CN115865618A - 异常路段的异常根因确定方法、装置、设备及存储介质 - Google Patents
异常路段的异常根因确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115865618A CN115865618A CN202211482323.XA CN202211482323A CN115865618A CN 115865618 A CN115865618 A CN 115865618A CN 202211482323 A CN202211482323 A CN 202211482323A CN 115865618 A CN115865618 A CN 115865618A
- Authority
- CN
- China
- Prior art keywords
- road section
- grid
- abnormal
- road
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 287
- 238000000034 method Methods 0.000 title claims abstract description 94
- 238000003860 storage Methods 0.000 title claims abstract description 10
- 238000005259 measurement Methods 0.000 claims abstract description 18
- 238000005070 sampling Methods 0.000 claims description 123
- 238000012360 testing method Methods 0.000 claims description 48
- 238000012549 training Methods 0.000 claims description 43
- 238000007499 fusion processing Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 175
- 238000010586 diagram Methods 0.000 description 30
- 230000006870 function Effects 0.000 description 19
- 238000012545 processing Methods 0.000 description 18
- 238000004590 computer program Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 229910044991 metal oxide Inorganic materials 0.000 description 3
- 150000004706 metal oxides Chemical class 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 101001051799 Aedes aegypti Molybdenum cofactor sulfurase 3 Proteins 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请实施例提供一种异常路段的异常根因确定方法、装置、设备及存储介质。该方法包括:确定多个路段中每个路段对应的多个路段栅格;获取每个路段对应的每个路段栅格的语音业务质量;根据每个路段对应的每个路段栅格的语音业务质量,在所述多个路段中确定异常路段;通过预设模型确定所述异常路段中各路段栅格的平均意见值MOS,以及确定所述异常路段中各路段栅格的测量报告MR数据;根据所述异常路段中各路段栅格的MOS和MR数据,确定所述异常路段对应的异常根因。提高了确定语音业务质量的效率。
Description
技术领域
本申请实施例涉及通信技术领域,尤其涉及一种异常路段的异常根因确定方法、装置及设备。
背景技术
用户在使用语音业务的过程中,可以通过对终端设备的实时测试数据进行评估,确定用户所在区域内语音业务质量。
在相关技术中,可以通过如下方式确定语音业务质量:通过呼叫质量拨打测试(Call Quality Test,CQT),对语音业务质量进行分析评估。测试人员利用终端设备在指定地点使用语音业务,将终端设备的实时测量数据上传至云端服务器。计算机中的测试软件将实时测量数据与路测数据进行关联,输出实时测量数据与路测数据。测试人员根据实时测量数据与路测数据,确定终端设备所在地点的语音业务质量,并分析语音质量业务差的原因。在上述过程中,需要人为分析语音质量差的原因,导致确定语音业务质量的效率较低。
发明内容
本申请实施例提供一种异常路段的异常根因确定方法、装置、设备及存储介质,用以解决确定语音业务质量的效率较低的问题。
第一方面,本申请实施例提供一种异常路段的异常根因确定方法,包括:
确定多个路段中每个路段对应的多个路段栅格;
获取每个路段对应的每个路段栅格的语音业务质量;
根据每个路段对应的每个路段栅格的语音业务质量,在所述多个路段中确定异常路段;
通过预设模型确定所述异常路段中各路段栅格的平均意见值MOS,以及确定所述异常路段中各路段栅格的测量报告MR数据;
根据所述异常路段中各路段栅格的MOS和MR数据,确定所述异常路段对应的异常根因。
在一种可能的实施方式中,确定多个路段中每个路段对应的多个路段栅格,包括:
获取多个终端设备上报的MR数据;
将所述MR数据与初始地图进行融合处理得到第一地图,所述第一地图中包括所述MR数据;
对所述第一地图进行栅格化处理,以得到每个路段对应的多个路段栅格。
在一种可能的实施方式中,对所述第一地图进行栅格化处理,以得到每个路段对应的多个路段栅格,包括:
将所述第一地图进行栅格划分,得到栅格地图,所述栅格地图中包括多个初始栅格;
将所述栅格地图与高精地图进行匹配处理,以得到所述栅格地图中各初始栅格的栅格类型,所述栅格类型包括道路类型和非道路类型;
根据所述栅格地图中各初始栅格的栅格类型,在所述栅格地图中确定多条道路;
将每条道路划分为多个路段,并对每个路段进行栅格划分,得到每个路段对应的多个路段栅格。
在一种可能的实施方式中,针对所述多个路段中的任意一个路段中的任意一个路段栅格;获取所述路段对应的所述路段栅格的语音业务质量,包括:
根据所述路段栅格在历史时段内的历史采样点数量,判断所述路段栅格是否为有效栅格,所述有效栅格的历史采样点数量大于或等于预设数量;
在所述路段栅格为有效栅格时,获取所述路段栅格中各采样点对应的预测MOS;
根据路段栅格中各采样点对应的预测MOS,确定所述路段栅格的语音业务质量。
在一种可能的实施方式中,根据每个路段对应的每个路段栅格的语音业务质量,在所述多个路段中确定异常路段,包括:
针对每个路段,根据所述路段对应的每个路段栅格的语音业务质量,在所述路段对应的多个路段栅格中确定异常路段栅格;根据异常路段栅格的数量和所述路段中有效栅格的数量,确定所述路段的异常路段栅格占比;
根据每个路段的异常路段栅格占比,在所述多个路段中确定异常路段。
在一种可能的实施方式中,根据每个路段的异常路段栅格占比,在所述多个路段中确定异常路段,包括:
根据每个路段对应的路段长度,确定每个路段对应的异常阈值;
针对任意一个路段,若所述路段的异常路段栅格占比大于或等于对应的异常阈值,则将所述路段确定为所述异常路段。
在一种可能的实施方式中,根据所述异常路段中各路段栅格的MOS和MR数据,确定所述异常路段对应的异常根因,包括:
获取预设的多组根因规则;
将所述异常路段中各路段栅格的MOS和MR数据,分别与每组根因规则进行匹配处理,以在所述多组根因规则中确定目标根因规则,所述异常路段中各路段栅格的MOS和MR数据满足所述目标根因规则;
将所述目标根因规则对应的根因,确定为所述异常路段对应的异常根因。
在一种可能的实施方式中,通过预设模型确定所述异常路段中各路段栅格的平均意见值MOS之前,还包括:
获取模型训练集,所述模型训练集中包括测试终端测试得到的路测数据和所述测试终端对应的详细记录XDR数据;
确定初始模型;
通过所述模型训练集对所述初始模型进行模型训练,得到所述预设模型。
第二方面,本申请实施例提供一种异常路段的异常根因确定装置,所述装置包括:
第一确定模块,用于确定多个路段中每个路段对应的多个路段栅格;
