网规网优

基于客户感知的楼宇问题定位方法研究与实践
张璐岩 1，贾磊 1，杜犇 2

（1.中国移动通信集团陕西有限公司，陕西 西安 710077；
2.中国移动通信集团设计院有限公司陕西分公司，陕西 西安 710077）

【摘 要】 随着客户对室内不同业务网络使用需求的不断提升，为了进一步对楼宇内客户网络体验进行精确评估、分析定位
及优化提升，研究与实践了一种基于客户感知汇聚的楼宇问题定位方法。通过对客户感知进行画像并将结果与定
位信息关联汇聚成楼宇的体验评价，进而将感知与质量管控关联分析，优化解决楼宇网络问题。结果显示，该系
统规模应用后，重点楼宇整体良好率超过90%、提升了11PP，实践效果良好。
【关键词】 客户网络感知画像；定位信息；关联模型；楼宇网络问题

doi:10.3969/j.issn.1006-1010.20210322-0001 中图分类号：TN929.5 OSID：

扫描二维码
与作者交流
文献标志码：A 文章编号：1006-1010(2022)09-0092-05
引用格式：张璐岩,贾磊,杜犇. 基于客户感知的楼宇问题定位方法研究与实践[J]. 移动通信, 2022,46(9): 92-96.
ZHANG Luyan, JIA Lei, DU Ben. Research and Practice of Building Problem Location Method Based on Customer Perception[J]. Mobile
Communications, 2022,46(9): 92-96.

Research and Practice of Building Problem Location Method Based on

Customer Perception
ZHANG Luyan 1, JIA Lei 1, DU Ben 2
(1. China Mobile Communications Group Shanxi Co., Ltd., 710077 Xi’an, China;
2. China Mobile Communications Group Design Institute Co., Ltd., Branch Shanxi, 710077 Xi’an, China)

[Abstract] With the customer’s demand for indoor various business networks constantly increasing, it is necessary to further accurately
evaluate, analyze, locate, and optimize the customer network experience in buildings. To this end, a building problem location
method based on customer perception is researched and practiced. By profiling customer perception and aggregating the results
and positioning information into building experience evaluation, the correlation analysis between perception and quality control is
realized, so as to optimize and solve building network problems. The numerical results show that the proposed system can make
the overall good rate of key buildings exceed 90% and increase by 11PP, which has a good practical effect.
[Keywords] customer network perception portrait; locate information; association mode; building network problem

0 引言 服务小区识别、基于楼宇的量化感知评估、楼宇质量问

随着移动通信网络建设规模的快速扩大、客户对感 题定位三方面的突破，希望通过该方法起到节省人力、

知需求的不断提升，分场景、体系化的优化工作变得日 提升效率的作用。

趋重要。如何能量化用户感知及快速定位、识别场景问
题成为当前亟待解决的问题。 1 传统楼宇质量问题定位现状
为 了 解 决 上 述 问 题， 以 提 升 客 户 感 知 为 目 标，初步
在传统的优化工作中，注重面的监控与分析，对于立体
提出了基于“客户感知的楼宇问题定位方法”。本文从
化的楼宇缺少监控与评估手段，在监控与优化工作中只能通
基于“用户画像体系的建立和识别楼宇主服小区”入手，
过后台的指标监控和实地测试发现问题，往往由于评估手段
通过量化客户感知，构建起基于感知问题的楼宇积木模
单一，仅能对设备性能问题进行发现和处理，忽视客户感知
型，进而快速地给出场景问题解决方法，实现对楼宇主
的监控和提升，同时问题处理时人力投入大、时间长，导致
收稿日期：2021-03-22 网络问题发现和处理滞后。传统楼宇优化工作存在如下问题：

