话务量统计（精选6篇）
话务量统计 篇1
摘要：对传统蜂窝小区内的载频时分复用的概念进行拓展,提出了蜂窝小区间频率资源统计时分复用的概念,即统计时分话务峰值复用,深入研究了相关理论及其算法。对统计时分话务峰值复用算法与相关频率分配算法的结合及其对无线话务承载能力改善程度在运营中的GSM无线网络中进行了实验,并结合相关实验数据进行了数值建模仿真分析研究,表明统计时分话务峰值服用理论具有重要的工程应用和理论研究价值。
关键词：自动频率规划,干扰矩阵,统计时分话务峰值复用,话务相关度
0引言
在新一代移动通信系统投入运营并有效地分担移动通信话务量之前,有限的频率资源如GSM900、DCS1800、EGSM等无线频段已相继投入使用,面对日益快速增加的移动用户数和话务负荷冲击,GSM移动通信系统的无线话务容量极限性日益显出。作为全球覆盖面最广、用户数最多的GSM移动通信网络,研究如何进一步挖掘其无线话务承载能力无疑具有重要的现实意义和经济价值。文献[1]介绍了GSM无线网络子系统中无线链路测量规范。文献[2,3,4]研究了无线网络中的系统无线链路测量在频率规划中的应用,从而有效地改善和提高无线网络的综合话务承载能力。在此基础上,文献[5]研究了基于测量统计的小区权重向量算法。工程实践证明,在频率分配过程中,为重要小区设置相应的权重可以有效地优化和提高频率方案的无线话务承载能力。本文针对不同小区的无线话务统计峰值出现的统计时段的差异性,对频率资源时分复用的概念进行了拓展,提出了在移动通信无线网络蜂窝小区之间对频率资源进行统计时分复用的新概念——统计时分话务峰值复用,并深入研究了其相关理论和算法。最后给出了统计时分话务峰值复用算法与其他相关算法结合与比较的数值仿真结果及其分析。
1统计时分话务峰值复用理论
1.1峰值复用理论的提出
时分话务峰值是指在不同功能类型地域的无线蜂窝小区覆盖区域之间的话务量的统计峰值在一天中的不同统计时段出现,从而可以实现频率资源在这些小区之间进行统计时分复用,有效地提高无线网络中频率资源的使用效率和综合话务承载能力。图1展示了北京市区内某运营中的GSM无线网络10 000多个小区中,具备比较典型话务分布特性的A、B、C、D、E五个小区,在某一周内的分时段话务量测量统计折线图。其中A小区和B小区是比较典型的写字楼办公覆盖区域,从图中可以看出在上午10时和下午15时2个时段出现统计话务峰值;C小区和D小区分别是比较典型的餐饮区和住宅区,二者均在上午12时和晚上19时2个统计时段出现统计话务峰值;E小区覆盖了一些较大型晚间的娱乐区,统计话务峰值出现在晚间21时统计时段。本文把具有A小区和B小区话务统计分布特性的小区归类为Ⅰ类小区;把具有C小区和D小区话务统计分布特性的小区归类为Ⅱ类小区;把具有E小区话务峰值统计分布特性的小区归类为Ⅲ类小区。当然还可以归类具有其他峰值话务统计特性的小区,为理论及其算法研究方便,本文首先研究Ⅰ类和Ⅱ类存在覆盖重叠(话务相关)的异类小区之间的统计时分话务峰值复用载频需求向量算法和干扰矩阵算法。包括更多话务峰值统计特性类别的统计时分话务峰值复用算法很容易在此基础上进行延伸和拓展。
如何充分有效地利用Ⅰ、Ⅱ类等小区之间的话务峰值的时分统计特性差异,适当增加不同类小区在不同话务峰值时段的可用载频数量,同时在不同话务峰值时段工作的所有载频之间满足最小同频复用距离的限制条件,以有效地改善和提高无线网络在不同话务峰值对话务量的承受能力和吸收能力,是统计时分话务峰值复用理论要研究的主要内容。同时,在工程实践中,通常话务量对网络性能的冲击主要体现在话务量的忙时峰值时段对移动通信无线网络的性能影响,导致网络性能的急剧下降,影响话务量的有效吸收。所以,研究统计时分话务峰值复用理论具有重要的理论意义和现实应用价值。
1.2峰值复用理论的假设前提
本文研究统计时分话务峰值复用理论基于以下2条假设前提:
① Ⅰ、Ⅱ类小区各占无线网络小区总数的一定比例,如在10%以上。时分话务峰值干扰矩阵算法在满足条件①情况下,能显示其良好的性能。从北京地区的原始测量数据分析的结果表明,Ⅰ、Ⅱ类小区分别占小区总数的15%以上,能很好地满足该条件;
② Ⅰ、Ⅱ类小区之间存在覆盖重叠的小区占Ⅰ、Ⅱ两类小区总数的一定比例,如5%以上。小区之间覆盖重叠程度的大小由干扰矩阵中各小区对之间的干扰概率大小决定,故本文也称干扰概率为小区之间的覆盖相关度。从北京地区的原始测量数据分析的结果表明,Ⅰ、Ⅱ类小区存在覆盖重叠的小区占Ⅰ、Ⅱ两类小区总数的10%以上,能很好地满足该条件。
同时,条件①和条件②可以作为在小区日常的规划和优化过程中的指导原则之一,适当提高Ⅰ、Ⅱ类小区占小区总数的比例,以及考虑Ⅰ、Ⅱ两类小区之间的覆盖重叠,从而更有效地提高统计时分话务峰值理论带来的无线网络的话务承载能力增益。
2统计时分话务峰值复用算法
2.1载频需求向量算法
本文假设研究的无线网络的小区总数为N。为了对统计时分话务峰值干扰矩阵算法及其性能做进一步的分析和研究,定义第Ⅰ类小区总数为NP1;第Ⅱ类小区总数为NP2;NC1为第Ⅰ类小区中和第Ⅱ类小区存在覆盖重叠的小区数量;NC2是为第Ⅱ类小区中和第Ⅰ类小区存在覆盖重叠的小区数量。
统计时分话务峰值干扰矩阵算法把第Ⅰ、Ⅱ类统计时分峰值小区之间存在覆盖重叠的NC1+NC2个小区的载频或TRX分为2组:全天工作组和峰值工作组。全天工作组载频负责全天的话务承载;峰值工作组载频仅负责在话务峰值时,全天工作组载频满负荷的情况下的话务承载分担。其他N-(NC1+NC2)个小区不存在峰值工作组载频,它们的工作载频本文也称之为全天工作组。这样,无线网络的载频需求向量V分解为全天载频需求向量VA和峰值载频需求向量VP,表述为:
VA=[VA(1),VA(2),…,VA(N)]; (1)
VP=[VP(1),VP(2),…,VP(N)]。 (2)
且有
V=VA+VP=[VA(1),VP(1),…,VA(N)+VP(N)]。 (3)
式中,本文定义不属于第Ⅰ、Ⅱ类的N-(NC1+NC2)个小区CELLk的峰值载频需求值VP(k)为零。
相应地,本文在统计时分话务峰值干扰矩阵算法中把干扰矩阵分解为2部分:全天干扰矩阵和峰值干扰矩阵。在自动频率规划算法过程中,全天干扰矩阵用于生成无线网络中个小区的所有全天工作组载频的频率方案;峰值干扰矩阵用于生成第Ⅰ、Ⅱ类NC1+NC2个统计时分峰值小区的峰值工作组载频的频率方案。
