CN112751710A - 一种宽带用户质差定因方法及系统 - Google Patents
一种宽带用户质差定因方法及系统 Download PDFInfo
- Publication number
- CN112751710A CN112751710A CN202011610668.XA CN202011610668A CN112751710A CN 112751710 A CN112751710 A CN 112751710A CN 202011610668 A CN202011610668 A CN 202011610668A CN 112751710 A CN112751710 A CN 112751710A
- Authority
- CN
- China
- Prior art keywords
- user
- quality difference
- perception
- determining
- quality
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000008447 perception Effects 0.000 claims abstract description 88
- 230000003287 optical effect Effects 0.000 claims abstract description 32
- 238000010801 machine learning Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims description 20
- 238000003066 decision tree Methods 0.000 claims description 18
- 238000010276 construction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000011002 quantification Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/042—Backward inferencing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
- G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
- G06Q30/016—After-sales
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
- H04L65/80—Responding to QoS
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种宽带用户质差定因方法及系统,属于网络服务技术领域,包括以下步骤:S1:构造量化用户感知指标;S2:确定影响因子;S3:确定阈值;S4:质差判断及定因。本发明基于用户IPTV观看数据,从主动识别感知质差问题和接受客户投诉质差问题将用户主观感受转换为客户量化方式来对感知质差问题定界;基于机器学习CART算法,搭建用户质差识别模型,并锁定链路设备OLT、ONU等设备性能中影响用户感知的主要质差因子;基于用户质差识别模型逆向推理出影响用户感知的由设备性能导致的用户感知阈值;增强了运营商对宽带网络质差问题发现的手段以及问题定位和优化的效率,基本实现先于用户发现,便于定位和解决问题,可有效提升客户感知的满意度。
Description
技术领域
本发明涉及网络服务技术领域,具体涉及一种宽带用户质差定因方法及系统。
背景技术
流量经营时代,建立以用户为感知中心的网络运营体系已经成为全球运营商的诉求。电信运营商的网络运维正从以网络为中心到以业务质量和用户感知为中心的转型,传统方式下各业务部门分段维护和运营,存在用户感知和网络指标“剪刀差”现象,即用户发生业务投诉了而网络性能指标看起来十分完美。
如何评价用户感知差、如何定位影响用户感知差的原因?在实际中根据用户发送业务投诉,认为用户感知差,通过专家经验设置阈值,当网络性能指标超过阈值时确定业务质量问题。这种方式必定造成一定滞后效应,用户已经发生感知差,其中部分无法忍受网络质量对自己造成影响发生投诉,而另外一部分虽然没有投诉,若长期的感知差,有转网的潜在可能,对运营商来说将可能会出现用户流失现象。因此,提出一种宽带用户质差定因方法及系统。
发明内容
本发明所要解决的技术问题在于:如何评价用户感知差及定位影响用户感知差的原因,提供了一种宽带用户质差定因方法。
本发明是通过以下技术方案解决上述技术问题的,本发明包括以下步骤:
S1:构造量化用户感知指标
确定从用户主观感受到客户量化的用户感知相关的因子,构造量化用户感知指标;
S2:确定影响因子
构造质差识别模型的评价指标体系,确定用户感知相关的影响因子;
