通信行业论文-一种基于投资回报周期站点规划评估方法（11页）
时间：2020-11-25 11:20:08 来源：工作范文网 本文已影响 人 
一种基于投资回报周期的站点规划评估方法
PAGE
PAGE 10
一、论文名称
一种基于投资回报周期的站点规划评估方法
二、技术领域
本论文涉及无线通信技术领域，尤其涉及LTE无线网络规划方向。
三、现有技术的技术方案
LTE网络进入精细化建设阶段，但随着市场因素的刺激，不限量套餐流量迅猛增长，网络建设需求仍面临较大的缺口，需要进一步做好网络需求与网络效益之间的平衡，科学评估需求、合理配置资源，加强规划站点投资效益和投资回报周期分析。
现有的站点规划评估方法主要是基于以下方式：
1、地市公司基于市场发展、投诉热点分析等上报建站需求，并结合省端集中优化平台、仿真平台的进行定位分析，给出需求站点位置，滤除部分现网已有站点和待建站的需求；
2、对需求点周围的站点参数配置进行分析，给出需求点位的参数预规划结果；
3、设计规划部门根据需求点位置进行站点信息现场初步勘察，补充完善站点信息，并将需求站点提交省网优审核；
4、省网优对地市上报站点需求进行评审，从覆盖、干扰、网络结构、站址信息、容量、场景等多个维度进行站点评估，根据各维度指标权重综合量化评估，将满足要求站点提交至滚动规划库，根据评估结果排定优先级。
四、现有技术的缺点及本申请论文要解决的技术问题
现有规划需求评估通过对网络规划的各个要素进行梳理，基于权重的经验公式来进行套用、计算。主要缺点表现在评估效率低，周期长，准确度不高，不能完全反映需求站点投资建设的价值回报情况。
本论文提出了一种基于投资回报周期的站点需求评估方法，该方法以建站投资成本、建站月收益、建站回报周期来计算和衡量新增站点的需求。本次论文中采用了CART分类回归树算法原理，以现网站点的样本数据进行训练分类，测算样本周期内需求站点的流量数据，并根据流量数据特征值以灰度模型对在一定范围内的、与时间序列有关的流量变化规律进行预测，计算需求站建设月收益及回报周期。
本次论文建立一套适应于现网的站点需求规划评估方法，可以有效的提升站点需求评估的准确性，避免人为参与因素的失误，并且提升站点规划价值收益。
五、本申请论文的技术方案的详细阐述
本论文提出了一种基于投资回报周期的站点需求评估方法，该方法主要是通过预测需求站未来流量预测来计算站点回报周期，其步骤如下：
步骤一：数据采集与指标选取
1）站点资源数据采集：打通与无线网优相关系统接口，自动采集性能、告警、MR、信令、测试、经分数据；
2）需求站点数据采集：包括地市、区县、基站名称、逻辑站名、逻辑站名、需求编号、经度、纬度、设计院提供的单站投资成本数据C。
3）数据分析处理：对因站点资源故障及临时关闭站等原因产生的异常数据进行剔除；
4）指标选取：分析流量与某些指标的强相关性，例如用户数量，4G流量等。变量之间往往不会存在直接的线性相关性，通过对变量进行转化，转化后的模型趋向于线性相关，则输出为与流量相关性强的指标。
本次样本数据取样范围为全市所有4G基站，取样周期为连续一个月站点日流量数据及相关性指标，相关性指标变量包括：4G流量、4G客户数、4G累计驻留时长、4GRRC用户数、4GDOU、4G平均站间距、覆盖范围面积、覆盖范围内站点数等，数据示例如下：
日期
ECI
经度
纬度
4G流量
4G客户数
4G累计驻留时长
4GRRC用户数
8月14日
118393352
112.90785
28.22218
35.2492
253
5106552
230
8月15日
118393352
112.90785
28.22218
43.8731
276
5570784
269
8月16日
118393352
112.90785
28.22218
42.9144
265
5348760
263
8月17日
118393352
112.90785
28.22218
46.2102
242
4884528
240
……
……
……
……
……
……
……
……
9月11日
118393352
112.90785
28.22218
30.4093
268
5409312
263
9月12日
118393352
112.90785
28.22218
29.4789
272
5490048
270
9月13日
118393352
112.90785
28.22218
29.0317
285
5752440
282
表1
步骤二：取样周期内的需求站点流量测算
基于CART分类回归树算法原理，以步骤一全市所有样本数据进行训练分类，按天得到日流量预测模型，以需求站点数据中的经纬度作为输入数据，构造指标特征测算现网环境下取样周期内需求站点的流量数据。
CART分类回归树算法原理：
CART算法采用二分递归分割的技术，分割方法采用基于最小距离的基尼指数估计函数，将当前的特征样本集分为两个子样本集，使得生成的的每个非叶子节点都有两个分支，预测值即为叶节点目标变量的加权均值。
[X]
[X]
[X8]
[X9]
[X5]
[X10]
[X11]
[X12]
[X13]
(X7)
(X6)
(X3)
(X4)
(X2)
( ) 为非终节点 [ ] 为叶节点
基于CART分类回归算法，按天得到日流量模型，将需求站点（经度：112.91819，纬度：28.24359）输入模型得到流量测试数据如下：
日期
经度
纬度
日流量(G)
8月14日
113.01371
28.18316
61.3261
8月15日
113.01371
28.18316
55.0984
8月16日
113.01371
28.18316
56.2752
8月17日
113.01371
28.18316
52.8816
8月18日
113.01371
28.18316
52.3318
8月19日
113.01371
28.18316
51.3318
8月20日
113.01371
28.18316
53.8754
...
