精品案例利用python深挖MRE数据快速准确识别邻区漏配小区.docx

精品案例利用python深挖MRE数据快速准确识别邻区漏配小区.docx

《精品案例利用python深挖MRE数据快速准确识别邻区漏配小区.docx》由会员分享，可在线阅读，更多相关《精品案例利用python深挖MRE数据快速准确识别邻区漏配小区.docx（17页珍藏版）》请在冰豆网上搜索。

精品案例利用python深挖MRE数据快速准确识别邻区漏配小区

利用python深挖MRE数据，快速准确识别邻区漏配小区

利用python深挖MRE数据，快速准确识别邻区漏配小区

【摘要】：

随着4G网络不断建设，网络中的邻区关系变的越来越复杂，网络结构不合理，加之各种工程割接操作，不可避免的会带来一些漏加、单向、冗余等邻区现象。

传统的邻区优化工具和方法存在复杂、低效等问题，给日常邻区优化带来诸多不便。

本文根据邻区漏配发生时上报的测量报告规律，总结相关经验和门限，创造性的利用Python深挖MRE海量数据，能高效准确的发现存在邻区漏配的小区，并识别目标小区的PCI、频点和RSRP信息，快速完成邻区优化，效率显著提升。

【关键字】Python、MRE、邻区漏配

【业务类别】4G数据业务

一、问题描述

1.1、IPRAN割接，造成X2链路不通，易产生、难发现

通常在IPRAN需要扩容和调整时，需进行IPRAN割接，IP地址会产生变动。

由于LTE切换大多基于X2切换，IPRAN割接时，若不能及时更新IP地址，则会产生邻区不通，不能切换等问题。

如下：

图1邻区漏配路测现象

济广高速自北向南行驶，至金家老屋附近，占用XY-LA-霍山-六潜高速转步园隧道-NFTA-434658-51小区，持续上报A3事件，但源小区一直不下发RRC重配置消息，直至服务小区RSRP至-103dBm，产生无线链路失败。

经核查，由于LA-霍山-转步园隧道南-NFTA-434892-50之前进行IPRAN割接，IP地址变更过，而XY-LA-霍山-六潜高速转步园隧道-NFTA-434658-51小区没有及时更新，导致无邻区关系，产生上述现象。

1.2、手动添加邻区，效率低且邻区漏配多

为了避免添加超远邻区和冗余邻区，六安并未开启ANR功能，而是需要人工手动添加基站邻区，因此效率较低且有邻区漏配现象发生，而此类邻区漏配，往往只有在单站验证时被动的去发现，急需新手段去快速高效的找出漏配邻区。

图2ANR关闭、手动配置邻区

1.3、现有邻区分析工具操作繁琐，过分依赖工参准确性

现有诺基亚邻区分析工具，如Batrana，需要结合站点经纬度确定站间距，准确性过分依赖数据库，仅从距离上判断是否应该添加邻区，随着站点密集度加大，无线环境不断复杂，该方法已不能有效识别漏配邻区。

其次需要对接网管，查询邻区配置数据、切换数据，整个操作十分繁琐。

图3Batrana邻区优化工具

二、分析过程

针对上述问题，本创新拟开发一款图形界面化的邻区漏配识别工具，利用Python快速对MRE数据进行深挖，摆脱对工参和网管数据的依赖，由于MRE数据是UE真实上报的，可靠性高，效率和准确性也成倍增加。

