技术领域
本发明涉及网络技术领域，具体的说是一种基于高铁沿线的网络质量分析方法。
背景技术：
针对高铁LTE专网而言，由于列车时速高且车体损耗大，使得LTE高铁优化面临诸多挑战。高速移动导致的多普勒频移效应明显，车体损耗大，对上行接入、覆盖和基站解调性能是巨大挑战。LTE高铁专网数据业务占比较大，网页浏览、QQ、微信等数据业务的实时性高、时延性小，对网络性能质量的要求更为苛刻。由于高铁速度极快，小区变更频繁，接入成功率、切换成功率、数据业务下载速率和寻呼成功率等网络质量受到极大影响。
技术实现要素：
本发明针对目前技术发展的需求和不足之处，提供一种基于高铁沿线的网络质量分析方法。
本发明所述一种基于高铁沿线的网络质量分析方法，解决上述技术问题采用的技术方案如下：所述一种基于高铁沿线的网络质量分析方法，基于大数据平台，通过对高铁4G用户识别，对4G高铁专网从专网网络质量问题分析、专网用户感知问题分析、专网VoLTE质量问题分析三个方面分析评估，以信令数据为核心，综合路测数据、性能数据、经分数据、用户投诉等各类数据源，切合用户行为、网络特征、业务特征选取关键指标，开展面向网络优化、感知保障、网络规划及网络监控的高铁业务质量分析工作，建立高铁网络业务质量评估体系。
优选的，所述专网网络质量问题分析是指，采用S1-MME采集的信令数据，基于用户汇聚高铁专网各指标，从网络接入性、业务保持性、用户移动性、专网利用性方面，全方位评估网络性能,及时发现网络质量问题, 为网络维护和优化明确重点及方向；通过指标分析呈现4G高铁用户专网网络质量指标，并周期性输出质差小区列表。
优选的，所述专网用户感知问题分析是指，基于S1-U的信令数据，从用户的控制面和用户面的业务占比、用户业务质量指标和用户感知类指标，全方位评估高铁专网的业务性能质量,及时发现用户感知异常的质差指标，为高铁用户提供端到端的业务支持和分析能力；通过指标分析呈现4G高铁用户专网移动互联网端到端指标，并周期性输出质差小区列表。
优选的，所述专网VoLTE质量问题分析是指，呈现4G高铁用户专网VoLTE端到端指标，并周期性输出质差小区列表。
优选的，所述网络质量分析方法，基于位置APP模型、TDOA模型、CELL_ID模型、机器学习模型联合进行用户精准定位。
本发明所述一种基于高铁沿线的网络质量分析方法与现有技术相比具有的有益效果是：本发明通过大数据分析，开展面向网络优化、感知保障、网络规划及网络监控的高铁业务质量分析工作，建立面向网络、面向业务的质量评估体系，形成质差问题定界规则及定位流程，实现主动监控预警、问题定界、闭环、效果评估的全流程端到端支撑能力；实现高铁专网大数据分析，识别出高铁移动用户、高铁列车运行方向和车站用户变化，及时发现网络质量问题，解决用户投诉，有效提升高铁用户感知；并可在短时间内为移动运营商的客服部门提供数据撷取、业务分析、信息管理、客户服务等功能及应用，有助于优化高铁网络业务质量。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，对本发明所述一种基于高铁沿线的网络质量分析方法进一步详细说明。
实施例：
本实施例所述一种基于高铁沿线的网络质量分析方法，基于大数据平台，通过对高铁4G用户识别，对4G高铁专网从专网网络质量问题分析、专网用户感知问题分析、专网VoLTE质量问题分析三个方面分析评估，以信令数据为核心，综合路测数据、性能数据、经分数据、用户投诉等各类数据源，切合用户行为、网络特征、业务特征选取关键指标，开展面向网络优化、感知保障、网络规划及网络监控的高铁业务质量分析工作，建立高铁网络业务质量评估体系，不断优化高铁网络业务质量。
所述专网网络质量问题分析这一过程是指，采用S1-MME采集的信令数据，基于用户汇聚高铁专网各指标，从网络接入性、业务保持性、用户移动性、专网利用性等方面，全方位评估网络性能,及时发现网络质量问题, 为网络维护和优化明确重点及方向；通过指标分析呈现4G高铁用户专网网络质量指标（包括与非高铁用户指标对比），并周期性输出质差小区列表。
所述专网用户感知问题分析这一过程是指，基于S1-U的信令数据，从用户的控制面和用户面的业务占比、用户业务质量指标和用户感知类指标，全方位评估高铁专网的业务性能质量,及时发现用户感知异常的质差指标，从而为高铁用户提供端到端的业务支持和分析能力；通过指标分析呈现4G高铁用户专网移动互联网端到端指标（包括与非高铁用户指标对比），并周期性输出质差小区列表。
所述专网VoLTE质量问题分析这一过程是指，呈现4G高铁用户专网VoLTE端到端指标（包括与非高铁用户指标对比），并周期性输出质差小区列表。
此外，本实施例所述网络质量分析方法，基于位置APP模型、TDOA模型、CELL_ID模型、机器学习模型联合进行用户精准定位。其中，采用位置APP模型：通过对用户使用的位置类应用进行深度解析，准确识别用户GPS坐标位置；采用TDOA模型：利用时间差进行定位，通过测量基站到达移动台的时间，确定基站的距离；利用基站到各个移动台的距离差来确定移动台的位置；采用CELL_ID模型：基于小区覆盖的定位方法，采用已知服务小区TA+AoA地理信息估计目标UE的位置；采用机器学习模型：在基站位置相对固定以及总有人在开启GPS的同时扫描到某个基站的前提下，利用位置APP模型采集的用户经纬度信息，以及从MRO采集到的用户网络环境信息，通过机器学习的算法，训练定位模型，对未开启GPS业务的用户根据网络环境进行准确定位。
上述具体实施方式仅是本发明的具体个案，本发明的专利保护范围包括但不限于上述具体实施方式，任何符合本发明的权利要求书的且任何所属技术领域的普通技术人员对其所做的适当变化或替换，皆应落入本发明的专利保护范围。