因为Ⅰ、Ⅱ类小区之间的峰值时段错开,所以可以在NC1+NC2个2类小区之间采用更加紧密的峰值工作组载频的频率复用方式,从而有效地提高无线网络的整体频谱效率。如图2所示,CELLti和CELLtj之间存在覆盖重叠,且CELLti属于Ⅰ类小区,CELLtj属于Ⅱ类小区。仅工作在不同统计话务峰值时段的CELLti和CELLtj两个小区的峰值工作组可以进行更紧密的邻频复用或同频复用。在无线网络小区的载频需求一定的条件下,一个小区的工作载频数根据呼损率和爱尔兰表对应于该小区在峰值时段能承载的最大话务量。对于NC1+NC2个存在覆盖重叠的Ⅰ、Ⅱ类小区,用TP1(ti)表示小区CELLti在Ⅰ类峰值时段的承载话务量;用TP2(ti)表示其在Ⅱ类峰值时段的承载话务量。
定义小区阻塞率矢量PB来描述对每个小区容许的最大呼叫拥塞率上限。本文已规定在NC1+NC2个存在覆盖重叠的Ⅰ、Ⅱ类小区范围之外的小区的载频均归类为全天工作组,即它们具有零个峰值工作组载频。在实际的工程应用中,一个小区的话务阻塞大部分发生在其话务峰值时段,所以,在工程上,更合理的选择应该是根据小区的峰值话务量和呼损率来确定该小区载频需求量。定义阻塞率上限矢量Pundefined来描述Ⅰ、Ⅱ类小区在峰值时段的阻塞率上限。PB、Pundefined分别表述如下:
PB=[PB(1),PB(2),…,PB(N)]; (4)
Pundefined=[Pundefined(1),Pundefined(2),…,Pundefined(N)]。 (5)
为保证无线网络运行的稳定性和可靠性,工程上一般取PB(i)≤Pundefined(i)。
为了计算小区的峰值载频需求向量,根据爱尔兰B的计算方式,需要根据小区载频需求数计算小区的可用TCH信道数,二者的关系在无线网络工程中的信道配置过程中确定。定义小区TCH信道需求向量VTCH和小区信令信道需求向量VSIG如下:
VTCH=[VTCH(1),VTCH(2),…,VTCH(N)]; (6)
VSIG=[VSIG(1),VSIG(2),…,VSIG(N)]。 (7)
且满足
VTCH(i)=8×V(i)-VSIG(i)。 (8)
式中,VSIG(i)为配置信令信道所用的时隙数。同时,定义小区全天工作组TCH信道需求向量Vundefined来描述为保证非话务峰值时段的小区呼叫阻塞率不超过小区阻塞率上限矢量定义的最大容许上限所需的最少TCH信道数,Vundefined表述如下:
Vundefined=[Vundefined(1),Vundefined(2),…,Vundefined(N)]。 (9)
相应地,定义小区峰值载频需求向量对应的小区峰值TCH信道需求向量Vundefined表述如下:
Vundefined=[Vundefined(1),Vundefined(2),…,Vundefined(N)], (10)
且满足
VTCH(i)=Vundefined(i)+Vundefined(i)。 (11)
所以,可以首先计算出小区全天工作组TCH信道需求向量Vundefined,进而由式(11)计算得到Vundefined。
下面,首先研究图2所示的统计时分峰值复用模型情形。假设已知小区CELLti和CELLtj的峰值时段话务量TP1(ti)、TP2(ti)和TP1(tj)、TP2(tj),定义CELLti的峰值时段话务相关度ρPT(ti)如下:
undefined。 (12)
在给定峰值阻塞率向量Pundefined的条件下,可以通过小区CELLti的峰值时段话务量TP(ti)确定其TCH信道需求值VTCH(ti),表述如下:
undefined。 (13)
本文假设TP中各元素均已进行上取整。
同理,可以分别确定CELLti的全天工作组TCH信道需求值Vundefined(ti),它们在非话务峰值时段是满足小区阻塞率矢量PB的最小TCH信道数,表述如下:
undefined。 (14)
从而,可以根据式(11)计算得CELLti到的峰值工作组TCH信道需求值VPTCH(ti)。根据Vundefined(ti)和VPTCH(ti),并结合式(8),可以最终确定VA(ti)和VP(ti)。同理可以得到CELLtj的TCH信道需求值Vundefined(tj)和Vundefined(tj)以及VA(tj)和VP(tj)。这样,就可以计算出描述小区载频需求量的全天工作组载频需求矢量VA和VP峰值工作组载频需求矢量。很容易将上述理论推广到一个峰值话务小区和多个其他类型的峰值话务小区的情形,以及多类峰值小区的情形等。
2.2峰值复用干扰矩阵算法
本文提出的2种典型的峰值干扰矩阵算法,分别为邻频干扰概率置换算法和干扰概率置零算法。峰值干扰矩阵(CPij)N×N和(APij)N×N的邻频干扰概率置换算法表述为:
峰值干扰矩阵(CPij)N×N和(APij)N×N的干扰概率置零算法表述如下:
式中,CPij为i小区受j小区的峰值同频干扰概率;APij为i小区受j小区的峰值邻频干扰概率,并且0≤CPij≤100,0≤APij≤100,APij均无实际物理意义,不在频率分配过程中起作用;ΦC1表示由存在异类话务相关小区的NC1个Ⅰ类小区组成的集合;ΦC2表示由存在异类话务相关小区的NC2个Ⅱ类小区组成的集合。
对于上述2种峰值干扰矩阵算法而言,后者应用于较前者更紧密频率复用方式的情形。如CELLtj的峰值工作组载频为{2,5},则CELLtj的峰值工作组载频为{3,6,9}的情形可以理解为频率分配中依据的峰值干扰矩阵算法采用了邻频干扰概率置换法;而CELLtj的峰值工作组载频采用更紧密的{2,5,8}的同频复用情形则可理解为频率分配中的峰值干扰矩阵算法采用了干扰概率置零算法。这样,就能在存在覆盖重叠区域的小区之间进行同邻频复用,这在传统的规划理论和工程应用中是不可能实现的。
有了全天干扰矩阵和峰值干扰矩阵,再将需要分配载频的TRX分为全天工作组集ΨTA和峰值工作组集ΨTP,就可以分别依据全天干扰矩阵和峰值干扰矩阵进行各个小区的全天工作组载频和峰值工作组载频的频率方案分配。
2.3峰值复用理论在工程中的应用
在实际工程应用中,除了图2所示的小区内时分话务峰值复用模式(称之为复用模式一)外,还可以采用复用模式二——小区间时分话务峰值复用模式,对2种复用模式的应用分析如下:
