CN117440425A - 通话质量评估方法、装置、设备及存储介质 - Google Patents

通话质量评估方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN117440425A
CN117440425A CN202311305098.7A CN202311305098A CN117440425A CN 117440425 A CN117440425 A CN 117440425A CN 202311305098 A CN202311305098 A CN 202311305098A CN 117440425 A CN117440425 A CN 117440425A
Authority
CN
China
Prior art keywords
call quality
call
network element
quality
target network
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
Application number
CN202311305098.7A
Other languages
English (en)
Inventor
郑英
赵志扬
陈康
王莹
朱英
高骏远
张建奎
陈柱安
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Mobile Communications Group Co Ltd
China Mobile Group Jiangsu Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Group Jiangsu Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Mobile Communications Group Co Ltd, China Mobile Group Jiangsu Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN202311305098.7A priority Critical patent/CN117440425A/zh
Publication of CN117440425A publication Critical patent/CN117440425A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/318—Received signal strength
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/336—Signal-to-interference ratio [SIR] or carrier-to-interference ratio [CIR]
    • 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
    • H04L65/1066—Session management
    • H04L65/1101—Session protocols
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M3/00—Automatic or semi-automatic exchanges
    • H04M3/22—Arrangements for supervision, monitoring or testing
    • H04M3/2236—Quality of speech transmission monitoring
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Electromagnetism (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明涉及通话技术领域，公开了一种通话质量评估方法、装置、设备及存储介质，该方法包括：采集目标网元的无线传输参数，基于无线传输参数通过语音质量模型计算目标网元的通话质量分值，语音质量模型用于分析无线传输参数与通话质量的对应关系，根据通话质量分值评估目标网元的通话质量；由于本发明根据目标网元的无线传输参数通过语音质量模型评估目标网元的通话质量，从而能够有效反映无线侧的通话质量，进而能够真实有效评估用户实际感知，并且由于本发明直接采集目标网元的无线传输参数，因此，不仅适用于对端到端的通话质量进行评估，还适用于对单端的通话质量进行评估。

Description

通话质量评估方法、装置、设备及存储介质
技术领域
本发明涉及通话技术领域，尤其涉及一种通话质量评估方法、装置、设备及存储介质。
背景技术
随着5G网络覆盖的完善、5G终端渗透率增加，新的空中接口承载语音(Voice overNew Radio，VONR)话务量快速增长，通话过程中单通、吞字、断续等语音质量问题突出，因此，如何对5G网络的通话质量进行评估是亟待解决的技术问题。
传统平均意见得分(Mean Opinion Score，MOS)评分测试只能对特定样本(例如8秒语料)的通话质量进行评估，并不是对实际用户的通话质量进行评估，且MOS评分测试通常为对端到端的通话质量进行评估，需要通过扩展数据记录(Extended Data Record，XDR)或路测方式进行评估，数据滞后性差、问题定位关联性复杂。
发明内容
本发明的主要目的在于提供一种通话质量评估方法、装置、设备及存储介质，旨在解决现有的通话质量评估方式并不是对实际用户的通话质量进行评估，无法评估用户实际感知的技术问题。
