基于數(shù)據(jù)挖掘和地理可視化的4G/5G語音質(zhì)量優(yōu)化研究

胡堅(jiān)，孫磊，尹以雁，楊曉康，白金貴，張葉江

研究與開發(fā)

基于數(shù)據(jù)挖掘和地理可視化的4G/5G語音質(zhì)量優(yōu)化研究

胡堅(jiān)1，孫磊1，尹以雁1，楊曉康1，白金貴2，張葉江1

（1. 中國移動通信集團(tuán)云南有限公司，云南 昆明 650041；2. 上海諾基亞貝爾股份有限公司，上海 201206）

傳統(tǒng)語音質(zhì)量優(yōu)化依賴于現(xiàn)場測試、案例積累和專家經(jīng)驗(yàn)，以人工試驗(yàn)的方式分析問題，成本高昂且效率低下。通過應(yīng)用數(shù)據(jù)挖掘、決策樹機(jī)器學(xué)習(xí)算法以及地理可視化等多種技術(shù)，開發(fā)了基于大數(shù)據(jù)分析的語音體驗(yàn)優(yōu)化可視化平臺，可有效識別語音大數(shù)據(jù)中的規(guī)律，實(shí)現(xiàn)用戶語音體驗(yàn)指標(biāo)與無線網(wǎng)絡(luò)性能指標(biāo)關(guān)聯(lián)分析、劣化門限智能識別以及質(zhì)差區(qū)域畫像分析等功能，有利于降低網(wǎng)絡(luò)工程師技能門檻、提升網(wǎng)絡(luò)優(yōu)化工作效率、節(jié)省網(wǎng)絡(luò)運(yùn)維成本，為行業(yè)提供精準(zhǔn)有效的語音體驗(yàn)提升解決方案。

數(shù)據(jù)挖掘；地理可視化；決策樹；語音體驗(yàn)；皮爾森相關(guān)系數(shù)

0 引言

語音業(yè)務(wù)是運(yùn)營商向用戶提供的基礎(chǔ)通信服務(wù)，用戶語音通話體驗(yàn)問題將直接影響運(yùn)營商的服務(wù)口碑和形象。隨著4G/5G在國內(nèi)的商用部署，運(yùn)營商面臨電路域回落（circuit switched fall back，CSFB）、長期演進(jìn)語音承載（voice over long-term evolution，VoLTE）、演進(jìn)分組系統(tǒng)回落（evolved packet system fall back，EPSFB）、新空口承載語音（voice over new radio，VoNR）等多種語音業(yè)務(wù)共存的局面，語音體驗(yàn)問題分析呈現(xiàn)數(shù)據(jù)海量化、問題根因端到端定位復(fù)雜等特點(diǎn)[1-3]。傳統(tǒng)語音體驗(yàn)提升依賴于現(xiàn)場測試、案例積累和專家經(jīng)驗(yàn)，以人工試驗(yàn)的方式分析問題、發(fā)現(xiàn)規(guī)律，不僅成本高昂，而且效率低下。如何在海量的語音數(shù)據(jù)中快速、精準(zhǔn)地挖掘出其中蘊(yùn)含的客觀規(guī)律和有用信息，將語音大數(shù)據(jù)轉(zhuǎn)換為網(wǎng)絡(luò)優(yōu)化工作的重要助力，成為網(wǎng)絡(luò)優(yōu)化中的一項(xiàng)重要課題。

在此背景下，通過應(yīng)用數(shù)據(jù)挖掘、決策樹機(jī)器學(xué)習(xí)算法以及地理可視化等多種技術(shù)，開發(fā)了基于大數(shù)據(jù)分析的語音體驗(yàn)優(yōu)化可視化平臺，可以有效識別語音大數(shù)據(jù)中的規(guī)律，實(shí)現(xiàn)用戶語音體驗(yàn)關(guān)鍵質(zhì)量指標(biāo)（key quality indicator，KQI）與無線網(wǎng)絡(luò)關(guān)鍵性能指標(biāo)（key performance indicator，KPI）的關(guān)聯(lián)性分析、KPI劣化門限智能識別以及質(zhì)差區(qū)域畫像分析，傳統(tǒng)優(yōu)化方法和數(shù)據(jù)挖掘新思路流程如圖1所示，為語音體驗(yàn)優(yōu)化人工智能化轉(zhuǎn)型提供了落地方法和路徑[4-6]。

