2022年新发表在IEEE Transaction Intelligent Transportation Systems上

作者团队来自北京邮电大学的信息与通讯工程系

随着通信技术的发展和智能设备的普及，蜂窝网络中的用户体验成为人们关注的首要因素。同时，网络运营商面临着两个难题:预测用户实时体验，寻找对用户体验有决定性影响的网络参数。针对这两个问题，我们提出了一种新的用户体验预测方案。蜂窝网络的因果结构学习用于分析从基站收集的众多性能指标(kpi)和关键质量指标(kqi)。通过因果结构学习，可以得到基于kpi与KQI之间关联的有向因果图。这种因果结构可以嵌入到图的注意网络中。其中，选择注意机制进一步强化参数之间的相关性。每个KPI之间以及KPI与KQI之间的相关性用于预测单元级用户体验的未来价值。结果表明，该方法在蜂窝网络数据分析和用户体验预测方面具有良好的性能。

技术路线：算法挖掘因果结构图 $\to$ 因果图作为输入参与图注意力网络 $\to$ 预测用户体验质量(QoE)

背景

视频领域的主要矛盾之一是==流媒体质量评价的高需求==和==体验质量预测结果[7]的低准确性==之间的矛盾。QoS的具体指标是KPI，通常是蜂窝网络中基站采集的数据。QoE指标和QoS指标不一样。QoE指标通常是平均意见评分(MOS)，由主观和客观两个部分组成。主观部分往往因人而异，没有具体的判断标准。客观部分是KQI。目前对体验质量的研究多集中在主观指标上。虽然MOS和QoE[8]的映射可以很好地判断用户的感知，但在实际的网络优化中，获取每个用户的主观意见显然是不现实的。对于客观部分，KQI的预测常常面临预测精度不高的问题。

当前问题：KPI参数的预测比较成熟预测结果较准确，但是KPI并不能准确估计用户体验，因此KQI的估计逐渐成为研究热点。KQI估计的主要方法是找出KPI和KQI之间的关系，通过KPI的值估计KQI。虽然这种方法对当前的KQI估计准确性较高，但是对其未来值得预测却不好，因为这依赖于==KPI预测算法的稳定性==和==从KPI估计KQI算法的稳定性==。

解决方案：为了保证算法的稳定性，作者主张利用KPI和KQI之间的因果关系构建预测算法。

好处有1.在QoS（各种KPI指标）中找到影响video service的因果关系，用该因果结构取估计用户的体验（KQI）2.无线网络的各种数值型参数中也挖掘出一个因果结构，只使用直接影响用户体验的参数，实现了数据降维。这样得到的1-有向无环因果图和降维了的数据集将会被用到KQI的预测当中。

方法

数据集介绍

三个月内一个基站收集到的数据，数据是每一小时记录一次，其统计值是一个小时内的平均值，KPI参数和KQI参数如上表所示；（在实际网络部署中，一个基站通常有两个载波频率。每个频率的资源分别分配给三个cell。）在图2中，目标细胞被标记为绿色，蓝色部分表示相邻相同载频的细胞。棕色部分表示不同的载波频率。不同载频小区的覆盖范围与目标小区的覆盖范围一致。数据收集方面，在空间上，采用目标单元相邻单元的kpi进行分析;从频域角度，采集与目标单元相同位置的不同频段数据;就时间而言，所有kpi都是时间序列数据。我们的分析是基于这三个方面的kpi。

因果结构学习

作者使用了TE（传递熵）来探测KPIs之间和KPI与KQI之间的因果关系。$S=[V_1,V_2,…,V_N]$是包含KPI参数的矩阵，$C=[c_1,c_2,…,c_T]$是包含KQI参数的一个向量，$T$表示时间序列的长度。给定来自$S$的两条时间序列$V_i$和$V_j$，从$V_i$到$V_j$的TE定义为

比值大于1说明有$V_i \to V_j$，小于1则说明不存在（这种度量方法有失偏颇，强行假设$V_i,V_j$一定存在因果联系）；进一步地，根据因果强度构造关于所有参数地一个因果图，如算法1所示，在stage1，具有因果关系的每两个节点根据TE会给予一条有向边。stage2将会进图结构优化，具体地，删除因果链的中间节点，最后保留的因果结构类似于一个树图。在树图中，KQI是根节点，其它叶子节点表示不同的KPIs。

图注意力网络

图卷积网络（GCN）是常用的网络模型，它的缺点是根据训练集的图结构整合邻接节点的特征，使得不易在其它图结构上获取好的泛化性能。图注意力网络（GAT）则通过注意力机制聚合邻接节点，实现不同邻点权值的自适应分配，提高了图神经网络模型的表达能力。注意力机制被用于对相邻节点的加权特征进行求和。相邻节点特征的权值完全依赖于节点特征，与图结构无关。在因果结构学习时，我们只获得了因果结构，而KQI的邻接节点的影响则需要通过图神经网络来学习，作者采用GAT模型实现。

具体操作：GAT模型的输入是因果关系结构数据，具体表示为$h={h_1,h_2,…,h_N}$，$h_1$表示C即KQI参数，其余表示结构图中的KPI参数，$h_i\in R^T$，即拥有T个特征，$T$是时间序列长度。这里的注意力系数根据有向图的连边关系采用masked attention，并且只计算节点$i$和它的邻接节点$j$的相关性，引入leakyReLU激活