获取模块,用于获取每个路段对应的每个路段栅格的语音业务质量;
第二确定模块,用于根据每个路段对应的每个路段栅格的语音业务质量,在所述多个路段中确定异常路段;
第三确定模块,用于通过预设模型确定所述异常路段中各路段栅格的平均意见值MOS,以及确定所述异常路段中各路段栅格的测量报告MR数据;
第四确定模块,用于根据所述异常路段中各路段栅格的MOS和MR数据,确定所述异常路段对应的异常根因。
在一种可能的实施方式中,所述第一确定模块具体用于:
获取多个终端设备上报的MR数据;
将所述MR数据与初始地图进行融合处理得到第一地图,所述第一地图中包括所述MR数据;
对所述第一地图进行栅格化处理,以得到每个路段对应的多个路段栅格。
在一种可能的实施方式中,所述第一确定模块具体用于:
将所述第一地图进行栅格划分,得到栅格地图,所述栅格地图中包括多个初始栅格;
将所述栅格地图与高精地图进行匹配处理,以得到所述栅格地图中各初始栅格的栅格类型,所述栅格类型包括道路类型和非道路类型;
根据所述栅格地图中各初始栅格的栅格类型,在所述栅格地图中确定多条道路;
将每条道路划分为多个路段,并对每个路段进行栅格划分,得到每个路段对应的多个路段栅格。
在一种可能的实施方式中,所述获取模块具体用于:
根据所述路段栅格在历史时段内的历史采样点数量,判断所述路段栅格是否为有效栅格,所述有效栅格的历史采样点数量大于或等于预设数量;
在所述路段栅格为有效栅格时,获取所述路段栅格中各采样点对应的预测MOS;
根据路段栅格中各采样点对应的预测MOS,确定所述路段栅格的语音业务质量。
在一种可能的实施方式中,所述第二确定模块具体用于:
针对每个路段,根据所述路段对应的每个路段栅格的语音业务质量,在所述路段对应的多个路段栅格中确定异常路段栅格;根据异常路段栅格的数量和所述路段中有效栅格的数量,确定所述路段的异常路段栅格占比;
根据每个路段的异常路段栅格占比,在所述多个路段中确定异常路段。
在一种可能的实施方式中,所述第二确定模块具体用于:
根据每个路段对应的路段长度,确定每个路段对应的异常阈值;
针对任意一个路段,若所述路段的异常路段栅格占比大于或等于对应的异常阈值,则将所述路段确定为所述异常路段。
在一种可能的实施方式中,所述第四确定模块具体用于:
获取预设的多组根因规则;
将所述异常路段中各路段栅格的MOS和MR数据,分别与每组根因规则进行匹配处理,以在所述多组根因规则中确定目标根因规则,所述异常路段中各路段栅格的MOS和MR数据满足所述目标根因规则;
将所述目标根因规则对应的根因,确定为所述异常路段对应的异常根因。
在一种可能的实施方式中,所述装置还包括模型训练模块。
其中,所述模型训练模块用于:
获取模型训练集,所述模型训练集中包括测试终端测试得到的路测数据和所述测试终端对应的详细记录XDR数据;
确定初始模型;
通过所述模型训练集对所述初始模型进行模型训练,得到所述预设模型。
第三方面,本申请实施例提供一种异常路段的异常根因确定设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行第一方面任一项所述的方法。
第四方面,本申请实施例提供一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行第一方面中任一项所述的方法。
第五方面,本申请实施例提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现第一方面中任一项所述的方法。
本申请实施例提供的异常路段的异常根因确定方法、装置、设备及存储介质,可以在多个路段中,将每个路段分为多个路段栅格,获取每个路段栅格的语音业务质量。根据每个路段对应的每个路段栅格的语音业务质量,在多个路段中确定异常路段。通过预设模型确定异常路段中各路段栅格的MOS,以及确定异常路段中各路段栅格的MR数据。根据异常路段中各路段栅格的MOS以及MR数据,确定异常路段对应的异常根因。在上述过程中,可以根据异常路段中各路段栅格的MOS以及MR数据,自动确定异常路段对应的异常根因,不需要人为分析语音质量差的原因,提高了确定语音业务质量的效率。
附图说明
图1为本申请实施例提供的应用场景的示意图;
图2为本申请实施例提供的异常路段的异常根因确定方法的流程示意图;
图3为本申请实施例提供的对第一地图进行栅格化处理方法的流程示意图;
图4为本申请实施例提供的对第一地图进行栅格划分的过程示意图;
图5为本申请实施例提供的对路段进行栅格划分的过程示意图;
图6为本申请实施例提供的模型训练方法的流程示意图;
图7为本申请实施例提供的编码速率特征统计的示意图;
图8A为本申请实施例提供的RTP丢包特征统计的示意图;
图8B为本申请实施例提供的RTCP丢包特征统计的示意图;
图9为本申请实施例提供的平均时延特征统计的示意图;
图10A为本申请实施例提供的RTP抖动特征统计的示意图;
图10B为本申请实施例提供的RTCP抖动特征统计的示意图;
图11为本申请实施例提供的确定异常路段优先级方法的流程示意图;
图12为本申请实施例提供的一种异常路段的异常根因确定装置的结构示意图;
图13为本申请实施例提供的另一种异常路段的异常根因确定装置的结构示意图;
图14为本申请实施例提供的异常路段的异常根因确定设备的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
为了便于理解,下面,结合图1,对本申请实施例所适用的应用场景进行说明。
图1为本申请实施例提供的应用场景的示意图。请参见图1,包括用户101、终端设备102以及服务器103。终端设备102可以为手机、平板电脑或智能手表等。用户101在使用终端设备102的语音业务过程中,终端设备102可以将实时测量数据上传至服务器103。服务器103可以根据实时测量数据,确定终端设备102所在地点的语音质量。
在相关技术中,可以通过如下方式确定语音业务质量:通过呼叫质量拨打测试(Call Quality Test,CQT),对语音业务质量进行分析评估。测试人员利用终端设备在指定地点使用语音业务,将终端设备的实时测量数据上传至云端服务器。计算机中的测试软件将实时测量数据与路测数据进行关联,输出实时测量数据与路测数据。测试人员根据实时测量数据与路测数据,确定终端设备所在地点的语音业务质量,并分析语音质量业务差的原因。在上述过程中,需要人为分析语音质量差的原因,导致确定语音业务质量的效率较低。
本申请实施例中,可以将多个路段中每个路段分为多个路段栅格,获取每个路段栅格的语音业务质量。根据每个路段对应的每个路段栅格的语音业务质量,在多个路段中确定异常路段。通过预设模型确定异常路段中各路段栅格的平均意见值(Mean OpinionScore,MOS),以及确定异常路段中各路段栅格的测量报告(Measurement Report,MR)数据。根据异常路段中各路段栅格的MOS以及MR数据,确定异常路段对应的异常根因。在上述过程中,可以根据异常路段中各路段栅格的MOS以及MR数据,自动确定异常路段对应的异常根因,不需要人为分析语音质量差的原因,提高了确定语音业务质量的效率。
下面,通过具体实施例对本申请所示的方法进行说明。需要说明的是,下面几个实施例可以单独存在,也可以互相结合,对于相同或相似的内容,在不同的实施例中不再重复说明。
图2为本申请实施例提供的异常路段的异常根因确定方法的流程示意图。请参见图2,该方法可以包括:
S201、确定多个路段中每个路段对应的多个路段栅格。
本申请实施例的执行主体可以为异常路段的异常根因确定设备,也可以为设置在异常路段的异常根因确定设备中的异常路段的异常根因确定装置。异常路段的异常根因确定装置可以通过软件实现,也可以通过软件和硬件的结合实现。异常路段的异常根因确定设备可以为计算机、服务器等。
可以通过如下方式确定多个路段中每个路段对应的多个路段栅格:获取多个终端设备上报的MR数据;将MR数据与初始地图进行融合处理得到第一地图,第一地图中包括MR数据;对第一地图进行栅格化处理,以得到每个路段对应的多个路段栅格。
可以将地图上的道路进行切割处理,得到至少一个路段。可以根据路段的地理位置和路况信息,确定每个路段的路段长度。
例如,路段所处位置属于密集城区,可以确定该路段的路段长度为50米。路段所处位置属于一般城区,可以确定该路段的路段长度为100米或者200米。路段所处位置属于郊区或者农村,可以确定该路段的路段长度为300米。