为实现上述目的，本发明提供一种通话质量评估方法，所述通话质量评估方法包括：
采集目标网元的无线传输参数；
基于所述无线传输参数通过语音质量模型计算所述目标网元的通话质量分值，所述语音质量模型用于分析无线传输参数与通话质量的对应关系；
根据所述通话质量分值评估所述目标网元的通话质量。
可选地，所述通话质量分值包括：所述目标网元的上行通话质量分值、所述上行通话质量分值对应的档级占比、下行通话质量分值以及所述下行通话质量分值对应的档级占比；所述根据所述通话质量分值评估所述目标网元的通话质量，包括：
获取通话感知相关指标信息；
根据所述上行通话质量分值、所述上行通话质量分值对应的档级占比、所述下行通话质量分值、所述下行通话质量分值对应的档级占比以及所述通话感知相关指标信息评估所述目标网元的通话质量。
可选地，所述根据所述通话质量分值评估所述目标网元的通话质量之后，还包括：
判断所述通话质量是否满足预设通话感知目标；
在所述通话质量不满足预设通话感知目标时，对所述目标网元的通话质量进行优化。
可选地，所述在所述通话质量不满足预设通话感知目标时，对所述目标网元的通话质量进行优化，包括：
在所述通话质量不满足预设通话感知目标时，检测导致不满足的原因是否为日常网络原因；
在导致不满足的原因不为日常网络原因时，对所述目标网元的通话质量进行优化。
可选地，所述在导致不满足的原因不为日常网络原因时，对所述目标网元的通话质量进行优化，包括：
在导致不满足的原因不为日常网络原因时，获取所述目标网元的通话质量目标需求；
基于所述通话质量目标需求通过BP神经网络模型对所述目标网元的通话质量进行优化。
可选地，所述基于所述通话质量目标需求通过BP神经网络模型对所述目标网元的通话质量进行优化，包括：
根据BP神经网络模型中输入层输入的不同参数策略和隐藏层输出的不同指标分别设置不同的权重；
根据结果差异进行反向传播更新所述权重，并根据更新后权重调整所述参数策略，直至满足所述通话质量目标需求；
根据调整后参数策略对所述目标网元的通话质量进行优化。
可选地，所述采集目标网元的无线传输参数，包括：
获取最小采集评估周期，所述最小采集评估周期小于预设周期；
采集所述最小采集评估周期内目标网元的无线传输参数。
此外，为实现上述目的，本发明还提出一种通话质量评估装置，所述通话质量评估装置包括：
采集模块，用于采集目标网元的无线传输参数；
计算模块，用于基于所述无线传输参数通过语音质量模型计算所述目标网元的通话质量分值，所述语音质量模型用于分析无线传输参数与通话质量的对应关系；
评估模块，用于根据所述通话质量分值评估所述目标网元的通话质量。
此外，为实现上述目的，本发明还提出一种通话质量评估设备，所述通话质量评估设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的通话质量评估程序，所述通话质量评估程序配置为实现如上文所述的通话质量评估方法。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有通话质量评估程序，所述通话质量评估程序被处理器执行时实现如上文所述的通话质量评估方法。
在本发明中，公开了采集目标网元的无线传输参数，基于无线传输参数通过语音质量模型计算目标网元的通话质量分值，语音质量模型用于分析无线传输参数与通话质量的对应关系，根据通话质量分值评估目标网元的通话质量；由于本发明根据目标网元的无线传输参数通过语音质量模型评估目标网元的通话质量，从而能够有效反映无线侧的通话质量，进而能够真实有效评估用户实际感知，并且由于本发明直接采集目标网元的无线传输参数，因此，不仅适用于对端到端的通话质量进行评估，还适用于对单端的通话质量进行评估。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的通话质量评估设备的结构示意图；
图2为本发明通话质量评估方法第一实施例的流程示意图；
图3为本发明通话质量评估方法第二实施例的流程示意图；
图4为本发明通话质量评估方法第三实施例的流程示意图；
图5为本发明通话质量评估方法一实施例的调度参数组包括参数示意图；
图6为本发明通话质量评估方法一实施例的M-P神经元模型；
图7为本发明通话质量评估方法一实施例的BP神经网络算法流程图；
图8为本发明通话质量评估方法一实施例的BP神经网络结构示意图；
图9为本发明通话质量评估装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的通话质量评估设备结构示意图。
如图1所示，该通话质量评估设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)，可选用户接口1003还可以包括标准的有线接口、无线接口，对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory，RAM)，也可以是稳定的存储器(Non-volatileMemory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对通话质量评估设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，认定为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及通话质量评估程序。
在图1所示的通话质量评估设备中，网络接口1004主要用于连接后台服务器，与所述后台服务器进行数据通信；用户接口1003主要用于连接用户设备；所述通话质量评估设备通过处理器1001调用存储器1005中存储的通话质量评估程序，并执行本发明实施例提供的通话质量评估方法。
