CN107818133B - 一种基于大数据的居民区网络能力分析方法及*** - Google Patents
一种基于大数据的居民区网络能力分析方法及*** Download PDFInfo
- Publication number
- CN107818133B CN107818133B CN201710859665.1A CN201710859665A CN107818133B CN 107818133 B CN107818133 B CN 107818133B CN 201710859665 A CN201710859665 A CN 201710859665A CN 107818133 B CN107818133 B CN 107818133B
- Authority
- CN
- China
- Prior art keywords
- residential area
- home
- target
- cell
- wide
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2471—Distributed queries
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Mobile Radio Communication Systems (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明实施例提供一种基于大数据的居民区网络能力分析方法及***。所述方法包括:获取预设天数的MRO数据、居民区信息、家宽小区信息、LTE信令和家客资源;利用居民区与无线小区关联模型、居民区常驻用户关联模型、居民区与家宽小区关联模型和家宽潜在目标用户识别模型进行分析,获得居民区、无线小区和家宽小区之间的关联关系;将关联关系作为分析结果输出。所述***用于执行所述方法。本发明实施例通过居民区与无线小区关联模型、居民区常驻用户关联模型、居民区与家宽小区关联模型和家宽潜在目标用户识别模型进行分析,获得居民区、无线小区和家宽小区之间的关联关系,从而能够高效、准确的分析居民区的网络覆盖情况。
Description
技术领域
本发明实施例涉及大数据处理技术领域,尤其涉及一种基于大数据的居民区网络能力分析方法及***。
背景技术
随着4G和宽带业务在经过网络和市场规模发展后,越来越需要我们开展精细化的网络建设和营销。面向网络方面,4G深度覆盖:通过对MR、测试、投诉等数据的分场景分析,当前网络的主要问题集中在城市高层室内、居民区。2017年将减少4G宏站建设,重点开展4G深度覆盖建设。
目前正在实行宽带光改政策,20兆以下低带宽用户离网率是20兆以上高带宽用户的2倍,而加快存量用户提速提价的前提是完成存量FTTB居民区的光改。另外,大量移动4G用户习惯到家后手机连WIFI上网,导致4G流量激发受限。面向市场方面,市场部门希望通过信令大数据识别出用户终端连接WIFI上网的行为,针对移动终端WIFI连移动宽带、移动终端WIFI连异网宽带、异网终端WIFI连移动宽带三种行为针对性开展流量激发或异网策反营销。因此,充分了解覆盖居民区网络情况有助于进行网络优化、规划建设、市场营销等工作的开展。目前,对网络覆盖居民区情况都是通过人工去现场调查,这样不仅效率底下,而且可能由于人的主观因素等导致分析结果不准确。因此如何高效、准确的对居民区的网络覆盖情况进行分析是现如今亟待解决的课题。
发明内容
针对现有技术存在的问题,本发明实施例提供一种基于大数据的居民区网络能力分析方法及***。
第一方面,本发明实施例提供一种基于大数据的居民区网络能力分析方法,包括:
获取预设天数的数据源信息,所述数据源信息包括:MRO数据、居民区信息、家宽小区信息、LTE信令和家客资源;
根据所述MRO数据、所居民区信息、所家宽小区信息和所LTE信令,利用居民区与无线小区关联模型、居民区常驻用户关联模型、居民区与家宽小区关联模型和家宽潜在目标用户识别模型进行分析,获得居民区、无线小区和家宽小区之间的关联关系;
将所述居民区、无线小区和家宽小区之间的关联关系作为分析结果输出。
第二方面,本发明实施例提供一种基于大数据的居民区网络能力分析***,包括:数据源层、采集层、存储与处理层和应用层;
所述数据源层用于提供数据源,所述数据源包括MRO数据、居民区信息、家宽小区信息和LTE信令;
所述采集层用于从所述数据源层采集数据源;
所述存储与处理层用于对采集到的所述数据源进行处理,获得居民区分别与无线小区、常驻用户家宽小区和***之间的关联关系,并将所述关联关系存储到数据库中;
所述应用层用于获取查询请求,根据所述查询请求从对应的数据库中获取数据,并将获取到的数据返回。
第三方面,本发明实施例提供一种电子设备,包括:处理器、存储器和总线,其中,
所述处理器和所述存储器通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行第一方面的方法步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,包括:
所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行第一方面的方法步骤。
本发明实施例提供的一种基于大数据的居民区网络能力分析方法及***,通过根据MRO数据、居民区信息、家宽小区信息和LTE信令,利用居民区与无线小区关联模型、居民区常驻用户关联模型、居民区与家宽小区关联模型和家宽潜在目标用户识别模型进行分析,获得居民区、无线小区和家宽小区之间的关联关系,从而能够高效、准确的分析居民区的网络覆盖情况。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于大数据的居民区网络能力分析方法流程示意图;