该工具具备大数据运算和数据可视化能力，能快速识别目标小区PCI及频点，便于进一步分析和优化。

2.1、原理分析

一般情况下，若主覆盖方向存在邻区漏配，从信令特征看，由于达到A3/A5事件上报门限又未添加目标小区邻区，则会导致终端一定时间内连续上报A3/A5事件。

而MRE数据是事件触发型报告，可以完整的记录下以上特征。

通过Python检索上述特征就可以快速发现漏配邻区小区。

示图如下：

图4邻区漏配短时间内上报大量A3事件

MRE数据特征：

图5MRE数据特征

如上图，MRE文件具有识别上诉特征所有必要的因素，且由于是UE真实上报，相比人工添加时简单的依据距离判断是否需要添加邻区要精准的多。

2.2、定义关键要素：

小区UE平均A3/A5上报数

根据以上分析，若小区存在邻区漏配，则单位时间内，该小区的A3/A5事件数量会急剧增多。

考虑到不同基站下用户数的差异，因此定义指标：

单位时间内，某小区下每UE平均上报A3/A5事件数，后续工作就是统计并设定邻区漏配小区的特征门限，以便准确输出判断结果。

2.3、邻区漏配小区与非邻区漏配小区关键要素差异

提取六安市平桥工业园区域站点共39个小区，30分钟的MRE数据，将原始MRE数据使用诺基亚insight工具解析成excel，共98235行数据，格式如下：

图6MRE数据解析成EXCEL

通过透视识别每个小区切向邻区PCI的A3/A5个数，如下：

图7计算某小区切向某PCI发生的A3/A5事件数

通过透视识别每个小区切向邻区PCI的UE个数，如下：

图8计算某小区切向某PCI的UE个数

将以上2表通过行列对应，通过如下公式计算：

小区每UE平均A3/A5上报数（切向某一个PCI）=该小区发生的A3/A5个数（切向同一个PCI）/该小区同时间段的UE个数（切向同一个PCI）如下：

图9小区每UE平均A3/A5上报数（切向某一个PCI）

如上，通过对比，发现黄色区域小区UE平均A3上报次数要远大于绿色区域，说明为高概率邻区漏配小区：

111398196与PCI174/175/176漏配，查询切换指标，发现小区111398196与上述三个PCI并未产生切换，如下：

图10查询小区切换指标证实邻区漏配

核查工参及邻区数据，发现为高皇北村站点与平桥工业园2站，X2邻区状态不可用，导致邻区丢失，其次从地图看，二者相离较近，有切换需求，若是不存在邻区，会上报大量A3/A5事件。

图11工参核实两站需要添加邻区

如下：

X2邻区不可用，

图12网管查询两者X2链路不可用

为获得邻区漏配小区UE平均上报A3/A5个数经验值，扩大数据采集区域，采集整个市区30分钟MRE数据，共321+万行数据，发现38个邻区漏配小区对，UE平均上报A3/A5个数经验值为24，即：

存在邻区漏配的小区下的每个UE，平均每30分钟，会向漏配邻区PCI上报A3/A5事件24次

三、解决措施

本次开发的软件工具基于Python语言编写，结合pandas+pyqt5+matplotlib库实现，其中pandas负责数据分析和处理，pqqt5负责交互界面，matplotlib负责数据可视化，IDE采用PyCharm，最终设计出的软件初始界面如下：

图13软件整体界面

3.1打开数据模板

点击“打开表格”按钮，会弹出打开文件对话框，选择相应的EXCEL模板文件，必须包含‘object_Id’,‘object_MmeUeS1apId’,‘object_EventType’,‘MR_LteNcRSRP’,‘MR_LteNcEarfcn’,‘MR_LteNcPci’字段，如果EXCEL表中缺少相应字段，软件会有所提示：

图14打开数据表格界面

图15文件导入成功界面

3.2时间粒度及指标门限选择

由于小区每UE平均A3/A5上报数与MRE文件的时间粒度相关，时间粒度越大，指标门限越高，因此需要选择相应的时间粒度以便确定筛选门限。

软件提供了三种方式以供选择：

“15分钟粒度”，“30分钟粒度”和“自定义”方式。

如下所示：

图16时间粒度与门限选择

其中“15分钟粒度”对应指标门限：

12；“30分钟粒度”对应指标门限：

24；“自定义”可设定指标门限：

12-100。

3.3开始运算

点击“进行运算”按钮，会依据前文所述过程进行运算，运算过程不到1S中，界面截图如下：

图17计算完成界面

3.3输出结果

点击“输出结果”按钮，有以下三点内容展示：

1）文本显示器上显示，本次计算总计识别邻区漏配X对,包含X个小区,X个PCI!

2）显示分析结果柱状图，邻区漏配RSRP区间分布。

图18输出结果界面

3）输出本次计算结果“Result.xlsx”，位于安装目录下，包含源小区ECGI，漏配的PCI，MR事件个数，UE个数，漏配的频点，平均RSRP等，如下图所示：

图19输出的邻区漏配结果

3.4异常情况处理

1）未包含必要的模板列名：

图20未包含必要模板列名提示

2）未导入数据就开始运算或输出结果，提示如下：

图21未打开数据源提示

3）Result文件被打开，导致无法写入，提示如下：

图22文件被打开无法写入提示

四、经验总结

4.1软件应用效果

Ø利用该分析工具进行邻区漏配优化2天，六安全网邻区漏配小区数由432个下降至98个，下降了77.3％。

Ø统计原邻区漏配小区切换及掉线指标，分别由98.32%提升至99.43%；0.87%提升至0.12%。

Ø大大节省了网优人员精力，优化432个邻区漏配，原本需要1周完成，利用该工具在2天内即可完成调整，提前释放了生产力。

4.2使用建议和后续计划

Ø对于识别出的漏配邻区，需要结合PCI和平均RSRP判断是否越区覆盖、室分泄露等，以便决定是进行邻区添加还是信号优化。

Ø后续软件能够直接导入MRE文件（XML格式），不再需要insight工具解析成excel。

Ø不少地市已经开通了异运营商信号检测，会产生与邻区漏配同样的现像，故对邻区漏配判定产生干扰，那在判定的时候就得对频点进行甄别，以避免干扰。