S3:确定阈值
确定影响用户感知的影响因子对应的阈值;
S4:质差判断及定因
计算单个用户是否出现感知质差现象以及影响因子和定因。
更进一步地,在所述步骤S1中,量化后的用户感知指标具体包括点播加载时长B1、频道切换时长B2、丢包率B3、视频MOS B4、用户投诉信息B5、用户投诉工单B6。
更进一步地,在所述步骤S1中,其中当如下指标之一发生时记用户感知差一次:
(1)点播加载时长B1>3s;
(2)频道切换时长B2>1s;
(3)丢包率B3>0.5%;
(4)视频MOS B4<3.5;
统计用户单位时间内发生用户感知差的次数记作Times,将threshold=Times的均值+3*Times的标准差作为用户感知阈值,即当某单位时间内用户的Times大于等于threshold时,将此单位时间用户定义为质差用户;否则为非质差用户。
更进一步地,在所述步骤S1中,当用户在某时段进行关于网络质量打电话投诉,将此单位时间用户也定义为质差用户。
更进一步地,在所述步骤S2中,将用户所处的链路OLT设备上联口、OLT设备下联口、ONU(光猫)、机顶盒的性能数据作为识别用户质差的评价指标体系,然后基于机器学习CART算法,构造质差识别模型,根据特征重要性输出影响因子,确定用户感知相关的影响因子。
更进一步地,评价指标体系包括:
OLT上联口/下联口的总峰值流量、总流量、接受流量、发生流量、均值接受速率、端口占用率;
OLT设备的发送光功率、接受光功率、电流、温度、电压;
ONU设备的发送光功率、接受光功率、电流、温度、电压、光损;
机顶盒软件版本号、内部版本号、EPG分组、EPG在线用户数、EPG最大用户数、码率类型、频流的清晰度。
更进一步地,在所述步骤S3中,根据步骤S2构建的质差识别模型对应的决策树,将决策树的节点分支条件作为影响因子的阈值。
更进一步地,在所述步骤S4中,对应需要判断的单个用户,将其对应的影响因子指标输入到质差识别模型的决策树中,叶节点的label表示其是否出现感知质差,所通过的节点即为影响因子,所满足的节点分支条件即为质差定因结果。
本发明还提供了一种宽带用户质差定因系统,采用上述的质差定因方法进行质差定因工作,包括:
量化指标构造模块,用于确定从用户主观感受到客户量化的用户感知相关的因子,构造量化用户感知指标;
影响因子确定模块,用于构造质差识别模型的评价指标体系,确定用户感知相关的影响因子;
阈值确定模块,用于确定影响用户感知的影响因子对应的阈值;
质差定因模块,用于计算单个用户是否出现感知质差现象以及影响因子和定因;
中央处理模块,用于向其他模块发出指令,完成相关动作;
所述量化指标构造模块、影响因子确定模块、阈值确定模块、质差定因模块均与中央处理模块电连接。
本发明相比现有技术具有以下优点:该宽带用户质差定因方法,基于用户IPTV观看数据从主动识别感知质差问题和接受客户投诉质差问题将用户主观感受转换为客户量化方式来对感知质差问题定界;基于机器学习CART算法,搭建用户质差识别模型,并锁定链路设备OLT、ONU等设备性能中影响用户感知的主要质差因子;基于用户质差识别模型逆向推理出影响用户感知的设备性能导致用户感知阈值;增强了运营商对宽带网络质差问题发现的手段以及问题定位和优化的效率,基本实现先于用户发现,定位和解决问题,可有效提升客户感知的满意度,值得被推广使用。
附图说明
图1是本发明实施例一中宽带用户质差定因方法的流程示意图;
图2是本发明实施例二中CART分类树算法的流程示意图。
具体实施方式
下面对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例一
如图1所示,本实施例提供一种技术方案:一种宽带用户质差定因方法,包括以下步骤:
S1:构造量化用户感知指标
确定从用户主观感受到客户量化的用户感知相关的因子,构造量化用户感知指标;
S2:确定影响因子
构造质差识别模型的评价指标体系,确定用户感知相关的影响因子;
S3:确定阈值
确定影响用户感知的影响因子对应的阈值;
S4:质差判断及定因
计算单个用户是否出现感知质差现象以及影响因子和定因。
在所述步骤S1中,量化后的用户感知指标具体包括点播加载时长B1、频道切换时长B2、丢包率B3、视频MOS B4、用户投诉信息B5、用户投诉工单B6;其中当如下指标之一发生时记用户感知差一次:
(1)点播加载时长B1>3s;
(2)频道切换时长B2>1s;
(3)丢包率B3>0.5%;
(4)视频MOS B4<3.5;
统计用户单位时间(一天)内发生用户感知差的次数记作Times,将threshold=均值(Times)+3*标准差(Times)作为用户感知阈值,即当某单位时间内用户的Times大于等于threshold时,将此单位时间用户定义为质差用户;否则为非质差用户。另外如果用户在某时段进行关于网络质量打电话投诉,将此单位时间用户也定义为质差用户;
上述两个判断条件中投诉电话更重要。即无论用户感知阈值评估结果是质差还是非质差,当接到用户关于网络质量投诉电话,此用户在此单位时间内定义为质差用户。
在所述步骤S2中,将用户所处的链路OLT设备上联口、OLT设备下联口、ONU(光猫)、机顶盒的性能数据作为识别用户质差的评价指标体系,然后基于机器学习CART算法,构造质差识别模型,根据特征重要性输出影响因子,确定用户感知相关的影响因子。
其中OLT设备是一种重要的局端设备,可以与前端(汇聚层)交换机用网线相连,转化成光信号,用单根光纤与用户端的分光器互联;实现对用户端设备ONU的控制、管理、测距;并和ONU设备一样,是光电一体的设备。ONU(OpticalNetworkUnit)光网络单元,ONU分为有源光网络单元和无源光网络单元。一般把装有包括光接收机、上行光发射机、多个桥接放大器网络监控的设备叫做光节点。PON使用单光纤连接到OLT设备,然后OLT设备连接到ONU。ONU提供数据、IPTV(即交互式网络电视),语音(使用IAD,即IntegratedAccessDevice综合接入设备)等业务,真正实现“triple-play”应用。
在所述步骤S3中,根据步骤S2构建的质差识别模型对应的决策树,将决策树的节点分支条件作为影响因子的阈值。
在所述步骤S4中,对应需要判断的单个用户,将其对应的影响因子指标输入到质差识别模型的决策树中,叶节点的label表示其是否出现感知质差,所通过的节点即为影响因子,所满足的节点分支条件即为质差定因结果。
本实施例还提供了一种宽带用户质差定因系统,采用上述的质差定因方法进行质差定因工作,包括:
量化指标构造模块,用于确定从用户主观感受到客户量化的用户感知相关的因子,构造量化用户感知指标;
影响因子确定模块,用于构造质差识别模型的评价指标体系,确定用户感知相关的影响因子;
阈值确定模块,用于确定影响用户感知的影响因子对应的阈值;
质差定因模块,用于计算单个用户是否出现感知质差现象以及影响因子和定因;
中央处理模块,用于向其他模块发出指令,完成相关动作;
所述量化指标构造模块、影响因子确定模块、阈值确定模块、质差定因模块均与中央处理模块电连接。
实施例二
本实施例中提供了一种基于CART算法的多维度宽带用户质差定因方法,其包括如下步骤:
S1:确定从用户主观感受到客户量化的用户感知相关的因子,构造量化用户感知指标;
具体为:用户感知指标主要包括点播加载时长B1、频道切换时长B2、丢包率B3、视频MOS B4、用户投诉信息B5、用户投诉工单B6;其中当下面指标之一发生时记用户感知差一次:
(1)点播加载时长B1>3s;
(2)频道切换时长B2>1s;
(3)丢包率B3>0.5%;
(4)视频MOS B4<3.5;
统计用户单位时间(一天)内发生用户感知差的次数记作Times,将threshold=均值(Times)+3*标准差(Times)作为用户感知阈值,即当某单位时间内用户的Times大于等于threshold时,将此单位时间用户定义为质差用户;否则为非质差用户。另外如果用户在某时段进行关于网络质量打电话投诉,将此单位时间用户也定义为质差用户;
上述两个判断条件中投诉电话更重要。即无论用户感知阈值评估结果是质差还是非质差,当接到用户关于网络质量投诉电话,此用户在此单位时间内定义为质差用户。
S2:构造质差识别模型的评价指标体系,确定用户感知相关的影响因子;
具体为:
S21:将用户所处的链路OLT设备上联口、OLT设备下联口、ONU(光猫)、机顶盒的性能数据作为识别用户质差的评价指标体系,主要包括如下:
(1)OLT上联口/下联口的总峰值流量、总流量、接受流量、发生流量、均值接受速率、端口占用率;
(2)OLT设备的发送光功率、接受光功率、电流、温度、电压;
(3)ONU设备的发送光功率、接受光功率、电流、温度、电压、光损;
(4)机顶盒软件版本号、内部版本号、EPG分组、EPG在线用户数、EPG最大用户数、码率类型、频流的清晰度;
S22:基于用户质差的评价指标体系和用户质差标签(label),利用机器学习CART算法,构建质差识别模型;
用户质差标签有两种,分别为质差用户与非质差用户,对量化用户感知指标和用户感知阈值之间进行判断结合投诉电话,对用户进行判断后,得出每个用户的质差标签(label)。
CART分类树算法是一个二叉树,使用基尼系数来选择特征,基尼系数代表了模型的不纯度,基尼系数越小,不纯度越低,特征越好。
对于样本D,个数为|D|,假设有K个类别,第k个类别的数量为|Ck|,则样本D的基尼系数表达式:
对于样本D,个数为|D|,根据特征A的某个值a,将样本集合D划分两部分D1和D2,则在特征A的条件下,样本集合D的基尼指数表达式为:
如图2所示,本实施例中的CART分类树算法具体流程如下:
算法输入:训练集D、基尼系数阈值、样本个数阈值。
输出:决策树Tree。
算法从根节点开始,用训练集递归建立CART分类树。
(1)、对于当前节点的数据集为D,如果样本个数小于样本个数阈值或者没有特征,则返回决策树子树,当前节点停止递归;
(2)计算样本集D的基尼系数,如果基尼系数小于基尼系数阈值,则返回决策树子树,当前节点停止递归;
(3)、计算当前节点现有的各个特征的各个特征值对数据集D的基尼系数,采用基尼系数的大小度量特征各个划分点的优劣。
(4)、在计算出来的各个特征的各个特征值对数据集D的基尼系数中,选择基尼系数最小的特征A和对应的特征值a,根据这个最优特征和最优特征值,把数据集划分为两部分D1和D2,同时建立当前节点的左右节点,左节点的数据为D1,右节点的数据为D2。
(5)、对左右的子节点递归的调用1-4步,生成决策树。
对生成的决策树做预测的时候,假设测试集里的样本A落到了某个叶节点,而节点里有很多个训练样本。则对应A的类别预测采用的是这个叶节点里概率最大的类别。
根据CART分类树算法的评估指标:查准率、查全率和F1值进行评估。其中:
查准率(Precision)=TP/(TP+FP);
查全率(Recall)=TP/(TP+FN),
TP:实例是正例,划分为正例;
FN:实际是正例,却划分成了负例
FP:实际是负例,却划分成了正例;
TN:实际是负例,划分为负例
F1的计算公式:
查准率、查全率、F1均属于[0,1]之间的值,并且值越大说明模型精度越好。根据特征重要性输出影响因子,特征重要性计算公式如下:
特征重要性=节点样本数*Gini-∑子节点(Di)的样本数*Gini(Di)
将根据特征重要性值的大小进行排序,特征重要性值越大说明影响用户感知的越大。将特征重要性值大于0的作为影响因子,从而确定用户感知相关的影响因子。
需要说明的是,评价指标体系中的评价指标和该CART分类树算法中参数之间没有直接的关系。因为该CART分类树算法最后输出是对用户是否为质差用户的判断结果,评价指标用于对所有用户的判断标签结果和实际标签进行比较,输出算法判断好坏。
S3:确定影响用户感知的影响因子对应的阈值;
根据步骤S2构建质差识别模型对应的决策树,根据输出特征重要性确定影响因子,再根据决策树的节点特征切分点集合即为影响因子的阈值。
S4:计算单个用户是否出现感知质差现象以及影响因子和定因。
根据得到的决策树,将决策树转换为if-else函数形式质差定因函数,该函数除了输出预测样本的类别,同时将预测类别的依据输出即将if条件语句判断条件作为影响因子结果以及阈值输出,最后输出影响因子和定因结果。
综上所述,上述实施例的宽带用户质差定因方法,基于用户IPTV观看数据,从主动识别感知质差问题和接受客户投诉质差问题将用户主观感受转换为客户量化方式来对感知质差问题定界;基于机器学习CART算法,搭建用户质差识别模型,并锁定链路设备OLT、ONU等设备性能中影响用户感知的主要质差因子;基于用户质差识别模型逆向推理出影响用户感知的设备性能导致用户感知阈值;增强了运营商对宽带网络质差问题发现的手段以及问题定位和优化的效率,基本实现先于用户发现,定位和解决问题,可有效提升客户感知的满意度,值得被推广使用。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (9)
1.一种宽带用户质差定因方法,其特征在于,包括以下步骤:
S1:构造量化用户感知指标
确定从用户主观感受到客户量化的用户感知相关的因子,构造量化用户感知指标;
S2:确定影响因子
构造质差识别模型的评价指标体系,确定用户感知相关的影响因子;
S3:确定阈值
确定影响用户感知的影响因子对应的阈值;
S4:质差判断及定因
计算单个用户是否出现感知质差现象以及影响因子和定因。
2.根据权利要求1所述的一种宽带用户质差定因方法,其特征在于:在所述步骤S1中,量化后的用户感知指标具体包括点播加载时长、频道切换时长、丢包率、视频MOS、用户投诉信息、用户投诉工单。
3.根据权利要求2所述的一种宽带用户质差定因方法,其特征在于:在所述步骤S1中,其中当如下指标之一发生时记用户感知差一次:
点播加载时长>3s;
频道切换时长>1s;
丢包率>0.5%;
视频MOS<3.5;
统计用户单位时间内发生用户感知差的次数记作Times,将threshold=Times的均值+3*Times的标准差作为用户感知阈值,即当某单位时间内用户的Times大于等于threshold时,将此单位时间用户定义为质差用户;否则为非质差用户。
4.根据权利要求3所述的一种宽带用户质差定因方法,其特征在于:在所述步骤S1中,当用户在某时段进行关于网络质量打电话投诉,将此单位时间用户同样定义为质差用户。
5.根据权利要求4所述的一种宽带用户质差定因方法,其特征在于:在所述步骤S2中,将用户所处的链路OLT设备上联口、OLT设备下联口、ONU、机顶盒的性能数据作为识别用户质差的评价指标体系,然后基于机器学习CART算法,构造质差识别模型,根据特征重要性输出影响因子,确定用户感知相关的影响因子。
6.根据权利要求5所述的一种宽带用户质差定因方法,其特征在于,评价指标体系包括:
OLT上联口/下联口的总峰值流量、总流量、接受流量、发生流量、均值接受速率、端口占用率;