MR数据可以包括终端设备上报MR数据的时刻,终端设备的号码,终端设备国际移动用户识别码,终端设备所属经纬度,终端设备所属小区的小区唯一标识(E-UTRAN CellIdentifier,ECI),终端设备所属小区频点号,终端设备所属小区物理小区标识(PhysicalCell Identifier,PCI),终端设备所属小区参考信号接收功率(Reference SignalReceiving Power,RSRP),终端设备所属小区信号与干扰加噪声比(Signal toInterference plus Noise Ratio,SINR),终端设备所属小区接收信号的强度指示(Received Signal Strength Indicator,RSSI),终端设备所属小区参考信号接收质量(Reference Signal Receiving Quality,RSRQ),终端设备所属小区语音质量评分值(POLQA MOS SWB),终端设备所属小区第N邻区的频点号,终端设备所属小区第N邻区的PCI,终端设备所属小区第N邻区的RSRP,终端设备所属小区第N邻区的RSRQ。其中,N为大于等于1的整数。
可以通过预设算法,将MR数据与初始地图进行融合处理,得到第一地图。预设算法可以为MR汇聚,用户到达角度测距(Angle-of-Arrival:AOA)估计,基于拓扑关系射线求交,基于置信度修正和地图匹配。
在得到多个路段栅格后,对每个路段栅格进行标识,生成每个路段栅格栅格对应的路段栅格标识。
S202、获取每个路段对应的每个路段栅格的语音业务质量。
可以通过如下方式获取每个路段对应的每个路段栅格的语音业务质量:根据路段栅格在历史时段内的历史采样点数量,判断路段栅格是否为有效栅格,有效栅格的历史采样点数量大于或等于预设数量;在路段栅格为有效栅格时,获取路段栅格中各采样点对应的预测MOS;根据路段栅格中各采样点对应的预测MOS,确定路段栅格的语音业务质量。
采样点可以为使用语音业务的终端设备。
例如,历史时段为过去一周,路段栅格1在过去一周内的历史采样点数量为50。假设预设数量为20,则路段栅格1的历史采样点数量50大于预设数量20,可以确定路段栅格1为有效栅格。
可以通过预设模型对各采样点的详细记录(X Detail Record,XDR)数据进行处理,得到有效栅格中各采样点对应的预测MOS。预设模型可以为极端梯度提升(eXtremeGradient Boosting,XGBoost)算法模型。
在终端设备使用语音业务时,终端设备在核心网会生成XDR数据。可以根据MR数据,确定该终端设备对应的XDR数据。
XDR数据可以包括终端设备的电话号码,业务流程开始时间,业务流程结束时间,会话标识,XDR标识,XDR的源端承载方向,终端设备的ECI,终端设备的跟踪区代码(Tracking Area Code,TAC),实时传输协议(Real-time Transport Protocol,RTP)包计数,平均编码速率,RTP抖动,RTP丢包数,实时传输控制协议(RTP Control Protocol,RTCP)包计数,RTCP抖动,RTCP丢包数,总时延,时延计数,RTCP MOS,RTO MOS。
每个MOS都有对应的分值,每个分值对应的语音业务质量具体可以如表1所示:
表1
S203、根据每个路段对应的每个路段栅格的语音业务质量,在多个路段中确定异常路段。
可以通过如下方式确定异常路段:针对每个路段,根据路段对应的每个路段栅格的语音业务质量,在路段对应的多个路段栅格中确定异常路段栅格;根据异常路段栅格的数量和路段中有效栅格的数量,确定路段的异常路段栅格占比;根据每个路段的异常路段栅格占比,在多个路段中确定异常路段。
可以通过如下方式确定异常路段栅格:可以将预测MOS小于预设阈值的采样点确定为异常采样点。将异常采样点数量与采样点总数量的百分比大于预设百分比的路段栅格,确定为异常路段栅格。
例如,假设预设阈值为3,预设百分比为30%。路段栅格1中,采样点以及每个采样点对应的MOS具体可以如表2所示:
表2
采样点 | 采样点1 | 采样点2 | 采样点3 | 采样点4 | 采样点5 | 采样点6 |
预测MOS | 3 | 2.5 | 2 | 4 | 3.5 | 4.5 |
根据表3,可以确定预测MOS小于预设阈值3的采样点为采样点2以及采样点3。则采样点2以及采样点3为异常采样点。异常采样点数量2与采样点总数量6的百分比为2/6*100%=33.3%。路段栅格1的异常采样点数量与采样点总数量的百分比大于预设百分比30%,则确定路段栅格1为异常路段栅格。
可以通过如下方式确定每个路段的异常路段栅格占比:根据每个路段的长度,确定每个路段中的有效路段数量;针对任意一个路段,若有效路段数量大于等于预设数量时,将异常路段栅格数量与有效路段数量的比值,确定为异常路段栅格占比。
可以根据路段的长度,确定该路段对应的预设数量。例如,路段长度为50米时,对应的预设数量可以为4。路段长度为100米时,对应的预设数量可以为8。路段长度为200米时,对应的预设数量可以为12。路段长度为300米时,对应的预设数量可以为8。
若异常栅格路段的占比大于等于预设占比时,确定对应的路段为异常路段。可以根据路段的长度,确定该路段对应的预设占比。
例如,路段长度为50米时,对应的预设占比可以为40%。路段长度为100米或200米时,对应的预设占比可以为30%。路段长度为300米时,对应的预设占比可以为20%。
例如,假设路段A对应的预设数量为8,对应的预设占比为30%。路段A对应的具体信息可以如表3所示:
表3
路段长度 | 有效路段数量 | 异常路段栅格数量 |
100米 | 10 | 4 |
根据表3,可以确定路段A的有效路段数量10大于预设数量8。则可以确定路段A的异常路段栅格占比为异常路段栅格数量/有效路段数量*100%=4/10*100%=40%。路段A的异常路段栅格占比40%大于预设占比30%,则可以确定路段A为异常路段。
S204、通过预设模型确定异常路段中各路段栅格的MOS,以及确定异常路段中各路段栅格的MR数据。
可以通过如下方式确定各路段栅格的MOS:确定异常路段中每个路段栅格的多个采样点;确定每个采样点的MR数据;根据每个采样点的MR数据确定该采样点的XDR数据;通过预设模型对XDR数据进行处理,得到每个采样点的预测MOS;将各路段栅格中每个采样点的平均MOS,确定为异常路段中各路段栅格的MOS。
平均MOS可以为每个采样点预测MOS的算术平均值。
例如,根据上述表2所示的路段栅格1中各个采样点的预测MOS,可以确定路段栅格1中每个采样点的平均MOS为(3+2.5+2+4+3.5+4.5)/6=3.25。
确定异常路段中各路段栅格的MOS之后,还可以通过良好MOS率以及低MOS占比评估语音业务质量。
将一个路段内MOS大于等于预设阈值的采样点确定为良好采样点。将良好采样点的数量与路段中各路段栅格所有采样点数量的比值,确定为良好MOS率。
将一个路段内MOS小于预设阈值的采样点确定为低MOS采样点。将低MOS采样点的数量与路段中各路段栅格所有采样点数量的比值,确定为低MOS占比。
S205、根据异常路段中各路段栅格的MOS和MR数据,确定异常路段对应的异常根因。
可以通过如下方式确定异常路段对应的异常根因:获取预设的多组根因规则;将异常路段中各路段栅格的MOS和MR数据,分别与每组根因规则进行匹配处理,以在多组根因规则中确定目标根因规则,异常路段中各路段栅格的MOS和MR数据满足目标根因规则;将目标根因规则对应的根因,确定为异常路段对应的异常根因。
异常根因可以包括弱覆盖,过覆盖,重叠覆盖,模3(MOD3)干扰以及下行质差。
可以通过如下方式确定弱覆盖对应的根因规则:根据第一采样点的MR数据,确定每个第一采样点对应的RSRP;将RSRP小于-100dBm的第一采样点确定为第二采样点;若第二采样点数量与第一采样点数量的比值大于等于第一比值,则可以确定第一采样点对应异常路段的异常根因为弱覆盖。
可以通过如下方式确定过覆盖对应的根因规则:根据第一采样点的MR数据,确定每个第一采样点的跟踪区(Tracking Area,TA);根据每个第一采样点的TA,确定对应的距离;将TA对应的距离大于2千米的第一采样点,确定为第三采样点;若第三采样点数量与第一采样点数量的比值大于等于第二比值,则可以确定第一采样点对应异常路段的异常根因大于>-100dBm的第一采样点确定为第四采样点;针对任意一个第四采样点,根据第四采样点对应的RSRP和N个邻区的RSRP,确定第四采样点的重叠覆盖度;将重叠覆盖度大于等于1的第四采样点确定为重叠覆盖采样点;若重叠覆盖采样点数量与第一采样点数量的比值大于等于第三比值,则可以确定第一采样点对应异常路段的异常根因为重叠覆盖。
