ArcGIS 空间分析+深度学习，助力电信网络战略部署规划
综述
Esri 为电信规划的实施和保障提供了一个完整的 GIS 和制图平台。
在该案例中，将展示最新的空间分析和人工智能分析工具是如何帮助网络规划师们对何时何地进行新的无线接入点部署做出决策的。
Esri 提供了成百上千的空间分析工具，而这里我们着重于五种分析技术来帮助解决在哪里配置无线基础设施的问题。
Data & Analyse
数据及分析流程
数据
1. Basemap：底图
Fiber Backbone：线数据（下图中蓝色线要素），代表奥兰多地区光纤干线网络；
Dark Gray Canvas Reference：深灰色底图参考图层（显示注记）；
Dark Gray Canvas Base：深灰色底图。
2. Dropped Calls：点要素，代表电信网络中的用户通话掉线（漏接的电话）位置，覆盖整个奥兰多区域；
3. 2018 - 2023 USA Population Growth：ArcGIS Online 上的Living Atlas 中的地图服务数据。
数据包含多个地理级别面图层： Tract（大块土地）、State Boundaries（州界）、County Boundaries（郡界）、County（郡）、State（州）、ZIPCode（邮区编码）、Block Group（街区），这些面图层分别在不同比例尺范围内可视化。每个级别图层的要素都含有相应地理范围内 2018 - 2023 年的美国人口增长预测信息；
4. Call Records：点要素，代表 2013 - 2017 年的用户通话记录位置。
分析流程
① 定位掉线数据低覆盖率区域：根据奥兰多地区已有的掉线位置点数据（Dropped Calls）进行聚类分析，可以得到该数据的空间覆盖率状况，从而方便地对低覆盖率区域进行定位；
② 寻找潜在客户所在区域：根据ArcGIS Online 上提供的第三方人口统计学信息数据—— 2018 - 2023 年的美国人口增长预测信息数据（ 2018 - 2023 USA Population Growth）进行地理信息丰富，能够得到未来五年内的人口增长热力图，并在该热力图中定位人口增长热点区域；
③ 总结多年数据消费热点区域：根据 2013 - 2017 年的用户通话记录位置数据（Call Records），首先对其进行时空立方体分析，得到 2013 - 2017 年的时空立方体聚合结果，再对该分析结果进行热点分析，得到各区域多年的数据消费情况热点斑块，从而总结多年来的热点数据消费区域及新兴热点消费等区域；
④ 寻找高适应性区域：根据以上的分析结果，分别对其按照不同标准进行从低到高的排序，再根据需求选择各结果中的值段要素，此外还要结合不能离已有光纤网络较远做条件，将这些作为输入结合到适应性分析模型中，最终得到高适应性结果区域；
⑤ 基于深度学习识别影像中的杆塔，减少人工外业查看区域：最后利用深度学习算法从影像上进行分类，找到高适应性区域中的杆塔所在位置。
至此，网络规划师可以找到需要进行网络增强的确切位置。
五种分析技术
第一个技术是聚类。地图中已有的这些点数据是覆盖奥兰多地区的掉线（漏接的电话）位置，但是仅仅看这些点是很难发现这些数据中所存在的任何模式。
因此，通过聚类分析可以根据相近位置或相似属性将这些点组织起来，所生成的热力图带有由低至高的掉线值，可以让网络规划师发现覆盖率低的区域。
第二个分析技术是地理丰富。通过使用第三方数据，如人口统计学信息，添加到现有的数据集中。
在这个例子中，将人口增长地理信息丰富到现有的奥兰多区域数据中，这样，我们的网络规划师就能定位未来可能增加的潜在用户的位置。得到的结果是另一个热力图，展示了覆盖整个奥兰多地区的人口增长率情况。
第三个分析技术是预测。预测工具可以让我们从数据中看到历史模式和趋势，并预测未来哪些地方会发生指定的事情。从该地图中看到的已有的这些点数据是自2013年起的用户通话记录，我们将要从这份数据中了解有多少数据来自于我们客户的消费，然后预测未来在哪些地方会产生大量的数据消费。
首先，通过时空立方体分析，将所有数据聚合到能够代表时间段的六边形容器中，这里，我们得到的是代表2013年到2017年的容器。从这些结果中我们可以形象地看到哪些地方有较少和较多的数据消费，但是却不能真正地告诉或帮助我们预测未来哪些地方会有数据被消费。
接下来，将使用我们新兴的热点分析工具，让我们得到统计上显著的冷热点。例如，在奥兰多市区有增强的热点斑块，这意味着在该区域总是有大量的数据被消费，而且在最近仍然可以看到大量的数据消费。同时，在市区边缘存在一部分的异常值，这是一些新的热点，意味着最近这里出现了一个数据消费的显著峰值。因此，这使得网络规划师能够预测到未来数据消费能力的需求。
接下来是适宜性分析，通过适应性分析能够让我们定位高适应性区域以解决网络问题及做出预测。这项分析通过对之前的分析结果分别进行从低到高的排序来实现，排序规则是基于新的无线接入点需要满足的最重要的标准。
例如，新兴热点分析结果从1到7排序，其中有5、6、7值段正是我们希望通过新的无线接入点的部署以解决电信网络问题的区域。
我们也对掉线数据分析结果和人口增长分析结果做了相似的排序。
最后，还需要考虑的适应性分析因素是接近现有光纤。所以，无线接入点放置的位置要确保离现有网络不是很远，如果距离太远的话意味着要花费太多成本在光纤干线的铺设上。
将所有输入结合到构建的无线适应性区域模型中，然后运行，得到的结果给出了新的无线接入点的高适应性区域，这将使我们能够应对未来数据消费：掉线的低覆盖区域和预测的潜在用户。
最后一项分析技术是分类。分类是通过深度学习去定位影像中的目标物，如航空影像中的杆塔。
在我们得到了想要布置无线接入点的适应性区域影像后，首先需要从影像中定位水池、水塔和其他可能用于设备连接的设施。
该技术代替了派遣外勤人员去检查整个区域，现在只需使用目标检测模型即可实现定位确切的杆塔位置，而这些原本是应该派外勤人员检查的位置。
最后，通过使用我们的深度学习算法，能够定位影像中杆塔的位置，减少了外勤人员需要出去检查的区域。
极客说
：
这五种不同的空间分析和人工智能分析技术，能够帮助网络规划师处理网络问题，从任何区域（无论该区域是否具备电信网络设施）中定位需要进行新网络增强的确切位置。
关注“ArcGIS极客说”，精彩内容别错过