CN104640137B - 一种基于无线泛在网接入选择的QoE优化方法 - Google Patents

Abstract

本发明公开了一种基于无线泛在网接入选择的QoE优化方法，该方法根据终端当前所处的无线泛在网环境下可接入的网络进行评价，对可接入的无线网络分别计算得到一个评价值MOS_i，其中i＝1,2,…,n，n表示当前可接入的无线网络数，运用灰色预测算法模型GM(1,1)对下一时刻的网络进行预测，得到预测值MOS_next，于当前时刻的网络评价值MOS_i进行比较，如果预测值MOS_next比当前时刻其他未接入的无线网络的评价值低，说明当前所接入的网络依旧是最好的网络，否则说明当前所接入的网络在下一时刻可能不是最好的网络，需要进行切换，即切换网络接入到当前时刻其他无线网络中评价值最高的网络。

Description

一种基于无线泛在网接入选择的QoE优化方法

技术领域

本发明属于无线通信技术领域，特别涉及无线泛在网络中用户对业务体验质量的优化。

背景技术

随着人类社会和经济的不断发展，信息的交换和传输已经成为人们生活中与衣食住行一样必不可少的部分。为了实现此目的，无线通信技术在近20年内呈现出异常繁荣的景象，也带来了多种类型无线通信网络的发展和共存，这些无线通信网络被统一称为无线异构网络(wireless heterogeneous network)。目前，已经有不少于25种的无线异构网络方法在投入使用，为人们提供无线通信业务，其中包括GSM、GPRS、EDGE、UMTS、CDMA2000、HSDPA、IEEE802.11a/b/g/n、WiMAX、DECT、蓝牙、RFID、UWB、T-DMB、DVB-T、DVB-H以及其它技术等。此外，还有层出不穷的无线通信系统即将或在不远的未来进入商用，如802.20、802.16M、LTE、4G和无线传感器网络。

同时，在日新月异的移动互联网时代，不断提高用户体验才是关键。用户体验质量(Quality of Experience，简称：QoE)是一种以用户认可程度为标准的服务的评价方法。异构网络融合实现了各种无线通信网络之间互联互通、数据无缝连接以及对用户的透明化，继而满足用户日益增长的无线需求，为用户带来前所未有的业务体验，近年来引起了广泛关注，然而，移动网络的接入方式很多，如何选择一个网络接入以保障得到最好的用户体验质量，成为了异构网络融合后急需解决的问题。因为只有不断提高用户体验质量才能保证用户不会流失，才能在激烈的市场竞争中获胜。为此，选择最好的网络接入继而得到的最好的用户体验质量显得十分重要。而本发明能够很好地解决上面的问题。

发明内容

本发明目的在于提出了一种基于无线泛在网接入选择的QoE优化方法，该方法根据无线泛在网中存在多种无线接入网，通过回归分析法，得到一个基于QoE的网络性能评价值，并运用改进的灰色预测法，预测下一时刻的网络性能情况，进行相应的比较，选择出下个时刻最优质的网络以得到最好的用户体验质量，若预测的最佳网络不是当前接入的网络，则进行网络切换以保证终端基本上所有时刻一直接入最好的网络以获得最好的用户体验。同时，该方法又非常简单而易于实现，具有很好的应用前景。

本发明解决其技术问题所采取的技术方案是：本发明提供了一种基于无线泛在网接入选择的QoE优化方法，该方法根据终端当前所处的无线泛在环境下可接入的网络进行评价，对m个可接入的无线网络分别计算网络评价值MOS，运用一阶一元灰色预测模型GM(1,1)得到各网络的评价预测值，选择评价预测值最佳的接入网络，若是当前接入网络，则不切换，否则切换到最佳接入网络。

无线网络的评价值MOS是根据无线网络参数丢包率、时延和网速的数值与用户对网络的主观评分拟合而计算得到。所以，接入评价值最高的无线网络，即可认为能给用户带来最好的用户体验质量。

改进的灰色预测算法模型GM(1,1)通过保存前n个时刻的可接入网络的评价值，对下一时刻网络评价值进行预测，同时根据新陈代谢原理，实时更新用于预测的样本MOS_k,k＝1,2,…,n以更准确预测下一时刻的网络评价值。其中，n为用于预测的样本数据个数。