可以通过如下方式确定MOD3干扰对应的根因规则:将MOD3干扰度大于等于1的第一采样点确定为第五采样点;若第五采样点数量与第一采样点数量的比值大于等于第四比值,则可以确定第一采样点对应异常路段的异常根因为MOD3干扰。
可以通过如下方式确定下行质差对应的根因规则:根据第一采样点的MR数据,确定每个第一采样点的SINR;将SINR小于0的第一采样点确定为第六采样点;若第六采样点数量与第一采样点数量的比值大于等于第五比值,且不满足弱覆盖,过覆盖,重叠覆盖以及MOD3干扰对应的根因规则,则可以确定第一采样点对应异常路段的异常根因为下行质差。
第一采样点可以为异常路段的各路段栅格中的所有采样点。第一比值可以为0.4,第二比值可以为0.6,第三比值可以为0.6,第四比值可以为0.6,第五比值可以为0.6。
本申请实施例提供的异常路段的异常根因确定方法,确定多个路段中每个路段对应的多个路段栅格;获取每个路段对应的每个路段栅格的语音业务质量;根据每个路段对应的每个路段栅格的语音业务质量,在多个路段中确定异常路段;通过预设模型确定异常路段中各路段栅格的MOS,以及确定异常路段中各路段栅格的MR数据;根据异常路段中各路段栅格的MOS和MR数据,确定异常路段对应的异常根因。在上述过程中,可以根据异常路段中各路段栅格的MOS以及MR数据,自动确定异常路段对应的异常根因,不需要人为分析语音业务质量差的原因,提高了确定语音业务质量的效率。
在上述任意一个实施例的基础上,下面,结合图3,对第一地图进行栅格化处理的过程进行说明。
图3为本申请实施例提供的对第一地图进行栅格化处理方法的流程示意图。请参见图3,该方法可以包括:
S301、将第一地图进行栅格划分,得到栅格地图。
第一地图包括MR数据,栅格地图中包括多个初始栅格。
第一地图可以将MR数据与MR数据所处的经纬度进行匹配。可以在第一地图上同时获取终端设备的位置信息以及MR数据。
可以通过如下方式进行栅格划分:根据第一地图,确定起始点和对角点的经纬度;根据栅格边长,从起始点沿经线方向外扩N个栅格,直至第N个栅格的经度等于对角点的经度;根据预设栅格边长,从起始点沿纬线方向外扩M个栅格,直至第M个栅格的纬度等于对角点的纬度。
其中,N,M为整数。预设栅格尺寸可以为10*10。
可以通过如下方式确定起始点:将第一地图中北纬度最小的点确定为第一纬度点;将第一地图中西经度最小的点确定为第一经度点;从第一纬度点沿水平方向做切线,得到第一切线;以及从第一经度点沿竖直方向做切线,得到第二切线;将第一切线以及第二切线的交点确定为起始点。
下面,结合图4,对第一地图进行栅格划分的过程进行说明。图4为本申请实施例提供的对第一地图进行栅格划分的过程示意图。请参见图4,包括第一地图401和栅格地图402。对第一地图进行栅格划分包括3个过程。
请参见过程1,在第一地图401中,确定北纬度最小的第一纬度点A以及西经度最小第一经度的点B。从第一纬度点A沿水平方向做切线,得到第一切线m。从第一经度点B沿竖直方向做切线,得到第二切线n。将第一切线m以及第二切线n的交点O确定为起始点。
请参见过程2,初始栅格的尺寸为10*10。根据初始栅格边长10,从起始点O沿经线方向外扩4个初始栅格,直至第4个初始栅格的经度等于对角点的经度;根据初始栅格边长10,从起始点沿纬线方向外扩6个初始栅格,直至第6个初始栅格的纬度等于对角点的纬度。外扩完成后,按照多个初始栅格,将第一地图401进行栅格划分。
请参见过程3,包括栅格地图402。栅格地图402中包括24个初始栅格。可以对这24个初始栅格进行编号,每个初始栅格对应一个编号。
S302、将栅格地图与高精地图进行匹配处理,以得到栅格地图中各初始栅格的栅格类型。
高精地图可以为5米高精准地图。栅格类型包括道路类型和非道路类型。可以根据5米高精准地图中的地物矢量,确定栅格类型。
若初始栅格内对应的地物矢量为一级道路,二级道路,三级道路,四级道路或者高速道路,则确定初始栅格的栅格类型为道路类型。
若初始栅格对应的所有地物矢量都为内陆水系,湿地,郊区,开阔的城市,绿地,森林,超高层建筑,高层建筑,密集城区,工厂和商场,高住宅或者村庄,则确定初始栅格的栅格类型为非道路类型。
S303、根据栅格地图中各初始栅格的栅格类型,在栅格地图中确定多条道路。
在栅格类型为道路类型的初始栅格中,确定至少一条道路。并根据道路的地物矢量,对道路进行标识。
可以通过如下规则对初始栅格中的道路进行标识:一级道路标识可以为Pro-City-level 1-000001~N;二级道路标识可以为Pro-City-level 2-000001~N;三级道路标识可以为Pro-City-level 3-000001~N;四级道路标识可以为Pro-City-level 4-000001~N;高速道路标识可以为Pro-City-Expressway-000001~N。其中,Pro为省份;City为城市;N为整数,最大可以为6位数999999。
S304、将每条道路划分为多个路段,并对每个路段进行栅格划分,得到每个路段对应的多个路段栅格。
针对任意一条道路,可以通过如下方式得到路段对应的多个路段栅格:根据道路所在位置,确定道路中每个路段栅格的长度;根据路段栅格的长度对道路进行栅格划分,得到路段对应的多个路段栅格。
路段栅格的宽度可以与道路宽度相同。栅格划分完成后,可以对每个路段栅格进行标识。针对任意一个路段栅格,标识可以为道路标识—路段栅格长度—路段栅格编号(000001~999999)
例如,道路所在位置为密集城区,路段栅格的长度可以为50米或100米。道路所在位置为一般城区,路段栅格的长度可以为100米或200米。道路所在位置为郊区或者农村,路段栅格长度可以为300米。
下面,结合图5对路段进行栅格划分的过程进行说明。图5为本申请实施例提供的对路段进行栅格划分的过程示意图。请参见图5,包括道路501,道路501的长度为600米。若道路501所在位置为密集城区,路段栅格的长度可以为50米。根据路段栅格的长度对道路501进行栅格划分,得到路段501对应的12个路段栅格。栅格划分完成后,每个路段栅格的标识具体可以如表4所示:
表4
路段栅格 | 路段栅格标识 |
1 | SX-XA-level 1-000001-50-00001 |
2 | SX-XA-level 1-000001-50-00002 |
3 | SX-XA-level 1-000001-50-00003 |
4 | SX-XA-level 1-000001-50-00004 |
5 | SX-XA-level 1-000001-50-00005 |
6 | SX-XA-level 1-000001-50-00006 |
7 | SX-XA-level 1-000001-50-00007 |
8 | SX-XA-level 1-000001-50-00008 |
9 | SX-XA-level 1-000001-50-00009 |
10 | SX-XA-level 1-000001-50-000010 |
11 | SX-XA-level 1-000001-50-000011 |
12 | SX-XA-level 1-000001-50-000012 |
若道路501所在位置为一般城区,路段栅格的长度可以为100米或200米。当路段栅格长度为100米时,根据路段栅格的长度对道路501进行栅格划分,得到路段501对应的6个路段栅格。栅格划分完成后,根据上述规则对每个路段栅格进行标识。当路段栅格长度为200米时,根据路段栅格的长度对道路501进行栅格划分,得到路段501对应的3个路段栅格。栅格划分完成后,根据上述规则对每个路段栅格进行标识。
若道路501所在位置为郊区,路段栅格的长度可以为300米。根据路段栅格的长度对道路501进行栅格划分,得到路段501对应的2个路段栅格。栅格划分完成后,根据上述规则对每个路段栅格进行标识。
本申请实施例提供的对第一地图进行栅格化处理方法,将第一地图进行栅格划分,得到栅格地图;将栅格地图与高精地图进行匹配处理,以得到栅格地图中各初始栅格的栅格类型;根据栅格地图中各初始栅格的栅格类型,在栅格地图中确定多条道路;将每条道路划分为多个路段,并对每个路段进行栅格划分,得到每个路段对应的多个路段栅格并对路段栅格进行标识。在上述过程中,对第一地图进行栅格划分确定多条道路,并根据道路所在位置对道路进行栅格划分。每个路段栅格都可以与对应的MR数据进行关联,若根据MR数据确定语音业务质量差,可以快速定位MR数据所在路段栅格,提高了确定语音业务质量的效率。
