用户升级5G网络的解决方案

姚世立 钮远

中国移动通信集团江苏有限公司

0 引言

5G是第五代移动通信技术的简称，作为4G通信技术的延伸，将在全社会数字化转型进程中担负着不可替代的重要使命。就目前来看，5G在技术、标准等方面都取得了阶段性的成果， 5G作为国家“新基建”的领头羊，初期以运营商建设5G网络基础设施为主，带动5G上游产业链发展；随着5G网络基础设施的完善，需要促进个人信息消费和垂直行业融合应用的快速发展。据相关调研显示，近80%的用户希望在2021年之前用上5G网络。国家有需要，人民有需求，让更多的用户升级5G网络，更快地使用5G网络，享受5G发展带来的红利，是本文研究的重点。

1 5G网络覆盖影响度研究

5G由技术为中心向用户为中心转变。5G网络的主要优势在于：（1）热点高容量，数据传输速率远远高于以往蜂窝网络，峰值速率可达到10Gbps；（2）低时延高可靠，空中接口时延水平控制在1ms以内；（3）低功耗大连接，超大网络容量，提供千亿设备的连接能力，满足物联网通信需求。

图1为5G网络交互示意图，现网5G网络采用NSA组网方案，终端与网络交互主要分为以下四个步骤：（1）终端发起网络附着请求，同时上报支持DCNR（Dual Connectivity E-UTRAN and NR，双连接的演进UMTS陆地无线接入网和新无线）双连接能力；（2）网络根据用户签约信息判断是否允许该终端接入，如允许则与终端建立LTE承载；（3）LTE根据空口环境等触发承载迁移，下行端口变更为5GNR；（4）终端通过LTE/5GNR收发数据。

图1 5G网络交互示意图

从图1可以看出，用户使用5G网络需要具备两个基本条件：（1）5G网络覆盖；（2）终端具备接入5G网络能力。

5G网络建设是一个长期过程，短期内无法做到全覆盖。为精准识别可升级5G网络用户，需优先开展5G网络覆盖对用户影响的研究工作。

按现有网络流量分析，用户对网络需求主要集中在7: 00 -22: 00，5G网络覆盖影响度研究主要聚焦该时段。按使用场景将用户上网时间切片，细分为工作日与假期，工作日细分为通勤、工作、居家。

用Wi表示5G网络覆盖影响度，用Pi表示5G时长占比，用Si表示网络使用感知系数。设5G网络全覆盖情况下，W=10，P≡1，S=10。

（1）5G时长占比

通勤：上下班高峰时段，基站切换数大于阈值。P1=该时段5G时长/总时长；

工作：基站覆盖区域属性为办公、商圈、学校等，基站切换数小于阈值。P2=该时段5G时长/总时长；

居家：基站覆盖区域属性为居民区、学校等，基站切换数小于阈值。P3=该时段5G时长/总时长；

假期：周末、法定假日等。P4=该时段5G时长/总时长。（2）网络使用感知权重

在不同使用场景下，用户对5G网速及稳定性需求存在差异。设网速需求总分5分，用户对高网速需求越高得分越高；网络稳定性需求总分5分，用户对网络稳定性要求越高得分越高。两项得分相加得到该使用场景下网络使用感知总得分。按S=10对总得分做归一化，得到网络使用感知权重：S1=1.2，S2=1.9，S3=3.1，S4=3.8。如表1所示。

表1 网络使用感知权重

由此，通勤场景5G网络覆盖影响度为：

其他场景5G网络覆盖影响度类推，从而得到5G网络覆盖影响度计算公式：

在大数据的背景下，企业网络平台应结合先进的电子信息技术，设立相应的信息安全系统，并定期对于安全系统进行检查，发现安全漏洞时应及时进行维护，使其能够对企业的信息进行实时保护，还应该将大数据信息库进行更新，保证数据库中的信息安全，而政府应该对于网络信息安全设置相应的法律规定，使信息泄露后能够有法律保障，维护企业以及使用者的利益，从而保证网络数据的安全，营造绿色的网络使用环境，促进大数据时代进行下一步的发展。

由上式可见，W越高表示用户主要活动范围内，5G网络覆盖及使用体验越好。因明细较多，这里不全部枚举，挑选典型用户展示如下。基于当前5G网络处于高速建设时期，以W=7为评判阈值，当W≥7分时，判定5G网络覆盖可满足用户日常使用需求。随着5G网络的建设发展，该评判阈值将随之提高。如表2所示。

表2 5G网络覆盖影响度

2 升级5G智能终端

用户在5G网络覆盖范围内，通过5G智能终端连接5G网络。截至2020年2月底，国内5G智能终端市场已初具规模，终端品牌超过40款。本节通过大数据技术，对已升级5G智能终端用户进行分析，通过机器学习构建升级5G智能终端用户模型，精准识别可升级5G智能终端用户，以开展智慧营销工作。

2.1 模型设计

本研究属于大数据预测分析中分类预测模型，分析目的为预测未进行5G智能终端升级用户在后续升级5G智能终端的概率。本研究可使用逻辑回归、神经网络、随机森林建模。使用小规模数据模拟建模后，神经网络模型预测精度优于另两种模型方案。