图2为本发明实施例提供的居民区与无线小区关联模型建立流程示意图;
图3为基于信令识别用户常驻居民区流程示意图;
图4为本发明实施例提供的基于语音话单识别用户常驻居民区流程示意图;
图5为本发明实施例提供的居民区与家宽小区关联模型建立流程示意图;
图6为本发明实施例提供的家宽潜在目标用户识别模型建立流程示意图;
图7为本发明实施例提供的居民区与无线小区关联关系示意图;
图8为本发明实施例提供的居民区常驻用户列表示意图;
图9为本发明实施例提供的居民区与家宽小区关联列表示意图;
图10为本发明实施例提供的家宽潜在目标用户列表示意图;
图11为本发明实施例提供的一种基于大数据的居民区网络能力分析***结构示意图;
图12为本发明实施例提供的基于大数据的居民区网络能力分析***业务架构图;
图13为本发明实施例提供的电子设备实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的一种基于大数据的居民区网络能力分析方法流程示意图,如图1所示,所述方法,包括:
步骤101:获取预设天数的数据源信息,所述数据源信息包括:MRO数据、居民区信息、家宽小区信息、LTE信令和家客资源;
具体的,***获取预设天数的数据源信息,其中,预设天数可以为七天,也可以根据实际情况进行调整,数据源信息包括MRO数据、居民区信息、家宽小区信息、LTE信令和家客资源,还可以包括家客XDR、网优平台数据、经分数据和ARCGIS数据等,以上数据有的来自各个基站,有的来自其他设备。
步骤102:根据所述MRO数据、所述居民区信息、所述家宽小区信息和所述LTE信令,利用居民区与无线小区关联模型、居民区常驻用户关联模型、居民区与家宽小区关联模型和家宽潜在目标用户识别模型进行分析,获得居民区、无线小区和家宽小区之间的关联关系;
具体的,根据MRO数据、居民区信息、家宽小区信息和LTE信令输入到对应的模型中,即将MRO数据和居民区信息输入到居民区与无线小区关联模型中,得到居民区与无线小区的关联关系,即某一个居民区中包括哪些无线小区。根据LTE信令和居民区与无线小区关联模型可以获得居民区与常驻用户对应的常驻无线小区的关联关系。将家宽小区信息和居民区信息输入到居民区与家宽小区关联模型中,得到居民区与家宽小区的关联关系。将家客资源输入到家宽潜在目标用户识别模型中,获得开通目标运营商宽带的用户、开通竞争对手运营商宽带的用户以及没有开通宽带的用户。应当说明的是,居民区与无线小区关联模型、居民区常驻用户关联模型、居民区与家宽小区关联模型和家宽潜在目标用户识别模型都是预先建立的。
步骤103:将所述居民区、无线小区和家宽小区之间的关联关系作为分析结果输出。
具体的,通过利用居民区与无线小区关联模型、居民区常驻用户关联模型、居民区与家宽小区关联模型和家宽潜在目标用户识别模型进行分析,得到分析结果后,将分析结果中的居民区、无线小区和家宽小区之间的关联关系输出,用以相关管理人员进行有针对性的网络优化、规划建设、市场营销等工作。
本发明实施例通过根据MRO数据、居民区信息、家宽小区信息和LTE信令,利用居民区与无线小区关联模型、居民区常驻用户关联模型、居民区与家宽小区关联模型和家宽潜在目标用户识别模型进行分析,获得居民区、无线小区和家宽小区之间的关联关系,从而能够高效、准确的分析居民区的网络覆盖情况。
在上述实施例的基础上,所述方法,还包括:
获取所述预设天数的用户的MRO数据和所述居民区信息;所述MRO数据包括TA值和AOA值,所述居民区信息包括居民区经纬度;
根据每一用户的MRO数据中的所述TA值和所述AOA值计算获得所述每一用户对应的无线小区信息,所述无线小区信息包括小区经纬度;
根据所述居民区经纬度和所述小区经纬度获得所述待分析居民区与所述无线小区的关联关系,并根据属于目标无线小区的居民区对应的天数进行降序排序;
获取排序第一的居民区作为所述目标无线小区的归属居民区,以获得所述居民区与无线小区关联模型。
具体的,图2为本发明实施例提供的居民区与无线小区关联模型建立流程示意图,如图2所示,包括:
步骤201:获取MRO数据;获取预设天数的用户的MRO数据,MRO数据中包括TA值和AOA值,还可以包括基站标识,eci标识等信息,且用户可以是预设区域内的用户,也可以是所有用户。
步骤202:计算获得对应的无线小区;根据MRO数据中的TA值和AOA值计算获得MRO点的经纬度信息,根据MRO经纬度信息以及无线小区信息可以获得对应的无线小区,应当说明的是,无线小区信息包括小区经纬度,还可以包括小区名称等信息。
步骤203:获取居民区信息;通过高德地图或其他第三方软件获取所有的居民区包括的居民区经纬度,由于居民区是面状的,因此,居民区对应多个居民区经纬度,是一个集合。
步骤204:匹配;将每一天中MRO数据对应的小区经纬度和居民区经纬度进行匹配,如果匹配则记录下来,因此可以获取到每一个无线小区的居民区出现天数,并根据出现的天数对居民区进行降序排序。
步骤205:获得居民区与无线小区关联模型;分别获取每一个无线小区对应的排名第一的居民区作为该无线小区的归属居民区,从而形成居民区与无线小区关联模型。
表1为本发明实施例提供的居民区与无线小区关联关系列表,如表1所示:
表1
其中,4G小区TAC为基站跟踪区编码,4G小区ECI为在LTE中的一个信令函数。