1 語音體驗(yàn)問題數(shù)據(jù)挖掘

4G/5G語音類型的KQI包含無法接通、掉話和通話過程中的吞字、斷續(xù)和單通等指標(biāo)，它能直觀反映用戶語音體驗(yàn)問題，但這些問題背后的網(wǎng)絡(luò)原因非常復(fù)雜[7-8]。為了挖掘語音體驗(yàn)問題背后的網(wǎng)絡(luò)質(zhì)量原因，需要對用戶語音體驗(yàn)KQI和無線網(wǎng)絡(luò)KPI兩類指標(biāo)進(jìn)行相關(guān)性分析，找出相關(guān)性較大的一系列KPI，并應(yīng)用基于決策樹的機(jī)器學(xué)習(xí)算法從海量數(shù)據(jù)中進(jìn)行數(shù)據(jù)挖掘，精準(zhǔn)識別引發(fā)語音體驗(yàn)劣化的KPI及門限，最終確定問題的根因，從而提出有效的解決方案[9]。

圖1 傳統(tǒng)優(yōu)化方法和數(shù)據(jù)挖掘新思路流程

1.1 用戶語音體驗(yàn)KQI與無線網(wǎng)絡(luò)KPI相關(guān)性

基于相關(guān)性算法分析語音體驗(yàn)KQI與無線網(wǎng)絡(luò)KPI之間的相關(guān)性，可以找出與語音體驗(yàn)問題關(guān)聯(lián)性較大的一系列KPI，并借助Python語言的bokeh庫模塊可視化呈現(xiàn)兩者之間的相關(guān)性散點(diǎn)矩陣，從而理順用戶語音體驗(yàn)KQI與無線網(wǎng)絡(luò)KPI之間的邏輯關(guān)系。用戶語音體驗(yàn)KQI與無線網(wǎng)絡(luò)KPI的相關(guān)性大小可以選擇Pearson相關(guān)系數(shù)（Pearson correlation coefficient）判斷[10]。Pearson相關(guān)系數(shù)用來衡量兩個數(shù)據(jù)集合是否在一條線上，衡量定距變量間的線性相關(guān)關(guān)系，其絕對值越大，相關(guān)性越強(qiáng)：相關(guān)系數(shù)越接近于1或?1，相關(guān)性越強(qiáng)；相關(guān)系數(shù)越接近于0，相關(guān)性越弱[11-12]，其計(jì)算式如式（1）所示。

語音體驗(yàn)KQI與無線網(wǎng)絡(luò)KPI間關(guān)系的復(fù)雜性，導(dǎo)致單純用Pearson相關(guān)系數(shù)難以衡量非線性相關(guān)關(guān)系，因此需要引入互信息算法進(jìn)行相關(guān)性算法補(bǔ)充。互信息算法可用于判斷分類型數(shù)字之間的相關(guān)性，它可以看作一個隨機(jī)變量中包含的關(guān)于另一個隨機(jī)變量的信息量，或者說一個隨機(jī)變量由于已知另一個隨機(jī)變量而減少的不肯定性。假設(shè)兩個隨機(jī)變量(x, y)的聯(lián)合分布為p(x, y)，邊緣分布為p(x)、p(y)，互信息I(X; Y)是聯(lián)合分布p(x, y)與邊緣分布p(x)、p(y)的相對熵，其計(jì)算式如式（2）所示。

注：圖中用方框圈定的區(qū)域表示吞字、斷續(xù)和單通KQI和KPI之間的相關(guān)性矩陣，數(shù)字表示兩者之間的相關(guān)性系數(shù)。

以VoLTE語音用戶出現(xiàn)的吞字、斷續(xù)和單通等問題為例進(jìn)行相關(guān)性計(jì)算并繪圖，可視化展示吞字、斷續(xù)和單通等KQI與KPI之間的相關(guān)性矩陣，相關(guān)性分析及可視化呈現(xiàn)視圖如圖2所示，結(jié)論如下。

