本發(fā)明屬通信技術(shù)領(lǐng)域，尤其是涉及一種評估高速鐵路移動用戶使用lte服務(wù)質(zhì)量的方法和系統(tǒng)。

背景技術(shù)：

在過去幾年中，lte無線網(wǎng)絡(luò)已經(jīng)越來越普遍，并且引起了專項基礎(chǔ)設(shè)施的大量增加。截至2016年底，全球用戶數(shù)量已達(dá)9.15億，亞洲具有重要推動力。同時，中國高鐵近年來得到高速發(fā)展：2003年第一條線路開通并實現(xiàn)商業(yè)化運(yùn)營，2017年高速鐵路線已建成并投入使用的已達(dá)到二千多公里，占世界總量的三分之一。在2016年運(yùn)送旅客達(dá)15億，使中國成為世界上最繁忙的鐵路網(wǎng)絡(luò)。考慮到這種特殊環(huán)境(高速且特定路線)，移動運(yùn)營商為高鐵沿線配置了專網(wǎng)小區(qū)(高鐵小區(qū))來保障高速移動用戶的通信體驗。

通過提供在任何地點(diǎn)和任何時間訪問網(wǎng)絡(luò)的可能性，lte無線網(wǎng)絡(luò)的發(fā)展為客戶提供了新的通信方式。由于過去幾年的投資，網(wǎng)絡(luò)已經(jīng)實現(xiàn)普及性。運(yùn)營商提供了一些專門的基礎(chǔ)設(shè)施來滿足用戶的特殊需求。其中一個需求是當(dāng)用戶乘坐高速移動的高鐵上時，可以不掉話、不掉網(wǎng)的在通信世界遨游。在這種特殊環(huán)境下，運(yùn)營商必須建立特殊的小區(qū)以保障良好的信號質(zhì)量。小區(qū)數(shù)量可根據(jù)高鐵客運(yùn)量及高鐵線長度按需分配，隨之而來的一個關(guān)鍵問題是評估高鐵小區(qū)的使用情況。

在中國專利文獻(xiàn)cn105636104a中，公開了移動通信網(wǎng)絡(luò)中高速移動用戶通話識別的方法，該方法包括：根據(jù)高速移動用戶組服務(wù)小區(qū)列表小區(qū)，確定高鐵/高速/國道/城市環(huán)路/城市高架沿線非服務(wù)小區(qū)列表小區(qū)的范圍；過濾用戶信令數(shù)據(jù)，保留屬于高速移動用戶組服務(wù)小區(qū)列表小區(qū)及高鐵/高速/國道/城市環(huán)路/城市高架沿線非服務(wù)小區(qū)列表小區(qū)的用戶信令數(shù)據(jù)；對過濾后的用戶信令數(shù)據(jù)進(jìn)行分析，確定所述用戶信令數(shù)據(jù)對應(yīng)的用戶是否屬于高速移動用戶。

上述專利文獻(xiàn)中公開的方案并不能有效監(jiān)測高鐵小區(qū)的服務(wù)質(zhì)量。該網(wǎng)絡(luò)質(zhì)量評估的方法是分析使用該高鐵小區(qū)網(wǎng)絡(luò)的用戶網(wǎng)絡(luò)質(zhì)量指標(biāo)，并不區(qū)分用戶的類型。而在高鐵沿線小區(qū)的情況下，該方法不能正確的評估出網(wǎng)絡(luò)質(zhì)量，因為存在著高鐵用戶使用大網(wǎng)小區(qū)，大網(wǎng)用戶使用高鐵小區(qū)的情況。

技術(shù)實現(xiàn)要素：

本發(fā)明要解決的問題是提供一種有效區(qū)分使用高鐵小區(qū)網(wǎng)絡(luò)的大網(wǎng)用戶和使用大網(wǎng)小區(qū)網(wǎng)絡(luò)的高鐵用戶，進(jìn)而可以有效監(jiān)控高鐵沿線的高鐵小區(qū)和大網(wǎng)小區(qū)，評估高速鐵路移動用戶使用lte服務(wù)質(zhì)量的方法。