基于上述硬件结构，提出本发明通话质量评估方法的实施例。
参照图2，图2为本发明通话质量评估方法第一实施例的流程示意图，提出本发明通话质量评估方法第一实施例。
应当理解的是，通话是运营商的基础通信业务，主要为语音和视频的通话。为了满足更多需求，推出5G新通话，利用长期演进语音承载(Voice over Long-Term Evolution，VoLTE)、新的空中接口承载语音(Voice over New Radio，VONR)基础网的数据通道，将原生视频通话，发展到更高清、视频交互式和沉浸式通信，未来还将进入全息通信，包括听觉、视觉、嗅觉、味觉体验等。
5G新通话或者新通信是运营商基础通话业务的升级，为用户提供多媒体、可视化、全交互的全新体验；还将带来通话业务及商业模式的升级，从运营商主导业务设计与服务提供，转变为产业各方共同参与业务创新，丰富新通话应用场景，全新的服务体验将吸引更多用户使用；实现智能翻译、趣味通话、智能客服、多屏通话等功能；通过音频、视频、数据三通道传递各种多媒体信息，与网络侧高效协同，为ToC用户提供高清、强交互、沉浸体验的通信业务，并帮助ToB行业实现高效、低成本的生产活动。
随着5G网络覆盖的完善、5G终端渗透率增加，VONR话务量快速增长；通话过程中单通、吞字、断续等语音质量问题突出；如何建立5G语音及视频通话质量的评估，同时构建通话质量提升的方法非常重要，不仅有效提升现网用户感知，也为后续5G新通话奠定基础；
现有语音或视频质量评估方法有基于扩展数据记录(Extended Data Record，XDR)的切片传统平均意见得分(Mean Opinion Score，MOS)、丢包率等，语音质量提升通常有频率资源错开降低干扰、无线链路层控制协议(Radio Link Control，RLC)分段、频段差异化等几种方式。以下举例说明现有的通话质量评估方法：
1、将具有相同覆盖区域的至少两个小区划分为一个虚拟小组；配置同一虚拟小组内每个小区用于承载语音业务的第一资源；其中，所述每个小区用于承载语音业务的第一资源不相同。根据本发明实施例，可以有效提高语音服务质量，提高用户体验度；
2、从分组数据汇聚协议层所接收的语音数据包中获取包长和分段限制个数，确定分段后的限制包长；根据限制包长和传输块大小，计算传输语音数据包时允许的最小物理资源块个数；基于最小物理资源块个数和限制包长，优化调制与编码策略(Modulation andCoding Scheme，MCS)，得到上行调度结果。主要通过基站调度器调度资源，限制RLC分段数量，降低通信过程中的语音数据包传输时延，提升基站对VONR语音业务的感知能力，提高了语音传输质量；
3、将测量报告(Measurement Report，MR)数据中的同步信号参考信号接收功率(Synchronization Signal Reference Signal Received Power，SS-RSRP)数据、同步信号信噪比(Synchronization Signal Signal-to-Interference plus Noise Ratio，SS-SINR)数据、及主服小区的下行物理资源块(Physical Resource Block，PRB)利用率代入语音MOS拟合模型中，得到小区用户语音所有的MOS预测值；基于小区用户语音所有的MOS预测值，判定出统计时段的统计周期内目标区域下的VoNR语音质差5G小区；对统计时段的统计周期内目标区域下的VoNR语音质差5G小区进行排序；
4、终端设备在建立通话后，每隔第一时长更新一次所驻留的当前小区对应的时间连续性语音质量评估结果；时间连续性语音质量评估结果包括平均语音质量指标和累计平均语音质量指标。终端设备在通话过程中，根据时间连续性语音质量评估结果，在上报给网络设备的测量结果中加入通话过程中的语音质量的权重。本申请通过在终端设备上报给网络设备的测量结果中加入终端设备在通话过程中的语音质量的权重，可以引导网络设备指示终端设备切换至通话体验更好的小区，进而提升终端设备在通话过程中的语音质量。
第一项方法主要利用CRAN构建虚拟小区组，实现不同小区不同业务间频域资源错开降低干扰从而提升语音质量；第二项方法根据传输块大小及分段限制、限制RLC分段数量、降低通信过程中的语音数据包传输时延；第三项方法主要通过MR中SS-RSRP、SS-SINR及下行利用率构建新的语音MOS拟合模型找出语音质差小区，通过一定时间段的语音质量评估情况；第四项方法利用质量评估值，通过平均质量评估值以及累计质量评估值作为权重进行测量报告上报，尽快切换到更好的目标小区中。
上述现有的通话质量评估方法存在以下缺陷：
现网端到端语音感知及质量好坏评估通常采用MoS进行评估，基于XDR或通过路测获取MOS值小区MoS值通常与端到端相关性非常大，上、下行的MoS评估值是贯串整个端到端网元，小区MoS差很难确定是本端还是对端原因；
无线侧VONR好坏通常基于无线接通率、无线掉话率及丢包率进行评估网络质量的好坏。这些指标与容量、覆盖率、重叠覆盖、干扰、故障等等相关性较强；同时无线侧丢包率与掉线率指标通常与定时器设置有一定的相关性，且评估周期长，无法与实际感知差用户进行关联。
因此，为了克服上述部分缺陷，本实施例中根据目标网元的无线传输参数通过语音质量模型评估目标网元的通话质量，从而能够有效反映无线侧的通话质量，进而能够真实有效评估用户实际感知，并且由于本实施例直接采集目标网元的无线传输参数，因此，不仅适用于对端到端的通话质量进行评估，还适用于对单端的通话质量进行评估。
在第一实施例中，所述通话质量评估方法包括：
步骤S10：采集目标网元的无线传输参数。
