900M低频网多维度覆盖策略研究与应用

摘要：随着网络的高速发展，网络建设须以用户感知为中心，围绕用户体验，为构建网络能力、补齐网络短板、提升网络质量、优化网络性能、支撑高品质服务。本文以农村900M打底网建设规划为场景，现网MDT数据栅格化，根据电平定义栅格内覆盖情况，评估自然村覆盖情况。通过匹配自然村最近的联通和友商基站的距离，制定规划站点思路，同时结合历史投诉信息，使用基于密度聚类算法得到聚类投诉区域，并以此最终规划建设站址。

关键词：用户感知  900M打底网  MDT数据 站点规划 聚类算法

1 引言

随着通信技术的不断发展，互联网如今已成为人们日常生活中必不可少的一部分。随着网络不断的更新迭代，目前5G网络已完成规模建设，但由于5G使用的频率高，其覆盖的范围则会变小却投资建站成本高。900MHz频段具有传播损耗低、覆盖范围广、穿透能力强、网络部署成本低等特点，中国联通为了加快建网速度，降低投资成本，提升网络竞争力；丰富商用场景，增强服务感知，提升业务竞争力，对900MHz频段重耕，以更少的投资快速推进农村及边远地区的5G覆盖，为公司高质量发展打造坚强网络底座

2 策略规划

2.1 规划策略

首先，地理化图层栅格化，将地市区域分割为500m X 500m的栅格，将华为、中兴两个厂家MDT电平值数据归置进栅格计算，根据RSRP>=-110的比例定义栅格覆盖范围能力为好、中、差；

然后，自然村与栅格相关联，根据栅格覆盖能力判断其自然村覆盖的好坏；

接着，对覆盖能力为中或差的自然村匹配附近距离最近的联通及友商站点，通过距离竞对输出规划站址。

最后，结合投诉信息和自然村规划新建站点进行聚类，利用聚类算法，找到合理的点位。

3 应用验证

3.1 MDT数据栅格化

利用GridMaker工具创建栅格图层，将绍兴区域分割为500*500米的栅格，并根据电平数值划分为好中坏三档表示覆盖范围能力。

3.2 自然村MR覆盖率评估

由于自然村MDT数据量大，我们使用geohash方法，提高匹配效率。它是一种高效的地理编码方式，把空间划分为网格，生成一个字符串，用于快速查找邻近点和区域。根据自然村所在的经度和纬度这两个二维的地理坐标编码成一个由数字和字母组成的字符串。如：经度为120.9306，纬度为29.7115的点编码为7位wtmcpb的geohash值。编码而成的值表示的是一个区域，该区域内所有的点值相同。通过改变字符串编码的长度，改变编码后的误差范围。geohash字符串越短，其表示的区域越大，位置精度越低，误差越大；相反，geohash字符串越长，其表示的区域越小，位置精度越高，误差越小。因此，我们将自然村的经纬度合理编码成字符串长度为6的geohsah，该精度可以控制误差在±0.61公里。

同理，将MDT数据中的经纬度进行geohash编码，字符串长度与自然村一致。通过截取自然村geohash编码值的前5位与MDT数据的geohash值进行匹配，选取所在相同栅格的MDT数据，缩小搜索范围。如：绍兴新昌县新市场村geohash值为wtjyvf，截取前5位值为wtjyv，那么可以筛选处与之相同编码值为wtjyv的MDT数据组。

然后再判断自然村是否在这些筛选得到的MDT数据组内。若在其内，则根据栅格信息判断自然村的MR覆盖的情况，以此得到自然村的覆盖情况。如下表为自然村MR覆盖率评估示例。

其中，Geohash是根据经度和纬度的编码值，Status作为判断自然村MR覆盖率的好坏。Status的值根据RSRP>=-110的比例分为好、中、差、以及NaN为空，表示未覆盖或者无数据。

3.3 匹配自然村最近基站

半正矢公式（Haversine）可用于计算两个经纬度坐标点之间的距离，公式如下：

其中lat1，lat2表示为两个点的经度，lon1，lon2表示为两个点的纬度，r为半径。

利用该公式可以分别计算自然村到联通和友商基站的距离，并以此计算得到离自然村最近的联通与友商基站之间的距离以及距离差值。

3.4 聚类算法输出最终规划点位

根据自然村覆盖程度好坏，与基站的距离，是否有L900以及联通和移动与自然村距离差，设置了一系列的规划思路。将该思想得到的新建站点信息结合历史投诉信息，使用 DBSCAN（Density-Based Spatial Clustering of Applications with Noise）基于密度的聚类算法，该算法可以找到样本点的全部密集区域，并把这些密集区域当做一个一个的聚类簇。最后，根据这些聚类簇规划最终建设基站的点位。

该算法的实现步骤主要分为二步。

第一步，找到核心点形成临时聚类簇。在DBSAN中设置邻域半径R为200，最少点数目MinPoints为5。如果某个样本点R半径范围内点数目>=MinPoints，则将其纳入核心点列表，并将其密度直达的点形成对应的临时聚类簇。

第二步，合并临时聚类簇得到聚类簇。对于每一个临时聚类簇，检查其中的点是否为核心点，如果是，将该点对应的临时聚类簇和当前临时聚类簇合并，得到新的临时聚类簇。

重复此操作，直到当前临时聚类簇中的每一个点要么不在核心点列表，要么其密度直达的点都已经在该临时聚类簇，该临时聚类簇升级成为聚类簇。继续对剩余的临时聚类簇进行相同的合并操作，直到全部临时聚类簇被处理。

4、总结

利用栅格化的地理图层数据，结合MDT数据、投诉信息和友商竞对信息，使用geohash方法， DBSAN、Haversine算法大大加快了规划站址的输出，提升工作效率。

参考文献：

[1] 陈金戈，王宏星，董冰，等，800/900M低频重耕策略研究[J]. 长江信息通信. 2021，34（12）：173-175.