① 小区内复用模式适用于在单个Ⅰ类和Ⅱ类小区内侧吸收峰值话务量。小区内复用模式可以方便地结合IUO(Intelligent Underlay Overlay)等相关技术在现有无线网络中部署应用;
② 小区间复用模式适用分别以在多个Ⅰ类和Ⅱ类小区群内侧分别吸收2类小区群的峰值话务量。小区间复用模式和可以方便地结合基于话务量负荷的切换等相关技术在现有无线网络中部署应用。
③ 在工程应用实践中,2种应用模式可以根据具体环境特点进行灵活应用,或者进行2种应用模式的混合使用等。
3实验结果及其分析
可以将基于测量统计的GSM无线网络自动频率规划算法方案归纳为如下4种情形:
① 基于测量统计的频率规划(图3中曲线A);
② 基于测量统计的频率规划+小区权重算法(图3中曲线B);
③ 基于测量统计的频率规划+小区权重算法+邻频干扰概率置换算法(图3中曲线C);
④ 基于测量统计的频率规划+小区权重算法+干扰概率置零算法(图3中曲线D)。
本文在分析历次进行GSM无线网络改频前后所采集的测量数据及其实验结果相关性能统计数据的基础之上,进行了数值建模仿真分析,如图3所示。图中的横坐标为存在统计话务峰值并且和异类峰值小区存在覆盖重叠的峰值小区总数,即NC1+NC2无线网络小区总数的比例。同时本文进行的改频前后的关键性能指标的比较统计分析也有效地证明了数值建模仿真分析的准确性。在数值建模仿真分析时,本文应用了文献[6]定义的无线话务承载能力增益及其算法。
从图3可以发现,统计时分峰值小区数量占总小区数量的比例对本文归纳的③、④2种情形的算法方案影响较大,因为该比例的增加意味着更紧密有效的峰值工作载频集的复用效率,同时也意味着全天工作载频集更宽松的复用约束和更好的载频无线传播环境。随着统计时分峰值小区数量占总小区数量的比例的上升,③、④2种算法方案获得的无线网络话务承载能力增益随之上升。而统计时分峰值小区数量占总小区数量的比例的提高对于①、②2种算法方案影响则很小。实验建模仿真结果及其分析说明,统计时分话务峰值复用理论具有重大的工程应用价值,能为GSM无线网络话务容量的进一步挖掘提供重要的理论依据。
4结束语
本文在基于测量统计的自动频率规划技术的理论及其应用实践的基础上,提出了统计时分话务峰值复用的概念、理论及其相关算法。实验数据的计算建模仿真结果说明,统计时分话务峰值复用理论能进一步充分挖掘GSM移动通信系统的无线话务容量,具有重要的工程应用价值。而统计时分话务峰值复用的概念及其理论思想亦适用于其他模式的蜂窝移动通信系统的无线网络设计以及规划和优化的工程实践。
参考文献
[1]GSMTechnical Specifications05.08.Radio Subsystem Link Control[S],1998.
[2]AKAIWA Y,FURYUA Y.Channel Segregation.A Distributed Adaptive Channel Allocation Schemefor Mobile Communication System[C].Second Nordic Seminar on Digital Land Mobile Radio Communication Stockholm,1986:311-315.
[3]ALMGREN M.SlowAdaptive Channel Allocationfor Automatic Frequency Planning[C].ICUPC,1996:260-264.
[4]TIRNNER Y,BERGENLID M.Estimating the Inter Cell Dependency Matrix in a GSM network[C].IEEE VTC0-7803-5435-4,1999:3024-3028.
[5]黄剑锋,徐惠民.基于测量统计的小区权重向量算法研究[J].无线电工程,2007,37(8):43-44.
[6]黄剑锋,徐惠民.蜂窝网络话务承载能力比较评估算法研究[J].无线电工程,2007,37(5):43-44.
话务统计在通信运行管理中的作用 篇2
利用“全局失败原因总汇”测量单元, 可以获得笼统的呼叫失败原因信息, 更进一步的信息需要通过以下测量单元来实现。“对话路流向的测量”可以了解到出局、人局、本地、汇接等八个话务流向的呼叫情况和失败原因。“对接续类型的测量”可以了解到全局的长途来话、去话, 本地入局、出局等接续类型的接续情况和失败原因。“对局向的测量”可以了解到从某个局向打入本局或从某个局向打出的呼叫情况和失败原因。“对中继群的测量”可以定位出由于中继上的故障引起的呼损情况。“对目的地的测量”可以了解到本局到某个目的地的呼叫情况和失败原因。维护人员可以此定位出经过多次转接后到某个目的地的接通情况, 以便优化路由选择。“对用户线群的测量”可以了解到每个模块、每个用户框的呼叫情况和失败原因。“单个用户的测量”可以统计某些用户的呼叫情况。呼叫失败原因一旦定位到某些用户上, 就可以利用“呼叫记录”找到产生呼叫失败的最终原因。对统计结果进行分析, 可以判断出用户是不是经常进行摘、挂机一类的无效操作, 或经常拨打某些空号, 还可以看出某些用户是否经常久叫不应。
通过对以上话务统计结果的分析, 维护人员可以针对不同的呼叫失败产生的原因, 采取不同的措施, 有的放矢地解决问题, 提高网络接通率。
2 利用话务统计, 均衡话务, 提高网络运行质量
CC08采用的是分布式的体系结构, 如何让话务负荷均匀地分布到各个模块, 进而均匀地分布到各个用户框、中继群, 是CC08交换机在配置数据和日常维护中需要时刻注意的问题。如果数据配置不合理, 将话务集中到一个模块或频繁地进行模块间的呼叫, 势必造成拥塞和呼损, 那么它的分布式结构就毫无意义了。
配置数据时, 将话务负荷均匀地分布到各模块, 备用户框、中继群, 是属于静态的、可预见性的话务均衡工作;而维护人员通过对话务统计的结果进行分析, 可以发现数据配置中的不合理部分, 进行数据配置的优化, 以均衡话务, 属于动态的, 它是以效果为导向, 反馈式的话务均衡工作。
