CN105554782A - 用户感知指标的预测方法和装置 - Google Patents

Abstract

本发明提供了一种用户感知指标的预测方法和装置。该方法包括：采集与用户感知相关的当前数据；从与用户感知相关的当前数据中汇集待预测业务当前所有的KPI指标；对当前所有的KPI指标进行归类，以获取当前的多组KQI指标；将当前的多组KQI指标输入到优化后的KQI指标与用户感知QoE指标的映射模型中，预测待预测业务的QoE指标。实现了对用户感知指标更准确的预测，并且采用主动预测的方式，提高了定位业务中的问题点的效率，使定位的业务中的问题点更准确，改善用户感知。

Description

用户感知指标的预测方法和装置

技术领域

本发明实施例涉及通信技术领域，尤其涉及一种用户感知指标的预测方法和装置。

背景技术

用户感知指标(QualityofExperience，简称QoE)是用户对设备、网络、系统应用和业务的质量和性能的主观感受的指标。随着行业竞争的加剧，关注用户感知，提升用户体验已成为各大运营商提升自身竞争力的有力手段。并且准确有效的预测用户感知对服务的优化有极为重要的意义。

但目前对用户感知指标的分析主要采用用户投诉的方式进行定位。但该种方式是在业务故障已经发生的情况下的被动式服务方式，效率低下并且很难定位出使用户感知不理想的真正原因。

发明内容

本发明实施例提供一种用户感知指标的预测方法和装置，实现了对用户感知指标更准确的预测，并且采用主动预测的方式，提高了定位业务中的问题点的效率，使定位的业务中的问题点更准确，改善用户感知。

本发明实施例提供一种用户感知指标的预测方法，包括：

采集与用户感知相关的当前数据；

从所述与用户感知相关的当前数据中汇集待预测业务当前所有的KPI指标；

对所述当前所有的KPI指标进行归类，以获取当前的多组KQI指标；

将所述当前的多组KQI指标输入到优化后的KQI指标与用户感知QoE指标的映射模型中，预测所述待预测业务的QoE指标。

本发明实施例提供一种用户感知指标的预测装置，包括：

采集模块，用于采集与用户感知相关的当前数据；

汇集模块，用于从所述与用户感知相关的当前数据中汇集待预测业务当前所有的KPI指标；

归类模块，用于对所述当前所有的KPI指标进行归类，以获取当前的多组KQI指标；

预测模块，用于将所述当前的多组KQI指标输入到优化后的KQI指标与用户感知QoE指标的映射模型中，预测所述待预测业务的QoE指标。

本发明实施例提供一种用户感知指标的预测方法和装置。该方法通过采集与用户感知相关的当前数据；从与用户感知相关的当前数据中汇集待预测业务当前所有的KPI指标；对当前所有的KPI指标进行归类，以获取当前的多组KQI指标；将当前的多组KQI指标输入到优化后的KQI指标与用户感知QoE指标的映射模型中，预测待预测业务的QoE指标，实现了对用户感知指标更准确的预测，并且采用主动预测的方式，提高了定位业务中的问题点的效率，使定位的业务中的问题点更准确，改善用户感知。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明用户感知指标的预测方法实施例一的流程图；

图2为本发明用户感知指标的预测方法实施例二的第一流程图；

图3为本发明用户感知指标的预测方法实施例二的第二流程图；

图4为本发明用户感知指标的预测装置实施例一的结构示意图；

图5为本发明用户感知指标的预测装置实施例二的结构示意图。

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为本发明用户感知指标的预测方法实施例一的流程图，如图1所示，本实施例的执行主体可以为计算机或服务器等。则本实施例提供的用户感知指标的预测方法包括：

步骤101，采集与用户感知相关的当前数据。

本实施例中，由于设备、网络、系统应用和业务都在不断的使用和更新中，所以采集与用户感知相关的当前数据。该当前数据为这段期间内与用户感知直接相关的数据。可以从终端侧和网络侧全面采集与用户感知相关的当前数据。如可以从网络侧外部采集测试数据、投诉记录数据等，从网络侧内部采集信令数据、网管数据等，从终端侧采集用户反馈的用户感知数据以及用户的基本资料数据等。

