移動網絡的用戶行為及用戶價值區域特征的分析研究

【摘 要】隨著移動通信技術的迅猛發展，移動運營商積累了海量的用戶行為數據。首先基于移動網絡的多種數據源，結合通信用戶行為的特點，通過時空關聯分析的方法提出了一套通信用戶停留分析的方法；隨后在對用戶進行停留分析的基礎上，通過用戶價值區域多維分析的方法挖掘出高價值區域的地理分布情況。實踐表明，基于通信數據的用戶行為分析及用戶價值區域特征分析對通信網絡的建設、通信網絡的建設與優化具有重要的現實意義和實用的應用價值。

【關鍵詞】用戶行為 區域特征 網絡建設 網絡優化

1 引言

移動通信技術的快速發展和應用不僅提升了用戶使用通信媒體的便利性，也產生了大量的用戶信息。與此同時，基于移動通信用戶數據研究用戶行為、用戶習慣、用戶使用業務的地理特征也不斷涌現，這些研究能夠為移動通信運營商的網絡建設與優化提供有價值的信息：根據用戶使用的業務行為規律有效地配置網絡資源，做到資源的精準投放。因此，本文將對移動網絡的用戶行為及用戶價值區域特征進行研究，對運營商的數據進行多維關聯，從中提煉出高價值區域的分布，幫助運營商有效提升網絡服務水平，為移動用戶提供優質的網絡質量和具有競爭力的業務體驗。

2 用戶行為研究

通過挖掘用戶的位移變化、用戶使用網絡類型、用戶使用業務類型來分析用戶停留特征及用戶使用業務的熱點。利用了用戶的使用網絡請求類型、業務量、位移量：

（1）網絡請求類型：是指用戶在使用業務時使用的網絡類型、使用不同類型網絡的次數、特定時間段使用不同網絡類型的次數作為描述用戶使用業務習慣的關鍵指標。

（2）業務量：業務量是指用戶使用業務的次數、時長以及使用業務的時間分布作為描述用戶的停留特征、用戶業務使用熱點的關鍵指標。

（3）位移量：位移量是指用戶發生業務時請求的基站的次數、在不同時段請求基站的次數分布作為描述用戶停留特征分析以及使用熱點的關鍵指標。

2.1 用戶停留特征分析

用戶的停留行為一般具有規律性，在特定的時間段、特定區域停留次數、停留分布等在一定程度上反映了該區域的人口密度以及該區域的主要職能特點。基于用戶停留分析，關聯用戶使用業務的類型、業務量，挖掘用戶使用業務的熱點，以此來指導網絡建設。

（1）用戶停留的數據提取方法

用戶停留數據包括一系列的業務使用記錄點集P（p1， p2， ……， pn），其中n為位置記錄點的數量，每一個記錄點是一個三元素集合pi（lat， long， T），其中（lat， long）是用戶發生業務的紀錄基站；T為用戶發生業務的時間。

由于用戶發生業務不是聯系的，它跟GPS點不一樣，因此用戶停留分析需要連續觀察一段時間內用戶在某個區域發生業務的頻率，以此來反應用戶在特定時間段在某一個區域的停留特征。在本文是連續觀察某一個地市一個月的用戶在某一個基站、某一個時間段發生業務的次數、每天發生業務的頻率，以此來識別用戶是否在該區域具有停留的特征。本文對停留定義的規則是用戶在一個月內平均每天在某一個時間段在某一個基站上發生業務的概率大于0.7，那么就認為該用戶在基站具有停留的特征。

（2）用戶的停留特征分析

基于上述的定義，本文把某地市移動用戶在工作停留區、休息停留區的用戶停留特征進行GIS展現，如下圖所示。從圖1可以看出，用戶的工作停留區域主要分布在紅色區域，該區域是該地市的行政中心，也是人口比較集中的區域。從圖2可以看出，用戶的休息停留區也是分布在紅色區域，但較圖1而言，圖2所覆蓋的區域更大，因此可以判斷出該行政中心主要的功能還是住宅，工作區域已經逐漸遷出郊區方向。

