【摘要】 提出了一種用戶行為模式評(píng)估模型，此模型建立反向傳播（BP）神經(jīng)網(wǎng)絡(luò)系統(tǒng)，對(duì)用戶行為歷史進(jìn)行學(xué)習(xí)、訓(xùn)練、校驗(yàn)，最終得到穩(wěn)定的神經(jīng)網(wǎng)絡(luò)形態(tài)。經(jīng)過(guò)多重匹配和多次逼近后，成熟的神經(jīng)網(wǎng)絡(luò)系統(tǒng)模型可以實(shí)現(xiàn)對(duì)用戶在時(shí)域與地域細(xì)分下的數(shù)據(jù)業(yè)務(wù)密度進(jìn)行評(píng)估，在實(shí)際網(wǎng)絡(luò)系統(tǒng)用戶使用場(chǎng)景中，對(duì)用戶分類和運(yùn)營(yíng)商策略給予基礎(chǔ)理論參考和方法指引。

【關(guān)鍵詞】 用戶行為模式 神經(jīng)網(wǎng)絡(luò) 移動(dòng)互聯(lián)網(wǎng)

Abstract：This paper presents an evaluation model of user behavior ， and establish the BP neuralnetwork system， by learning， training， and checking user behavior history， we get the stable form of the neural network. After multiple matching and approximation， the mature neural network system model can achieve the evaluation of data traffic density in time and geographical subdivision， in the actual network system， it provides basic theory reference and guidance strategy for user classification and operator strategies.

Keywords： user behavior mode， neural network， mobile Internet

一、引言

移動(dòng)互聯(lián)網(wǎng)的大規(guī)模普及在3G/4G網(wǎng)絡(luò)技術(shù)不斷擴(kuò)大規(guī)模、加速投入商用的推動(dòng)下，其數(shù)據(jù)業(yè)務(wù)量已經(jīng)發(fā)生了爆炸式增長(zhǎng)。在我國(guó)，隨著四網(wǎng)協(xié)同[1]的快速發(fā)展，未來(lái)移動(dòng)數(shù)據(jù)業(yè)務(wù)量在以下幾個(gè)因素的作用下還將繼續(xù)增長(zhǎng)：1、智能手機(jī)、平板電腦、上網(wǎng)本以及無(wú)線上網(wǎng)卡等數(shù)據(jù)業(yè)務(wù)消費(fèi)終端保有量繼續(xù)猛增；2、社交應(yīng)用、電子商務(wù)和游戲等互聯(lián)網(wǎng)業(yè)務(wù)迅速?gòu)墓潭ňW(wǎng)絡(luò)向移動(dòng)網(wǎng)絡(luò)轉(zhuǎn)化；3、新興物聯(lián)網(wǎng)設(shè)備不斷引發(fā)的新的移動(dòng)數(shù)據(jù)需求。[2]

移動(dòng)數(shù)據(jù)量的猛增，既是移動(dòng)運(yùn)營(yíng)商的發(fā)展機(jī)遇，同時(shí)也是移動(dòng)網(wǎng)絡(luò)分析能力和用戶體驗(yàn)改進(jìn)能力的重要挑戰(zhàn)。相對(duì)于國(guó)外移動(dòng)市場(chǎng)的靈活多樣，我國(guó)移動(dòng)市場(chǎng)目前仍延續(xù)傳統(tǒng)，根據(jù)時(shí)長(zhǎng)或者流量大小提供若干分類給用戶選擇的粗放管理模式，已不適用于用戶行為模式多樣化的特點(diǎn)，影響客戶感知。

然而作為目前全世界體量最大的移動(dòng)互聯(lián)網(wǎng)市場(chǎng)，中國(guó)市場(chǎng)具有人口密度超高，數(shù)據(jù)量需求極大的特點(diǎn)，此時(shí)直接照搬國(guó)外的經(jīng)驗(yàn)，未必適合我國(guó)移動(dòng)互聯(lián)網(wǎng)運(yùn)營(yíng)的實(shí)際。追根溯源，分析國(guó)內(nèi)用戶的業(yè)務(wù)使用習(xí)慣，歸納并構(gòu)建中國(guó)大陸移動(dòng)用戶行為模型，并以此為基礎(chǔ)研究運(yùn)營(yíng)管理策略，才是更加合理和科學(xué)的選擇。

本文的提出，就是基于這樣的考慮，以數(shù)學(xué)和統(tǒng)計(jì)的方式，進(jìn)行用戶行為記錄的大數(shù)據(jù)分析，然后以用戶在時(shí)域和空間地域的雙重維度上構(gòu)建嶄新的用戶行為模型和行為模式分類嘗試，為一定規(guī)模用戶的移動(dòng)互聯(lián)網(wǎng)數(shù)據(jù)業(yè)務(wù)使用提供有意義的評(píng)估。

二、用戶行為模型設(shè)計(jì)

