姚世立 鈕遠(yuǎn)

中國(guó)移動(dòng)通信集團(tuán)江蘇有限公司

0 引言

5G是第五代移動(dòng)通信技術(shù)的簡(jiǎn)稱，作為4G通信技術(shù)的延伸，將在全社會(huì)數(shù)字化轉(zhuǎn)型進(jìn)程中擔(dān)負(fù)著不可替代的重要使命。就目前來(lái)看，5G在技術(shù)、標(biāo)準(zhǔn)等方面都取得了階段性的成果， 5G作為國(guó)家“新基建”的領(lǐng)頭羊，初期以運(yùn)營(yíng)商建設(shè)5G網(wǎng)絡(luò)基礎(chǔ)設(shè)施為主，帶動(dòng)5G上游產(chǎn)業(yè)鏈發(fā)展；隨著5G網(wǎng)絡(luò)基礎(chǔ)設(shè)施的完善，需要促進(jìn)個(gè)人信息消費(fèi)和垂直行業(yè)融合應(yīng)用的快速發(fā)展。據(jù)相關(guān)調(diào)研顯示，近80%的用戶希望在2021年之前用上5G網(wǎng)絡(luò)。國(guó)家有需要，人民有需求，讓更多的用戶升級(jí)5G網(wǎng)絡(luò)，更快地使用5G網(wǎng)絡(luò)，享受5G發(fā)展帶來(lái)的紅利，是本文研究的重點(diǎn)。

1 5G網(wǎng)絡(luò)覆蓋影響度研究

5G由技術(shù)為中心向用戶為中心轉(zhuǎn)變。5G網(wǎng)絡(luò)的主要優(yōu)勢(shì)在于：（1）熱點(diǎn)高容量，數(shù)據(jù)傳輸速率遠(yuǎn)遠(yuǎn)高于以往蜂窩網(wǎng)絡(luò)，峰值速率可達(dá)到10Gbps；（2）低時(shí)延高可靠，空中接口時(shí)延水平控制在1ms以內(nèi)；（3）低功耗大連接，超大網(wǎng)絡(luò)容量，提供千億設(shè)備的連接能力，滿足物聯(lián)網(wǎng)通信需求。

圖1為5G網(wǎng)絡(luò)交互示意圖，現(xiàn)網(wǎng)5G網(wǎng)絡(luò)采用NSA組網(wǎng)方案，終端與網(wǎng)絡(luò)交互主要分為以下四個(gè)步驟：（1）終端發(fā)起網(wǎng)絡(luò)附著請(qǐng)求，同時(shí)上報(bào)支持DCNR（Dual Connectivity E-UTRAN and NR，雙連接的演進(jìn)UMTS陸地?zé)o線接入網(wǎng)和新無(wú)線）雙連接能力；（2）網(wǎng)絡(luò)根據(jù)用戶簽約信息判斷是否允許該終端接入，如允許則與終端建立LTE承載；（3）LTE根據(jù)空口環(huán)境等觸發(fā)承載遷移，下行端口變更為5GNR；（4）終端通過(guò)LTE/5GNR收發(fā)數(shù)據(jù)。

圖1 5G網(wǎng)絡(luò)交互示意圖

從圖1可以看出，用戶使用5G網(wǎng)絡(luò)需要具備兩個(gè)基本條件：（1）5G網(wǎng)絡(luò)覆蓋；（2）終端具備接入5G網(wǎng)絡(luò)能力。

5G網(wǎng)絡(luò)建設(shè)是一個(gè)長(zhǎng)期過(guò)程，短期內(nèi)無(wú)法做到全覆蓋。為精準(zhǔn)識(shí)別可升級(jí)5G網(wǎng)絡(luò)用戶，需優(yōu)先開(kāi)展5G網(wǎng)絡(luò)覆蓋對(duì)用戶影響的研究工作。

按現(xiàn)有網(wǎng)絡(luò)流量分析，用戶對(duì)網(wǎng)絡(luò)需求主要集中在7: 00 -22: 00，5G網(wǎng)絡(luò)覆蓋影響度研究主要聚焦該時(shí)段。按使用場(chǎng)景將用戶上網(wǎng)時(shí)間切片，細(xì)分為工作日與假期，工作日細(xì)分為通勤、工作、居家。

用Wi表示5G網(wǎng)絡(luò)覆蓋影響度，用Pi表示5G時(shí)長(zhǎng)占比，用Si表示網(wǎng)絡(luò)使用感知系數(shù)。設(shè)5G網(wǎng)絡(luò)全覆蓋情況下，W=10，P≡1，S=10。