进行均衡话务的测量单元有:“用户线群的统计”可以找出话务量最多或最少的用户框或模块;“局向目的地话务分布的测量”可以帮助我们找出话务量不均匀的部分, 通过调整被叫号码分析表中选择的路由, 最大限度地使到各地的呼叫在中继上均匀分布;“模块间话务分布”可以了解模块间流量情况, 若发现某些链路流量特别大或特别小, 则需要考虑优化数据配置, 减少“瓶颈”的发生。
话务统计可以帮助我们掌握和监测交换机的运行情况, 是运行管理人员均衡话务的工具, 便于我们了解网络的运行质量和话务情况, 便于网络的优化调整, 为网络的运行质量提供保障。
3 利用话务统计, 指导疏忙, 做好网络业务调整
聚类分析在话务量预测中的应用 篇3
聚类分析是把数据按照相似性归纳成若干类别, 同一类中的数据彼此相似, 不同类中的数据相异。聚类分析可以建立宏观的概念, 发现数据的分布模式, 以及可能的数据属性之间的相互关系。聚类分析在市场分析、医药卫生、社会学、经济学等众多领域得到了应用, 本文探讨聚类分析的方法在移动通信网话务量预测中的应用。
1 奇异样本检测及话务预测
在话务预测的实践中, 一般采集过往一段时期A口的月均系统忙时话务进行未来一定时期的预测分析, 话务的增减趋势、周期波动等信息隐藏在大量的A口数据中, 通常某些时段的数据偏离月均值较大, 这与网络维护、数据采集、用户行为均有关系, 我们称这些数据为奇异样本, 奇异样本不能反应A口月均系统忙时话务量的实际走势, 从而引起预测值产生偏差。通过采集某地区一年的日系统忙时话务量发现, 不同月份中, A口日系统忙时话务量的离散程度不同, 某些值偏离中心值较大。
使用聚类分析的方法, 可以将每月的A口日系统忙时话务量进行样本分类, 将每月的奇异点找到并剔除。本文采用K-Means聚类方法, 对每月 (28~31个样本点) 逐一分为两类, 将其中数目较小的类别 (3个以下样本) 作为奇异点剔除。下表为一月份31天的日系统忙时话务量分类结果, 可以看出, 1类样本2个 (25号、26号) , 2类样本29个, 其中25、26号两天的数据被有效的分类出来, 作为奇异点剔除。
依据上述方法将全年12个月的数据逐一分类, 剔除奇异点。采用灰色预测的方法对月均系统忙时进行拟合, 预测次年头三个月话务量, 结果如下所示:在样本区间内, 采用聚类分析剔除奇异点后的拟合程度优于剔除前 (剔除后仅有4个点拟合值与实际值绝对差值大于剔除前) , 在预测区间内, 采用聚类分析剔除奇异点后, 1、2月份的预测值更接近实际值。
2 结论
采用聚类分析方法对话务量的样本数据进行检测, 能够有效的区分出奇异样本, 剔除异常样本后预测准确度有了明显改善, 减小了奇异样本对预测准确度的影响。在话务分析大数据处理背景下, 聚类分析能够快速有效的剔除奇异样本。
参考文献
[1]陈平雁, 黄浙明.SPSS10.0统计软件应用教程.人民军医出版社.
Y市移动话务量模型的构建与预测 篇4
(一) 选题背景及其意义
话务量是电信业务流量的简称, 是进行通讯网络系统设计、规划和优化的重要依据之一。话务量的大小直接关系到移动公司的经济效益。据移动通信局的统计数字表明从90年代初GSM数字移动通信的发展呈指数倍增长。到目前, 我国手机用户总数已经超过发达国家, 占全球移动用户数的56%, 虽然用户数多, 但手机用户的拥有率仅为我国人口数的30%左右, 因此今后移动用户数量方面仍然有很大的发展空间, 同时话务量多少直接影响到网络设计, 网络规划以及网络性能评价等方面, 话务量预测可以使移动公司更好的预防网络存在的拥塞, 覆盖和干扰等问题, 从而使失去的话务量重新吸收回来, 达到增加话务收入的目的。故对移动话务量的影响因素分析以及预测有着重要意义。
(二) 文献综述
当今电信业竞争已出现了新的趋势, 由于技术的突破使通信手段多样化, 电信市场上替代性的异质竞争比同质竞争更为激烈, 电信业步入了话务量竞争时代。而就如何提高话务量, 以及对话务量进行预测, 不同的学者都有不同的观点。
日本电报电话公司、长冈电报电话局运用部长市川铁木构建了话务量管理体系, 提出了疏通设备、顾客、未来的通信量作为影响话务量的因素, 强调从疏通设备管理、顾客管理和未来的通信量管理进行话务量提升。华信邮电咨询设计研究院有限公司陶伟宜 (2001) 采用回归预测方法, 建立了基于市场用户数及每用户收入的话务量预测模型, 并对模型进行了经济学意义上的检验。中南大学陈电波 (2009) 针对利用单因素时间序列模型进行话务量预测的不足, 建立基于模糊C均值 (FCM) 聚类和支持向量机 (SVM) 的多元回归话务量预测模型。中国联通江苏南京分公司刘湘生 (2005) 列举常用的包时段、包月等方式, 刺激话务量, 降低平均费率, 同时保持收入稳定性。同时结合当前的运维信息化的趋势, 提出了网络运营的技术与市场相结合的综合平衡的思路和提升有效话务量的市场措施。
二、话务量影响因素分析与选择
(一) 话务量简介
对于电信网络, 永远面临着资源和需求之间的关系, 话务理论就是对网络资源、用户接入需求以及必要条件 (如拥塞) 进行阐述。为反映电话用户通话的频繁程度和通话时间的长短, 电话交换中引入了“话务量”的概念。
(二) 因素分析
影响话务量的因素主要有很多, 比如话务量刺激手段 (包时段、包月) 等政策因素, 人口数量、年龄结构、消费习惯等隐性因素, 其次就是GPRS上行流量, GPRS下行流量, EG-PRS上行流量, EGPRS下行流量等显性因素。前者直接影响话务量的大小, 后者对话务量的大小产生间接地影响。
1.话务量刺激手段等政策因素。电信企业的三家公司通过各种各样的话务量刺激手段, 在很大程度上影响着话务量的大小。比如实行时段通话优惠, 则在这个时段内, 话务量的数量会随着通话次数和时长的增多而增大, 而在夜深人静的夜晚, 通话的人数较少, 则话务量数据相应减少, 所以电信企业都会采取不同的优惠手段, 从而获得更多的话务量。
2.人口数量、年龄结构、消费习惯等隐性因素。一个地方的人口有进有出, 则该地的人口将维持在一个相对平衡的水平, 但是当出现比如寒暑假、春节或者旅游旺盛季节等情况, 人口数量将影响到该市的话务量大小。同时, 年龄结构的不同也将导致话务量大小的不同, 一般来说, 年龄结构对话务量大小的影响呈“山峰式”。消费习惯重点偏向于消费者是习惯打电话、发短信还是上网, 或者其他的方式使用手机, 习惯打电话的人, 打电话次数越多, 时长越长, 其产生的话务量就越多, 反之则越少, 所以不同的消费习惯对话务量的影响不同。
