Basic Information:
- Title: LTE Network Quality Analysis Method Based on MR Data and XGBoost Algorithm (基于MR数据和XGBoost算法的LTE网络质量分析方法)
- Authors: Xi Wang, Qiang Zhou
- Affiliation: Xi Wang - Wireless Network Optimization Center, China Mobile Communications Group Fujian Co., Ltd. (中国移动通信集团福建有限公司无线网络优化中心); Qiang Zhou - Department of Network Optimization R&D, China Mobile Group Design Institute Co., Ltd. Fujian Branch (中国移动集团设计院福建分公司网络优化研发部)
- Keywords: LTE network, MR data, classification, XGBoost algorithm
- URLs: Paper, [GitHub: None]
论文简要 :
- 本文提出了一种基于MR数据和XGBoost分类算法的LTE网络质量分析方法,能够快速诊断网络质量差的原因,有效地反映客户感知,并为网络优化提供有用信息,提高网络优化工程师的效率,降低劳动成本。
背景信息:
- 论文背景: 随着4G网络规模的不断扩大,客户规模也在迅速增长,网络问题逐渐出现。传统的DT和CQT方法需要大量的专业网络优化工程师和测试设备,耗费时间和金钱,并且无法及时诊断LTE网络质量差异的原因,严重影响客户感知。
- 过去方案: 传统的DT和CQT方法只能测试有限的道路和点,测试覆盖范围小,需要专业优化工程师使用测试设备在现场收集数据,耗时且昂贵。基于模拟技术的LTE网络质量检测方法精度较低,无法充分反映客户感知。
- 论文的Motivation: 鉴于运营商已经通过终端上传了大量的测量信息并存储了大量的MR数据,本文提出了一种基于MR数据和XGBoost分类算法的LTE网络质量分析方法,通过分类算法构建了质量差的LTE网络根因定位模型,能够快速准确地定位网络质量差的根本原因,并通过OTT数据获取位置信息,为网络优化提供有效数据支持,提高用户感知和满意度。
方法:
-
a. 理论背景:
- 传统的LTE网络质量分析方法,即驱动测试(DT)和呼叫质量测试(CQT),耗时、昂贵,并且不能及时诊断网络质量差的原因,导致客户感知问题。目前基于模拟技术的检测方法也存在准确性限制。然而,本文提出了使用测量报告(MR)数据和XGBoost分类算法作为一种快速准确诊断LTE网络质量差原因的方法,为网络优化提供有效的数据支持,降低劳动成本。
-
b. 技术路线:
- XGBoost算法基于梯度提升决策树(GBDT)算法开发,使用二阶泰勒展开来扩展目标函数。它涉及使用前向逐步和加法模型算法进行优化过程,以及用于模型复杂性的惩罚函数。该算法旨在基于MR大数据高效准确地识别LTE网络质量差的根本原因,为网络优化提供有效的数据支持,降低网络优化的劳动成本。
结果:
-
a. 详细的实验设置:
- 本研究使用了随机搜索交叉验证(Randomized SearchCV)方法来调整参数,并评估了不同分类算法(包括多元逻辑回归、支持向量机、随机森林和XGBoost)的效果。使用5折交叉验证来测量每个算法的预测准确率。
-
b. 详细的实验结果:
- XGBoost算法的预测准确率最高,达到92.2%。
原文翻译
抽象的:
目前,LTE网络质量分析主要基于路测(DT)和通话质量测试(CQT)。这两种方法都需要大量专业的网络优化工程师和测试设备。测试方法耗费大量时间和金钱,且无法及时诊断LTE网络质量差异的原因,严重影响客户感知。本文提出了一种基于测量报告(MR)数据和XGBoost分类算法的LTE网络质量分析方法,以快速诊断网络质量差的原因。该方法能够有效、全面地反映顾客感知。它可以为网络优化提供有用的信息。大大提高了网络优化工程师的工作效率,减少了大量的人力成本。