為解決上述技術(shù)方案，本發(fā)明采用的技術(shù)方案是：該評估高速鐵路移動用戶使用lte服務(wù)質(zhì)量的方法，包括以下步驟：

步驟(1)：收集高鐵線路周邊的高鐵小區(qū)信息，根據(jù)獲得的高鐵小區(qū)信息得到附近1公里范圍內(nèi)的大網(wǎng)小區(qū)；同時，收集用戶信令切換數(shù)據(jù)；

步驟(2)：針對收集到用戶信令切換數(shù)據(jù)進(jìn)行分類，區(qū)分高鐵用戶和大網(wǎng)用戶；

步驟(3)：針對每個用戶的信令切換數(shù)據(jù)進(jìn)行提取特征指標(biāo)，建立模型；

步驟(4)：將得到的新用戶信令切換數(shù)據(jù)導(dǎo)入所述步驟(3)建立的模型中，進(jìn)行判定該新用戶的分類。

在本發(fā)明中，需要特別解釋的是，高鐵小區(qū)是指移動運(yùn)營商在高鐵沿線專門用于高鐵用戶使用的小區(qū)；大網(wǎng)小區(qū)是指非高鐵小區(qū)的其他小區(qū)，通常為大網(wǎng)用戶即非高鐵用戶提供服務(wù)。同樣的，高鐵用戶是乘坐高鐵的用戶，而大網(wǎng)用戶則是指網(wǎng)絡(luò)中的任何其他客戶。

在步驟(1)中，對于小區(qū)信息數(shù)據(jù)，首先收集位于當(dāng)前高鐵線路周邊的高鐵小區(qū)，對于每個高鐵小區(qū)，可以獲得小區(qū)的經(jīng)緯度，接著根據(jù)經(jīng)緯度得到附近1公里內(nèi)的大網(wǎng)小區(qū)，這樣就獲得了目標(biāo)小區(qū)信息，每個小區(qū)包含經(jīng)緯度以及標(biāo)記為是否高鐵小區(qū)的二元變量；對于用戶信令切換數(shù)據(jù)，需確定特定日期下連接目標(biāo)小區(qū)的所有用戶，通過imsi(國際移動用戶身份)和imei(國際移動設(shè)備身份識別碼)唯一化用戶，這樣就得到了用戶使用小區(qū)網(wǎng)絡(luò)的列表，時間精確到秒，由于連接網(wǎng)絡(luò)的不規(guī)則性，收集到的數(shù)據(jù)也不會固定在某個特定時間內(nèi)，用戶信令切換數(shù)據(jù)包含用戶信令切換信息以及相應(yīng)的時間標(biāo)識；在步驟(2)中，針對收集到用戶信令切換數(shù)據(jù)進(jìn)行分類，目的是為了得到一些樣本數(shù)據(jù)的明確標(biāo)簽：高鐵用戶或大網(wǎng)用戶；這是非常重要的，鑒別出使用高鐵小區(qū)網(wǎng)絡(luò)的大網(wǎng)用戶，這部分人的比例應(yīng)該足夠低以防止高鐵小區(qū)的超負(fù)荷連接，鑒別出使用大網(wǎng)小區(qū)網(wǎng)絡(luò)的高鐵用戶，這種情況會導(dǎo)致高鐵用戶上網(wǎng)體驗的下降，這種下降是由高鐵小區(qū)和大網(wǎng)小區(qū)信號的快速切換導(dǎo)致的，此外，需要注意的是，步驟(2)中的將數(shù)據(jù)進(jìn)行分類，是從原始數(shù)據(jù)中抽取出部分用戶數(shù)據(jù)進(jìn)行人為分類；依據(jù)步驟(3)創(chuàng)建提取相關(guān)指標(biāo)后，使用分類算法對樣本數(shù)據(jù)進(jìn)行分析建模，提取能夠顯著區(qū)分高鐵用戶和大網(wǎng)用戶的特征指標(biāo)；模型結(jié)果用于預(yù)測每個用戶的分類。通過鑒別用戶中的高鐵用戶，可以有效監(jiān)控高鐵沿線的高鐵小區(qū)和大網(wǎng)小區(qū)，一旦模型訓(xùn)練好后將自動執(zhí)行。因此，移動運(yùn)營商可以為每種類型的小區(qū)制定調(diào)整和開發(fā)的策略。以這種方式，可以顯著提高高鐵沿線小區(qū)的服務(wù)性能。