2.1模型的提出

現(xiàn)有的用戶行為模式，一般將用戶的行為定義為其遷徙習(xí)慣，在此種定義下，用戶的行為模式可以簡(jiǎn)單地劃分為如下的3類：

（1）準(zhǔn)固定用戶：小范圍內(nèi)活動(dòng)的遷徙用戶；（2）規(guī)律遷徙用戶：大范圍內(nèi)有固定線路的遷徙用戶；（3）無(wú)規(guī)律遷徙用戶：大范圍內(nèi)沒(méi)有規(guī)律線路的遷徙用戶。

在實(shí)際運(yùn)營(yíng)管理操作中，是根據(jù)移動(dòng)終端設(shè)備的位置告知消息以及通話、網(wǎng)絡(luò)活動(dòng)中上傳的自身所在基站位置信息得到的。

如果引入時(shí)間上的參考，即將時(shí)域作為考察用戶行為的維度，那么也可以將用戶的行為模式簡(jiǎn)單的分成如下的3類：

（1）固定用戶，不存在明顯的速度表現(xiàn)。（2）低速用戶，在大范圍遷徙時(shí)，經(jīng)歷了較長(zhǎng)的時(shí)間間隔。（3）高速用戶，呈現(xiàn)短時(shí)間內(nèi)的地域跨越。

這些分類的方法，對(duì)于語(yǔ)音呼叫的優(yōu)化設(shè)定是有意義的，因?yàn)樵谌趾艚械葓?chǎng)景下精確的位置估計(jì)可以節(jié)約系統(tǒng)控制資源消耗。但其對(duì)移動(dòng)互聯(lián)網(wǎng)的數(shù)據(jù)業(yè)務(wù)優(yōu)化而言，此分類未能體現(xiàn)數(shù)據(jù)流量的管理性。用戶在運(yùn)動(dòng)過(guò)程中的數(shù)據(jù)流量消耗，一方面給運(yùn)營(yíng)商帶來(lái)業(yè)務(wù)承載壓力；另一方面，漫游和跨境的數(shù)據(jù)流量消費(fèi)又涉及到網(wǎng)絡(luò)整合的問(wèn)題，而這些都沒(méi)有在前述的分類中給予體現(xiàn)。

為了能夠?qū)⒂脩粼谝苿?dòng)互聯(lián)網(wǎng)中移動(dòng)并產(chǎn)生數(shù)據(jù)流量的行為進(jìn)行數(shù)學(xué)特點(diǎn)上的分析，我們需要定義符合移動(dòng)互聯(lián)網(wǎng)移動(dòng)數(shù)據(jù)業(yè)務(wù)消費(fèi)特點(diǎn)的資源定義。

定義用戶的移動(dòng)數(shù)據(jù)業(yè)務(wù)流量為L(zhǎng)，單位是比特，這體現(xiàn)的是用戶對(duì)于核心交換系統(tǒng)的資源使用累積量。

定義用戶的移動(dòng)距離為D，無(wú)單位，取用戶遷徙經(jīng)過(guò)的基站蜂窩區(qū)數(shù)量，這體現(xiàn)的是用戶在一段考察時(shí)間內(nèi)的系統(tǒng)切換資源占用情況，速度越快的用戶，占用的移動(dòng)系統(tǒng)切換資源越多。

定義用戶的移動(dòng)數(shù)據(jù)業(yè)務(wù)發(fā)生時(shí)隙T，單位為秒，指一次完整的移動(dòng)數(shù)據(jù)業(yè)務(wù)占用的時(shí)間。

定義用戶的移動(dòng)互聯(lián)網(wǎng)數(shù)據(jù)業(yè)務(wù)密度為C，C的定義如下：

其中k為單個(gè)基站應(yīng)對(duì)遷徙用戶的系統(tǒng)資源消耗系數(shù)，單位為比特。本文出于建模需要，不考慮基站蜂窩的大小差異。每個(gè)用戶，在消費(fèi)C時(shí)，呈現(xiàn)出的，是一組C的序列.顯然，序列是不可預(yù)測(cè)的隨機(jī)過(guò)程。

本文采用作為神經(jīng)網(wǎng)絡(luò)最典型和普遍應(yīng)用的反向傳播（BP）神經(jīng)網(wǎng)絡(luò)，可用于函數(shù)逼近、模式識(shí)別、分類和數(shù)據(jù)壓縮。根據(jù)輸入數(shù)據(jù)和相應(yīng)的輸出數(shù)據(jù)將網(wǎng)絡(luò)逼近一個(gè)函數(shù)，在評(píng)估中能發(fā)揮很大作用。以整理出一套序列的評(píng)估方法。

2.2BP神經(jīng)網(wǎng)絡(luò)原理

本實(shí)驗(yàn)的神經(jīng)網(wǎng)絡(luò)系統(tǒng)部分，參考了BP神經(jīng)網(wǎng)絡(luò)的原理思想。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)由輸入層，隱含層，和輸出層構(gòu)成，如圖1所示。輸入層和輸出層都只有一層，隱含層的層數(shù)不限。各層的神經(jīng)元數(shù)可自由設(shè)置，兩層之間通過(guò)權(quán)值矩陣和閾值向量關(guān)聯(lián)，同一層級(jí)的神經(jīng)元之間無(wú)連接。[3]

