基于机器学习的移动通信网络质差小区定位分析

基于机器学习的移动通信网络质差小区定位分析

黄伟杰

中国移动通信集团广东有限公司东莞分公司 广东东莞 523000

摘要:在移动通信网络领域，国内现有提升投诉用户感知的方法及流程，对用户体验虽起到改善作用，但动作相对滞后，且效果不佳。网络运营商希望“先于用户发现问题”，而网络中有大量的信息，是可以预判网络的质差程度以及是否影响到用户的使用感知。因而，设计应用基于机器学习为导向的移动通信网络质差小区定位方法，有利于发现网络中的质差问题，对症下药。故本文主要采用文献资料检索方法，先检索国内与移动通信的网络质差小区定位、机器学习等相关的研究报告和学术论文等，对相关研究成果进行系统化的梳理及总结分析，围绕着以机器学习为导向的移动通信网络质差小区定位开展深入研究及探讨。本次课题主要研究移动通信、机器学习领域，运用各种学科方法、基础理论及成果，从整体上综合研究本课题，以保证本次课题研究的客观性及精准性，期望可以为后续更多技术工作者和研究学者对此类课题的实践研究提供有价值的指导或者参考。

关键词:移动通信；机器学习；小区定位；网络质差；

前 言

伴随移动通信网络行业持续进步发展，高速率以及高质量的网络应用内容，给网络运营提出更高的要求。众所周知，移动网络的覆盖和设备性能影响网络的使用，对此，借助机器学习综合分析移动通信网络质差小区定位，修复网络问题，为用户带来更好的业务体验，有着一定的现实意义和价值。

1. 关于机器学习相关概述

机器学习从属多领域的一种交叉学科，包含着统计学、概率论、算法复杂性度理论、凸分析、逼近论等学科，以人工智能为核心，赋予计算机智能化功能的重要途径^[1]。

2. 小区定位设计方案及其效果分析

2.1 设计方案

1）在算法层面

以机器学习为导向的移动通信网络质差小区定位，在算法层面上，需结合移动通信的网络业务感知相应KQI数据，综合分析业务的感知画像，以机器学习为导向算法，将画像实际准确度有效提高，构建以机器学习为导向的移动通信网络质差小区定位及质差用户综合感知评估分析体系。以回访问卷、用户使用感知、网络满意度等量化数据形成用户画像并迭代调优画像，逐步对用户群体和质差内容予以识别，进一步寻求定位质差小区对用户所产生的影响及用户感知不满的根因。机器学习的结论推送至网络运维单位，同时与网络信息数据分析相结合，包括网络性能指标、网络投诉数据、覆盖及路测质量、故障率及影响时长等，促使客户感知基本要素及网络要素映射得以实现。一是，业务感知相关特征画像。业务感知的特征画像以业务模型及时间模型为主。移动通信的网络业务以流媒体、网页浏览、即时通讯各项业务为主，流媒体层面业务以视频及游戏为主；感知差层面场景以无法上网、视频卡顿、游戏卡顿、打开网页慢为主，现网投诉中呈最高的发生频率，占据投诉总量约90%^[2]。不同业务所对应感知因子W往往不同；时间模型，其是对于上网用户业务流程不同阶段实施小时级的感知量化综合评分，以对用户感知具体情况予以精准描述；二是，以机器学习为导向的移动通信网络感知基本量化算法。通过对上网KQI、实地调研等方式对用户的样本数据实施关联分析，以机器学习为基础算法实现指标集的有效构建，实现用户业务感知耦合，促使画像模型初步形成，实施晶数据验证分析及模型调优处理，感知完整画像模型最终形成，实现客户感知下量化评估及根因问题的有效识别。