●小區(qū)語音吞字分片數(shù)與以下KPI相關(guān)：平均抖動、實(shí)時傳輸控制協(xié)議（real-time transport control protocol，RTCP）平均時延、尋呼平均時延、異系統(tǒng)重定向次數(shù)、平均上行發(fā)射功率余量、平均上行丟包率和平均上行信噪比。

●小區(qū)語音斷續(xù)分片數(shù)與以下KPI相關(guān)：平均抖動、尋呼平均時延、異系統(tǒng)重定向次數(shù)和平均上行發(fā)射功率余量。

●小區(qū)語音單通分片數(shù)與以下KPI相關(guān)：跟蹤區(qū)更新平均時延、尋呼平均時延、平均參考信號接收電平、平均參考信號接收質(zhì)量和平均上行信噪比。

1.2 決策樹模型與劣化門限判決及場景畫像

利用相關(guān)性分析算法分析語音體驗(yàn)KQI與無線網(wǎng)絡(luò)KPI之間的相關(guān)性，找出與語音體驗(yàn)問題關(guān)聯(lián)性較大的一系列KPI之后，再基于決策樹的機(jī)器學(xué)習(xí)算法從海量數(shù)量中精準(zhǔn)識別出引發(fā)語音體驗(yàn)劣化的KPI及相應(yīng)門限，才能定位影響語音體驗(yàn)問題的主要根因。決策樹算法逐級對不同分類的數(shù)據(jù)（如語音體驗(yàn)好或者不好）進(jìn)行條件判斷，將兩個分類區(qū)分出來[13]。決策樹算法用于生成判斷的規(guī)則，如某指標(biāo)門限應(yīng)該大于多少或者小于多少。完成分類后的模型中，每個葉節(jié)點(diǎn)代表分類中的一個細(xì)分場景。這些細(xì)分場景的判斷條件組合，可用于預(yù)測一組數(shù)據(jù)屬于哪種分類、一個細(xì)分場景的畫像及設(shè)置指標(biāo)的劣化門限。決策樹算法智能識別實(shí)現(xiàn)原理如圖3所示。

圖3 決策樹算法智能識別實(shí)現(xiàn)原理

注：圖中字母B、G、W分別表示黑色、灰色、白色樣本，、代表橫、縱坐標(biāo)取值。

基于決策樹模型進(jìn)行規(guī)則挖掘，將決策樹中質(zhì)差小區(qū)高識別率葉節(jié)點(diǎn)所包含的不同條件組合起來，可以形成語音體驗(yàn)差的細(xì)分場景畫像，并精準(zhǔn)識別導(dǎo)致語音體驗(yàn)質(zhì)差的KPI劣化門限，決策樹模型可視化視圖如圖4所示。

圖4 決策樹模型可視化視圖

注：paging_latency為尋呼時延，tau_latency_avg為位置更新平均時延，avg_received_power為平均接收電平，字母為符合葉節(jié)點(diǎn)條件的樣本個數(shù)。

例如，定義平均意見得分（mean opinion score，MOS）<3.5為VoLTE語音質(zhì)差小區(qū)，則質(zhì)差小區(qū)占比為9.40%。經(jīng)過決策樹算法識別的質(zhì)差細(xì)分場景和KPI劣化門限，置信度可提升至83.85%，準(zhǔn)確率提升8.92倍。在細(xì)分場景5種劣化門限識別方面，平均接收信號強(qiáng)度識別為?114.63 dB，與傳統(tǒng)“一刀切”方式定義的?110 dB弱覆蓋門限相比，精確度更高。在場景畫像方面，當(dāng)TAU時延大于127 ms、尋呼時延為3.46～6.22 s時，語音體驗(yàn)劣化概率顯著提高，從而較精準(zhǔn)地刻畫出導(dǎo)致語音問題的場景，語音體驗(yàn)劣化門限識別/細(xì)分場景畫像如圖5所示。