92 2022年9月第9期
第46卷
总第505期 张璐岩 , 贾磊 , 杜犇 : 基于客户感知的楼宇问题定位方法研究与实践
（1）要主动发现楼宇内覆盖问题，需大量人工现场
扫地式逐层测试，投入大、周期长；
（2）楼宇问题监控与评估手段单一，主要通过人工
从海量的网管指标中发现性能问题，效率低下，评估手
段没有体系化、标准化，不能全面及时地发现楼宇问题；
（3）楼宇感知问题主要依靠投诉获得，对楼宇感知
缺少量化手段和评估标准，网络维护只停留在性能指标
方面，对楼宇中体验问题缺少处理手段；
（4）楼宇感知问题主动解决乏力，只有当体验达到
不可容忍的地步，用户才会通过投诉的方式反映网络问
题，网络维护缺乏主动性，客户满意度提升面临挑战。
2 基于客户感知的楼宇问题定位方法
基于客户感知的楼宇问题定位方法，主要由楼宇与客户
感知关联模型和楼宇积木模型组成，在功能上分别实现了楼
宇的感知问题评估和感知问题定位。在应用当中，周期性地
进行楼宇感知得分评估，通过当前网络数据与历史数据生成
的网络信息模型比对，实现对问题楼宇的监控与维护。
图 1 中，首先通过识别楼宇主服小区，并关联客户
画像得分，汇聚形成基于楼宇的客户感知得分，再根据
楼宇的感知得分，结合楼宇积木模型定位功能，共同形
成基于客户感知的楼宇问题评估监控和问题定位体系。
楼宇常驻主服小区识别 用户感知画像得分
楼宇与用户画像关联
基于楼宇的客
户感知汇聚
优 良 中 差
楼宇感知问题
结束 楼宇质量问题定位
图1 基于客户感知的楼宇问题整体架构
2.1 楼宇主服务小区识别
在对楼宇主服小区识别前，先利用长周期手机 APP 的
OTT 数据的精准定位功能关联手机终端 MR 数据，建立手机
移动轨迹指纹库，实现了对楼宇内小区 MR 数据位置信息的
赋值，其后结合场景边界爬虫技术对三维地图数据的楼宇边
界识别，得到在楼宇边界内的 MR 所携带的所有小区 ECI 信
息，即：利用楼宇边界对赋值后的 MR 数据进行定界。具体
算法为：根据楼宇主服小区选取规则：( 小区所在建筑物采
样点 TOP1+ 小区所在建筑物采样点 TOP2+……+ 小区所在建
筑物采样点 TOPN)/ 建筑物所有小区总采样点≥ 80%，当 N
满足条件后，即停止计算，且参与计算的单小区采样点数须
超过 100，最终输出的小区信息根据采样点≥ 80% 的门限从
所有相关小区中按 MR 数量从大到小选出主服务小区，并且
按照采样点从多到少排序，输出的信息包含小区的 ECI、楼
宇 ID、楼宇经纬度、楼宇的 MR 采样点数量、MR 覆盖率。
地图爬虫技术已普遍应用，精度可达 3~5 m，是基
于高德 API（ Application Programming Interface，操作
系统给应用程序的调用）接口，获取重点场景的 POI（Point
of Information）信息，即楼宇及场景的边界信息，地图
数据中每个位置点的具体信息，包含名称、经纬度等）。
考虑到建筑物内各种复杂覆盖场景，综合考虑计算
的准确性和高效性，提出了楼宇主服小区识别方法，覆
盖小区只要符合该方法便认定为楼宇主服小区。
2.2 用户感知画像体系建立
为了量化用户感知，通过研究确立影响客户感知的 3
大业务、12 项指标集，同时引入感知因子 W、业务权重 K，
并耦合不同业务属性用户的不满意概率，经过画像调优，
输出用户画像得分。
由于对客户感知的刻画存在一定的偏差，因此在感
知画像初期必须通过画像调优对算法模型进行校准，最
终达成模型输出结果与用户满意度感知匹配的最大化，
其中感知模型校准是根据历次的调研数据，不断修正模
型变量 (K1, …, K3)，动态调整感知因子 (W1, …, W4)，
实现模型自适应优化和准确的感知画像输出。
图2 客户感知评估体系
2022年9月第9期 93
 第46卷
网规网优 总第505期

上述算法中，业务权重 K 决定了各业务对用户的影响 宽带位置及 pRRU 信息，实现 MR 数据位置分布和回填，

度，感知因子 W 表征业务流程中各阶段影响程度。在客户
感知评估体系中，用户画像感知范围为 [0, …, 10]，当用
户画像得分超过 8 分时，认为用户感知良好，其中业务权
重 K 指单个业务时长与总时长的比值，为全天 24 小时累加，
累加的取值范围 i 为 [0, …, 23]；W 为感知因子，即：综合
同时对无效数据进行清洗，并借助 K-means 聚类算法最
终实现楼宇积木块的搭建。
其次为了保证楼宇积木块数据回填的精度，综合考
虑算力和效率，选取楼宇积木块 70% 的数据作为训练序
列，当发现数据回填的位置出现偏差时，通过训练序列

