基于BP神经网络算法的LTE客户感知评价探讨

刘孝颂，魏东东/Liu Xiaosong，Wei Dongdong

（中国电信股份有限公司上海研究院 上海200120）

（Shanghai Research Institute of China Telecom Co.,Ltd.,Shanghai 200120,China）

1 引言

随着LTE网络逐步商用，其在网络流量承载能力上有了很大的提升，而且伴随着PCC架构的引入，可以为用户提供个性化的服务，开展更精细化的运营。LTE网络的建成为移动通信产业注入了新的活力，将为用户带来更丰富多彩的业务，也给运营商带来了更多的发展机遇。

传统的网络优化与评估方法主要是面向设备的维护及小区、簇级的优化，其关注更多的是网络指标，其支撑服务功能不能精细化到具体的用户，而运营商网络运维的一个重大改变是从关注网络运行指标向关注用户感知转移，因此，建设精细化至用户维度、面向客户感知的LTE网络精细化支撑系统来支撑LTE网络的运维、规划、客服服务和市场营销，成为目前运营商精细化运营领域的主要趋势。

无线网管指标仍是最常用的指标体系，而且对网络KPI（Key Performance Indicator，关键性能指标）的考核数据（无线网络连接成功率）来自于无线网管，因此，无线网管指标仍是目前进行优化评估的主要依据。但是无线网管指标主要反映无线网络及设备的运行情况，由于采集点的差异，并不能与用户使用业务时的真实感知完全一致。

例如，某地区的客户在使用无线网络观看视频时，发现用户的QoE（Quality of Experience，体验质量）较差，视频有卡顿和不清晰的现象。经过路测数据分析发现，该用户所在地区的无线网络KPI很好，具体表现有：该用户所在小区的覆盖率已经为100%，RRC连接成功率、RAB建立成功率、无线接通率、切换成功率等相关指标均为95%以上；同时经过核心网测试发现，该视频业务的KQI（Key Quality Indicator，关键质量指标）也很好，监测到的TCP重传率低，往返时间RTT较小，时延小。根据这一系列测试结果，通常情况下可以认为，网络状况和业务传输很好，已经达标。但是用户侧反映出的用户体验实际情况却很差。因此，传统的基于网络性能指标的网络优化已经不能完全准确地反映实际的用户体验。因此，亟需将KPI、KQI等传统的网络监测指标与不同应用分别对应建模分析，用最接近用户体验的QoE指标来反映网络的真实用户体验情况。因此，运营商亟需由传统的基于网络性能指标进行网络优化，向基于用户感知的网络运营优化方向转型。

客户体验管理不仅要做到收集和报告客户的相关数据，还要充分利用有用的信息更好地驱动业务。这个行业要做到超前和超越，仅监测KPI和KQI是不够的，必须要深入洞察用户期望。由于随着业务性能的提升，用户期望将会改变，因此，用户服务管理必须随着这种变化而改变。

2 客户体验感知评价指标说明

衡量一个网络和业务品质最根本的标准在于用户的体验质量。QoE体系将是未来以数据业务为主的移动网络关注的重点。构建基于用户感知的用户体验质量体系，其中最关键的是如何将传统网络运营指标中的KPI以及由此建立的KQI，与最终的用户QoE评估体系之间的内在关联和映射建立起来。

QoE与具体业务相关联，从用户的角度提供业务主观感知评价。虽然用户对不同业务会关注不同方面，但总体来说，需要服务提供商关注的问题是“用户对服务的期望是什么？”，从中可以归结出主要的两点作为衡量指标：服务的可靠性和舒适度。

下面对构建用户感知系统所涉及的体系构成元素进行简单介绍。

（1）KPI

KPI通常是网络层面可监视、可测量的重要参数，是现代企业中受到普遍重视的业绩考评方法，也是传统网络运营过程中针对性能考核的重要组成部分。

（2）KQI

KQI主要是针对不同业务提出贴近用户感受的业务质量参数，是业务层面的关键指标，可能是不同业务或应用的质量参数。KQI是从业务层面提出的关键指标，是衡量用户在使用不同业务时的感受所表达出的业务质量参数。KQI的组成元素可以由不同的网络性能指标构建。

