基于用户感知体系神经网络算法探究.docVIP

基于用户感知体系神经网络算法探究 　　摘要：用户感知是目前无线移动网络研究的热点。主要讨论了人工神经网络算法运用在用户感知体系上的情况。通过用户感知体系发展特点及要求，对几种用户感知体系进行比较。最终将神经网络算法与改进后用户感知体系相结合，达到优化体系映射的目的。 关键词：用户感知 人工神经网络算法 KPI QoE 中图分类号：TP3 文献标识码：A 文章编号：1007-9416（2013）10-0136-02 在体验经济时代，当同类竞争产品之间的功能相差不大时，用户体验将提升产品的核心价值，是企业间竞争的最后一座“堡垒”；提升用户体验也是企业提高用户的品牌忠诚度、推动产品创新的主要途径。用户只有感到产品的价值满足了自己的期待甚至超越了用户本身的期待，用户才会对产品有优良的体验，进而形成对产品的满意感和忠诚感。随着3G/LTE网络建设和商用的不断深入，用户感知度作为竞争的焦点之一越来越受到运营商的关注。如何通过量化的方法以网络和业务的质量来表示终端用户对业务与网络的体验和感受，并反映当前业务和网络的质量与用户期望间的差距，成为在3G/LTE网络中激烈竞争的大背景下，运营商提高终端用户的满意度，留住用户并扩大用户规模的关键。然而传统网络质量的评估分析模式难以有效反映用户的实际感知情况，从而降低了优化效率，影响了用户感知度的提升。而且传统用户感知体系的繁冗复杂，也使其构建过程中，浪费了大量的人力、财力。 1 用户感知体系综述 1.1 概念简述 用户感知是指用户实际感受到供应商提供产品和服务与达到用户期望得到产品和服务间的差距。是指用户对业务服务质量的一种感估。 用户感知主要是一个主观的概念。不同用户、不同终端、不同业务、不同地点，不同网络制式接入都是影响用户感知的因素，这样就使得用户感知的分析和评价工作比较复杂。移动通信中的用户感知是指终端用户对移动网络提供的业务在主观感受上的综合满意程度。它表示了终端用户对业务和网络的体验和感受，反映了当前业务和网络的质量与用户期望之间的差异。 1.2 用户感知体系发展现状 传统的网络优化方法主要包括基于网管指标的网络优化，基于路测指标的网络优化。其中路测指标主要是通过DT（dimensiontest）测试、CQT（CallQualityTest）测试获得，其特点是从终端侧收集数据，主要用于检测网络运行质量，反映测试路线上的网络情况。网络指标主要为网管KPI，其获取方式是网管数据、告警数据、用户投诉数据等，该指标的特点是从网络侧收集数据，主要用于反映网络运行质量，统计不同范围的网络情况。从用户感知出发的QoE-KQI-KPI映射分解，以此对网元的KPI统计进行优化，强化关联KPI设计，使其贴合用户感知。在传统的评估模型建立过程中，主要是通过对信令数据、路测数据等网络数据进行分析，从而获得各关键指标，虽然能够反映网络侧因素对用户体验质量的影响，但是不同的用户群体对每种业务都会有不同的体验要求，该模型不能直观、全面地反映用户的主观感受，并且整个用户体验质量评估工作不够智能化，自动化。目前提出了改进型用户感知体系模型，加入了用户反馈，如图1所示。 改进型用户体验质量评估模型主要根据影响用户体验质量的技术因素和非技术因素，将QoE分为两个层面进行评估而建立的。考虑到了用户投诉对QoE的影响，提高的QoE指标的可靠性。 但是实际情况中，数据参数的复杂、庞大，以及用户感知体系各层变量及权值的确立多变、繁琐，往往会浪费大量人力财力。神经网络算法的巨量并行性、自组织学习记忆能力等特点使其在简化用户感知体系诸多方案中显得尤为突出。 2 神经网络算法介绍及引入 基于神经网络的用户感知研究现状： 目前的研究中，神经网络算法被用于改变KPI-QoE的映射关系，运用人工神经网络理论，可以将复杂的映射模型简化。一个人工神经网络包括输入层、输出层和隐含层，隐含层在输入层和输出层之间，对使用者是不可见的，结构如图2所示。 输入层到隐含层，隐含层到输出层的每一条连线都代表一个权重值，在设计人工神经网络时首先就要确定隐含层节点的个数和权重值的限制，而权重值的调整是人工神经网络本身要完成的工作。利用BP神经网络算法进行对改进型用户感知体系的建模仿真，通过样本数据对神经网络进行学习训练，使其仿真的QoE数据误差曲线收敛，录入样本数据能得到期望输出。从而确认完成了KPI到用户感知QoE的映射结构，大大简化了用户感知体系的映射关系。下面是基于BP神经网络设计出一种用户感知建模方法，如图3所示。 该模型主要分为调整和测试两条主线：调整主线是根据样本，反复调整权值使其达到误差要求；测试主线是在权值确定后，用样本对模型进行测试，看是否能够到达要求。