本实施例中，在采集与用户感知相关的当前数据后，可以对采集到的当前数据进行预处理。预处理的方法包括：删除异常数据，对数据进行降维和归一化处理等。

步骤102，从与用户感知相关的当前数据中汇集待预测业务当前所有的KPI指标。

本实施例中，可通过对待预测业务的业务整体流程以及待预测业务涉及的网元和接口进行分析，汇集待预测业务当前所有的KPI指标。其中，KPI指标可以包括ATTACH成功率、ATTACH时延、PDP激活成功率、PDP激活时延等多种KPI指标。

步骤103，对当前所有的KPI指标进行归类，以获取当前的多组KQI指标。

本实施例中，将当前KPI指标进行归类，如将当前KPI指标按照接入性、有效性、完整性、速度和能力分为当前的多组KQI指标。

其中，关于接入性KQI指标可以包括：ATTACH成功率、PDP激活成功率、TBF建立成功率等，由于有效的KQI指标可以包括：APN设置错误、域名错误、用户无GPRS功能等，关于完整性的KQI指标可以包括：WAPGW连接成功率、Radius成功率、DNS查询成功率、WAPGET成功率、WAPPOST成功率等，关于速度的KQI指标包括：ATTACH时延、PDP激活时延、WAPGW连接时延、WAPGET时延、WAPPOST时延、WAPGW处理时延等。关于能力的KQI指标可以包括：SGSN负荷、GGSN负荷、WAP网关负荷等。

其中，当前的每组KQI指标可用一个列向量表示，每个列向量中的元素表示该组KQI指标中的一个KQI指标。

步骤104，将当前的多组KQI指标输入到优化后的KQI指标与用户感知QOE指标的映射模型中，预测待预测业务的QOE指标。

本实施例中，预先存储了该待预测业务的优化后的KQI指标与QOE指标的映射模型。将该待测业务的当前的多组KQI指标输入到优化后的KQI指标与QOE指标的映射模型中后，该优化后的映射模型对其进行计算，获得该待预测业务的预测的QoE指标。

本实施例中，KQI指标与QOE指标的映射模型可采用机器学习的方法进行构建和优化，如机器学习的方法可以为神经网络方法，卷积神经网路方法等。

本实施例提供的用户感知指标的预测方法，通过采集与用户感知相关的当前数据；从与用户感知相关的当前数据中汇集待预测业务当前所有的KPI指标；对当前所有的KPI指标进行归类，以获取当前的多组KQI指标；将当前的多组KQI指标输入到优化后的KQI指标与用户感知QoE指标的映射模型中，预测待预测业务的QoE指标。由于采用优化后的KQI指标与用户感知QOE指标的映射模型对待预测业务的QoE指标进行预测，所以实现了对用户感知指标更准确的预测，并且采用主动预测的方式，提高了定位业务中的问题点的效率，使定位的业务中的问题点更准确，改善用户感知。

图2为本发明用户感知指标的预测方法实施例二的流程图，如图2所示，本实施例的执行主体可以为计算机或服务器等。则本实施例提供的用户感知指标的预测方法包括：

步骤201，采用卷积神经网络的方法构建并优化KQI指标与用户感知QoE指标的映射模型。

本实施例中，由于待预测业务的KQI指标和用户感知QoE指标的映射关系并不确定，为了很好的表示KQI指标与用户感知QoE指标的映射模型，采用机器学习中的卷积神经网络模型对KQI指标与用户感知QoE指标的映射模型进行构建并优化。

具体地，如图3，本实施例中，步骤201可分为以下几个步骤执行。

步骤201a，获取映射模型对应的训练集，训练集中的每个训练样本包括：待预测业务的历史的多组KQI指标和与多组KQI指标对应的QoE指标。

本实施例中，训练集中有多个训练样本，如训练样本的个数可以为50个，每个训练样本包括待预测业务的历史的多组KQI指标和与多组KQI指标对应的QoE指标。其中历史的多组KQI指标表示该业务的已知的多组KQI指标，与多组KQI指标对应的QoE指标表示在真实情况中发生的QoE指标。

其中，多组KQI指标可以包括接入性KQI指标，有效性KQI指标，完整性KQI指标，速度KQI指标和能力KQI指标等。每组KQI指标包括多个元素。如在接入性KQI指标中包括：ATTACH成功率、PDP激活成功率、TBF建立成功率。将训练集中的每组KQI指标可以表示为一个列向量，与每个训练样本中的多组KQI指标对应的QoE指标可以表示为一个数值，则训练集通过补零处理后可以表示为一个矩阵。