（3）QoS

QoS是决定用户满意程度的服务性能的综合效果。

（4）QoE

QoE是终端用户对移动网络提供的业务性能的主观感受，是移动网络终端用户在使用移动业务的过程中，对业务性能、功能等多维度最终的主观感受。QoE可以由网络的QoS、业务内容以及使用体验组成。QoE=网络QoS+内容+人的体验。

移动网络相关业务与用户感知相关的KPI指标主要包括 RSRP （Reference Signal Receiving Power，参考信号接收功率）、RSRQ、RRC建立成功率、ERAB建立成功率、掉话率、切换成功率等。

①RSRP是LTE在某个符号内承载参考信号的所有RE（资源粒子）上接收到的信号功率线性平均值，是反映服务小区覆盖的主要指标，分为6个等级，见表1。

表1 反映服务小区覆盖的主要指标等级

②RSRQ代表接收质量，典型的取值范围是－19.5～－3 dB，以0.5 dB为精度，映射为0～34的整数值范围。

③对于IP网承载的话音业务，端到端的时延要求分成4个等级：最好（≤150ms）；较好（150～250ms）；一般（250～400 ms）；差（400 ms以上）。

④抖动分为3个等级：良好（1 ms）；一般（20 ms）；较差（60 ms）。

⑤分组丢失率分为3个等级：良好（0）；一般（1%）；较差（5%）。

⑥LTE的上/下行带宽除以1000Mbit/s进行计算。

RSRP/RSRQ来自测量报告（Measurement Report，MR），需要从基站侧采集。RRC建立成功率、ERAB建立成功率、掉话率、切换成功率等KPI指标由无线网管提供。

KQI在业务层面反映用户感受的指标，包括在业务流程中直接测试得到的指标可以从业务使用流程中通过网络直接获取的相关指标，如接收时延、分组丢失率、抖动、上/下行带宽等。KQI指标通过用户面数据S1-U的DPI分析得到。

3 评估数据的采集方法及流程

如图1所示，客户感知评估模块采集网管数据和各接口信令。

通过S1-MME、S11、S6a的信令分析，对采集到的指标进行关联，从而得到基于单个用户的KPI、KQI指标画像。

信令采集的接口：系统通过分光方式，在核心网承载网络的数据链路上抓取用户控制信令和用户面数据。用户控制信令包括S1-MME、S11、S10和S6a信令。用户面数据为S1-U数据。

与设备网管系统的接口：网管系统主要采集eNodeB上MR和性能报表。通过网管数据分析KPI数据。

用户感知评价模块通过将历史的KPI/KQI信息输入智能专家知识库系统，利用智能动态权值函数来训练每一个影响业务体验的指标权重，然后再从当前业务关键指标KPI/KQI综合评价出最终的用户体验值，具体如图2所示。

具体有以下几个关键步骤。

第1步：利用用户已有的KPI/KQI信息历史数据，初始用户感知评价体系的建模。

第2步：输出QoE后，对用户体验进行监测和预测。

第3步：将预测的结果与实际的结果进行对比，不断地动态调整权值函数，形成专家知识库。

第4步：随着数据量的增加，模型不断地进行智能更新和优化，会自动预测用户期望值，从而调整和优化智能专家库，更加精确地监测出用户体验的综合评分值。

业务的用户感知QoE的主观标准获取方案采取业内经验和实际测试两种方法进行。用户业务体验QoE的主观评价为好、中、差。评分标准见表2。

表2 评分标准

测算模型需要基于一系列的KQI／KPI指标测算，通过各指标间的权重关系，完成指标汇聚。

不同业务的特性不同，其关注的重点性能也不同，相关的性能指标以及各性能指标的影响权重存在差异，因此，需针对不同类别的业务建立不同的测算模型。根据移动互联网行业内成熟的业务评估经验，根据不同的数据业务类型设计评分标准，对大类业务进行归一化评分，建立评估模型原型。

