，若是，流程结束；若否，则执行步骤S209。

步骤S209，确定邻接载波纳入铁路LTE网络后公网用户占用正常。

在该步骤中，例如，当铁路用户为高铁用户时，通过大数据平台采集7月4日清单中该小区的非高铁用户占用3G专网小区的KQI(Key Quality Indicators，关键质量指标)情况，其中视频类RTT(Round-Trip Time，往返时延)时延大于300ms时，结合Nastar工具(华为Nastar工具，提供无线网络质量问题的定位分析系统)找到发生过CSFB的用户Top5的4G话务情况如下表3：

表3

例如，当铁路用户为高铁用户时，通过3G Nastar工具分析TOP 5用户全天的3G话务情况如下表4：

业务类型	*5803	*5142	*3955	*4364	*7857
						Inter-RAT cell re-selection	1	0	1	0	0
Originating Interactive Call	10	4	0	15	1
						Originating Subscribed traffic Call	0	1	0	0	0
Registration	6	3	5	6	5
						Terminating Conversational Call	0	1	0	0	0
Terminating Interactive Call	0	2	6	0	0
						Terminating Low Priority Signalling	0	0	0	1	0

表4

其中，*5142用户进行过1次组合业务和1次被叫语音均无异常，其他用户在3G专网下基本为数据业务，可见该小区纳入高铁LTE网络后公网用户占用无明显恶化。

因此，确定优化后的邻接载波纳入铁路LTE网络后公网用户占用感知正常。

步骤S210，所述针对干扰铁路LTE网络的邻接载波进行优化包括将所述邻接载波纳入铁路LTE网络，获取铁路用户的用户感知的业务质量参数，检验铁路用户的用户感知的业务质量参数是否出现异常，若是，流程结束；若否，则执行步骤S211。

步骤S211，确定邻接载波纳入铁路LTE网络后铁路用户占用正常。

在该步骤中，例如，当铁路用户为高铁用户时，通过大数据平台对纳入高铁小区的高铁用户占用LTE高铁网络KQI情况分析，Web和视频业务RTT时延大于300ms时，统计4G指标情况如下表5：

表5

可见，LTE邻接载波站点纳入高铁LTE网络后，占用的高铁用户总体感知良好，各业务DL RTT时延(数据往返时延)大于300ms的占比在3％以内，可见LTE数据感知无明显恶化。

假如邻接载波无法采用RF(Radio Frequency，射频)优化解决，则将其纳入铁路LTE网络，但共站3G小区非专网，周边公网用户CSFB回落周边3G铁路专网，存在CSFB踏空风险，带来3G专网负荷问题。因此，例如，当铁路用户为高铁用户时，通过大数据平台采集7月12日二层站纳入高铁LTE网络的CSFB高铁用户占用3G专网小区的KQI情况。Web和视频业务RTT时延大于300ms统计曾经做过语音业务的3G用户占用高铁LTE网络指标如下表6：

表6

其中，时延大的主要集中在隧道小区内，由于现在隧道内的暂无LTE网络覆盖，当列车进入隧道后，所有用户会瞬间重定向至3G上，从而造成感知偏差，并非纳入高铁LTE网络影响。

因此，确定优化后的邻接载波纳入铁路LTE网络后铁路用户感知正常。

本申请实施例具有以下有益效果：

1，通过对铁路用户分离精准度高，对后继用户行为分析等深入优化研究提供帮助。按照用户需求及习惯、网络、技术、工具等各个维度的需求和供给建立了铁路优化的信息挖掘和提取全过程，来有效促进“社会化+个体化”的高效流通，促进了铁路作为重要交通工具与社会发展、技术变革、信息加工等不断融合。

2，实现了铁路优化的大数据模式优化，使邻接载波优化快速化动态化。在铁路移动网络优化，首次将华为SEQ平台、中兴VMAX、核心网中创平台、B侧大数据平台等多个平台关联互动，实现了多个平台的聚合使数据挖掘及优化更便利，实现了大量信息的快速挖掘和实时应用。在实现了铁路用户剥离基础上，实现了用户、小区、终端、业务综合分析，实现了即时通信、视频等新业务监控及优化，带来了基础网络的优化升级。SEQ等新型分析工具使用及功能升级，改变了传统业务、传统分析工具、传统优化方法。全省铁路利用大数据后实现了铁路LTE网络邻接载波自动实时跟踪，例如，由传统路测一天、分析一天的最快分析频次提升到用户列车经过某小区30分钟后自动识别，实现了快速定位问题。

3，实现基础网络能力挖掘，节省无线基站成本。在资源有限的情况下，总要把有限的资源投入到产出最好的地方。本申请实施例实施后铁路LTE网络邻接载波建设及优化更科学，以温州为例铁路LTE网络邻接载波科学优化后问题小区日流量可以激发均值8GB，实现了基站资源挖潜。

