基于机器学习的5G用户智能投诉处理方案研究

5G网络的复杂性、业务的多样性、用户的规模性使得5G用户投诉处理成为巨大挑战.提出了基于机器学习的5G用户智能投诉处理方案,该方案依托于用户O域与B域数据互通关联的端到端大数据系统,基于用户画像的标签体系,结合历史投诉单的内容、地点以及历史问题的定位结果,利用机器学习分类算法反复迭代得出可靠稳定的决策模型,最终实现5G...     

基于网络大数据的4G用户投诉精准定位模型

本研究是基于大数据分析技术,将4G网络的全量信令与用户投诉数据结合,关联无线小区的性能指标、告警数据,采用决策树数学建模方式,建立用户投诉质差小区模型和4G投诉精准定位模型,从而实现用户角度的无线质差小区挖掘,以及4G网络投诉定位的功能。     

基于移动用户上网记录的网络扩容方案

面对4G网络用户迅猛发展带来的机会和挑战,从网络建设和运营角度应该更多关注客户的真实业务感知,以移动用户上网记录中流量大数据为基础进行深入分析,结合运营商基站静态信息,统计出所有基站的地理位置、4G业务运营情况,从用户感知业务角度,进行扩容标准与门限制定工作,综合业务基于业务感知的扩容标准算法,了解拟建设或扩容基站附近的基站状况,对各个本地网的基站/小区扩容进行评估指导.     

基于集中监控数据资源的4G基站退服故障预警模型

4G无线基站设备是直接影响信息通信网络用户服务质量的重要环节,而4G无线基站退服故障将直接阻断用户正常通信.针对上述问题,基于集中监控告警消息数据资源通过关联规则挖掘和时间追溯推演分析,实现了4G基站退服故障的短期预警.基于集中监控设备性能数据资源通过网元分类(数据清洗、特征筛选、网元聚类)、指标降维(按簇分组、主成分分析)、主成分表达式与退服故障关联分析、性能指标选取及阈值分析实现了4G基站退服故障长期预警,经测试可准确预测次月27.8％的4G基站设备退服故障.     

基于机器学习的基站故障根因分析方法研究

基站作为移动通信网络的关键基础设施，其稳定运行对网络质量和用户体验有着重要影响。但是，基站系统设备以及环境因素变化会导致各种故障，传统的基于人工经验的故障定位方法效率低下，无法快速定位故障，恢复基站服务，影响用户感知。为此，本文提出一种机器学习的方法来辅助基站故障根因定位。以历史告警数据和故障工单为源数据，通过TF-IDF、NMF和word2vec算法实现特征提取，并以CatBoost作为故障根因定位模型，从而实现快速判断故障工单的故障类别。最终本文所构建的模型根因定位准确率为88%。结果表明，该方案可有效用于辅助通信网络运维人员快速精准定位故障根因，并根据解决方案处理故障，从而缩短故障处理时长，提升网络运维的效率和质量。     

基于细粒度切片的6G网络弹性切换算法研究

面向未来全息通信、增强扩展现实等业务的涌现,需要将大带宽业务按照用户速率需求划分为更细粒度的业务切片实现多样化的业务。针对大带宽业务细粒度切片的网络切换问题,提出了基于二分图匹配的6G网络弹性切换算法,通过完成“用户-切片-基站”的最优关联,最大化用户和速率,并将接入问题建模为层次化二分图稳定匹配问题,通过“切片-基站”一体化和“先切片再基站”两阶段的2种匹配思想,使用Gale-Shapley匹配算法,实现网络的自适应切换。仿真结果表明,所提的一体化和两阶段匹配算法的接入成功率与传统方法相比分别提升15%和10%,用户和速率也有明显提升。     

基于无线信令指标的用户投诉定位方法

针对4G网络投诉数量骤增,用户投诉原因追溯难的问题,提出一种基于端到端网络业务质量评估模型的用户投诉原因精准定位方法.首先,针对用户投诉数据不平衡性的问题,在对LT E无线侧信令进行数据重构和稀疏特征提取的基础上,采用主动学习框架扩充用户感知数据库,为端到端网络业务质量评估模型提供数据基础;其次,采用BP神经网络关联用...     