（1）5G時(shí)長(zhǎng)占比

通勤：上下班高峰時(shí)段，基站切換數(shù)大于閾值。P1=該時(shí)段5G時(shí)長(zhǎng)/總時(shí)長(zhǎng)；

工作：基站覆蓋區(qū)域?qū)傩詾檗k公、商圈、學(xué)校等，基站切換數(shù)小于閾值。P2=該時(shí)段5G時(shí)長(zhǎng)/總時(shí)長(zhǎng)；

居家：基站覆蓋區(qū)域?qū)傩詾榫用駞^(qū)、學(xué)校等，基站切換數(shù)小于閾值。P3=該時(shí)段5G時(shí)長(zhǎng)/總時(shí)長(zhǎng)；

假期：周末、法定假日等。P4=該時(shí)段5G時(shí)長(zhǎng)/總時(shí)長(zhǎng)。（2）網(wǎng)絡(luò)使用感知權(quán)重

在不同使用場(chǎng)景下，用戶對(duì)5G網(wǎng)速及穩(wěn)定性需求存在差異。設(shè)網(wǎng)速需求總分5分，用戶對(duì)高網(wǎng)速需求越高得分越高；網(wǎng)絡(luò)穩(wěn)定性需求總分5分，用戶對(duì)網(wǎng)絡(luò)穩(wěn)定性要求越高得分越高。兩項(xiàng)得分相加得到該使用場(chǎng)景下網(wǎng)絡(luò)使用感知總得分。按S=10對(duì)總得分做歸一化，得到網(wǎng)絡(luò)使用感知權(quán)重：S1=1.2，S2=1.9，S3=3.1，S4=3.8。如表1所示。

表1 網(wǎng)絡(luò)使用感知權(quán)重

由此，通勤場(chǎng)景5G網(wǎng)絡(luò)覆蓋影響度為：

其他場(chǎng)景5G網(wǎng)絡(luò)覆蓋影響度類推，從而得到5G網(wǎng)絡(luò)覆蓋影響度計(jì)算公式：

在大數(shù)據(jù)的背景下，企業(yè)網(wǎng)絡(luò)平臺(tái)應(yīng)結(jié)合先進(jìn)的電子信息技術(shù)，設(shè)立相應(yīng)的信息安全系統(tǒng)，并定期對(duì)于安全系統(tǒng)進(jìn)行檢查，發(fā)現(xiàn)安全漏洞時(shí)應(yīng)及時(shí)進(jìn)行維護(hù)，使其能夠?qū)ζ髽I(yè)的信息進(jìn)行實(shí)時(shí)保護(hù)，還應(yīng)該將大數(shù)據(jù)信息庫(kù)進(jìn)行更新，保證數(shù)據(jù)庫(kù)中的信息安全，而政府應(yīng)該對(duì)于網(wǎng)絡(luò)信息安全設(shè)置相應(yīng)的法律規(guī)定，使信息泄露后能夠有法律保障，維護(hù)企業(yè)以及使用者的利益，從而保證網(wǎng)絡(luò)數(shù)據(jù)的安全，營(yíng)造綠色的網(wǎng)絡(luò)使用環(huán)境，促進(jìn)大數(shù)據(jù)時(shí)代進(jìn)行下一步的發(fā)展。

由上式可見(jiàn)，W越高表示用戶主要活動(dòng)范圍內(nèi)，5G網(wǎng)絡(luò)覆蓋及使用體驗(yàn)越好。因明細(xì)較多，這里不全部枚舉，挑選典型用戶展示如下?；诋?dāng)前5G網(wǎng)絡(luò)處于高速建設(shè)時(shí)期，以W=7為評(píng)判閾值，當(dāng)W≥7分時(shí)，判定5G網(wǎng)絡(luò)覆蓋可滿足用戶日常使用需求。隨著5G網(wǎng)絡(luò)的建設(shè)發(fā)展，該評(píng)判閾值將隨之提高。如表2所示。

表2 5G網(wǎng)絡(luò)覆蓋影響度

2 升級(jí)5G智能終端

用戶在5G網(wǎng)絡(luò)覆蓋范圍內(nèi)，通過(guò)5G智能終端連接5G網(wǎng)絡(luò)。截至2020年2月底，國(guó)內(nèi)5G智能終端市場(chǎng)已初具規(guī)模，終端品牌超過(guò)40款。本節(jié)通過(guò)大數(shù)據(jù)技術(shù)，對(duì)已升級(jí)5G智能終端用戶進(jìn)行分析，通過(guò)機(jī)器學(xué)習(xí)構(gòu)建升級(jí)5G智能終端用戶模型，精準(zhǔn)識(shí)別可升級(jí)5G智能終端用戶，以開(kāi)展智慧營(yíng)銷工作。

2.1 模型設(shè)計(jì)

