9.4 KiB
cellinfo → sector 逆推调研笔记
目标：用
celldata.cellinfo（自动处理、有数据源）逆推出celldata.sector（人工据 cellinfo 整理）。 现有 sector 作为基准/参考。逆推时不清空 sector：仅补充缺失 CGI，已有的保留（避免人工纠正被自动运行冲掉）。 脚本与特征库写入CellData.sql。本文件记录字段映射、规则、每轮测试的优化点与准确率。
一、两表结构（celldata）
cellinfo（数据源，66778 行）：CGI, eNodeBID, CellID, PLMN, 基站名称, 小区名称, 频点, 带宽, 制式, 功率, 网络
sector（目标，66969 行）：CGI, 扇区, 物理站, 制式, 频段, 带宽, 站型, 网络（原 区域 列已删除：全项目无引用，最终不使用）
连接键：CGI。sector 比 cellinfo 多 ~191 行（历史/其他来源），逆推以 cellinfo 为准。
二、字段来源结论
| sector 字段 | 来源 | 说明 |
|---|---|---|
| CGI | 复制 cellinfo.CGI | 连接键 |
| 网络 | 复制 cellinfo.网络 | 4G / 5G |
| 带宽 | 复制 cellinfo.带宽 | cellinfo 已规范化为如 20M |
| 已删除该列 | 全项目无引用，已 ALTER TABLE sector DROP COLUMN 区域 |
|
| 制式 + 频段 | 频点 + PLMN 推导（特征表） | 见三 |
| 站型 | 名称关键字 + 设备码推导 | 见四 |
| 物理站 | 小区名称解析 | 见五 |
| 扇区 | 物理站 + 扇区号 | 扇区号见五 |
三、频点 → 制式 / 频段（特征库核心）
cellinfo.制式 已给出粗类（FDD/TDD/700M/2.6G），频段再按频点细分；个别需 PLMN 区分：
| 网络 | 频点范围 | PLMN | 制式 | 频段 | 实测样本 |
|---|---|---|---|---|---|
| 5G | ≥4000 | 任意 | 4.9G | 4.9G | 4827.36、4919.52 |
| 5G | 700–800 | 460-00 | 700M | 700M | 763.25（移动）9808 |
| 5G | 700–800 | 460-15 | 广电 | 广电 | 763.25（广电）9802 |
| 5G | 2000–3000 | 任意 | 2.6G | 2.6G | 2524.95 等 |
| 4G | 900–1000 | 任意 | FDD | FDD900 | 939.0 |
| 4G | 1000–1880 | 任意 | FDD | FDD1800 | 1810–1827 |
| 4G | 1880–1920 | 任意 | TDD | F频 | 1895.0、1909.4 |
| 4G | 1920–2110 | 任意 | TDD | A频 | 2017.5 |
| 4G | 2300–2400 | 任意 | TDD | E频 | 2330、2349.8、2364.6 |
| 4G | 2400–2700 | 任意 | TDD | D频 | 2624.6 等 |
关键歧义
- 700M vs 广电：同频点 763.25，由 PLMN 区分（460-00=移动 700M，460-15=中国广电）。✅ 可完美区分。
- D频 vs 3DMM：cellinfo 完全没有 3DMM 标注——
cellinfo.制式仅 4 值700M/TDD/FDD/2.6G；sector 中标 3DMM 的 1400 个小区在 cellinfo 里全部是TDD(4G)。3DMM 是 3D-MIMO 天线属性，人工额外打在 sector 上，源表不可还原。- 分类策略（已采纳用户规则）：3DMM 按频点对应的"非 3DMM 实际制式"分类——这些频点(2624.6 等 2.6GHz)的非 3DMM 小区都是
TDD/D频，而 FDD 仅在 900/1800，频点不重叠。故脚本对这 1400 个判TDD/D频即正确（与"3DMM 用 TDD 制式规则"一致）。 - 因此"制式 97.88%"是对照 sector 人工 3DMM 标签的数字，按制式规则 TDD 才是正确分类，制式实际正确率≈100%。现有 sector 的 3DMM 因「不覆盖已有行」保留不变。
- 分类策略（已采纳用户规则）：3DMM 按频点对应的"非 3DMM 实际制式"分类——这些频点(2624.6 等 2.6GHz)的非 3DMM 小区都是
四、站型规则（实测覆盖度）
| 站型 | 规则 | 命中 | 总数 | 备注 |
|---|---|---|---|---|
| 室分 | 小区名设备码尾 Z[A-Z]W（如 ZLW/ZRW/ZFW，末字母 W） |
10146 | 10168 | 99.8% |
| 微站 | 小区名含「微小」（如 (微小M)/(微小I)） | 1086 | 1086 | 100% |
| 宏站 | 其余（设备码尾 H，如 Z5H/ZLH/ZFH，且无微小） | — | 54747 | 仅 18 行宏站名含微小（误差≈0.03%） |
判定顺序：室分(W 码) → 微站(微小) → 宏站。W 码与微小在数据中互斥。
五、物理站 / 扇区解析
预处理（仅为解析可靠）：全角 （）【】→半角 ()[]、去空格。
设备码（位于小区名尾部）：<频率前缀>-Z<x><尾字母>-<扇区号>，正则 [A-Z0-9]+-Z[A-Z0-9]{2}-[0-9]+$。
- 频率前缀：U / E / D / F / DC / RD / RDC 等；尾字母 H=室外(宏/微)、W=室分。
- 例：
U-Z5H-0711、E-ZLW-8、D-ZRH-103、F-ZLH-3、RDC-ZFH-2。