基于BERT算法的通信投诉智能处理探索

随着5G通信技术的普及与发展,运营商业务种类多样化、网络架构日趋复杂,另一方面,用户对通信网络质量要求也越来越高,传统依赖人工经验的处理方式已难以满足投诉处理要求。基于大数据,提出一种基于BERT算法的通信投诉智能处理方法,该方法应用BERT算法实现投诉关键信息提取和投诉智能分类,达到提升投诉分类准确率,实现投诉直达处理的效果,有效提升通信投诉处理效率。     

基于GIS智能打点的5G网络投诉“黑点”区域整治研究

基于百度等地图类API服务能力,结合微区域、微网格边界等地理信息系统(GIS)打点数据,以及干扰、容量、故障等网络O域数据,一方面前移至在线客服一线使用,提升5G网络投诉位置的定位精准性、缩短投诉打点时长;另一方面面向网络优化人员,系统自动汇聚5G网络投诉集中的“黑点”区域,形成分级预警整治能力,指导通过新建基站、网络优化等手段解决5G网络问题,提升5G客户满意度。     

4G/5G无线网络智能运维研究与应用

智能运维是网络智能化的重要内容,推行网络运维智能化,对4G/5G网络的高效、可靠运行具有非常重要的意义。本文提出一种4G/5G无线网络智能运维方案,采用多种AI深度学习算法,基于基站的告警、性能、动环等多维度数据建立基站退服预测模型、异常检测模型和故障根因定位模型,并进行模型组合,输出智能巡检、退服预警发布和故障工单根因智能定位等支撑一线生产的功能应用。经过实际的应用试点,验证了方案的可行性和有效性,为4G/5G网络智能运维的实施提供了有力的方法指导和技术支撑。     

基于人工智能算法的投诉用户质差小区定位及预测的方法研究

目前LTE及GSM的质差小区投诉定位主要是依靠用户投诉的地址回放分析附近小区是否存在性能、告警上的裂变,如无则安排人员现场测试信号强度、干扰等。为了解决自动定位投诉质差小区,创新性提出以数据驱动来实现业务规则自动化,充分考虑用户投诉的时间和问题、网络交互信令、无线性能指标和告警等海量数据,运用人工智能技术中的逻辑回归及决策树算法训练出“2G语音、VoLTE语音及数据业务的投诉质差小区定界模型、质差小区预测模型及问题网元”,更快速,更智能,更准确输出语音及数据业务投诉原因、质差小区及质差原因,并对潜在质差小区进行预测,对无线规划、基站建设、故障处理、网络改造等方面的工作也具有积极指导意义。     

基于Correl的网络满意度关联分析模型

为解决当前网络满意度根因定位准确性低的问题,本文提出一种基于Correl的网络满意度关联分析模型。该模型把网络满意度与网络投诉、故障和性能进行预关联解析,将网络满意度与预关联指标通过Correl函数进行量化关系计算,筛选出Correl强相关的网络投诉、故障和性能指标,用以构建感知型的网络指标监控体系。通过该模型监控网络指标,开展趋势分析和短板攻坚,可以达到以点带面提升网络满意度的目的。实验结果表明,本模型能够高效并较准确地挖掘网络满意度和网络投诉、故障、性能指标之间的关联性,借此构建较为精准的感知型网络指标监控体系,对推动企业运营商网络满意度的持续提升具有实际意义。     

基于无监督学习的接口异常检测及根因定位方法

针对系统中数量庞大的接口及其指标,如何快速有效进行接口监控及故障定位是亟待解决的问题。本文基于大数据和无监督学习技术,创新提出动态基线异常检测算法和业务根因多维定位算法。首先搭建大数据处理平台,引入时序数据解析框架,对生产环境中的关键指标,通过时序曲线进行异常行为检测。然后,构建业务指标异常检测AI算法引擎,利用渐进梯度回归树、差分指数滑动平均等算法实现动态阈值告警。最后,建立根因智能分析方法,对检测出的异常指标迅速触发多维度根因定位算法,通过聚类算法给出异常度最高的维度组合,缩小排查范围,快速定位根因。     

基于机器学习的细分业务用户感知评估方法

业务差异化和良好的用户感知是LTE网络以及未来5G网络运营的关键,目前的网络KPI指标体系主要是用于评估网络运维情况,并不能真正反映用户对网络和业务使用的实际满意程度。提出一种细分业务用户感知QoE评估方法,通过对LTE业务KQI指标以及XDR、MR等相关数据信息的关联分析,选取出特定业务QoE评价特征指标集,采用机器学习方法,建立细分业务的QoE评估模型,并以特定视频业务为例,给出QoE评估的特征指标选取和建模过程。该QoE评估方法可以对用户业务体验感知进行细粒度、高准确度的实时评估,为后续基于用户感知的网络优化、网络运营提供准确的数据支撑。     

基于无人机5G高空基站的低成本应急定位方法

当由于台风、塌方和地震等极端灾害导致地面固定基站损毁时，可以利用无人机搭载5G高空基站来为待测用户(User Under Test, UT)提供应急定位服务。要获得目标的三维位置信息，至少需要4个基站。针对如何降低极端条件下待测目标的定位成本，减少对无人机基站数量的要求，提出了一种基于无人机5G高空基站的低成本应急定位方法。利用最小二乘(Least Square, LS)算法来估计UT的初始位置，并将该初始位置作为虚拟移动基站加入初始基站集合。基于新的基站集，利用二次LS算法对UT的位置进行迭代估计，并将得到的一系列待测目标估计值作为虚拟基站集，随后基于高程精度因子(Vertical Dilution of Precision, VDOP)最小从虚拟基站集中选取一个最佳的虚拟移动基站，并以此作为UT的位置更新。将位于三维空间的无人机基站投影到水平面，联合到达时间差(Time Difference of Arrival, TDOA)和方位角测量值，采用一次加权最小二乘(Weighted LS,WLS)算法求解待测目标的水平位置。利用初始解分量之间的相关性，通过二次WLS算法对目标的水平位...     

基于网络智慧运营的数字化场景应用研究

网络智慧运营通过“平台+大数据+专家经验”方式，基于用户投诉根因定位、室分健康度识别、5G端网匹配提升等场景应用，围绕增加收入、优化成本、提高服务、提升效率，以网络大数据为基础，充分发挥专家价值，让数据以最简单、最有效的方式推送至生产末梢，推动网络运营价值变现。     

小基站部署方案规划算法

随着移动网络的飞速发展,小基站在LTE网络建设中的地位越来越重要。结合实际建网经验提出一种最优小基站部署方案规划算法——关联层次分析法。该算法结合层次分析法和灰色关联分析法的思想,确定各部署方案和各指标参数之间的关系,并对各方案进行排序,最终得到最优小基站部署方案。仿真结果表明,关联层次分析法在投资收益均衡方面优于其他传统算法,并且建网以后的用户体验也有所提升。     

基于AI深度学习的面向业务5G基站节能系统研究

由于5G业务发展,5G基站数量增多,造成运营商的电费成本急剧增加,节能降耗成为运营商的可持续发展需求。在研究主流5G基站节能模式及多方位5G节能方案的基础上,提出了基于多种AI算法的5G基站节能系统,通过单SIM卡级别的高精度业务识别,在保证5G重要业务等各类型业务稳定运行的基础上,实现了最佳策略的5G基站柔性节能。     

"畅优5G"引领5G智慧新未来

随着5G网络规模建设的推进,主要城市核心城区正逐步实现基于NSA组网模式的5G连续覆盖.基于网优大数据系统,对MR数据,用户控制面、业务面数据,5G NR业务面IP信息进行接入整合,根据对NSA组网业务信令特征的研究,结合MR多数据源融合定位技术,实现5G组网特性在现有4G网络数据基础上,高效、准确识别5G终端用户及其业务数据,及时洞察5G用户及业务发展,寻找5G高价值区域,指导5G网络规划和建设,并实现精准的用户感知效果评估.     

面向5G热点场景差异化组网规划设计

随着5G用户渗透率超20%,5G业务将进入快速增长阶段,针对未来爆发式增长的5G容量需求、2B行业热点需求以及投诉热点需求等5G热点需求,传统的5G基站建设投资大、建设周期长,无法对热点需求精准覆盖,解决网络问题,针对这一问题基于5G超密集组网关键技术及4G宏微网络建设经验,对怎样在热点区域合理的建设5G宏微融合网络进行研究,并对3/4/5G协同优化、5G数字下倾设置进行探讨,建立5G热点场景差异化组网规划设计新理论,为5G热点区域规划设计研究提供新思路。