可以说明的是，本实施例的执行主体可以是具有数据处理、网络通信以及程序运行功能的通话质量评估设备，例如，基站等，或者是其他能够实现相同或相似功能的电子设备，本实施例对此不加限制。
需要说明的是，目标网元可以是需要进行通话质量评估的网元，无线传输参数可以是影响通话质量的参数，无线传输参数包括但不限于比特误码率(Bit Error Rate，BER)、帧误码率(Frame Error Rate，FER)、编码类型(Code type)、最长误(丢)帧长度(Longest Frame Error Length，LFE)以及丢包率(Packet Loss)等参数。
进一步地，所述步骤S10，包括：获取最小采集评估周期，所述最小采集评估周期小于预设周期；采集所述最小采集评估周期内目标网元的无线传输参数。
应当理解的是，丢包率及掉线率等评估指标受限于定时器设置，评估周期长，因此，为了克服上述缺陷，本实施例中，采集最小采集评估周期内目标网元的无线传输参数进行通信质量评估，由于最小采集评估周期较短，因此，可以更好与MR、通话断连测试(CallDrop Test，CDT)信令跟踪进行关联，可以快速有效进行通话质量的问题定位。
需要说明的是，最小采集评估周期可以是语音质量模型的最小采集评估，在本实施例和其他实施例中，以nsi表示最小采集评估周期，预设周期可以预先设置，限定最小采集评估周期小于预设周期是为了确保最小采集评估周期较短，较短的最小采集评估周期可以提供更快的反馈和更实时的通话质量评估，例如，最小采集评估周期可以为2.5s。
步骤S20：基于所述无线传输参数通过语音质量模型计算所述目标网元的通话质量分值，所述语音质量模型用于分析无线传输参数与通话质量的对应关系。
应当理解的是，为了更好的依托基站的实际情况评估通话质量，需要在无线传输参数和通话质量之间建立对应关系。因此，针对影响通话质量的主要无线传输参数BER、FER、Code type等进行非线性处理，再进行时域处理，获得一定时长内对应的通话质量分值，再构建无线传输参数与通话质量的对应关系生成语音质量模型。其中，语音质量(Equivalent Voice Quality Indicator，E_VQI)模型的输入是无线传输参数，输出结果是通话质量分值EVQI，用于反映无线传输参数对终端用户的通话质量的影响，E_VQI模型既可以用于VoLTE业务，也可以用于VoNR，还可以用于5G新通话业务，本实施例对此不加以限制。
以PESQ评价得到的MOS分作为参考对象，EVQI＝F(FER，BER，Code type,...),综合考虑了通话业务信号传输过程中若干因素对通话质量的影响，如时延、抖动、编码速率、丢包等，用以评估该呼叫通话的质量。在一个统计平均下，将E_VQI模型得到的通话质量分值与用PESQ进行评价得到的MOS分的差异作为评价标准，两者之间的差异越小越好。
在具体实现中，E_VQI模型如下式：
式中，EVQI为通话质量分值，nsi为最小采集评估周期，为最小采集评估周期内的通话质量分值，NI为评估周期数。
对于一个用户设备(User Equipment，UE)的完整通话，可以将基站或小区最小采集评估周期内的通话质量分值求平均得到一次完整通话的EVQI。
步骤S30：根据所述通话质量分值评估所述目标网元的通话质量。
可以理解的是，根据通话质量分值评估目标网元的通话质量可以是根据Excellent、Good、Accept、Poor、Bad的判决门限判断，得到对这次完整通话的评价，评价可以是Excellent、Good、Accept、Poor、Bad中的任一项，也可以根据单位时间内EVQI评分情况，在小区一级统计和这个小区相关链路的上行软合并后的语音质量，按照Excellent、Good、Accept、Poor、Bad的判决门限，输出Excellent、Good、Accept、Poor、Bad的分布比例。其中，Excellent、Good、Accept、Poor、Bad的判决门限如表1所示：
表1
Bad Poor Accept Good Excellent
判决门限 ≤1.0 1～2 2～3 3～4 >4
EVQI值是按照基站小区下用户通话的时间段进行打点，可以更方便结合本端无线侧MR及CDT信令等综合关联；针对EVQI低于一定门限采样点进一步下探获取精确的原因，包括UU口，对端问题，疑似对端上行问题等，进一步关联MR指标呈现该话单在通话过程的MR指标，包含参考信号接收功率(Reference Signal Received Power，RSRP)、参考信号接收质量(Reference Signal Received Quality，RSRQ)、信噪比(Signal-to-Interference plusNoise Ratio，SINR)、MCS、信道质量指示器(Channel Quality Indicator，CQI)以及波束级RSRP等指标，CDT指标呈现该话单的切换和释放相关事件，以及每个事件的解码详情，可以更精确对问题进行分析和定位。
在本实施例中，公开了采集目标网元的无线传输参数，基于无线传输参数通过语音质量模型计算目标网元的通话质量分值，语音质量模型用于分析无线传输参数与通话质量的对应关系，根据通话质量分值评估目标网元的通话质量；由于本实施例根据目标网元的无线传输参数通过语音质量模型评估目标网元的通话质量，从而能够有效反映无线侧的通话质量，进而能够真实有效评估用户实际感知，并且由于本实施例直接采集目标网元的无线传输参数，因此，不仅适用于对端到端的通话质量进行评估，还适用于对单端的通话质量进行评估。
参照图3，图3为本发明通话质量评估方法第二实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明通话质量评估方法的第二实施例。
