一種移動互聯(lián)網用戶行為模式評估方法及模型研究

【摘要】 提出了一種用戶行為模式評估模型，此模型建立反向傳播（BP）神經網絡系統(tǒng)，對用戶行為歷史進行學習、訓練、校驗，最終得到穩(wěn)定的神經網絡形態(tài)。經過多重匹配和多次逼近后，成熟的神經網絡系統(tǒng)模型可以實現(xiàn)對用戶在時域與地域細分下的數(shù)據業(yè)務密度進行評估，在實際網絡系統(tǒng)用戶使用場景中，對用戶分類和運營商策略給予基礎理論參考和方法指引。

【關鍵詞】 用戶行為模式 神經網絡 移動互聯(lián)網

Abstract：This paper presents an evaluation model of user behavior ， and establish the BP neuralnetwork system， by learning， training， and checking user behavior history， we get the stable form of the neural network. After multiple matching and approximation， the mature neural network system model can achieve the evaluation of data traffic density in time and geographical subdivision， in the actual network system， it provides basic theory reference and guidance strategy for user classification and operator strategies.

Keywords： user behavior mode， neural network， mobile Internet

一、引言

移動互聯(lián)網的大規(guī)模普及在3G/4G網絡技術不斷擴大規(guī)模、加速投入商用的推動下，其數(shù)據業(yè)務量已經發(fā)生了爆炸式增長。在我國，隨著四網協(xié)同[1]的快速發(fā)展，未來移動數(shù)據業(yè)務量在以下幾個因素的作用下還將繼續(xù)增長：1、智能手機、平板電腦、上網本以及無線上網卡等數(shù)據業(yè)務消費終端保有量繼續(xù)猛增；2、社交應用、電子商務和游戲等互聯(lián)網業(yè)務迅速從固定網絡向移動網絡轉化；3、新興物聯(lián)網設備不斷引發(fā)的新的移動數(shù)據需求。[2]

移動數(shù)據量的猛增，既是移動運營商的發(fā)展機遇，同時也是移動網絡分析能力和用戶體驗改進能力的重要挑戰(zhàn)。相對于國外移動市場的靈活多樣，我國移動市場目前仍延續(xù)傳統(tǒng)，根據時長或者流量大小提供若干分類給用戶選擇的粗放管理模式，已不適用于用戶行為模式多樣化的特點，影響客戶感知。

然而作為目前全世界體量最大的移動互聯(lián)網市場，中國市場具有人口密度超高，數(shù)據量需求極大的特點，此時直接照搬國外的經驗，未必適合我國移動互聯(lián)網運營的實際。追根溯源，分析國內用戶的業(yè)務使用習慣，歸納并構建中國大陸移動用戶行為模型，并以此為基礎研究運營管理策略，才是更加合理和科學的選擇。

本文的提出，就是基于這樣的考慮，以數(shù)學和統(tǒng)計的方式，進行用戶行為記錄的大數(shù)據分析，然后以用戶在時域和空間地域的雙重維度上構建嶄新的用戶行為模型和行為模式分類嘗試，為一定規(guī)模用戶的移動互聯(lián)網數(shù)據業(yè)務使用提供有意義的評估。

二、用戶行為模型設計

2.1模型的提出

現(xiàn)有的用戶行為模式，一般將用戶的行為定義為其遷徙習慣，在此種定義下，用戶的行為模式可以簡單地劃分為如下的3類：

（1）準固定用戶：小范圍內活動的遷徙用戶；（2）規(guī)律遷徙用戶：大范圍內有固定線路的遷徙用戶；（3）無規(guī)律遷徙用戶：大范圍內沒有規(guī)律線路的遷徙用戶。

在實際運營管理操作中，是根據移動終端設備的位置告知消息以及通話、網絡活動中上傳的自身所在基站位置信息得到的。

如果引入時間上的參考，即將時域作為考察用戶行為的維度，那么也可以將用戶的行為模式簡單的分成如下的3類：

（1）固定用戶，不存在明顯的速度表現(xiàn)。（2）低速用戶，在大范圍遷徙時，經歷了較長的時間間隔。（3）高速用戶，呈現(xiàn)短時間內的地域跨越。

這些分類的方法，對于語音呼叫的優(yōu)化設定是有意義的，因為在全局呼叫等場景下精確的位置估計可以節(jié)約系統(tǒng)控制資源消耗。但其對移動互聯(lián)網的數(shù)據業(yè)務優(yōu)化而言，此分類未能體現(xiàn)數(shù)據流量的管理性。用戶在運動過程中的數(shù)據流量消耗，一方面給運營商帶來業(yè)務承載壓力；另一方面，漫游和跨境的數(shù)據流量消費又涉及到網絡整合的問題，而這些都沒有在前述的分類中給予體現(xiàn)。

為了能夠將用戶在移動互聯(lián)網中移動并產生數(shù)據流量的行為進行數(shù)學特點上的分析，我們需要定義符合移動互聯(lián)網移動數(shù)據業(yè)務消費特點的資源定義。