本研究屬于大數(shù)據(jù)預(yù)測(cè)分析中分類預(yù)測(cè)模型，分析目的為預(yù)測(cè)未進(jìn)行5G智能終端升級(jí)用戶在后續(xù)升級(jí)5G智能終端的概率。本研究可使用邏輯回歸、神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林建模。使用小規(guī)模數(shù)據(jù)模擬建模后，神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)精度優(yōu)于另兩種模型方案。

神經(jīng)網(wǎng)絡(luò)是一個(gè)非線性的數(shù)據(jù)建模工具集合。神經(jīng)元之間的連接賦予相關(guān)權(quán)重，訓(xùn)練算法在迭代過(guò)程中不斷調(diào)整這些權(quán)重，從而使預(yù)測(cè)誤差最小化并給出預(yù)測(cè)精度。多層感知器神經(jīng)網(wǎng)絡(luò)（MLP）包含多個(gè)隱藏層，可以發(fā)現(xiàn)更復(fù)雜的關(guān)系。本研究選用MLP為最終建模方案。

2.2 模型構(gòu)建

篩選已升級(jí)5G智能終端用戶（以下簡(jiǎn)稱5G用戶），為確保模型數(shù)據(jù)平衡防止過(guò)擬合，隨機(jī)提取等量級(jí)的非5G智能終端用戶（以下簡(jiǎn)稱非5G用戶）。按用戶特征信息提取樣本數(shù)據(jù)，特征信息分類及細(xì)化見(jiàn)表3。

表3 用戶特征信息

為確保分析數(shù)據(jù)質(zhì)量，首先對(duì)樣本數(shù)據(jù)進(jìn)行數(shù)據(jù)分析。

（1）數(shù)據(jù)過(guò)濾：將樣本數(shù)據(jù)中與目標(biāo)變量無(wú)關(guān)的特征信息進(jìn)行剔除，保留用戶標(biāo)識(shí)（user_id）、年齡（age）、性別（sex）、月消費(fèi)（ARPU）、流量（DOU）、終端使用時(shí)長(zhǎng)（T_mon）、地市（area）7個(gè)特征信息，其中user_id僅作為記錄標(biāo)識(shí)，不作為模型輸入。設(shè)定輸出觀測(cè)值result，當(dāng)用戶為5G用戶時(shí)，result=1，否則result=0。

（3）數(shù)據(jù)分區(qū)：在有監(jiān)督的機(jī)器學(xué)習(xí)中，數(shù)據(jù)集一般被分成培訓(xùn)集、測(cè)試集和驗(yàn)證集。培訓(xùn)集主要用來(lái)培訓(xùn)模型；測(cè)試集主要是測(cè)試已培訓(xùn)模型的分辨能力（識(shí)別率等）、推廣能力；驗(yàn)證集主要用于調(diào)整模型的超參數(shù)，在神經(jīng)網(wǎng)絡(luò)中可以通過(guò)驗(yàn)證集選擇隱藏層神經(jīng)元的數(shù)量。分區(qū)數(shù)據(jù)均從樣本數(shù)據(jù)中隨機(jī)抽取，本研究按培訓(xùn)集50%、測(cè)試集40%、驗(yàn)證集10%分區(qū)。如圖2所示。

圖2 5G智能終端升級(jí)模型

2.3 模型挖掘及評(píng)估

MLP一般由一個(gè)輸入層，一個(gè)輸出層和若干個(gè)隱藏神經(jīng)元層組成。每一層由一個(gè)或多個(gè)神經(jīng)元互相連結(jié)。一個(gè)神經(jīng)元的輸出便是另一個(gè)神經(jīng)元的輸入。

本研究中輸入層：age、sex、ARPU、DOU、T_mon、area。

隱藏神經(jīng)元層：隱藏神經(jīng)元層與輸入層全連接。用xi表示輸入變量，用 ωi表示各輸入變量的加權(quán)系數(shù)（權(quán)值），用P表示加權(quán)求和，用y表示輸出。

隱藏神經(jīng)元層包括兩部分：（1）對(duì)輸入變量的加權(quán)求和；（2）對(duì)求和結(jié)果進(jìn)行“激活”得到輸出。定義輸入恒為1的權(quán)值為ω0，即權(quán)值也包含偏移量，則加權(quán)求和的公式為：

其中：

激活公式為：

MLP的目標(biāo)是使誤差最小。MLP的誤差可用平方誤差函數(shù)E表示。設(shè)樣本x有n個(gè)屬性，目標(biāo)值t有J種可能，則該MLP的輸入層（第一層）一共有n個(gè)神經(jīng)元，輸出層（第L層，設(shè)MLP一共有L層）一共有J個(gè)神經(jīng)元。樣本x經(jīng)過(guò)向前通路得到最終輸出，其中下標(biāo)表示y所在層的神經(jīng)元索引，上標(biāo)表示y所在的層。則該樣本的平方誤差為：

