機(jī)器學(xué)習(xí)算法在業(yè)務(wù)卡頓根因分析中的應(yīng)用

徐 青，宋 琪，魯志強(qiáng)

（中國(guó)聯(lián)通四川省分公司，成都 201806）

1 引言

業(yè)務(wù)卡頓率是重要的端到端評(píng)判指標(biāo)之一。在無(wú)線(xiàn)側(cè)，如何將抽象的卡頓率映射到常用無(wú)線(xiàn)KPI是難點(diǎn)。通過(guò)深入分析發(fā)現(xiàn)基站下行時(shí)延指標(biāo)與卡頓率相關(guān)性最強(qiáng)，時(shí)延越大卡頓率越高。本文重點(diǎn)闡述以基站下行時(shí)延為優(yōu)化目標(biāo)，使用決策樹(shù)算法，找出影響該時(shí)延的基礎(chǔ)指標(biāo)并量化其重要度，判定合理門(mén)限，指導(dǎo)一線(xiàn)網(wǎng)絡(luò)優(yōu)化并取得了良好效果。

2 決策樹(shù)算法與模型評(píng)估

決策樹(shù)是一種基本的分類(lèi)與回歸方法。決策樹(shù)模型呈樹(shù)形結(jié)構(gòu)，在分類(lèi)問(wèn)題中，表示基于特征對(duì)實(shí)例進(jìn)行分類(lèi)的過(guò)程。主函數(shù)本質(zhì)上是個(gè)遞歸函數(shù)，該函數(shù)主要功能是根據(jù)某種規(guī)則生長(zhǎng)出決策樹(shù)的各個(gè)分支節(jié)點(diǎn)，并根據(jù)終止條件結(jié)束算法。數(shù)據(jù)輸入為分類(lèi)的數(shù)據(jù)集和類(lèi)別標(biāo)簽。劃分過(guò)程：①依據(jù)信息增益進(jìn)行特征選取和分裂，得到最優(yōu)的劃分特征，并創(chuàng)建特征的劃分節(jié)點(diǎn)。②按照該特征的每個(gè)取值劃分?jǐn)?shù)據(jù)集為若干部分。③根據(jù)劃分子函數(shù)的計(jì)算結(jié)果構(gòu)建出新的節(jié)點(diǎn)，作為樹(shù)生長(zhǎng)出的新分支。④檢驗(yàn)是否符合遞歸終止條件。⑤將劃分的新節(jié)點(diǎn)包含的數(shù)據(jù)集和類(lèi)別標(biāo)簽作為輸入，遞歸執(zhí)行上述步驟。

模型評(píng)價(jià)指標(biāo)：精度Accuracy、查準(zhǔn)率Precision、召回率Recall、F 值。

3 針對(duì)單小區(qū)的分析

3.1 特征選取

根據(jù)優(yōu)化經(jīng)驗(yàn)，選取部分基礎(chǔ)KPI作為特征輸入，如下行平均PRB利用率、上行平均PRB利用率、CQI等。

3.2 模型參數(shù)調(diào)整

自變量：多項(xiàng)KPI指標(biāo)（特征輸入）。

因變量：基站下行時(shí)延，判定門(mén)限100ms。

數(shù)據(jù)量：739條（記錄來(lái)自單小區(qū)）。

通過(guò)多輪參數(shù)仿真，發(fā)現(xiàn)參數(shù)Criterion=’entropy’，max_depth=4，class_weight=none，仿真效果最佳。

3.3 輸出

結(jié)果顯示下行PRB利用率重要性68%，CQI+offset重要性15.75%，這樣就直接為優(yōu)化指出了方向：首先要采取措施降低下行負(fù)荷，其次優(yōu)化下行無(wú)線(xiàn)質(zhì)量。

圖1 決策樹(shù)圖

3.4 無(wú)線(xiàn)優(yōu)化后結(jié)果

根據(jù)分析結(jié)果，對(duì)該小區(qū)實(shí)施了針對(duì)性的優(yōu)化（調(diào)整業(yè)務(wù)均衡參數(shù)，將業(yè)務(wù)分擔(dān)到第2載波，降低PRB利用率；調(diào)整第一小區(qū)的方向角避免和第二小區(qū)相互干擾，增加小區(qū)最大發(fā)射功率的同時(shí)降低參考信號(hào)功率），效果良好，基站下行時(shí)延由60ms下降到30ms，卡頓率明顯降低。

3.5 批量小區(qū)分析和優(yōu)化

使用相同的方法，進(jìn)一步選取了卡頓率較高的10個(gè)小區(qū)進(jìn)行分析和優(yōu)化，總體取得了良好的效果。

表1 選取卡頓率較高的10個(gè)小區(qū)進(jìn)行分析和優(yōu)化

4 針對(duì)全網(wǎng)的分析

自變量：KPI指標(biāo)（4項(xiàng)），樣本判定門(mén)限100ms。

因變量：基站下行時(shí)延。

數(shù)據(jù)量：100萬(wàn)條（記錄來(lái)自全網(wǎng)所有小區(qū)）。

不論模型參數(shù)如何調(diào)整，訓(xùn)練集和測(cè)試集的R值和F值都很低，說(shuō)明整網(wǎng)沒(méi)有普適的模型，也說(shuō)明每個(gè)小區(qū)都有不一樣的參數(shù)、覆蓋環(huán)境、用戶(hù)分布等，需要各自建立模型。

5 結(jié)束語(yǔ)

基站下行時(shí)延指標(biāo)可以作為日常優(yōu)化中卡頓率的替代指標(biāo)（僅限無(wú)線(xiàn)原因?qū)е碌目D），用決策樹(shù)算法可以量化分析影響基站下行時(shí)延指標(biāo)的原因，輸出重要度用于指導(dǎo)無(wú)線(xiàn)優(yōu)化；可以篩選出準(zhǔn)確度較高的辨別規(guī)則門(mén)限值。整網(wǎng)不能作為一個(gè)統(tǒng)一對(duì)象進(jìn)行分析，沒(méi)有普適模型，需要對(duì)每個(gè)小區(qū)進(jìn)行精準(zhǔn)分析。