Machine learning based QoE prediction in mobile cellular networks

Network operators are interested in continuously monitoring the satisfaction of their customers to minimise the churn rate: however, collecting user feed backs through surveys is a cumbersome task. In this work we explore the possibility of predicting the long-term user satisfaction relative to network coverage starting from user-side network measurements only. We leverage country-wide data sets to engineer features which are then used to train Supervised Machine learning Models such as Neural Networks. The obtained results suggest that, although some correlation is visible and could be exploited by the classifiers, long-term user satisfaction prediction from network measurements is a very challenging task: we therefore point out possible action points to be implemented to improve the prediction results.

Gli operatori di rete sono interessati a monitorare continuamente la soddisfazione dei propri clienti per ridurre al minimo il tasso di abbandono: tuttavia, raccogliere i feed-back degli utenti attraverso i sondaggi è un compito scomodo. In questo lavoro esploriamo la possibilità di prevedere la soddisfazione dell'utente a lungo termine relativamente alla copertura della rete a partire solo dalle misurazioni della rete lato utente. Utilizziamo i set di dati nazionali per ingegnerizzare le funzionalità che vengono poi utilizzate per addestrare modelli di apprendimento automatico supervisionati come le reti neurali. I risultati ottenuti suggeriscono che, sebbene una certa correlazione sia visibile e possa essere sfruttata dai classificatori, la previsione della soddisfazione degli utenti a lungo termine dalle misurazioni della rete è un compito molto impegnativo: pertanto, indichiamo possibili punti di azione da implementare per migliorare i risultati di previsione.