应当说明的是,可以按日进行分析,即,在原来获取的MRO数据的基础上,每天都获取当天的MRO数据,逐日累加然后根据上述步骤202-步骤205的流程,从而提高分析的准确度。
本发明实施例通过建立居民区与无线小区关联模型,获得到每个无线小区归属的居民区,为接下来的分析奠定基础。
在上述实施例的基础上,所述方法,还包括:
获取所述预设天数中每天预设时间段内目标用户产生的LTE信令,所述LTE信令包括产生所述LTE信令对应的无线小区以及对应的用户信息;
根据天数对产生LTE信令对应的无线小区进行降序排序,获取排序靠前的预设个数的无线小区作为所述目标用户的常驻无线小区;
根据所述居民区与无线小区关联模型,获取所述常驻无线小区与所述居民区的关联关系,以获得所述居民区常驻用户关联模型。
具体的,***获取预设天数中每天预设时间段内的目标用户产生的LTE信令,例如,每天统计3:00-6:00这一时间段内用户SI-MME控制面信令事件对应的无线小区及用户信息,共统计7天,由于目标用户不一定始终都在同一个小区上,因此,统计7天内产生LTE信令对应的无线小区的天数,根据对应的天数对无线小区进行降序排序,获取出现天数占比大于总天数0.3并且排名前三的无线小区作为该目标用户的常驻小区。根据居民区与无线小区关联模型,可以将目标用户的常驻小区对应到某一个居民区,从而获得居民区常驻用户关联模型。
表2为本发明实施例提供的居民区常驻用户关联关系列表,如表2所示:
表2
应当说明的是目标用户为具有关联关系的居民区的常驻用户,判断目标用户是否为常驻用户的方法有:
算法1:基于信令识别用户常驻居民区
图3为基于信令识别用户常驻居民区流程示意图,如图3所示,基于2/3/4G信令获得手机驻留基站小区信息,步骤301:统计用户夜间(21:00-次日7:00)产生的控制信令的用户;步骤302:根据控制信息判断用户的驻留时长,将驻留时长超过3小时的无线小区作为日常驻无线小区;步骤303:将日常驻无线小区在一个月内驻留次数最多的作为月常驻无线小区;步骤304:获取前面建立的居民区与无线小区关联模型;步骤305:将用户的常驻基站小区对应到某一个居民区,这样我们就可以获得某一个居民区中所有的常驻用户了。
附:用户驻留无线小区时长算法:记录手机在每个基站小区内发生的全部事件(开机、位置更新、关机、通话,短信、上网行为等)时间。
算法2:基于MR打点法识别用户常驻居民区
按日通过用户21:00-次日6:00MR详单数据,获取用户与网络进行业务交互行为的经纬度点信息,使用用户经纬度点数据和居住小区的小区经纬度,通过点面包含算法,得到用户和居民小区关联关系。
以上规则按日分析,生成日粒度结论,将数据按日累加,取一个月中天数TOP1的居民小区为用户居住的居民小区。
算法3:基于语音话单识别用户常驻居民区
图4为本发明实施例提供的基于语音话单识别用户常驻居民区流程示意图,如图4所示,步骤401:获取每天21:00-0:00的用户的经分话单;步骤402:获取每日21:00-0:00通话次数最多的无线小区;步骤403:获取前面建立的居民区与无线小区关联模型;步骤404:将用户的常驻基站小区对应到某一个居民区,就可以获得用户常驻的居民区。
本发明实施例通过建立居民区常驻用户关联模型可以获得居民区对应的常驻用户,从而便于相关工作人员对其进行业务推广等操作。
在上述实施例的基础上,所述居民区信息包括居民区经纬度,所述家宽小区包括家宽小区经纬度,所述方法,还包括:
根据所述居民区经纬度和所述家宽小区经纬度进行匹配,若判断获知目标家宽小区经纬度与第一目标居民区经纬度匹配,则将所述目标家宽小区与目标居民区进行关联,获得第一关联关系结果集;
对不匹配的家宽小区根据预设大小进行栅格划分获得多个栅格,若判断获知目标栅格对应的栅格经纬度与第二目标居民区经纬度匹配,则将所述目标栅格对应的家宽小区与所述第二目标居民区进行关联,获得第二关联关系结果集;
根据所述第一关联关系结果集和所述第二关联关系结果集获得所述居民区与家宽小区关联模型。
具体的,居民区和家宽小区都是片区,因此居民区信息包括的居民区经纬度是一个集合,家宽小区包括的家宽小区经纬度也是一个集合。图5为本发明实施例提供的居民区与家宽小区关联模型建立流程示意图,如图5所示,包括:
步骤501:获取居民区的居民区经纬度;通过高德地图或其他地图商获得居民区的居民区经纬度;
步骤502:获取家宽小区经纬度;根据家宽小区信息可以获取到家宽小区经纬度;
步骤503:经纬度是否匹配;判断家宽小区经纬度是否有对应的居民区经纬度与之重合,如果有,则进行步骤504;否则进行步骤505;
步骤504:获得第一关联关系结果集,将匹配成功的家宽小区和居民区进行关联,获得第一关联关系结果集;
步骤505:栅格划分;将没有匹配成功的家宽小区按照预设大小进行栅格划分,获得多个栅格,每个栅格都对应栅格经纬度;
步骤506:匹配;根据栅格经纬度和居民区经纬度将每一个栅格与居民区进行匹配,如果匹配成功,则进行步骤507;
步骤507:获得第二关联关系结果集,将匹配成功的栅格对应的家宽小区和居民区进行关联,获得第二关联关系结果集;
步骤508:合并;将第一关联关系结果集和第二关联关系结果集合并,获得居民区与家宽小区关联模型。
应当说明的是,除了通过经纬度来进行匹配外,还可以通过家宽小区名称和居民区名称进行匹配,将名称相同的进行关联。
表3为本发明实施例提供的居民区与家宽小区关联关系列表,如表3所示:
表3
本发明实施例通过根据MRO数据、居民区信息、家宽小区信息和LTE信令,利用居民区与无线小区关联模型、居民区常驻用户关联模型、居民区与家宽小区关联模型和家宽潜在目标用户识别模型进行分析,获得居民区、无线小区和家宽小区之间的关联关系,从而能够高效、准确的分析居民区的网络覆盖情况。
