機器學習算法在業務卡頓根因分析中的應用

徐 青，宋 琪，魯志強

（中國聯通四川省分公司，成都 201806）

1 引言

業務卡頓率是重要的端到端評判指標之一。在無線側，如何將抽象的卡頓率映射到常用無線KPI是難點。通過深入分析發現基站下行時延指標與卡頓率相關性最強，時延越大卡頓率越高。本文重點闡述以基站下行時延為優化目標，使用決策樹算法，找出影響該時延的基礎指標并量化其重要度，判定合理門限，指導一線網絡優化并取得了良好效果。

2 決策樹算法與模型評估

決策樹是一種基本的分類與回歸方法。決策樹模型呈樹形結構，在分類問題中，表示基于特征對實例進行分類的過程。主函數本質上是個遞歸函數，該函數主要功能是根據某種規則生長出決策樹的各個分支節點，并根據終止條件結束算法。數據輸入為分類的數據集和類別標簽。劃分過程：①依據信息增益進行特征選取和分裂，得到最優的劃分特征，并創建特征的劃分節點。②按照該特征的每個取值劃分數據集為若干部分。③根據劃分子函數的計算結果構建出新的節點，作為樹生長出的新分支。④檢驗是否符合遞歸終止條件。⑤將劃分的新節點包含的數據集和類別標簽作為輸入，遞歸執行上述步驟。

模型評價指標：精度Accuracy、查準率Precision、召回率Recall、F 值。

3 針對單小區的分析

3.1 特征選取

根據優化經驗，選取部分基礎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 模型參數調整

自變量：多項KPI指標（特征輸入）。

因變量：基站下行時延，判定門限100ms。

數據量：739條（記錄來自單小區）。

通過多輪參數仿真，發現參數Criterion=’entropy’，max_depth=4，class_weight=none，仿真效果最佳。

3.3 輸出

結果顯示下行PRB利用率重要性68%，CQI+offset重要性15.75%，這樣就直接為優化指出了方向：首先要采取措施降低下行負荷，其次優化下行無線質量。

圖1 決策樹圖

3.4 無線優化后結果

根據分析結果，對該小區實施了針對性的優化（調整業務均衡參數，將業務分擔到第2載波，降低PRB利用率；調整第一小區的方向角避免和第二小區相互干擾，增加小區最大發射功率的同時降低參考信號功率），效果良好，基站下行時延由60ms下降到30ms，卡頓率明顯降低。

3.5 批量小區分析和優化

使用相同的方法，進一步選取了卡頓率較高的10個小區進行分析和優化，總體取得了良好的效果。

表1 選取卡頓率較高的10個小區進行分析和優化

4 針對全網的分析

自變量：KPI指標（4項），樣本判定門限100ms。

因變量：基站下行時延。

數據量：100萬條（記錄來自全網所有小區）。

不論模型參數如何調整，訓練集和測試集的R值和F值都很低，說明整網沒有普適的模型，也說明每個小區都有不一樣的參數、覆蓋環境、用戶分布等，需要各自建立模型。

5 結束語

基站下行時延指標可以作為日常優化中卡頓率的替代指標（僅限無線原因導致的卡頓），用決策樹算法可以量化分析影響基站下行時延指標的原因，輸出重要度用于指導無線優化；可以篩選出準確度較高的辨別規則門限值。整網不能作為一個統一對象進行分析，沒有普適模型，需要對每個小區進行精準分析。