扇区号（取小区名尾部数字串）：
- 700M/广电（Z5H 码）：取末位数字。
0711→1、0712→2、0713→3、30712→2。 - 其余：取数字串 % 100。
-3→3、-103→3、-113→13、-203→3、-16→16。
物理站：
- 非 700M：= 小区名去设备码后，删除所有括号/方括号内容，但保留
(微小X)。- 例
江门台山河东家禽(从…搬迁)(微小M)(共…F-ZLH)F-ZLH-2→江门台山河东家禽(微小M)。 - 例
江门鹤山坚美园52至53栋(共…E-ZLW)E-ZLW-8→江门鹤山坚美园52至53栋。
- 例
- 700M/广电：名称结构
CBN-<枢纽>(<真实站址>)<码>或CBN-<站址><码>，枢纽与站址同地市前缀。- 通用做法（不写死江门）：取外层名(去
CBN-、首个括号前)的前 2 个字作为地市前缀，匹配 base 中以该前缀开头的括号内容为物理站；无匹配则取外层（去CBN-）。- 前 2 字：2 字地市（江门/广州…）直接命中；3 字地市（石家庄…）取「石家」仍能与同地市站址括号匹配。
- 共建（
(共…)）/从…拉远等注记括号不以地市开头，自然落外层 → 等价「共建取外层」；共和等地名因括号以地市开头仍取内层。
- 例
CBN-江门台山田头接入间(江门台山狮山)(BBU搬迁)U-Z5H-0713→ 前缀「江门」→江门台山狮山。 - 例
CBN-江门台山通济公园U-Z5H-0713（无括号）→ 外层江门台山通济公园。 - 例
CBN-江门鹤山铸德(江门鹤山共和鸿江工业区)U-Z5H-0712→江门鹤山共和鸿江工业区。 - 实测：对现有（全江门）数据，通用前缀写法与原写死「江门」结果 100% 一致（19726/19726）。
- 通用做法（不写死江门）：取外层名(去
扇区 = 物理站 + 扇区号（如 江门新会五和农村二 + 1 = 江门新会五和农村二1）。
括号宽度：现有 sector 的
(微小X)用全角（）。逆推统一转半角输出；对比准确率时两侧都做括号归一化，衡量语义正确性而非宽度。
六、测试与准确率（逐轮更新）
测试方法：在 celldata 建 sector_band_ref 特征表 + _sector_infer 暂存表逐字段推导，
JOIN 现有 sector（重叠 CGI n=66001）逐字段比对；物理站/扇区比对时两侧做括号+空白归一化。
Round 1（基础规则）
| 字段 | 准确率 |
|---|---|
| 网络 | 100%（66001） |
| 带宽 | 99.75%（65838） |
| 制式 | 97.88%（64601） |
| 频段 | 97.60%（64417） |
| 站型 | 99.94%（65963） |
| 物理站 | 99.12%（65419） |
| 扇区 | 98.72%（65159） |
失配定位：
- 制式失配 100% 是 TDD↔3DMM（1400）——同频/同 PLMN/同带宽/功率重叠，不可还原。
- 频段失配 = 3DMM(1400) + F频↔A频(162，1895/1909 同频人工分档) + E频↔D频(22)。
- 带宽失配主要 cellinfo=20M 而人工=15M（155，源数据人工修正）。
- 站型失配 38：20 个室分码为
Z[A-Z]R（如 E-ZLR，高铁 SM 站）未被 W 规则覆盖；18 个宏站名含"微小"被误判微站。 - 物理站/扇区失配：700M 多括号/不闭合、非 700M 共建/拉远不闭合括号。
Round 2（物理站 v2/v3：按关键字保留限定括号）——失败回退
尝试只删"共/从/拉远/搬迁…"备注括号、保留 (龙山路)(红线内)(1)，物理站反降到 ~98.2%。
原因：① 末尾 [)]+$ 误删了 (微小M) 等合法括号的右括号；② 大量无备注关键字的别名括号本应删除却被保留，净损失。结论："删全部括号+回贴微小"才是最优主策略。
Round 3（v4：删全部括号 + 悬空清理 + 700M 取"(江门"内容）——定稿
- 非 700M：去码 → 删全部成对括号(3 轮) → 删悬空开括号
\([^()]*$→ 删孤立)→ 回贴(微小X)。 - 700M/广电：取
(江门…括号内容；无则取外层去CBN-（"共"开头自然落外层）。 - 扇区号：700M 末位；其余 %100。
| 字段 | 准确率 | 说明 |
|---|---|---|
| 网络 | 100% | 复制 |
| 制式 | 97.88%（排除 3DMM 即 100%） | 仅差不可还原的 3DMM |
| 频段 | 97.60% | 差额=3DMM+同频 F/A、E/D 人工分档 |
| 带宽 | 99.75% | 差额为人工把 20M 改 15M |
| 站型 | 99.94% | |
| 物理站 | 99.59%（65728） | |
| 扇区 | 99.20%（65470） |
剩余残差为不可还原的人工差异，不再继续拟合（避免过拟合）：
- 室分多载波编号不一致：
E-ZLW-12→2、-111→1、-115→5（末位）与-16→16（%100）并存；脚本按用户既定 %100。 - 700M 个别人工编号：
0713→1、0712→4、0712→空，与名义 071N→N 规则冲突。 - 物理站个别含区域前缀（
柏怡酒店↔江海柏怡酒店）、保留(龙山路)/(1)等；真实数据存在尾随制表符。 - 因"不覆盖已有行"，上述人工值在自动运行中均被保留，不受影响。
落库策略
仅 INSERT sector 中缺失的 CGI（本次快照 921 条），已有 CGI 一律保留。区域留空。
复现实测命令（celldata）
按 CellData.sql 顺序执行即可；准确率核验 SQL：
SELECT 物理站/扇区 归一化后 = sector 对应值 的占比 FROM _sector_infer JOIN sector USING(CGI)。