在第二实施例中，所述通话质量分值包括：所述目标网元的上行通话质量分值、所述上行通话质量分值对应的档级占比、下行通话质量分值以及所述下行通话质量分值对应的档级占比；所述步骤S30，包括：
步骤S301：获取通话感知相关指标信息。
应当理解的是，为了更精细化还原通话质量情况，便于进一步优化通话质量，本实施例中，还从无线传输参数中获取通话感知相关指标信息，结合通话感知相关指标信息共同评估目标网元的通话质量。
可以理解的是，计算目标网元的上行通话质量分值、上行通话质量分值对应的档级占比、下行通话质量分值以及下行通话质量分值对应的档级占比的方式同上，在此不再赘述，上述参数如表2所示：
表2
需要说明的是，通话感知相关指标信息包括但不限于异常话单数量、异常话单率、连续丢包数量、连续丢包率、离散丢包数量、离散丢包率以及包抖动平均时长等信息。
在具体实现中，通话感知相关指标信息如表3所示：
表3
步骤S302：根据所述上行通话质量分值、所述上行通话质量分值对应的档级占比、所述下行通话质量分值、所述下行通话质量分值对应的档级占比以及所述通话感知相关指标信息评估所述目标网元的通话质量。
本实施例中，结合上行通话质量分值、上行通话质量分值对应的档级占比、下行通话质量分值、下行通话质量分值对应的档级占比以及通话感知相关指标信息共同评估目标网元的通话质量，从而能够更精细化还原通话质量情况，便于进一步优化通话质量。
参照图4，图4为本发明通话质量评估方法第三实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明通话质量评估方法的第三实施例。
在第三实施例中，所述步骤S30之后，还包括：
步骤S40：判断所述通话质量是否满足预设通话感知目标。
应当理解的是，为了提高通话质量，本实施例中，在评估通话质量后，还进一步判断通话质量是否满足预设通话感知目标，以便确定是否需要对目标网元通话质量进行优化。
需要说明的是，预设通话感知目标可以根据具体业务及实际优化需要进行设定；可以为上、下行通话质量得分门限、Excellent+Good比例、低于一定门限的通话质差占比，也可以为上、下行连续丢包率比例等，可以为综合性目标；综合性目标可以为满足一定上、下行通话质量得分的前提下，可以设定通话质差比例占比门限、或者上、下行连续丢包率比例门限等；通话感知目标也可以设定为上、下行通话质量低于一定分值的比例(如低于2.0以下比例)，兼顾上、下行通话质量分值目标等；具体通话感知目标不限于上述示例情况，可以根据需要设定通话感知目标；可以根据需要对主要指标设置不同的权重，从而满足具体场景的具体目标需求；
语音与视频通话对网络需求包括资源开销、网络质量等都有一定差异，同一场景下，二者的EVQI值也有一定差异；在无线环境好的场景下一些差异化参数可以将感知Good采用转换成Excellent；部分参数重点针对弱场或感知差的部分，降低Poor+Bad档级比例，将部分优化为Accept。
可以理解的是，在通话质量分值不满足预设通话感知目标时，不进行处理。
步骤S50：在所述通话质量不满足预设通话感知目标时，对所述目标网元的通话质量进行优化。
应当理解的是，在通话质量分值不满足预设通话感知目标时，说明目标网元的通话质量需要优化，因此，对目标网元的通话质量进行优化。
进一步地，为了提高通话质量的优化效果，本实施例在对目标网元的通话质量进行优化之前，还检测导致通话质量不满足预设通话感知目标的原因是否为日常网络原因，并根据检测结果采用不同的优化策略对目标网元的通话质量进行优化，所述步骤S50，包括：
在所述通话质量不满足预设通话感知目标时，检测导致不满足的原因是否为日常网络原因；在导致不满足的原因不为日常网络原因时，对所述目标网元的通话质量进行优化。
需要说明的是，日常网络原因包括覆盖率、上行干扰电平、接通率、掉话率、丢包率等。
应当理解的是，在导致不满足的原因为日常网络原因时，按照预设方法对目标网元的通话质量进行优化，其中，预设方法可以预先设置，本实施例对此不加以限制。
进一步地，所述在导致不满足的原因不为日常网络原因时，对所述目标网元的通话质量进行优化，包括：
在导致不满足的原因不为日常网络原因时，获取所述目标网元的通话质量目标需求；基于所述通话质量目标需求通过BP神经网络模型对所述目标网元的通话质量进行优化。
应当理解的是，本实施例中借助BP神经网络算法中隐藏层，可以更好进行按照场景及需求进行分类汇聚，获取适合不同场景的最佳参数组组合策略；基于BP神经网络算法可有效根据隐藏层输出的不同指标设置不同的权重，更好满足通话质量感知提升需求。
进一步地，所述基于所述通话质量目标需求通过BP神经网络模型对所述目标网元的通话质量进行优化，包括：根据BP神经网络模型中输入层输入的不同参数策略和隐藏层输出的不同指标分别设置不同的权重；根据结果差异进行反向传播更新所述权重，并根据更新后权重调整所述参数策略，直至满足所述通话质量目标需求；根据调整后参数策略对所述目标网元的通话质量进行优化。
为了便于理解，以下举例说明，但并不对本发明进行限定。在一个例子中，获取每个话单、每个小区的通话质量得分、以及不同档级采样比例，同时可以采集记录异常话单比例、连续丢包率、离散丢包率、时延抖动等多项指标；
现场中不同的参数设置及不同功能适用场景不同，产生效果也不同；部分参数策略是精益求精型，将小区的通话质量Good部分转换为Excellent部分，从而上下行通话质量得分也有明显提高,但对Poor+Bad部分几乎没有改善；部分参数策略弥补弱场能力，对Poor+Bad感知差的部分改善为Accept感知。需要根据不同需求进行差异化参数策略设置
本发明中5G的通话质量目标需求，可以是上行或下行EVQI目标值，也可以是上下行通话质量Poor+BAD占比，或者为上下行低于一定EVQI通话质量得分占比、上下行连续丢包比例等等；也可以为多个目标权重组合等，如上下行E_VQI目标值，同时通话质差比例低于一定门限等；实际目标需求不限于上述指标和指标组合，可以根据实际场景需求不同进行合理目标需求设置
为了便于理解，参考图5进行说明，但并不对本发明进行限定。图5为本发明通话质量评估方法一实施例的调度参数组包括参数示意图，图中，调度参数组标识主要用于配置调度参数组标识，参数组中不同的参数设置可以组合成不同调度参数组标识，便于满足不同场景和应用需求，也利于参数组的调用等。
现网情况下基于5QI1和5QI2通话业务使用的参数通常为同一套参数，缺少基于场景和实际需求的差异化参数策略，无法有效满足各种场景下通话业务需求，如表4、表5、表6所示，其中，表4和表5表示不同BLER设置对VONR指标的影响，表6表示同一DRX长周期参数不同设置产生影响：
表4
表5
表6
本场景中FDD和TDD主要是基于现网中实际小区进行试点，TDD与FDD虽然同站址、但根据RSRP进行差异化覆盖,FDD主要用于深度覆盖；TDD中弱覆盖也是设置RSRP小于一定门限(如-108dbm)的比例大于10％，实际工作中可以根据不同需求合理设置；
不同的参数、同样的参数不同设置值、不同的场景下，最后体现的各档级质量得分比例、整体通话质量得分、无线时延以及其他指标也所有不同；根据BP神经网络，输入不同的参数组合策略，根据具体通话业务目标需求，找出合理的组合策略；BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。
为了便于理解，参考图6、7、8进行说明，但并不对本方案进行限定。图6为本发明通话质量评估方法一实施例的M-P神经元模型，图7为本发明通话质量评估方法一实施例的BP神经网络算法流程图，图8为本发明通话质量评估方法一实施例的BP神经网络结构示意图，每个神经元接受n个来自其他神经元或者直接输入的输入信号，这些输入信号分别与每条“神经”的权重相乘，并累加输入给当前神经元。每个神经元设定有一个阈值θ，累计值需要减去这个阈值，并且将最终结果通过“激活函数”sigmoid函数挤压到(0,1)范围内，最后输出
示意图中BP神经网元是一个拥有d个输入神经元，l个输出神经元，q个隐层神经元的多层前馈网络结构，其中输出层第j个神经元的阈值用θj表示，隐层第h个神经元的预置用γh表示。输入层第i个神经元与隐层第h个神经元之间的连接权为vih,隐层第h个神经元与输出层第j个神经元之间的连接权为whj.记隐层第h个神经元接收到的输入为输出层第j个神经元接收到的输入为其中bh为隐层第h个神经元的输出。输入层为信息的输入端，是读入输入的数据的，隐藏层为信息的处理端，可以设置这个隐藏层的层数，输出层为信息的输出端，也就是需要的结果；v和w分别的输入层到隐藏层、隐藏层到输出层的是权重；BP神经网络的过程主要分为两个阶段，第一阶段是信号的正向传播，从输入层经过隐含层，最后到达输出层；第二阶段是误差的反向传播，从输出层到隐含层，最后到输入层，依次调节隐含层到输出层的权重和偏置，输入层到隐含层的权重和偏置。通过BP神经网络训练均方误差为；
而f函数为sigmoid函数，实际目标就转化为：寻得一组合适的参数序列，使得上式的值(均方误差)最小：
同一个参数组的不同参数组标识代表不同的参数设置不同，如调度参数组中MCS最小值、最大值、上行IBLER设置、下行IBLER设置、预调度数据量等设置可以有多种组合,按照参数组合设定为不同的调度参数组标识；
本例中可以按照无线侧不同参数组不同参数组标识进行组合调用，如DRX参数组标识0、调度参数组标识10、RLC参数组标识7等,或DRX参数组标识1、PDCP参数组标识8、调度参数组标识5、RLC参数组标识15等进行组合，不同参数组标识分别作为xi输入；根据输出结果设置不同权重，找到合适的参数组合策略，满足通话业务质量的提升与改善。
参数组组合策略作为输入层xi后，不同的网络制式、不同无线环境等输出的上下行通话质量得分、E_VQI不同档级比例、上下行E_VQI质差比例、上下行丢包率、下行弃包率、无线侧上下行时延等表现都有所不同；同样的上下行质量得分对应的E_VQI不同档位的得分比例也有所不同、E_VQI上下行差点比例、连续丢包及离散丢包比例也不同；有的参数策略组合时精益求精型、有的策略是差点改善、有的策略是整体改善型；
基于BP神经网络算法中隐藏层，可以更好进行按照场景及需求、根据隐藏层的结果进行分类，可以更好获取适合不同场景、不同需求的最佳参数组组合策略；基于BP神经网络算法根据输出结果差异进行反向传播更新相关权重，调整不同的参数策略，更好满足通话质量感知提升需求。
不同参数或不同参数设置适用场景不同包括业务的差异，不同的业务不同的无线环境适合的IBLER值、MCS值等也所有不同；不同的PDCP丢弃定时器大小对丢包率及弃包率有较大影响，定时器超时后虽然未计入丢包、但导致弃包数量增加，同样影响通话业务的实际感知。无线侧参数较多，每个参数又可以设置不同的档位，具体如何应用需要结合具体场景及业务；
结合无线环境及通话业务具体需求，基于BP神经网络算法应用效果，可以总结提炼适合不同场景及不同需求的无线参数组合策略，如弱覆盖场景参数组合策略、普通场景参数组合策略；视频通话类场景参数组合策略、普通语音场景参数组合策略；点位精益求精型参数组合策略、整体改善型参数组合策略；低时延大带宽型参数组合策略、低时延语音型等参数组合策略；依据场景及需求，也可直接调用相关类型的无线侧参数组合。
本实施例借助BP神经网络算法中隐藏层，可以更好进行按照场景及需求进行分类汇聚，获取适合不同场景的最佳参数组组合策略；基于BP神经网络算法可有效根据隐藏层输出的不同指标设置不同的权重，同时根据结果差异进行反向传播更新权重，调整不同的参数策略，更好满足通话质量感知提升需求。
借助BP神经网络算法，使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小；可快速针对通话业务质量需求、语音或视频通话等实际业务需求，基于承载5QI开展无线侧参数组合差异化策略，可满足不同场景通话业务的精准化需求，适用于所有的语音和视频通话业务，包括4、5G语音、视频通话以及5G新通话多样化需求。
此外，参照图9，本发明实施例还提出一种通话质量评估装置，所述通话质量评估装置包括：
采集模块10，用于采集目标网元的无线传输参数；
计算模块20，用于基于所述无线传输参数通过语音质量模型计算所述目标网元的通话质量分值，所述语音质量模型用于分析无线传输参数与通话质量的对应关系；
评估模块30，用于根据所述通话质量分值评估所述目标网元的通话质量。
在本实施例中，公开了采集目标网元的无线传输参数，基于无线传输参数通过语音质量模型计算目标网元的通话质量分值，语音质量模型用于分析无线传输参数与通话质量的对应关系，根据通话质量分值评估目标网元的通话质量；由于本实施例根据目标网元的无线传输参数通过语音质量模型评估目标网元的通话质量，从而能够有效反映无线侧的通话质量，进而能够真实有效评估用户实际感知，并且由于本实施例直接采集目标网元的无线传输参数，因此，不仅适用于对端到端的通话质量进行评估，还适用于对单端的通话质量进行评估。
本发明所述通话质量评估装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有通话质量评估程序，所述通话质量评估程序被处理器执行时实现如上文所述的通话质量评估方法。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器镜像(Read Only Memory image，ROM)/随机存取存储器(Random AccessMemory，RAM)、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种通话质量评估方法，其特征在于，所述通话质量评估方法包括：
采集目标网元的无线传输参数；
基于所述无线传输参数通过语音质量模型计算所述目标网元的通话质量分值，所述语音质量模型用于分析无线传输参数与通话质量的对应关系；
根据所述通话质量分值评估所述目标网元的通话质量。
2.如权利要求1所述的通话质量评估方法，其特征在于，所述通话质量分值包括：所述目标网元的上行通话质量分值、所述上行通话质量分值对应的档级占比、下行通话质量分值以及所述下行通话质量分值对应的档级占比；所述根据所述通话质量分值评估所述目标网元的通话质量，包括：
获取通话感知相关指标信息；
根据所述上行通话质量分值、所述上行通话质量分值对应的档级占比、所述下行通话质量分值、所述下行通话质量分值对应的档级占比以及所述通话感知相关指标信息评估所述目标网元的通话质量。
3.如权利要求1或2所述的通话质量评估方法，其特征在于，所述根据所述通话质量分值评估所述目标网元的通话质量之后，还包括：
判断所述通话质量是否满足预设通话感知目标；
在所述通话质量不满足预设通话感知目标时，对所述目标网元的通话质量进行优化。
4.如权利要求3所述的通话质量评估方法，其特征在于，所述在所述通话质量不满足预设通话感知目标时，对所述目标网元的通话质量进行优化，包括：
在所述通话质量不满足预设通话感知目标时，检测导致不满足的原因是否为日常网络原因；
在导致不满足的原因不为日常网络原因时，对所述目标网元的通话质量进行优化。
5.如权利要求4所述的通话质量评估方法，其特征在于，所述在导致不满足的原因不为日常网络原因时，对所述目标网元的通话质量进行优化，包括：
在导致不满足的原因不为日常网络原因时，获取所述目标网元的通话质量目标需求；
基于所述通话质量目标需求通过BP神经网络模型对所述目标网元的通话质量进行优化。
6.如权利要求5所述的通话质量评估方法，其特征在于，所述基于所述通话质量目标需求通过BP神经网络模型对所述目标网元的通话质量进行优化，包括：
根据BP神经网络模型中输入层输入的不同参数策略和隐藏层输出的不同指标分别设置不同的权重；
根据结果差异进行反向传播更新所述权重，并根据更新后权重调整所述参数策略，直至满足所述通话质量目标需求；
根据调整后参数策略对所述目标网元的通话质量进行优化。
7.如权利要求1或2所述的通话质量评估方法，其特征在于，所述采集目标网元的无线传输参数，包括：
获取最小采集评估周期，所述最小采集评估周期小于预设周期；
采集所述最小采集评估周期内目标网元的无线传输参数。
8.一种通话质量评估装置，其特征在于，所述通话质量评估装置包括：
采集模块，用于采集目标网元的无线传输参数；
计算模块，用于基于所述无线传输参数通过语音质量模型计算所述目标网元的通话质量分值，所述语音质量模型用于分析无线传输参数与通话质量的对应关系；
评估模块，用于根据所述通话质量分值评估所述目标网元的通话质量。
9.一种通话质量评估设备，其特征在于，所述通话质量评估设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的通话质量评估程序，所述通话质量评估程序被所述处理器执行时实现如权利要求1至7中任一项所述的通话质量评估方法。
10.一种存储介质，其特征在于，所述存储介质上存储有通话质量评估程序，所述通话质量评估程序被处理器执行时实现如权利要求1至7中任一项所述的通话质量评估方法。