2）在识别质差用户层面

一是，识别质差用业务。对游戏卡顿、视频卡顿、无法上网、打开网页慢、游戏卡顿等业务场景，对感知指标予以分别确定，实现质差业务的量化定义。针对无法上网层面业务，借助控制面指标实现快速定义；针对视频卡顿相关感知层面业务，借助人工引入相应算法，如客户端缓冲区由于加载数据速率不足所致播放卡顿，内含较多感知指标。以逻辑回归机器学习为导向，对迭代算法所输出阈值的门限予以校准，结合阈值对用户的感知实施业务识别，如视频卡顿实际播放次数在0.2次/分钟以上、视频播放实际等待时长在3秒以上、视频卡顿总时长占＞20%，可确定用户有一次感知不佳现象产生；二是，用户感知评分模型。结合移动通信上网的感知量化基础模型，获取现网用户在单位时间内所发生感知差实际次数，结合类型不同质差业务实施不同的维度评分，获取用户感知最终得分，列式即为：S= ，该列式当中，S代表用户感知评分；K1代表浏览网页业务得分评分；W1代表浏览网页业务权重；K2代表流媒体的业务评分；W2代表流媒体的业务权重；K3代表即时性通信业务评分；W3代表即时性通信业务的权重。从统计学层面实施分析可知，用户感知有好坏差别，大部分均维持中间状态，也就是感知一般或者良好，与正态分布或卡方分布符合。典型的分布形式下，重点关注概率分布，横轴表示小时粒度单用户处于各种场景之下总失败次数，纵轴为次数所对应用户数实际占比。纵轴为一维实的随机变量X，即为用户小时粒度之下总失败次数概率，结合曲线随机变量X概率实际密度函数变化曲线可了解到，失败次数可被划分成不同区间，所对应区间用户有着不同的感知评分。借助感知算法把用户评分有效投射至这五个不同的区间，获取用户感知最终的得分，5分为最好感知，0分则为最差感知。识别质差用户以移动通信的网络感知量化基础模型，获取现网用户的感知评分，过滤筛选所输出感知评分在3分以下的用户，则属于感知质差的用户

^[3]。

3）在识别质差小区层面

一是，小区感知评分基础模型。结合所获取到的用户质差相应业务次数，汇聚用户常驻的小区，输入小区维度当中不同用户的质差业务实际次数，获取到每个用户的感知差实际次数及其业务总体次数，如此便可了解到感知差单相比较例高于X用户（感知的差用户）。统计分析每个小区感知差的用户数Ki与总用户数Mi便可了解到感知差的用户占比为Zi=Ki/Mi。针对于Zi构建模型类似于单用户，过滤用户实际数值比Y小区低；二是，感知差的用户占比可划分成五个不同的区间，所对应各区间用户的感知评分存在着差性。以感知算法为基础，把小区评分有效投射至五个不同区间获取小区评分，5分即为最佳感知，0分则为最差的感知；三是，识别质差小区。基于该模型，获取网小区评分，过滤筛选所输出的感知评分比3分小区低，故所输出的部分即为质差小区。

4）在挖掘感知差的小区原因层面

针对移动通信的网络业务感知层面问题，可划分成失败类还有速率、卡顿、时延类。针对失败类，可以失败原因予以定界，因失败原因通常有着指向性。如对附着失败NAS原因#7之下用户若未签约便指向用户，HTTP原因#503之下不可用服务则指向于SP。速率、卡顿、时延类，需以TCP层指标予以初步定界，与各类的统计指标相结合，将TOP N的质差网元筛选出来作为其问题定界。对质差小区实施定界分析，去无线问题实际占比超过90%，故需对无线问题实际根因予以分析把握。无线根由于定位算法现阶段以覆盖类、切换类、容量类、干扰类根因为主实施定位，该类型的根因所造成感知差层面问题汇聚后会呈栅格维度状态。

2.2 效果分析

调研分析质差用户经本模型集成算法予以评价分析，以迭代算法实施阈值校准，对比分析模型评的价质差用户和调研质差相应用户数据可确定双向的匹配度在80%以上，应用效果良好。

3. 结语

综上所述，此次所设计以机器学习为导向的移动通信网络质差小区定位系统平台开发上线现已实现，具备着感知问题自动定位、汇总统计分析各项功能，平台界面相对简单、可实现准确预测及识别、及时发现各种问题，予以高效反馈，应用效果优良，持续推广价值突出。

参考文献

[1]付思冉,潘亮,崔岩.基于机器学习的4G手机上网质差小区定位研究与实现[J].山东通信技术,2020,40(012):444-445.

[2]周志超,冯毅,夏小涵,等.基于移动蜂窝网的机器学习室外指纹定位方案[J].电信科学,2021,18（015）：320-321.

[3]江元,杨波,赵东来,等.基于时间序列分析及机器学习的移动网络业务量预测技术[J].物联网技术,2020,10(026):124-125.