優(yōu)選的，在所述步驟(2)中，將分類的數(shù)據(jù)集分成兩部分，隨機(jī)抽取80％用戶為訓(xùn)練集，剩下的20％用戶為驗證集；在所述步驟(3)中的模型建立后，采用訓(xùn)練集對模型進(jìn)行訓(xùn)練，接著在訓(xùn)練集和驗證集上同時測試。

結(jié)果顯示，該模型可以高效的區(qū)分出高鐵用戶及大網(wǎng)用戶：在訓(xùn)練集上，準(zhǔn)確率達(dá)到99％；在驗證集上，準(zhǔn)確率為98％；每個新用戶可以通過該模型提取的重要特征指標(biāo)進(jìn)行分類；上述操作確保結(jié)果的可靠性。

優(yōu)選的，在所述步驟(3)中，所述特征指標(biāo)包括用戶的移動速度。

優(yōu)選的，在所述步驟(3)中，所述特征指標(biāo)還包括有用戶高鐵小區(qū)與大網(wǎng)小區(qū)切換信息、移動距離、連接大網(wǎng)小區(qū)的總次數(shù)、連接高鐵小區(qū)的總次數(shù)、高鐵小區(qū)連接次數(shù)占比和用戶連接到大網(wǎng)小區(qū)的數(shù)目。

優(yōu)選的，該方法還包括有步驟(5)，匯總出包含高鐵用戶連接的高鐵小區(qū)以及連接的時間；匯總出包含大網(wǎng)用戶占用高鐵小區(qū)網(wǎng)絡(luò)以及時間；匯總出高鐵用戶從高鐵小區(qū)切換到大網(wǎng)小區(qū)信息，其中，包含連接小區(qū)的類型以及時間；匯總出大網(wǎng)用戶從大網(wǎng)小區(qū)到高鐵小區(qū)的切換；匯總出每天大網(wǎng)小區(qū)和高鐵小區(qū)的信息。

對于匯總出高鐵用戶從高鐵小區(qū)切換到大網(wǎng)小區(qū)信息，其中，包含連接小區(qū)的類型以及時間，切換較頻繁的高鐵小區(qū)，需要對小區(qū)進(jìn)行天線調(diào)整或者增加高鐵小區(qū)的建立；匯總出每天大網(wǎng)小區(qū)和高鐵小區(qū)的信息包括高鐵專網(wǎng)用戶的數(shù)量、高鐵用戶至少連接到一個大網(wǎng)小區(qū)的比例、大網(wǎng)用戶連接至少一個高鐵小區(qū)的比例，強(qiáng)調(diào)了服務(wù)性能的演變，反映了季節(jié)性變化和全網(wǎng)的改善。

本發(fā)明要解決的另一個問題是，提供一種評估高速鐵路移動用戶使用lte服務(wù)質(zhì)量的系統(tǒng)。

該估高速鐵路移動用戶使用lte服務(wù)質(zhì)量的系統(tǒng)包括有數(shù)據(jù)收集模塊、數(shù)據(jù)分類模塊、數(shù)據(jù)處理模塊和結(jié)果導(dǎo)出模塊；

其中，所述數(shù)據(jù)收集模塊：用于接收高鐵線路周邊的高鐵小區(qū)信息，并根據(jù)獲得的高鐵小區(qū)信息得到附近1公里范圍內(nèi)的大網(wǎng)小區(qū)；同時，收集高鐵用戶和大網(wǎng)用戶的信令切換數(shù)據(jù)；