9月12日
113.01371
28.18316
60.6630
9月13日
113.01371
28.18316
62.7008
表2
步骤三：需求站点流量变化趋势预测
灰色模型流量趋势原理：
灰色预测：灰色预测是指对系统行为特征值的发展变化进行的预测，对既含有已知信息又含有不确定信息的系统进行的预测，也就是对在一定范围内变化的、与时间序列有关的灰过程进行预测。尽管灰过程中所显示的现象是随机的、杂乱无章的，但毕竟是有序的、有界的，因此得到的数据集合具备潜在的规律。灰色预测是利用这种规律建立灰色模型对灰色系统进行预测。
灰色预测模型GM以系统分析、评估、建模、预测、控制、决策、优化为主体的技术体系。目前使用最广泛的灰色预测模型就是关于一阶微分的GM(1,1)模型，它是基于随机的原始时间序列，经按时间累加后所形成的新的时间序列呈现的规律可用一阶线性微分方程的解来逼近。
详细步骤如下：
建立标准体系：
利用流量具有的周期性特征，将流量数据划分成7类：周一、周二、周三、周四、周五、周六、周日。对每个类型都建立一套独立完整的调整标准，针对流量每个分类每个小区每天都有独立的标准值。首次建立标准时，用现网预测数据头7天（一周）的流量作为标准值，经历一个周期后，每个时间点都具备了标准值，即建立了完整的标准体系，可以开始进行预测分析；
标准值修正：
调整标准具备自动修正的能力，每个指标每种周期分类都设置独立的指标标准修正步长，每个小区每个时间点采集到实际数据后，根据指标实际值与原标准值的变化比例，对原指标标准值进行修正，生成新的指标标准值。
标准修正规则如下：
指标变化比例 = (实际值 - 原标准值) / 原标准值
如果指标变化比例 > 0，修正后标准值 = 原标准值 + 修正步长，如果修正后标准值 > 实际值，则实际值 = 修正后标准值
如果指标变化比例 < 0，修正后标准值 = 原标准值 - 修正步长，如果修正后标准值 < 实际值，则实际值 = 修正后标准值
标准值与预测值误差预测
GM(1,1)
设有变量为某一个预测对象的非负原始数据列，为建立灰色预测模型：首先对进行一次累加（1—AGO，Acumulated Generating Operator）生成一次累加序列：
其中
对可建立下述微分方程：
式子中可用下式求解：
其中
上述微分方程的解可表示为：
或
预测值的还原
由于GM模型得到的是一次累加量，时刻的预测值，必须将GM模型所得的数据(或)经过逆生成，即累减生成（1—AGO）还原为（或)才能用。
因为，所以。
灰色系统模型的检验
设原始序列，相应的模型拟序列为
，残差序列可表示为：
相对误差序列为：
对于k<n,称为k点模拟相对误差，称为滤波相对误差，称为平均模拟相对误差，给定。当且时，称模型为残差合格模型。
若为原始序列，为相应的模拟误差序列，为残差序列。
为的均值，为的方差，为残差均值，为残差方差；此时，称为小误差概率，对于给定的，当时，称模型为小误差概率合格模型。
精度检测对照表:
精度等级
指标临界值
相对误差
关联度
均方差比例
小误差概率
一级
0.01
0.9
0.35
0.95
二级
0.05
0.8
0.5
0.8
三级
0.1
0.7
0.65
0.7
四级
0.2
0.6
0.8
0.6
表3
一般情况下，最常用的是相对误差检查指标。
以表2中的数据构造原始数据列
标准值(G)
实际值(G)
61.3261
61.3352
55.0984
55.0794
56.2752
56.2952
52.8816
52.8481
52.3318
52.2783
51.3318
51.4103
53.8754
53.9754
...
59.4919
59.5153
60.6630
60.5740
62.7008
62.5318
表4
我们将标准值与实际值的差值作为原始序列：
对进行一次累加（1—AGO），生成数列如下：
即
根据前述公式可计算出：
最终得出灰色模型GM(1,1)为：
以30天（一个月）为预测的周期，依次使用灰色模型GM(1,1)计算得到未来30天的流量预测数据：
日期
经度
纬度
流量
9月13日
113.01371
28.18316
62.7008
9月14日
113.01371
28.18316
56.3336
9月15日
113.01371
28.18316
57.5367
9月16日
113.01371
28.18316
54.0670
9月17日
113.01371
28.18316
53.5049
9月18日
113.01371
28.18316
52.4825
9月19日
113.01371
28.18316
55.0831
...
10月12日
113.01371
28.18316
62.0229
10月13日
113.01371
28.18316
64.1063
表5
步骤四：站点月收益计算
根据当前流量单价p（元/G），计算未来一个月的收益，计算公式如下：
R
步骤五：站点投资回报周期
比较第一个月站点收益R1与成本数据中的单站投资(C)数据，当R1<C时，按步骤3，步骤4，计算接下一个月站点收入R2，直至R1+R2+…Rn>C.
按月投资回报效益比较计算，得到经过N个月的运营实现建站成本的回收，意味着建站N个月后，就可以进入盈利期。
六、本申请论文的关键点和欲保护点
1）本论文提出的基于样本周期内需求站点的流量值采用灰度模型预测需求站点未来流量值，是计算需求站点月收益的关键，是技术关键点，应予以保护。
2）本论文提出的整个投资回报周期计算方法，该方法通过计算样本周期内需求站点的流量值，然后按月预测收益直至大于成本，是技术关键点，应予以保护。
七、与第三条中最接近的现有技术相比，本申请论文有何技术优点
本论文提出了一种基于投资回报周期的站点需求评估方法，该方法可以有效的提升站点规划价值和收益，避免人为参与因素的失误，是一种全新的评估方法，尤其在投资放缓、站点需求缺口增大的环境下，具有极大的创新和应用价值。
- 下载文档
- 收藏
- 0