考虑业不同时间段业务质量对感知的影响及各子项业务对 对楼宇积木信息进行校正，直至数据的回填精度无偏差。

感知影响的权重占比，是网络性能对感知体验的映射，取 最后通过关联分析确定与楼宇问题强关联的指标为

值范围为 [0, …, 1]。当完成楼宇内所有用户的感知得分并 MR 覆 盖 率、 占 用 率、 积 木 块 平 均 RSRP、 积 木 块 平 均

汇聚后，便形成了基于楼宇的客户感知得分。 SINR，再利用机器学习进行楼宇积木块强关联指标学习，
同时强关联指标选取楼宇历史标准指标进行机器学习，
2.3 楼宇与客户感知关联模型建立
最终实现楼宇积木网络信息模型的标准化建立。
当完成每个用户的感知量化得分，并与楼宇内的主
(MDT+MR)+(MR+OTT+
服小区相关联，并确定常驻用户，依据常驻用户的画像 指纹库MR定位
宽带+Wi-Fi+pRRu)
得分，汇聚成基于楼宇的客户感知得分。
在基于客户感知的楼宇问题定位模型中，基于楼宇 MDT MR 回填
的 客 户 感 知 分 为 优、 良、 中、 差 四 个 等 级。 当 楼 宇 内 客
数据清洗
户感知大于 8 分的用户数占比低于 80% 时，则认为基于
楼宇的感知级别为差；当占比介于 80%~90% 时，基于楼 数据聚类
宇的感知级别为中；当占比介于 90%~100% 时，基于楼
构建楼宇积木模型
宇的感知级别为良；当占比为 100% 时，基于楼宇的感知
级别为优。 图4 楼宇积木模型

图 3 中楼宇与用户画像得分根据 ECI 相关联，再汇聚

形成基于楼宇的感知得分，即：基于楼宇的客户感知得分 = 楼宇积木块效果如图 5 所示：

楼宇内大于等于 8 分用户个数 / 楼宇内用户总个数。

2.4 基于楼宇积木模型的问题定位
楼 宇 积 木 模 型 建 立 采 用 OTT 数 据 关 联 用 户 数 据
（XDR、MR 数 据、MDT 数 据 ）， 并 融 合 宽 带 +Wi-
Fi+pRRU 多种定位技术，实现用户数据精准定位回填， 图5 楼宇积木块效果
构建起楼宇积木块模型；最后利用机器学习进行楼宇积
木块强关联指标学习，关联锁定关键指标，完成楼宇网 当建立完成楼宇积木网络信息后，就可依据楼宇积
络信息的建立。 木 块 信 息 模 型 中 的 主 服 小 区、 邻 区、 电 平、 质 量、 覆 盖
在图 4 中，首先根据用户 APP 上报的位置信息和地 率等网络信息，与当前网络信息进行比对，根据差异精
图 API 上报信息及 MR 指纹库，并结合 OTT 与 WLAN、 确定位出楼宇问题类型和位置，如表 1 和表 2 所示。

图3 楼宇与客户感知关联算法模型

94 2022年9月第9期
第46卷
总第505期 张璐岩 , 贾磊 , 杜犇 : 基于客户感知的楼宇问题定位方法研究与实践

表1 基于长周期（年粒度）的楼宇积木块网络信息示例
服务小区 服务小区 服务小区平均日
时间周期 粒度 楼宇 积木块 服务小区信息 邻区1信息 邻区1/RSRP 邻区1/SINR 邻区2信息
RSRP SINR 均采样点数目
20190511-20200510 年 357359 146837 263639302 -75 16 4 624 564 151008297 -81 10 ……
20190511-20200510 年 357359 146838 263639302 -78 18 3 745 234 126061672 -83 9 ……
20190511-20200510 年 357359 198943 263523847 -70 20 8 435 635 263523846 -78 11 ……