3.GPRS上行流量, GPRS下行流量, EGPRS上行流量, EGPRS下行流量等显性因素GPRS是通用分组无线业务是所谓的“2.5G”。GPRS上行流量是手机通过上网等方式向Inter网发送的字节数。GPRS下行流量是手机从网络中下载音乐、游戏等产生的字节数。
EGPRS即增强型数据速率是所谓的“2.75G”。EGPRS上行流量是手机通过上网等方式向Inter网发送的字节数。EGPRS下行流量是手机从网络中下载的字节数。
话务量是语音业务, 通话次数和通话时长直接产生话务量, 并决定话务量的大小。GPRS上行流量, GPRS下行流量, EGPRS上行流量, EGPRS下行流量是数据业务, 他不是产生话务量的因子, 但是他间接影响着话务量的大小。
(三) 因素选择
虽然话务量刺激手段等政策因素以及人口数量都将会对话务量的大小产生影响, 但是获取非常困难。年龄结构和消费习惯可以作为话务量的影响因子, 但是本文主要从企业的角度选取最容易获取的变量进行话务量预测, 故他们同样不在考虑范围之列。所以最终选择GPRS上行流量 (g1) , GPRS下行流量 (g2) , EGPRS上行流量 (g3) , EGPRS (g4) 下行流量4个变量进行分析。而这些数据的取得可以直接从Y市移动公司内相关软件中进行提取, 本文是提取Y市2009年1月至2010年12月的数据 (其中2010年11月和12月的数据将作为最终的验证数据) 。
三、话务量模型的构建
首先对于上述选择的4个影响因子分别以g1, g2, e1, e2作为名称在EVIEWS6.0版本软件中对应总话务量 (T) 进行散点图的描绘, 得出的结果如下:
通过散点图可知, 在以 (0, 0) 为原点的坐标轴中, 4个图形都在第一象限, 呈抛物线趋势。根据图像的形状以及幂函数 (y=xn) 在第一象限的图像的大致情况:n>0时图像是抛物线型;n<0时, 图像是双曲线型;n>1时, 抛物线是“竖直”的;0
结合上表, 应用普通最小二乘法得到估计得回归方程如下:
本预测设定置信水平度为95%, 即显著性水平α=5%。
为了验证模型是否合理, 需要对回归分析的统计量、方差分析、回归系数及其t检验和DW检验等数据进行分析。
R2检验:R2=0.999731, R2 (adj) =0.999667.可以看出该模型的R2和调整后的R2 (adj) 都很接近1, 说明g1, g2, e1, e2与话务量的关系很密切。F检验:F检验值为15776.93, 远远大于Fα (k, n-k-1) =F0.05 (4, 20-4-1) =3.06, 说明g1, g2, e1, e2与T之间的回归效果非常明显。T检验:可以得到t1=-2.52, t2=7.87, t3=-5.75, t4=3.38与T0.05/2 (15) =2.13相比, 其中|t1|<2.13, |t2|<2.13, |t3|>2.13, |t4|>2.13说明g1, g2, e1, e2对T有显著影响。DW检验:DW=2.132.由小样本DW检验临界值表, 得到解释变量个数k=4, 样本个数n=20时, 临界值为0.9, 本回归模型的1.933>0.9, 说明该回归模型不存在自相关, 通过计量经济检验。
综合上述的检验结果, 上述预测模型是一个较为优良的回归模型, 可以根据预测期的GPRS上行流量对未来的话务量进行预测。因为预测存在标准误差, 可以在显著性水平α=5%下, 确定话务量的预测区间
将得到的结果进行还原即可得到话务量的预测值。根据以上模型对该市2010年11、12月数据进行预测, 得到的预测结果如下:
2010年11月T=4028531.37 (在标准误差之内)
2010年12月T=4329497.22 (在标准误差之内)
由此, 该模型很好的预测了该市2010年11月和12月的话务量数据。
四、结论及建议
(一) 结论
从得到的话务量预测模型T'=0.002-0.335*g1'+0.683*g2'-1.191*e1'+1.431*e2'可以得到如下的结论:
1.话务量数据随着上行流量的增加而减少。无论是GPRS上行流量, 还是EGPRS上行流量, 他们的增加使得模型的右边的值减少, 从而使得T'减小, T减小。所以下行流量与话务量成负相关的关系。这与现实情况也是一致的。上行流量增加证明手机被更多的用来发短信等产生的上行流量, 而不是用来进行通话。
2.话务量数据随着下行流量的增加而增加。同样的道理, GPRS下行流量和EGPRS下行流量的增多, 说明手机在进行网页浏览、音乐、游戏的下载产生下行流量的同时, 会带来话务量的增加, 或者间接意义上促进话务量的不断上升, 从而有更多的人原意进行通话。
3.影响话务量大小的因素分别是e2>e1>g2>g1。根据模型的系数可以得知, 除去常数的影响, 1单位的EG-PRS下行流量的变化会带来1.431单位的话务量的变化, 1单位的EGPRS上行流量的变化会带来1.191单位的话务量的变化, 依次类推, 可以得到影响话务量大小的因素是EGPRS下行流量, EGPRS上行流量, GPRS下行流量, GPRS上行流量。
4.传输速率更快的网络是发展的趋势从4.1.3可以得到, EGPRS比GPRS无论是在上行、还是在下行等方面都对话务量的影响要大, 而EGPRS是GPRS的增强版, 说明网络的不断更新, 技术的不断成熟将会是网络通信发展的趋势。而现在的“3G”网络就是这一趋势发展的体现。
(二) 建议
对于企业而言, 为了获得更大的话务量数据, 最主要的是要不断更新现有的技术, 实现网络传输速率的提升, 同时, 在追求高话务量的基础上, 加大对通话的刺激, 鼓励用户对网络的使用 (手机电视, 手机上网, 手机游戏) , 规避网络流量的高资费的状况, 实现网络流量快, 实行网络流量资费低的政策, 这样促使用户在进行网络使用时提升话务量的数据。同时, 建立用户使用手机产生上行流量的适当障碍。举例说来, 在打电话和发短信中如何让用户更多的去打电话而不去发短信, 则需要实现打电话比发短信更加“优惠”的政策来吸引用户打电话, 而不是产生上行流量。