基于決策樹模型的規(guī)則挖掘可實(shí)現(xiàn)語音體驗(yàn)問題的提前預(yù)判，提高語音體驗(yàn)問題分析的精準(zhǔn)性。和以往憑經(jīng)驗(yàn)分析的體驗(yàn)劣化門限相比，通過決策樹的機(jī)器學(xué)習(xí)算法識別出導(dǎo)致語音體驗(yàn)質(zhì)差的KPI劣化門限準(zhǔn)確度更高，降低了全網(wǎng)語音體驗(yàn)類工單量的46.38%，有效提升了語音體驗(yàn)優(yōu)化工作的生產(chǎn)效率。

2 質(zhì)差區(qū)域地理可視化呈現(xiàn)

無線網(wǎng)絡(luò)優(yōu)化工作中普遍存在渲染、打點(diǎn)、多邊形、劣化點(diǎn)聚類等地理數(shù)據(jù)可視化管理需求。當(dāng)前業(yè)界主流解決方案是采用國外Mapinfo軟件，但該軟件費(fèi)用高昂，且存在技術(shù)受限的風(fēng)險(xiǎn)[14]。通過在線自定義的地理可視化和具有噪聲的基于密度的聚類方法（density-based spatial clustering of application with noise，DBSCAN）[15]，在地理上可以智能識別語音體驗(yàn)差的匯集區(qū)域，讓優(yōu)化人員直觀獲取語音問題發(fā)生的區(qū)域，實(shí)現(xiàn)問題的快速分析和解決。

圖5 語音體驗(yàn)劣化門限識別/細(xì)分場景畫像

2.1 在線自定義地理可視化

在語音體驗(yàn)分析系統(tǒng)的應(yīng)用數(shù)據(jù)庫GreenPlum上部署地理可視化數(shù)據(jù)模型，供地理可視化引擎GeoServer調(diào)用，實(shí)現(xiàn)可在線自定義的專題地圖，替代Mapinfo軟件最常用的專題地圖功能，避免了日常工作中將數(shù)據(jù)導(dǎo)出再作圖的情況，可使工作效率提升90%以上。在線自定義+地理可視化技術(shù)流程如圖6所示，在系統(tǒng)界面配置渲染參數(shù)后，通過程序?qū)?shù)寫入數(shù)據(jù)庫，根據(jù)參數(shù)自動生成XML文件，并通過標(biāo)準(zhǔn)接口將配置文件上傳地理可視化引擎，頁面調(diào)用后可生成渲染圖進(jìn)行地理化呈現(xiàn)。

2.2 基于DBSCAN算法的語音體驗(yàn)差點(diǎn)聚類簇畫像

DBSCAN算法是一種典型的基于密度的聚類方法，可用于識別基于密度連貫的不規(guī)則形狀聚類簇，適用于發(fā)現(xiàn)體驗(yàn)差點(diǎn)的聚類簇。它將簇定義為密度相連的點(diǎn)的最大集合，能夠把具有足夠密度的區(qū)域劃分為簇，并可以在有噪聲的空間數(shù)據(jù)集中發(fā)現(xiàn)任意形狀的簇[16]。DBSCAN算法中有兩個重要參數(shù)：鄰域半徑和最少點(diǎn)數(shù)目minpoints。是定義密度時的鄰域半徑，minpoints為定義核心點(diǎn)時的閾值。當(dāng)鄰域半徑內(nèi)點(diǎn)的個數(shù)大于最少點(diǎn)數(shù)目minpoints時，就是一個聚類簇。DBSCAN算法原理如圖7所示。

圖6 在線自定義+地理可視化技術(shù)流程

本文以VoLTE語音體驗(yàn)黑點(diǎn)聚類的實(shí)現(xiàn)方案為例，通過在線自定義密度聚類參數(shù)、DBSCAN算法生成連續(xù)聚類簇、聚類簇地理可視化等步驟，可以完成聚類簇識別和地理可視化過程，指導(dǎo)優(yōu)化人員快速識別語音問題聚集區(qū)域，由被動應(yīng)對投訴轉(zhuǎn)變?yōu)橹鲃佣c(diǎn)優(yōu)化。

3 語音體驗(yàn)大數(shù)據(jù)分析系統(tǒng)