OLT设备的发送光功率、接受光功率、电流、温度、电压;
ONU设备的发送光功率、接受光功率、电流、温度、电压、光损;
机顶盒软件版本号、内部版本号、EPG分组、EPG在线用户数、EPG最大用户数、码率类型、频流的清晰度。
7.根据权利要求6所述的一种宽带用户质差定因方法,其特征在于:在所述步骤S3中,根据步骤S2构建的质差识别模型对应的决策树,将决策树的节点分支条件作为影响因子的阈值。
8.根据权利要求7所述的一种宽带用户质差定因方法,其特征在于:在所述步骤S4中,对应需要判断的单个用户,将其对应的影响因子指标输入到质差识别模型的决策树中,叶节点的label表示其是否出现感知质差,所通过的节点即为影响因子,所满足的节点分支条件即为质差定因结果。
9.一种宽带用户质差定因系统,其特征在于,采用上述的质差定因方法进行质差定因工作,包括:
量化指标构造模块,用于确定从用户主观感受到客户量化的用户感知相关的因子,构造量化用户感知指标;
影响因子确定模块,用于构造质差识别模型的评价指标体系,确定用户感知相关的影响因子;
阈值确定模块,用于确定影响用户感知的影响因子对应的阈值;
质差定因模块,用于计算单个用户是否出现感知质差现象以及影响因子和定因;
中央处理模块,用于向其他模块发出指令,完成相关动作;
所述量化指标构造模块、影响因子确定模块、阈值确定模块、质差定因模块均与中央处理模块电连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011610668.XA CN112751710A (zh) | 2020-12-30 | 2020-12-30 | 一种宽带用户质差定因方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011610668.XA CN112751710A (zh) | 2020-12-30 | 2020-12-30 | 一种宽带用户质差定因方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112751710A true CN112751710A (zh) | 2021-05-04 |
Family
ID=75649694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011610668.XA Pending CN112751710A (zh) | 2020-12-30 | 2020-12-30 | 一种宽带用户质差定因方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112751710A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023098476A1 (zh) * | 2021-11-30 | 2023-06-08 | 中兴通讯股份有限公司 | 网络质差用户的判断方法、装置、电子设备及存储介质 |
CN118171196A (zh) * | 2024-05-16 | 2024-06-11 | 电子科技大学 | 一种基于光网络大数据的视频业务客户体验质量预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102300238A (zh) * | 2011-09-02 | 2011-12-28 | 四川公用信息产业有限责任公司 | 宽带网络感知客户的系统及方法 |
CN108683527A (zh) * | 2018-04-25 | 2018-10-19 | 武汉虹信技术服务有限责任公司 | 一种基于mr和xdr的用户感知深度检测方法 |
CN111401591A (zh) * | 2018-12-17 | 2020-07-10 | 中国移动通信集团北京有限公司 | 一种质差用户确定方法、装置和可读介质 |
CN112101692A (zh) * | 2019-06-18 | 2020-12-18 | 中国移动通信集团浙江有限公司 | 移动互联网质差用户的识别方法及装置 |
-
2020
- 2020-12-30 CN CN202011610668.XA patent/CN112751710A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102300238A (zh) * | 2011-09-02 | 2011-12-28 | 四川公用信息产业有限责任公司 | 宽带网络感知客户的系统及方法 |
CN108683527A (zh) * | 2018-04-25 | 2018-10-19 | 武汉虹信技术服务有限责任公司 | 一种基于mr和xdr的用户感知深度检测方法 |
CN111401591A (zh) * | 2018-12-17 | 2020-07-10 | 中国移动通信集团北京有限公司 | 一种质差用户确定方法、装置和可读介质 |
CN112101692A (zh) * | 2019-06-18 | 2020-12-18 | 中国移动通信集团浙江有限公司 | 移动互联网质差用户的识别方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023098476A1 (zh) * | 2021-11-30 | 2023-06-08 | 中兴通讯股份有限公司 | 网络质差用户的判断方法、装置、电子设备及存储介质 |
CN118171196A (zh) * | 2024-05-16 | 2024-06-11 | 电子科技大学 | 一种基于光网络大数据的视频业务客户体验质量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11722217B2 (en) | Method and apparatus for obtaining ODN logical topology information, device, and storage medium | |
EP3829080B1 (en) | Pon fault location method and device | |
US20130290525A1 (en) | Service Performance in Communications Network | |
CN112751710A (zh) | 一种宽带用户质差定因方法及系统 | |
KR20180120558A (ko) | 딥러닝 기반 통신망 장비의 장애 예측 시스템 및 방법 | |
CN111884832B (zh) | 一种获取无源网络拓扑信息的方法及相关设备 | |
KR20080055751A (ko) | 네트워크 분석을 위한 방법 및 모듈 | |
CN112770197B (zh) | 确定otn设备故障原因的方法、装置、设备、存储介质 | |
CN108428459A (zh) | 一种VoLTE语音质量评估方法及系统 | |
CN114244737A (zh) | 网络质量的评估方法、装置和系统 | |
CN117221295A (zh) | 一种基于边缘计算和网络切片的低延迟视频传输系统 | |
CN110996366B (zh) | 一种异构专用网络垂直切换中权重确定方法 | |
CN115049092A (zh) | 宽带潜在投诉用户预测方法及系统 | |
CN113517990B (zh) | 一种网络净推荐值nps的预测方法及装置 | |
CN114036994A (zh) | 训练通信决策模型的方法、电子设备、计算机可读介质 | |
WO2024146592A1 (zh) | 质差识别方法及相关装置 | |
CN113923096A (zh) | 网元故障预警方法、装置、电子设备及存储介质 | |
Sun et al. | Association analysis and prediction for IPTV service data and user's QoE | |
Ismail et al. | Machine Learning-Based Queueing Time Analysis in XGPON | |
US11539604B2 (en) | Method and apparatus for monitoring a telecommunication network | |
CN107835466B (zh) | 一种pon设备业务流量的统计方法和统计系统 | |
Vega et al. | Cognitive real-time QoE management in video streaming services | |
Cortes et al. | Predicting failures of telecommunication paths: Limits on learning machine accuracy imposed by data quality | |
Jereb et al. | Performance index based network reliability analysis with stratified sampling | |
Wilcek et al. | Deployment and Measurement of Quality of Service Parameters for Triple Play Services in Optical Access Networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210504 |
|
RJ01 | Rejection of invention patent application after publication |