利用本文的方法对话务量发展变化进行短期预测, 能为企业决策支持者服务, 为企业决策者制定企业生产经营发展年度计划、季度计划, 明确规定短期经济发展任务提供依据。同时, 在企业为获得高话务量数据的情况下, 必然会采取许多优惠措施, 实现用户与企业的“双赢”。
参考文献
[1]陶伟宜.基于回归方法的移动通信话务量预测[J].邮电设计技术, 2004 (5) :29-32
[2]陈蓉, 宋俊德.基于SVM分块回归分析的话务量预测模型[J].计算机应用, 2008 (9)
[3]胡宪华, 吴捷.基于时间序列的移动通信话务预测[J].移动通信, 2006 (10) :76-78
[4]张晓峒.Eviews使用指南与案例[M].北京:机械工业出版社, 2007
话务量统计 篇5
呼叫中心保持良好服务水准的重要前提是在相应时间内安排合理的坐席数量, 保证接通率、客户满意度等目标的实现。科学合理的话务量预测是合理安排排班的重要依据, 是呼叫中心实现高效率的运营管理、降低运营成本、保证客户服务质量和水平的重要环节。
90年代中期以来, 呼叫中心产业在全国迅猛发展, 广泛运用于金融、证券、民航、电信在内的各个行业。关于话务量预测的研究也逐渐展开, 主要集中于两个方面, 一类是基于时间序列的预测[1,2,3], 包括趋势外推法、季节趋势模型等;另一类是智能类算法[4,5], 包括神经网络算法等。由于供电服务中心建设较晚, 目前重点研究领域集中在供电服务中心应用管理平台的建设[6,7], 而关于供电服务中心的话务量预测方面还处于初级阶段, 没有形成专门的具有针对性的预测模型与算法。
不同类型呼叫中心面对的客户对象不同, 应考虑的影响因素也不同, 其他领域的成功算法并不能完全移植于供电服务中心话务量预测。本文将分析供电服务中心话务量特性, 提出用于供电服务中心短期话务量预测的分层相似法, 从而准确预测次日话务量水平与曲线形状, 为排班优化管理提供数据支撑。
1 话务量基本特性分析
准确掌握供电服务中心话务量的变化规律, 是做好话务量预测工作的前提条件。影响话务量变化规律的因素很多, 其中最主要的因素可以分为两类, 一类为日类型, 即工作日、休息日, 一般工作日话务量水平较休息日话务量水平高;一类为气象因素, 包括温度、降水量等。
1.1 话务水平分析
为更清晰地展示话务量日类型特征, 本节筛选9~10月较不易受气象影响时期的话务量作为分析对象。图1给出了连续一个月工作日与休息日日平均话务量。可以看出, 日话务量水平与星期类型具有显著关系, 周一到周五话务量水平相似, 周末话务量水平显著降低, 其中周六略高于周日。因此, 在话务量预测时应将工作日、周六、周日区别对待, 根据不同星期类型属性筛选相似日或对历史相关日进行预处理。
1.2 典型话务曲线分析
图2给出了9~10月气象稳定的秋季工作日、周六与周日典型话务曲线。从话务曲线的形状来看, 工作日与休息日上升与下降走势类似, 但程度不同, 每日0:00到8:00, 话务量处于全天低谷, 话务曲线相对平稳;8:00后随着人们开始一天的生产与生活, 话务量逐渐攀升, 在早晨9:00到10:00左右形成早峰, 并达到全天最大值;其后话务量逐渐下降, 在工作日13:00之后话务量又会逐渐上升形成一个午峰, 但午峰水平明显低于早峰, 在休息日则午峰不明显;在17:00后, 话务量呈现逐渐下滑趋势。
在春季、秋季气象稳定时期话务曲线一般存在两个峰值, 包括早峰与午峰, 并且早峰高于午峰。但在夏季、冬季, 当温度较高或较低, 并突破一定极限时, 会出现三个峰值, 包括早峰、午峰与晚峰, 并且晚峰成为全天最高峰。如图3所示, 除去话务水平具有明显差距外, 夏季19:00之后话务量水平并没有继续下降, 反而逐渐攀升, 并在9:00左右达到晚高峰, 并形成全天最高峰。因此, 在短期话务量预测时, 话务曲线形状也应充分考虑工作日与周末的区别, 并且在夏季、冬季等高温或低温日, 应考虑话务曲线发生异变的可能性。
2 气象影响因素分析
除日类型外, 气象因素是影响话务量发展变化的第二大主要因素, 其中温度是影响话务水平和话务曲线的基本要素, 而降水量则是影响话务水平和话务曲线突变的关键要素。
2.1 全省气象指标的合成处理
气象指标一般针对于某一个城市, 而不针对于全省, 但对于供电服务中心来说, 目前是省集中式建设, 全省统一对呼入电话进行处理, 因此分析和预测对象为全省话务量, 这就要求必须有与全省话务量相匹配的气象指标。
全省气象指标的合成一般有两种方式, 一种方式为直接以省会城市气象指标替代全省, 另一种方式为对全省各城市气象指标进行平均处理。根据实际比对效果来看, 省会城市气象指标具有一定的片面性, 本文选取后一种处理方式。
2.2 温度对话务量影响
2.2.1 概述
表1列出了全年四个季节日话务量均值对比情况, 可以看出春季、秋季、冬季日话务量均值类似, 而夏季话务量水平有明显上升, 与春季相比增长率达到72.8%, 因此, 本文将重点分析夏季气象因素对话务量的影响方式与影响程度。
2.2.2 温度对话务量影响
温度特征值可以分为最高温度、最低温度和平均温度, 用相关系数描述夏季非大规模降水日话务量与温度的相关关系, 相关系数[8]计算公式为
相关系数无量纲, 其值在[-1, 1]范围内, 并且绝对值越接近1, 相关性越强。当rxy=0, 两者不存在相关关系;当rxy>0, 称两者正相关;当rxy<0, 称两者负相关。
如表2所示, 与常规判断不同的是, 日最高温度并没有表现出明显优势, 反而是日平均温度和最低温度表现出了与日话务量较高的相关性。这主要是由于最高温度仅代表了中午温度会达到的极值, 而夏季温度的持续性更反映了该日的炎热程度, 例如两日中午最高温度相同, 其中一日在下午温度较快下降, 而另一日则温度下降缓慢甚至维持在最高温度附近较长时间, 这两日表现出来的炎热程度是不同的。而平均温度在一定程度上反映了全天的炎热程度, 最低温度则反映了全天的温差程度, 由于最低温度一般发生在晚间, 当最低温度较低时, 表明当日晚间温度较低, 在下午下班后话务量晚峰会较低或者下降速度会较快。因此, 在话务量预测时, 应优先考虑平均温度与最低温度。
2.3 降水对话务量影响
降水是影响话务量发展变化的另一重要气象因素。图4给出了在温度条件类似的情况下, 大规模降水日 (各地市日均降水量74.5 mm) 、小规模降水日 (各地市日均降水量4.5 mm) 与无降水日的日话务曲线。可以看出与无降水日相比, 降水将带来大规模的话务量增加, 不但影响话务水平, 同时影响话务曲线形状。
