李思远 · 5G Engineer

针对某区域5G SA/NSA混合组网中的RSRP弱覆盖问题，主导20个宏站及室分站点的天线倾角和功率参数调整，使区域平均RSRP从-105 dBm提升至-92 dBm，覆盖率提升15%。

为优化高密集用户场景的切换性能，深入分析邻区关系与PCI混淆冲突，重新规划80个小区的PCI并调整A3事件门限，推动切换成功率从97.2%提升至99.4%，切换失败次数下降60%。

在容量规划方面，针对日均流量超150GB的小区，通过优化负载均衡参数（CIO、小区偏置）及载波聚合策略，使单小区峰值速率达1.2Gbps，拥塞率由3.5%降至0.8%。

结合LTE与5G NR互操作参数调优，优化EPS Fallback和VoNR切换流程，将语音呼叫建立时延从5.2s缩短至3.8s，用户感知评分提升12%。

针对某城市核心商圈高流量区域（S），主导部署Massive MIMO天线并优化波束赋形参数（A），使下行CQI均值从8.2提升至10.5，PRB利用率降低12%（R）。

通过分析负载均衡策略（A），调整小区间切换门限和功率偏置，实现区域拥塞次数下降37%，用户平均吞吐量提升25%（R）。

利用波束赋形技术优化覆盖（A），有效解决高层楼宇深度覆盖问题，RSRP改善9dB，边缘用户速率提升40%（R）。

针对话务高峰时段，实施动态负载均衡算法（A），将超负荷小区的PRB利用率稳定控制在85%以下，网络接通率提升至99.8%（R）。

针对平台海量5G网络KPI数据（如RRC连接成功率、掉线率），执行数据清洗与特征工程，剔除异常值并提取25维关键特征，将模型输入质量提升30%，后续故障定位准确率提高15%。

采用随机森林算法构建KPI异常检测模型，通过交叉验证调优参数，在测试集上F1-score达0.91，较基线KNN模型提升12%，成功捕获98%的隐性故障。

编写Python自动化测试脚本覆盖120种故障场景，将故障根因定位平均耗时从45分钟压缩至8分钟，支撑现场工程师快速响应，减少网络中断时长约70%。

通过特征重要性排序与关联规则分析，定位5种常见根因（如邻区配置错误、PCI冲突），输出诊断规则库，使误报率降低25%，人工排查工作量减少40%。

撰写技术文档与测试报告，协助部署诊断平台至3个城市核心网节点，覆盖超200个5G基站，累计处理告警数据量达500万条。