在上述实施例的基础上,所述方法,还包括:
家客资源获取到所有开通目标运营商的开户号码,若判断获知从所述家宽小区信息中查询不到目标开户号码,则所述目标开户号码未安装目标运营商宽带;
若判断获知所述目标开户号的日均流量大于第一预设阈值,且第一预设时间段内的流量小于第二预设阈值,且第二预设时间段内产生事件记录大于第三预设阈值,则所述目标开户号码已安装宽带;否则所述目标开户号码未安装宽带;
若所述目标开户号码已安装宽带,且未安装目标运营商宽带,则所述目标开户号码安装竞争对手宽带,将所述未安装宽带和安装竞争对手宽带的所述目标开户号码对应的用户作为家宽潜在目标用户,以获得家宽潜在目标用户识别模型。
具体的,图6为本发明实施例提供的家宽潜在目标用户识别模型建立流程示意图,如图6所示,包括:
步骤601:获取用户家宽数据;从家客资源获取目标用户对应的家宽数据,从而可以查找到目标用户的开户号码。
步骤602:获取用户S1-MME详单;获取用户的S1-MME详单,并记录在19:00-24:00发生的控制面事件;
步骤603:查询目标开户号码;根据目标用户的家宽数据和S1-MME详单在移动宽带用户列表中查询是否存在该开户号码;
步骤604:确定未安装目标运营商宽带;如果在移动宽带用户列表中查询不到,则说明该目标用户没有安装目标运营商宽带,即没有安装移动宽带;
步骤605:获取用户S1-U详单;根据S1-U详单获取目标用户的日均流量和21:00-24:00的流量;
步骤606:是否满足预设条件;根据S1-MME详单和S1-U详单判断用户是否满足预设条件,预设条件为:1、日均流量大于等于10兆;2、21:00-24:00产生的流量小于0.5兆;3、19:00-24:00的控制面事件记录数大于1;
步骤607:确定已安装宽带;如果同时满足步骤606中的3个条件,则说明该目标用户为已安装宽带用户;
步骤608:确定未安装宽带;如果不能同时满足步骤606中的3个预设条件,则说明该目标用户未安装宽带;
步骤609:确定安装竞争对手宽带;如果判断得知该目标用户已安装宽带,但是未安装移动宽带,则说明安装了竞争对手宽带;
步骤610:获取家宽潜在目标用户识别模型;如果该目标用户为未安装宽带用户或已安装竞争对手宽带用户,则将该目标用户作为家宽潜在目标用户,对所有的用户都进行上述流程判断,获取所有的家宽潜在目标用户,构成家宽潜在目标用户识别模型。
应当说明的是,第一预设阈值、第一预设时间段、第二预设阈值、第二预设时间段、第三预设阈值都是根据实际情况预先设定的,本发明实施例对此不做具体限定,且上述步骤在不影响正常实施的前提下可以调整其顺序。
本发明实施例通过得家宽潜在目标用户识别模型获得哪些用户是家宽潜在目标用户,针对这些用户进行深度挖掘,可以增加目标运营商的用户数。
在上述实施例的基础上,所述根据所述MRO数据、所居民区信息、所家宽小区信息和所LTE信令,利用居民区与无线小区关联模型、居民区常驻用户关联模型、居民区与家宽小区关联模型和家宽潜在目标用户识别模型对所述待分析居民区进行分析,包括:
根据所述MRO数据、所居民区信息、所家宽小区信息和所LTE信令,利用所述居民区与无线小区关联模型获得每一无线小区归属的居民区,利用居民区常驻用户关联模型获得每一居民区中包括的常驻用户,利用所述居民区与家宽小区关联模型获得每一居民区对应的家宽小区,利用所述家宽潜在目标用户识别模型获得每一居民区中的家宽潜在目标用户。
具体的,通过居民区与无线小区的关联模型可以获得每一个无线小区归属的居民区,图7为本发明实施例提供的居民区与无线小区关联关系示意图,如图7所示,主要包括城市、区县、居民区名称、4G小区名称,4G小区的TAC、4G小区的ECI,从图7中可以简明的得到4G小区归属于哪个居民区。通过居民区常驻用户关联模型可以获得每一居民区中哪些用户手机号码属于该居民区的常驻用户,图8为本发明实施例提供的居民区常驻用户列表示意图,如图8所示,包括用户手机号码、IMEI、IMSI、地市、区县、居民区名称、居民区类型,通过居民区名称和用户手机号码便可以得出居民区中有哪些常驻的用户手机号码。通过居民区与家宽小区关联模型获得居民区与家宽小区的对应关系,图9为本发明实施例提供的居民区与家宽小区关联列表示意图,如图9所示,包括地市、区县、家宽小区名称、家宽小区ID、居民区名称、居民区ID等信息,通过家宽小区名称和居民区名称可以获得其对应关系。通过家宽潜在目标用户识别模型可以获得每一居民区中有哪些用户为家宽潜在目标用户,图10为本发明实施例提供的家宽潜在目标用户列表示意图,如图10所示,包括时间、居民区名称、电话号码(MSISIDN)、IMSI、IMEI、终端品牌、终端型号。
应当说明的是,基于居民区多维数据宽表,从网络建设、市场发展、客户感知、效益价值四个维度开展多维分析,对每个居民区进行画像输出10类画像标签,并自动分析输出支撑规划、支撑市场营销建议。
居民区10类标签定义规则:
1、建议优先4G深度覆盖建设居民区:
关联标签:4G弱覆盖居民区&用户感知差居民区&高价值居民区&常驻用户多居民区。
2、建议优先进行光改的居民区:
关联标签:需光改居民区&宽带发展好居民区&高价值居民区&常驻用户多居民区。
3、建议优先开展宽带营销居民区:
关联标签:宽带发展不足居民区&高价值居民区&常驻用户多居民区。
本发明实施例通过根据MRO数据、居民区信息、家宽小区信息和LTE信令,利用居民区与无线小区关联模型、居民区常驻用户关联模型、居民区与家宽小区关联模型和家宽潜在目标用户识别模型进行分析,获得居民区、无线小区和家宽小区之间的关联关系,从而能够高效、准确的分析居民区的网络覆盖情况。