數(shù)據(jù)分類模塊：用于將數(shù)據(jù)收集模塊中收集到的部分用戶信息加以人工分類，區(qū)分出哪些用戶是高鐵用戶，哪些用戶是大網(wǎng)用戶，并提取特征指標(biāo)，建立分類模型；

數(shù)據(jù)處理模塊：將得到的新用戶信令切換數(shù)據(jù)導(dǎo)入，進(jìn)行判定該新用戶的分類；

優(yōu)選的，該系統(tǒng)還包括有數(shù)據(jù)結(jié)果導(dǎo)出模塊，用于展示高鐵小區(qū)或大網(wǎng)小區(qū)服務(wù)質(zhì)量的量化指標(biāo)。

附圖說明

下面結(jié)合附圖和本發(fā)明的實施方式進(jìn)一步詳細(xì)說明：

圖1為本發(fā)明評估高速鐵路移動用戶使用lte服務(wù)質(zhì)量的系統(tǒng)的模型訓(xùn)練流程圖；

圖2為本發(fā)明評估高速鐵路移動用戶使用lte服務(wù)質(zhì)量的系統(tǒng)的產(chǎn)品化的流程圖；

圖3顯示了高鐵沿線分布的高鐵小區(qū)及非高鐵小區(qū)，基于經(jīng)緯度的小區(qū)打點(diǎn)；

圖4a、4b、4c和4d說明了用戶在一定時間內(nèi)使用高鐵沿線的專網(wǎng)大網(wǎng)小區(qū)情況，其中，圖4a顯示出了高鐵用戶僅連接到專網(wǎng)小區(qū)的示例圖，圖4b顯示出了高鐵用戶連接到一些大網(wǎng)小區(qū)的示例圖，圖4c顯示出了非高鐵用戶連接到大網(wǎng)小區(qū)的示例圖，圖4d顯示出了非高鐵用戶連接到高鐵小區(qū)的示例圖；

圖5是本發(fā)明評估高速鐵路移動用戶使用lte服務(wù)質(zhì)量的系統(tǒng)結(jié)構(gòu)示意圖；

圖6是本發(fā)明評估高速鐵路移動用戶使用lte服務(wù)質(zhì)量的方法的流程圖。

具體實施方式

本發(fā)明實施例的評估高速鐵路移動用戶使用lte服務(wù)質(zhì)量的方法，如圖6所示，包括以下步驟：

步驟(1)：收集高鐵線路周邊的高鐵小區(qū)信息，根據(jù)獲得的高鐵小區(qū)信息得到附近1公里范圍內(nèi)的大網(wǎng)小區(qū)；同時，收集用戶信令切換數(shù)據(jù)；

步驟(2)：針對收集到用戶信令切換數(shù)據(jù)進(jìn)行分類，區(qū)分高鐵用戶和大網(wǎng)用戶；

步驟(3)：針對每個用戶的信令切換數(shù)據(jù)進(jìn)行提取特征指標(biāo)，建立模型；

步驟(4)：將得到的新用戶信令切換數(shù)據(jù)導(dǎo)入所述步驟(3)建立的模型中，進(jìn)行判定該新用戶的分類。

在所述步驟(2)中，將分類的數(shù)據(jù)集分成兩部分，隨機(jī)抽取80％用戶為訓(xùn)練集，剩下的20％用戶為驗證集；在所述步驟(3)中的模型建立后，采用訓(xùn)練集對模型進(jìn)行訓(xùn)練，接著在訓(xùn)練集和驗證集上同時測試。

在所述步驟(3)中，所述特征指標(biāo)包括用戶的移動速度。

在所述步驟(3)中，所述特征指標(biāo)還包括有用戶高鐵小區(qū)與大網(wǎng)小區(qū)切換信息、移動距離、連接大網(wǎng)小區(qū)的總次數(shù)、連接高鐵小區(qū)的總次數(shù)、高鐵小區(qū)連接次數(shù)占比和用戶連接到大網(wǎng)小區(qū)的數(shù)目。

