基站經緯度異常
無覆蓋居民區
小區流量提升
KPI與KQI指標關聯分析
KPI 指標智能動態門限
基站工參的調整工作一直是無線網規劃、優化工作基礎；傳統的工參核查過程中如經緯度核查需要人員現場測試，給基站維護和檢查帶來極大的麻煩；本項目結合大數據方式，提出一種基于鄰區多邊形發現小區基站位置異常的方法。
本方案提出了一種基于鄰區多邊形發現小區基站位置異常的方法，本方法核心包括：針對待檢測小區基站，統計預設時間內該基站切換的其他基站信息，并據此確定待檢測基站的相鄰基站集合；判斷待檢測基站與相鄰基站集構成的多邊形之間的位置關系；判斷待檢測基站與相鄰基站集構成的多邊形之間的角度關系；根據位置關系，角度關系判斷基站位置是否發生異常。
算法主要思想：若待檢測基站在多邊形內部，則從待檢測基站向左或向右引出一條射線，與多邊形的交點必為奇數個。若待檢測基站位于多邊形外，則需要根據待檢測基站與多邊形的偏角關系對基站位置是否異常做進一步判斷。
將成功切換頻率最高的若干個基站作為相鄰基站，可以有效的減少相鄰基站的數目，提高計算效率；
以基站的位置判定代替小區的位置判定，顯著地降低了問題規模；
將相鄰基站集合構成的多邊形作為待檢測基站的位置范圍，并通過判斷待檢測基站是否在多邊形內對位置異常情況初步判斷，可以快速地篩選出可能出現位置異常的基站；
以角度的計算取代大量的距離計算，可以有效降低時間復雜度；
夾角閾值的設定使得本方法具有更佳的可調整性、可擴展性，能夠滿足實際中的各種要求；
方法簡單有效，具有很高的推廣意義。
針對有輪廓的居民區POI信息和對應工參小區進行分析，通過一系列給出的條件判斷這一居民區是否為“LTE小區”；判斷方法均基于給出的工參小區經緯度以及居民區輪廓經緯度。
通過python網絡爬蟲獲取各居民區的輪廓信息，然后同工參小區信息進行判斷，根據相應條件進行判斷是否為LTE小區。具體流程如右圖所示：
美麗節活動前后，到店人數和購買金額均呈現增加趨勢。
隨著4G網絡建設完善和終端的推廣，網內4G流量增長明顯。早期流量提升采用多維度全方位的方式推進需求小區的流量提升，這種方式雖然在廣度上存在優勢，但在資源受限的情況下，無法做到有的放矢的精品工程，且整體流量提升效果有限。
由此，采用小區級基礎KPI性能數據結合小區場景、配置等基礎信息，通過聚類分析發現各小區的流量趨勢，結合小區的趨勢及其他相關KPI性能數據及場景維度發掘流量增長潛力小區。其創新點在于基礎性能數據同MR數據（衡量小區的信號強度）相結合，可進行多維度選擇小區。
利用大數據分析方法，對各類數據進行預處理和整合，并進行建模，獲取潛在流量熱點小區，具體方案如右：
準確率提升：基于大數據機器學習的流量增長潛力小區挖掘系統實施后，持續跟蹤9月、10月、11月的潛在流量提升小區的識別準確率，3個月的識別準確率均保持在80%以上，平均值達到 85.6% 。
流量提升效果顯著：系統正式上線后，流量提升效果有顯著的改善，統計9、10、11月間流量提升措施完成的小區，日均流量增幅均穩步提升。
經濟效益：三個月內為公司帶來的經濟效益為128.4萬元。
雖然在網優中KPI的優化和處理方面經驗豐富，但在處理感知相關的KPI優化方面沒有較好的方法；利用關聯分析方法確定當某個KQI惡化時，頻繁出現惡化的KPI指標有哪些，實施針對性的網絡優化。
采用FP-Growth關聯分析方法，對KQI和KPI指標關系進行分析，具體方案。
通過KPI與KQI關聯分析，收斂89%的非無線原因感知告警，且平均10秒完成定界，幫助用戶縮短50%定位時長。
之前KPI判障的方法是全網小區使用相同的靜態門限作為判斷依據；但各個小區場景、用戶群體不同，其對應的指標門限值也應不同；利用機器學習算法為每個小區制定智能動態門限，可以：(1)監控重點場景小區，及時發現感知惡化小區；(2)自動快速完成感知惡化小區定界；(3)實現更及時，更高效、更精準派單。
與傳統門限方式相比，異常事件收斂92%；
派單更精準，派單準確率達88%。
滬公網安備31011502400918