进一步分析发现, 降水对话务曲线的影响并不仅仅与日累计降水量相关, 分析话务量与日累计降水量相关系数仅0.2。在考虑降水对话务量影响时, 必须考虑逐时降水情况, 通过分析发现如下特点:
(1) 当降水发生在早晨8点到中午12点 (以下简称为早峰时段) , 或者发生在下午6点到晚上10点之间 (以下简称为晚峰时段) 时, 降水对话务量影响较大, 其他时段影响不大。
(2) 早峰与晚峰时段受降水影响明显, 其他时段受降水影响较小, 可以忽略不计。
(3) 在上述时段内, 当时段内小时平均降水量小于1 mm或时段内小时累计降水量小于10 mm时, 降水对话务量的影响可以忽略不计。
(4) 在上述时段内, 当时段内小时平均降水量小于5 mm, 大于1 mm时, 降水对话务量的影响趋同。
(5) 在上述时段内, 当时段内小时平均降水量大于50 mm时, 降水对话务量的影响趋同。
(6) 在上述时段内, 当时段内小时平均降水量大于5 mm, 小于50 mm时, 当小时平均降水在正负10 mm范围内变化时, 对话务量的影响趋同。
3 话务量预测方法
本文将话务量预测分成两个层次, 第一个层次为基础话务曲线预测, 第二个层次为特征话务预测。基础话务曲线为在不考虑降水影响条件下话务曲线;特征话务为降水对当日话务量影响的最大值。
3.1 基础话务曲线预测
3.1.1 相似日选择
影响基础话务曲线发展变化的主要气象因素为温度, 并且从分析结果来看, 包括两个指标, 即平均温度和最低温度。本文引入相似度[9,10]的概念, 描述待预测日与历史相关日的接近程度。设第i日为待预测日, 第j日为待计算相似度的历史相关日, 共有m个评价指标 , 相似度dij计算如下。
3.1.2 相似日曲线标幺化
设第i日第t时刻的话务曲线为Hit, 其中t=1~T, T为每天的采样点数, 该日的话务曲线为[Hi1, Hi2, …, Hi T]。令该日话务量Hisum为基值, 标幺化后的话务曲线为[Bi1, Bi2, …, BiT]计算如下。
3.1.3 相似日基值预处理
话务量具有明显的星期类型特征, 在进行预测时必须对入围的相似日的基值进行预处理。以本年度3、4月份作为基值处理依据, 令工作日日话务量为Hday, i, 周六日话务量为Hsat, j, 周日日话务量为Hsun, k, l为工作日天数, n为周六天数, p为周日天数, 周六基值系数为ysat, 周日基值系数为ysun, 则有
(1) 当待预测日为工作日时, 如相似日为工作日则不做处理, 如相似日为周六, 日话务量为Hsat, 则周六修正日话务量H sat计算如下:
如相似日为周日, 日话务量为Hsun, 则周日修正日话务量H sun计算如下:
(2) 当待预测日为周六时, 如相似日为周六则不做处理, 如相似日为工作日, 日话务量为Hday, 则修正日话务量H day计算如下:
如相似日为周日, 日话务量为Hsun, 则修正日话务量H sun, 计算如下:
(3) 当待预测日为周日时, 如相似日为周日则不做处理, 如相似日为工作日, 日话务量为Hday, 则修正日话务量H day计算如下:
如相似日为周六, 日话务量为Hsat, 则修正日话务量H sat, 计算如下:
3.1.4 基础话务曲线预测
基础话务曲线预测步骤如下:
(1) 基值预测
由于话务量基值具有一定的随机波动性, 并不直接与最近日话务量基值相关, 基值的预测直接选择为相似日基值的平均值, 消除偶然波动的影响。
(2) 标幺曲线预测
根据待预测日星期类型, 分别依据其工作日和休息日的特性, 在相似日中选择与之同星期类型的日期进行均值滤波, 而后其均值即为预测标幺曲线。
均值滤波技术主要应用于数字图像处理中, 作为图像的平滑处理方法, 它能减弱或消除图像中的高频率分量, 使图像变得平滑[11,12]。本文将均值滤波技术引入到标幺曲线平滑中, 其基本原理就是利用该点附近的值通过计算均值来代替原始值, 从而滤除随机变化的数据, 使滤波后的数据在某一数值范围附近上下波动。本文采用3×3均值滤波算法, 它采用模板计算的思想, 将相似日按照时间顺序进行排列, 形成一个矩阵, 其中行表示不同日期, 列表示全天各时段, 以待处理的当前话务量标幺值Bit为中心产生一个滑动3×3矩形窗口, 计算这个滑动窗口所包含的话务量标幺值的均值, 用以代表处理后的话务量标幺值Bit。
3.2 特征话务预测
3.2.1 启动原则
当待预测日气象预报降水超过影响范围时, 特征话务预测将启动。根据测试发现, 该启动原则为:当待预测日各地市日均降水量高于1 mm时。
3.2.2 相似日筛选
特征话务预测相似日筛选对象为历史各日逐时降水量。依据待预测日早峰时段小时平均降水量和晚峰时段小时平均降水量分别寻找历史日中与待预测日类似程度降水的日期, 筛选原则参照2.2节描述原则。
3.2.3 特征话务剥离
特征话务预测与基础话务曲线预测不同, 后者是对整日话务曲线的预测, 而前者是对特定时段最大叠加量的预测。
(1) 虚拟预测
对选定的相似日进行虚拟预测[13], 虚拟预测方法为3.1节所述方法, 确定不考虑降水影响时上述相似日的基础话务曲线。
(2) 特征话务剥离
设相似日虚拟预测得到的基础话务曲线早峰时段最大话务量Hmax, mor, 晚峰时段最大话务量Hmax, nig, 实际早峰时段最大话务量Hmax, mor, 晚峰时段最大话务量Hmax, nig, 则早峰期间特征话务Mmor、晚峰期间特征话务Mnig分别为
待预测日特征话务即为所匹配的相似日分别在早峰与晚峰特征话务的平均值。
3.3 话务合成预测
当待预测日气象预报无降水或降水范围在无影响范围内时, 基础话务曲线即为待预测日话务曲线。
当待预测日气象预报降水超过影响范围时, 待预测日话务曲线由基础话务曲线和特征话务两部分构成。
(1) 首先不考虑降水影响, 利用3.1节方法预测出基础话务曲线, 其中早峰时段最大话务量为Hmax, for, mor, 晚峰时段最大话务量为Hmax, for, nig;
(2) 利用3.2节方法预测早峰和晚峰时段特征话务, 分别为Mmor, for与Mnig, for;