2.2 用戶業務使用熱點分析

分析用戶業務使用熱點能夠使現有的無線通信資源實現優化配置，極大提高資源利用率，有效調節該區域業務量不均衡的狀態，提高用戶滿意度。

（1）用戶業務使用熱點的數據提取方法

用戶通信熱點數據包括一系列的業務使用記錄點集P（p1， p2， ……， pn），其中n為位置記錄點的數量，每一個記錄點是一個五元素集合pi（lat， long， T， B， N），其中（lat， long）是用戶發生業務的紀錄基站；T為用戶發生業務的時間；B是業務的使用類型，包括語音和數據；N是業務量的使用數量。

（2）用戶業務使用的熱點

利用全網基站語音、流量數據與基站的覆蓋范圍，計算全網業務使用量的密度，并通過GIS對全網業務量進行渲染，根據業務量的密度分析全網業務使用量熱點。

用戶使用業務熱點分析是根據基站發生的業務量（語音量、數據流量）與基站的覆蓋面積（通過泰森多邊形確定）構建全網的業務量分布熱點圖。通過對業務量密度進行分檔以及對不同的顏色進行渲染，最后得到業務量密度高的基站，并把這些基站的覆蓋范圍作為熱點的范圍。本文通過對3G網絡的業務量在不同時間段的熱點進行渲染，分別得到了不同時間段的語音熱點、流量熱點。通過對比圖3～圖6不同時間段語音和流量的熱點分布圖，得知該區域的流量熱點在閑時忙時差異不是特別大，相反語音在閑時忙時差異很大。由此可以得知，在網絡建設時，需要根據用戶的業務使用量的時空分布特征有側重性進行資源調節，提高網絡利用率，有效解決網絡的超負荷問題。

3 用戶價值區域特征的分析研究

隨著通信技術和移動互聯網的發展，數據業務已經取代傳統的語音業務，流量業務的增長不僅對運營商的網絡運營帶來巨大的壓力，同時也給運營商自身的利潤帶來挑戰。當前運營商的重要任務是如何掌握用戶的價值，通過對用戶價值區域進行甄別，使得運營商合理地將優先的網絡資源分配給高價值的用戶使用業務的區域，實現資源的精準投資，降低網絡資源負載過重的現象，限制那些對運營商貢獻少但又占用極大網絡資源的業務來保證網絡質量，從而為高價值的用戶群體提供更高速、更持續的網絡服務，提高高價值用戶的用戶感知。

3.1 價值區域數據提取方法

用戶價值是利用用戶的話務詳單、流量詳單以及工參等數據，實現區域的流量分析、流量回落分析、高價值用戶分析、終端分析以及收入分析，以確定用戶的高價值區域，為網絡精準規劃和優化提供支撐。

用戶價值數據包括一系列的業務使用記錄點集P（p1， p2， ……， pn），其中n為位置記錄點的數量，每一個記錄點是一個八元素集合pi（lat， long， T， B， N， package， I， terminal），其中（lat， long）是用戶發生業務的紀錄基站；T為用戶發生業務的時間；B是業務的使用類型，包括語音和數據；N是業務量的使用數量；package表示用戶的套餐類型；I表示用戶的收入；terminal表示用戶的終端類型。

3.2 用戶價值區域多維分析

（1）流量分析

通過對每一個基站發生的流量進行匯總，通過流量排名的方法對基站的流量進行排名，按照實際的需求挖掘高流量的區域。如圖7所示，運營商可以根據實際的需要分析topN的基站，分析高流量區域的地理分布以及聚集區域。

（2）流量回落分析

如圖8所示，通過對每一個基站的流量回落進行分析，結合該基站被覆蓋的4G基站的情況、不同終端發生的流量、不同制式的終端流量發生情況，找到導致該基站發生回落的原因，為運營商的基站建設和擴容提供有價值的信息。

（3）高價值用戶分析

如圖9所示，高價值用戶分析主要是關注高價值用戶發生業務的區域、流量分級，以此挖掘高流量用戶聚集的區域分布以及業務特征。

（4）終端分析

如圖10所示，結合不同制式的終端滲透率以及流量排名，以此挖掘滿足終端滲透率需求以及流量需求的區域，為運營商的基站建設和擴容提供必要性的條件。

（5）多維關聯分析

通過對上述的流量分析、流量回落分析、高價值用戶分析、終端分析進行多維關聯，為運營商的網絡規劃和建設提供一個綜合性的解決方案。從圖11可以看到，運營商可以根據各項選項進行關聯分析，挖掘有價值的區域。

4 結論

隨著4G時代的到來，業務的性能越來越成為運營商和終端用戶的共同關注點。面向移動數據業務的網絡質量評估面臨新的挑戰，本文通過用戶行為和價值區域特征分析的特點，反映基于用戶感知的網絡質量情況，實現有效利用當前網絡資源，達到精準化投資的目的。

參考文獻：

[1] 劉瑜，肖昱，高松，等. 基于位置感知設備的人類移動研究綜述[J]. 地理與地理信息科學， 2011，27（4）： 8-13.

[2] Gonzalez M C， Hidalgo C A， Barabasi A L. Understanding individual human mobility patterns[J]. Nature， 2008，453（7196）： 779-782.

[3] Chinrungrueng C， Sequin C H. Optimal adaptive k-means algorithm with dynamic adjustment of learning rate[J]. IEEE Transactions on neural networks， 1995，6（1）： 157-169.

[4] Davies D L， Bouldin D W. A Cluster Separation Measure[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1979（2）： 224-227.

[5] Dunn J C. A Fuzzy Relative of Isodata Process and Its Use in Detecting Compact Well——Separated Clusters[J]. Cybernetics and Systems， 1973，3（3）： 32-57.

[6] Song C， Qu Z， Blumm N， et al. Limits of predictability in human mobility[J]. Science， 2010，327（5968）： 1018-1021.

[7] 徐贊新，王鉞，司洪波，等. 基于隨機矩陣理論的城市人群移動行為分析[J]. 物理學報， 2011，60（4）： 46-52.

[8] Phithakkitnukoon S， Horanont T， Di Lorenzo G， et al. Activity-aware map： Identifying human daily activity pattern using mobile phone data[A]. Salah A A， Gevers T， Sebe N， et al. Human Behavior Understanding[C]. Berlin： Springer Berlin Heidelberg， 2010： 14-25.

[9] 湯燕娟，張小剛. 業務預測與無線網話務量分析方法初探[J]. 電信工程技術與標準化， 2005（4）： 77-83.

[10] 田萌. 移動數據業務話務分析及預測[D]. 北京： 北京郵電大學， 2012.

[11] 琳琳，劉俊杉，李德忠，等. 數據業務密度圖生成方法及在TD-LTE網絡規劃中的應用[J]. 電子工程技術與標準化， 2013（3）： 38-41.

作者簡介

顧震強：畢業于南京郵電大學，現任廣州杰賽科技股份有限公司市場部副總經理，從事移動通信網絡規劃設計及用戶行為分析等工作，長期跟蹤通信技術發展，曾主持參與國內外多個運營商的網絡建設規劃編制。

梁楊：高級工程師，碩士畢業于清華大學，現任職于中國移動通信集團設計院有限公司河北分公司，研究方向為電信領域IT支撐專業的咨詢、設計和規劃。

孫淳曄：助理工程師，碩士畢業于河北大學，現任職于中國移動通信集團設計院有限公司河北分公司，研究方向為電信領域IT支撐專業的咨詢、設計。

王智宏：工程師，碩士畢業于北京交通大學，現任職于中國移動通信集團設計院有限公司河北分公司，研究方向為電信領域IT支撐專業的咨詢和設計。