該方法還包括有步驟(5)，匯總出包含高鐵用戶連接的高鐵小區(qū)以及連接的時間；匯總出包含大網(wǎng)用戶占用高鐵小區(qū)網(wǎng)絡(luò)以及時間；匯總出高鐵用戶從高鐵小區(qū)切換到大網(wǎng)小區(qū)信息，其中，包含連接小區(qū)的類型以及時間；匯總出大網(wǎng)用戶從大網(wǎng)小區(qū)到高鐵小區(qū)的切換；匯總出每天大網(wǎng)小區(qū)和高鐵小區(qū)的信息。

評估高速鐵路移動用戶使用lte服務(wù)質(zhì)量的方法主要目的是從高鐵小區(qū)基站收集的信令切換數(shù)據(jù)中對高鐵專網(wǎng)用戶和大網(wǎng)用戶進(jìn)行分類，進(jìn)而從該分類中評估高鐵小區(qū)服務(wù)質(zhì)量。有兩點(diǎn)很重要：1、需要鑒別出使用高鐵小區(qū)網(wǎng)絡(luò)的大網(wǎng)用戶，這部分人的比例應(yīng)該足夠低以防止高鐵小區(qū)的超負(fù)荷連接；2、鑒別出使用大網(wǎng)小區(qū)網(wǎng)絡(luò)的高鐵用戶，這種情況會導(dǎo)致高鐵用戶上網(wǎng)體驗的下降，這種下降是由高鐵小區(qū)和大網(wǎng)小區(qū)信號的快速切換導(dǎo)致的。

基于高鐵小區(qū)及距離高鐵沿線1公里內(nèi)的大網(wǎng)小區(qū)的信令數(shù)據(jù)，利用各小區(qū)經(jīng)緯度信息提取用戶級指標(biāo)，運(yùn)用分類算法得到高鐵用戶及非高鐵用戶。

具體過程有兩個主要階段：模型訓(xùn)練階段和產(chǎn)品化階段。

模型訓(xùn)練階段主要是建立分類模型，該階段可詳見圖1。簡而言之，我們首先收集有關(guān)高鐵線路周圍的小區(qū)的信息。從這些信息中可得到高鐵線路圖。同時，收集用戶的信令切換數(shù)據(jù)，該數(shù)據(jù)可推出高鐵用戶及高鐵周邊大網(wǎng)用戶的網(wǎng)絡(luò)連接行為，樣例圖詳見4a，4b，4c和4d；在做分類模型前，需要手動的區(qū)分高鐵用戶和大網(wǎng)用戶，創(chuàng)建信號切換速度等行為特征指標(biāo)。最后，選擇合適的分類算法鑒別兩種用戶。

產(chǎn)品階段(生產(chǎn)階段)的目的是實現(xiàn)代碼運(yùn)行及結(jié)果輸出的自動化，流程圖詳見圖2。對于訓(xùn)練階段，從數(shù)據(jù)中提取用戶行為特征指標(biāo)。，利用分類算法區(qū)分高鐵用戶和大網(wǎng)用戶，最后，通過總結(jié)用戶使用小區(qū)網(wǎng)絡(luò)的情況來評估小區(qū)的服務(wù)質(zhì)量。

下面詳細(xì)闡述流程圖：

由于整個過程是對相關(guān)數(shù)據(jù)進(jìn)行分析挖掘，因此第一步是要得到原始數(shù)據(jù)。首先確定高鐵線和日期。接著收集兩份數(shù)據(jù)，一份是小區(qū)信息數(shù)據(jù)：該線路高鐵小區(qū)及1公里內(nèi)的大網(wǎng)小區(qū)數(shù)據(jù)，另一份是用戶數(shù)據(jù)：包含使用這些小區(qū)網(wǎng)絡(luò)用戶的信令切換數(shù)據(jù)。