(3) 利用特征话务对相应时段进行叠加处理, 设待预测日合成话务曲线早峰时段最大话务量为Hmax, for, mor, 晚峰时段最大话务量为Hmax, for, nig。
(4) 话务量的增长是连续的, 在确定话务量早峰和晚峰时段最大增长量后, 还将按照最大值的增长率, 分别对早峰、晚峰时段其他时刻点话务量增长率进行线性插值分摊, 保证曲线的连续变化。
4 实例验证
本文以江苏省95598供电服务中心为研究对象, 对2012年8月1日至8月31日话务曲线进行预测, 如表3所示。2012年8月份平均日话务量为17 956个, 由于8月8日到9日之间台风登陆, 这两日日话务量分别达到74 072和58 216, 已经突破了历年最高值, 因此这两日在预测精度统计中免于统计。
可见分层相似法较其他两种传统方法精度有较大幅度提高, 分别较指数平滑法提高4.9个百分点, 较点对点倍比法提高8.1个百分点, 在改善预测精度方面的效果更明显。
图5为8月某日预测效果图, 该日早峰期间小时平均降水为0.8 mm, 晚峰期间小时平均降水为22.1 mm。可见不考虑降水影响基础曲线与实际曲线在降水发生时段有显著差距, 特征话务的纳入正好弥补了该差距, 该日合成曲线预测精度为90.1%, 基础曲线预测精度为83.8%, 可有效提高预测精度。
5 结论
星期类型、平均温度、最低温度与降水量是影响话务量发展变化规律的主要因素。本文在分析供电服务中心话务量基本特性的基础上, 对温度、降水对话务量的影响方式和影响程度进行了深入研究, 并在此基础上提出了对话务曲线进行分层预测, 分别寻找相似日进行匹配的分层相似预测法。实际应用效果表明本文的研究成果对于指导供电服务中心短期话务量预测具有重要意义。
本文待研究与改进方向如下:
(1) 目前仅考虑了逐时降水的影响, 可以考虑逐时温度对话务量的影响;
话务量统计 篇6
对此, 笔者总结, 根据RRU类型计算小区最大发射功率及PCCPCH发射功率, 并通过TD小区业务量统计结果, 计算小区需要使用的载波数, 然后重新计算小区最大发射功率, 结合PCCPCH发射功率, 给语音业务信道DPCH、数据业务信道HS-PDSCH设置合理的偏移量, 可以使得业务信道PDCH、HS-PDSCH进一步提升功率, 最终达到提升TD覆盖和客户感知的目的。
山西本地TD话务向2G迁移现状
TD网络总体形势喜人, 2010年一季度山西省语音用户增长8%, TD放号近21万用户 (全网26万) 。但是网络中的一些现象值得关注:新发展的TD用户多数仍然使用2G网络, 导致2G网络压力增大, 而3G相对空闲。统计TD全网2G/3G切换指标, 可发现TD向2G切换的比例高达12%, 部分区域可以达到20%以上。可能造成TD话务量、数据流量往2G网络大量流转的原因如下。
其一, 可能存在非TD覆盖区域用户, 此类用户应该为TD尚未覆盖的农村用户, 只能长期驻留在GSM网络使用。
其二, 可能存在大量的3G话务量向2G流转, 此类切换应该是3G信号不佳区域, 导致话务量向2G流转。
统计TD网络的应答次数与3G向2G的切换请求次数后, 可以发现3G向2G话务量流转比例较高, 达到24%, 参考表1。
TD现网基站配置及功率设置分析
1.TD现网基站配置及功率设置现状
TD-SCDMA系统由于使用2GHz左右的频段, 相对于GSM系统空间损耗大, 穿透能力弱, 而且TD网络属于初级建设阶段, 网络覆盖需要持续完善。在现有TD-SCDMA网络规划时, 小区配置统一设置为宏基站3个小区, 使用8通道RRU, 每小区3块载波;微蜂窝1～2个小区, 使用单通道RRU, 每小区3块载波。所有小区初始发射功率统一配置为33dBm, 这样一来, 现网全部基站并没有按照小区最大发射功率来配置。
对于市区内TD基站, 小区初始发射功率配置为33dBm可以达到连续覆盖, 但是对于边缘覆盖站点, 由于站点稀少, 用户分布分散, 这样在覆盖弱场用户很难达到较好的使用效果, 对TD市场推广非常不利。
2.基于业务需求的TD基站发射功率设置
小区最大发射功率是参考RRU的功率来计算的, RRU的设备总功率又分给小区内所有的载波, 这里的小区最大下行载波发射功率在TD-SCDMA系统里, 指的就是单载波最大功率。对于3频点TD网络来说, 以RRU单通道2W (33dBm) , 8个通道可用的设备总功率为42dBm, 业务信道的几个载波总功率为42dBm, 单载波可用最大功率即小区最大发射功率就是37.2dBm。
可以看出, 这样计算出的小区最大发射功率比默认的33.9dBm要大很多, 根据小区最大发射功率可以设置主公共控制信道PCCPCH的发射功率, 以及其他业务信道的功率。
另外, 在TD现网中存在部分业务量很小的小区, 这些小区并不需要配置3块载波, 可以通过减少1块载波来提升单载波的总发射功率, 继而提升小区最大发射功率, 达到提升TD信号覆盖质量的效果。
TD现网基站功率优化的实验
小区功率参数有小区最大发射功率、下行导频信道DwPCH发射功率、主公共控制信道PCCPCH发射功率、辅公共控制信道SCCPCH发射功率、寻呼指示信道PICH发射功率、业务信道DPCH等。在网管配置中, 小区最大发射功率、PCCPCH发射功率为绝对值 (dBm) , 其他信道的功率为相对值 (dB) , 为相对于PCCPCH信道发射功率的偏移量。在修改小区功率参数时, 只需修改小区最大发射功率值和PCCPCH发射功率值 (小区最大功率需大于公共物理信道PCCPCH发射功率) , 其他信道的发射功率只需要调整相对值。
本文中, 笔者选取太原的郊县清徐县的5个边缘站点, 进行TD现网基站功率优化的实验。6月24日笔者将这5个站点的小区主公共控制信道PCCPCH发射功率调整到35.9dBm (小区最大发射功率统一调整到小区能支持的最大功率) , 并相应调整业务信道的偏移量。可以发现6月24日优化调整功率后, 所有小区的无线接通率在基本保持不变的情况下, 话务量有了明显的上升, 见图1。
link
TD基站功率优化的实验效果
从实验总体效果来看, 提升T D边缘站点的小区P C C P C H发射功率, 可以有效提升覆盖范围, C S话务量、P S业务尝试连接次数明显提升, 而且对CS、PS无线接通率基本没有影响。