在通过预设模型确定异常路段中各路段栅格的平均意见值MOS之前,还需要对初始模型进行训练,得到预设模型。下面,结合图6,对模型训练的过程进行说明。
图6为本申请实施例提供的模型训练方法的流程示意图。请参见图6,该方法可以包括:
S601、获取模型训练集。
模型训练集中包括测试终端测试得到的路测数据和测试终端对应的XDR数据。
路测数据可以为MR数据。可以根据测试终端的MR数据,确定测试终端栋号码。根据测试终端的号码,在服务器中获取测试终端号码对应的初始XDR数据。
在初始XDR数据中,确定XDR特征数据。XDR特征数据可以包括RTP数据包计数,计算平均编解码速率,RTP抖动,RTP丢包数,RTCP数据包计数,RTCP抖动,RTCP丢包数,连续两个不同方向的SR计算得出环路时延以及时延计数。
路测数据中的MOS是根据运营商确定的MOS测试规范,通过固定语料和固定周期进行打分测试,确定MOS。固定周期对应的时长为9秒,即9秒输出一个包括MOS的路测数据。同时核心网生成XDR数据,根据运营商规范将XDR数据切割成以12s为周期的XDR切片数据。在确定模型训练集中每个XDR数据对应的MOS时,可以通过时间戳近似匹配的方法,选择时刻最接近的XDR数据与输出MOS进行匹配,确定模型训练集中XDR数据和XDR数据对应的MOS。
可以通过如下公式1,确定XDR数据匹配的MOS:
Min{|UETimen—procedure_starttimem|}
其中,n=1,2,……,p;m=1,2,……,q。UETime为测试终端;n为测试终端上报MOS的周期;procedure_starttime(步骤起始时间)为VoLTE切片的业务流程开始时间;m表示对应前端测试终端号码在核心网侧切割的VoLTE切片周期。
例如,终端设备A在某一时段的MR数据以及关联的XDR数据具体可以如表5所示:
表5
根据表5,通过公式1可以确定procedure_starttime1与UE Time2相减得到结果1.463为最小绝对值。终端设备A的路测数据和XDR切片数据匹配的时刻可以为UE Time2和procedure_starttime1。
在获取模型训练集之前,需要对XDR特征数据进行预处理。预处理之后,将包括XDR特征数据的初始XDR数据,确定为XDR数据。预处理可以包括缺失值填充、异常值处理、归一化、独热编码、特征融合与拆解等。
模型训练集包括多组MR数据和对应的XDR数据。可以将多组MR数据和对应的XDR数据按照预设比例分为训练数据集合测试数据集。预设比例可以为7:3。
S602、确定初始模型。
初始模型可以为XGBOOST算法模型。
可以通过如下公式2,确定初始模型对应的目标函数:
Gj=∑i∈I gi
Hj=∑i∈I hi
其中,Obj为初始模型对应的目标函数;j为叶子节点;gi为损失函数一阶导数;hi为损失函数的二阶导数;T为决策树叶子节点数。
S603、通过初始模型对模型训练集进行处理,得到预测MOS。
将模型训练集中的XDR数据输入初始模型,得到每个XDR数据对应的预测MOS。
S604、根据预测MOS和模型训练集的MOS,确定损失函数。
可以通过每个XDR数据的预测MOS和模型训练集中XDR数据对应的MOS之间的差距,确定损失函数。损失函数可以为R2。
S605、判断初始模型是否收敛。
若是,执行S608。
若否,执行S607。
可以通过如下方式判断初始模型是否收敛:若损失函数大于等于预设阈值,确定模型收敛;若损失函数小于预设阈值,则确定模型不收敛。
S606、根据损失函数,更新初始模型的模型参数。
通过更新初始模型的模型参数,以使更新后的初始模型输出的预测MOS更接近模型训练集中XDR数据对应的MOS。
在S606之后,执行S603。
S607、将当前初始模型确定为预设模型。
例如,损失函数大于预设阈值时,初始模型对应的模型参数为K1。此时,可以确定模型收敛,则将模型参数K1对应的初始模型确定为预设模型。
本申请实施例提供的模型训练方法,获取模型训练集,确定初始模型。通过初始模型对训练集进行处理,得到预测MOS。根据预测MOS和训练集的MOS,确定损失函数。根据损失函数,判断模型是否收敛。根据模型收敛情况,更新模型参数,得到训练好的预设模型。在上述过程中,可以根据初始模型得到的预测MOS和训练集中的MOS,确定损失函数。根据损失函数,判断是否需要更新模型参数,以使得到的预设模型预测MOS更接近训练集中的MOS,提高了确定语音业务质量的准确性。且通过预设模型可以自动得到预测MOS,不需要人为分析,提高了确定语音业务质量的效率。
在确定预设模型之后,选择城市A对全网的XDR切片数据进行采集来做模型训练,得出了相关重要特征的关联系数,系数越大对输出MOS的影响越大,可以作为模型的输入特征向量。重要特征的关联系数具体可以如表6所示:
表6
同时也对编码速率、RTP和RTCP涉及到的时延、抖动、丢包做了分布统计。下面,结合图7-图10,对分布统计的结果进行说明。
图7为本申请实施例提供的编码速率特征统计的示意图。请参见图7,包括通信公司A以及通信公司B的平均编解码速率统计。其中,通信公司A对应的曲线为曲线,通信公司B对应的曲线为实线。根据图7,可以确定城市A中,通信公司A以及通信公司B的平均编解码速率主要集中在660,1220,1265以及2385这四个点。MOS与编码速率的高度相关,是重要特征之一。
图8A为本申请实施例提供的RTP丢包特征统计的示意图。请参见图8A,包括通信公司B的RTP丢包特征统计。根据图8A,可以确定RTP丢包主要集中在0~5。RTP丢包为发送端RTP会给每个被传送的RTP顺序标记序号。接收端RTP根据接收RTP的序号就能判断在发送端到接收端的RTP包传送链路上是否发生丢包。
图8B为本申请实施例提供的RTCP丢包特征统计的示意图。请参见图8B,包括通信公司B的RTCP丢包特征统计。根据图8B,可以确定RTCP丢包主要集中在0~5。RTCP丢包为发送端RTCP会给每个被传送的RTCP顺序标记序号。接收端RTCP根据接收RTCP的序号就能判断在发送端到接收端的RTP/RTCP包传送链路上是否发生丢包。
通过图8A以及图8B,可以确定整体丢包发生较少,城市A无线环境较好。
图9为本申请实施例提供的平均时延特征统计的示意图。请参见图9,包括通信公司B的平均时延特征统计。发送端RTP或RTCP在发送每个RTP或RTCP业务数据包时,会确定发送时刻。接收端RTP协议在接收到该RTP或RTCP业务数据包时也会打上接收时刻。根据两个时刻的差值,确定语音业务RTP或RTCP数据包的传送时延。根据传送时延,确定平均时延。平均时延对MOS也是影响较大的因素之一,根据图9可以确定,平均时延集中在60到80ms范围,有统计意义。
图10A为本申请实施例提供的RTP抖动特征统计的示意图。请参见图10A,包括通信公司B的RTP抖动特征统计。RTP业务数据包在传送过程中,不同的延迟时间形成了RTP时延抖动。在VoLTE语音通话过程中的影响与丢失数据包产生的效果相似,造成某些字不清楚或错误,从而影响VoLTE语音通话的质量感知。抖动的大小取决于数据包的延迟时间的差异程度,差异程度越大,则抖动越大。从图10A可以确定,RTP抖动基本都是20ms范围内,具备统计意义。
图10B为本申请实施例提供的RTCP抖动特征统计的示意图。请参见图10B,包括通信公司B的RTCP抖动特征统计。RTCP业务数据包在传送过程中,不同的延迟时间形成了RTCP时延抖动。在VoLTE语音通话过程中的影响与丢失数据包产生的效果相似,造成某些字不清楚或错误,从而影响VoLTE语音通话的质量感知。抖动的大小取决于数据包的延迟时间的差异程度,差异程度越大,则抖动越大。从图10B可以确定,RTCP抖动基本都是20ms范围内,具备统计意义。
图7-图10提供的分布统计的结果,可以确定根据XDR切片数据,预测得到的MOS值可以应用到传统路测。从而替代现阶段的人工路测工作,进一步降低测试成本提高网络优化评估工作的效率。
在通过预设模型得到MOS之后,根据每个路段栅格的MOS确定异常路段。对异常路段中每个路段栅格进行优先级排序,确定优先处理的路段栅格。下面,结合图11,对确定异常路段的优先级进行说明。
图11为本申请实施例提供的确定异常路段优先级方法的流程示意图。请参见图11,该方法可以包括:
S1101、根据预设规则,确定问题路段的处理长度。
可以根据问题路段所在位置,按照预设规则,确定问题路段的处理长度。通过筛选问题路段的长度,便于网格经理及网优人员根据现网资源情况及场景来选择。