本文通過應(yīng)用數(shù)據(jù)挖掘、決策樹機(jī)器學(xué)習(xí)算法和地理可視化技術(shù)，開發(fā)了語音體驗(yàn)優(yōu)化可視化平臺，可實(shí)現(xiàn)海量語音數(shù)據(jù)挖掘分析。平臺基于Hadoop+數(shù)據(jù)庫+應(yīng)用組件的大數(shù)據(jù)IT架構(gòu)進(jìn)行搭建，將數(shù)據(jù)挖掘算法集成到開源的ThriftServer組件，對外提供標(biāo)準(zhǔn)接口，供應(yīng)用層進(jìn)行數(shù)據(jù)挖掘和數(shù)據(jù)可視化類應(yīng)用的調(diào)用。根據(jù)需要還可以利用該架構(gòu)擴(kuò)展更多種類的機(jī)器學(xué)習(xí)數(shù)據(jù)挖掘算法，實(shí)現(xiàn)更加豐富的生產(chǎn)應(yīng)用。

圖7 DBSCAN算法原理

語音體驗(yàn)優(yōu)化可視化平臺系統(tǒng)架構(gòu)如圖8所示，從下至上分為Hadoop數(shù)據(jù)存儲、數(shù)據(jù)庫GreenPlum、應(yīng)用以及用戶界面4層架構(gòu)。在底層架構(gòu)中，Hadoop實(shí)現(xiàn)上線數(shù)據(jù)的存儲和處理，通過標(biāo)準(zhǔn)數(shù)據(jù)接口，將結(jié)果存儲于應(yīng)用數(shù)據(jù)庫GreenPlum中。通過在應(yīng)用數(shù)據(jù)庫GreenPlum上部署新的地理可視化數(shù)據(jù)模型，供地理可視化應(yīng)用GeoServer調(diào)用，實(shí)現(xiàn)在線自定義的專題地圖類型地理可視化，可替代Mapinfo最常用的專題地圖功能，實(shí)現(xiàn)在線自定義密度聚類挖掘與可視化，用于語音體驗(yàn)黑點(diǎn)的聚類簇發(fā)現(xiàn)[17-18]。

圖8 語音體驗(yàn)優(yōu)化可視化平臺系統(tǒng)架構(gòu)

第3層架構(gòu)中還插入開源ThriftServer作為數(shù)據(jù)挖掘應(yīng)用服務(wù)，集成numpy、pandas、scikit_ learn、matplotlib、py_echart、bokeh、graphviz、dtreeviz等數(shù)據(jù)挖掘組件，用于數(shù)據(jù)挖掘建模和預(yù)測。數(shù)據(jù)挖掘應(yīng)用ThriftServer與應(yīng)用數(shù)據(jù)庫GreenPlum進(jìn)行數(shù)據(jù)挖掘數(shù)據(jù)流交互，數(shù)據(jù)挖掘結(jié)果存儲于GreenPlum，供應(yīng)用調(diào)用。用戶訪問用戶界面時，頁面應(yīng)用Tomcat通過通用應(yīng)用數(shù)據(jù)流與應(yīng)用數(shù)據(jù)庫GreenPlum進(jìn)行交互。

該系統(tǒng)架構(gòu)依托開源軟件進(jìn)行集成開發(fā)，不依賴于任何需要商業(yè)授權(quán)的軟件，產(chǎn)品自主度高。基于該套系統(tǒng)架構(gòu)開發(fā)了語音體驗(yàn)優(yōu)化可視化平臺，實(shí)現(xiàn)了KQI/KPI相關(guān)性分析、語音體驗(yàn)劣化門限識別、體驗(yàn)劣化區(qū)域畫像和地理數(shù)據(jù)的在線可視化等一系列功能，具有較強(qiáng)的實(shí)用性和創(chuàng)新性。其中，平臺KQI、KPI相關(guān)性分析功能，主要通過語音吞字、單通、斷續(xù)等KQI問題與網(wǎng)絡(luò)質(zhì)量KPI進(jìn)行相關(guān)性計(jì)算，繪制相關(guān)性散點(diǎn)矩陣（如圖2所示），識別與KQI關(guān)聯(lián)性較大的一系列KPI，即高相關(guān)性的KPI；平臺語音體驗(yàn)劣化門限識別功能負(fù)責(zé)高相關(guān)性KPI的劣化門限挖掘，主要通過決策樹模型進(jìn)行規(guī)則挖掘，將決策樹中質(zhì)差小區(qū)高識別率葉節(jié)點(diǎn)所包含的不同條件組合起來，可以形成語音體驗(yàn)質(zhì)差的細(xì)分場景畫像，從而識別導(dǎo)致語音體驗(yàn)質(zhì)差的高相關(guān)性KPI劣化門限（如圖5所示）；平臺體驗(yàn)劣化區(qū)域畫像和地理數(shù)據(jù)的在線可視化功能，主要通過在線自定義密度聚類參數(shù)、DBSCAN算法生成連續(xù)聚類簇、聚類簇地理可視化等步驟，實(shí)現(xiàn)聚類簇的地理可視化視圖。