神经网络是一个非线性的数据建模工具集合。神经元之间的连接赋予相关权重，训练算法在迭代过程中不断调整这些权重，从而使预测误差最小化并给出预测精度。多层感知器神经网络（MLP）包含多个隐藏层，可以发现更复杂的关系。本研究选用MLP为最终建模方案。

2.2 模型构建

筛选已升级5G智能终端用户（以下简称5G用户），为确保模型数据平衡防止过拟合，随机提取等量级的非5G智能终端用户（以下简称非5G用户）。按用户特征信息提取样本数据，特征信息分类及细化见表3。

表3 用户特征信息

为确保分析数据质量，首先对样本数据进行数据分析。

（1）数据过滤：将样本数据中与目标变量无关的特征信息进行剔除，保留用户标识（user_id）、年龄（age）、性别（sex）、月消费（ARPU）、流量（DOU）、终端使用时长（T_mon）、地市（area）7个特征信息，其中user_id仅作为记录标识，不作为模型输入。设定输出观测值result，当用户为5G用户时，result=1，否则result=0。

（3）数据分区：在有监督的机器学习中，数据集一般被分成培训集、测试集和验证集。培训集主要用来培训模型；测试集主要是测试已培训模型的分辨能力（识别率等）、推广能力；验证集主要用于调整模型的超参数，在神经网络中可以通过验证集选择隐藏层神经元的数量。分区数据均从样本数据中随机抽取，本研究按培训集50%、测试集40%、验证集10%分区。如图2所示。

图2 5G智能终端升级模型

2.3 模型挖掘及评估

MLP一般由一个输入层，一个输出层和若干个隐藏神经元层组成。每一层由一个或多个神经元互相连结。一个神经元的输出便是另一个神经元的输入。

本研究中输入层：age、sex、ARPU、DOU、T_mon、area。

隐藏神经元层：隐藏神经元层与输入层全连接。用xi表示输入变量，用 ωi表示各输入变量的加权系数（权值），用P表示加权求和，用y表示输出。

隐藏神经元层包括两部分：（1）对输入变量的加权求和；（2）对求和结果进行“激活”得到输出。定义输入恒为1的权值为ω0，即权值也包含偏移量，则加权求和的公式为：

其中：

激活公式为：

MLP的目标是使误差最小。MLP的误差可用平方误差函数E表示。设样本x有n个属性，目标值t有J种可能，则该MLP的输入层（第一层）一共有n个神经元，输出层（第L层，设MLP一共有L层）一共有J个神经元。样本x经过向前通路得到最终输出，其中下标表示y所在层的神经元索引，上标表示y所在的层。则该样本的平方误差为：

上式中的平方误差函数除以2，是为了便于后面的求导运算，因为它不影响误差的变化趋势。yjL由上一层（即L-1层）所有神经元的输出经加权激活后得到，而第L-1层神经元又由第L-2层的所有神经元输出经加权激活后得到，因此可以说误差E是全体权值ω的函数，通过改变权值ω，就可以达到使误差E最小的目的。

通过上述方法得到图3中的神经网络模型。

图3 神经网络模型

本模型输出预测结果为1或0，模型输出预测$N-result与观测result相同时模型输出准确，各分区准确率为：培训集准确率75.88%，测试集准确率75.69%，验证集准确率75.81%，因模型输出明细数据过多，这里不全部枚举，部分模型输出数据如图4所示。

图4 神经网络模型输出

对模型输出准确率进一步研究，对比观测值与预测值发现，观测值result=1预测准确率90.1%。本模型输入样本中5G用户观测值result=1确定且唯一；随机抽取非5G用户观测值不确定，因模型需要定义result=0。本模型构建初衷为预测result=0用户转变为result=1用户概率，因此本模型构建符合预期。如图5所示。

图5 神经网络模型result分类

2.4 模型应用

结合5G网络覆盖度影响度和升级5G智能终端模型，抽取当月非5G用户50万户，经模型演算后预测可升级为5G用户共35万户。如图6所示。

图6 预测模型输出

鉴于疫情期间，尽量减少用户到营业厅接触，预测输出数据主要应用在江苏移动掌上营业厅，应用周期为3周，应用位置包括首页Banner及5G新品专区。模型应用后，用户升级5G网络成功率较模型应用前有较大提升。随着疫情解除，该模型将扩展运用于线下实体厅店，有助于进一步提升成功率。如图7所示。

图7 掌上营业厅应用展示

3 结束语

在5G网络大发展时期，为让更多的用户进行网络升级，更快地使用到5G网络。本文对已升级5G网络用户开展分析，基于网络覆盖对用户使用影响的先决条件，通过大数据机器学习分类算法构建升级5G网络模型。本模型在江苏移动掌上营业厅APP开展应用，模型应用较未应用前，用户升级5G网络成功率有较大提升，后续该模型将扩展应用至线下实体厅店。因模型基于过去的数据进行预测，目前已知进行5G网络升级用户量偏小，模型输入量级在十万级，模型输出存在一定的误差。随着后续升级用户群的扩大，将进一步对模型进行优化。