4G优化案例：基于Python的外部邻区关系数据挖掘.docxVIP

基于Python的外部邻区关系数据挖掘 XX XX年XX月  目录 TOC \o 1-2 \h \z \u 一、项目概述 3 1.1 项目背景 3 1.2 可行性分析 4 1.3 创新点 4 二、实现方法 6 2.1 思路及准备工作 6 2.2 数据清洗 7 2.3 异厂家协同挖掘 8 2.4 差异化处理 8 2.5 程序封装 8 三、实施案例 9 3.1 数据准备 9 3.2 数据清洗 12 3.3 异厂家协同挖掘 14 3.4 效果评估 15 四、总结 16 4.1 优点 17 4.2 经济效益 18 4.3 推广情况 19 五、参考文献 19  基于Python的外部邻区关系数据挖掘 XX 一、项目概述 1.1 项目背景 （1）外部邻区优化是LTE网络移动性管理问题的关键，挖掘方法是关键 LTE邻区是无线网络规划中非常重要的一部分，它关系到终端在移动过程中的重选或切换成功与否，影响用户感知。覆盖交叠程度大、有较多用户发生移动的邻接小区通常相互配置为邻区。按照频率是否相同，邻区关系可划分为同频邻区和异频邻区。在LTE建网初期，LTE网络可能只是热点覆盖或者局部区域连续覆盖，此时邻区关系以同频邻区为主；在后期LTE的扩容过程中，在网络中采用多频点组网，此时逐渐增加异频邻区关系。每个基站基本配置多个甚至上百个外部邻区，涉及的数据量非常庞大，如何有效地进行挖掘是关键。 （2）传统手段缺乏主动性，异厂家协同挖掘困难重重，亟需破局创新 邻区规划时，既要避免覆盖上互不相关的小区配为邻区，也要避免覆盖上交叠相邻连的小区发生错配。因为冗余的邻区关系占用了系统的邻区配额，而错配邻区影响终端业务的连续性。对于密集城区和普通城区，由于站间距比较近，配置了较多的邻区；对于郊区或乡村，站间距很大，邻区数目较少，一定要确保已有的邻区参数的一致性。由于网络建设、网络优化的需求，经常会发生小区新建、小区退服或小区割接，网络的拓扑结构和小区配置信息随之发生变化。因此，需要经常及时对外部邻区进行问题挖掘排查，提高网络的健壮性。 目前，外部邻区关系问题挖掘主要是以手动排查为主，数据源也没有较为统一的规范和标准，数据挖掘过程往往是深度依赖于数据分析员的专业技能经验，跨厂家的数据挖掘机制也不完善。按以往的经验，现有的方法无论是实现效率，还是挖掘效果均有所欠缺。 鉴于此，XX电信创新性地实现了一种基于Python的协同多厂家进行外部邻区关系数据挖掘的方法和工具，快速、精准地定位和挖掘现网中的外部邻区问题点，提升优化效率，改善切换指标，提升用户感知。 1.2 可行性分析 外部邻区关系数据挖掘的参数对象主要包括物理小区标识（PCI）、跟踪区域码（TAC）、下行频点、下行带宽。发掘排查冗余的外部邻区、确保外部邻区核查参数的准确性是外部邻区关系数据挖掘实施处理的主要内容。 （1）直接从设备网管采集所需数据，相应参数字段非特殊字段，易于采集 厂家设备网管提供一手的网络配置数据，而且数据挖掘所需的数据字段非特殊字段，方便采集，可统一从厂家设备网管直接采集数据源。 （2）针对异厂家数据源进行数据清洗，消除各厂家分析数据的差异 实现同设备厂家外部邻区关系问题挖掘是基本要求；对于设备“插花”严重，地市边界站点问题突出的地市，协同异厂家进行外部邻区关系数据挖掘显得更加重要。由于各设备厂家的外部邻区参数的数据结构不一、参数表示千差万别、涉及数据量大、处理繁琐且耗时、对专业知识有一定的要求等特点，使得我们无法直接进行异厂家核查外部邻区关系协同挖掘。要解决异厂家协同核查的难题，前提条件是要实现各厂家异构数据源的同构转换，通过对异厂家数据源进行数据清洗，消除不同厂家之间参数的数据结构和数值表示的差异。 （3）使用开源大数据开发固化工具成果，便于推广应用 无论是网络的拓扑结构，还是小区配置信息，都在不断的变化更新，邻区关系优化应持续跟进，外部邻区关系数据挖掘不是一蹴而就的，需要不定期进行。一套规范化、流程化、工具化的数据挖掘方法可避免大量不必要的重复性工作，固化方法成果，大幅提升工作效率。Python语言是一种解释型、面向对象、动态数据类型的高级程序设计语言，由于其简洁、易读、强大的库的特点，在数据挖掘领域有着无可比拟的优势；本项目拟选用Python语言进行迭代开发，选用Tkinter工具实现用户人机图形交互，提升用户操作友好性，选用Pyinstaller工具进行程序封装，实现无需安装即可使用，便于移植推广。 1.3 创新点 本项目创新性实现了一种基于Python的多厂家外部邻区关系数据挖掘的工具，实现了快速、精准地定位和挖掘问题点，有效地解决了多设备厂家的协同挖掘问题，