4 LTE用户体验感知评价模型

4.1 BP神经网络简介

LTE用户业务体验感知评价模型主要针对基于BP（Back Propagation，反向传播）神经网络算法的实现进行探讨。首先分析BP神经网络模型与学习算法的特征，BP神经网络模型能学习和存储大量的输入输出模式映射关系，无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小[1]。具体如图1所示。

图3给出了第j个神经元（节点）的示意，其中，x1,x2,…,xi,…，xn分别为输入神经元1,2,…,i,…,n的向量；wj1,wj2,…,wji,…，wjn分别为神经元1,2,…i,…, n与第j个神经元之间的连接强度，即权值；bj为阈值；f(·)为传递函数；yj为第j个神经元的输出向量。

结合以上BP神经网络特征，重点探讨在移动网络中对用户感知进行建模。由于用户业务体验感知的评价体系受多种因素影响，包括客户模糊随机性的主观感受以及移动网络中各类诸多非相关性的网络性能指标等。BP神经网络是一种按误差逆传播算法训练的多层前馈网络，具有很强的非线性映照能力。用户感知评价模型的应用通过训练，从输入及输出的数据中提炼出具有共性规律的知识，并将其记忆于网络的权重中，具有泛化能力，将此权重值应用于一般情况下的其他待评估数据中。

因此，BP神经网络在用户业务体验感知评估体系中的应用，具备准确的评估能力和智能化的评估方法，具有较广泛的应用价值。

4.2 用户感知评价模型设计

重点利用BP神经网络算法的特性，对用户感知评价模型进行设计。BP神经网络由输入层（Input）、隐层（Hide Layer）和输出层（Output Layer）构成，本次针对用户感知评价模型的设计中，隐层采用一层来实现。通过激活函数描述各层之间的关系，对不同层之间的神经元交互过程进行模拟，本文采用双曲正切S型（Sigmoid）激活函数实现，采用purelin线性传输函数作为输出函数。确定采用的BP前馈神经网络由3层组成后，接下来的重点是需要确定每一层中的神经元构成以及所需要的神经元数量。

（1）输入层节点（神经元）的确定

本次设计的用户感知评价模型中，输入节点主要由从网络中获取的各种KPI指标参数以及通过对用户面数据计算得出的KQI指标组成。LTE网络中需要采集的KPI指标包括RSRP、RSRQ、RRC建立成功率、ERAB建立成功率、掉话率、切换成功率等；KQI包括时延、分组丢失率、抖动、上/下行带宽等。本模型中，输入节点数为12个（即n=12）。

（2）输出层节点的确定

用户体验感知指标评价最终输出可以参照前面所确定的最终衡量值，取值范围为[0,1]，并且输出节点只有一个。

（3）隐层节点的确定

前面已经明确，本模型由一个隐层组成，但隐层中节点数量的确定是BP神经网络算法中的难点，隐层节点数没有一个确定的解析式，一般采用经验值和不断试验来确定。隐层节点数与输入节点以及输出要求都有一定的关系。隐层节点数如果过少，则无法生成足够的连接强度（权值）组合数来满足若干样本的学习过程；隐层节点数如果过多，则学习后的网络泛化能力会变差。

4.3 用户感知评价模型实现流程

（1）输入数据预处理及初始化

为提高训练学习的灵敏性和训练速度以及有效避免激活函数的饱和区，采用输入数据在（0,1）区间，所以需要对输入数据（网络KPI和KQI）进行数据预处理。给各连接权值分别赋一个区间（－1,1）内的随机数，设定误差函数e，给定计算精度值和最大学习次数M。

（2）评价模型BP网络训练过程

BP神经网络的核心思想是对信号的正向传播和误差的反向传播通过输入样本的刺激，不断调整网络中的连接强度（权值）来形成一个模型。其中，误差的反向传播，即将输出的误差，以一定的规则通过隐层逐步传递到输入层，利用隐含层各神经元和输入层各神经元的输入修正连接权值。

