探究BP神经网络在移动通信优化中对话务量分析的应用

◆弭凌超

探究BP神经网络在移动通信优化中对话务量分析的应用

◆弭凌超

（河海大学 江苏 213000）

BP神经网络是一种前馈多层网络，在数据挖掘中可以承受较强的噪声数据。近年来信息技术飞速发展，数据规模大，用户体量多，移动通信优化的工作越来越严峻，本文提供了一种利用BP神经网络进行数据挖掘的方法，为移动通信网络优化工作尽一份绵薄之力。

BP神经网络；移动通信网络优化；大数据

随着5G时代的来临，新的移动通信网络技术的应用及移动互联网的发展，我国的常规移动通信用户已经达到了10亿级的规模。QQ，抖音，微信等等移动互联网应用如雨后春笋，吸引了数以亿计的大批量用户。移动通信网络的优化问题逐渐引起了人们的关注。数据规模大，用户体量多是中国移动通信网的基本特点，这也给优化工作带来了许多严酷挑战，所以运用人工智能神经网络对数据进行挖掘，提取出有价值的信息，减轻优化工作的负担很有必要。

1 移动通信网络优化的有关分析与思考

1.1 移动通信网络优化的背景

移动通信网络的发展流程有需求分析，实测，维护，优化等步骤。但是发展是一个循环往复的过程，优化工作虽然处于最后，但是却与需求分析密不可分，这样形成了一个循环过程。优化是与广大移动用户交换意见最为紧密的阶段，是移动运营商了解通信网络运行态势以及用户信息与需求建议的最为直接的手段。

目前，全球对于移动网络通信的优化研究，主要集中于技术的更新换代和设计优化内容和方法等方面。从数据挖掘的角度，依然存在对网络基础数据以及用户数据的分析利用和预测不够完善，对网络盲点与规律以及相应的优化建议应用不够透彻等问题。本文将单层传播的多层前向网络即BP人工神经网络结构应用于对话务量进行数据挖掘，对数据进行预测，分析关联，聚集，分类，误差检测等处理，在海量数据中挖掘提取出可能的潜在价值信息。

1.2 话务量大数据

话务量，指一定时间内呼叫次数与一次平均呼叫时间的乘积。话务预测是网络优化中非常重要的一部分。预测可分为定性预测，时间顺序预测，和因果模拟预测。其中时间顺序预测即通过过去预测未来的思想，对研究对象变化特征的观察建模等等来寻找出变化的规律，从而实现时间预测。

2 BP神经网络

2.1 人工神经网络基本原理

人工神经网络是通过人脑的一些活动演化出基本的原理和网络结构，人类大脑神经元就是神经网络的结构组织。大脑的基本特征被ANN反映了出来，由于人类对脑科学的探究还没有完全透彻，人脑无法完全再现，只能简化抽象或概括人脑的某一功能或组织。

人工神经元是神经网络的基本单元。是一个多输入单输出的处理单元，就像是数学上的多对一映射，网络的形成是神经元的每个输入端将连接到像它的一个或多个神经元的输出端。通过加权与其连接的其他神经元的输出信号来获得神经元的输出信号。

神经网络的学习是一个循序渐进的过程，即不断地调整连接权系数。神经网络通过样本提供的实例不断提高其性能，从而在外界给定一定的输入时，达到更正确的输出状态。

2.2 BP神经网络概述

二十世纪八十年代，McCelland等科学家提出了BP（Back Propagation）神经网络。即传送逆向误差算法训练的多层前馈网络。学习算法是梯度降落法。网络连接系数和阈值的调整是反向传播误差函数所完成的。为了满足预期，需要将误差平方最小化。

BP神经网络的基本原理是利用隐层输入向量，在本例中即一周内小区话务量总单据。下一步就可得出时间顺序预测的映射关系，即通过二次模拟达到输入输出。信息循环就是输入信息的高处传播和输出误差的低处反向所组成。小区不同时间内的话务总量是对称性的网络结构。相同的激励函数会出现在神经中不同的处理单元。

2.3 BP算法的步骤

（1）权值初始化：本实例中引入日期date，时间time，小区号number，归属MSC，归属BSC等五个参数来预测未来的话务量。随机的给参数赋予一组较小的非零数值。

（2）结构参数定义：设输入向量为：

（4）正向传播过程：根据给定话务量数据，模拟出网络的输出模式，和正常预测数据对比，如若出现不可接受误差，进行下一步。

（5）反向传播过程：以层的误差为基准修改权值阈值，如果误差符合期望，结束训练，否则返回训练样本。

（6）训练结束。

3 BP神经网络用于话务量数据挖掘

3.1 数据挖掘的意义和处理过程

数据挖掘的处理过程是一个迭代的人机交互过程，主要由以下部分组成：

（1）问题定义：在数据挖掘开始之前，最重要的是了解用户数据的主要内容和相互之间的关联，更清楚地定义目标。

（2）数据准备：与运营商协调获取数据源，确定数据挖掘的数据子集，建立数据挖掘数据库。同时联系小区物业以及公安部门进行报备。话务量数据的收集要追求准确可靠。滤除掉一些恶意的刷话务量等行为的数据，有效处理噪声。补充训练所需的其他数据，如日期时间等，确保数据有效相容。

（3）数据挖掘：依据用户数据的特征，选择诸如二次方程、复合曲线模型、对数方程、S型曲线、指数方程、乘幂曲线模型、Logistic 曲线模型几种模型，本例中按BSC 进行分组，选用了线性曲线和二次函数曲线，实现了数据挖掘。

（4）评价解释：对预测的数据进行验证，从而可以减轻移动通信网络优化人员的负担，实现优化和对未来话务量的预测。

3.2 BP神经网络应用于数据挖掘

神经网络具有很强的忍受噪声的能力，分类数据比一般算法更加有限正确，提供多重算法的保证与建模。

BP的训练分为训练和分类两个阶段。一开始对采集上来的数据进行预处理，修改错误数据，整合掉噪声数据等等。然后根据训练样本为参数和阈值进行训练，不断地传送误差从而不断修改节点阈值，往复循环之后可以得到符合这个应用的神经网络。最后用训练好的网络为数据进行分类，达到目的。

3.3 结果

在某城市移动的应用中，分析全天候话务因素，发现大部分小区傍晚话务量远远大于中午的，其中绝大多数晚忙大于早忙。1%的载频规模换来的就是可以额外吸收300arl业务量，在保证正常话务需求的基础上。在保证了投资的同时，提高了客户的满意度。在网络规划中，使用晚忙时统计数据作为基础数据，根据不同建设策略，需要分析小区其他时间段话务情况，进而考虑是否对该部分小区载频配置增加余量，以确保网络建设能够达到最大投资回报比。

4 结语

BP算法在神经网络中使用最普遍，但却不能解决所有的问题，确定训练的节点层数，对算法研究员的经验要求很大，需要磨练次数的积累。利用神经网络虽然可以帮助优化工作进行数据分析，提高效率，但是可能对服务器、数据库的要求较高，并且存在所需时间长，运营商无法接受等等问题。所以移动通信优化的工作任重道远，本文只是提供了一种方法，对数据挖掘和神经网络还需做更多更深入的研究。

[1]杨国宾.BP神经网络在数据挖掘中的应用[J].计算机光盘软件与应用，2013（6）：179-180.

[2]王春梅.基于神经网络的数据挖掘算法研究[J].现代电子技术，2017（11）：119-122.

[3]李友坤.BP神经网络的研究分析及改进应用[D].安徽理工大学，2012.