例如,预设规则可以为若问题路段所在位置为密集城区,路段栅格的长度可以为50米或100米。道路所在位置为一般城区,路段栅格的长度可以为100米或200米。道路所在位置为郊区或者农村,路段栅格长度可以为300米。
可选的,还可以根据问题路段所在位置,确定问题路段所在的区域类型。通过不同区域的选择,可按照聚焦、非聚焦、省份、地市、区县、行政区、单元维度的进行展示选择区域内每一条道路的问题路段的分类汇聚结果。
S1102、确定异常路段评分门限。
针对任意一条异常路段中的每一个路段栅格,根据历史采样点对应的MOS进行从小到大排序,然后计算其分位数,确定多个评分门限对应的阈值。
若采用百分制计算评分,评分指标包括6个评分门限,分别是0分门限、20分门限、40分门限、60分门限、80分门限以及100分门限。
S1103、根据评分门限,确定异常路段对应的评分指标。
评分门限对应的评分指标项基于概率分布的分位数算法得出。根据上述设置的评分门限,可以通过五分位数,确定评分门限对应栋评分指标。
五分位数频数分布中,含有总抽样量的五分之一的部分。把所有数值由小到大排列并分成四等份,处于四个分割点位置的得分就是五分位数。其中,四个分割点分别对应20分门限、40分门限、60分门限、80分门限。四个分割点对应的概率数值为每个评分门限对应的评分指标。
可以通过如下公式,确定四个分割点应的五分位数在多个数据中的具体位置:
Q1=(n+1)×20%
Q2=(n+1)×40%
Q3=(n+1)×60%
Q4=(n+1)×80%
其中,Q为五分位数在多个数据中的具体位置;n为数据的个数。
例如,某一区域总共有44个50米的异常路段。
可以确定第一个分割点对应的位置为(n+1)*20%=45*20%=9,则取排序第9的分割点为20分门限。20分门限对应的评分指标为3.2%。
可以确定第二个分割点对应的位置为(n+1)*40%=45*40%=18,则取排序第18的分割点为40分门限。40分门限对应的评分指标为15.58%。
可以确定第三个分割点对应的位置为(n+1)*60%=45*60%=27,则取排序第27的分割点为60分门限。60分门限对应的评分指标为32.65%。
可以确定第四个分割点对应的位置为(n+1)*80%=45*80%=36,则取排序第36的分割点为80分门限。80分门限对应的评分指标为47.92%。
S1104、根据评分门限和评分指标,确定异常路段中每个路段栅格的分值。
各评分指标差于0分门限得0分,优于100分门限得100分,其他分值基于前后门限值通过线性计算确定。
例如,根据上述计算的评分门限和评分指标。当某个路段栅格对应的评分指标为12.62%时,对应的门限分数可以为Q1门限分数+(12.62%-Q1对应指标)/(Q2对应指标-Q1对应指标)*(Q2门限分数-Q1门限分数)=20+(12.62%-3.2%)/(15.58%-3.2%)*(40-20)=20+9.42%/12.38%*20=20+16=35.22分。
S1005、根据每个路段栅格的分值,确定异常路段中路段栅格的优先级排序。
路段栅格的分值越大,表明该栅格路段ID存在质量问题越严重,需要重点优先关注处理。
按照路段栅格对应分值从大到小的顺序,确定路段栅格的优先级排序。
本申请实施例提供的确定异常路段优先级方法,确定异常路段的处理长度和评分门限。根据评分门限,确定异常路段对应的评分指标。根据评分门限和评分指标,确定异常路段中每个路段栅格的分值。根据每个路段栅格的分值,确定异常路段中路段栅格的优先级排序。在上述过程中,可以根据异常路段中各路段栅格的评分门限和评分指标,自动对问题路段的路段栅格进行优先级排序。可以根据优先级排序,优先处理分值大的路段栅格。不需要人为检查之后再确定处理顺序,提高了确定语音业务质量的效率。
每个异常路段对应不同的异常根因。可以根据不同数据,确定异常路段对应的异常根因。道路的语音业务质量差的原因可以包括无线网络覆盖范围不合理和下行SINR质量差。一般基于宏站场景下道路的语音业务质量差的原因主要分为五类,分别是弱覆盖、过覆盖、重叠覆盖、MOD3干扰和下行质差。通过关联好经纬度的MR中主服务小区下行SINR、主服务小区TA、主服务小区RSRP、PCI及邻区RSRP、PCI构造的重叠覆盖率、MOD3干扰率等指标来联合定位以上几类道路语音业务质量差的原因问题。在上述任意一个实施例基础上,下面,对确定不同根因对应数据的过程进行说明。
过程1、MR数据中主服务小区预测MOS指标汇聚
根据MR数据,通过核心网关联对应的XDR数据。通过预设模型对XDR数据进行处理,得到预测MOS。利用XDR切片数据中时刻对应的enb_id、eci关联带有经纬度的MR熟客,得到映射enb_id、eci每个采样点主服务小区的覆盖RSRP、下行SINR等参数值。
通过关联带有经纬度的MR数据,每个采样点都包含预测MOS、SINR和电平覆盖强度。通过每个栅格中包含所有采样点的语音业务MOS值,可以对单个栅格的语音业务MOS值比例进行汇聚,统计出栅格中不同语音业务MOS值采样点的比例,利用关联经纬度MR中的拟合预测语音业务MOS值结合MR中的TA指标、重叠覆盖率、MOD3干扰率指标汇聚到栅格中,来联合定位语音业务质差问题路段根因。
过程2、MR数据中主服务小区TA指标汇聚
TA表征的是UE与天线端口之间的距离,该指标定义为UE用于调整其主小区PUCCH/PUSCH/SRS上行发送的时间。具体计算方法为:在随机接入过程,eNodeB通过测量接收到导频信号来确定时间提前值,时间提前量取值范围为(0,1,2,……,1282)×16Ts;在RRC连接状态下,eNodeB基于测量对应UE的上行传输来确定每个UE的TA调整值,这个调整值的范围为(0,1,2,……,63)×16Ts。本次得到的最新的时间提前量即为上次记录的时间提前量与本次eNodeB测量得到的调整值之和。1Ts对应的时间提前量距离等于:(3*10^8*1/(15000*2048))/2=4.89m。含义就是距离=传播速度(光速)*1Ts/2(上下行路径和)。TA命令值对应的距离都是参照1Ts来计算的。MR数据对应的TA取值范围具体可以如表7所示:
表7
根据表7,可以确定从0到192Ts每16Ts为一个区间,对应MR.Tadv.00到MR.Tadv.11;从192Ts到1024Ts每32Ts为一个区间,对应MR.Tadv.12到MR.Tadv.37;从1024Ts到2048Ts每256Ts为一个区间,对应MR.Tadv.38到MR.Tadv.41;从2048Ts到4096Ts每1048Ts为一个区间,对应MR.Tadv.42和MR.Tadv.43;大于4096Ts为一个区间,对应MR.Tadv.44。
MR数据还可以确定UE距离基站的远近,实现小区的覆盖分析,判断是否需要对小区天线做出调整,考察基站的覆盖区域是否合理,是否存在过覆盖和覆盖阴影区等问题,还可以利用TA辅助提供位置服务。MR数据关联经纬度的数据可以包括TA和电平覆盖强度。关联经纬度后通过每个栅格中包含所有采样点的TA,可以对单个栅格的TA比例进行汇聚,利用测量数据区间分布和换算覆盖距离区间分布对应的换算关系,统计出栅格中不同覆盖范围的比例。
过程3、MR数据中主服务小区重叠覆盖率指标汇聚
重叠覆盖采样点的定义:基于覆盖道路的采样点RSRP强于-100dBm前提下,如果采样点当前主服务小区与邻区间电平差值小于6dB的邻区数量>=3,则该采样点为重叠覆盖采样点。
如果采样点当前主服务小区与邻区间电平差值小于6dB的邻区数量=3,这该采样点定义为重叠覆盖度=1.
如果采样点当前主服务小区与邻区间电平差值小于6dB的邻区数量=4,这该采样点定义为重叠覆盖度=2.
如果采样点当前主服务小区与邻区间电平差值小于6dB的邻区数量=n,这该采样点定义为重叠覆盖度=n(n为主服务小区所添加的最大邻区数)
可以通过MR数据中的主服务小区电平强度和多个邻区的电平强度来计算采样点的重叠覆盖率。
当每个采样点都计算出重叠覆盖度,关联经纬度后通过每个栅格中包含所每一个采样点的重叠覆盖度,可以对单个栅格的重叠覆盖度比例进行汇聚,统计出栅格中不同重叠覆盖度占比。
过程4、MR中主服务小区MOD3干扰率指标汇聚
MOD3干扰采样点的定义:基于覆盖道路的采样点RSRP强于-100dBm前提下,如果采样点当前主服务小区与邻区间电平差值小于6dB且存在扰码PCI模三余数结果相同,则该采样点为MOD3干扰采样点。
如果采样点当前主服务小区与邻区间电平差值小于6dB的邻区数量=3且存在扰码PCI模三余数结果相同,这该MR采样点定义为MOD3干扰度=1.