（3）输出层表达

5 基于BP神经网络的LTE用户体验感知仿真

通过Matlab对基于BP神经网络的LTE用户体验感知模型进行仿真，样本数据为1 000例，其中，900个作为建模的训练样本集，另外100个数据作为测试样本集用于测试网络。

①创建BP网络net=newff(minmax(pn),T,[19,1], {′tansig′,′purelin′},′traingdx′)；

②输入输出数据的归一化预处理，文中选用的归一化函数为premnmx，归一化后的数据将分布在[－1,1]区间内（[pn,minp,maxp,tn,mint,maxt]=premnmx(p,t)）。

③训练函数选取：采用动量及自适应的梯度递减训练函数，即Traingdx。对于梯度下降法，训练成功与否与学习率的选取有很大关系。自适应学习算法能够自适应调整学习率来增加稳定性，提高速度和精度。

首先对网络进行初始化，设定输入节点数为12，隐节点数为 19，输出节点数为 1，误差要求为0.000 1（net.trainParam.goal），训练次数为10 000（net.trainParam.epochs）。输入训练样本后，网络信号正向传播将按期望输出与实际输出误差平方和的最小化规则来学习，如果总的误差值低于预设，则将误差反向传播，从而调整权值矩阵和阈值向量。当误差减小到要求范围时，系统停止学习，此时权值矩阵与阈值向量被固定，形成LTE用户体验感知的评估模型。

当训练到误差小于0.000 1时，停止训练，同时图像界面动态图停止，如图5所示。

通过样本数据训练后，当误差达到要求时，用测试样本对网络进行验证测试，并通过对每一个测试数据的仿真输出和期望输出的比较，得出该神经网络仿真误差的大小，以直观地表现出仿真得出的结果与理想值之间的关系，因此，采用BP神经网络模型对用户体验感知满意度进行评价具有较高的精确度。

训练完成后得到QoE与KPI、KQI的模型。输入要评价的KPI、KQI指标值，根据输出值QoE，对用户体验感知度状态给出评价结论。

6 结束语

基于BP神经网络算法，建立用户体验感知评价模型，测试了该神经网络评价模型的功能。从仿真测试结果来看，该网络达到了设计要求，并体现出了BP神经网络的非线性映射能力以及具有较好的泛化能力。对用户体验感知满意度的评价的正确率较高，证明了利用BP人工神经网络模型对用户体验感知满意度进行评价比传统的评价方式更为科学有效。由于本次在评估模型建立中，样本数据相对较少，需要进一步地对算法进行优化和完善，并重点提高运行速度和准确度。

1 POIKSELKA M,MAYER G,KHARTABIL H,et al.IMS：移动领域的IP多媒体概念和服务[M].赵鹏，周胜等译.北京：机械工业出版社，2005.

2 胡乐明，曹磊，陈洁.IMS技术原理及应用[M].北京：电子工业出版社，2006.

3 3GPP TS 36.331.LTE Evolved Terrestrial Radio Access(E-UTRA) Radio Resource Control(RRC)Protocol Specification[S].

4 3GPP TS 36.413.LTE Evolved Terrestrial Radio Access(E-UTRA) S1 Application Protocol(S1AP)[S].

5 3GPP TS 36.331.LTE Evolved Terrestrial Radio Access(E-UTRA) Radio Resource Control(RRC)Protocol Specification[S].

6 金少胜，周洁红.神经网络在顾客满意度研究中的应用[J].统计与决策，2003,(5).

7 曾凤章，王元华.神经网络在顾客满意度评测中的应用[J].北京理工大学学报（社会科学版），2005,1：45-47.

8 郑君里，杨行峻.人工神经网络[M].北京：高等教育出版社, 1992.15-30.

9 巨军让，卓戎.BP神经网络在Matlab中的方便实现[J].新疆石油学院学报,2008,2(1).

10 张玲，张钹.人工神经网络理及应用[M].杭州：浙江科技大学出版社，1997.20-62