步骤201b，根据训练集中的训练样本，采用卷积神经网络的方法构建映射模型。

本实施例中，每个训练样本表示待预测业务的多组KQI指标与QoE指标的映射关系，采用卷积神经网络的方法，对多个训练样本中的多组KQI指标与QoE指标的映射关系进行训练，得到每组KQI指标对QoE指标影响的权矩阵，进而完成KQI指标与QoE指标的映射模型的构建。

步骤201c，获取映射模型对应的测试集，测试集中的每个测试样本为与训练样本对应的多组KQI数据。

本实施例中，为了对构建的映射模型进行优化，获取映射模型对应的测试集，测试集中的每个测试样本中包括多组KQI数据。该多组KQI数据与对应的训练样本的多组KQI数据相同。

步骤201d，将测试样本输入到构建的映射模型中，计算每个测试样本对应的QoE指标。

本实施例中，将每个测试样本的多组KQI指标输入到构建的映射模型中，通过计算，得到每个测试样本的QoE指标。若测试样本的QoE指标与对应的训练样本的QoE指标相差很小，说明构建的映射模型能较好地表示KQI指标与QoE指标的映射关系，若测试样本的QoE指标与对应的训练样本的QoE指标相差很大，则说明构建的映射模型不能较好地表示KQI指标与QoE指标的映射关系，在这两种情况下均需要对构建的映射模型进行优化。

步骤201e，将每个测试样本的QoE指标与对应的训练样本的QoE指标进行对比，采用极小化误差的方法调整映射模型中的权矩阵，以获得优化后的映射模型。

本实施例中，对映射模型进行优化，即为对每组KQI指标的权矩阵进行调整，通过每个测试样本的QoE指标与对应的训练样本的QoE指标进行对比，采用极小化误差的方法调整映射模型中的权矩阵，在对映射模型中的权矩阵进行调整后，使每个测试样本的QoE指标与对应的训练样本的QoE指标相差的数值在预设范围内，即得到优化后的映射模型。

步骤202，对优化后的KQI指标与用户感知QoE指标的映射模型进行存储。

本实施例中，在获得待预测业务的优化后的KQI指标与QoE指标的映射模型后，对该优化后的KQI指标与QoE指标的映射模型进行存储，以用于后续对该待预测业务的QoE指标的预测。

步骤203，采集与用户感知相关的当前数据。

进一步地，本实施例中，采集与用户感知相关的当前数据具体包括：从终端侧和网络侧采集与用户感知相关的当前数据。

其中，与用户感知相关的当前数据包括：网络侧外部的测试数据和投诉记录数据，网络侧内部的信令数据和网管数据，终端侧反馈的用户感知数据以及用户的基础资料数据。

步骤204，对采集到的与用户感知相关的当前数据进行预处理。

本实施例中，对与用户感知相关的当前数据进行预处理具体可以包括：删除异常数据，对数据进行降维和归一化处理等。

步骤205，从与用户感知相关的当前数据中汇集待预测业务当前所有的KPI指标。

步骤206，对当前所有的KPI指标进行归类，以获取当前的多组KQI指标。

本实施例中，步骤205和步骤206与本发明用户感知指标的预测方法实施例中的步骤102和步骤103相同，再此不再一一赘述。

步骤207，将当前的多组KQI指标输入到优化后的KQI指标与用户感知QoE指标的映射模型中，预测待预测业务的QoE指标。

本实施例中，该优化后的KQI指标与用户感知QoE指标的映射模型为采用卷积神经网络方法进行优化后的KQI指标与用户感知QoE指标的映射模型。

本实施例中，将当前的多组KQI指标输入到优化后的KQI指标与用户感知QoE指标的映射模型中后，通过计算，确定待预测业务在当前为用户提供服务的QoE指标。

步骤208，若预测的QoE指标分值小于预设阈值，则追溯影响QoE指标分值的关键KPI指标。

本实施例中，在确定待预测业务的QoE指标后，判断预测的QoE指标分值是否小于预设阈值，若小于，则根据优化后的KQI指标与用户感知QoE指标的映射模型中的各组KQI指标的权矩阵，追溯影响QoE指标分值的关键KPI指标。其中，关键KPI指标可以为一组KPI指标也可以为多组KPI指标。预设阈值可以预先设定，如预设阈值可以为8或9等。也可以为其他预设阈值，本实施例中不做限定。举例说明为：确定预测的QoE指标的分值为4，预设阈值为8，通过追溯，确定影响QoE指标分值的关键KPI指标为接入性KPI指标和速度KPI指标。