如果采样点当前主服务小区与邻区间电平差值小于6dB的邻区数量=4且存在扰码PCI模三余数结果相同,这该MR采样点定义为MOD3度=2.
如果采样点当前主服务小区与邻区间电平差值小于6dB的邻区数量=n且存在扰码PCI模三余数结果相同,这该MR采样点定义为MOD3干扰度=n(n为主服务小区所添加的最大邻区数)
可以通过MR数据中的主服务小区电平强度和多个邻区的电平强度来计算采样点的MOD3干扰率。
基于关联经纬度MR中主服务小区拟合预测语音业务MOS、主服务小区TA、下行SINR、主服务小区RSRP、PCI及邻区RSRP、PCI构造的重叠覆盖率和MOD3干扰率等指标,结合宏站覆盖范围的站间距,来制定道路语音业务质差类问题的弱覆盖、过覆盖、重叠覆盖、MOD3干扰及下行质差等根因定位算法,将根因定位的分析结论提供给一线处理人员作为参考意见。可直接作为问题路段的根因分析制定优化方案,提高解决语音业务质差问题路段的效率。
一线人员对异常路段处理后,根据预测MOS值以及MR数据的汇聚结果来自动判断历史问题路段栅格是否恢复正常,形成路段栅格的问题点管控表。问题点管控表可以按区域统计,将问题解决情况、未解决问题分布及TOPN的遗留问题进行直观呈现,随时掌握道路遗留问题的解决进展。
对异常路段进行管控,根据每周的指标统计,自动更新环比上周的新增问题路段数量、闭环问题路段数量以及全周期所有问题路段形成全量语音业务质差类问题路段管控表,具体可以包括:异常路段管控以及异常路段闭环率。
异常路段管控可以包括异常路段数量、异常路段闭环问题路段数量、异常路段新增数量。全周期覆盖异常路段,形成的全量异常路段管控表。全量异常路段管控表可以按照聚焦、非聚焦、地市、区县、行政区、单元维度的进行分区展示。异常路段闭环率为当前周期与上一周期异常路段环比,基于道路栅格路段唯一标识识别重合为同一问题路段,当前周期有,上周期无,为新增异常路段;当前周期无,上一周期有,为闭环质差异常路段。
异常路段闭环率为异常路段闭环数量与异常路段数量的比值。
在完成上述过程之后,可以通过软件选择不同图层、不同区域、不同路段,来显示语音业务质量差对应的指标和语音业务质量差异常根因。实现对道路语音业务质量差问题评估的虚拟路测地理化快速呈现,替代原有传统耗时耗力的人工分分析模式。
显示的主要内容可以包括语音业务质量指标以及语音业务质量异常路段。其中,语音业务质量指标可以包括平均MOS以及低MOS占比。语音业务质量异常路段可以显示对应的异常根因。
图12为本申请实施例提供的一种异常路段的异常根因确定装置的结构示意图。请参见图12,该异常路段的异常根因确定装置10可以包括:
第一确定模块11,用于确定多个路段中每个路段对应的多个路段栅格;
获取模块12,用于获取每个路段对应的每个路段栅格的语音业务质量;
第二确定模块13,用于根据每个路段对应的每个路段栅格的语音业务质量,在所述多个路段中确定异常路段;
第三确定模块14,用于通过预设模型确定所述异常路段中各路段栅格的平均意见值MOS,以及确定所述异常路段中各路段栅格的测量报告MR数据;
第四确定模块15,用于根据所述异常路段中各路段栅格的MOS和MR数据,确定所述异常路段对应的异常根因。
本申请实施例提供的异常路段的异常根因确定装置可以执行上述方法实施例所示的技术方案,其实现原理以及有益效果类似,此处不再进行赘述。
在一种可能的实施方式中,所述第一确定模块11具体用于:
获取多个终端设备上报的MR数据;
将所述MR数据与初始地图进行融合处理得到第一地图,所述第一地图中包括所述MR数据;
对所述第一地图进行栅格化处理,以得到每个路段对应的多个路段栅格。
在一种可能的实施方式中,所述第一确定模块11具体用于:
将所述第一地图进行栅格划分,得到栅格地图,所述栅格地图中包括多个初始栅格;
将所述栅格地图与高精地图进行匹配处理,以得到所述栅格地图中各初始栅格的栅格类型,所述栅格类型包括道路类型和非道路类型;
根据所述栅格地图中各初始栅格的栅格类型,在所述栅格地图中确定多条道路;
将每条道路划分为多个路段,并对每个路段进行栅格划分,得到每个路段对应的多个路段栅格。
在一种可能的实施方式中,所述获取模块12具体用于:
根据所述路段栅格在历史时段内的历史采样点数量,判断所述路段栅格是否为有效栅格,所述有效栅格的历史采样点数量大于或等于预设数量;
在所述路段栅格为有效栅格时,获取所述路段栅格中各采样点对应的预测MOS;
根据路段栅格中各采样点对应的预测MOS,确定所述路段栅格的语音业务质量。
在一种可能的实施方式中,所述第二确定13模块具体用于:
针对每个路段,根据所述路段对应的每个路段栅格的语音业务质量,在所述路段对应的多个路段栅格中确定异常路段栅格;根据异常路段栅格的数量和所述路段中有效栅格的数量,确定所述路段的异常路段栅格占比;
根据每个路段的异常路段栅格占比,在所述多个路段中确定异常路段。
在一种可能的实施方式中,所述第二确定模块13具体用于:
根据每个路段对应的路段长度,确定每个路段对应的异常阈值;
针对任意一个路段,若所述路段的异常路段栅格占比大于或等于对应的异常阈值,则将所述路段确定为所述异常路段。
在一种可能的实施方式中,所述第四确定模块15具体用于:
获取预设的多组根因规则;
将所述异常路段中各路段栅格的MOS和MR数据,分别与每组根因规则进行匹配处理,以在所述多组根因规则中确定目标根因规则,所述异常路段中各路段栅格的MOS和MR数据满足所述目标根因规则;
将所述目标根因规则对应的根因,确定为所述异常路段对应的异常根因。
本申请实施例提供的异常路段的异常根因确定装置可以执行上述方法实施例所示的技术方案,其实现原理以及有益效果类似,此处不再进行赘述。
图13为本申请实施例提供的另一种异常路段的异常根因确定装置的结构示意图。在图12所示实施例的基础上,请参见图13,异常路段的异常根因确定装置10还包括模型训练模块16。
其中,所述模型训练模块16用于:
获取模型训练集,所述模型训练集中包括测试终端测试得到的路测数据和所述测试终端对应的详细记录XDR数据;
确定初始模型;
通过所述模型训练集对所述初始模型进行模型训练,得到所述预设模型。
本申请实施例提供的异常路段的异常根因确定装置可以执行上述方法实施例所示的技术方案,其实现原理以及有益效果类似,此处不再进行赘述。
图14为本申请实施例提供的异常路段的异常根因确定设备的结构示意图。请参见图14,该异常路段的异常根因确定设备20可以包括:存储器21、处理器22。示例性地,存储器21、处理器22,各部分之间通过总线23相互连接。
存储器21用于存储程序指令;
处理器22用于执行该存储器所存储的程序指令,用以使得异常路段的异常根因确定设备20执行上述方法实施例所示的方法。
本申请实施例提供的异常路段的异常根因确定设备可以执行上述方法实施例所示的技术方案,其实现原理以及有益效果类似,此处不再进行赘述。
本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当所述计算机执行指令被处理器执行时用于实现上述方法。
本申请实施例还可提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时,可实现上述方法。
实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一可读取存储器中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储器(存储介质)包括:只读存储器(英文:read-only memory,缩写:ROM)、随机存取存储器(英文:Random Access Memor,缩写:RAM)、快闪存储器、硬盘、固态硬盘、磁带(英文:magnetic tape)、软盘(英文:floppy disk)、光盘(英文:optical disc)及其任意组合。
本申请实施例是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理单元以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理单元执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本申请实施例进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请实施例的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
在本申请中,术语“包括”及其变形可以指非限制性的包括;术语“或”及其变形可以指“和/或”。本申请中术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。本申请中,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
Claims (11)
1.一种异常路段的异常根因确定方法,其特征在于,包括:
确定多个路段中每个路段对应的多个路段栅格;
获取每个路段对应的每个路段栅格的语音业务质量;
根据每个路段对应的每个路段栅格的语音业务质量,在所述多个路段中确定异常路段;
通过预设模型确定所述异常路段中各路段栅格的平均意见值MOS,以及确定所述异常路段中各路段栅格的测量报告MR数据;
根据所述异常路段中各路段栅格的MOS和MR数据,确定所述异常路段对应的异常根因。
2.根据权利要求1所述的方法,其特征在于,确定多个路段中每个路段对应的多个路段栅格,包括:
获取多个终端设备上报的MR数据;
将所述MR数据与初始地图进行融合处理得到第一地图,所述第一地图中包括所述MR数据;
对所述第一地图进行栅格化处理,以得到每个路段对应的多个路段栅格。
3.根据权利要求2所述的方法,其特征在于,对所述第一地图进行栅格化处理,以得到每个路段对应的多个路段栅格,包括:
将所述第一地图进行栅格划分,得到栅格地图,所述栅格地图中包括多个初始栅格;
将所述栅格地图与高精地图进行匹配处理,以得到所述栅格地图中各初始栅格的栅格类型,所述栅格类型包括道路类型和非道路类型;
