基于海量數據的VoLTE用戶語音感知系統研究

朱偉 艾懷麗 張桂榮 趙志揚 張晶 梅明濤

中國移動通信集團江蘇有限公司

1 引言

隨著移動推行“四輪驅動”融合發展戰略，4G發展一直保持行業領先，2016年4G用戶數和4G滲透率達到新高，2017年的目標是4G用戶突破6.3億，VoLTE用戶突破1.5億。VoLTE語音逐步成為用戶通話的最基本選擇。高質量的語音、更快速的接通給用戶帶來更好的體驗的同時，對網絡質量的要求也越來越高。差的VoLTE語音感知往往會引起用戶投訴，一線的優化壓力日趨增長。

圖1 移動用戶數及4G用戶占比圖

針對江蘇多個重點城市VIP投訴詳單抽樣分析，語音質量類問題是影響用戶感知的主要問題，占VoLTE投訴的70%+；其中4G弱覆蓋、干擾等仍是影響用戶感知的主要因素。

目前每天南京的VoLTE高清語音質量通話次數大約35萬，未來五年隨著VoLTE業務的建設和深入發展，VoLTE高清語音將成為主流，預計增長20倍到700+萬通話/天，若VoLTE語音質量問題占投訴的70%，一旦等用戶規模成倍增長，而VoLTE語音質量問題無法得到有效解決和閉環，等比20倍的投訴量增加將是災難性的。

圖2 VoLTE問題占比圖

而目前結合現網優化經驗，傳統的KPI指標在網絡性能較差的情況下能夠反映網絡問題，但是在網絡質量提升到一定水平后根據KPI指標就很難真實的反映用戶體驗好壞，往往會出現傳統KPI指標非常好的情況下用戶體驗并不好；更進一步的KQI指標有一定改善，但是從VIP投訴分析來看，還是存在MOS值滿足要求，用戶體驗不好的情況。因此，針對傳統KPI指標無法及時發現VoLTE語音質差并及時解決和閉環這個難題，需要一種新的方式能夠識別VoLTE語音質量導致的客戶感知差的問題，并能夠推動促進問題高效解決。

2 基于海量數據的VoLTE語音感知系統實現原理

傳統的網管指標最小粒度是5min粒度，沒有反映用戶聽不清的指標，且無法表征真實的用戶感知，本課題提出的VoLTE語音感知研究，基于反映用戶聽不清的吞字指標，對話音流進行切片，以5s為粒度進行分析，對比傳統網管的5min粒度指標，解決了問題點因過粗的統計而湮沒在樣本中的問題。

2.1 關聯原理

從用戶體驗入手，將VoLTE語音質差小區識別出來，排除終端、用戶故障的干擾，并關聯已有的無線側其他系統定位的問題，實現自動派單，提供給網優部門處理。本研究課題通過三大步實現精準的質差小區定位。

圖3 VoLTE語音質差小區原理圖

2.2 第一步：質差用戶如何表征

在3GPP LTE中，VoLTE業務編碼有AMR-NB窄帶和AMR-WB寬帶兩種編碼，兩種編碼速率具有不同的話音質量，所以又分別稱為VoLTE標清語音（或VoLTE 12.2kbps）和VoLTE高清語音（或VoLTE 23.85kbps）。

AMR-NB和AMR-WB這2種編碼具有如下特點：

每20ms產生一個語音包，包括了RTP/UDP/RLC-Security壓縮頭；每160ms生成一個SID語音靜默包。幀長20ms；普通人講話的語速為每分鐘120至180個漢字左右（新聞聯播播音員的語速280到300字）。因此，普通人大概1個字占16～25個語音包。