對于小區(qū)信息數(shù)據(jù)，首先收集位于當(dāng)前高鐵線的高鐵小區(qū)，對于每個高鐵小區(qū)，可以獲得小區(qū)的經(jīng)緯度。接著根據(jù)經(jīng)緯度得到附近1公里內(nèi)的大網(wǎng)小區(qū)。這樣就獲得了目標(biāo)小區(qū)信息，每個小區(qū)包含經(jīng)緯度以及標(biāo)記為是否高鐵小區(qū)的二元變量。

對于用戶數(shù)據(jù)，需確定特定日期下連接目標(biāo)小區(qū)的所有用戶，通過imsi(國際移動用戶身份)和imei(國際移動設(shè)備身份識別碼)唯一化用戶。這樣就得到了用戶使用小區(qū)網(wǎng)絡(luò)的列表，時間精確到秒。由于連接網(wǎng)絡(luò)的不規(guī)則性，收集到的數(shù)據(jù)也不會固定在某個特定時間內(nèi)。用戶數(shù)據(jù)包含用戶信令切換信息以及相應(yīng)的時間標(biāo)識。

舉例說明數(shù)據(jù)量大小，例如：一個高鐵線上的高鐵小區(qū)有50個，1公里范圍內(nèi)的大網(wǎng)小區(qū)有450個。連接這些網(wǎng)絡(luò)的用戶數(shù)量可達(dá)到100萬，280萬條信令切換信息。

第二步旨在根據(jù)高鐵小區(qū)經(jīng)緯度信息刻畫出高鐵線。利用主成分分析方法對小區(qū)經(jīng)緯度信息進(jìn)行合適的旋轉(zhuǎn)，接著通過廣義加性模型(gam)刻畫出高鐵線路。當(dāng)列車線呈現(xiàn)垂直方向，即從北向南或南向北時，空間的旋轉(zhuǎn)是必要的。該過程的示例結(jié)果詳見圖3。紅點(diǎn)表示高鐵小區(qū)；黑色曲線代表高鐵路線；藍(lán)點(diǎn)表示距高鐵小區(qū)1公里內(nèi)的大網(wǎng)小區(qū)。從高鐵線路可推測出每個小區(qū)之間和高鐵線路距離，進(jìn)而推導(dǎo)出目標(biāo)小區(qū)和高鐵出發(fā)站之間的距離。

第三步是創(chuàng)建模型數(shù)據(jù)集。該數(shù)據(jù)集是在用戶數(shù)據(jù)的基礎(chǔ)上增加了兩列數(shù)據(jù)：第一列是標(biāo)記小區(qū)是高鐵小區(qū)還是大網(wǎng)小區(qū)；第二列是對應(yīng)小區(qū)離高鐵出發(fā)站的距離(單位：公里)。

在模型訓(xùn)練階段，需要對用戶當(dāng)天在高鐵線小區(qū)的時間及小區(qū)距離進(jìn)行可視化呈現(xiàn)。實踐中，只畫出了部分用戶的信息圖。圖4a,4b,4c,4d是4個典型用戶的小區(qū)移動圖。每個點(diǎn)表示用戶和小區(qū)之間發(fā)生網(wǎng)絡(luò)連接，紅色為高鐵小區(qū)，黑色為大網(wǎng)小區(qū)。

在模型訓(xùn)練階段需要人工對用戶分類，目的是為了得到一些樣本數(shù)據(jù)的明確標(biāo)簽：高鐵用戶或大網(wǎng)用戶。創(chuàng)建提取相關(guān)指標(biāo)后，使用分類算法對樣本數(shù)據(jù)進(jìn)行分析建模，提取能夠顯著區(qū)分高鐵用戶和大網(wǎng)用戶的特征指標(biāo)。用戶的人工分類依據(jù)如下圖形表現(xiàn)：若用戶快速的從一個基站移動到另一個基站，則標(biāo)記為高鐵用戶(圖4a，4b)，反之標(biāo)記為大網(wǎng)用戶(圖4c，4d)。對用戶人工分類可以把一切可能影響分類結(jié)果的情形考慮在內(nèi)。