定義用戶的移動數(shù)據業(yè)務流量為L，單位是比特，這體現(xiàn)的是用戶對于核心交換系統(tǒng)的資源使用累積量。

定義用戶的移動距離為D，無單位，取用戶遷徙經過的基站蜂窩區(qū)數(shù)量，這體現(xiàn)的是用戶在一段考察時間內的系統(tǒng)切換資源占用情況，速度越快的用戶，占用的移動系統(tǒng)切換資源越多。

定義用戶的移動數(shù)據業(yè)務發(fā)生時隙T，單位為秒，指一次完整的移動數(shù)據業(yè)務占用的時間。

定義用戶的移動互聯(lián)網數(shù)據業(yè)務密度為C，C的定義如下：

其中k為單個基站應對遷徙用戶的系統(tǒng)資源消耗系數(shù)，單位為比特。本文出于建模需要，不考慮基站蜂窩的大小差異。每個用戶，在消費C時，呈現(xiàn)出的，是一組C的序列.顯然，序列是不可預測的隨機過程。

本文采用作為神經網絡最典型和普遍應用的反向傳播（BP）神經網絡，可用于函數(shù)逼近、模式識別、分類和數(shù)據壓縮。根據輸入數(shù)據和相應的輸出數(shù)據將網絡逼近一個函數(shù)，在評估中能發(fā)揮很大作用。以整理出一套序列的評估方法。

2.2BP神經網絡原理

本實驗的神經網絡系統(tǒng)部分，參考了BP神經網絡的原理思想。BP神經網絡結構由輸入層，隱含層，和輸出層構成，如圖1所示。輸入層和輸出層都只有一層，隱含層的層數(shù)不限。各層的神經元數(shù)可自由設置，兩層之間通過權值矩陣和閾值向量關聯(lián)，同一層級的神經元之間無連接。[3]

四、實驗結果分析

評估輸出的業(yè)務密度與實際的業(yè)務密度比較如下圖3所示。

從本文進行的多次實驗可得出，除部分突發(fā)性較強的業(yè)務評估有一定差距外，常規(guī)的業(yè)務密度評估是有效的。進一步的，通過重復實驗進行對比考察，可以發(fā)現(xiàn)：

（1）本算法的神經網絡系統(tǒng)對常規(guī)數(shù)據的評估較為準確；

（2）本算法的神經網絡系統(tǒng)對突發(fā)數(shù)據，相較于常規(guī)數(shù)據，存在較大的誤差。

常規(guī)數(shù)據所呈現(xiàn)的表現(xiàn)形態(tài)是高斯白噪聲型的概率密度分布，神經網絡系統(tǒng)對于這樣的收斂分布也就有著收斂的響應輸出。

但是突發(fā)數(shù)據的概率密度分布具有不收斂的長尾特性，多次迭代并多次反饋的神經網絡系統(tǒng)算法容易陷入局部的數(shù)據誤差中。

數(shù)據流量具有自相似，長相關的特點，短時流量值呈現(xiàn)重尾分布特點。突發(fā)的數(shù)據包序列可能會出現(xiàn)偶發(fā)的超長長度，在實際網絡中都會造成嚴重的性能影響，往往需要采取限值緩存長度的方式，通過直接丟棄保證整個網絡的吞吐效率和時延性能。

本文所建立的神經網絡系統(tǒng)在數(shù)學上進行仿真，所以沒有設置報文丟棄策略，也就是數(shù)學上的閾值攔截設計，導致最大絕對相對誤差和平均絕對相對誤差較大，而這樣的數(shù)據又是不能忽略的。

所以突發(fā)數(shù)據雖然極大的劣化了實驗結論，卻真實反映了實際應用場景中的基本情況。

通過實驗，本文所提到的分析方法和評估算法對于自相似，長相關的數(shù)據流量具有一定的評估作用，且由于其為非線性評估，更符合數(shù)據流量的特點，相對于線性評估有很大的優(yōu)勢。

本文所利用的BP神經網絡模型也被證明是一個有效的策略處理平臺。

五、總結與展望

本文針對用戶行為模式的特點，構建了用戶移動互聯(lián)網資源消費評估模型，可實現(xiàn)用戶時域和空間地域維度下的數(shù)據業(yè)務密度評估，對用戶分類和用戶管理策略提供了理論依據。下一步，將研究異常數(shù)據流量特點及突發(fā)情況下數(shù)據業(yè)務資源的合理分配。參 考 文 獻

[1] http：//baike.baidu.com/view/6035814.htm？fr=aladdin

[2] http：//labs.chinamobile.com/mblog/57530/150740

[3] Simon Haykin.神經網絡原理.北京：機械工業(yè)出版社，2004

[4] A BP neural network based information fusion method for urban traffic speed estimation. Enigneering Sciences， 2010

[5]聞新，周露，李翔等. MATLAB 神經網絡仿真與應用. （第一版）. 北京： 科學出版社， 2003. 251～284

[6]Nielson HR. Theory of the backpropagation neural networks. IEEE I-JCNN， 1989， 1：593～606