4 語音體驗(yàn)優(yōu)化可視化平臺應(yīng)用成效

基于大數(shù)據(jù)分析的語音體驗(yàn)優(yōu)化可視化平臺自全網(wǎng)應(yīng)用以來，累計(jì)發(fā)現(xiàn)并解決問題點(diǎn)42 453個。省內(nèi)用戶調(diào)查數(shù)據(jù)表明，用戶語音體驗(yàn)得到較明顯改善，語音滿意度評分從87.65提升至88.76，語音領(lǐng)先度評分從2.08提升至3.16。與此同時，該平臺還顯著提升了語音體驗(yàn)提升工作的工作效率，有效降低了企業(yè)生產(chǎn)成本。在工作效率提升方面，平臺KQI和KPI相關(guān)性分析和語音體驗(yàn)劣化門限識別等功能使問題發(fā)現(xiàn)時長從5 h縮短到0.1 h以內(nèi)，地理可視化功能使問題解決天數(shù)從2天降到1.3天；在生產(chǎn)成本降低方面，高端優(yōu)化人員數(shù)量從50人減少到30人，低端優(yōu)化人員數(shù)量從200人減少到150人，地圖渲染工具從70套降到20套，每月派發(fā)質(zhì)差問題工單從8 790件降到4 713件，每年可為企業(yè)節(jié)省成本約431.39萬元。語音體驗(yàn)優(yōu)化可視化平臺效益提升參數(shù)見表1。

表1 語音體驗(yàn)優(yōu)化可視化平臺效益提升參數(shù)

5 結(jié)束語

本文通過運(yùn)用語音體驗(yàn)問題的數(shù)據(jù)挖掘和地理可視化技術(shù)，從大數(shù)據(jù)中挖掘知識和規(guī)律，并提供了基于Hadoop+數(shù)據(jù)庫+應(yīng)用組件的大數(shù)據(jù)IT系統(tǒng)架構(gòu)的解決方案，實(shí)現(xiàn)了KQI/KPI相關(guān)性分析、語音體驗(yàn)劣化門限智能識別和體驗(yàn)劣化區(qū)域畫像，提升了工作效率，大幅節(jié)省了運(yùn)營商的成本開支，具有較強(qiáng)的實(shí)用性和創(chuàng)新性。該套技術(shù)方案的設(shè)計(jì)理念不僅適用于語音體驗(yàn)類問題的精準(zhǔn)分析和處理，也適用于上網(wǎng)體驗(yàn)等其他類復(fù)雜問題的分析和預(yù)判。

[1] 李宏佳, 王利明, 徐震, 等. 5G安全: 通信與計(jì)算融合演進(jìn)中的需求分析與架構(gòu)設(shè)計(jì)[J]. 信息安全學(xué)報(bào), 2018, 3(5): 1-14.

LI H J, WANG L M, XU Z, et al. 5G security: requirements analysis and architecture design towards CT and IT convergent evolution[J]. Journal of Cyber Security, 2018, 3(5): 1-14.

[2] 李貝, 劉光海, 肖天, 等. VoNR語音解決方案應(yīng)用研究[J]. 電信科學(xué), 2022, 38(5): 149-157.

LI B, LIU G H, XIAO T, et al. Research on VoNR solution application[J]. Telecommunications Science, 2022, 38(5): 149-157.

[3] 覃思旺, 雷夢丹, 趙志民. 5G初期語音業(yè)務(wù)方案與優(yōu)化策略[J]. 廣西通信技術(shù), 2019(3): 25-28.

QIN S W, LEI M D, ZHAO Z M. Voice service scheme and optimization strategy in 5G initialstage[J]. Guangxi Communication Technology, 2019(3): 25-28.

[4] 黃冰柏, 程佳鳴, 林永興, 等. 提升VoLTE客戶感知的優(yōu)化分析方法淺析[J]. 移動通信, 2016, 40(6): 25-29.

HUANG B B, CHENG J M, LIN Y X, et al. VoLTE customer perception improvement and optimization method analysis[J]. Mobile Communications, 2016, 40(6): 25-29.

[5] 屈軍鎖, 唐晨雪, 蔡星, 等. 人工智能與通信網(wǎng)絡(luò)融合趨勢[J]. 西安郵電大學(xué)學(xué)報(bào), 2021, 26(5): 15-26.

QU J S, TANG C X, CAI X, et al. Integration trend of AI and communication network[J]. Journal of Xi'an University of Posts and Telecommunications, 2021, 26(5): 15-26.

[6] 劉通. 移動互聯(lián)網(wǎng)端到端客戶感知評估與問題分析思路探討[J]. 移動通信, 2016, 40(11): 64-72.

LIU T. Discussion on end to end customer perception evaluation and problem analysis methodsfor mobile Internet[J]. Mobile Communications, 2016, 40(11): 64-72.

[7] 呂軍. 中國電信FDD 4G VoLTE語音感知MOS質(zhì)量問題分析和優(yōu)化提升的研究[J]. 數(shù)據(jù)通信, 2020(5): 1-9.

LYU J. Analysis and optimization of MOS quality of FDD 4G VoLTE voice perception in China Telecom[J]. Data Communications, 2020(5): 1-9.

[8] 伏玉筍. 移動通信網(wǎng)絡(luò)評價準(zhǔn)則與解決方案[J]. 電信科學(xué), 2020, 36(11): 28-38.

FU Y S. Evaluation criteria and solution of mobile communication network[J]. Telecommunications Science, 2020, 36(11): 28-38.

[9] 黃毅華, 孫柳益, 盧洪濤, 等. 用戶感知體系優(yōu)化的探討及應(yīng)用[J]. 移動通信, 2018, 42(4): 90-96.

HUANG Y H, SUN L Y, LU H T, et al. Discussion and application of user experience system optimization[J]. Mobile Communications, 2018, 42(4): 90-96.

[10] 陳森, 陳超, 張小勇, 等. 基于大數(shù)據(jù)分析的移動互聯(lián)網(wǎng)用戶感知評估系統(tǒng)[J]. 電信科學(xué), 2015, 31(4): 154-161.

CHEN S, CHEN C, ZHANG X Y, et al. Evaluation system of mobile Internet user experience based on big data analysis[J]. Telecommunications Science, 2015, 31(4): 154-161.

[11] 楊燕. 淺析移動通信網(wǎng)絡(luò)中的QoE[J]. 電信科學(xué), 2007, 23(8): 34-38.

YANG Y. Simple analysis of QoE in mobile communication network[J]. Telecommunications Science, 2007, 23(8): 34-38.

[12] 李強(qiáng), 金陳瀟帥, 許一驊. 淺談自動語音識別測評指標(biāo)字錯率和句錯率的應(yīng)用[J]. 現(xiàn)代傳輸, 2020(1): 61-64.

LI Q, JIN C X S, XU Y H. Brief talk on the application of word error rate and sentence error rate of automatic speech recognition evaluation index [J]. Modern Transmission, 2020(1): 61-64.

[13] 李莉. 統(tǒng)計(jì)學(xué)原理與應(yīng)用[M]. 南京: 南京大學(xué)出版社, 2019.

LI L. Principles and applications of statistics[M]. Nanjing: Nanjing University Press, 2019

[14] 劉寶鍾. 大數(shù)據(jù)分類模型和算法研究[M]. 昆明: 云南大學(xué)出版社, 2020.

LIU B Z. Research on big data classification model and algorithm[M]. Kunming: Yunnan University Press, 2020.

[15] 孫韶輝, 戴翠琴, 徐暉, 等. 面向6G的星地融合一體化組網(wǎng)研究[J]. 重慶郵電大學(xué)學(xué)報(bào)(自然科學(xué)版), 2021, 33(6): 891-901.

SUN S H, DAI C Q, XU H, et al. Survey on satellite-terrestrial integration networking towards 6G[J]. Journal of Chongqing University of Posts and Telecommunications (Natural Science Edition), 2021, 33(6): 891-901.

[16] 劉璐, 陳睿杰, 李嘉. 基于MDT重疊覆蓋度數(shù)據(jù)的KNN-DBSCAN參數(shù)自適應(yīng)調(diào)優(yōu)研究[J]. 電信科學(xué), 2022, 38(2): 119-129.

LIU L, CHEN R J, LI J. Research on adaptive optimization of KNN-DBSCAN parameters based on MDT overlapping coverage data[J]. Telecommunications Science, 2022, 38(2): 119-129.

[17] 朱懿, 邵柱. 部署Greenplum數(shù)據(jù)庫[J]. 網(wǎng)絡(luò)安全和信息化, 2019(10): 81-83.

ZHU Y, SHAO Z. Deploy the Greenplum database [J]. Security ＆ Informatization, 2019(10): 81-83.

[18] 余彪. 基于數(shù)據(jù)挖掘的Greenplum分析[J]. 計(jì)算機(jī)與網(wǎng)絡(luò), 2017, 43(16): 62-65.

YU B. Analysis on Greenplum based on data mining[J]. Computer & Network, 2017, 43(16): 62-65.

Research on 4G/5G voice quality optimization based on data mining and geographic visualization

HU Jian1,SUN Lei1, YIN Yiyan1, YANG Xiaokang1, BAI Jingui2, ZHANG Yejiang1

1. China Mobile Group Yunnan Co., Ltd., Kunming 650041, China 2. Nokia Shanghai Bell Co., Ltd., Shanghai 201206, China

Traditional voice quality optimization relies on field test, case accumulation and expert experience. It is costly and inefficient to analyze problems by manual test. Through the application of data mining, decision tree machine learning algorithm, geographic visualization and other technologies, a voice experience optimization visualization platform based on big data analysis was developed, which could effectively identify the laws in voice big data, and realize the functions of correlation analysis between user voice experience index and wireless network performance index, intelligent recognition of degradation threshold and image analysis of poor quality areas. It is conducive to reduce the skill threshold of network engineers, improve the work efficiency of network optimization, save network operation and maintenance costs, and provide accurate and effective voice experience improvement solutions for the industry.

data mining, geographic visualization, decision tree, voice experience, Pearson correlation coefficient

TN929.5

A

10.11959/j.issn.1000?0801.2022243

2022?03?09；

2022?08?13

張葉江，zhangyejiang@139.com

胡堅(jiān)（1977? ），男，中國移動通信集團(tuán)云南有限公司高級工程師，主要研究方向?yàn)?G/5G無線網(wǎng)絡(luò)優(yōu)化、VoLTE語音優(yōu)化等。

孫磊（1982? ），男，現(xiàn)就職于中國移動通信集團(tuán)云南有限公司，主要研究方向?yàn)?G/5G無線網(wǎng)絡(luò)優(yōu)化。

尹以雁（1984? ），男，現(xiàn)就職于中國移動通信集團(tuán)云南有限公司，主要研究方向?yàn)?G/5G無線網(wǎng)絡(luò)優(yōu)化。

楊曉康（1976? ），男，現(xiàn)就職于中國移動通信集團(tuán)云南有限公司，主要研究方向?yàn)?G/5G無線網(wǎng)絡(luò)優(yōu)化。

白金貴（1978? ），男，現(xiàn)就職于上海諾基亞貝爾股份有限公司，主要研究方向?yàn)?G/5G無線網(wǎng)絡(luò)優(yōu)化。

張葉江（1989? ），男，中國移動通信集團(tuán)云南有限公司工程師，主要研究方向?yàn)?G/5G無線網(wǎng)絡(luò)優(yōu)化、網(wǎng)絡(luò)規(guī)劃建設(shè)等。