基站经纬度异常
无覆盖居民区
小区流量提升
KPI与KQI指标关联分析
KPI 指标智能动态门限
基站工参的调整工作一直是无线网规划、优化工作基础；传统的工参核查过程中如经纬度核查需要人员现场测试，给基站维护和检查带来极大的麻烦；本项目结合大数据方式，提出一种基于邻区多边形发现小区基站位置异常的方法。
本方案提出了一种基于邻区多边形发现小区基站位置异常的方法，本方法核心包括：针对待检测小区基站，统计预设时间内该基站切换的其他基站信息，并据此确定待检测基站的相邻基站集合；判断待检测基站与相邻基站集构成的多边形之间的位置关系；判断待检测基站与相邻基站集构成的多边形之间的角度关系；根据位置关系，角度关系判断基站位置是否发生异常。
算法主要思想：若待检测基站在多边形内部，则从待检测基站向左或向右引出一条射线，与多边形的交点必为奇数个。若待检测基站位于多边形外，则需要根据待检测基站与多边形的偏角关系对基站位置是否异常做进一步判断。
将成功切换频率最高的若干个基站作为相邻基站，可以有效的减少相邻基站的数目，提高计算效率；
以基站的位置判定代替小区的位置判定，显著地降低了问题规模；
将相邻基站集合构成的多边形作为待检测基站的位置范围，并通过判断待检测基站是否在多边形内对位置异常情况初步判断，可以快速地筛选出可能出现位置异常的基站；
以角度的计算取代大量的距离计算，可以有效降低时间复杂度；
夹角阈值的设定使得本方法具有更佳的可调整性、可扩展性，能够满足实际中的各种要求；
方法简单有效，具有很高的推广意义。
针对有轮廓的居民区POI信息和对应工参小区进行分析，通过一系列给出的条件判断这一居民区是否为“LTE小区”；判断方法均基于给出的工参小区经纬度以及居民区轮廓经纬度。
通过python网络爬虫获取各居民区的轮廓信息，然后同工参小区信息进行判断，根据相应条件进行判断是否为LTE小区。具体流程如右图所示：
美丽节活动前后，到店人数和购买金额均呈现增加趋势。
随着4G网络建设完善和终端的推广，网内4G流量增长明显。早期流量提升采用多维度全方位的方式推进需求小区的流量提升，这种方式虽然在广度上存在优势，但在资源受限的情况下，无法做到有的放矢的精品工程，且整体流量提升效果有限。
由此，采用小区级基础KPI性能数据结合小区场景、配置等基础信息，通过聚类分析发现各小区的流量趋势，结合小区的趋势及其他相关KPI性能数据及场景维度发掘流量增长潜力小区。其创新点在于基础性能数据同MR数据（衡量小区的信号强度）相结合，可进行多维度选择小区。
利用大数据分析方法，对各类数据进行预处理和整合，并进行建模，获取潜在流量热点小区，具体方案如右：
准确率提升：基于大数据机器学习的流量增长潜力小区挖掘系统实施后，持续跟踪9月、10月、11月的潜在流量提升小区的识别准确率，3个月的识别准确率均保持在80%以上，平均值达到 85.6% 。
流量提升效果显著：系统正式上线后，流量提升效果有显著的改善，统计9、10、11月间流量提升措施完成的小区，日均流量增幅均稳步提升。
经济效益：三个月内为公司带来的经济效益为128.4万元。
虽然在网优中KPI的优化和处理方面经验丰富，但在处理感知相关的KPI优化方面没有较好的方法；利用关联分析方法确定当某个KQI恶化时，频繁出现恶化的KPI指标有哪些，实施针对性的网络优化。
采用FP-Growth关联分析方法，对KQI和KPI指标关系进行分析，具体方案。
通过KPI与KQI关联分析，收敛89%的非无线原因感知告警，且平均10秒完成定界，帮助用户缩短50%定位时长。
之前KPI判障的方法是全网小区使用相同的静态门限作为判断依据；但各个小区场景、用户群体不同，其对应的指标门限值也应不同；利用机器学习算法为每个小区制定智能动态门限，可以：(1)监控重点场景小区，及时发现感知恶化小区；(2)自动快速完成感知恶化小区定界；(3)实现更及时，更高效、更精准派单。
与传统门限方式相比，异常事件收敛92%；
派单更精准，派单准确率达88%。
沪公网安备31011502400918