表2 基于当前（天粒度）的楼宇积木块网络信息示例
服务小区 服务小区 主服小区平均日
时间周期 粒度 楼宇 积木块 服务小区信息 邻区1信息 邻区1/RSRP 邻区1/SINR 邻区2信息
RSRP SINR 均采样点数目
20200511-20200512 天 357359 146837 263639302 -76 16 4 623 553 151008297 -83 11 ……
20200511-20200512 天 357359 146838 263639302 -77 17 3 734 512 126061672 -82 10 ……
20200511-20200512 天 357359 198943 263523847 -71 19 8 474 564 263523846 -77 9 ……
20200511-20200512 天 357359 159389 263639302 -83 16 1 351 345 263639303 -88 9 ……

表 1 为设定周期为一年的标准模型中的楼宇网络信 所示。平台分析楼宇 ID 为 170843 存在感知问题，感知

息，表 2 为当前一天的楼宇模型网络信息，定位模型会 等级为差，由于该小区 MR 数据已经赋值和定界，平台
根 据 楼 宇 客 户 感 知 画 像 等 级 变 差 触 发 标 准 模 型（ 表 1） 会 根 据 当 前 MR 的 赋 值 信 息， 即 MR 数 据 分 布 范 围 和 总
与 当 前 网 络 信 息（ 表 2） 的 比 对， 从 而 定 位 出 楼 层 区 域 数与标准模型进行比对，如果发现覆盖范围和采样点总
和问题小区。例如：在表 1 和表 2 对比中，若某一个楼 数与标准模型差值超过 20% 以上，即可得出该小区存在
层（ 积 木 块 ） 标 准 模 型 存 在 较 大 差 异（ 日 均 采 样 点、 功率减少或故障引起小区工作异常等问题，随后便具体
RSRP、SINR 差 异 超 过 20% 以 上 ）， 便 可 定 位 某 个 楼 检查该小区的状况，从而实现快速、高效、精准的定位
层某个小区存在问题。 网络问题。

3 基于客户感知的楼宇问题实践
基于客户感知评估的楼宇问题模型建立后，通过平
台落地，对于问题定位，首先通过感知指标评估体系发
现楼宇是否存在问题，然后系统自动导入楼宇当前网络
信息，通过与楼宇网络信息模型比对，实现对异常楼宇
质量问题的定位。 图6 楼宇感知与问题定位呈现
通过登录楼宇问题评估与定位平台，选择立体覆盖
评估，设定时间周期后，系统会通过对楼宇感知分析得到 以上通过对楼宇主服小区识别、用户感知画像与楼宇
存在感知下降问题的楼宇 ID，再通过楼宇网络信息模型 关联算法、基于楼宇积木模型的问题的定位，最终实现了
和当前的网络信息进行对比，根据差异定位出楼宇问题。 基于楼宇的感知评估和问题定位。本方法应用于省内重点
如图 6 左侧图例是楼宇感知 3D 模型呈现，不仅可以 楼宇物业点后，缩短了问题发现和定位的周期，重点楼宇
直观地显示和量化楼宇的感知级别，而且可以根据不同 整体达质率超过 90%，提升 11PP，实践效果良好，达到了

感 知 得 分 对 楼 宇 进 行 不 同 色 谱 分 类， 绿、 蓝、 黄、 红 分 提升楼宇内用户感知的目的。

别 代 表 优、 良、 中、 差 四 个 客 户 感 知 级 别， 楼 宇 问 题 评
估与定位平台会根据楼宇内客户感知级别的变化与下降， 4 结束语
分析定位出楼宇的质量问题。 本研究提出了基于客户感知的楼宇问题定位方法，
对于楼宇存在的感知问题，楼宇问题评估与定位平 解决了以往楼宇问题不易发现的痛点，随着对应用的逐步
台采用当前网络信息与楼宇网络信息模型比对的方法， 落地，有望提高解决楼宇问题的工作效率；同时也发现
定位出楼宇内的问题范围和问题小区，如图 6 右侧图例 MR 定 界 及 回 填 依 赖 于 MDT 及 MR+OTT+（ 家 宽 +Wi-

2022年9月第9期 95
 第46卷
网规网优 总第505期

Fi+pRRU） 多 种 定 位 技 术， 需 要 经 过 数 据 清 洗、 聚 类 算 [16] 李 连 本 , 贾 辉 , 王 万 宁 , 等 . 基 于 p RRU 设 备 的 室 内

法等最终实现，过程及算法复杂，对计算机的算力有较 覆盖评估方法设计及应用 [J]. 电信工程技术与标准化 ,
高的要求，如何优化算法、提高效率将成为下一步要重 2020,33(4): 57-61.