用戶語音質量體驗差總結起來有三種感受：

吞字：感覺對方說話吐字不清，或者漏字。

斷續：感覺對方說話時斷時續，有明顯停頓感。

單通：完全無法聽到對方說話。

通過海量數據的分析，發現丟包是影響語音質差的關鍵因素。但是，是否語音質差,不完全取決于整體的丟包數量和丟包率，而取決于在具體時段的丟包數量。

經過對海量樣本以機器學習算法研究，一般情況下的表現如下：

吞字：連續20個包，丟12個包。

斷續：連續50個包，丟30個包

單通：丟包率大于80%。

其中斷續、單通是比吞字更加嚴重的情況，吞字是否發生能夠在一定程度上表征用戶語音質量體驗。下圖是吞字發生在語音頻譜上的典型體現：

圖4 吞字語音頻譜圖

吞字表征語音質差相比IPMOS的優勢：

前期我們用IPMOS來評估語音質量，但是其實通過統計指標加權綜合評分，并不能夠完全表征用戶語音質量感受，通過對從南京市抽取的2348份通話記錄進行對比如下所示，并不是所有IPMOS好的場景都不發生吞字。

圖5 產生吞字的IPMOS值分布圖

2.3 第二步：問題快速定界

基于用戶、終端、小區等因素排查

（1）終端因素排查

故障終端按照小區維度動態監控，通過語音質差小區信息關聯其小時維度ToP質差用戶終端型號，一旦出現終端型號集中，應判斷為終端問題。

經過大數據樣本統計分析，正常情況下終端故障不會大面積集中出現。如下圖7所示，取南京全網1天數據，最差的終端故障率僅為2.9%，日常VoLTE語言質差并沒有因終端原因引起的。

圖6 快速定界手段圖

圖7 TOP終端故障率圖

（2）用戶因素排查

為了避免在異常情況下由于某些特定用戶導致的問題出現，質差小區信息中關聯該小區下的故障通話次數、故障通話用戶數，一旦出現故障通話用戶數遠小于故障通話次數，則判斷為用戶因素，因某些異常用戶導致了大量的故障通話。

經過大數據樣本統計分析，正常情況下Top質差用戶不足以影響Top質差小區的識別。

圖8 TOP質差用戶排除圖

（3）切換因素識別

通過大數據識別，將一天內數以千萬計的通話情況、語音質量、切換情況關聯。

圖9 切換關聯原理圖

如下所示，識別出在切換情況中出現的語音異常的場景，識別出切換導致的語音質差問題。

圖10 切換中識別出的語音異常的場景圖

2.4 第三步：質差用戶Top小區識別

基于大數據的Kmeans聚類算法將質差用戶按照小區位置進行聚類，識別出Top質差小區。

圖11 質差用戶Top小區圖

3 依托大數據手段對語音質差小區的精準定位和處理

3.1 關聯無線傳統派單，多維度反映5s質差Top小區原因

通過統計分析，大概30%的小區在業務體驗差的情況下，會在傳統的無線監控指標上有體現。因此，通過關聯傳統的容量不足、覆蓋、干擾等無線指標，從多個維度反映該5s質差Top小區的原因，避免了傳統派單中僅針對單一指標進行優化而導致的資源浪費問題，并能大大提升一線優化問題的處理效率。

3.2 根據大數據OTT定位信息，柵格化呈現質差具體位置

由于傳統網優手段的限制，若無法用傳統的網絡監控KPI指標識別的問題，處理難度大。通過人工拉網排查成本高效率低。

因此，針對70%語音質差識別的無法用傳統保障措施發現的故障小區，需要采用新的方法來解決——這就是基于軟采數據的大數據OTT定位信息，如下圖所示，基于高鐵小區進行專項試點顯示，通過這個方法能夠精準的識別出現語音質差的具體位置，以及無線相關的具體信息，能夠有的放矢地指導網優人員做精準專項優化。

圖12 基于大數據OTT定位信息的柵格化輔助定位圖

實際數據顯示，基于語音質差故障柵格化呈現的方式，精準地完成了語音質差小區的優化。

圖13 質差用戶Top小區處理效果圖

4 結論

本文針對傳統的無線網絡質量保障無法提升用戶體驗的不足，提出了基于5s切片技術的基于大數據的VoLTE語音感知系統。從表征用戶體驗吞字入手，自動實現問題定界，依次分析終端、用戶、切換因素，將VoLTE語音質差小區精準識別出來。并關聯已有的無線側其他系統定位的問題，依托OTT定位柵格化信息，實現自動派單，提供給一線現場網優處理。目前該系統已在南京上線，質差小區具有很高的準確性，能夠較精準地完成語音質差小區的優化。該課題對于一線優化生產將帶來很大幫助，具有全國推廣的意義。