上式中的平方誤差函數(shù)除以2，是為了便于后面的求導(dǎo)運(yùn)算，因?yàn)樗挥绊懻`差的變化趨勢(shì)。yjL由上一層（即L-1層）所有神經(jīng)元的輸出經(jīng)加權(quán)激活后得到，而第L-1層神經(jīng)元又由第L-2層的所有神經(jīng)元輸出經(jīng)加權(quán)激活后得到，因此可以說(shuō)誤差E是全體權(quán)值ω的函數(shù)，通過(guò)改變權(quán)值ω，就可以達(dá)到使誤差E最小的目的。

通過(guò)上述方法得到圖3中的神經(jīng)網(wǎng)絡(luò)模型。

圖3 神經(jīng)網(wǎng)絡(luò)模型

本模型輸出預(yù)測(cè)結(jié)果為1或0，模型輸出預(yù)測(cè)$N-result與觀測(cè)result相同時(shí)模型輸出準(zhǔn)確，各分區(qū)準(zhǔn)確率為：培訓(xùn)集準(zhǔn)確率75.88%，測(cè)試集準(zhǔn)確率75.69%，驗(yàn)證集準(zhǔn)確率75.81%，因模型輸出明細(xì)數(shù)據(jù)過(guò)多，這里不全部枚舉，部分模型輸出數(shù)據(jù)如圖4所示。

圖4 神經(jīng)網(wǎng)絡(luò)模型輸出

對(duì)模型輸出準(zhǔn)確率進(jìn)一步研究，對(duì)比觀測(cè)值與預(yù)測(cè)值發(fā)現(xiàn)，觀測(cè)值result=1預(yù)測(cè)準(zhǔn)確率90.1%。本模型輸入樣本中5G用戶觀測(cè)值result=1確定且唯一；隨機(jī)抽取非5G用戶觀測(cè)值不確定，因模型需要定義result=0。本模型構(gòu)建初衷為預(yù)測(cè)result=0用戶轉(zhuǎn)變?yōu)閞esult=1用戶概率，因此本模型構(gòu)建符合預(yù)期。如圖5所示。

圖5 神經(jīng)網(wǎng)絡(luò)模型result分類

2.4 模型應(yīng)用

結(jié)合5G網(wǎng)絡(luò)覆蓋度影響度和升級(jí)5G智能終端模型，抽取當(dāng)月非5G用戶50萬(wàn)戶，經(jīng)模型演算后預(yù)測(cè)可升級(jí)為5G用戶共35萬(wàn)戶。如圖6所示。

圖6 預(yù)測(cè)模型輸出

鑒于疫情期間，盡量減少用戶到營(yíng)業(yè)廳接觸，預(yù)測(cè)輸出數(shù)據(jù)主要應(yīng)用在江蘇移動(dòng)掌上營(yíng)業(yè)廳，應(yīng)用周期為3周，應(yīng)用位置包括首頁(yè)Banner及5G新品專區(qū)。模型應(yīng)用后，用戶升級(jí)5G網(wǎng)絡(luò)成功率較模型應(yīng)用前有較大提升。隨著疫情解除，該模型將擴(kuò)展運(yùn)用于線下實(shí)體廳店，有助于進(jìn)一步提升成功率。如圖7所示。

圖7 掌上營(yíng)業(yè)廳應(yīng)用展示

3 結(jié)束語(yǔ)

在5G網(wǎng)絡(luò)大發(fā)展時(shí)期，為讓更多的用戶進(jìn)行網(wǎng)絡(luò)升級(jí)，更快地使用到5G網(wǎng)絡(luò)。本文對(duì)已升級(jí)5G網(wǎng)絡(luò)用戶開(kāi)展分析，基于網(wǎng)絡(luò)覆蓋對(duì)用戶使用影響的先決條件，通過(guò)大數(shù)據(jù)機(jī)器學(xué)習(xí)分類算法構(gòu)建升級(jí)5G網(wǎng)絡(luò)模型。本模型在江蘇移動(dòng)掌上營(yíng)業(yè)廳APP開(kāi)展應(yīng)用，模型應(yīng)用較未應(yīng)用前，用戶升級(jí)5G網(wǎng)絡(luò)成功率有較大提升，后續(xù)該模型將擴(kuò)展應(yīng)用至線下實(shí)體廳店。因模型基于過(guò)去的數(shù)據(jù)進(jìn)行預(yù)測(cè)，目前已知進(jìn)行5G網(wǎng)絡(luò)升級(jí)用戶量偏小，模型輸入量級(jí)在十萬(wàn)級(jí)，模型輸出存在一定的誤差。隨著后續(xù)升級(jí)用戶群的擴(kuò)大，將進(jìn)一步對(duì)模型進(jìn)行優(yōu)化。