图11为本发明实施例提供的一种基于大数据的居民区网络能力分析***结构示意图,如图11所示,所述***包括:数据源层1101、数据采集层1102、存储与处理层1103和应用层1104;
所述数据源层1101用于提供数据源,所述数据源包括MRO数据、居民区信息、家宽小区信息和LTE信令;
所述数据采集层1102用于从所述数据源层采集数据源;
所述存储与处理层1103用于对采集到的所述数据源进行处理,获得居民区分别与无线小区、常驻用户家宽小区和***之间的关联关系,并将所述关联关系存储到数据库中;
所述应用层1104用于获取查询请求,根据所述查询请求从对应的数据库中获取数据,并将获取到的数据返回。
具体的,数据源层1101用于提供数据源,数据源包括MRO数据、居民区信息、家宽小区信息和LTE信令;数据采集层1102负责将信令、网管统计数据、网优平台、经分、资源、拨测等数据接入到***中。存储与处理层1103用于对采集到的所述数据源进行处理,获得居民区分别与无线小区、常驻用户家宽小区和***之间的关联关系,并将所述关联关系存储到数据库中;具体包括:
(1)将XDR明细数据加载到Hadoop Hbase中,并向应用层开放详单实时查询接口;
(2)提供Hadoop计算资源与能力,便于应用实现基于XDR的轻粒度汇总;
(3)提供Hadoop计算资源与能力,实现居民区与无线小区、家宽小区的关联关系、居民区常驻用户、Wifi上网的移动用户模型建立与数据关联。
应用层1104主要负责:
(1)基于MPP数据库服务器完成面向业务应用的复杂运算,将结果加载到RDB数据库中;
(2)在应用服务器部署Web应用与基础服务,实现异厂家数据库的数据服务接口查询能力。
图12为本发明实施例提供的基于大数据的居民区网络能力分析***业务架构图,如图12所示,包括:业务功能域1201、平台功能域1202、数据域1203、***功能域1204,其中:
业务功能域1201:面向最终用户提供居民区概况、居民区全景分析、规划建设、市场营销等各类业务应用,是***直观展示给最终用户的功能组合。
平台功能域1202:构建平台级基础能力,提供基础且可复用的公共模块、组件及服务,能够快速支撑业务应用的实现及交付。
数据域1203:支持对数据进行ETL处理、各类数据汇总以及数据存储、查询等能力,支撑自助分析、多维分析、数据挖掘等能力。
***功能域1204:提供数据管理、应用安全、***监控等方面的***自身管理支撑能力。
本发明提供的***的实施例具体可以用于执行上述各方法实施例的处理流程,其功能在此不再赘述,可以参照上述方法实施例的详细描述。
本发明实施例通过根据MRO数据、居民区信息、家宽小区信息和LTE信令,利用居民区与无线小区关联模型、居民区常驻用户关联模型、居民区与家宽小区关联模型和家宽潜在目标用户识别模型进行分析,获得居民区、无线小区和家宽小区之间的关联关系,从而能够高效、准确的分析居民区的网络覆盖情况。
图13为本发明实施例提供的电子设备实体结构示意图,如图13所示,所述电子设备,包括:处理器(processor)1301、存储器(memory)1302和总线1303;其中,
所述处理器1301和存储器1302通过所述总线1303完成相互间的通信;
所述处理器1301用于调用所述存储器1302中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:获取预设天数的数据源信息,所述数据源信息包括:MRO数据、居民区信息、家宽小区信息、LTE信令和家客资源;根据所述MRO数据、所述居民区信息、所述家宽小区信息和所述LTE信令,利用居民区与无线小区关联模型、居民区常驻用户关联模型、居民区与家宽小区关联模型和家宽潜在目标用户识别模型进行分析,获得居民区、无线小区和家宽小区之间的关联关系;将所述居民区、无线小区和家宽小区之间的关联关系作为分析结果输出。
本实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取预设天数的数据源信息,所述数据源信息包括:MRO数据、居民区信息、家宽小区信息、LTE信令和家客资源;根据所述MRO数据、所述居民区信息、所述家宽小区信息和所述LTE信令,利用居民区与无线小区关联模型、居民区常驻用户关联模型、居民区与家宽小区关联模型和家宽潜在目标用户识别模型进行分析,获得居民区、无线小区和家宽小区之间的关联关系;将所述居民区、无线小区和家宽小区之间的关联关系作为分析结果输出。
本实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:获取预设天数的数据源信息,所述数据源信息包括:MRO数据、居民区信息、家宽小区信息、LTE信令和家客资源;根据所述MRO数据、所述居民区信息、所述家宽小区信息和所述LTE信令,利用居民区与无线小区关联模型、居民区常驻用户关联模型、居民区与家宽小区关联模型和家宽潜在目标用户识别模型进行分析,获得居民区、无线小区和家宽小区之间的关联关系;将所述居民区、无线小区和家宽小区之间的关联关系作为分析结果输出。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的***等实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (5)
1.一种基于大数据的居民区网络能力分析方法,其特征在于,包括:
获取预设天数的数据源信息,所述数据源信息包括:MRO数据、居民区信息、家宽小区信息、LTE信令和家客资源;
根据所述MRO数据、所述居民区信息、所述家宽小区信息和所述LTE信令,利用居民区与无线小区关联模型、居民区常驻用户关联模型、居民区与家宽小区关联模型和家宽潜在目标用户识别模型进行分析,获得居民区、无线小区和家宽小区之间的关联关系;
将所述居民区、无线小区和家宽小区之间的关联关系作为分析结果输出;
其中,所述根据所述MRO数据、所居民区信息、所家宽小区信息和所LTE信令,利用居民区与无线小区关联模型、居民区常驻用户关联模型、居民区与家宽小区关联模型和家宽潜在目标用户识别模型对待分析居民区进行分析,包括:
根据所述MRO数据、所居民区信息、所家宽小区信息和所LTE信令,利用所述居民区与无线小区关联模型获得每一无线小区归属的居民区,利用居民区常驻用户关联模型获得每一居民区中包括的常驻用户,利用所述居民区与家宽小区关联模型获得每一居民区对应的家宽小区,利用所述家宽潜在目标用户识别模型获得每一居民区中的家宽潜在目标用户;
还包括:
获取所述预设天数的用户的MRO数据和所述居民区信息;所述MRO数据包括TA值和AOA值,所述居民区信息包括居民区经纬度;
根据每一用户的MRO数据中的所述TA值和所述AOA值计算获得所述每一用户对应的无线小区信息,所述无线小区信息包括小区经纬度;
根据所述居民区经纬度和所述小区经纬度获得居民区与所述无线小区的关联关系,并根据属于目标无线小区的居民区对应的天数进行降序排序;
获取排序第一的居民区作为所述目标无线小区的归属居民区,以获得所述居民区与无线小区关联模型;
还包括:
获取所述预设天数中每天预设时间段内目标用户产生的LTE信令,所述LTE信令包括产生所述LTE信令对应的无线小区以及对应的用户信息;
根据天数对产生LTE信令对应的无线小区进行降序排序,获取排序靠前的预设个数的无线小区作为所述目标用户的常驻无线小区;
根据所述居民区与无线小区关联模型,获取所述常驻无线小区与所述居民区的关联关系,以获得所述居民区常驻用户关联模型;
所述居民区信息包括居民区经纬度,所述家宽小区包括家宽小区经纬度,所述方法,还包括:
根据所述居民区经纬度和所述家宽小区经纬度进行匹配,若判断获知目标家宽小区经纬度与第一目标居民区经纬度匹配,则将所述目标家宽小区与目标居民区进行关联,获得第一关联关系结果集;
对不匹配的家宽小区根据预设大小进行栅格划分获得多个栅格,若判断获知目标栅格对应的栅格经纬度与第二目标居民区经纬度匹配,则将所述目标栅格对应的家宽小区与所述第二目标居民区进行关联,获得第二关联关系结果集;
根据所述第一关联关系结果集和所述第二关联关系结果集获得所述居民区与家宽小区关联模型;
还包括:
家客资源获取到所有开通目标运营商的开户号码,若判断获知从所述家宽小区信息中查询不到目标开户号码,则所述目标开户号码未安装目标运营商宽带;
若判断获知所述目标开户号的日均流量大于第一预设阈值,且第一预设时间段内的流量小于第二预设阈值,且第二预设时间段内产生事件记录大于第三预设阈值,则所述目标开户号码已安装宽带;否则所述目标开户号码未安装宽带;
若所述目标开户号码已安装宽带,且未安装目标运营商宽带,则所述目标开户号码安装竞争对手宽带,将所述未安装宽带和安装竞争对手宽带的所述目标开户号码对应的用户作为家宽潜在目标用户,以获得家宽潜在目标用户识别模型。
2.根据权利要求1所述的方法,其特征在于,所述目标用户为居民区的常驻居民。
3.一种基于大数据的居民区网络能力分析***,其特征在于,包括:数据源层、采集层、存储与处理层和应用层;
所述数据源层用于提供数据源,所述数据源包括MRO数据、居民区信息、家宽小区信息和LTE信令;
所述采集层用于从所述数据源层采集数据源;
所述存储与处理层用于对采集到的所述数据源进行处理,获得居民区分别与无线小区、常驻用户家宽小区和***之间的关联关系,并将所述关联关系存储到数据库中;
所述应用层用于获取查询请求,根据所述查询请求从对应的数据库中获取数据,并将获取到的数据返回;
所述存储与处理层,具体用于:
根据MRO数据、所居民区信息、所家宽小区信息和所LTE信令,利用所述居民区与无线小区关联模型获得每一无线小区归属的居民区,利用居民区常驻用户关联模型获得每一居民区中包括的常驻用户,利用所述居民区与家宽小区关联模型获得每一居民区对应的家宽小区,利用家宽潜在目标用户识别模型获得每一居民区中的家宽潜在目标用户,获得居民区分别与无线小区、常驻用户家宽小区和***之间的关联关系,并将所述关联关系存储到数据库中;
获取预设天数的用户的MRO数据和所述居民区信息;所述MRO数据包括TA值和AOA值,所述居民区信息包括居民区经纬度;
根据每一用户的MRO数据中的所述TA值和所述AOA值计算获得所述每一用户对应的无线小区信息,所述无线小区信息包括小区经纬度;
根据居民区经纬度和小区经纬度获得居民区与所述无线小区的关联关系,并根据属于目标无线小区的居民区对应的天数进行降序排序;
获取排序第一的居民区作为所述目标无线小区的归属居民区,以获得所述居民区与无线小区关联模型;
以及,
获取预设天数中每天预设时间段内目标用户产生的LTE信令,所述LTE信令包括产生所述LTE信令对应的无线小区以及对应的用户信息;
根据天数对产生LTE信令对应的无线小区进行降序排序,获取排序靠前的预设个数的无线小区作为所述目标用户的常驻无线小区;
根据所述居民区与无线小区关联模型,获取所述常驻无线小区与所述居民区的关联关系,以获得所述居民区常驻用户关联模型;
以及,
居民区信息包括居民区经纬度,家宽小区包括家宽小区经纬度;
根据所述居民区经纬度和所述家宽小区经纬度进行匹配,若判断获知目标家宽小区经纬度与第一目标居民区经纬度匹配,则将目标家宽小区与目标居民区进行关联,获得第一关联关系结果集;
对不匹配的家宽小区根据预设大小进行栅格划分获得多个栅格,若判断获知目标栅格对应的栅格经纬度与第二目标居民区经纬度匹配,则将所述目标栅格对应的家宽小区与所述第二目标居民区进行关联,获得第二关联关系结果集;
根据所述第一关联关系结果集和所述第二关联关系结果集获得所述居民区与家宽小区关联模型;
以及,
家客资源获取到所有开通目标运营商的开户号码,若判断获知从所述家宽小区信息中查询不到目标开户号码,则所述目标开户号码未安装目标运营商宽带;
若判断获知所述目标开户号的日均流量大于第一预设阈值,且第一预设时间段内的流量小于第二预设阈值,且第二预设时间段内产生事件记录大于第三预设阈值,则所述目标开户号码已安装宽带;否则所述目标开户号码未安装宽带;
若所述目标开户号码已安装宽带,且未安装目标运营商宽带,则所述目标开户号码安装竞争对手宽带,将所述未安装宽带和安装竞争对手宽带的所述目标开户号码对应的用户作为家宽潜在目标用户,以获得家宽潜在目标用户识别模型。
4.一种电子设备,其特征在于,包括:处理器、存储器和总线,其中,
所述处理器和所述存储器通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1-2任一项所述的方法。
5.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1-2任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710859665.1A CN107818133B (zh) | 2017-09-21 | 2017-09-21 | 一种基于大数据的居民区网络能力分析方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710859665.1A CN107818133B (zh) | 2017-09-21 | 2017-09-21 | 一种基于大数据的居民区网络能力分析方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107818133A CN107818133A (zh) | 2018-03-20 |
CN107818133B true CN107818133B (zh) | 2020-08-04 |
Family
ID=61607826
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710859665.1A Active CN107818133B (zh) | 2017-09-21 | 2017-09-21 | 一种基于大数据的居民区网络能力分析方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107818133B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110400160B (zh) * | 2018-04-24 | 2022-09-16 | ***通信集团广东有限公司 | 识别竞品用户的方法、装置、电子设备和存储介质 |
CN108632905B (zh) * | 2018-05-15 | 2021-09-07 | 中国联合网络通信集团有限公司 | 宽带用户的发展方法、装置、终端及计算机可读存储介质 |
CN109195175B (zh) * | 2018-09-03 | 2021-12-21 | 郑州云海信息技术有限公司 | 一种基于云计算的移动无线网络优化方法 |
CN109348488B (zh) * | 2018-11-21 | 2022-02-18 | 中国联合网络通信集团有限公司 | 一种移动网用户感知保障方法和装置 |
CN109743693A (zh) * | 2018-12-21 | 2019-05-10 | 中国联合网络通信集团有限公司 | 信息推荐方法、装置及存储介质 |
CN111385739B (zh) * | 2018-12-29 | 2022-10-28 | 北京亿阳信通科技有限公司 | 一种基于lte mr的室内网络立体呈现方法和装置 |
CN110060093B (zh) * | 2019-03-25 | 2023-12-05 | 广州瀚信通信科技股份有限公司 | 一种基于4g高流量客户的终端营销方法 |
CN110930638B (zh) * | 2019-10-25 | 2021-10-22 | 北京拓明科技有限公司 | 一种人群聚集预警方法和*** |
CN113098987A (zh) * | 2019-12-23 | 2021-07-09 | ***通信集团湖南有限公司 | 基于大数据的家宽目标用户识别方法、装置及电子设备 |
CN115243300B (zh) * | 2021-04-23 | 2024-04-19 | ***通信集团四川有限公司 | 网络特征画像生成方法、装置及电子设备 |
CN115278764B (zh) * | 2021-04-30 | 2024-06-18 | ***通信集团四川有限公司 | 基于竞对测量报告的网络性能分析方法 |
CN113612620B (zh) * | 2021-07-12 | 2022-09-02 | 中国联合网络通信集团有限公司 | 一种融合套餐推荐方法、装置、服务器及存储介质 |