例如，從100萬個用戶中選擇4000個用戶進(jìn)行人工分類。

特征提取是模型訓(xùn)練階段和產(chǎn)品階段共同的一個環(huán)節(jié)。在做此步驟之前，每個用戶都會有信令切換時間及切換小區(qū)離高鐵出發(fā)站的距離信息，且時間是不規(guī)則的。做完特征提取后，每個用戶的小區(qū)切換信息、移動速度、移動距離都可以用固定的時間來表達(dá)。

其中特征較重要的是用戶的移動速度，移動速度根據(jù)小區(qū)離高鐵出發(fā)站距離及切換至該小區(qū)網(wǎng)絡(luò)的時間與出發(fā)時間計算所得。但若計算瞬時速度的話可達(dá)600km/h，詳見圖4c(12點(diǎn)前)。為了避免這種情況發(fā)生，考慮計算用戶在不同時間段的平均速度。具體可以計算一天內(nèi)特定持續(xù)時間段(例如30分鐘)的用戶最大移動距離。在本系統(tǒng)中，用如下時間段來計算最大移動距離：1秒，5秒，25秒，2分鐘，10分鐘，15分鐘，20分鐘，25分鐘，30分鐘，35分鐘，40分鐘，45分鐘，50分鐘，55分鐘，1小時，4小時，24小時。

對于每個用戶，還可以創(chuàng)建跟小區(qū)數(shù)相關(guān)的特征變量，這些附加特征包括但不限于：(a)連接小區(qū)的總次數(shù)；(b)連接到高鐵小區(qū)的總次數(shù)；(c)定義高鐵小區(qū)連接次數(shù)占比(a)/(b)；(d)用戶連接到小區(qū)的數(shù)目(1個小區(qū)有多次連接只計數(shù)一次)。

提取所有特征指標(biāo)后，每個用戶有21個特征指標(biāo)。

接下來的步驟專注于建立模型(該步驟僅在模型訓(xùn)練階段中執(zhí)行)。該模型需在特征指標(biāo)基礎(chǔ)上預(yù)測用戶是高鐵用戶還是大網(wǎng)用戶。而這一問題是典型的分類問題，實現(xiàn)流程是：(1)特征提?。缓?2)用戶是高鐵用戶還是大網(wǎng)用戶。這個流程適合人工分類后的數(shù)據(jù)集，模型可在該數(shù)據(jù)集上進(jìn)行訓(xùn)練。在機(jī)器學(xué)習(xí)領(lǐng)域，已有很多成熟的分類算法，其中一個較簡單的算法是隨機(jī)森林，可以在分類的同時提取出重要的特征變量。

為了確保結(jié)果的可靠性，將人工分類的數(shù)據(jù)集分成兩部分：隨機(jī)抽取80％用戶為訓(xùn)練集；剩下的20％用戶為驗證集。用訓(xùn)練集對模型進(jìn)行訓(xùn)練，接著在訓(xùn)練集和驗證集上同時測試。結(jié)果顯示，該模型可以高效的區(qū)分出高鐵用戶及大網(wǎng)用戶：在訓(xùn)練集上，準(zhǔn)確率達(dá)到99％；在驗證集上，準(zhǔn)確率為98％。每個新用戶可以通過該模型提取的重要特征指標(biāo)進(jìn)行分類。

在產(chǎn)品化階段，模型結(jié)果用于預(yù)測每個用戶的分類。如模型訓(xùn)練階段，需要獲取小區(qū)信息數(shù)據(jù)以及用戶數(shù)據(jù)，接著創(chuàng)建特征指標(biāo)，利用模型篩選出的重要特征指標(biāo)預(yù)測用戶是高鐵用戶還是大網(wǎng)用戶。

最后一步是得到5個匯總表格。每個表格能夠得到小區(qū)服務(wù)質(zhì)量的關(guān)鍵指標(biāo)。這些表每天都會更新。

表一用于評估高鐵小區(qū)的服務(wù)質(zhì)量。該表包含高鐵用戶連接的高鐵小區(qū)(以及連接的時間)；第二個表含有大網(wǎng)用戶占用高鐵小區(qū)網(wǎng)絡(luò)以及時間；表三和表四主要展示高鐵小區(qū)和大網(wǎng)小區(qū)的切換情形。第三張表是高鐵用戶連接網(wǎng)絡(luò)的情況，每一行包含高鐵用戶從高鐵小區(qū)切換到大網(wǎng)小區(qū)信息，包含連接小區(qū)的類型以及時間。對于切換較頻繁的高鐵小區(qū)，需要對小區(qū)進(jìn)行天線調(diào)整或者增加高鐵小區(qū)的建立。第四張表列出了大網(wǎng)用戶從大網(wǎng)小區(qū)到高鐵專網(wǎng)小區(qū)的切換；表五粗略的給出了每天小區(qū)的匯總信息：高鐵專網(wǎng)用戶的數(shù)量；高鐵用戶至少連接到一個大網(wǎng)小區(qū)的比例；大網(wǎng)用戶連接至少一個高鐵小區(qū)的比例。該表強(qiáng)調(diào)了服務(wù)性能的演變，反映了季節(jié)性變化和全網(wǎng)的改善。

如圖5所示，評估高速鐵路移動用戶使用lte服務(wù)質(zhì)量的系統(tǒng)包括有數(shù)據(jù)收集模塊、數(shù)據(jù)分類模塊、數(shù)據(jù)處理模塊；

其中，所述數(shù)據(jù)收集模塊：用于接收高鐵線路周邊的高鐵小區(qū)信息，并根據(jù)獲得的高鐵小區(qū)信息得到附近1公里范圍內(nèi)的大網(wǎng)小區(qū)；同時，收集高鐵用戶和大網(wǎng)用戶的信令切換數(shù)據(jù)；

數(shù)據(jù)分類模塊：用于將數(shù)據(jù)收集模塊中收集到的部分用戶信息加以人工分類，區(qū)分出哪些用戶是高鐵用戶，哪些用戶是大網(wǎng)用戶，并提取特征指標(biāo)，建立分類模型；

數(shù)據(jù)處理模塊：將得到的新用戶信令切換數(shù)據(jù)導(dǎo)入，進(jìn)行判定該新用戶的分類；

該系統(tǒng)還包括有數(shù)據(jù)結(jié)果導(dǎo)出模塊，用于展示高鐵小區(qū)或大網(wǎng)小區(qū)服務(wù)質(zhì)量的量化指標(biāo)。

總體而言，該系統(tǒng)對高鐵專網(wǎng)小區(qū)的lte的服務(wù)性能進(jìn)行了穩(wěn)定的評估。通過鑒別用戶中的高鐵用戶，可以有效監(jiān)控高鐵沿線的高鐵小區(qū)和大網(wǎng)小區(qū)。采用機(jī)器學(xué)習(xí)算法可以有效地區(qū)分高鐵用戶和大網(wǎng)用戶。整個產(chǎn)品過程完全是數(shù)據(jù)驅(qū)動的，一旦模型訓(xùn)練好后將自動執(zhí)行。因此，移動運(yùn)營商可以為每種類型的小區(qū)制定調(diào)整和開發(fā)的策略。以這種方式，可以顯著提高高鐵沿線小區(qū)的服務(wù)性能。

以上所述的具體實施例，對本發(fā)明的目的、技術(shù)方案和有益效果進(jìn)行了進(jìn)一步詳細(xì)說明，所應(yīng)理解的是，以上所述僅為本發(fā)明的具體實施例而已，并不用于限制本發(fā)明；凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。