通过回归拟合方法得到网络评价值，并根据灰色预测模型预测下一时刻的网络评价值，进而选择并接入最优质网络，以保证最佳的用户体验质量。

方法流程：

步骤1：测量无线泛在网络中各种接入网的网络参数值，包括丢包率、延时和网速，同时让测试人员直接对网络进行评价，更好地反映网络对QoE的影响，将网络评价值作为因变量，丢包率、时延和带宽作为应变量，根据实验数据运用回归分析法拟合得到一个拟合度极高的方程来计算网络的评价值MOS。

步骤2：根据网络评价值的回归方程，得到n个时刻所有可接入网的网络评价值序列，预测下一时刻各网络的评价值。

步骤3：根据预测的网络评价值，选择出评价预测值最佳的网络，若是当前接入网络，则不切换，否则切换到最佳网络，从而保证下一时刻以很大概率接入到最好的网络。

步骤4：实时更新用于预测的网络评价值样本数据，根据新陈代谢法将最新的样本数据加入到样本序列中，并去除最旧的样本数据，从而更准确预测下一时刻的网络评价值。

有益效果：

1、本发明应用回归分析法，并根据用户的评价，得出网络参数和网络性能评价值的回归方程，拟合得到的方程将更真实地反映用户的主观评价。

2、本发明应用改进的灰色预测模型(即二次拟合的灰色预测GM(1,1)模型)，通过修正原始样本序列，从而保证预测过程的顺利完成。

3、本发明利用灰色预测模型的小样本预测特点，选取最新时刻的5个样本数据，用于预测过程；同时，采样的时间间隔极短，能够充分反映网络的实际性能和变化趋势，从而准确地预测下一时刻的网络性能。

4、本发明提出的网络评价与QoE优化方法简单、易于实现，具有很好的应用前景。

附图说明

图1为本发明的无线泛在网场景示意图。

图2为本发明的方法流程图。

具体实施方式

下面结合说明书附图对本发明创造作进一步的详细说明。

如图1所示，移动终端所处的无线网络环境中，有多个可接入的网络，有WLAN、3G和EDGE等。为了更好的获得用户体验质量，需要从多个接入网中选择最好的网络接入。运用回归分析法得到拟合度极高的回归方程来评价无线网络的性能，再根据改进的灰色预测算法，预测下一时刻最好的接入网络并接入。

回归分析(regression analysis)是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，运用十分广泛，通常用于数据分析。确定应变量为网络的评价值MOS，自变量为网络性能的三个参数：丢包率、网速和时延。其中网络评价值采用广泛使用的国家电信联盟(ITU)建议的“平均评估分值”(Mean Opinion Score,MOS)，该方法将网络性能分为5个层次，如表1所示，此量化方法细致地描述了网络性能。运用多元非线性回归分析法，得到拟合度极高的回归方程：

其中，MOS为网络性能评价值；Spd为网络速率，单位为KB/s；Del为网络延时，单位为ms；Pkl为网络丢包率，单位为％；a,b,c,d,e为回归方程参数，通过回归分析法拟合得到，ln(·)表示取对数。特别地，网络评价值MOS的取值范围为0到5，反映无线网络的性能。

表1：表示平均评估分值(简称：MOS)

MOS	网络性能
		5	优
4	良
		3	中
2	次
		1	劣

本发明对得到的回归方程采用拟合优度校验(判定系数R²的校验)，R²的校验反映回归方程的拟合程度，R²越接近1，回归方程的拟合度越好，公式如下：

其中，表示实验数据中MOS的平均值。只有通过校验的回归方程才能更准确地反映网络性能。

预测就是借助于对过去的探讨去推测、了解未来。灰色预测通过原始数据的处理和灰色模型的建立，发现、掌握系统发展规律，对系统的未来状态做出科学的定量预测。

灰色系统理论以“部分信息已知、部分信息未知”的“小样本”、“贫信息”不确定型系统的研究对象，在数学发展史上，最早研究的是确定型的微分方程，即在拉普拉斯决定论框架内的数学，认为一旦有了描写事物的微分方程及初值，就能确知事物任何时候的运动。灰色系统理论则认为不确定量是灰数，用灰色数学来处理不确定量，同样能使不确定量予以量化。灰色系统理论能处理贫信息系统，灰色预测模型只要求较短的观测资料即可灰色时间序列预测。用等时距观测到的反映预测对象特征的一系列数量(如产量、销量、人口数量、存款数量、利率等)构造灰色预测模型，预测未来某一时刻的特征量，或者达到某特征量的时间，通常使用的灰色预测模型为GM(1,1)模型。

设原始序列X⁽⁰⁾＝{x⁽⁰⁾(1),x⁽⁰⁾(2),...,x⁽⁰⁾(n)}经过一次累积的生成序列为X⁽¹⁾＝{x⁽¹⁾(1),x⁽¹⁾(2),...,x⁽¹⁾(n)}，上标“0”表示原始序列，上标“1”表示一次累加生成序列。其中累减生成是累加生成的逆运算，记原始序列为X⁽¹⁾＝{x⁽¹⁾(1),x⁽¹⁾(2),...,x⁽¹⁾(n)}，对X⁽¹⁾做一次累减生成，则得生成序列其中,x⁽⁰⁾(k)＝x⁽¹⁾(k)-x⁽¹⁾(k-1)，规定x⁽¹⁾(0)＝0。

令X⁽⁰⁾为GM(1,1)建模的原始序列，X⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),...,x⁽⁰⁾(n))，其中n为序列大小，即用于预测的样本个数。X⁽¹⁾为X⁽⁰⁾的一次累积序列：

X⁽¹⁾＝{x⁽¹⁾(1),x⁽¹⁾(2),...,x⁽¹⁾(n)}，

令Z⁽¹⁾为X⁽¹⁾的紧邻均值(MEAN)生成序列

Z⁽¹⁾＝(z⁽¹⁾(2),z⁽¹⁾(3),...,z⁽¹⁾(n))

z⁽¹⁾(k)＝0.5x⁽¹⁾(k)+0.5x⁽¹⁾(k-1)，k＝2,...,n

则GM(1,1)的定义模型，即GM(1,1)的灰微分方程模型为x⁽⁰⁾(k)+a'z⁽¹⁾(k)＝b'，其中a'称为发展灰数，b'为灰色作用量。设Λ为待估参数向量，即Λ＝(a',b')^T，运用最小二乘估计参数法求解待估参数向量，得Λ＝(B^TB)^-1B^TY，其中

则为灰色微分方程x⁽⁰⁾(k)+a'z⁽¹⁾(k)＝b'的白化方程，也称叫影子方程。

如上所述，则有

1)白化方程的解也称时间响应函数为

其中，表示一次累积序列在时刻t的预测(估计)值。

2)GM(1,1)灰色微分方程x⁽⁰⁾(k)+a'z⁽¹⁾(k)＝b'的时间响应序列为

其中，表示一次累积序列的第k+1个预测(估计)值，exp为自然指数。

3)由于x⁽¹⁾(1)＝x⁽⁰⁾(1)，则

4)还原成原始序列

其中，表示原始序列的第k+1个预测(估计)值。即为预测方程。传统的GM(1,1)模型会有较大的计算误差，可以通过二次拟合对预测模型的参数进行调整，提高计算精度。

二次拟合灰色预测模型的建模过程：

1)令为M，为N，则即可修改为由此可得

2)对上式进行修改，写成矩阵形式，可得

其中

X⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),...,x⁽¹⁾(n))^T

由最小二乘参数估计法计算可得

3)得到更精确的参数后，即可获得更准确的预测方程，公式如下：

灰色预测GM(1,1)模型的原始序列X⁽⁰⁾中的数据不一定要全部用来建模，对原始数据的取舍不同，可得模型参数不同，即a'和b'不同；模型的数据应保证建模序列等时距、相连，不得有跳跃出现；一般用于建模的数据序列应当由最新的数据及其相邻数据构成，当再出现新数据时，可采用两种方法处理：一是将新信息加入原始序列中，重估参数；二是去掉原始序列中最老的一个数据，再加上最新的数据，所形成的序列和原序列维数相等，再重估参数。灰色预测可以进行小样本预测，实时更新最新数据，提高了预测精度。

GM(1,1)预测模型同样也需要校验，以保证预测的准确性，灰色预测模型校验主要是残差检验、关联度检验和后验差检验。

1.残差校验

通过残差校验能够获得相对误差和绝对误差，用于校验模型曲线与实际值之间的拟合度，以此判断误差变化情况是否平稳。

绝对误差：

相对误差：

Δ(k)越小说明预测效果越好。

2.关联度校验

设原始数据与预测值之间绝对误差的最小值为min|ε(k)|，最大值为max|ε(k)|，则关联系数为：

其中ρ为分辨系数，取值范围为0到1，一般去0.5，则关联度为当R大于0.6时，说明所建立的预测模型可以达到满意的预测效果。

3.后验差校验

原始数列的均值为方差为

残差序列的均值为方差为

比值称为后验差比值，为小误差概率，后验差比值

C和小误差概率P反映了预测模型的预测精度等级，等级参照表如下：

表2：表示后验差检验判别参照表

P	C	模型精度
			>0.95	<0.35	优
>0.80	<0.5	合格
			>0.70	<0.65	勉强合格
<0.70	>0.65	不合格

本发明通过回归分析法得到网络性能评价方程可以算出网络的评价值，然后根据一定量的数据运用上述灰色预测算法进行预测，预测下一时刻的网络性能。在本方案中，选取包括当前时刻在内的前5个最新的网络评价值，之所以只选取5个样本数据，因为灰色预测适用于小样本预测，最新的数据越少更能反映当前的网络状况，也能更好地预测下一时刻的网络性能，如果用于预测的数据很多，那么网络预测的效果将不佳，因为网络状态会多变，很有可能无线网络从WLAN切换到3G，或者切换到别的网络，但是如果数据量越大，反而无法预测下一时刻的网络性能，相反，只用5个样本数据，即使网络之间切换，但是因为只是用最新的5个样本数据用于预测，所以更好地反映当前的网络情况，也能预测当前网络的趋势，不会被先前的数据所影响。因此本方案中去掉原始序列中最老的一个样本数据，再加上最新的样本数据，所形成的序列和原序列维数相等，再重估参数。

现如今，移动终端的性能和配置越来越好，为了更好的放映当前的网络性能并预测下一时刻的网络，等间距时间间隔可以选取很小的单位，由于时间间隔变短，因此计算的次数增大很多，但是移动终端的运算能力足以满足要求，但是在计算之前需要对5个样本数据进行修正。

假如5个样本数据完全相等，运用灰色预测模型进行计算的过程中，用最小二乘参数估计法得到的待估参数向量Λ＝(B^TB)^-1B^TY中a'为零这样会导致无法计算，也即无法计算。

无线网络中，因为时间间隔很短，有可能导致前后连续5个时刻的网络性能几乎一样，或者多数数据一样，这样就很有可能导致待估参数向量Λ＝(B^TB)^-1B^TY中的a'＝0，导致无法计算。因此需要对原序列在累积前进行修正，修正的方法就是给原序列每个数加上一个微小的不等的数，从而保证五个样本值不同。

假设用于预测的原始序列为(即网络性能评价值序列)，反映了连续五个时刻的网络性能评价值，用于预测下一时刻的网络性能。然后，对原始序列进行修正，得到修正的原始序列X⁽⁰⁾＝{x⁽⁰⁾(1),x⁽⁰⁾(2),...,x⁽⁰⁾(5)}：

其中，(α(1),α(2),…,α(5))为修正系数，其值非常小，但是5个数都不相同，即保证了对原始序列的影响很微小，也保证了预测算法的顺利运行。然后，运用二次拟合灰色预测模型GM(1,1)，通过预测方程可计算得到下一时刻的预测值

最后，当到达下一时刻，根据新陈代谢法，将5个原始数列的样本数据进行更新，去掉最旧的数据，加入最新样本数据。

本发明运用回归分析法得出网络参数对网络评价值的拟合方程，用于计算所有可接入无线网络的性能评价值。然后，运用灰色预测模型GM(1,1)预测下一时刻所有网络的性能评价值，通过比较选择下一时刻性能评价预测值最佳的接入网络，并接入到该网络，然后不断运行该方法，保证在每个时刻移动终端均接入到最佳网络，从而保证用户得到最佳的体验质量。

如图2所示，本发明提供了一种基于无线泛在网接入选择的QoE优化方法，该方法包括如下步骤：

步骤1：根据回归方程计算当前所有可接入网络的性能评价值，更新原始序列的样本数据，将最新的样本数据加入到原始序列中，并去除最旧的数据。

步骤2：对原始序列样本值进行修正，保证各样本值均不相同，以保证预测算法的顺利运行。

步骤3：利用改进的灰色预测模型对下一时刻的网络性能评价值进行预测，将所有可接入网络的评价预测值比较。

步骤4：根据比较结果，选择最优的网络，进行接入，若当前接入网络最优则不切换网络，否则切换网络。

以上对本发明实施里所提供的一种基于无线泛在网接入选择的QoE优化方法进行了详细介绍，对于本领域的一般技术人员，依据本发明实施例及其应用范围上均会有改变之处，综上所述，本发明实施例内容不应理解为对本发明的限制。

Claims (4)

1.一种基于无线泛在网接入选择的QoE优化方法，其特征在于，所述方法包括如下步骤：

步骤1：在无线泛在网络环境下，接入不同的无线网络，并测量多组数据，即丢包率、延时和网速等网络性能参数，然后让多名测试人员对网络性能做主观评价得到评价值，基于上述实验数据，运用回归分析法，得到回归方程以计算网络性能评价值，回归方程如下：

其中，MOS为网络性能的评价值，Spd为网络速率，Del为网络延时，Pkl为网络丢包率；a,b,c,d,e为回归方程参数，通过回归分析法拟合得到；ln(·)表示取对数；特别地，网络评价值MOS的取值范围为0到5；

步骤2：根据回归方程，计算得到用户终端的所有可接入网络在连续5个时刻的性能评价值，形成用于预测的原始序列即网络性能评价值序列；然后，对原始序列进行修正，得到修正的原始序列X⁽⁰⁾＝{x⁽⁰⁾(1),x⁽⁰⁾(2),...,x⁽⁰⁾(5)}，修正公式为：其中(α(1),α(2),…,α(5))为修正系数，其值非常小且各不相同，既保证了对原始序列的影响非常小，又保证了预测模型的顺利运行；在此基础上，采用改进的一阶一元灰色预测模型GM(1,1)预测得到所有可接入网络的性能评价值，具体方法如下：

首先，根据公式得到X⁽⁰⁾的一次累积序列X⁽¹⁾＝{x⁽¹⁾(1),x⁽¹⁾(2),...,x⁽¹⁾(5)}，x⁽¹⁾(k)为修正的网络性能评价值的累积值；根据公式z⁽¹⁾(k)＝0.5x⁽¹⁾(k)+0.5x⁽¹⁾(k-1),k＝2,...,5，得到X⁽¹⁾的紧邻均值生成序列Z⁽¹⁾＝(z⁽¹⁾(2),z⁽¹⁾(3),...,z⁽¹⁾(5))，z⁽¹⁾(k)为前后两个累积值的算术平均值；

接着，建立灰微分方程模型x⁽⁰⁾(k)+a'z⁽¹⁾(k)＝b'，a'为发展灰数，b'为灰色作用量；则参数向量Λ＝(a',b')^T可由最小二乘法估计得到，估计公式为Λ＝(B^TB)^-1B^TY，其中求解灰微分方程x⁽⁰⁾(k)+a'z⁽¹⁾(k)＝b'，得到时间响应序列为： 表示一次累积序列的第k+1个预测估计值，exp为自然指数；由于x⁽¹⁾(1)＝x⁽⁰⁾(1)，则上述估计公式修改为

最后，在估计得到参数向量Λ＝(a',b')^T的基础上，建立预测方程： 表示修正的原始序列的第k+1个预测估计值；令k＝5，由即可得到下一时刻的网络评价预测值

步骤3：将所有可接入网络的评价预测值进行比较，选择出性能评价预测值最佳的网络，进行接入：若最佳网络即为当前接入网络，则不切换，否则切换到最佳网络；

步骤4：当到达下一时刻，根据新陈代谢法，更新原始序列，去除最旧的样本数据，加入最新的样本数据，周期地运行步骤2-4。

2.根据权利要求1所述的一种基于无线泛在网接入选择的QoE优化方法，其特征在于，所述方法定量分析了无线网络参数即丢包率、延时和网速对用户体验质量的影响，通过实际测量和用户评价，借助非线性回归分析法得到回归拟合方程，从而基于网络参数计算网络性能评价值。

3.根据权利要求1所述的一种基于无线泛在网接入选择的QoE优化方法，其特征在于，所述方法对基本的灰色预测模型GM(1,1)加以改进，对参数向量Λ＝(a',b')^T进行二次拟合估计，并对用于预测的原始序列进行修正；进而采用改进的灰色预测模型，预测下一时刻所有可接入网络的性能评价值，选择并接入到下一时刻最佳的网络，以有效提升用户的体验质量。

4.根据权利要求1所述的一种基于无线泛在网接入选择的QoE优化方法，其特征在于，所述方法应用于无线泛在网络。