点解 决的 问 题。 同 时，后 续 在 优 化算 法 的 同时，将对模 [17] 王 行 娟 . 基 于 WiFi 的 分 级 室 内 定 位 [J]. 电 讯 技 术 ,

型的使用场景进行拓展研究，使其广泛应用于交通枢纽、 2021,61(10): 1291-1296.

[18] 尹秋园 . 超宽带室内测距与定位算法研究 [D]. 长沙 : 湖
机场、商业区、高校等密集复杂场景。
南师范大学 , 2021.
[19] 张凯旋 . 基于机器学习的智能小区画像算法开发与应用
参考文献： [D]. 南京 : 南京邮电大学 , 2021.
[1] 冯延钊 , 张沛 , 王康 , 等 . 面向客户感知的 5G 无线网络 [20] 郭文娟 . 基于优化初始聚类中心的 K-means 聚类算法 [J].
评估体系研究 [J]. 山东通信技术 , 2019,39(4): 17-19. 科技风 , 2022(4): 63-65.
[2] 肖良玉 . 爬虫技术在互联网领域的应用 [J]. 数码世界 , [21] 赵怡 . 改进区域模型的水平集图像分割算法研究 [D]. 太
2017(12): 548-549. 原 : 太原理工大学 , 2018. ★
[3] 张璐岩 , 贾磊 , 方路成 . 一种基于地图爬虫的场景边
界识别与质量监控方法 [J]. 电信工程技术与标准化 ,
2019,32(5): 45-49.
[4] 赵怡 . 改进区域模型的水平集图像分割算法研究 [D]. 太
原 : 太原理工大学 , 2018.
[5] 王濛 , 朱雅鑫 . 基于分布式传感的实体积木模型实
时三维重建系统 [J]. 计算机辅助设计与图形学学报 ,
2020,32(7): 1177-1182+1198.
[6] 何凌 , 彭友亮 , 刘大洋 , 等 . 三维网络感知态势画像的
研究 [J]. 电信工程技术与标准化 , 2021,34(12): 79-81.
[7] 樊士迪 . 面向情景感知系统的质量评估指标管理系统及
算法研究 [D]. 济南 : 山东大学 , 2021.
[8] 戴维 . 面向端到端用户感知的管理信息系统运营实践
[J]. 通信管理与技术 , 2022(1): 53-56.
[9] 徐永杰 , 魏宁宁 , 冯延钊 , 等 . 高层楼宇弱覆盖解决
方案自动输出方法研究 [J]. 电信工程技术与标准化 ,
2019,32(10): 56-59.
[10] 陈宝生 . 利用 3D MR+OTT 技术打造可视化 LTE 无线 作者简介
网络 [J]. 中国信息化 , 2019(3): 55-56.
张璐岩（orcid.org/0000-0003-4987-4991）：高级工
[11] 王粟 . 基于 OTT 的 MR 定位方法 [J]. 电信工程技术与 程师，硕士，现任职于中国移动通信集团陕西有限
公司，研究方向为无线网通信、大数据分析应用。
标准化 , 2016,29(10): 63-66.
[12] 丰 雷 . 基 于 多 维 大 数 据 的 高 价 值 用 户 定 位 及 网 络 感
知保障体系研究 [J]. 长江信息通信 , 2021,34(8): 201-
贾磊：高级工程师，硕士，现任职于中国移动通信
203+207. 集团陕西有限公司，研究方向为移动通信系统、大
数据分析应用。
[13] 许盛宏 , 宫云平 , 安劲伟 . 基于 4G 信令大数据的楼宇
用户定位方案探讨 [J]. 移动通信, 2017,41(14): 22-26.
[14] 汪洋 , 姚伟娜 , 沈广才 , 等 . 基于手机时空数据的用户
杜犇：学士，现任职于中国移动通信集团设计院有
画像构建方法 [J]. 电脑知识与技术 , 2021,17(26): 98- 限公司陕西分公司，研究方向为无线网络优化、大
数据分析应用。
100+107.
[15] 张驰 , 张峰 , 刘叶楠 , 等 . 基于融合聚类的蓝牙指纹室
内定位算法优化 [J]. 计算机仿真 , 2020,37(7): 314-318.

96 2022年9月第9期