1

概述

隨著5G及人工智能時代的到來，通信行業的競爭也越發激烈，各大運營商都希望能在每個業務中為客戶提供優質的服務，提升用戶滿意度，保留更多的用戶，其中就包含固網業務。人工智能技術同5G技術一樣剛剛登上歷史舞臺，都處于“嬰兒期”，日后也都會茁壯成長，本文討論人工智能算法模型今后在通信運營商實際生產環境中對固網業務用戶保留維系的應用及存在的問題。

當前，各個領域都開始向更智能化、通信更快的方向前進，比如美國Google、特斯拉等企業開始研發的無人駕駛汽車，中國阿里巴巴、京東等電商使用的精準營銷系統，這些都是通過人工智能深度學習及機器學習算法加上快速的通信網絡融合而成的新技術。對于通信行業，5G與人工智能技術同樣和這個領域摩擦碰撞出了火花，例如智能化的故障排查檢測、智慧城市等一系列項目。在眾多的5G、人工智能技術與通信行業融合的項目中，智能化運營維護就是一個非常有應用前景，并且是實實在在產生經濟效益的方向，通過人工智能算法達成的智能化運維將會大大提升通信運營商的運行效率，減少之前非智能化時代的不必要開支。

從通信運營商角度出發，如果可以預知用戶行為，例如固網業務行為、手機離網、換機等，并且有針對性地得知用戶產生一系列行為的主要原因是什么，然后，對用戶進行有針對性的維系挽留，有目標性的故障問題解決，那么，對于通信運營商來說，這一個運行系統將會為其保留更多的用戶，帶來更多的經濟效益。從用戶角度出發，如果通信運營商可以提早有針對性地幫助其解決使用通信產品時的問題，讓其產品體驗感更加舒適的話，對用戶來說也是一個福音，也愿意繼續使用原本的產品服務。

上述的這些智能運維系統設想，都可以通過人工智能算法來實現，預知用戶行為，并采取有目標的高效運維。本文以固網存量保障業務為例，闡述人工智能算法與通信運營相互合作的應用過程及后續智能化發展還需解決的問題。

固網業務行為預測的智能化運維實施主要分為2個部分，第1部分為用戶離網行為的預測，該部分將使用深度學習領域的人工神經網絡算法，最終給出用戶離網的概率，例如一個用戶的離網概率為 78.5%。在建立神經網絡的過程中會遇到的數據清洗、變量篩選都會在下文中詳細說明。第2部分為影響用戶固網業務離網行為變量的重要度排名，比如，對某一用戶離網行為影響較大的前 3個變量為 MOS告警數、用戶上行帶寬、費用。這些變量的重要度排名將會給營銷維系人員一個參考，讓他們有針對性地對用戶進行挽留。該部分使用機器學習中決策樹分支的隨機森林算法。

圖1示出的是固網用戶離網預測算法。

▲ 圖1 固網用戶離網預測算法

在建立模型的過程中將會選取 O 側指標、B 側指標、故障信息、投訴信息、附屬業務、用戶家庭圈等數據。模型算法建立的過程中依舊存在許多問題，例如數據庫的復雜程度、原始數據庫的填充錯誤以及設計人工智能算法的工作人員對通信類數據不了解等問題，這些問題都會影響最后智能化運維的效果，具體細節將在下文中討論。

圖2示出的是固網用戶離網預測模型。

▲圖2 固網用戶離網預測模型

根據前期階段的實驗結果、人工智能算法可以幫助提高通信運營商進行智能化運維，提高運維效率。

2

深度學習算法模型研究

2.1 深度學習應用設計概述

在通信行業進行人工智能化運維的改造主要包含幾個方面。

第1，設計人工智能算法，仔細依照業務實際情況來設計，要深入了解通信業務的過程及最終目標。

第2，進行有效的數據選取，清洗整理建模所需要的數據，根據原始數據生成新的字段變量。

第3，將生成驗證完成的模型進行自動化運行，這一過程包含建模數據庫的定時自動生成以及模型的定時自動調取數據、更新輸出。

以固網業務離網行為預測為例，該項目的目標是幫助運營商有針對性地挽留維系固網業務用戶，主要由2個部分組成。

第1，由模型算法給出用戶的離網概率。

第2，給出對用戶離網行為影響較大的幾個變量排名，方便一線運維人員有目標性地與用戶進行交流。

2.2 人工神經網絡算法

在固網業務離網行為預測項目的第 1 個部分，使用了深度學習分支的人工神經網絡，使用這個算法的原因是該算法較機器學習的回歸模型更具有包容性，深度學習算法不需要像機器學習算法一樣，需要前期對數據進行復雜的清洗來達到減少共線性，減少誤差率的目的。再者，人工神經網絡也比傳統的回歸模型具備更高的準確度。

人工神經網絡是模仿人類大腦神經元而形成的，一個神經網絡由多層神經元構成，每一層神經元都有輸入與輸出，每一層神經元接受上一層神經元的輸入，經過加權處理再傳入下一層神經元當中，以此類推。人工神經網絡主要分為輸入層、輸出層及隱藏層 3 個部分。

圖3示出的是神經網絡示意圖。

▲圖3 神經網絡示意圖

第1部分輸入層的作用是向算法傳輸數據變量的值，通常來說，輸入層的輸入節點數量與數據變量數量相等。這一層的節點都是被動地接受外來數據，不做任何改動，復制獲取得到的數據并向下一層中的多個隱藏節點傳輸數據。

第2部分隱藏層的任務就是對輸入的數據進行處理改變。隱藏層可以有一層或者多層，隱藏層的節點數目不定，但是越多的節點會使得模型的非線性更加突出。

第3部分的輸出層就是輸出經過神經元處理的數據，針對設計變量輸出相應的值，在固網業務項目中輸出0~1的數值代表概率。

2.3 隨機森林算法

固網業務離網預測的第2個部分是變量重要度的排名，該部分要對所有變量進行排名篩選，選擇出幾個會影響離網行為的重要特征變量。選擇隨機森林算法來完成，隨機森林對特征值重要度評估的大體思路不復雜，在每一棵形成的樹上觀察每一個特征變量的貢獻度，然后將這些貢獻度平均一下，即獲得了特征變量的重要度排名。每一棵樹觀察的貢獻度即是基尼指數：

隨機森林算法的一大優勢在于其解決了每棵樹之間存在強共線性問題，在決策樹方法中，假設有一個對于寬帶離網行為非常重要的變量，然后還有一些其他的重要變量存在，那么在決策樹算法中，幾乎每一次每棵樹都會選用影響力最大的那個變量作為最頂層樹的分類標準，其次是其他重要變量，那么，按這個思路所形成的所有決策樹都會十分相似，這樣會導致結果存在高誤差。但是隨機森林算法不同，該算法很好地克服了這個問題，隨機森林算法強制每一次的分叉都選用一部分的變量，所以，這樣的做法不僅將重要的變量列入考慮范疇，其他的變量也享受了公平的“待遇”，一視同仁地選擇分叉處的變量。所以，利用隨機森林算法得出的重要度排名是有最小誤差保證的。

3

深度學習應用與不足

3.1 深度學習算法應用

利用人工神經網絡輸出的概率大大提升了一線運維人員的工作效率，固網業務離網預測項目的建模數據庫包含了 200 萬名固網業務用戶，如果選取離網概率高于 70%的用戶，那么一線運維人員可以將運維的范圍從 200萬名用戶縮小至 30萬名用戶，運維工作量從人數上來說降低了 87%，大大提升了工作效率以及運維的精準度。利用隨機森林算法給出的特征變量重要度排名中，排名前 3 位的是上網總上行流量、tcp 建立時長、上網總下行流量。

圖4示出的是特征變量重要度。

▲圖4 特征變量重要度

3.2 深度學習算法的不足

雖然，利用人工智能的方法可以幫助實現運維的智能化，但是在實現的過程中依舊存在許多問題。其中最主要的問題是數據庫的完整度與清洗難度。大部分通信運營商都會選擇讓第三方公司幫助其采集數據，但是在采集數據的過程中因為缺少監管，同時對數據完整度的重視程度不高，導致許多第三方公司在采集導入數據的時候出現問題，比如少采集、錯誤采集數據、導入填充數據時存在數據字段錯行的現象、錯誤的值填入了錯誤的字段名稱下方。在數據處理及模型設計方面，存在不相符的問題，換而言之，懂得人工智能算法的人才不清楚通信業務，明白通信業務的人才不明白人工智能算法，導致在項目進行過程中有重復無效的動作發生，嚴重拖慢了項目進程，甚至導致項目設計錯誤。綜上所述，在實施真正的智能化運維之前，一定要保證數據源的準確度，不然再優秀的模型算法設計及團隊協作都不可能完成任務，數據一定要有質量保證。所以，通信運營商可以對采集數據的第三方公司進行更加嚴格的監管，協商簽署可以保證數據源頭質量的合作協議。對于復合型人才缺少的問題，當前解決的方法是增強團隊協作能力，在管理智能化項目團隊的時候要有明確的分工安排，讓通信人才和人工智能人才緊密地融合團結在一起。

除此之外，還存在前期模型驗證的問題，每一個算法模型在前期建立完畢之后，一定需要人員去嘗試驗證，這樣才可以方便之后的模型迭代與優化，這個工作一定要在設計之初完成，計劃好每一次需要驗證的版塊。例如，固網業務行為預測，當第一個人工神經網絡搭建完畢之后，一定需要將其輸出的結果投放至市場上去驗證，如果準確率不高的話，需要工作人員及時地對數據庫及算法本身進行檢查，嘗試重新整理，清洗數據，再建立更新模型。

人工智能算法在智能運維方面的價值一定要在保證數據庫盡量完整準確，工作人員深度了解業務情況的前提下，才可以發揮出來。

4

人工智能未來展望

從用戶體驗角度出發，利用人工智能實現的智能化運維一定會創造出新的通信產品體驗，從經濟角度出發，智能化運維會為通信運營商帶來新的經濟增長點。如何在這個新老時代交接之際把握住機會，學會將人工智能技術運用到通信運維當中就是非常必要的一步。在電信運營商的發展戰略中，學會挽留維系客戶是非常重要的一點，例如固網業務等的用戶維系挽留，如果可以預知用戶行為，并進行維系挽留，那么對于運營商來說是非常有利的。

所以，深度學習及機器學習算法在通信運營領域是有用武之地的，是可以幫助運營商提高工作效率，在不同的業務中實現智能化的，但是，在徹底實現智能化之前，要做的就是保證數據源的完整性與準確性，保證復合型人才的培養速度。那么，在不久的將來，由智能化運維武裝的通信企業必定會為自己帶來可觀的收益，同時，為通信行業的用戶帶來人工智能及 5G 時代的優質服務。