4，缓解优化压力，缩减优化人力成本。全省铁路利用大数据后实现了铁路LTE网邻接载波自动实时跟踪，降低了传统测试人员上车路测的车票费、人工成本及测试设备折旧费，一定程度上解放了优化人员双手。例如，本申请实施例实施后浙江省共计可以降低优化人员人力及设备成本约50.5万/年。

本申请第三实施例提供的一种识别干扰铁路LTE网络的邻接载波的装置如下：

在上述的实施例中，提供了一种识别干扰铁路LTE网络的邻接载波的方法，与之相对应的，本申请还提供了识别干扰铁路LTE网络的邻接载波的装置。

由于装置实施例基本相似于方法实施例，所以描述得比较简单，相关的部分请参见上述提供的识别干扰铁路LTE网络的邻接载波的方法实施例的对应说明即可。下述描述的装置实施例仅仅是示意性的，下面结合附图进行说明。

如图8所示，其示出了本申请实施例提供的识别干扰铁路LTE网络的邻接载波的装置的结构示意图，包括以下模块。

采集模块11，用于基于预先建立的大数据平台采集铁路用户的数据；

获取模块12，用于根据铁路用户和公网用户的数据结合铁路用户和公网用户的分离策略，获取铁路用户占用邻接载波的数据和公网用户占用铁路小区的数据；

识别模块13，用于根据铁路用户占用邻接载波的数据和公网用户占用铁路小区的数据进行针对性建模，并获取干扰铁路LTE网络的邻接载波。

本申请第四实施例提供的一种识别干扰铁路LTE网络的邻接载波的装置如下：

可选的，如图9所示，其示出了本申请实施例提供的识别干扰铁路LTE网络的邻接载波的装置的结构示意图，本申请实施例在上述第三实施例的基础上，所述识别模块13，包括：

问题邻接载波获取子模块131，用于根据从铁路用户占用邻接载波的数据中提取出的特定时间段铁路用户占用每个邻接载波的用户数量、被占用的4G邻接载波基础工参以及周边铁路3G专网基础工参得出问题邻接载波清单，并结合路测大数据得出干扰铁路LTE网络的多个问题邻接载波；

双待优化小区详单获取子模块132，用于根据从公网用户占用铁路小区的数据提取出的特定时间段公网用户占用铁路小区的用户数量、铁路用户占用过铁路小区附近的邻接载波、被占用的4G/3G铁路小区基础工参进行双向动态分析，结合路测大数据得出双待优化小区详单；

邻接载波确定模块133，用于根据双待优化小区详单和干扰铁路LTE网络的多个问题邻接载波确定干扰铁路LTE网络的邻接载波。

可选的，如图9所示，所述装置，还包括：

优化模块14，用于针对干扰铁路LTE网络的邻接载波进行优化。

可选的，如图9所示，所述优化模块，包括：

第一优化模块141，用于针对干扰铁路LTE网络的邻接载波进行射频优化；

第二优化模块142，用于将进行射频优化无法解决干扰的干扰铁路LTE网络的邻接载波纳入铁路LTE网络。

可选的，如图9所示，优化模块采用第二优化模块进行优化，所述装置，还包括：

第一检验模块15，用于获取公网用户的用户感知的业务质量参数，检验公网用户的用户感知的业务质量参数是否出现异常；

第一确定模块16，用于若检验出公网用户的用户感知的业务质量参数未出现异常，则确定邻接载波纳入铁路LTE网络后公网用户占用正常。

可选的，如图9所示，优化模块采用第二优化模块进行优化，所述装置，还包括：

第二检验模块17，用于获取铁路用户的用户感知的业务质量参数，检验铁路用户的用户感知的业务质量参数是否出现异常；

第二确定模块18，用于若检验出铁路用户的用户感知的业务质量参数未出现异常，则确定邻接载波纳入铁路LTE网络后铁路用户占用正常。

可以理解的是，以上实施方式仅仅是为了说明本申请的原理而采用的示例性实施方式，然而本申请并不局限于此。对于本领域内的普通技术人员而言，在不脱离本申请的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本申请的保护范围。

Claims (10)

1.一种识别干扰铁路LTE网络的邻接载波的方法，其特征在于，包括：

基于预先建立的大数据平台和MR数据采集铁路用户和公网用户的数据；

根据所述铁路用户和公网用户的数据结合铁路用户和公网用户的分离策略，获取铁路用户占用邻接载波的数据和公网用户占用铁路小区的数据；

根据所述铁路用户占用邻接载波的数据和所述公网用户占用铁路小区的数据进行针对性建模，并获取干扰铁路LTE网络的邻接载波；其中，所述根据所述铁路用户占用邻接载波的数据和所述公网用户占用铁路小区的数据进行针对性建模，并获取干扰铁路LTE网络的邻接载波步骤，包括：

根据从所述铁路用户占用邻接载波的数据中提取出的特定时间段铁路用户占用每个邻接载波的用户数量、被占用的4G邻接载波基础工参以及周边铁路3G专网基础工参得出问题邻接载波清单，并结合路测大数据得出干扰所述铁路LTE网络的多个问题邻接载波；