步骤209，根据关键KPI指标，定位待预测业务的问题点。

本实施例中，可采用聚类分析或关联分析的方法定位待预测业务的问题点。其中，采用聚类分析方法定位待预测业务的问题点即为根据关键KPI指标中各组KPI指标的相似性，找到待预测业务的问题点。通过关联分析定位待预测业务的问题点即为根据关键KPI指标，得出各指标之间的关联关系，根据关联关系定位待预测业务的问题点。

本实施例提供的用户感知指标的预测方法，通过采用卷积神经网络的方法构建并优化KQI指标与QoE指标的映射模型，从与用户感知相关的数据中汇集待预测业务的当前所有的KPI指标；对当前所有的KPI指标进行归类，以获取当前的多组KQI指标；将当前的多组KQI指标输入到优化后的KQI指标与用户感知QoE指标的映射模型中，预测待预测业务的QoE指标；若预测的QoE指标分值小于预设阈值，则追溯影响QoE指标分值的关键KPI指标；根据关键KPI指标，定位待预测业务的问题点。由于采用卷积神经网络的方法构建和优化KQI指标与用户感知QOE指标的映射模型，所以预测的QoE指标更准确，采用主动预测的方式，提高了定位业务中的问题点的效率。并且根据映射模型能够追溯影响QoE指标分值的关键KPI指标，所以使定位的业务中的问题点更准确，改善用户感知。

图4为本发明用户感知指标的预测装置实施例一的结构示意图；如图4所示，本实施例提供的用户感知指标的预测装置包括：采集模块401，汇集模块402，归类模块403，预测模块404。

其中，采集模块401，用于采集与用户感知相关的当前数据。汇集模块402，用于从与用户感知相关的当前数据中汇集待预测业务当前所有的KPI指标。归类模块403，用于对当前所有的KPI指标进行归类，以获取当前的多组KQI指标。预测模块404，用于将当前的多组KQI指标输入到优化后的KQI指标与用户感知QoE指标的映射模型中，预测待预测业务的QoE指标。

本实施例提供的用户感知指标的预测装置可以执行图1所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

图5为本发明用户感知指标的预测装置实施例二的结构示意图，如图5所示，本实施例提供的用户感知指标的预测装置包括：采集模块501，汇集模块502，归类模块503，预测模块504，构建优化模块505，追溯模块506和定位模块507。

其中，采集模块501，用于采集与用户感知相关的当前数据。汇集模块502，用于从与用户感知相关的当前数据中汇集待预测业务当前所有的KPI指标。归类模块503，用于对当前所有的KPI指标进行归类，以获取当前的多组KQI指标。预测模块504，用于将当前的多组KQI指标输入到优化后的KQI指标与用户感知QoE指标的映射模型中，预测待预测业务的QoE指标。、

进一步地，构建优化模块505，用于采用卷积神经网络的方法构建并优化KQI指标与用户感知QoE指标的映射模型。

进一步地，构建优化模块505包括获取单元505a，构建单元505b，计算单元505c和调整单元505d。

其中，获取单元505a，用于获取映射模型对应的训练集，训练集中的每个训练样本包括：待预测业务的历史的多组KQI指标和与多组KQI指标对应的QoE指标。构建单元505b，用于根据训练集中的训练样本，采用卷积神经网络的方法构建映射模型。获取单元505a，还用于获取映射模型对应的测试集，测试集中的每个测试样本为与训练样本对应的多组KQI数据。计算单元505c，用于将测试样本输入到构建的映射模型中，计算每个测试样本的QoE指标。调整单元505d，用于将每个测试样本的QoE指标与对应的训练样本的QoE指标进行对比，采用极小化误差的方法调整映射模型中的权矩阵，以获得优化后的映射模型。

进一步地，追溯模块506，用于若预测的QoE指标分值小于预设阈值，则追溯影响QoE指标分值的关键KPI指标。定位模块508，用于根据关键KPI指标，定位待预测业务的问题点。

进一步地，采集模块501，具体用于：从终端侧和网络侧采集与用户感知相关的当前数据。

其中，与用户感知相关的当前数据包括：网络侧外部的测试数据和投诉记录数据，网络侧内部的信令数据和网管数据，终端侧反馈的用户感知数据以及用户的基础资料数据。

本实施例提供的用户感知指标的预测装置可以执行图2和图3所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

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：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。

Claims (10)