CN202311305098.7A 2023-10-09 2023-10-09 通话质量评估方法、装置、设备及存储介质 Pending CN117440425A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311305098.7A CN117440425A (zh) 2023-10-09 2023-10-09 通话质量评估方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311305098.7A CN117440425A (zh) 2023-10-09 2023-10-09 通话质量评估方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN117440425A true CN117440425A (zh) 2024-01-23

Family

ID=89557476

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311305098.7A Pending CN117440425A (zh) 2023-10-09 2023-10-09 通话质量评估方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117440425A (zh)

Similar Documents

Publication Publication Date Title
EP3046289B1 (en) Techniques for dynamic network optimization using geolocation and network modeling
EP3046358B1 (en) Techniques for dynamic network optimization using geolocation and network modeling
Uthansakul et al. Estimating and synthesizing QoE based on QoS measurement for improving multimedia services on cellular networks using ANN method
CN102685789B (zh) 模拟用户行为的话音业务用户感知体验QoE的评测方法
CN109391513B (zh) 一种基于大数据的网络感知智能预警与提升方法
US20230362758A1 (en) Methods and apparatuses for handover procedures
CN105163344A (zh) 一种td-lte系统内干扰的定位方法
CN105679335B (zh) 基于无线分析的语音质量评估方法及系统
CN113133069A (zh) 一种目标小区的确定方法、装置、电子设备及存储介质
CN111263389B (zh) 一种Volte语音质量问题的自动化定位的方法及装置
Laiho et al. Radio network planning process and methods for WCDMA
Li et al. Machine learning based handover performance improvement for LTE-R
Kaada et al. Resilience analysis and quantification method for 5G-Radio Access Networks
CN117440425A (zh) 通话质量评估方法、装置、设备及存储介质
CN114828193B (zh) 一种无线网络上下行多业务并发功率分配方法及存储介质
Altozano et al. A self-tuning algorithm for optimal QoE-driven traffic steering in LTE
Skianis Introducing automated procedures in 3G network planning and optimization
Anand et al. A machine learning-based xAPP for 5G O-RAN to mitigate Co-tier interference and improve QoE for various services in a HetNet environment
US20230179477A1 (en) Determining cell upgrade
Yu et al. Fast automatic link establishment: A new metric and the value of spectrum prediction
Anand et al. A machine learning solution to mitigate co-tier interference and improve QoE for video delivery in 5G HetNets
WO2024208260A1 (zh) 基于ai的csi预测的数据采集方法及装置
CN113891384B (zh) 网络质量匹配度的确定方法、装置、服务终端及介质
WO2024208211A1 (zh) Csi预测性能的监测方法、装置、终端及网络侧设备
Huang et al. Research on 5G Coverage Capability Assessment Based on Voice Quality Intelligent Evaluation

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