根据从所述公网用户占用铁路小区的数据提取出的特定时间段公网用户占用铁路小区的用户数量、铁路用户占用过铁路小区附近的邻接载波的用户数量、被占用的4G/3G铁路小区基础工参进行双向动态分析，结合路测大数据得出双待优化小区详单；

根据所述双待优化小区详单和干扰所述铁路LTE网络的多个问题邻接载波确定干扰所述铁路LTE网络的邻接载波。

2.根据权利要求1所述的识别干扰铁路LTE网络的邻接载波的方法，其特征在于，所述方法还包括：

针对所述干扰铁路LTE网络的邻接载波进行优化。

3.根据权利要求2所述的识别干扰铁路LTE网络的邻接载波的方法，其特征在于，所述针对所述干扰铁路LTE网络的邻接载波进行优化步骤，包括：

针对所述干扰铁路LTE网络的邻接载波进行射频优化；

将进行射频优化无法解决干扰的干扰铁路LTE网络的邻接载波纳入铁路LTE网络。

4.根据权利要求3所述的识别干扰铁路LTE网络的邻接载波的方法，其特征在于，所述将进行射频优化无法解决干扰的干扰铁路LTE网络的邻接载波纳入铁路LTE网络步骤之后，还包括：

获取公网用户的用户感知的业务质量参数，检验所述公网用户的用户感知的业务质量参数是否出现异常；

若检验出所述公网用户的用户感知的业务质量参数未出现异常，则确定所述邻接载波纳入铁路LTE网络后公网用户占用正常。

5.根据权利要求3所述的识别干扰铁路LTE网络的邻接载波的方法，其特征在于，所述将进行射频优化无法解决干扰的干扰铁路LTE网络的邻接载波纳入铁路LTE网络步骤之后，还包括：

获取铁路用户的用户感知的业务质量参数，检验所述铁路用户的用户感知的业务质量参数是否出现异常；

若检验出所述铁路用户的用户感知的业务质量参数未出现异常，则确定所述邻接载波纳入铁路LTE网络后铁路用户占用正常。

6.一种识别干扰铁路LTE网络的邻接载波的装置，其特征在于，包括：

采集模块，用于基于预先建立的大数据平台采集铁路用户的数据；

获取模块，用于根据所述铁路用户和公网用户的数据结合铁路用户和公网用户的分离策略，获取铁路用户占用邻接载波的数据和公网用户占用铁路小区的数据；

识别模块，用于根据所述铁路用户占用邻接载波的数据和所述公网用户占用铁路小区的数据进行针对性建模，并获取干扰铁路LTE网络的邻接载波；其中，所述识别模块，包括：

问题邻接载波获取子模块，用于根据从所述铁路用户占用邻接载波的数据中提取出的特定时间段铁路用户占用每个邻接载波的用户数量、被占用的4G邻接载波基础工参以及周边铁路3G专网基础工参得出问题邻接载波清单，并结合路测大数据得出干扰所述铁路LTE网络的多个问题邻接载波；

双待优化小区详单获取子模块，用于根据从所述公网用户占用铁路小区的数据提取出的特定时间段公网用户占用铁路小区的用户数量、铁路用户占用过铁路小区附近的邻接载波、被占用的4G/3G铁路小区基础工参进行双向动态分析，结合路测大数据得出双待优化小区详单；

邻接载波确定模块，用于根据所述双待优化小区详单和干扰所述铁路LTE网络的多个问题邻接载波确定干扰所述铁路LTE网络的邻接载波。

7.根据权利要求6所述的识别干扰铁路LTE网络的邻接载波的装置，其特征在于，所述装置，还包括：

优化模块，用于针对所述干扰铁路LTE网络的邻接载波进行优化。

8.根据权利要求7所述的识别干扰铁路LTE网络的邻接载波的装置，其特征在于，所述优化模块，包括：

第一优化模块，用于针对所述干扰铁路LTE网络的邻接载波进行射频优化；

第二优化模块，用于将进行射频优化无法解决干扰的干扰铁路LTE网络的邻接载波纳入铁路LTE网络。

9.根据权利要求8所述的识别干扰铁路LTE网络的邻接载波的装置，其特征在于，所述优化模块采用第二优化模块进行优化，所述装置，还包括：

第一检验模块，用于获取公网用户的用户感知的业务质量参数，检验所述公网用户的用户感知的业务质量参数是否出现异常；

第一确定模块，用于若检验出所述公网用户的用户感知的业务质量参数未出现异常，则确定所述邻接载波纳入铁路LTE网络后公网用户占用正常。

10.根据权利要求8所述的识别干扰铁路LTE网络的邻接载波的装置，其特征在于，所述优化模块采用第二优化模块进行优化，所述装置，还包括：

第二检验模块，用于获取铁路用户的用户感知的业务质量参数，检验所述铁路用户的用户感知的业务质量参数是否出现异常；

第二确定模块，用于若检验出所述铁路用户的用户感知的业务质量参数未出现异常，则确定所述邻接载波纳入铁路LTE网络后铁路用户占用正常。

Images