遗传算法在用户感知评估建模中的应用

摘要：在建立用户感知评估变量结构模型的基础上，利用遗传算法对KQI-QoE关系进行动态自适应建模，并与线性回归方程、指数回归方程、抛物线回归方程以及对数回归方程等传统的拟合方法进行了对比。实际用户感知和评估体系的拟合结果表明，遗传算法在用户感知建模方面具备良好的自适应搜索最优解的能力。这为进一步研究和完善用户感知评估体系提供了新的方法和途径。

关键词：移动；数据业务；用户感知；评估建模；遗传算法

随着通信技术的发展，移动通信网络可以为用户提供越来越丰富的移动业务和应用，如彩信、网页浏览、WAP、流媒体、网络游戏等，这些业务为移动运营商提供了持续增长的收入来源。因此，如何评估和提升移动通信业务的用户体验质量（即用户感知），成为全球各大运营商关注和研究的重点，同时也是运营商在激烈的市场竞争中吸引用户、保持和扩大盈利的关键。

目前，评估用户感知通常有两种方法：一种是通过用户调查获取用户的实际体验质量；另一种则是通过测量用户所应用业务的性能，即关键业务质量指标（KQI），推算出用户的实际体验质量。两种方法各有利弊。通过用户调查获取用户感知，优点是可以得到实际的用户感知；缺点是无法实现实时监控，滞后性较大，并且每次用户调查都将耗费较大的人力、物力和时间。通过KQI推算用户感知，只需在建模期间提供用户调查得到的实际用户感知数据，然后利用该数据和相应的KQI指标建立KQI-QoE数量关系模型，即可形成一套稳定的实时监测系统。建成之后，无须再进行用户调查，操作维护简单，效费比高；其缺点是KQI-QoE模型的不合理性将对推算出的用户感知造成误差。如果能够构建出合理的KQI-QoE数量关系模型，显然采用第2种方法更具吸引力。因此，文章重点研究了KQI-QoE数量关系模型的构建方法。

常用的回归分析模型包括：线性回归方程、指数回归方程、抛物线回归方程以及对数回归方程。当待拟合数据具备其中某一种模型的特性关系时，采用相应的模型方程进行曲线拟合，则可以得到良好的趋势曲线，误差也较小。但是，对于KQI-QoE这类未知特性的数据，如果利用以上固定的模型方程进行曲线拟合，则很可能无法得到准确的趋势曲线，而且误差可能也较大[1-3]。

遗传算法是模仿生物遗传学和自然选择机理，在一定的解空间中搜索最优结果的算法，是对生物进化过程进行的一种数学仿真，也是进化计算的一种最重要的形式。若采用遗传算法，则无需给出特定回归模型方程，可进行自适应拟合，因而适用于对未知关系特性的数据模型拟合。

1 用户感知评估相关的

基本概念

在移动通信业务应用领域，用户感知评估就是获得用户对某种业务的应用感受情况，它涉及两个基本概念：一个是用户感知，另一个是KQI。

一般情况下，我们所说的“用户感知”指的是用户或客户的体验质量（QoE），也就是用户实际感受到的服务网络和业务的服务质量（QoS）。例如，用户感受到的语音或图像的清晰程度、文件收发的快慢等。

而用户对某一特定业务的质量的感受又是多方面或多个类别的，例如，对于语音电话业务，用户的感受主要有4个方面：

・电话是否能接通，即拨号后是否能听到回铃声。

・电话接通所需要等待的时间长短。

・电话接通后是否会异常断线，也就是掉话。

・打电话期间的语音质量如何，如语音是否清晰、是否会断断续续、是否存在较大的通话时延等。

因此，QoE指标分为子项感知度和整体感知度，子项感知度与用户对业务某一方面的应用感受相一致；整体感知度是用户对某一业务应用的综合体验质量，是该业务对应的所有子项感知度的综合反映。

KQI就是服务提供商实际提供的QoS，可通过测量或统计得到，它反映了业务或应用的端到端性能。一个或一组KQI指标能够直接地表征业务某一方面的性能，如时延特性、网页浏览流畅度等[4]。

2 用户感知评估变量结构

模型

用户感知评估变量结构模型定义了用户感知评估涉及哪些结构变量，以及这些变量之间的逻辑关系。这是构建数学描述模型的基础。

用户感知的评估是针对某一种业务进行的。由第1节中所举语音电话例子，可以看出，对于任一种业务，均可根据用户的感受，划分为多个类别的性能。一个类别的性能既对应了一个子项感知度指标，又对应了一个或一组KQI指标。业务的端到端性能指标将影响相应类别的用户感知（即子项感知度），而用户对该业务的整体感知则受各种类别的用户感知综合影响。

基于上述分析，我们建立了如图1所示的用户感知评估变量结构模型，变量的影响关系是自下而上的，具体表现为：

・一个类别的端到端业务性能对应了一个子项感知度指标和一组KQI指标。

・KQI指标的好坏直接影响了相应子项感知度的好坏。

・子项感知度的好坏直接影响了整体感知度的好坏。

因此，从用户感知评估的角度，模型的输入变量是待评估业务的KQI指标，输出变量是该业务的子项感知度和整体感知度。

下面我们将根据这个结构模型，运用遗传算法建立确定性的KQI-QoE数量关系模型。

3遗传算法应用设计

采用遗传算法进行自适应曲线拟合，是从问题的解空间中一个随机产生的种群开始进化的。这个种群则由一定数目的函数表达式组成，每一个函数表达式则代表着一个个体，同时也有可能是我们所想得到的具体数学模型[5]。

个体也就是染色体，它由一定数目的基因组成，基因的不同和组合方式的不同则决定了个体的特性。因此，使用遗传算法，首先需要实现将函数表达式从表现型到基因型的映射，也就是编码。

3.1 编码方式

常用的编码方式有二进制编码、二叉树编码、实数编码等，对于函数拟合问题，最常用的编码方式是二叉树编码，即把组成群体的所有个体采用一种动态的树状结构来表示。图2是一个二叉树的示例，它表示了函数f（x， y， z）=（y ^ 6）*ln（x）+exp（z）。