CN114071359A (zh) * | 2021-11-02 | 2022-02-18 | 浪潮通信信息***有限公司 | 基于宽带和移动业务的宽带推广方法、***、装置及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101998417A (zh) * | 2009-08-11 | 2011-03-30 | 大唐移动通信设备有限公司 | 一种提高网络覆盖性能的方法、***和装置 |
CN102045689A (zh) * | 2009-10-20 | 2011-05-04 | 中兴通讯股份有限公司 | 相邻小区的移动性参数获取方法及装置 |
CN102640525A (zh) * | 2009-12-04 | 2012-08-15 | 高通股份有限公司 | 用于根据用户位置来管理选定的ip业务卸载以进行移动通信的方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8989789B2 (en) * | 2011-06-29 | 2015-03-24 | Broadcom Corporation | Terminal mobility state detection |
-
2017
- 2017-09-21 CN CN201710859665.1A patent/CN107818133B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101998417A (zh) * | 2009-08-11 | 2011-03-30 | 大唐移动通信设备有限公司 | 一种提高网络覆盖性能的方法、***和装置 |
CN102045689A (zh) * | 2009-10-20 | 2011-05-04 | 中兴通讯股份有限公司 | 相邻小区的移动性参数获取方法及装置 |
CN102640525A (zh) * | 2009-12-04 | 2012-08-15 | 高通股份有限公司 | 用于根据用户位置来管理选定的ip业务卸载以进行移动通信的方法和装置 |
Non-Patent Citations (1)
Title |
---|
基于数据挖掘的电信LTE用户上网数据的用户流失算法研究;代晓菊;《中国优秀硕士学位论文全文数据库》;20161115(第2016年第11期);第I136-48页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107818133A (zh) | 2018-03-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107818133B (zh) | 一种基于大数据的居民区网络能力分析方法及*** | |
WO2015055067A1 (en) | Method and apparatus for pushing messages | |
US20180365649A1 (en) | Attendance processing method and apparatus | |
US10909554B2 (en) | Analyzing big data to determine a data plan | |
CN107086922B (zh) | 一种用户行为识别方法和装置 | |
CN109978608A (zh) | 目标用户画像的营销标签分析提取方法及*** | |
CN112311612B (zh) | 一种信息构建方法、装置及存储介质 | |
CN110689385A (zh) | 一种基于知识图谱的电力客服用户画像构建方法 | |
CN112489236B (zh) | 一种考勤数据处理方法、装置、服务器及存储介质 | |
CN113450162A (zh) | 用户分群方法、装置及存储介质 | |
CN111191853B (zh) | 风险预测方法及装置、风险查询方法及装置 | |
CN110955838A (zh) | 房源推荐处理方法、装置、终端及计算机可读存储介质 | |
CN110300084A (zh) | 一种基于ip地址的画像方法和装置 | |
CN113099475A (zh) | 网络质量检测方法、装置、电子设备及可读存储介质 | |
CN112016793B (zh) | 基于目标用户群的资源分配方法、装置及电子设备 | |
CN110909129B (zh) | 异常投诉事件的识别方法及装置 | |
CN101951623A (zh) | 一种基于用户事件的用户行为统计方法及装置 | |
CN103856568A (zh) | 一种可提示用户终端安全状态的终端、***及实现方法 | |
CN111459961A (zh) | 业务数据的更新方法、装置、设备及存储介质 | |
US11216894B2 (en) | Image-based semantic accommodation search | |
CN110443451B (zh) | 事件定级方法、装置、计算机设备和存储介质 | |
CN110189171B (zh) | 特征数据的生成方法、装置及设备 | |
CN109685570B (zh) | 房地产客户来源检测方法、终端及服务器 | |
CN106897928A (zh) | 银行客户智能分流*** | |
CN103365900A (zh) | 线上素材投放方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |