基于機器學習的4G網絡工程質量評估

曾樂根

摘要：針對4G網絡工程質量評估存在不全面、主觀性過強等問題，提出了基于Adaboost機器學習的4G網絡工程質量評估方法。首先根據4G網絡工程質量評價體系確定評估指標，然后采用主成分分析從原始質量評估指標特征中提取有效指標特征，減少指標之間的相關性，最后通過建立基于Adaboost機器學習的4G網絡工程質量評估模型，實現對4G網絡工程質量的自動評估。實驗結果表明，該方法具有更好的泛化性能，能夠明顯提高4G網絡工程質量的評估準確率，對解決工程質量問題具有重要的理論價值和現實意義。

關鍵詞：主成分分析；有效指標特征；Adaboost機器學習；4G網絡工程；質量評估

中圖分類號：TP393.0 文獻標識碼：A 文章編號：1009-3044（2018）29-0047-03

Abstract： Considering that quality evaluation of 4G network project exists incomplete and subjective， a method based on Adaboost machine learning is proposed. Firstly， the evaluation indicators are determined according to the 4G network project quality evaluation system， then the principal component analysis is used to extract the effective from the original quality evaluation indicators characteristics， and reduce the correlation between the indicators. Finally， the model based on Adaboost machine learning is established to achieve automatic evaluation of 4G network project quality. The experimental results show that this method has better generalization performance， can significantly improve the accuracy of 4G network project quality evaluation， and has important theoretical and practical significance for solving project quality problems.

Key words： the principal component analysis；the effective indicators characteristics；Adaboost machine learning； 4G network project； quality evaluation

1 引言

隨著移動互聯網的發展，通信技術飛速發展，通信服務競爭環境瞬息萬變，數據取代語音成為最主要的通信業務，移動通信網絡進入4G 時代。 4G 網絡業務成為一種新興的通信業務，4G網絡通信工程建設的質量關乎人民生命財產安全，直接影響企業投資效益及運營成本，最終影響社會經濟的發展，其質量評估至關重要，對4G網絡工程質量評價的研究倍受國內外專家的關注。在2010年Fisher et al.Measuring [1]提出了對工程項目質量的測評應當從其內部、外部和第三方進行，并詳細介紹了三個測評實施的全部流程。2013年Pekka Kumpulainen等人 [2]提出了運用模糊聚類綜合評價法分析了 3G 無線網絡性能。2013年王蒙 [3]提出了采用熵值法和 BP 神經網絡評判法對承載數據業務的 3G 網絡性能進行評價；2013段鵬錦 [4]運用模糊綜合評判的方法對工程不同項目組質量進行分析比較，得出質量最優的項目組，并關注其質量管控中各種影響質量因素的權重排列。4G 用戶對網絡的要求日益提高，網絡技術、架構和可提供的質量指標產生了巨大變化，原有的網絡工程質量評估標準和服務規范已不再適用，迫切需要構建 一個客觀、科學及智能化的4G 網絡工程質量評價體系及其模型。本文將機器學習算法引入4G網絡工程質量評估，提出一種基于機器學習的4G網絡工程質量評估方法。該方法無須充足的先驗知識和訓練樣本，實現對4G網絡工程質量的自動評價，評估結果準確率高，對解決工程質量問題具有重要的理論價值和現實意義。

2 基于Adaboost的機器學習算法

Adaboost算法是機器學習十大經典算法之一，它是把若干個弱分類器綜合起來得到一個效果更好的強分類器，是一種對模糊先驗知識建模的方法，屬于典型的模糊分類算法[5]。算法原理：首先由初始訓練集訓練基學習器，并根據每次訓練集的分類結果及總體分類的準確率，來確定每個樣本的權值，同時根據基學習器的表現改變訓練樣本的分布，然后用修改過權值的新數據集和調整樣本分布后的樣本訓練下一個基學習器，依次迭代，直至基學習器數目達到預先設定的值，最后將所有訓練得到的基學習器加權融合作為最后的決策分類器，它是由數個弱分類器構成，最后由這數個弱分類器來投票決定分類。Adaboost的結構如圖1所示。

3 基于Adaboost機器學習的4G網絡工程質量評價

3.1 4G網絡工程質量有效評價指標特征提取

4G網絡通信工程屬于全程全網、多期建設、用戶影響面大的工程，其質量具有影響因素多、質量變動大、變數多、隱蔽性大、終驗局限性大及評價方法特殊等特點，對4G網絡通信工程質量進行評估時，影響評估效果的指標眾多，且各指標之間不可避免地存在信息冗余，需提取有效指標特征。本文利用主成分分析方法提取4G網絡通信工程質量的有效指標特征，算法基本思想是通過研究變量相關系數矩陣內部結構，找出少數變量去描述多個變量的相關關系，同時最大限度地保留原有數據集的變化信息[10]。

3.2 基于Adaboost機器學習的4G網絡工程質量評價

Adaboost是一種重要的機器學習方法，它是利用少數已標注樣本和多數未標注樣本來進行訓練和分類，從而減少標注代價，同時綜合優化多個精度相對較低的弱學習算法，最終訓練出精度更高的強學習算法，達到提高學習機器的性能的目的。在4G網絡工程質量評估中引入基于Adaboost機器學習算法，可提高其質量評估的準確率和有效性。

4G網絡工程質量評估過程包括3個主要過程，首先是建立4G網絡工程質量評價指標體系，然后利用主成分分析方法提取4G網絡工程質量有效特征，最后利用基于Adaboost機器學習算法進行評價。

4 實驗結果與分析

本文從網絡運行能力、網絡覆蓋效果、用戶體驗效果和網絡維護效果四個方面對4G網絡工程質量進行評估，建立包括四個一級指標和十五個二級指標的4G網絡工程質量指標體系能全面客觀評估4G網絡工程的質量。

為驗證本文算法的有效性，將本文算法與層次分析法、模糊綜合評價法進行對比實驗。模型輸入4G網絡工程質量評價指標，由累計方差貢獻率超過85%的主成分自動確定主成分個數，模型的輸出分為優秀、良好、合格和不合格4個類別，采用基于Adaboost機器學習算法進行學習，最終得出評估結果，評價效果如圖3所示。

圖3實驗結果表明，在三種質量評估模型中，本文提出的基于Adaboost機器學習模型評價準確率最高，高達97.8%，評估效果最好的，分別超過層次分析法和模糊綜合評價法4.5%和2.7%。在實際操作中，如對所得到的評估結果有疑問，可將該樣本加入訓練集重新學習模型參數，以獲得更為合理的4G網絡工程質量效果評估模型。

5 結束語

本文采用主成分分析方法從原始4G網絡工程質量指標信息中提取有效質量指標特征，將提取后的有效指標特征作為基于Adaboost機器學習模型的輸入，對4G網絡工程質量進行評估。該方法有效地降低了指標數據間的相關性，減少了輸入數據的維數，降低了機器學習模型訓練的難度，實現對4G網絡工程質量的自動評估。實驗結果表明，本文提出的評估方法比其他方法評估準確率更高，評估效果更好。進一步的工作是對模型進行實證分析，不斷改進，將模型運用于實際的4G網絡工程質量效果評估。

參考文獻：

[1] Fisher et al.Measuring the impact of rework on construction cost perfbrmance[J].Journal of Construction Engineering & Management，2009，135（3）187-198

[2] Pekka Kumpulainen， Mika Sarkioja， Mikko Kylvaja et al.Analysing 3G radio network performance with fuzzy methods [J]. Neurocomputing， article in press， 2013，107（4）：49-58

[3] 王蒙.基于綜合評價方法的 3G 數據業務性能評估[D].大連理工大學，2013.

[4] 段鵬錦.大型工程項目質量管理與控制方法研究[D].西南交通大學，2013.

[5] 韓進，張覽. AdaBoost算法的臉譜識別系統應用設計[J]. 單片機與嵌入式系統應用， 2017， 17（8）29–32.

【通聯編輯：梁書】