1.一种用户感知指标的预测方法，其特征在于，包括：

采集与用户感知相关的当前数据；

从所述与用户感知相关的当前数据中汇集待预测业务当前所有的KPI指标；

对所述当前所有的KPI指标进行归类，以获取当前的多组KQI指标；

将所述当前的多组KQI指标输入到优化后的KQI指标与用户感知QoE指标的映射模型中，预测所述待预测业务的QoE指标。

2.根据权利要求1所述的方法，其特征在于，所述将所述当前的多组KQI指标输入到优化后的KQI指标与用户感知QoE指标的映射模型中，预测所述待预测业务的QoE指标之前，还包括：

采用卷积神经网络的方法构建并优化KQI指标与用户感知QoE指标的映射模型。

3.根据权利要求2所述的方法，其特征在于，所述采用卷积神经网络的方法构建并优化KQI指标与用户感知QoE指标的映射模型具体包括：

获取所述映射模型对应的训练集，所述训练集中的每个训练样本包括：待预测业务的历史的多组KQI指标和与所述多组KQI指标对应的QoE指标；

根据训练集中的训练样本，采用卷积神经网络的方法构建所述映射模型；

获取所述映射模型对应的测试集，所述测试集中的每个测试样本为与训练样本对应的多组KQI数据；

将所述测试样本输入到构建的映射模型中，计算每个测试样本的QoE指标；

将所述每个测试样本的QoE指标与对应的训练样本的QoE指标进行对比，采用极小化误差的方法调整所述映射模型中的权矩阵，以获得优化后的映射模型。

4.根据权利要求2或3所述的方法，其特征在于，所述将所述当前的多组KQI指标输入到优化后的KQI指标与用户感知QoE指标的映射模型中，预测所述待预测业务的QoE指标之后，还包括：

若预测的QoE指标分值小于预设阈值，则追溯影响所述QoE指标分值的关键KPI指标；

根据所述关键KPI指标，定位所述待预测业务的问题点。

5.根据权利要求1所述的方法，其特征在于，所述采集与用户感知相关的当前数据具体包括：

从终端侧和网络侧采集与用户感知相关的当前数据；

其中，所述与用户感知相关的当前数据包括：网络侧外部的测试数据和投诉记录数据，网络侧内部的信令数据和网管数据，终端侧反馈的用户感知数据以及用户的基础资料数据。

6.一种用户感知指标的预测装置，其特征在于，包括：

采集模块，用于采集与用户感知相关的当前数据；

汇集模块，用于从所述与用户感知相关的当前数据中汇集待预测业务当前所有的KPI指标；

归类模块，用于对所述当前所有的KPI指标进行归类，以获取当前的多组KQI指标；

预测模块，用于将所述当前的多组KQI指标输入到优化后的KQI指标与用户感知QoE指标的映射模型中，预测所述待预测业务的QoE指标。

7.根据权利要求6所述的装置，其特征在于，还包括：构建优化模块；

所述构建优化模块，用于采用卷积神经网络的方法构建并优化KQI指标与用户感知QoE指标的映射模型。

8.根据权利要求7所述的装置，其特征在于，所述构建优化模块包括：

获取单元，用于获取所述映射模型对应的训练集，所述训练集中的每个训练样本包括：待预测业务的历史的多组KQI指标和与所述多组KQI指标对应的QoE指标；

构建单元，用于根据训练集中的训练样本，采用卷积神经网络的方法构建所述映射模型；

所述获取单元，还用于获取所述映射模型对应的测试集，所述测试集中的每个测试样本为与训练样本对应的多组KQI数据；

计算单元，用于将所述测试样本输入到构建的映射模型中，计算每个测试样本的QoE指标；

调整单元，用于将所述每个测试样本的QoE指标与对应的训练样本的QoE指标进行对比，采用极小化误差的方法调整所述映射模型中的权矩阵，以获得优化后的映射模型。

9.根据权利要求7或8所述的装置，其特征在于，还包括：

追溯模块，用于若预测的QoE指标分值小于预设阈值，则追溯影响所述QoE指标分值的关键KPI指标；

定位模块，用于根据所述关键KPI指标，定位所述待预测业务的问题点。

10.根据权利要求6所述的装置，其特征在于，所述采集模块，具体用于：从终端侧和网络侧采集与用户感知相关的当前数据；

其中，所述与用户感知相关的当前数据包括：网络侧外部的测试数据和投诉记录数据，网络侧内部的信令数据和网管数据，终端侧反馈的用户感知数据以及用户的基础资料数据。