四、實(shí)驗(yàn)結(jié)果分析

評(píng)估輸出的業(yè)務(wù)密度與實(shí)際的業(yè)務(wù)密度比較如下圖3所示。

從本文進(jìn)行的多次實(shí)驗(yàn)可得出，除部分突發(fā)性較強(qiáng)的業(yè)務(wù)評(píng)估有一定差距外，常規(guī)的業(yè)務(wù)密度評(píng)估是有效的。進(jìn)一步的，通過(guò)重復(fù)實(shí)驗(yàn)進(jìn)行對(duì)比考察，可以發(fā)現(xiàn)：

（1）本算法的神經(jīng)網(wǎng)絡(luò)系統(tǒng)對(duì)常規(guī)數(shù)據(jù)的評(píng)估較為準(zhǔn)確；

（2）本算法的神經(jīng)網(wǎng)絡(luò)系統(tǒng)對(duì)突發(fā)數(shù)據(jù)，相較于常規(guī)數(shù)據(jù)，存在較大的誤差。

常規(guī)數(shù)據(jù)所呈現(xiàn)的表現(xiàn)形態(tài)是高斯白噪聲型的概率密度分布，神經(jīng)網(wǎng)絡(luò)系統(tǒng)對(duì)于這樣的收斂分布也就有著收斂的響應(yīng)輸出。

但是突發(fā)數(shù)據(jù)的概率密度分布具有不收斂的長(zhǎng)尾特性，多次迭代并多次反饋的神經(jīng)網(wǎng)絡(luò)系統(tǒng)算法容易陷入局部的數(shù)據(jù)誤差中。

數(shù)據(jù)流量具有自相似，長(zhǎng)相關(guān)的特點(diǎn)，短時(shí)流量值呈現(xiàn)重尾分布特點(diǎn)。突發(fā)的數(shù)據(jù)包序列可能會(huì)出現(xiàn)偶發(fā)的超長(zhǎng)長(zhǎng)度，在實(shí)際網(wǎng)絡(luò)中都會(huì)造成嚴(yán)重的性能影響，往往需要采取限值緩存長(zhǎng)度的方式，通過(guò)直接丟棄保證整個(gè)網(wǎng)絡(luò)的吞吐效率和時(shí)延性能。

本文所建立的神經(jīng)網(wǎng)絡(luò)系統(tǒng)在數(shù)學(xué)上進(jìn)行仿真，所以沒(méi)有設(shè)置報(bào)文丟棄策略，也就是數(shù)學(xué)上的閾值攔截設(shè)計(jì)，導(dǎo)致最大絕對(duì)相對(duì)誤差和平均絕對(duì)相對(duì)誤差較大，而這樣的數(shù)據(jù)又是不能忽略的。

所以突發(fā)數(shù)據(jù)雖然極大的劣化了實(shí)驗(yàn)結(jié)論，卻真實(shí)反映了實(shí)際應(yīng)用場(chǎng)景中的基本情況。

通過(guò)實(shí)驗(yàn)，本文所提到的分析方法和評(píng)估算法對(duì)于自相似，長(zhǎng)相關(guān)的數(shù)據(jù)流量具有一定的評(píng)估作用，且由于其為非線性評(píng)估，更符合數(shù)據(jù)流量的特點(diǎn)，相對(duì)于線性評(píng)估有很大的優(yōu)勢(shì)。

本文所利用的BP神經(jīng)網(wǎng)絡(luò)模型也被證明是一個(gè)有效的策略處理平臺(tái)。

五、總結(jié)與展望

本文針對(duì)用戶行為模式的特點(diǎn)，構(gòu)建了用戶移動(dòng)互聯(lián)網(wǎng)資源消費(fèi)評(píng)估模型，可實(shí)現(xiàn)用戶時(shí)域和空間地域維度下的數(shù)據(jù)業(yè)務(wù)密度評(píng)估，對(duì)用戶分類和用戶管理策略提供了理論依據(jù)。下一步，將研究異常數(shù)據(jù)流量特點(diǎn)及突發(fā)情況下數(shù)據(jù)業(yè)務(wù)資源的合理分配。參 考 文 獻(xiàn)

[1] http：//baike.baidu.com/view/6035814.htm？fr=aladdin

[2] http：//labs.chinamobile.com/mblog/57530/150740

[3] Simon Haykin.神經(jīng)網(wǎng)絡(luò)原理.北京：機(jī)械工業(yè)出版社，2004

[4] A BP neural network based information fusion method for urban traffic speed estimation. Enigneering Sciences， 2010

[5]聞新，周露，李翔等. MATLAB 神經(jīng)網(wǎng)絡(luò)仿真與應(yīng)用. （第一版）. 北京： 科學(xué)出版社， 2003. 251～284

[6]Nielson HR. Theory of the backpropagation neural networks. IEEE I-JCNN， 1989， 1：593～606