根据所述栅格地图中各初始栅格的栅格类型,在所述栅格地图中确定多条道路;
将每条道路划分为多个路段,并对每个路段进行栅格划分,得到每个路段对应的多个路段栅格。
4.根据权利要求1-3任一项所述的方法,其特征在于,针对所述多个路段中的任意一个路段中的任意一个路段栅格;获取所述路段对应的所述路段栅格的语音业务质量,包括:
根据所述路段栅格在历史时段内的历史采样点数量,判断所述路段栅格是否为有效栅格,所述有效栅格的历史采样点数量大于或等于预设数量;
在所述路段栅格为有效栅格时,获取所述路段栅格中各采样点对应的预测MOS;
根据路段栅格中各采样点对应的预测MOS,确定所述路段栅格的语音业务质量。
5.根据权利要求1-3任一项所述的方法,其特征在于,根据每个路段对应的每个路段栅格的语音业务质量,在所述多个路段中确定异常路段,包括:
针对每个路段,根据所述路段对应的每个路段栅格的语音业务质量,在所述路段对应的多个路段栅格中确定异常路段栅格;根据异常路段栅格的数量和所述路段中有效栅格的数量,确定所述路段的异常路段栅格占比;
根据每个路段的异常路段栅格占比,在所述多个路段中确定异常路段。
6.根据权利要求5所述的方法,其特征在于,根据每个路段的异常路段栅格占比,在所述多个路段中确定异常路段,包括:
根据每个路段对应的路段长度,确定每个路段对应的异常阈值;
针对任意一个路段,若所述路段的异常路段栅格占比大于或等于对应的异常阈值,则将所述路段确定为所述异常路段。
7.根据权利要求1-3任一项所述的方法,其特征在于,根据所述异常路段中各路段栅格的MOS和MR数据,确定所述异常路段对应的异常根因,包括:
获取预设的多组根因规则;
将所述异常路段中各路段栅格的MOS和MR数据,分别与每组根因规则进行匹配处理,以在所述多组根因规则中确定目标根因规则,所述异常路段中各路段栅格的MOS和MR数据满足所述目标根因规则;
将所述目标根因规则对应的根因,确定为所述异常路段对应的异常根因。
8.根据权利要求1-3任一项所述的方法,其特征在于,通过预设模型确定所述异常路段中各路段栅格的平均意见值MOS之前,还包括:
获取模型训练集,所述模型训练集中包括测试终端测试得到的路测数据和所述测试终端对应的详细记录XDR数据;
确定初始模型;
通过所述模型训练集对所述初始模型进行模型训练,得到所述预设模型。
9.一种异常路段的异常根因确定装置,其特征在于,所述装置包括:
第一确定模块,用于确定多个路段中每个路段对应的多个路段栅格;
获取模块,用于获取每个路段对应的每个路段栅格的语音业务质量;
第二确定模块,用于根据每个路段对应的每个路段栅格的语音业务质量,在所述多个路段中确定异常路段;
第三确定模块,用于通过预设模型确定所述异常路段中各路段栅格的平均意见值MOS,以及确定所述异常路段中各路段栅格的测量报告MR数据;
第四确定模块,用于根据所述异常路段中各路段栅格的MOS和MR数据,确定所述异常路段对应的异常根因。
10.一种异常路段的异常根因确定设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至8中任一项所述的方法。
11.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,其中,所述计算机指令用于使计算机执行根据权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211482323.XA CN115865618A (zh) | 2022-11-24 | 2022-11-24 | 异常路段的异常根因确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211482323.XA CN115865618A (zh) | 2022-11-24 | 2022-11-24 | 异常路段的异常根因确定方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115865618A true CN115865618A (zh) | 2023-03-28 |
Family
ID=85665889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211482323.XA Pending CN115865618A (zh) | 2022-11-24 | 2022-11-24 | 异常路段的异常根因确定方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115865618A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108683527A (zh) * | 2018-04-25 | 2018-10-19 | 武汉虹信技术服务有限责任公司 | 一种基于mr和xdr的用户感知深度检测方法 |
CN114173356A (zh) * | 2021-11-04 | 2022-03-11 | 中国联合网络通信集团有限公司 | 网络质量的检测方法、装置、设备及存储介质 |
US11304082B2 (en) * | 2017-08-11 | 2022-04-12 | Telefonaktiebolaget Lm Ericsson (Publ) | Measurement configuration of user equipment |
CN115273899A (zh) * | 2022-07-20 | 2022-11-01 | 中国联合网络通信集团有限公司 | 一种语音质量评估方法、装置、设备及存储介质 |
-
2022
- 2022-11-24 CN CN202211482323.XA patent/CN115865618A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11304082B2 (en) * | 2017-08-11 | 2022-04-12 | Telefonaktiebolaget Lm Ericsson (Publ) | Measurement configuration of user equipment |
CN108683527A (zh) * | 2018-04-25 | 2018-10-19 | 武汉虹信技术服务有限责任公司 | 一种基于mr和xdr的用户感知深度检测方法 |
CN114173356A (zh) * | 2021-11-04 | 2022-03-11 | 中国联合网络通信集团有限公司 | 网络质量的检测方法、装置、设备及存储介质 |
CN115273899A (zh) * | 2022-07-20 | 2022-11-01 | 中国联合网络通信集团有限公司 | 一种语音质量评估方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110677859B (zh) | 弱覆盖区域的确定方法、装置和计算机可读存储介质 | |
CN108260075B (zh) | 一种基站部署位置的寻址方法及装置 | |
CN108156626B (zh) | 轨道交通无线网络质量评估方法、装置及介质 | |
CN106572495B (zh) | 基于信令和mr数据的网络质量监测方法和覆盖评估方法 | |
CN102097004B (zh) | 一种基于手机定位数据的出行od矩阵获取方法 | |
JP4981068B2 (ja) | 経路損失ポリゴンによる測位 | |
CN107333232B (zh) | 一种终端定位方法及网络设备 | |
CN111901750B (zh) | 一种定位方法、装置、电子设备以及存储介质 | |
US9513363B2 (en) | System and method for determining antenna probabilities in sub-areas of a geographical area | |
JP5102346B2 (ja) | 強化されたセルアイデンティティの適応的な測位における適応的なポリゴンの計算 | |
CN114173356B (zh) | 网络质量的检测方法、装置、设备及存储介质 | |
CN108124279B (zh) | 网络覆盖质量的评估方法及装置 | |
CN106804046A (zh) | 基于测量报告的移动台定位方法及装置 | |
CN104244307B (zh) | 异常事件上报、处理方法、装置、基站及管理服务器 | |
CN104410978A (zh) | 站点规划评估方法及装置 | |
CN106604228A (zh) | 一种基于lte信令数据的指纹定位方法 | |
CN106572478A (zh) | 一种构造无线栅格的方法及基站 | |
CN106899985A (zh) | 一种网络覆盖的评估方法及装置 | |
KR102655903B1 (ko) | 기지국의 에너지를 절약하기 위한 처리 방법 및 처리 장치 | |
CN108574984B (zh) | 一种定位方法及装置 | |
CN108124270B (zh) | 一种lte网络的覆盖评估方法及装置 | |
CN107318114B (zh) | 一种邻区规划的方法及装置 | |
CN111787488A (zh) | 一种用户定位方法及系统 | |
WO2023214176A1 (en) | A method of fast path loss calculation considering environmental factors | |
US20070066317A1 (en) | Method and system for planning and evaluation of radio networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |