CN104113452A - 网络质量预测方法和装置 - Google Patents
网络质量预测方法和装置 Download PDFInfo
- Publication number
- CN104113452A CN104113452A CN201410366995.3A CN201410366995A CN104113452A CN 104113452 A CN104113452 A CN 104113452A CN 201410366995 A CN201410366995 A CN 201410366995A CN 104113452 A CN104113452 A CN 104113452A
- Authority
- CN
- China
- Prior art keywords
- network
- kpi information
- network kpi
- information
- quality
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种网络质量预测方法和装置,其中,该方法包括:采集投诉用户所在小区的第一网络KPI信息以及非投诉用户所在小区的第二网络KPI信息,其中,所述非投诉用户的数量为预设数量,所述第一网络KPI信息和所述第二网络KPI信息为预设时间内的信息;根据所述第一网络KPI信息和所述第二网络KPI信息,确定网络质量预测模型;采集待预测的网络KPI信息,并采用所述网络质量预测模型对所述待预测的网络KPI信息进行网络质量预测。通过本发明提供的方法和装置,从用户的角度出发对与网络质量相关的信息进行采集,避免了传统网络质量预测方法很难有效反映用户对网络质量的评价的问题,准确地获取网络质量的真实评价。
Description
技术领域
本发明涉及网络技术,尤其涉及一种网络质量预测方法和装置。
背景技术
网络质量预测技术,关注网络质量指标,发现并解决影响网络质量的问题。网络质量预测的目的是量化网络运行状况、获得网络运维中发生或潜在的问题。网络质量预测可以实现网络运维质量的提高,使用户满意度增加。网络质量分析及预测,为建立一个高级稳定、可预测及可控的网络起到了不可替代的作用。
现有技术中的网络质量预测方法,由于网络KPI信息已经被保存于有线网、光纤网以及无线网等各类网络的网优平台中,运营商从网优平台中采集关键绩效指标(Key Performance Indicator,简称KPI)信息作为内部数据,其中,运营商采集的KPI信息所属的网络小区为运营商随机选取的,然后对此内部数据进行分析处理得到网络质量评估信息,并据此进行网络质量预测,进而完成网络的优化和维护。
但是,现有技术中的网络质量预测方法,由于采集的KPI信息所属的网络小区为运营商随机选取的,时常不能准确地获取用户对于网络质量的真实评价,从而不能对网络质量进行准确的预测,进而无法准确完成网络的优化和维护。
发明内容
本发明提供一种网络质量预测方法和装置,用以解决现有技术中的网络质量预测方法,由于采集的KPI信息所属的网络小区为运营商随机选取的,因而时常不能准确地获取用户对于网络质量的真实评价,从而不能对网络质量进行准确的预测,进而无法准确完成网络的优化和维护的问题。
本发明的第一个方面是提供一种网络质量预测方法,包括:
采集投诉用户所在小区的第一网络KPI信息以及非投诉用户所在小区的第二网络KPI信息,其中,所述非投诉用户的数量为预设数量,所述第一网络KPI信息和所述第二网络KPI信息为预设时间内的信息;
根据所述第一网络KPI信息和所述第二网络KPI信息,确定网络质量预测模型;
采集待预测的网络KPI信息,并采用所述网络质量预测模型对所述待预测的网络KPI信息进行网络质量预测。
本发明的另一个方面是提供一种网络质量预测装置,包括:
数据采集模块,用于采集投诉用户所在小区的第一网络KPI信息以及非投诉用户所在小区的第二网络KPI信息,其中,所述非投诉用户的数量为预设数量,所述第一网络KPI信息和所述第二网络KPI信息为预设时间内的信息;
预测模型建立模块,用于根据所述第一网络KPI信息和所述第二网络KPI信息,确定网络质量预测模型;
网络质量预测模块,用于采集待预测的网络KPI信息,并采用所述网络质量预测模型对所述待预测的网络KPI信息进行网络质量预测。
本实施例通过,采集投诉用户所在小区的第一网络KPI信息以及非投诉用户所在小区的第二网络KPI信息,其中,所述非投诉用户的数量为预设数量,获取的是与投诉相关的网络小区,从被投诉的小区以及未被投诉的小区中采集网络KPI信息,从而准确地获取了用户对于网络质量的真实评价;采取第一网络KPI信息和第二网络KPI信息进行之后建立网络质量预测模型以及网络质量预测的步骤,可以实现从用户角度出发对网络质量进行预测,更加真实有效的对网络质量进行预测。
附图说明
图1为本发明实施例一提供的一种网络质量预测方法的流程图;
图2为本发明实施例二提供的另一种网络质量预测方法的流程图;
图3为本发明实施例二中所应用的误差反向传播(Error-BackPropagation,BP)神经网络的网络模型图;
图4为本发明实施例二的权重值输出示意图;
图5为本发明实施例二的质量评估门限值确定示意图;
图6为本发明实施例三提供的又一种网络质量预测方法的流程图;
图7为本发明实施例四提供的再一种网络质量预测方法的流程图;
图8为本发明实施例五提供的一种网络质量预测装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例一提供的一种网络质量预测方法的流程图,如图1所示,本实施例的方法可以包括:
步骤101、采集投诉用户所在小区的第一网络KPI信息以及非投诉用户所在小区的第二网络KPI信息,其中,所述非投诉用户的数量为预设数量,所述第一网络KPI信息和所述第二网络KPI信息为预设时间内的信息。
网络KPI信息被保存于有线网、光纤网以及无线网等各类网络的网优平台中。某个小区的网络质量被该小区的用户投诉时,采集投诉用户所在的该小区的网络KPI信息作为第一网络KPI信息,可知该第一网络KPI信息被用户投诉。然后,按照预设数量的非投诉用户,采集非投诉用户所在小区的网络KPI信息作为第二网络KPI信息,可知该第二网络KPI信息未被用户投诉。在采集第一网络KPI信息和第二网络KPI信息时,按照预设时间去采集,在本实施例中该预设时间可以是六个月,即每隔六个月便采集第一网络KPI信息和第二网络KPI信息。
步骤102、根据所述第一网络KPI信息和所述第二网络KPI信息,确定网络质量预测模型。
根据采集的第一网络KPI信息和所述第二网络KPI信息,确定一个网络质量预测模型,用于进行网络质量的预测。
步骤103、采集待预测的网络KPI信息,并采用所述网络质量预测模型对所述待预测的网络KPI信息进行网络质量预测。
从待预测的小区中,采集该小区的待预测的KPI信息,该待预测的KPI信息不需关心其是否被用户投诉,根据步骤102中所得到的网络质量预测模型,去测试待预测的网络KPI信息,从而对待预测的网络KPI信息进行网络质量预测。
本实施例通过,采集投诉用户所在小区的第一网络KPI信息以及非投诉用户所在小区的第二网络KPI信息,其中,所述非投诉用户的数量为预设数量,获取的是与投诉相关的网络小区,从被投诉的小区以及未被投诉的小区中采集网络KPI信息,从而准确地获取了用户对于网络质量的真实评价;根据第一网络KPI信息和第二网络KPI信息,去确定网络质量预测模型,然后采集待预测的网络KPI信息,并采用确定好的网络质量预测模型对所述待预测的网络KPI信息进行网络质量的预测,可以实现从用户角度出发对网络质量进行预测,更加真实有效的对网络质量进行预测。避免了传统网络质量预测方法很难有效反映用户对网络质量的评价的问题,从用户的角度出发对与网络质量相关的信息进行采集,实现了准确地获取网络质量的真实评价,在用户对所在小区的网络质量未发生投诉之前,对网络质量进行预测,可以实现从用户角度出发对网络质量进行预测,更加真实有效的对网络质量进行预测,以进行之后的网络质量排查解决工作,进而准确的完成网络的优化和维护。
图2为本发明实施例二提供的另一种网络质量预测方法的流程图,如图2所示,本实施例的方法可以包括:
步骤101的具体实施方式为以下步骤:
步骤1011、统计投诉用户发送的投诉信息。
具体地,用户会通过语音、短信等方式向运营商发送投诉信息,运营商通过自动记录或人工记录的方式记录投诉用户发送的投诉信息,形成投诉记录,可以从投诉记录中统计投诉用户发送的投诉信息。举例来说,由于运营商会通过自动记录或人工记录的方式,将投诉用户发送的各种投诉信息进行投诉信息的记录,形成投诉工单,从而可以根据网络质量投诉的问题类型,从投诉工单中筛选出所需要的宽带分码多工存取(Wideband Code DivisionMultiple Access,WCDMA)语音业务投诉信息;根据WCDMA语音业务投诉信息的投诉号码和投诉时间,在移动网综合信息查询系统中查询并导出WCDMA语音业务投诉信息的记录,从而可以统计出投诉用户发送的WCDMA语音业务投诉信息。
步骤1012、根据所述投诉信息,确定所述投诉用户所在的小区。
具体地,根据步骤1011中得到的投诉信息,可以获取投诉用户所在的小区的具体位置。举例来说,根据WCDMA语音业务投诉信息中投诉号码,可以获取投诉用户所在小区的小区号和小区经纬度,进行投诉用户所在小区的精确定位。
步骤1013、提取所述投诉用户所在小区的第一网络KPI信息。
具体地,在确定了投诉用户所在的小区之后,从投诉用户所在小区的网优平台中提取该小区的第一网络KPI信息,可知,该小区的第一网络KPI信息引起了用户投诉。
步骤1014、提取非投诉用户所在小区的第二网络KPI信息,其中,所述非投诉用户的数量与所述投诉用户的数量相同,所述第一网络KPI信息和所述第二网络KPI信息为预设时间内的信息。
具体地,获取与投诉用户数相同数量的非投诉用户,依据非投诉用户的用户标识可以获知非投诉用户所在的小区,从而提取非投诉用户所在小区的第二网络KPI信息,可知,该小区的第二网络KPI信息没有引起用户投诉。在采集第一网络KPI信息和第二网络KPI信息时,按照预设时间去采集,在本实施例中该预设时间可以是六个月,即每隔六个月便采集第一网络KPI信息和第二网络KPI信息。
步骤102的具体实施方式为以下步骤:
步骤1021、将所述第一网络KPI信息和所述第二网络KPI信息组成训练样本。
具体地,将第一网络KPI信息和第二网络KPI信息进行随机打乱操作组成训练样本,以使第一网络KPI信息和第二网络KPI信息交叉输入BP神经网络中,更利于BP神经网络的训练过程;同时,对训练样本进行网络预测无关属性的过滤,空取值处理和数据归一化处理的预处理操作,以去除网络KPI信息中的无关属性,并更利于BP神经网络的训练过程。举例来说,将第一网络KPI信息和第二网络KPI信息进行随机打乱操作组成训练样本;然后对训练样本进行网络预测无关属性的过滤,空取值处理和数据归一化处理的预处理操作,其中,网络预测无关属性的过滤主要包括对网络KPI信息所在的区县、基站名称以及电话号码等与网络预测指标无关的属性;空缺值处理采用补零的处理方式;数据的归一化处理是指使所有数据的属性信息都在0~1或-1~1之间变化,从而使得BP神经网络的训练过程在开始时,就给各输入的网络KPI信息的分量以同等重要的地位,本发明中具体采用最大最小法对BP神经网络的输入变量进行归一化处理,将数据归一化到-1~1之间,数据的归一化公式为:
其中,x为数据属性,xmin为数据属性的最小值,xmax为数据属性的最大值。
步骤1022、将所述训练样本输入BP神经网络中进行训练,得到成熟BP神经网络。
具体地,将步骤1021中经过一系列处理之后得到的训练样本,输入一个三层BP神经网络中进行训练,经过一定时间的训练之后得到成熟BP神经网络。举例来说,由于BP神经网络是一个单向传播的多层前馈神经网络,其神经元的传递是S型函数,输出量为0到1之间的连续量,它可以实现从输入到输出的任意非线性映射。BP神经网络由三个部分组成一个输入层,其中的单元表示输入字段,输入数据显示在输入层,输入数据的值从每个神经元传播到下一层的每个神经元;一个或多个隐层;一个输出层,输出层带有一个或多个表示输出字段的单元,从输出层中输出结果,其中,输入层与隐层之间通过可变的权重连接,输出层与隐层之间通过可变的权重连接。
建立一个具有一个隐含层的三层BP神经网络,如图3本发明实施例二提供的BP神经网络的网络模型图所示,输入层、隐含层和输出层之间的单元数分别是n、l、m,其中m=1,输入为x0,x1,…xn-1;隐含层输出为h0,h1,…hl-1;网络实际输出为y。其中,隐含层各单元的输出为:
输出层各单元的输出为:
其中,Vij为输入单元i到隐含单元j的权重值,即Vij为输入层的权重,Wj为隐含单元j到输出单元k之间的权重值,θ和分别表示输出单元和隐含单元的阈值,最初,所有的权重都是随机生成的。
在本申请中,将第一网络KPI信息和第二网络KPI信息经过一系列处理之后组成的训练样本,输入该具有一个隐含层的三层BP神经网络的输入层中,一个样本中的各个网络KPI信息作为输入节点,成为x0,x1,…xn-1;进行BP神经网络的训练过程,在训练的过程中,会生成投诉预测结果,并不断的将BP神经网络得到的投诉预测结果与采集的网络KPI信息的质量结果进行比较,从此比较中得出的信息会传递回网络,并逐渐改变权重,对各个权重Vij和Wj进行调整,随着训练的进行,该网络对已知结果的复制会变得越来越准确,从而得到一个成熟BP神经网络,该成熟BP神经网络中的权重值Wj和输入层的权重Vij也调整到了一个比较成熟的阶段,对于每一个输入单元i的权重Vij求解均值,可获得每个输入单元i的平均权重值从而可以得到输出结果y,得知输入样本是否会引起用户投诉,并得到每个输入单元i的平均权重值作为各网络KPI信息在用户评价小区质量时所占权重值。
相应的,步骤103中所述采集待预测的网络KPI信息,并采用所述网络质量预测模型对所述待预测的网络KPI信息进行网络质量预测,可以具体为以下步骤:
步骤1031、采集一个小区中的网络KPI信息,并将该小区中的网络KPI信息输入到所述成熟BP神经网络中,得到该小区的网络质量是否会被用户投诉的预测结果。
具体地,采集某一个小区的网络KPI信息作为待预测的网络KPI信息,将其输入到步骤1022中得到的成熟BP神经网络中,该成熟BP神经网络会依据已经训练好的模型对待预测网络KPI信息进行数据分析,从而得到一个预测结果,该预测结果表征该小区的网络质量是否会被用户投诉。具体地,可以采集多个小区的KPI信息作为待预测的网络KPI信息,放入成熟BP神经网络中进行数据分析,从而得到关于各个小区的预测结果,该预测结果表征了各个小区的网络质量是否会被各自的用户投诉。
本实施例通过统计投诉用户发送的投诉信息,根据投诉信息确定投诉用户所在的小区,从而去提取所述投诉用户所在小区的第一网络KPI信息,并提取与所述投诉用户数相同数量的非投诉用户所在小区的第二网络KPI信息,获取的是与投诉相关的网络小区,从被投诉的小区以及未被投诉的小区中采集网络KPI信息,从而准确地获取了用户对于网络质量的真实评价;将第一网络KPI信息和第二网络KPI信息组成训练样本,将训练样本进行随机打乱操作,以及网络预测无关属性的过滤、空取值处理和数据归一化处理的预处理操作,组成最终的训练样本,使得之后BP神经网络训练结果更加准确;将训练样本输入BP神经网络中进行训练,得到成熟BP神经网络,建立了一个客观的网络质量预测体系;然后,采集一个小区中的网络KPI信息,并将该小区中的网络KPI信息输入到成熟BP神经网络中,得到该小区的网络质量是否会被用户投诉的预测结果。从而建立了一套实时的基于用户角度的网络质量预测方法,实现了全网的网络质量预测,避免了传统网络质量预测方法很难有效反映用户对网络质量的评价的问题,从用户的角度出发对与网络质量相关的信息进行采集,获取网络质量的真实评价,在用户对所在小区的网络质量未发生投诉之前,对网络质量进行准确的预测,以进行之后的网络质量排查解决工作,帮助运营商实时发现网络质量的变化,进而准确的完成网络的优化和维护。
进一步地,步骤101的另一种具体实施方式,可以具体为:
针对一个应用场景,采集该应用场景下投诉用户所在小区的第一网络KPI信息以及非投诉用户所在小区的第二网络KPI信息,其中,所述非投诉用户的数量为预设数量,所述第一网络KPI信息和所述第二网络KPI信息为预设时间内的信息。
具体地,针对一个应用场景,采集投诉用户所在的该小区的网络KPI信息作为第一网络KPI信息,可知该第一网络KPI信息被用户投诉,然后,按照预设数量的非投诉用户,采集非投诉用户所在小区的网络KPI信息作为第二网络KPI信息。举例来说,在高密住宅区的场景下,采集该场景下的投诉用户所在小区的第一网络KPI信息以及非投诉用户所在小区的第二网络KPI信息,其中非投诉用户的数量为预设数量;或者,在高速公路的场景下,采集该场景下的投诉用户所在小区的第一网络KPI信息以及非投诉用户所在小区的第二网络KPI信息,,其中非投诉用户的数量为预设数量;或者,在高等院校的场景下,采集该场景下的投诉用户所在小区的第一网络KPI信息以及非投诉用户所在小区的第二网络KPI信息,其中非投诉用户的数量为预设数量。在采集第一网络KPI信息和第二网络KPI信息时,按照预设时间去采集,在本实施例中该预设时间可以是六个月,即每隔六个月便采集第一网络KPI信息和第二网络KPI信息。
本实施方式针对一个应用场景,进行网络KPI信息的采集,避免了传统的网络质量预测方法中没有考虑场景和业务的“一刀切”的方式,比传统的网络质量预测方法可以更加合理的进行网络质量预测。分场景分业务分门限的建立网络质量预测体系,比现有网络质量预测方法更加利于进行网络质量预测,在保证网络质量预测准确性的同时也能够提高网络资源的利用率。
进一步地,步骤102和步骤103的另一种具体实施方式,可以具体为:
对所述第一网络KPI信息和所述第二网络KPI信息进行统计分析,得到各网络KPI信息在用户评价小区质量时所占权重值;
采用所述第一网络KPI信息中权重值较大的前N个权重值对应的网络KPI信息和所述第二网络KPI信息中权重值中较大的前N个权重值对应的网络KPI信息,确定各网络KPI信息对应的质量评估门限值,所述质量评估门限值用于界定网络质量是否会被用户投诉;
采集一个小区中的一个网络KPI信息,并将该网络KPI信息与该网络KPI信息对应的质量评估门限值进行比较;
根据比较结果,确定该网络KPI信息对应的该小区的网络质量是否会被用户投诉。
在实际应用中,具体地,由于第一网络KPI信息引起了用户投诉,第二网络KPI信息没有引起用户投诉,采用第一网络KPI信息和第二网络KPI信息进行统计分析,可以获得各网络KPI信息在用户评价小区质量时所占权重值,该权重值为从成熟的BP神经网络中提取出的每个输入单元i的平均权重值然后,权重值进行排序,找出排名最前的N网络KPI信息,比如20个或30个网络KPI信息,从而找出对用户感受度影响程度较大的网络KPI信息,对这些网络KPI信息进行监控,可以有效地提高工作效率,维护优化工作更有针对性;采用第一网络KPI信息中权重值较大的前N个权重值对应的网络KPI信息和第二网络KPI信息中权重值中较大的前N个权重值对应的网络KPI信息,可以采用绘制图表的方式,将所有的网络KPI信息进行比对,确定各网络KPI信息对应的质量评估门限值,质量评估门限值用于界定网络质量是否会被用户投诉;采集一个小区中的一个网络KPI信息作为待预测的网络KPI信息,并将该网络KPI信息与该网络KPI信息对应的质量评估门限值进行比较,从而根据比较结果,确定该网络KPI信息对应的该小区的网络质量是否会被用户投诉。
本实施方式通过对第一网络KPI信息和第二网络KPI信息进行统计分析,得到各网络KPI信息在用户评价小区质量时所占权重值,能够获取对于网络质量影响力较大的网络KPI信息,可以针对这些网络KPI信息进行重点监控;采用第一网络KPI信息中权重值较大的前N个权重值对应的网络KPI信息和第二网络KPI信息中权重值中较大的前N个权重值对应的网络KPI信息,确定各网络KPI信息对应的质量评估门限值;采集一个小区中的一个网络KPI信息,并将该网络KPI信息与该网络KPI信息对应的质量评估门限值进行比较,从而完成了对于单一网络KPI信息进行实时预测。从而从用户的角度出发对与网络质量相关的信息进行采集,实现了准确地获取网络质量的真实评价,并实现对于单一网络KPI信息进行实时预测,使得网络人员对这一网络KPI信息所对应的问题进行及时排查,在用户对所在小区的网络质量未发生投诉之前,完成网络的优化和维护。
进一步地,步骤102和步骤103的又一种具体实施方式,可以具体为:
将所述第一网络KPI信息和所述第二网络KPI信息组成训练样本;
将所述训练样本输入BP神经网络中进行训练,得到成熟BP神经网络;
获取所述成熟BP神经网络中的小区质量预测值以及各网络KPI信息在用户评价小区质量时所占权重值;
根据所述小区质量预测值,对所述第一网络KPI信息以及所述第二网络KPI信息的投诉情况进行修正;
采用投诉情况修正后的第一网络KPI信息中权重值较大的前N个权重值对应的网络KPI信息和投诉情况修正后的第二网络KPI信息中权重值中较大的前N个权重值对应的网络KPI信息,确定各网络KPI信息对应的质量评估门限值,所述质量评估门限值用于界定网络质量是否会被用户投诉;
采集一个小区中的一个网络KPI信息,并将该网络KPI信息与该网络KPI信息对应的质量评估门限值进行比较;
根据比较结果,确定该网络KPI信息对应的该小区的网络质量是否会被用户投诉。
在实际应用中,具体地,由于第一网络KPI信息引起了用户投诉,第二网络KPI信息没有引起用户投诉,将第一网络KPI信息和第二网络KPI信息输入BP神经网络中进行训练,BP神经网络如图3所示,随着训练的进行,该网络对已知结果的复制会变得越来越准确,从而得到一个成熟BP神经网络。
该成熟BP神经网络中的输入层的权重Vij调整到了一个比较成熟的阶段,对于每一个输入单元i的权重Vij求解均值,可获得每个输入单元i的平均权重值平均权重值是各网络KPI信息在用户评价小区质量时所占权重值,成熟BP神经网络的输出层会输出小区质量预测值,小区质量预测值表征了各个小区是否会引起用户投诉的预测结果,根据小区质量预测值,对第一网络KPI信息以及第二网络KPI信息的投诉情况进行修正;然后,对权重值进行排序,找出排名最前的N网络KPI信息,比如20个或30个网络KPI信息,从而找出对用户感受度影响程度较大的网络KPI信息,对这些网络KPI信息进行监控,可以有效地提高工作效率,维护优化工作更有针对性;采用投诉情况修正后的第一网络KPI信息中权重值较大的前N个权重值对应的网络KPI信息和投诉情况修正后的第二网络KPI信息中权重值中较大的前N个权重值对应的网络KPI信息,可以采用绘制图表的方式,将所有的网络KPI信息进行比对,确定各网络KPI信息对应的质量评估门限值,质量评估门限值用于界定网络质量是否会被用户投诉;采集一个小区中的一个网络KPI信息作为待预测的网络KPI信息,并将该网络KPI信息与该网络KPI信息对应的质量评估门限值进行比较,从而根据比较结果,确定该网络KPI信息对应的该小区的网络质量是否会被用户投诉。举例来说,以场景一为例,将第一网络KPI信息和第二网络KPI信息输入BP神经网络中进行训练,BP神经网络如图3所示,在训练过程中,会生成投诉预测结果,不断的将BP神经网络得到的投诉预测结果与采集的网络KPI信息的质量结果进行比较,从此比较中得出的信息会传递回网络,并逐渐改变权重,对各个权重进行调整,随着训练的进行,该网络对已知结果的复制会变得越来越准确,该成熟BP神经网络中的输入层的权重Vij调整到了一个比较成熟的阶段,对于每一个输入单元i的权重Vij求解均值,可获得每个输入单元i的平均权重值从而得到一个成熟BP神经网络,并得到成熟BP神经网络输出层的小区质量预测值,小区质量预测值表征了各个小区是否会引起用户投诉的预测结果,同时得到了输入层的平均权重值;根据小区质量预测值,对第一网络KPI信息以及第二网络KPI信息的投诉情况进行修正;然后,对场景一投诉情况修正后的第一网络KPI信息和投诉情况修正后的第二网络KPI信息的权重值进行归一化处理并排序,找出排名最前的N网络KPI信息,如图4本发明实施例二的权重值输出示意图所示,图4的横坐标表示各种网络KPI信息,图4纵坐标表示的网络KPI信息的权重值;可以采用绘制图表的方式,将所有的网络KPI信息进行比对,以其中一种宽带接收总功率(Received TotalWideband Power,RTWP)抬升这一网络KPI信息来说,如图5本发明实施例二的质量评估门限值确定示意图所示,图5的横坐标表示RTWP抬升的值,图5的纵坐标表示小区数量,将RTWP抬升的值为0的有投诉小区的数量标出,然后将RTWP抬升的值为0的无投诉小区的数量标出,依次类推,将RTWP抬升的值在0-29区间中,所占的有投诉小区的数量和无投诉小区的数量在图5中标出,然后绘制成折线,从图5中可知,RTWP抬升的值在大于12时,只存在有投诉小区,所以12为RTWP抬升的质量评估门限值;采集了场景一的一个小区中的一个网络KPI信息作为待预测的RTWP抬升网络KPI信息,并将该RTWP抬升与之前得到的RTWP抬升对应的质量评估门限值12进行比较,在该RTWP抬升大于12时,则确定该小区的网络质量会被用户投诉,在该RTWP抬升小于等于12时,则确定该小区的网络质量不会被用户投诉。
又举例来说,在实际应用中,针对一个应用场景,可以得到该应用场景下的各类网络KPI信息的权重值以及质量评估门限值,即不同的应用场景下,同一个网络KPI的权重值有所不同,同一个网络KPI的质量评估门限值也有所不同。具体地,在该应用场景下,经过BP神经网络训练,可以得到成熟BP神经网络中的小区质量预测值,可知小区网络质量的评估值;依据小区质量预测值,对第一网络KPI信息以及第二网络KPI信息的投诉情况进行修正,可以获取网络质量预测较好的小区的个数,以及网络质量预测较差的小区的个数;在网络质量预测较好的前A%的小区中,采用投诉情况修正后的投诉用户所在小区的第一网络KPI信息中权重值较大的前N个权重值对应的网络KPI信息,以及预设数量的投诉情况修正后的非投诉用户所在小区的第二网络KPI信息中权重值较大的前N个权重值对应的网络KPI信息,确定各网络KPI信息对应的质量评估门限值;在网络质量预测较差的B%的小区中,采用投诉情况修正后的投诉用户所在小区的第一网络KPI信息中权重值较大的前N个权重值对应的网络KPI信息,以及预设数量的投诉情况修正后的非投诉用户所在小区的第二网络KPI信息中权重值较大的前N个权重值对应的网络KPI信息,确定各网络KPI信息对应的质量评估门限值。如表1不同场景下的电路交换(CircuitSwitched,CS)域异系统切出比例的质量评估门限值所示,针对CS域异系统切出比例这一网络KPI信息,一个高密住宅区的应用场景下,一个应用场景下的网络质量预测结果最差的前2%的小区中CS域异系统切出比例的门限值为30,网络质量预测结果最好的前20%小区对应的CS域异系统切出比例的门限值为3.5。
表1不同场景下的CS域异系统切出比例的质量评估门限值
本实施方式通过获取成熟BP神经网络中的小区质量预测值以及各网络KPI信息在用户评价小区质量时所占权重值,采用BP神经网络训练后的权重值,可以有效避免传统网络质量预测中采用经验值作为权重值时,因权重值存在主观影响而造成网络质量预测不准确的情况;根据小区质量预测值,对第一网络KPI信息以及第二网络KPI信息的投诉情况进行修正;采用投诉情况修正后的第一网络KPI信息中权重值较大的前N个权重值对应的网络KPI信息和投诉情况修正后的第二网络KPI信息中权重值中较大的前N个权重值对应的网络KPI信息,确定各网络KPI信息对应的质量评估门限值,质量评估门限值用于界定网络质量是否会被用户投诉能够获取对于网络质量影响力较大的网络KPI信息,从而可以针对这些网络KPI信息进行重点监控;以投诉情况修正后的第一网络KPI信息和投诉情况修正后的第二网络KPI信息作为之后的预测数据,去确定质量评估门限值,可以有效消弱用户主观意识对网络质量评价的影响;然后,采集一个小区中的一个网络KPI信息,并将该网络KPI信息与该网络KPI信息对应的质量评估门限值进行比较;根据比较结果,确定该网络KPI信息对应的该小区的网络质量是否会被用户投诉,可以实现对于单一网络KPI信息的实时预测。从而实现了从用户的角度出发对与网络质量相关的信息进行采集,实现了准确地获取网络质量的真实评价;能够获取对于网络质量影响力较大的网络KPI信息,从而可以针对这些网络KPI信息进行重点监控,并有效消弱用户主观意识对网络质量评价的影响;并实现了对于单一网络KPI信息进行实时预测,使得网络人员对这一网络KPI信息所对应的问题进行及时排查,在用户对所在小区的网络质量未发生投诉之前,完成网络的优化和维护。
图6为本发明实施例一提供的又一种网络质量预测方法的流程图,如图6所示,本实施例的方法可以包括:
步骤601、统计投诉用户发送的投诉信息。
具体地,用户会通过语音、短信等方式向运营商发送投诉信息,运营商通过自动记录或人工记录的方式记录投诉用户发送的投诉信息,形成投诉记录,可以从投诉记录中统计投诉用户发送的投诉信息;根据投诉信息,可以获取投诉用户所在的小区的具体位置;
步骤602、采集投诉用户所在小区的第一网络关键绩效指标KPI信息以及非投诉用户所在小区的第二网络KPI信息,组成训练样本,其中,所述非投诉用户的数量为预设数量。
具体地,在确定了投诉用户所在的小区之后,从投诉用户所在小区的网优平台中提取该小区的第一网络KPI信息,可知,该小区的第一网络KPI信息引起了用户投诉;获取与投诉用户数相同数量的非投诉用户,依据非投诉用户的用户标识可以获知非投诉用户所在的小区,从而提取非投诉用户所在小区的第二网络KPI信息,可知,该小区的第二网络KPI信息没有引起用户投诉。第一网络KPI信息和第二网络KPI信息为预设时间内的信息,即采集第一网络KPI信息和第二网络KPI信息时,按照预设时间去采集,在本实施例中该预设时间可以是六个月,即每隔六个月便采集第一网络KPI信息和第二网络KPI信息。
步骤603、对所述训练样本进行预处理。
具体地,将第一网络KPI信息和第二网络KPI信息进行随机打乱操作组成训练样本,然后对训练样本进行网络预测无关属性的过滤,空缺值处理和数据归一化处理的预处理操作,以去除网络KPI信息中的无关属性,并更利于BP神经网络的训练过程。
步骤604、建立BP神经网络并进行训练。
具体地,如图3所示,建立一个具有一个隐含层的三层BP神经网络,进行BP神经网络的训练过程,在训练的过程中,会生成投诉预测结果,不断的将BP神经网络得到的投诉预测结果与采集的网络KPI信息的质量结果进行比较,从此比较中得出的信息会传递回网络,并逐渐改变权重,对各个权重进行调整,随着训练的进行,该网络对已知结果的复制会变得越来越准确,从而得到一个成熟BP神经网络,该成熟BP神经网络中的输入层的权重Vij也调整到了一个比较成熟的阶段,对于每一个输入单元i的权重Vij求解均值,可获得每个输入单元i的平均权重值
步骤605、导出成熟BP神经网络。
具体地,导出步骤604所得到的成熟BP神经网络。
步骤606、采集待预测的小区的网络KPI信息,并将其输入到步骤605的成熟BP神经网络中。
具体地,采集某一个小区的网络KPI信息作为待预测的网络KPI信息,此时待预测的KPI信息不需关心其是否被用户投诉,将其输入到步骤605中的成熟BP神经网络中。
步骤607、对所述待预测网络KPI信息进行网络质量预测。
具体地,将步骤606采集到的待预测的小区的网络KPI信息,导入到成熟BP神经网络中,该成熟BP神经网络会依据已经训练好的模型对待预测网络KPI信息进行数据分析,从而得到一个预测结果,该预测结果表征该小区的网络质量是否会被用户投诉。具体地,可以采集多个小区的KPI信息作为待预测的网络KPI信息,放入成熟BP神经网络中进行数据分析,从而得到关于各个小区的预测结果,该预测结果表征了各个小区的网络质量是否会被各自的用户投诉。
步骤608、导出小区的网络质量是否会被用户投诉的预测结果。
本实施例通过统计投诉用户发送的投诉信息,采集投诉用户所在小区的第一网络关键绩效指标KPI信息以及非投诉用户所在小区的第二网络KPI信息,组成训练样本,非投诉用户的数量为预设数量,从用户的角度出发对与网络质量相关的信息进行采集,避免了传统网络质量预测方法很难有效反映用户对网络质量的评价的问题,实现了准确地获取用户对网络质量的真实评价;建立BP神经网络并进行训练;采集待预测的小区的网络KPI信息导入成熟BP神经网络中进行网络质量预测,实现了全网的网络质量预测,完成网络的优化和维护。
图7为本发明实施例四提供的再一种网络质量预测方法的流程图,如图7所示,本实施例的方法可以包括:
步骤701、统计投诉用户发送的投诉信息。
具体地,用户会通过语音、短信等方式向运营商发送投诉信息,运营商通过自动记录或人工记录的方式记录投诉用户发送的投诉信息,形成投诉记录,可以从投诉记录中统计投诉用户发送的投诉信息;根据投诉信息,可以获取投诉用户所在的小区的具体位置;
步骤702、采集投诉用户所在小区的第一网络关键绩效指标KPI信息以及非投诉用户所在小区的第二网络KPI信息,组成训练样本,其中,所述非投诉用户的数量为预设数量。
具体地,在确定了投诉用户所在的小区之后,从投诉用户所在小区的网优平台中提取该小区的第一网络KPI信息,可知,该小区的第一网络KPI信息引起了用户投诉;获取与投诉用户数相同数量的非投诉用户,依据非投诉用户的用户标识可以获知非投诉用户所在的小区,从而提取非投诉用户所在小区的第二网络KPI信息,可知,该小区的第二网络KPI信息没有引起用户投诉。第一网络KPI信息和第二网络KPI信息为预设时间内的信息,即采集第一网络KPI信息和第二网络KPI信息时,按照预设时间去采集,在本实施例中该预设时间可以是六个月,即每隔六个月便采集第一网络KPI信息和第二网络KPI信息。
步骤703、对所述训练样本进行预处理。
具体地,将第一网络KPI信息和第二网络KPI信息进行随机打乱操作组成训练样本,然后对训练样本进行网络预测无关属性的过滤,空缺值处理和数据归一化处理的预处理操作,以去除网络KPI信息中的无关属性,并更利于BP神经网络的训练过程。
步骤704、建立BP神经网络并进行训练。
具体地,如图3所示,建立一个具有一个隐含层的三层BP神经网络,进行BP神经网络的训练过程,在训练的过程中,会生成投诉预测结果,不断的将BP神经网络得到的投诉预测结果与采集的网络KPI信息的质量结果进行比较,从此比较中得出的信息会传递回网络,并逐渐改变权重,对各个权重进行调整,随着训练的进行,该网络对已知结果的复制会变得越来越准确,从而得到一个成熟BP神经网络,该成熟BP神经网络中的输入层的权重Vij也调整到了一个比较成熟的阶段,对于每一个输入单元i的权重Vij求解均值,可获得每个输入单元i的平均权重值
步骤705、导出成熟BP神经网络,以及所述成熟BP神经网络中的小区质量预测值以及各网络KPI信息在用户评价小区质量时所占权重值,计算各网络KPI信息的质量评估门限值。
具体地,导出步骤704所得到的成熟BP神经网络,每个网络KPI信息对应一个输入单元,则每个输入单元i的平均权重值是各网络KPI信息在用户评价小区质量时所占权重值,成熟BP神经网络会输出小区质量预测值,小区质量预测值表征了各个小区是否会引起用户投诉的预测结果,根据小区质量预测值,对第一网络KPI信息以及第二网络KPI信息的投诉情况进行修正;然后,对权重值进行排序,找出排名最前的N网络KPI信息,从而找出对用户感受度影响程度较大的网络KPI信息,对这些网络KPI信息进行监控,可以有效地提高工作效率,维护优化工作更有针对性;采用投诉情况修正后的第一网络KPI信息中权重值较大的前N个权重值对应的网络KPI信息和投诉情况修正后的第二网络KPI信息中权重值中较大的前N个权重值对应的网络KPI信息,可以采用绘制图表的方式,将所有的网络KPI信息进行比对,确定各网络KPI信息对应的质量评估门限值,质量评估门限值用于界定网络质量是否会被用户投诉。
步骤706、采集一个小区中的一个网络KPI信息,进行网络质量预测。
具体地,采集一个小区中的一个网络KPI信息作为待预测的网络KPI信息,并将该网络KPI信息与步骤705中得到的该网络KPI信息对应的质量评估门限值进行比较,从而根据比较结果,确定该网络KPI信息对应的该小区的网络质量是否会被用户投诉。
本实施例通过统计投诉用户发送的投诉信息,采集投诉用户所在小区的第一网络关键绩效指标KPI信息以及非投诉用户所在小区的第二网络KPI信息,组成训练样本,非投诉用户的数量为预设数量,从用户的角度出发对与网络质量相关的信息进行采集,避免了传统网络质量预测方法很难有效反映用户对网络质量的评价的问题,实现了准确地获取用户对网络质量的真实评价;建立BP神经网络并进行训练;采集一个小区中的一个网络KPI信息,进行网络质量预测,同时能够获取对于网络质量影响力较大的网络KPI信息,从而可以针对这些网络KPI信息进行重点监控,从而实现单一网络KPI信息的预测与检测,当某一个网络KPI信息超过了其质量评估门限值,使得网络人员对这一网络KPI信息所对应的问题进行及时排查,在用户对所在小区的网络质量未发生投诉之前,完成网络的优化和维护。
图8为本发明实施例五提供的一种网络质量预测装置的结构示意图,如图8所示,本实施例的装置可以包括:
数据采集模块81,用于采集投诉用户所在小区的第一网络KPI信息以及非投诉用户所在小区的第二网络KPI信息,其中,所述非投诉用户的数量为预设数量,所述第一网络KPI信息和所述第二网络KPI信息为预设时间内的信息;
预测模型建立模块82,用于根据所述第一网络KPI信息和所述第二网络KPI信息,确定网络质量预测模型;
网络质量预测模块83,用于采集待预测的网络KPI信息,并采用所述网络质量预测模型对所述待预测的网络KPI信息进行网络质量预测。
本实施例的具体实现参照本发明实施例一提供的一种网络质量预测方法。本实施例通过采集投诉用户所在小区的第一网络KPI信息以及非投诉用户所在小区的第二网络KPI信息,其中,所述非投诉用户的数量为预设数量,获取的是与投诉相关的网络小区,从被投诉的小区以及未被投诉的小区中采集网络KPI信息,从而准确地获取了用户对于网络质量的真实评价;根据第一网络KPI信息和第二网络KPI信息,去确定网络质量预测模型,然后采集待预测的网络KPI信息,并采用确定好的网络质量预测模型对所述待预测的网络KPI信息进行网络质量的预测,可以实现从用户角度出发对网络质量进行预测,更加真实有效的对网络质量进行预测。避免了传统网络质量预测方法很难有效反映用户对网络质量的评价的问题,从用户的角度出发对与网络质量相关的信息进行采集,实现了准确地获取网络质量的真实评价,在用户对所在小区的网络质量未发生投诉之前,对网络质量进行预测,可以实现从用户角度出发对网络质量进行预测,更加真实有效的对网络质量进行预测,以进行之后的网络质量排查解决工作,进而准确的完成网络的优化和维护。
本发明实施例五提供的另一种网络质量预测装置,在实施例五提供的一种网络质量预测装置的结构示意图的基础上,进一步的:
所述数据采集模块81,具体用于:统计投诉用户发送的投诉信息;根据所述投诉信息,确定所述投诉用户所在的小区;提取所述投诉用户所在小区的第一网络KPI信息;提取非投诉用户所在小区的第二网络KPI信息,其中,所述非投诉用户的数量与所述投诉用户的数量相同,所述第一网络KPI信息和所述第二网络KPI信息为预设时间内的信息。
所述预测模型建立模块82,具体用于:将所述第一网络KPI信息和所述第二网络KPI信息组成训练样本;将所述训练样本输入误差反向传播BP神经网络中进行训练,得到成熟BP神经网络。
相应的,所述网络质量预测模块83,具体用于:采集一个小区中的网络KPI信息,并将该小区中的网络KPI信息输入到所述成熟BP神经网络中,得到该小区的网络质量是否会被用户投诉的预测结果。
本实施例的具体实现参照本发明实施例二提供的另一种网络质量预测方法。本实施例通过统计投诉用户发送的投诉信息,根据投诉信息确定投诉用户所在的小区,从而去提取所述投诉用户所在小区的第一网络KPI信息,并提取与非投诉用户所在小区的第二网络KPI信息,其中,所述非投诉用户的数量与所述投诉用户的数量相同,获取的是与投诉相关的网络小区,从被投诉的小区以及未被投诉的小区中采集网络KPI信息,从而准确地获取了用户对于网络质量的真实评价;将第一网络KPI信息和第二网络KPI信息组成训练样本,将训练样本进行随机打乱操作,以及网络预测无关属性的过滤、空取值处理和数据归一化处理的预处理操作,组成最终的训练样本,使得之后BP神经网络训练结果更加准确;将训练样本输入BP神经网络中进行训练,得到成熟BP神经网络,建立了一个客观的网络质量预测体系;然后,采集一个小区中的网络KPI信息,并将该小区中的网络KPI信息输入到成熟BP神经网络中,得到该小区的网络质量是否会被用户投诉的预测结果。从而建立了一套实时的基于用户角度的网络质量预测方法,实现了全网的网络质量预测,避免了传统网络质量预测方法很难有效反映用户对网络质量的评价的问题,从用户的角度出发对与网络质量相关的信息进行采集,获取网络质量的真实评价,在用户对所在小区的网络质量未发生投诉之前,对网络质量进行准确的预测,以进行之后的网络质量排查解决工作,帮助运营商实时发现网络质量的变化,进而准确的完成网络的优化和维护。
进一步地,数据采集模块81的另一种具体实施方式,具体包括:
所述数据采集模块81,具体用于:针对一个应用场景,采集该应用场景下投诉用户所在小区的第一网络KPI信息以及预设数量的非投诉用户所在小区的第二网络KPI信息。
本实施方式的具体实现参照本发明实施例二提供的另一种网络质量预测方法。本实施方式针对一个应用场景,进行网络KPI信息的采集,避免了传统的网络质量预测方法中没有考虑场景和业务的“一刀切”的方式,比传统的网络质量预测方法可以更加合理的进行网络质量预测。分场景分业务分门限的建立网络质量预测体系,比现有网络质量预测方法更加利于进行网络质量预测,在保证网络质量预测准确性的同时也能够提高网络资源的利用率。
进一步地,预测模型建立模块82的另一种具体实施方式,具体包括:
所述预测模型建立模块82,具体用于:对所述第一网络KPI信息和所述第二网络KPI信息进行统计分析,得到各网络KPI信息在用户评价小区质量时所占权重值;采用所述第一网络KPI信息中权重值较大的前N个权重值对应的网络KPI信息和所述第二网络KPI信息中权重值中较大的前N个权重值对应的网络KPI信息,确定各网络KPI信息对应的质量评估门限值,所述质量评估门限值用于界定网络质量是否会被用户投诉。
相应的,所述网络质量预测模块83,具体用于:采集一个小区中的一个网络KPI信息,并将该网络KPI信息与该网络KPI信息对应的质量评估门限值进行比较;根据比较结果,确定该网络KPI信息对应的该小区的网络质量是否会被用户投诉。
本实施方式的具体实现参照本发明实施例二提供的另一种网络质量预测方法。本实施方式通过对第一网络KPI信息和第二网络KPI信息进行统计分析,得到各网络KPI信息在用户评价小区质量时所占权重值,能够获取对于网络质量影响力较大的网络KPI信息,可以针对这些网络KPI信息进行重点监控;采用第一网络KPI信息中权重值较大的前N个权重值对应的网络KPI信息和第二网络KPI信息中权重值中较大的前N个权重值对应的网络KPI信息,确定各网络KPI信息对应的质量评估门限值;采集一个小区中的一个网络KPI信息,并将该网络KPI信息与该网络KPI信息对应的质量评估门限值进行比较,从而完成了对于单一网络KPI信息进行实时预测。
进一步地,预测模型建立模块82的又一种具体实施方式,具体包括:
所述预测模型建立模块82,具体用于:将所述第一网络KPI信息和所述第二网络KPI信息组成训练样本;将所述训练样本输入BP神经网络中进行训练,得到成熟BP神经网络;获取所述成熟BP神经网络中的小区质量预测值以及各网络KPI信息在用户评价小区质量时所占权重值;根据所述小区质量预测值,对所述第一网络KPI信息以及所述第二网络KPI信息的投诉情况进行修正;采用投诉情况修正后的第一网络KPI信息中权重值较大的前N个权重值对应的网络KPI信息和投诉情况修正后的第二网络KPI信息中权重值中较大的前N个权重值对应的网络KPI信息,确定各网络KPI信息对应的质量评估门限值,所述质量评估门限值用于界定网络质量是否会被用户投诉。
相应的,所述网络质量预测模块83,具体用于:采集一个小区中的一个网络KPI信息,并将该网络KPI信息与该网络KPI信息对应的质量评估门限值进行比较;根据比较结果,确定该网络KPI信息对应的该小区的网络质量是否会被用户投诉。
本实施方式的具体实现参照本发明实施例二提供的另一种网络质量预测方法。本实施方式通过获取成熟BP神经网络中的小区质量预测值以及各网络KPI信息在用户评价小区质量时所占权重值,采用BP神经网络训练后的权重值,可以有效避免传统网络质量预测中采用经验值作为权重值时,因权重值存在主观影响而造成网络质量预测不准确的情况;根据小区质量预测值,对第一网络KPI信息以及第二网络KPI信息的投诉情况进行修正;采用投诉情况修正后的第一网络KPI信息中权重值较大的前N个权重值对应的网络KPI信息和投诉情况修正后的第二网络KPI信息中权重值中较大的前N个权重值对应的网络KPI信息,确定各网络KPI信息对应的质量评估门限值,质量评估门限值用于界定网络质量是否会被用户投诉能够获取对于网络质量影响力较大的网络KPI信息,从而可以针对这些网络KPI信息进行重点监控;以投诉情况修正后的第一网络KPI信息和投诉情况修正后的第二网络KPI信息作为之后的预测数据,去确定质量评估门限值,可以有效消弱用户主观意识对网络质量评价的影响;然后,采集一个小区中的一个网络KPI信息,并将该网络KPI信息与该网络KPI信息对应的质量评估门限值进行比较;根据比较结果,确定该网络KPI信息对应的该小区的网络质量是否会被用户投诉,可以实现对于单一网络KPI信息的实时预测。从而实现了从用户的角度出发对与网络质量相关的信息进行采集,实现了准确地获取网络质量的真实评价;能够获取对于网络质量影响力较大的网络KPI信息,从而可以针对这些网络KPI信息进行重点监控,并有效消弱用户主观意识对网络质量评价的影响;并实现了对于单一网络KPI信息进行实时预测,使得网络人员对这一网络KPI信息所对应的问题进行及时排查,在用户对所在小区的网络质量未发生投诉之前,完成网络的优化和维护。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (12)
1.一种网络质量预测方法,其特征在于,包括:
采集投诉用户所在小区的第一网络KPI信息以及非投诉用户所在小区的第二网络KPI信息,其中,所述非投诉用户的数量为预设数量,所述第一网络KPI信息和所述第二网络KPI信息为预设时间内的信息;
根据所述第一网络KPI信息和所述第二网络KPI信息,确定网络质量预测模型;
采集待预测的网络KPI信息,并采用所述网络质量预测模型对所述待预测的网络KPI信息进行网络质量预测。
2.根据权利要求1所述的方法,其特征在于,所述采集投诉用户所在小区的第一网络KPI信息以及非投诉用户所在小区的第二网络KPI信息,其中,所述非投诉用户的数量为预设数量,所述第一网络KPI信息和所述第二网络KPI信息为预设时间内的信息,包括:
统计投诉用户发送的投诉信息;
根据所述投诉信息,确定所述投诉用户所在的小区;
提取所述投诉用户所在小区的第一网络KPI信息;
提取非投诉用户所在小区的第二网络KPI信息,其中,所述非投诉用户的数量与所述投诉用户的数量相同,所述第一网络KPI信息和所述第二网络KPI信息为预设时间内的信息。
3.根据权利要求1所述的方法,其特征在于,采集投诉用户所在小区的第一网络KPI信息以及非投诉用户所在小区的第二网络KPI信息,其中,所述非投诉用户的数量为预设数量,所述第一网络KPI信息和所述第二网络KPI信息为预设时间内的信息,包括:
针对一个应用场景,采集该应用场景下投诉用户所在小区的第一网络KPI信息以及非投诉用户所在小区的第二网络KPI信息,其中,所述非投诉用户的数量为预设数量,所述第一网络KPI信息和所述第二网络KPI信息为预设时间内的信息。
4.根据权利要求1-3中任一项所述的方法,其特征在于,所述根据所述第一网络KPI信息和所述第二网络KPI信息,确定网络质量预测模型,包括:
将所述第一网络KPI信息和所述第二网络KPI信息组成训练样本;
将所述训练样本输入误差反向传播BP神经网络中进行训练,得到成熟BP神经网络;
相应的,所述采集待预测的网络KPI信息,并采用所述网络质量预测模型对所述待预测的网络KPI信息进行网络质量预测,包括:
采集一个小区中的网络KPI信息,并将该小区中的网络KPI信息输入到所述成熟BP神经网络中,得到该小区的网络质量是否会被用户投诉的预测结果。
5.根据权利要求1-3中任一项所述的方法,其特征在于,所述根据所述第一网络KPI信息和所述第二网络KPI信息,确定网络质量预测模型,包括:
对所述第一网络KPI信息和所述第二网络KPI信息进行统计分析,得到各网络KPI信息在用户评价小区质量时所占权重值;
采用所述第一网络KPI信息中权重值较大的前N个权重值对应的网络KPI信息和所述第二网络KPI信息中权重值中较大的前N个权重值对应的网络KPI信息,确定各网络KPI信息对应的质量评估门限值,所述质量评估门限值用于界定网络质量是否会被用户投诉;
相应的,所述采集待预测的网络KPI信息,并采用所述网络质量预测模型对所述待预测的网络KPI信息进行网络质量预测,包括:
采集一个小区中的一个网络KPI信息,并将该网络KPI信息与该网络KPI信息对应的质量评估门限值进行比较;
根据比较结果,确定该网络KPI信息对应的该小区的网络质量是否会被用户投诉。
6.根据权利要求1-3中任一项所述的方法,其特征在于,所述根据所述第一网络KPI信息和所述第二网络KPI信息,确定网络质量预测模型,包括:
将所述第一网络KPI信息和所述第二网络KPI信息组成训练样本;
将所述训练样本输入误差反向传播BP神经网络中进行训练,得到成熟BP神经网络;
获取所述成熟BP神经网络中的小区质量预测值以及各网络KPI信息在用户评价小区质量时所占权重值;
根据所述小区质量预测值,对所述第一网络KPI信息以及所述第二网络KPI信息的投诉情况进行修正;
采用投诉情况修正后的第一网络KPI信息中权重值较大的前N个权重值对应的网络KPI信息和投诉情况修正后的第二网络KPI信息中权重值中较大的前N个权重值对应的网络KPI信息,确定各网络KPI信息对应的质量评估门限值,所述质量评估门限值用于界定网络质量是否会被用户投诉;
相应的,所述采集待预测的网络KPI信息,并采用所述网络质量预测模型对所述待预测的网络KPI信息进行网络质量预测,包括:
采集一个小区中的一个网络KPI信息,并将该网络KPI信息与该网络KPI信息对应的质量评估门限值进行比较;
根据比较结果,确定该网络KPI信息对应的该小区的网络质量是否会被用户投诉。
7.一种网络质量预测装置,其特征在于,包括:
数据采集模块,用于采集投诉用户所在小区的第一网络KPI信息以及非投诉用户所在小区的第二网络KPI信息,其中,所述非投诉用户的数量为预设数量,所述第一网络KPI信息和所述第二网络KPI信息为预设时间内的信息;
预测模型建立模块,用于根据所述第一网络KPI信息和所述第二网络KPI信息,确定网络质量预测模型;
网络质量预测模块,用于采集待预测的网络KPI信息,并采用所述网络质量预测模型对所述待预测的网络KPI信息进行网络质量预测。
8.根据权利要求7所述的装置,其特征在于,所述数据采集模块,具体用于:
统计投诉用户发送的投诉信息;
根据所述投诉信息,确定所述投诉用户所在的小区;
提取所述投诉用户所在小区的第一网络KPI信息;
提取非投诉用户所在小区的第二网络KPI信息,其中,所述非投诉用户的数量与所述投诉用户的数量相同,所述第一网络KPI信息和所述第二网络KPI信息为预设时间内的信息。
9.根据权利要求7所述的装置,其特征在于,所述数据采集模块,具体用于:
针对一个应用场景,采集该应用场景下投诉用户所在小区的第一网络KPI信息以及非投诉用户所在小区的第二网络KPI信息,其中,所述非投诉用户的数量为预设数量,所述第一网络KPI信息和所述第二网络KPI信息为预设时间内的信息。
10.根据权利要求7-9中任一项所述的装置,其特征在于,所述预测模型建立模块,具体用于:
将所述第一网络KPI信息和所述第二网络KPI信息组成训练样本;
将所述训练样本输入误差反向传播BP神经网络中进行训练,得到成熟BP神经网络;
相应的,所述网络质量预测模块,具体用于:
采集一个小区中的网络KPI信息,并将该小区中的网络KPI信息输入到所述成熟BP神经网络中,得到该小区的网络质量是否会被用户投诉的预测结果。
11.根据权利要求7-9中任一项所述的装置,其特征在于,所述预测模型建立模块,具体用于:
对所述第一网络KPI信息和所述第二网络KPI信息进行统计分析,得到各网络KPI信息在用户评价小区质量时所占权重值;
采用所述第一网络KPI信息中权重值较大的前N个权重值对应的网络KPI信息和所述第二网络KPI信息中权重值中较大的前N个权重值对应的网络KPI信息,确定各网络KPI信息对应的质量评估门限值,所述质量评估门限值用于界定网络质量是否会被用户投诉;
相应的,所述网络质量预测模块,具体用于:
采集一个小区中的一个网络KPI信息,并将该网络KPI信息与该网络KPI信息对应的质量评估门限值进行比较;
根据比较结果,确定该网络KPI信息对应的该小区的网络质量是否会被用户投诉。
12.根据权利要求7-9中任一项所述的装置,其特征在于,所述预测模型建立模块,具体用于:
将所述第一网络KPI信息和所述第二网络KPI信息组成训练样本;
将所述训练样本输入误差反向传播BP神经网络中进行训练,得到成熟BP神经网络;
获取所述成熟BP神经网络中的小区质量预测值以及各网络KPI信息在用户评价小区质量时所占权重值;
根据所述小区质量预测值,对所述第一网络KPI信息以及所述第二网络KPI信息的投诉情况进行修正;
采用投诉情况修正后的第一网络KPI信息中权重值较大的前N个权重值对应的网络KPI信息和投诉情况修正后的第二网络KPI信息中权重值中较大的前N个权重值对应的网络KPI信息,确定各网络KPI信息对应的质量评估门限值,所述质量评估门限值用于界定网络质量是否会被用户投诉;
相应的,所述网络质量预测模块,具体用于:
采集一个小区中的一个网络KPI信息,并将该网络KPI信息与该网络KPI信息对应的质量评估门限值进行比较;
根据比较结果,确定该网络KPI信息对应的该小区的网络质量是否会被用户投诉。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410366995.3A CN104113452B (zh) | 2014-07-29 | 2014-07-29 | 网络质量预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410366995.3A CN104113452B (zh) | 2014-07-29 | 2014-07-29 | 网络质量预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104113452A true CN104113452A (zh) | 2014-10-22 |
CN104113452B CN104113452B (zh) | 2018-02-23 |
Family
ID=51710088
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410366995.3A Active CN104113452B (zh) | 2014-07-29 | 2014-07-29 | 网络质量预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104113452B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104394039A (zh) * | 2014-12-09 | 2015-03-04 | 南京华苏科技股份有限公司 | 一种基于Sigmoid指数模型网络性能成熟度评价系统及其评价方法 |
CN105554782A (zh) * | 2015-12-09 | 2016-05-04 | 中国联合网络通信集团有限公司 | 用户感知指标的预测方法和装置 |
CN107809766A (zh) * | 2017-10-20 | 2018-03-16 | 北京神州泰岳软件股份有限公司 | 一种用于网络优化的机器学习样本的生成方法及装置 |
CN108668291A (zh) * | 2017-03-29 | 2018-10-16 | 罗德施瓦兹两合股份有限公司 | 用于预测网络质量的系统和方法 |
CN110545568A (zh) * | 2019-10-15 | 2019-12-06 | 中国联合网络通信集团有限公司 | 异构网络切换方法、切换装置、控制设备及存储介质 |
CN111372259A (zh) * | 2018-12-26 | 2020-07-03 | 华为技术有限公司 | 无线系统的性能评估方法和装置 |
CN112737804A (zh) * | 2019-10-28 | 2021-04-30 | 中国移动通信有限公司研究院 | 一种网络性能测试方法、装置及服务器 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101110699A (zh) * | 2007-08-07 | 2008-01-23 | 广州诚予国际市场信息研究有限公司 | 具有网络满意度预测预警功能的系统及其实现方法 |
CN102740331A (zh) * | 2012-05-23 | 2012-10-17 | 浙江省通信产业服务有限公司 | 一种基于模糊分析的复杂无线通信网络运行质量评估方法 |
CN103024762A (zh) * | 2012-12-26 | 2013-04-03 | 北京邮电大学 | 基于业务特征的通信业务预测方法 |
CN103945442A (zh) * | 2014-05-07 | 2014-07-23 | 东南大学 | 移动通信系统中基于线性预测原理的系统异常检测方法 |
-
2014
- 2014-07-29 CN CN201410366995.3A patent/CN104113452B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101110699A (zh) * | 2007-08-07 | 2008-01-23 | 广州诚予国际市场信息研究有限公司 | 具有网络满意度预测预警功能的系统及其实现方法 |
CN102740331A (zh) * | 2012-05-23 | 2012-10-17 | 浙江省通信产业服务有限公司 | 一种基于模糊分析的复杂无线通信网络运行质量评估方法 |
CN103024762A (zh) * | 2012-12-26 | 2013-04-03 | 北京邮电大学 | 基于业务特征的通信业务预测方法 |
CN103945442A (zh) * | 2014-05-07 | 2014-07-23 | 东南大学 | 移动通信系统中基于线性预测原理的系统异常检测方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104394039A (zh) * | 2014-12-09 | 2015-03-04 | 南京华苏科技股份有限公司 | 一种基于Sigmoid指数模型网络性能成熟度评价系统及其评价方法 |
CN104394039B (zh) * | 2014-12-09 | 2017-12-19 | 南京华苏科技有限公司 | 一种基于Sigmoid指数模型网络性能成熟度评价系统及其评价方法 |
CN105554782A (zh) * | 2015-12-09 | 2016-05-04 | 中国联合网络通信集团有限公司 | 用户感知指标的预测方法和装置 |
CN105554782B (zh) * | 2015-12-09 | 2019-01-01 | 中国联合网络通信集团有限公司 | 用户感知指标的预测方法和装置 |
CN108668291A (zh) * | 2017-03-29 | 2018-10-16 | 罗德施瓦兹两合股份有限公司 | 用于预测网络质量的系统和方法 |
CN107809766A (zh) * | 2017-10-20 | 2018-03-16 | 北京神州泰岳软件股份有限公司 | 一种用于网络优化的机器学习样本的生成方法及装置 |
CN111372259A (zh) * | 2018-12-26 | 2020-07-03 | 华为技术有限公司 | 无线系统的性能评估方法和装置 |
CN111372259B (zh) * | 2018-12-26 | 2022-04-22 | 华为技术有限公司 | 无线系统的性能评估方法和装置 |
CN110545568A (zh) * | 2019-10-15 | 2019-12-06 | 中国联合网络通信集团有限公司 | 异构网络切换方法、切换装置、控制设备及存储介质 |
CN112737804A (zh) * | 2019-10-28 | 2021-04-30 | 中国移动通信有限公司研究院 | 一种网络性能测试方法、装置及服务器 |
CN112737804B (zh) * | 2019-10-28 | 2023-05-09 | 中国移动通信有限公司研究院 | 一种网络性能测试方法、装置及服务器 |
Also Published As
Publication number | Publication date |
---|---|
CN104113452B (zh) | 2018-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104113452A (zh) | 网络质量预测方法和装置 | |
CN106097043B (zh) | 一种信用数据的处理方法及服务器 | |
CN107070683A (zh) | 数据预测的方法和装置 | |
CN103955547B (zh) | 发现论坛热帖的方法和系统 | |
CN110837963A (zh) | 一种基于数据、模型及策略的风险控制平台建设方法 | |
CN105679335B (zh) | 基于无线分析的语音质量评估方法及系统 | |
CN107018004A (zh) | 用户满意度管理系统及方法 | |
CN109214446A (zh) | 潜力绩优人员类型识别方法、系统、终端及计算机可读存储介质 | |
CN107330464A (zh) | 数据处理方法和装置 | |
CN109902859B (zh) | 基于大数据和机器学习算法的排队高峰时段预估方法 | |
CN104113869A (zh) | 一种基于信令数据的潜在投诉用户预测方法及系统 | |
CN110263827A (zh) | 基于交易规律识别的异常交易检测方法及装置 | |
CN106991577A (zh) | 一种确定目标用户的方法及装置 | |
EP3382938A1 (en) | A computer implemented method, a system and computer programs to forecast the performance of a network | |
CN107046480A (zh) | 一种用户感知评估方法及装置 | |
CN109145301A (zh) | 信息分类方法及装置、计算机可读存储介质 | |
CN111325422B (zh) | 一种工单派发方法及系统 | |
CN107094306A (zh) | 终端性能评估方法及装置 | |
KR20020020584A (ko) | 인터넷 설문조사 시스템 및 방법과 그 프로그램 소스를저장한 기록매체 | |
CN116611911A (zh) | 基于支持向量机的信用风险预测方法及装置 | |
CN116245399A (zh) | 模型训练方法、装置、非易失性存储介质及电子设备 | |
CN112632364A (zh) | 新闻传播速度测评方法和系统 | |
CN111951099A (zh) | 一种信用卡发卡模型及其运用方法 | |
CN112488743A (zh) | 一种满意度预测方法、网络设备及存储介质 | |
CN110163470A (zh) | 事件评估方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |