CN105897495A - 通信网络中kqi与kpi相关性确定的方法和设备 - Google Patents

Abstract

本发明实施例提供一种通信网络中KQI与KPI相关性确定的方法和设备，该方法包括：获取多个样本数据，其中，多个样本数据中的第一样本数据包括通信网络中第一样本的KQI和对应KQI的目标KPI的取值，第一样本的KQI与目标KPI为同一时刻采集的，目标KPI为对应KQI的至少一种KPI中的一种，多个样本中的所有样本的KQI均为同一种KQI，所有样本中对应KQI的目标KPI均为同一种KPI；根据多个样本数据中所有样本的KQI和对应KQI的目标KPI的取值，确定通信网络的KQI和目标KPI的相关性。本发明实施例多个样本数据中KQI和KPI的取值的对应关系确定目标KPI与KQI的相关性，无需依赖于领域的专家知识，同时不受限与KPI的数量，得到一个通用的易于移植的KQI和KPI关联方法，大幅度减少人工分析的时间。

Description

通信网络中KQI与KPI相关性确定的方法和设备

技术领域

本发明涉及通信领域，特别涉及一种通信网络中KQI与KPI相关性确定的方法和装置。

背景技术

在电信行业中，关键质量指标(Key Quality Indicator，KQI)被用于度量一项业务的好坏，比如语音质量指标(Voice Quality Indicator，VQI)可以衡量一次通话过程中各个小时段的通话质量。同时，人们用一组部署在电信网络中的传感器来观察网络运行的状态，这些传感器传回来的各项指标一般称为关键性能指标(KPI，Key Performance Indicator)。通信业务的体验受诸多因素的影响，比如天气，环境，网络覆盖等。除去自然因素，网络的状态基本上决定了一项业务的体验好坏。因此了解KQI和KPI之间的关系，对网络的运行和维护有重要的作用。

现有电信行业中，通常是根据专家经验(知识)将KQI与KPI进行关联。然而，电信网络经过多年的建设和发展，变得极其复杂庞大。KPI指标的数量已经达到上千的级别，且KPI的定义多种多样，很多时候，KPI与KQI之间的相关性已经超出专家知识，根据现有的专家知识难以确定KPI与KQI之间的相关性。

发明内容

本发明实施例提供了一种通信网络中KQI与KPI相关性确定的方法和装置，能够无需依赖于领域的专家知识，确定KQI与KPI的相关性。

第一方面，提供了一种通信网络中关键质量指标KQI与关键性能指标KPI相关性确定的方法，包括：获取多个样本数据，其中，该多个样本数据中的第一样本数据包括该通信网络中第一样本的KQI和对应该KQI的目标KPI的取值，该第一样本的KQI与该目标KPI为同一时刻采集的，该目标KPI为对应该KQI的至少一种KPI中的一种，该多个样本中的所有样本的KQI均为同一种KQI，该所有样本中对应该KQI的目标KPI均为同一种KPI；根据该多个样本数据中所有样本的KQI和对应该KQI的目标KPI的取值，确定该通信网络的该KQI和该目标KPI的相关性。

结合第一方面，在第一种可能的实现方式中，KPI的取值类型包括数值型KPI和标称型KPI，该数值型KPI的取值为一段区间内的数值，该标称型KPI的取值包括多种类型值，该根据该多个样本数据中所有样本的KQI和对应该KQI的目标KPI的取值，确定该通信网络的该KQI和该目标KPI的相关性，包括：根据预设阈值将所有样本数据的该KQI分为第一KQI和第二KQI，其中，该第一KQI的取值小于或等于该预设阈值，该第二KQI的取值大于该预设阈值；根据该多个样本数据中该目标KPI的取值类型分别与该第一KQI和该第二KQI的对应关系，确定该通信网络的该KQI和该目标KPI的相关性。

结合第一种可能的实现方式，在第二种可能的实现方式中，该根据该多个样本数据中该目标KPI的取值类型分别与该第一KQI和该第二KQI的对应关系，确定该通信网络的该KQI和该目标KPI的相关性，包括：在该目标KPI为数值型KPI时，根据所有样本数据的该目标KPI中与该第一KQI对应的目标KPI的取值的平均值，和根据所有样本数据的该目标KPI中与该第二KQI对应的目标KPI的取值的的平均值确定该目标KPI与该KQI的相关性。

结合第二种可能的实现方式，在第三种可能的实现方式中，该在该目标KPI为数值型KPI时，根据所有样本数据的该目标KPI中与该第一KQI对应的目标KPI的取值的平均值，和根据所有样本数据的该目标KPI中与该第二KQI对应的目标KPI的取值的的平均值确定该目标KPI与该KQI的相关性，包括：根据所有样本数据的该目标KPI中与该第一KQI对应的目标KPI的取值的平均值，与所有样本数据的该目标KPI中与该第二KQI对应的目标KPI的取值的的平均值的差值确定该目标KPI与该KQI的相关性，其中，该差值越大表示该目标KPI与该KQI的相关性越大。

结合第三种可能的实现方式，在第四种可能的实现方式中，在该根据所有样本数据的该目标KPI中与该第一KQI对应的目标KPI的取值的平均值，与所有样本数据的该目标KPI中与该第二KQI对应的目标KPI的取值的的平均值的差值确定该目标KPI与该KQI的相关性之前，该根据该多个样本数据中该目标KPI的取值类型分别与该第一KQI和该第二KQI的对应关系，确定该通信网络的KQI和该目标KPI的相关性，还包括：对该目标KPI的取值进行数据抖动处理，其中，该数据抖动处理包括在该目标KPI的取值为整数时将该目标KPI的取值加上预设范围内的随机常数，在该目标KPI的取值为小数时，该目标KPI的取值不变；对数据抖动处理后的目标KPI的取值进行分位数变换处理，以使得所有样本数据的目标KPI的取值映射到预设区间内，其中，每个样本数据的目标KPI在该预设区间中具有一个映射值，其中，所有样本数据的该目标KPI中与该第一KQI对应的目标KPI的取值的平均值等于所有样本数据的该目标KPI中与该第一KQI对应的目标KPI的映射值的平均值，所有样本数据的该目标KPI中与该第二KQI对应的目标KPI的取值的的平均值等于该所有样本数据的该目标KPI中与该第二KQI对应的目标KPI的映射值的平均值。

结合第四种可能的实现方式，在第五种可能的实现方式中，该对该目标KPI的取值进行数据抖动处理，包括：根据以下公式将该目标KPI的取值进行数据抖动处理：

ε_i是预设范围内的随机常数，x_i为初始数据型KPI的取值，x_i ^*为数据抖动处理后的目标KPI的取值，其中，该对数据抖动处理后的目标KPI的取值进行分位数变换处理，以使得所有样本数据的目标KPI的取值映射到预设区间内，包括：根据以下公式对抖动处理后的目标KPI的取值进行分位数变换处理，以使得所有样本数据的目标KPI的取值映射到预设区间内：

其中，该预设区间为[1,0)，x_i映射为x_i ^*的映射值，x_j ^*为数据抖动处理后的目标KPI的取值，#{x_j ^*|x_j ^*＜x_i ^*}表示数据抖动处理后所有样本数据的目标KPI的取值中大于x_i ^*的个数，n为该样本数据的个数。

结合第一种可能的实现方式，在第六种可能的实现方式中，该根据该多个样本数据中该目标KPI的取值类型分别与该第一KQI和该第二KQI的对应关系，确定该通信网络的该KQI和该KPI的相关性，包括：在该目标KPI为标称型KPI时，根据所有样本数据中该目标KPI的取值类型对应的KQI中的第一KQI的比例，和根据所有样本数据的KQI中该第一KQI的比例确定该目标KPI与该KQI的相关性，其中，该目标KPI的取值为该多种类型值中的各个类型值。

结合第六种可能的实现方式，在第七种可能的实现方式中，该根据所有样本数据中该目标KPI的取值对应的KQI中的第一KQI的比例，和根据所有样本数据的KQI中该第一KQI的比例确定该目标KPI与该KQI的相关性，包括：根据所有样本数据中该目标KPI的取值对应的KQI中第一KQI的比例，和所有样本数据的KQI中该第一KQI的比例的差值确定该目标KPI与该KQI的相关性。

结合第七种可能的实现方式，在第八种可能的实现方式中，该根据所有样本数据中该目标KPI的取值对应的KQI中第一KQI的比例，和所有样本数据的KQI中该第一KQI的比例的差值确定该目标KPI与该KQI的相关性，包括根据以下公式确定该目标KPI与该KQI的相关性：

$\mathrm{Imp}=\frac{1}{\#\{h(n_s,\mathrm{\δ})>0\}+1}{\mathrm{\Σ}}_{s\∈S}h(n_s,\mathrm{\δ}){|p_s-b|}^k$

其中，这里S表示该目标KPI的取值的所有类型值；s为S中的一个类型值，n_s表示所有样本数据的KPI的取值为类型值s的样本数；

其中，表示所有样本数据的目标KPI的取值为类型值s中对应的KQI中第一KQI的比例，表示所有样本数据的KQI中该第一KQI的比例，δ表示容错值常数，k为正数；h()为权重调整函数，当该Imp为该目标KPI与该KQI的相关性的参考值，Imp越大表示该目标KPI与该KQI的相关性越大。

结合第一种可能的实现方式，在第九种可能的实现方式中，该目标KPI包括第一标称型KPI和第二标称型KPI，该第一标称型KPI的取值包括M种类型值，该第二标称型KPI的取值包括N种类型值，该根据该多个样本数据中KPI的取值类型分别与该第一KQI和该第二KQI的对应关系，确定该通信网络的该KQI和该目标KPI的相关性，包括：根据所有样本数据的第一标称型KPI的取值对应的KQI中第一KQI的比例，和根据在第二标称型KPI的N种类型值的第j类型值下的所有样本数据的第一标称型KPI的取值对应的KQI中第一KQI的比例，确定该第一标称型KPI与该第二标称型KPI的组合，与该KQI的相关性，其中，第一标称型KPI的取值为该M种类型值中的各个类型值。

结合第九种可能的实现方式，在第十种可能的实现方式中，该根据所有样本数据的第一标称型KPI的取值为该M种类型值中的各个类型值对应的KQI中第一KQI的比例，和根据在第二标称型KPI的N种类型值的第j类型值下的所有样本数据的第一标称型KPI的取值为该M种类型值中的各个类型值对应的KQI中第一KQI的比例，确定该第一标称型KPI与该第二标称型KPI组合的后，与该KQI的相关性，包括：根据以下公式确定该第一标称型KPI与该第二标称型KPI的组合，与该KQI的相关性：

${\mathrm{Score}}_j=\frac{1}{\#\{h(n_m,\mathrm{\δ})>0\}+1}{\mathrm{\Σ}}_{i=1}^M{|p_i-q_i|}^k$

其中，该Score_j为该第一标称型KPI与该第二标称型KPI的组合，与该KQI的相关性的参考值，Score_j越大表示该第一标称型KPI与该第二标称型KPI的组合与该KQI的相关性越大，其中，这里M表示第一标称型KPI的取值的M种类型值；m∈M为M个类型值中的第m类型值，n_m表示所有样本数据的KPI的取值为类型值m的样本数；δ表示容错值常数，k为正数；h()为权重调整函数，表示所有样本数据的第一标称型KPI的取值为类型值i中对应的KQI中第一KQI的比值，与所有样本数据的KQI中该第一KQI的比值的差值，

$q_i=\frac{\#\{\mathrm{KQI}=0|{\mathrm{KPI}}_1=i,{\mathrm{KPI}}_2=j\}}{\#\{{\mathrm{KPI}}_1=i,{\mathrm{KPI}}_2=j\}}-\frac{\#\{\mathrm{KQI}=0|{\mathrm{KPI}}_2=j\}}{\#\{{\mathrm{KPI}}_2=j\}},i\∈\{\mathrm{1,2},...,M\}$

表示在第二标称型KPI的N种类型值的j类型值下的所有样本数据的第一标称型KPI的取值为该M种类型值中的i类型值对应的KQI中第一KQI的比值，与所有样本数据的KQI中该第一KQI的比值的差值。

第二方面，提供了一种通信网络中KQI与KPI相关性确定的设备，包括：获取单元，用于获取多个样本数据，其中，该多个样本数据中的第一样本数据包括该通信网络中第一样本的KQI和对应该KQI的目标KPI的取值，该第一样本的KQI与该目标KPI为同一时刻采集的，该目标KPI为对应该KQI的至少一种KPI中的一种，该多个样本中的所有样本的KQI均为同一种KQI，该所有样本中对应该KQI的目标KPI均为同一种KPI；确定单元，用于根据该多个样本数据中所有样本的KQI和对应该KQI的目标KPI的取值，确定该通信网络的该KQI和该目标KPI的相关性。

结合第二方面，在第一种可能的实现方式中，KPI的取值类型包括数值型KPI和标称型KPI，该数值型KPI的取值为一段区间内的数值，该标称型KPI的取值包括多种类型值；该确定单元根据预设阈值将所有样本数据的该KQI分为第一KQI和第二KQI，其中，该第一KQI的取值小于或等于该预设阈值，该第二KQI的取值大于该预设阈值，并根据该多个样本数据中该目标KPI的取值类型分别与该第一KQI和第二KQI的对应关系，确定该通信网络的该KQI和该目标KPI的相关性。

结合第二方面的第一种可能的实现方式，在第二种可能的实现方式中，该确定单元在该目标KPI为数值型KPI时，根据所有样本数据的该目标KPI中与该第一KQI对应的目标KPI的取值的平均值，和根据所有样本数据的该目标KPI中与该第二KQI对应的目标KPI的取值的的平均值确定该目标KPI与该KQI的相关性。

结合第二方面的第二种可能的实现方式，在第三种可能的实现方式中，该确定单元在该目标KPI为目标KPI时，根据所有样本数据的该目标KPI中与该第一KQI对应的目标KPI的取值的平均值，与所有样本数据的该目标KPI中与该第二KQI对应的目标KPI的取值的的平均值的差值确定该目标KPI与该KQI的相关性，其中，该差值越大表示该目标KPI与该KQI的相关性越大。

结合第二方面的第三种可能的实现方式，在第四种可能的实现方式中，该确定单元还用于对该目标KPI的取值进行数据抖动处理，其中，该数据抖动处理包括在该目标KPI的取值为整数时将该目标KPI的取值加上预设范围内的随机常数，在该目标KPI的取值为小数时，该目标KPI的取值不变；对数据抖动处理后的目标KPI的取值进行分位数变换处理，以使得所有样本数据的目标KPI的取值映射到预设区间内，其中，每个样本数据的目标KPI在该预设区间中具有一个映射值，其中，所有样本数据的该目标KPI中与该第一KQI对应的目标KPI的取值的平均值等于所有样本数据的该目标KPI中与该第一KQI对应的目标KPI的映射值的平均值，所有样本数据的该目标KPI中与该第二KQI对应的KPI的取值的的平均值等于该所有样本数据的该目标KPI中与该第二KQI对应的目标KPI的映射值的平均值。

结合第二方面的第四种可能的实现方式，在第五种可能的实现方式中，该确定单元根据以下公式将该数值型KPI的取值进行数据抖动处理：

ε_i是预设范围内的随机常数，x_i为初始数据型KPI的取值，x_i ^*为数据抖动处理后的数值型KPI的取值，

该对数据抖动处理后的目标KPI的取值进行分位数变换处理，以使得所有样本数据的目标KPI的取值映射到预设区间内，包括：根据以下公式对抖动处理后的目标KPI的取值进行分位数变换处理，以使得所有样本数据的目标KPI的取值映射到预设区间内：

其中，该预设区间为[1,0)，x_i映射为x_i ^*的映射值，x_j ^*为数据抖动处理后的目标KPI的取值，#{x_j ^*|x_j ^*＜x_i ^*}表示数据抖动处理后所有样本数据的目标KPI的取值中大于x_i ^*的个数，n为该样本数据的个数。

结合第二方面的第一种可能的实现方式，在第六种可能的实现方式中，该确定单元在该目标KPI为标称型KPI时，根据所有样本数据中该目标KPI的取值类型对应的KQI中的第一KQI的比例，和根据所有样本数据的KQI中该第一KQI的比例确定该目标KPI与该KQI的相关性，其中，该目标KPI的取值为该多种类型值中的各个类型值。

结合第二方面的第六种可能的实现方式，在第七种可能的实现方式中，该确定单元根据所有样本数据中该目标KPI的取值对应的KQI中第一KQI的比例，和所有样本数据的KQI中该第一KQI的比例的差值确定该目标KPI与该KQI的相关性。

结合第二方面的第七种可能的实现方式，在第八种可能的实现方式中，该确定单元根据以下公式确定该目标KPI与该KQI的相关性：

$\mathrm{Imp}=\frac{1}{\#\{h(n_s,\mathrm{\δ})>0\}+1}{\mathrm{\Σ}}_{s\∈S}h(n_s,\mathrm{\δ}){|p_s-b|}^k$

其中，这里S表示该目标KPI的取值的所有类型值；s为S中的一个类型值，n_s表示所有样本数据的KPI的取值为类型值s的样本数；

其中，表示所有样本数据的目标KPI的取值为类型值s中对应的KQI中第一KQI的比例，表示所有样本数据的KQI中该第一KQI的比例，δ表示容错值常数，k为正数；h()为权重调整函数，当该Imp为该目标KPI与该KQI的相关性的参考值，Imp越大表示该目标KPI与该KQI的相关性越大。

结合第二方面的第一种可能的实现方式，在第九种可能的实现方式中，该目标KPI包括第一标称型KPI和第二标称型KPI，该第一标称型KPI的取值包括M种类型值，该第二标称型KPI的取值包括N种类型值，该确定单元根据所有样本数据的第一标称型KPI的取值对应的KQI中第一KQI的比例，和根据在第二标称型KPI的N种类型值的第j类型值下的所有样本数据的第一标称型KPI的取值对应的KQI中第一KQI的比例，确定该第一标称型KPI与该第二标称型KPI的组合，与该KQI的相关性，其中，第一标称型KPI的取值为该M种类型值中的各个类型值。

结合第二方面的第九种可能的实现方式，在第十种可能的实现方式中，该确定单元根据以下公式确定该第一标称型KPI与该第二标称型KPI的组合，与该KQI的相关性：

${\mathrm{Score}}_j=\frac{1}{\#\{h(n_m,\mathrm{\δ})>0\}+1}{\mathrm{\Σ}}_{i=1}^M{|p_i-q_i|}^k$

其中，该Score_j为该第一标称型KPI与该第二标称型KPI的组合，与该KQI的相关性的参考值，Score_j越大表示该第一标称型KPI与该第二标称型KPI的组合与该KQI的相关性越大，其中，这里M表示第一标称型KPI的取值的M种类型值；m∈M为M个类型值中的第m类型值，n_m表示所有样本数据的KPI的取值为类型值m的样本数；δ表示容错值常数，k为正数；h()为权重调整函数，表示所有样本数据的第一标称型KPI的取值为类型值i中对应的KQI中第一KQI的比值，与所有样本数据的KQI中该第一KQI的比值的差值，

$q_i=\frac{\#\{\mathrm{KQI}=0|{\mathrm{KPI}}_1=i,{\mathrm{KPI}}_2=j\}}{\#\{{\mathrm{KPI}}_1=i,{\mathrm{KPI}}_2=j\}}-\frac{\#\{\mathrm{KQI}=0|{\mathrm{KPI}}_2=j\}}{\#\{{\mathrm{KPI}}_2=j\}},i\∈\{\mathrm{1,2},...,M\}$

表示在第二标称型KPI的N种类型值的j类型值下的所有样本数据的第一标称型KPI的取值为该M种类型值中的i类型值对应的KQI中第一KQI的比值，与所有样本数据的KQI中该第一KQI的比值的差值。

基于上述技术方案，因此，本发明实施例通过多个样本数据中所有样本的KQI和对应KQI的目标KPI的取值，确定通信网络的KQI和目标KPI的相关性，不需要依赖于领域的专家知识就能确定KQI与KPI的相关性，减少了人工分析的时间。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，显而易见地，下面所描述的附图仅仅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的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明一个实施例的KQI与KPI相关性确定的方法流程示意性图。

图2是根据本发明一个实施例的数值型KPI的数据处理过程示意图。

图3是根据本发明一个实施例的权重函数h(x)的示意图。

图4是根据本发明另一实施例的KQI与KPI相关性确定的方法流程示意性图。

图5是根据本发明一个实施例的通信网络中KQI与KPI相关性确定的设备的示意性框图。

图6是根据本发明另一实施例的通信网络中KQI与KPI相关性确定的设备的示意性框图。

具体实施方式

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的一部分实施例，而不是全部实施例。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的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

应理解，本发明实施例的技术方案可以应用于各种通信系统，例如：全球移动通讯(Global System of Mobile communication，GSM)系统、码分多址(Code Division Multiple Access，CDMA)系统、宽带码分多址(WidebandCode Division Multiple Access，WCDMA)系统、通用分组无线业务(GeneralPacket Radio Service，GPRS)、长期演进(Long Term Evolution，LTE)系统、LTE频分双工(Frequency Division Duplex，FDD)系统、LTE时分双工(Time Division Duplex，TDD)、通用移动通信系统(Universal MobileTelecommunication System，UMTS)或全球互联微波接入(WorldwideInteroperability for Microwave Access，WiMAX)通信系统等。

本发明实施例可以用于不同的制式的无线网络。无线接入网络在不同的系统中可包括不同的网元。例如，LTE和LTE-A中无线接入网络的网元包括eNB(eNodeB，演进型基站)，WCDMA中无线接入网络的网元包括RNC(Radio Network Controller，无线网络控制器)和NodeB，类似地，WiMax(Worldwide Interoperability for Microwave Access，全球微波互联接入)等其它无线网络也可以使用与本发明实施例类似的方案，只是基站系统中的相关模块可能有所不同，本发明实施例并不限定，但为描述方便，下述实施例中的基站将以eNodeB和NodeB为例进行说明。

还应理解，在本发明实施例中，基站，可以是GSM或CDMA中的基站(简称BTS，英文Base Transceiver Station)，也可以是WCDMA中的基站(NodeB)，还可以是LTE中的演进型基站(简称eNB或e-NodeB，英文evolved Node B)，本发明并不限定。

还应理解，在本发明实施例中，用户设备(UE，User Equipment)包括但不限于移动台(MS，Mobile Station)、移动终端(Mobile Terminal)、移动电话(Mobile Telephone)、手机(handset)及便携设备(portable equipment)等，该用户设备可以经无线接入网(RAN，Radio Access Network)与一个或多个核心网进行通信，例如，用户设备可以是移动电话(或称为“蜂窝”电话)、具有无线通信功能的计算机等，用户设备还可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置。

图1是根据本发明实施例的通信网络中KQI与KPI相关性确定的方法流程示意性图，图1所示的方法可以由图6所示的设备执行。如图1所示，该方法包括：

110，获取多个样本数据，其中，多个样本数据中的第一样本数据包括通信网络中第一样本的KQI和对应KQI的目标KPI的取值，第一样本的KQI与目标KPI为同一时刻采集的，目标KPI为对应KQI的至少一种KPI中的一种，多个样本中的所有样本的KQI均为同一种KQI，所有样本中对应KQI的目标KPI均为同一种KPI。

应理解，第一样本数据可以为多个样本数据中的任意一个样本数据，样本数据可以理解为样本的数据，例如，样本可以为用户、小区、用户设备或基站等，一个样本数据可以是对应一个用户、小区、用户设备或基站的数据，本发明实施例并不对此做限定。例如，以样本为用户设备举例来说，多个样本数据中的不同样本数据可以包括不同的用户设备(样本)在相同或不同的时刻下的KQI的取值和目标KPI的取值，多个样本数据中的不同样本数据还可以包括同一用户设备(样本)在不同的时刻下的KQI的取值和目标KPI的取值，换句话说，样本数据的个数可以和用户设备(样本)的个数相同也可以少于用户设备(样本)的个数，本发明实施例并不对此做限定。

针对通信网络中某一个网络业务而言，与该网络业相关的指标可以包括一个KQI和至少一种KPI，其中，目标KPI可以为至少一种KPI中的一个，例如，网络业务可以为语音通话，那么，对应语音通话业务的KQI可以为语音质量指标(Voice Quality Indicator，VQI)，该KPI可以为与KQI相关的指标，例如为天气、环境、网络覆盖、网络效率、网络负荷、网络设备质量、基站类型、网络性能和信道质量等的指标中的部分或全部，目标KPI可以为天气、环境、网络覆盖、网络效率、网络负荷、网络设备质量、基站类型、网络性能和信道质量等指标中的一个，本发明实施例并不对此做限定。

具体地，多个样本数据可以是预先已有的，也可以是根据网络信令数据获取的，本发明实施例并不对此做限定。

例如，可以利用部署在网络上的传感器，采集网络信令数据，数据导入到服务器后，通过现有的数据解析工具解析数据，并根据业务知识，对数据进行拼接和整合，获取多个样本数据。例如，多个样本数据可以为具有多行的表格形式的数据，该表格中的每一行是一个样本数据。

120，根据多个样本数据中所有样本的KQI和对应KQI的目标KPI的取值，确定通信网络的KQI和目标KPI的相关性。

具体地根据多个样本数据中所有样本的KQI和对应KQI的目标KPI的取值，基于KQI和目标KPI的取值的相关性，确定KQI与KPI的相应性。

因此，本发明实施例通过多个样本数据中所有样本的KQI和对应KQI的目标KPI的取值，确定通信网络的KQI和目标KPI的相关性，不需要依赖于领域的专家知识就能确定KQI与KPI的相关性，减少了人工分析的时间。

另外，本发明实施例还可以不受限与KPI的数量，给出一个通用的易于移植的KQI和KPI关联方法。

可选地，作为另一实施例，KPI的取值类型包括数值型KPI和标称型KPI，数值型KPI的取值为一段区间内的数值，标称型KPI的取值包括多种类型值。

在120中，根据预设阈值将所有样本数据的KQI分为第一KQI和第二KQI，其中，第一KQI的取值小于或等于预设阈值，第二KQI的取值大于预设阈值；根据多个样本数据中目标KPI的取值类型分别和第一KQI和第二KQI的对应关系，确定通信网络的KQI和KPI的相关性。

具体地，针对KPI，本发明实施例可以按KPI的值的分布的类型，将KPI分成数值型KPI和标称型KPI。数值型KPI指的是该KPI的取值为一段区间内的数值(整数或者实数)，数据值型KPI的取值之间有大小关系。例如，数值型KPI可以为网络负荷、网络效率等；标称型KPI指的是该KPI的取值可以为与多种类型对应的多种类型值，类型与类型之间没有大小关系，例如，标称型KPI可以为基站类型、协议类型、气候环境等。具体地，当标称型KPI为基站类型时，由于基站类型可以为FDD基站或TDD基站，那么该KPI的取值可以为与FDD基站对应的第一类型值或者与TDD基站对应的第二类型值。

应注意，为描述方便，在本文的下述描述中，用KPI＝{x₁,…,x_n}表示某个KPI的取值，用KQI＝{y₁,…,y_n}表示某个KQI的取值。

具体地，KQI的数据分布一般是非对称的，同时，在业务上，人们常用定性的描述KQI，比如语音通话业务而言，通常采用高语音质量或者低语音质量来描述该语音通话业务。针对以上需求，本发明实施例对KQI进行离散化，根据预设阈值，将所有样本数据的KQI分为第一KQI和第二KQI，将小于或等于预设阈值的KQI分列为第一KQI，大于预设阈值的KQI分裂为第二KQI。

应注意，本发明实施例中也可以将小于预设阈值的KQI分列为第一KQI，大于或等于预设阈值的KQI分裂为第二KQI。

应理解，预设阈值可以是预先设置好的值，也可以是根据具体实际应用中而确定的值，例如，预设阈值可以0-100中的某个值，例如，预设阈值可以为45、50或55等，本发明实施例并不对此作限定。

应注意，在本发明实施例中，为了区分第一KQI和第二KQI，可以将第一KQI中的KQI的取值全部重新赋值为0，将第二KQI中的KQI的取值全部重新赋值为1。

因此发明实施例将KQI分为第一KQI和第二KQI，并通过目标KPI的类型分别与第一KQI和第二KQI的对应关系，确定KPI与目标KQI的相关性，无需依赖于领域的专家知识，大幅度减少人工分析的时间；另外，本发明实施例可以不受限与KPI的数量，给出一个通用的易于移植的KQI和KPI关联方法。

可选地，作为另一实施例，在120中，在目标KPI为数值型KPI时，在目标KPI为数值型KPI时，根据所有样本数据的目标(数值型)KPI中与第一KQI对应的目标KPI的取值的平均值，和根据所有样本数据的目标KPI中与第二KQI对应的目标KPI的取值的的平均值确定目标KPI与KQI的相关性。

具体地，在目标KPI为某一数值型KPI时，对该数值型KPI，如果该数值型KPI与KQI是无关的，那么KQI为0对应的那些目标KPI的值的分布在理论上与KQI为1对应的那些目标KPI的值的分布相同。因此，本发明实施例采用两个分组的平均值(数值平均或者中位数)的差来度量目标KPI与KQI之间的相关性。

例如，当上述两个分组的平均值相当时，可以表明该目标KPI与KQI无关(相关性低)；当上述两个分组的平均值相差较大时，表明该目标KPI与KQI有关(相关性高)。

进一步地，作为另一实施例，在120中，根据所有样本数据的目标KPI中与第一KQI对应的目标KPI的取值的平均值，与所有样本数据的目标KPI中与第二KQI对应的目标KPI的取值的的平均值的差值确定目标KPI与KQI的相关性，其中，差值越大表示目标KPI与KQI的相关性越大。

具体地，可以根据以下公式确定目标KPI与KQI的相关性：

Imp＝Avg{x_i|第一KQI}-Avg{x_i|第二KQI}

其中，Imp为目标KPI与KQI的相关性的参考值，Imp越大表示目标KPI与KQI的相关性越大，Avg{x_i|第一KQI}为所有样本数据的目标KPI中与第一KQI对应的目标KPI的取值的平均值，Avg{x_i|第二KQI}为所有样本数据的目标KPI中与第二KQI对应的目标KPI的取值的的平均值。

应理解，本发明实施例中的平均值，可以是指所有数值之和除以数值个数的结果，也可以是所有数值的中位数，本发明实施例并不对此做限定。例如，所有样本数据的数值型KPI中与第一KQI对应的KPI的取值的平均值，可以是所有样本数据的数值型KPI中与第一KQI对应的KPI的取值之和除以所有样本数据的数值型KPI中与第一KQI对应的KPI个数，也可以是所有样本数据的数值型KPI中与第一KQI对应的KPI的取值的中位数。

当该目标KPI与KQI无关时，如上的Imp的值在0附近波动；当该目标KPI与KQI存在正向的相关性时，如上的Imp的值明显地大于0；当该目标KPI与KQI存在负向的相关性时，如上的Imp的值明显地小于0。

可选地，作为另一实施例，在目标KPI为数值型KPI时，在120中，对目标KPI的取值进行数据抖动处理，其中，数据抖动处理包括在目标KPI的取值为整数时将目标KPI的取值加上预设范围内的随机常数，在目标KPI的取值为小数时，目标KPI的取值不变；

对数据抖动处理后的目标KPI的取值进行分位数变换处理，以使得所有样本数据的目标KPI的取值映射到预设区间内，其中，每个样本数据的目标KPI在预设区间中具有一个映射值。

具体地，在目标KPI为数值型KPI时，对目标KPI的取值进行数据抖动处理，其中，数据抖动处理包括在目标KPI的取值为整数时将目标KPI的取值加上预设范围内的随机常数，在目标KPI的取值为小数时，目标KPI的取值不变。

具体地，预设范围内的随机常数例如可以是服从-0.5到0.5的均匀分布的随机数，针对数值型(目标)KPI，由于数值型KPI的分布一般是非对称的，且不同的KPI的取值范围差异较大，同时，有大量的KPI指标属于计数数据(即统计某些事件发生的次数)。为了可以对不同的KPI与KQI的相关性强度进行比较，本发明实施例先将数值型(目标)KPI的取值进行数据抖动处理，在数值型KPI的取值为整数时将数值型KPI的取值加上预设范围内的随机常数使，能够使得数值型KPI的取值大小较平滑减少得数值型KPI的取值的跳跃。

对数据抖动处理后的目标(数值型)KPI的取值进行分位数变换处理，以使得所有样本数据的目标KPI的取值映射到预设区间内，其中，每个样本数据的目标KPI在预设区间中具有一个映射值。

根据所有样本数据的目标KPI中与第一KQI对应的目标KPI的取值的平均值，和根据所有样本数据的目标KPI中与第二KQI对应的目标KPI的取值的的平均值确定目标KPI与KQI的相关性，

其中，所有样本数据的目标(数值型)KPI中与第一KQI对应的目标KPI的取值的平均值等于所有样本数据的目标KPI中与第一KQI对应的目标KPI的映射值的平均值，所有样本数据的目标KPI中与第二KQI对应的目标KPI的取值的平均值等于所有样本数据的目标KPI中与第二KQI对应的目标KPI的映射值的平均值。

因此发明实施例通过在目标KPI为数值型KPI时，能够基于数据挖掘技术根据目标(数值型)KPI的数值特征确定出目标KPI与KQI的相关性，无需依赖于领域的专家知识，同时不受限与KPI的数量，给出一个通用的易于移植的KQI和KPI关联方法，大幅度减少人工分析的时间。

进一步地，作为另一实施例，在120中，根据以下公式将目标(数值型)KPI的取值进行数据抖动处理：

ε_i是预设范围内的随机常数，x_i为初始目标KPI的取值，x_i ^*为数据抖动处理后的目标KPI的取值，具体地，ε_i可以是服从-0.5到0.5的均匀分布的随机数，

根据以下公式对抖动处理后的目标KPI的取值进行分位数变换处理，以使得所有样本数据的目标KPI的取值映射到预设区间内：

其中，预设区间为[1,0)，x_i映射为x_i ^*的映射值，x_j ^*为数据抖动处理后的目标KPI的取值，#{x_j ^*|x_j ^*＜x_i ^*}表示数据抖动处理后所有样本数据的目标KPI的取值中大于x_i ^*的个数，n为样本数据的个数。

针对数值型KPI，由于数值型KPI的分布一般是非对称的，且不同的KPI的取值范围差异较大，同时，有大量的KPI指标属于计数数据(即统计某些事件发生的次数)。为了可以对不同的KPI与KQI的相关性强度进行比较，可以根据如图2所示的过程对数值型KPI的数据进行数据处理。具体地，如图2所示数值型KPI的数据处理过程示意图，包括：

210，首先判断数值型KPI的取值是否是整数，如果是则进行220，如果不是则进行230。

220数值型KPI的取值加上预设范围内的随机常数

例如，对KPI数值加上一个服从-0.5到0.5的均匀分布的随机数，即x_i：＝x_i+ε_i这里ε_i是一个服从-0.5到0.5的均匀分布的随机数，之后进行步骤230。

230，对数值型KPI数据进行分位数变换。

将所有样本数据的数值型KPI的取值映射到预设区间内，例如，将其映射到(0,1]这个区间上，具体变换方法为：

其中，预设区间为[1,0)，x_i映射为x_i ^*的映射值，x_j ^*为数据抖动处理后的数值型KPI的取值，#{x_j ^*|x_j ^*＜x_i ^*}表示数据抖动处理后所有样本数据的数值型KPI的取值中大于x_i ^*的个数，n为样本数据的个数。

可替代地，作为另一实施例，在120中，在目标KPI为标称型KPI时，根据所有样本数据中目标(标称型)KPI的取值对应的KQI中的第一KQI的比例，和根据所有样本数据的KQI中第一KQI的比例确定目标KPI与KQI的相关性，其中，目标KPI的取值为多种类型值中的各个类型值。

具体地，如果标称型(目标)KPI的取值为任意的一个类型值时，KQI＝0的比例，与总体情况下的KQI＝0的比例相同，可以表明标称型KPI与KQI是无关的，如果，对KPI的取值中的一个或多个类型时，KQI＝0的比例，与总体情况下的KQI＝0的比例不同相同，可以表明标称型KPI与KQI有关。

进一步地，作为另一实施例，在120中，根据所有样本数据中目标KPI的取值对应的KQI中第一KQI的比例，和所有样本数据的KQI中第一KQI的比例的差值确定目标KPI与KQI的相关性。

进一步地，作为另一实施例，在120中根据以下公式确定目标KPI与KQI的相关性：

$\mathrm{Imp}=\frac{1}{\#\{h(n_s,\mathrm{\δ})>0\}+1}{\mathrm{\Σ}}_{s\∈S}h(n_s,\mathrm{\δ}){|p_s-b|}^k$

其中，这里S表示目标KPI的取值的所有类型；s∈S为S中的一个类型，n_s表示所有样本数据的KPI的取值为类型s的本数；

其中，表示所有样本数据的目标KPI的取值为类型s中对应的KQI中第一KQI的比例，表示所有样本数据的KQI中第一KQI的比例，δ表示容错值常数，k为正数；h()为权重调整函数，当Imp为目标KPI与KQI的相关性的参考值，Imp越大表示目标KPI与KQI的相关性越大。

具体地，针对标称型(目标)KPI如果该标称型KPI与KQI是无关的，那么对该标称型KPI的任意的一个类型值s，在该类型值s对应的类型下，KQI＝0的比例(p_s)应该与总体情况下的KQI＝0的比例相同，即：

$p_s\≈\frac{\#\{\mathrm{KQI}=0\}}{\#\left\{\mathrm{KQI}\right\}}=b$

因此本发明实施例根据与所有样本数据的标称型KPI的取值为多种类型中的各个类型对应的KQI中第一KQI的比例，分别和所有样本数据的KQI中第一KQI的比例的差值采用公式

$\mathrm{Imp}=\frac{1}{\#\{h(n_s,\mathrm{\δ})>0\}+1}{\mathrm{\Σ}}_{s\∈S}h(n_s,\mathrm{\δ}){|p_s-b|}^k$

确定标称型KPI与KQI的相关性。

具体地，图3是根据本发明一个实施例的权重函数h(x)的示意图。如图3所示，图3为权重函数h(x)的示意图。如图3所示的h(x)为：

$h\left(x\right)=\left\{\begin{array}{c}0,x<20\\ \sqrt{x},x\&GreaterEqual;20\end{array}\right.$

上文中是根据根据所有样本数据中目标KPI的取值对应的KQI中第一KQI的比例，和所有样本数据的KQI中第一KQI的比例的差值确定目标KPI与KQI的相关性，本发明实施例并不限于此，例如，类似的，还可以根据根据所有样本数据中目标KPI的取值对应的KQI中第一KQI的比例，和所有样本数据的KQI中第一KQI的比例的比值确定目标KPI与KQI的相关性。

可替代地，作为另一实施例，目标KPI包括第一标称型KPI和第二标称型KPI，第一标称型KPI的取值包括M种类型，第二标称型KPI的取值包括N种类型，

在120中，根据所有样本数据的第一标称型KPI的取值对应的KQI中第一KQI的比例，和根据在第二标称型KPI的N种类型值的第j类型值下的所有样本数据的第一标称型KPI的取值对应的KQI中第一KQI的比例，确定第一标称型KPI与第二标称型KPI的组合，与KQI的相关性，其中，第一标称型KPI的取值为M种类型值中的各个类型值。

进一步地，作为另一实施例，根据以下公式确定第一标称型KPI与第二标称型KPI的组合，与KQI的相关性：

${\mathrm{Score}}_j=\frac{1}{\#\{h(n_m,\mathrm{\&delta;})>0\}+1}{\mathrm{\&Sigma;}}_{i=1}^M{|p_i-q_i|}^k$

其中，Score_j为第一标称型KPI与第二标称型KPI的组合，与KQI的相关性的参考值，Score_j越大表示第一标称型KPI与第二标称型KPI的组合与KQI的相关性越大，M表示第一标称型KPI的取值的M种类型值；m∈M为M个类型值中的第m类型值，n_m表示所有样本数据的目标KPI的取值为类型值m的样本数；δ表示容错值常数，k为正数；h()为权重调整函数，表示所有样本数据的第一标称型KPI的取值为类型值i中对应的KQI中第一KQI的比值，与所有样本数据的KQI中第一KQI的比值的差值，

$q_i=\frac{\#\{\mathrm{KQI}=0|{\mathrm{KPI}}_1=i,{\mathrm{KPI}}_2=j\}}{\#\{{\mathrm{KPI}}_1=i,{\mathrm{KPI}}_2=j\}}-\frac{\#\{\mathrm{KQI}=0|{\mathrm{KPI}}_2=j\}}{\#\{{\mathrm{KPI}}_2=j\}},i\&Element;\{\mathrm{1,2},...,M\}$

表示在第二标称型KPI的N种类型值的j类型值下的所有样本数据的第一标称型KPI的取值为M种类型值中的i类型值对应的KQI中第一KQI的比值，与所有样本数据的KQI中第一KQI的比值的差值。具体地，当KPI₂的状态j与KPI₁无关时，上述的Score_j值接近于0，Score_jScore的值越大，说明KPI₂的状态j与KPI₁之间存在相关性，说明在KPI₁与KPI₂的组合会对KQI产生不同于两个因素单纯叠加的作用。

应理解，上文中第一标称型KPI与第二标称型KPI的组合，与KQI的相关性，也可以理解为：在第二标称型KPI的一个类型与第一标称型KPI组合与KQI的相关性，例如，在上述KPI₂的状态为j与KPI₁组合与KQI的相关性。

上文中结合图1至图3描述了本发明实施例的KQI与KPI相关性确定的方法方法，下面结合图4的具体例子详细描述本发明实施例的KQI与KPI相关性确定的方法。

应注意，图4中以KQI为VQI进行详细说明，但本发明实施例中的KQI还可以为其他的指标，例如可以为上网业务的指标或视频业务的指标等，本发明实施例并不对此做限定。同时图4中的实施例中的KPI可以包括多个数值型KPI和多个标称型KPI。

如图4所示的方法包括以下内容。

410，获取样本数据数据。

具体地，可以基于PCHR和MR数据，分析与语音质量(VQI，即KQI)相关的KPI。例如，可以拼接PCHR和MR数据，进行数据格式整理。获得多个样本数据(数据)。

420，样本数据数据预处理。

具体地，根据预设阈值将所有样本数据的KQI分为第一KQI和第二KQI，其中，第一KQI的取值小于或等于预设阈值，第二KQI的取值大于预设阈值。为了区分第一KQI和第二KQI，将第一KQI中的KQI的取值全部重新赋值为0，将第二KQI中的KQI的取值全部重新赋值为1。

例如，根据以下公式对KQI进行预处理。

其中y_i表示KQI的取值。y_i ^*表示预处理后的KQI的取值。

对数值型KPI的取值进行数据抖动处理，其中，数据抖动处理包括在数值型KPI的取值为整数时将数值型KPI的取值加上服从-0.5到0.5的均匀分布的随机常数，在数值型KPI的取值为小数时，数值型KPI的取值不变；例如，根据以下公式对数值型KPI进行数据抖动处理。

ε_i是预设范围内的随机常数，x_i为数据型KPI的取值，x_i ^*为数据抖动处理后的数值型KPI的取值，具体地，ε_i可以是服从-0.5到0.5的均匀分布的随机数。

对数据抖动处理后的数值型KPI的取值进行分位数变换处理，将所有样本数据的数值型KPI的取值映射到预设区间内，其中，每个样本数据的数值型KPI在预设区间中具有一个映射值。

例如，根据以下公式将数据抖动处理后的数值型KPI的取值映射到预设区间内。

其中，预设区间为[1,0)，x_i映射为x_i ^*的映射值，x_j ^*为数据抖动处理后的数值型KPI的取值，#{x_j ^*|x_j ^*＜x_i ^*}表示数据抖动处理后所有样本数据的数值型KPI的取值中大于x_i ^*的个数，n为样本数据的个数。

430，单KPI与KQI的相关性分析。

一种情况，可以根据以下公式确定数值型(目标)KPI与KQI的相关性：

Imp＝Avg{x_i|第一KQI}-Avg{x_i|第二KQI}

其中，Imp为数值型KPI与KQI的相关性的参考值，Imp越大表示数值型KPI与KQI的相关性越大，Avg{x_i|第一KQI}为所有样本数据的数值型KPI中与第一KQI对应的KPI的取值的平均值，Avg{x_i|第二KQI}为所有样本数据的数值型KPI中与第二KQI对应的KPI的取值的的平均值。

应理解，本发明实施例中的平均值，可以是指所有数值之和除以数值个数的结果，也可以是所有数值的中位数，本发明实施例并不对此做限定。例如，所有样本数据的数值型KPI中与第一KQI对应的KPI的取值的平均值，可以是所有样本数据的数值型KPI中与第一KQI对应的KPI的取值之和除以所有样本数据的数值型KPI中与第一KQI对应的KPI个数，也可以是所有样本数据的数值型KPI中与第一KQI对应的KPI的取值的中位数。

当该KPI与KQI无关时，如上的Imp的值在0附近波动；当该KPI与KQI存在正向的相关性时，如上的Imp的值明显地>0；当该KPI与KQI存在负向的相关性时，如上的Imp的值明显地<0。

另一种情况，可以根据以下公式确定标称型(目标)KPI与KQI的相关性：

$\mathrm{Imp}=\frac{1}{\#\{h(n_s,\mathrm{\&delta;})>0\}+1}{\mathrm{\&Sigma;}}_{s\&Element;S}h(n_s,\mathrm{\&delta;}){|p_s-b|}^k$

其中，这里S表示标称型KPI的取值的所有类型；s∈S为S中的一个类型，n_s表示所有样本数据的KPI的取值为类型s的本数；

其中，表示所有样本数据的标称型KPI的取值为类型s中对应的KQI中第一KQI的比例，表示所有样本数据的KQI中第一KQI的比例，δ表示容错值常数，k为正数；h()为权重调整函数，当Imp为标称型KPI与KQI的相关性的参考值，Imp越大表示标称型KPI与KQI的相关性越大。

440，两个KPI与KQI的相关性分析。

根据以下公式确定第一标称型KPI与第二标称型KPI的组合，与KQI的相关性：

$\mathrm{Score}=\frac{1}{\#\{h(n_s,\mathrm{\&delta;})>0\}+1}{\mathrm{\&Sigma;}}_{i=1}^M{|p_i-q_i|}^k$

其中，Score为第一标称型KPI与第二标称型KPI的组合，与KQI的相关性的参考值，Score越大表示第一标称型KPI与第二标称型KPI的组合与KQI的相关性越大，其中，这里M表示第一标称型KPI的取值的M种类型；S∈M为M中类型中的一个类型，n_s表示所有样本数据的KPI的取值为类型s的样本数据数；δ表示容错值常数，k为正数；h()为权重调整函数，

表示所有样本数据的第一标称型KPI的取值为类型i中对应的KQI中第一KQI的比值，与所有样本数据的KQI中第一KQI的比值的差值，

$q_i=\frac{\#\{\mathrm{KQI}=0|{\mathrm{KPI}}_1=i,{\mathrm{KPI}}_2=j\}}{\#\{{\mathrm{KPI}}_1=i,{\mathrm{KPI}}_2=j\}}-\frac{\#\{\mathrm{KQI}=0|{\mathrm{KPI}}_2=j\}}{\#\{{\mathrm{KPI}}_2=j\}},i\&Element;\{\mathrm{1,2},...,s\}$

表示在第二标称型KPI的N种类型的j类型下的所有样本数据的第一标称型KPI的取值为M种类型中的i类型对应的KQI中第一KQI的比值，与所有样本数据的KQI中第一KQI的比值的差值。

具体地，当KPI₂的状态j与KPI₁无关时，上述的Score值接近于0，Score的值越大，说明KPI₂的状态j与KPI₁之间存在相关性，说明在KPI₁与KPI₂的组合会对KQI产生不同于两个因素单纯叠加的作用。

450，输出结果。

具体的，输出单KPI与KQI的相关性分析的结果，和两个KPI与KQI的相关性分析的结果。

本发明实施例将KQI分为第一KQI和第二KQI，并通过KPI的类型分别与第一KQI和第二KQI的对应关系，确定KPI与KQI的相关性，无需依赖于领域的专家知识，同时本发明实施例不受限与KPI的数量，给出一个通用的易于移植的KQI和KPI关联方法，大幅度减少人工分析的时间。

图5是根据本发明一个实施例的通信网络中KQI与KPI相关性确定的设备的示意性框图。如图5所示的设备500包括：获取单元510和确定单元520。

具体地，获取单元510获取多个样本数据，其中，多个样本数据中的第一样本数据包括通信网络中第一样本的KQI和对应KQI的目标KPI的取值，第一样本的KQI与目标KPI为同一时刻采集的，目标KPI为对应KQI的至少一种KPI中的一种，多个样本中的所有样本的KQI均为同一种KQI，所有样本中对应KQI的目标KPI均为同一种KPI；确定单元520根据多个样本数据中所有样本的KQI和对应KQI的目标KPI的取值，确定通信网络的KQI和目标KPI的相关性。

因此，本发明实施例通过多个样本数据中所有样本的KQI和对应KQI的目标KPI的取值，确定通信网络的KQI和目标KPI的相关性，不需要依赖于领域的专家知识就能确定KQI与KPI的相关性，减少了人工分析的时间。

另外，本发明实施例还可以不受限与KPI的数量，给出一个通用的易于移植的KQI和KPI关联方法。

可选地，作为另一实施例，KPI的取值类型包括数值型KPI和标称型KPI，数值型KPI的取值为一段区间内的数值，标称型KPI的取值包括多种类型值；

确定单元520根据预设阈值将所有样本数据的KQI分为第一KQI和第二KQI，其中，第一KQI的取值小于或等于预设阈值，第二KQI的取值大于预设阈值，并根据多个样本数据中目标KPI的取值类型分别和第一KQI和第二KQI的对应关系，确定通信网络的KQI和目标KPI的相关性。

可选地，作为另一实施例，确定单元520在目标KPI为数值型KPI时，根据所有样本数据的目标KPI中与第一KQI对应的目标KPI的取值的平均值，和根据所有样本数据的目标KPI中与第二KQI对应的目标KPI的取值的的平均值确定目标KPI与KQI的相关性。

进一步地，作为另一实施例，确定单元520在目标KPI为目标KPI时，根据所有样本数据的目标KPI中与第一KQI对应的目标KPI的取值的平均值，与所有样本数据的目标KPI中与第二KQI对应的目标KPI的取值的的平均值的差值确定目标KPI与KQI的相关性，其中，差值越大表示目标KPI与KQI的相关性越大。

进一步地，确定单元520还用于对目标KPI的取值进行数据抖动处理，其中，数据抖动处理包括在目标KPI的取值为整数时将目标KPI的取值加上预设范围内的随机常数，在目标KPI的取值为小数时，目标KPI的取值不变；对数据抖动处理后的目标KPI的取值进行分位数变换处理，以使得所有样本数据的目标KPI的取值映射到预设区间内，其中，每个样本数据的目标KPI在预设区间中具有一个映射值，

其中，所有样本数据的目标KPI中与第一KQI对应的目标KPI的取值的平均值等于所有样本数据的目标KPI中与第一KQI对应的目标KPI的映射值的平均值，所有样本数据的目标KPI中与第二KQI对应的KPI的取值的的平均值等于所有样本数据的目标KPI中与第二KQI对应的目标KPI的映射值的平均值。

具体地，作为另一实施例确定单元520根据以下公式将目标KPI的取值进行数据抖动处理：

ε_i是预设范围内的随机常数，x_i为初始数据型KPI的取值，x_i ^*为数据抖动处理后的目标KPI的取值，

其中，对数据抖动处理后的目标KPI的取值进行分位数变换处理，将所有样本数据的目标KPI的取值映射到预设区间内，包括：

根据以下公式对抖动处理后的目标KPI的取值进行分位数变换处理，以使得所有样本数据的目标KPI的取值映射到预设区间内：

其中，预设区间为[1,0)，x_i映射为x_i ^*的映射值，x_j ^*为数据抖动处理后的目标KPI的取值，#{x_j ^*|x_j ^*＜x_i ^*}表示数据抖动处理后所有样本数据的目标KPI的取值中大于x_i ^*的个数，n为样本数据的个数。

可替代地，作为另一实施例，确定单元520在目标KPI为标称型KPI时，根据所有样本数据中目标KPI的取值类型对应的KQI中的第一KQI的比例，和根据所有样本数据的KQI中第一KQI的比例确定目标KPI与KQI的相关性，其中，目标KPI的取值为多种类型值中的各个类型值。

进一步地，作为另一实施例，确定单元520根据所有样本数据中目标KPI的取值对应的KQI中第一KQI的比例，和所有样本数据的KQI中第一KQI的比例的差值确定目标KPI与KQI的相关性。

具体地，作为另一实施例，确定单元520根据以下公式确定目标KPI与KQI的相关性：

$\mathrm{Imp}=\frac{1}{\#\{h(n_s,\mathrm{\&delta;})>0\}+1}{\mathrm{\&Sigma;}}_{s\&Element;S}h(n_s,\mathrm{\&delta;}){|p_s-b|}^k$

其中，这里S表示目标KPI的取值的所有类型值；s为S中的一个类型值，n_s表示所有样本数据的KPI的取值为类型值s的样本数；

其中，表示所有样本数据的目标KPI的取值为类型值s中对应的KQI中第一KQI的比例，表示所有样本数据的KQI中第一KQI的比例，δ表示容错值常数，k为正数；h()为权重调整函数，当Imp为目标KPI与KQI的相关性的参考值，Imp越大表示目标KPI与KQI的相关性越大。

可替代地，作为另一实施例，目标KPI包括第一标称型KPI和第二标称型KPI，第一标称型KPI的取值包括M种类型值，第二标称型KPI的取值包括N种类型值，

确定单元520根据所有样本数据的第一标称型KPI的取值对应的KQI中第一KQI的比例，和根据在第二标称型KPI的N种类型的第j类型下的所有样本数据的第一标称型KPI的取值对应的KQI中第一KQI的比例，确定第一标称型KPI与第二标称型KPI的组合，与KQI的相关性，其中，第一标称型KPI的取值为M种类型中的各个类型。

具体地，作为另一实施例，确定单元520根据以下公式确定第一标称型KPI与第二标称型KPI的组合，与KQI的相关性：

${\mathrm{Score}}_j=\frac{1}{\#\{h(n_m,\mathrm{\&delta;})>0\}+1}{\mathrm{\&Sigma;}}_{i=1}^M{|p_i-q_i|}^k$

其中，Score_j为第一标称型KPI与第二标称型KPI的组合，与KQI的相关性的参考值，Score_j越大表示第一标称型KPI与第二标称型KPI的组合与KQI的相关性越大，M表示第一标称型KPI的取值的M种类型值；m∈M为M个类型值中的第m类型值，n_m表示所有样本数据的目标KPI的取值为类型值m的样本数；δ表示容错值常数，k为正数；h()为权重调整函数，表示所有样本数据的第一标称型KPI的取值为类型值i中对应的KQI中第一KQI的比值，与所有样本数据的KQI中第一KQI的比值的差值，

$q_i=\frac{\#\{\mathrm{KQI}=0|{\mathrm{KPI}}_1=i,{\mathrm{KPI}}_2=j\}}{\#\{{\mathrm{KPI}}_1=i,{\mathrm{KPI}}_2=j\}}-\frac{\#\{\mathrm{KQI}=0|{\mathrm{KPI}}_2=j\}}{\#\{{\mathrm{KPI}}_2=j\}},i\&Element;\{\mathrm{1,2},...,M\}$

表示在第二标称型KPI的N种类型值的j类型值下的所有样本数据的第一标称型KPI的取值为M种类型值中的i类型值对应的KQI中第一KQI的比值，与所有样本数据的KQI中第一KQI的比值的差值。具体地，当KPI₂的状态j与KPI₁无关时，上述的Score_j值接近于0，Score_j的值越大，说明KPI₂的状态j与KPI₁之间存在相关性，说明在KPI₁与KPI₂的组合会对KQI产生不同于两个因素单纯叠加的作用。

表示容错值常数，为正数表示应注意，图5所示的通信网络中KQI与KPI相关性确定的设备能够实现图1至图4的方法的各个过程，图5所示的通信网络中KQI与KPI相关性确定的设备的功能可参见图1至图4的方法的相关描述，为避免重复，不再赘述。

图6是根据本发明另一实施例的通信网络中KQI与KPI相关性确定的设备的示意性框图。如图6所示的设备600包括处理器610、存储器620和总线系统630。

具体地，处理器610通过总线系统630调用存储在存储器620中的代码，获取多个样本数据，其中，多个样本数据中的第一样本数据包括通信网络中第一样本的KQI和对应KQI的目标KPI的取值，第一样本的KQI与目标KPI为同一时刻采集的，目标KPI为对应KQI的至少一种KPI中的一种，多个样本中的所有样本的KQI均为同一种KQI，所有样本中对应KQI的目标KPI均为同一种KPI；根据多个样本数据中所有样本的KQI和对应KQI的目标KPI的取值，确定通信网络的KQI和目标KPI的相关性。

因此，本发明实施例通过多个样本数据中所有样本的KQI和对应KQI的目标KPI的取值，确定通信网络的KQI和目标KPI的相关性，不需要依赖于领域的专家知识就能确定KQI与KPI的相关性，减少了人工分析的时间。

另外，本发明实施例还可以不受限与KPI的数量，给出一个通用的易于移植的KQI和KPI关联方法。

上述本发明实施例揭示的方法可以应用于处理器610中，或者由处理器610实现。处理器610可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器610中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器610可以是通用处理器、数字信号处理器(英文Digital Signal Processor，简称DSP)、专用集成电路(英文Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(英文Field Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存取存储器(英文RandomAccess Memory，简称RAM)、闪存、只读存储器(英文Read-Only Memory，简称ROM)、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器620，处理器610读取存储器620中的信息，结合其硬件完成上述方法的步骤，该总线系统630除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图中将各种总线都标为总线系统630。

可选地，作为另一实施例，KPI的取值类型包括数值型KPI和标称型KPI，数值型KPI的取值为一段区间内的数值，标称型KPI的取值包括多种类型值；处理器610根据预设阈值将所有样本数据的KQI分为第一KQI和第二KQI，其中，第一KQI的取值小于或等于预设阈值，第二KQI的取值大于预设阈值，并根据多个样本数据中目标KPI的取值类型分别与第一KQI和第二KQI的对应关系，确定通信网络的KQI和KPI的相关性。

可选地，作为另一实施例，处理器610在KPI为数值型KPI时，根据所有样本数据的目标KPI中与第一KQI对应的目标KPI的取值的平均值，和根据所有样本数据的目标KPI中与第二KQI对应的目标KPI的取值的的平均值确定目标KPI与KQI的相关性。

进一步地，作为另一实施例，处理器610在KPI为数值型KPI时，根据所有样本数据的目标KPI中与第一KQI对应的目标KPI的取值的平均值，与所有样本数据的目标KPI中与第二KQI对应的目标KPI的取值的的平均值的差值确定目标KPI与KQI的相关性，其中，差值越大表示目标KPI与KQI的相关性越大。

进一步地，处理器610还用于对目标KPI的取值进行数据抖动处理，其中，数据抖动处理包括在目标KPI的取值为整数时将目标KPI的取值加上预设范围内的随机常数，在目标KPI的取值为小数时，目标KPI的取值不变；对数据抖动处理后的目标KPI的取值进行分位数变换处理，以使得所有样本数据的目标KPI的取值映射到预设区间内，其中，每个样本数据的目标KPI在预设区间中具有一个映射值，其中，所有样本数据的目标KPI中与第一KQI对应的目标KPI的取值的平均值等于所有样本数据的目标KPI中与第一KQI对应的目标KPI的映射值的平均值，所有样本数据的目标KPI中与第二KQI对应的KPI的取值的的平均值等于所有样本数据的目标KPI中与第二KQI对应的目标KPI的映射值的平均值。

具体地，作为另一实施例处理器610根据以下公式将目标(数值型)KPI的取值进行数据抖动处理：

ε_i是预设范围内的随机常数，x_i为初始目标KPI的取值，x_i ^*为数据抖动处理后的目标KPI的取值。

其中，处理器610根据以下公式对抖动处理后的数值型KPI的取值进行分位数变换处理，以使得所有样本数据的数值型KPI的取值映射到预设区间内：

其中，预设区间为[1,0)，x_i映射为x_i ^*的映射值，x_j ^*为数据抖动处理后的目标KPI的取值，#{x_j ^*|x_j ^*＜x_i ^*}表示数据抖动处理后所有样本数据的目标KPI的取值中大于x_i ^*的个数，n为样本数据的个数。

可替代地，作为另一实施例，处理器610在目标KPI为标称型KPI时，根据所有样本数据中目标KPI的取值类型对应的KQI中的第一KQI的比例，和根据所有样本数据的KQI中第一KQI的比例确定目标KPI与KQI的相关性，其中，目标KPI的取值为多种类型值中的各个类型值。

进一步地，作为另一实施例，处理器610根据所有样本数据中目标KPI的取值对应的KQI中第一KQI的比例，和所有样本数据的KQI中第一KQI的比例的差值确定目标KPI与KQI的相关性。

具体地，作为另一实施例，处理器610根据以下公式确定目标KPI与KQI的相关性：

$\mathrm{Imp}=\frac{1}{\#\{h(n_s,\mathrm{\&delta;})>0\}+1}{\mathrm{\&Sigma;}}_{s\&Element;S}h(n_s,\mathrm{\&delta;}){|p_s-b|}^k$

其中，这里S表示目标KPI的取值的所有类型值；s为S中的一个类型值，n_s表示所有样本数据的KPI的取值为类型值s的样本数；

其中，表示所有样本数据的目标KPI的取值为类型值s中对应的KQI中第一KQI的比例，表示所有样本数据的KQI中第一KQI的比例，δ表示容错值常数，k为正数；h()为权重调整函数，当Imp为目标KPI与KQI的相关性的参考值，Imp越大表示目标KPI与KQI的相关性越大。

可替代地，作为另一实施例，目标KPI包括第一标称型KPI和第二标称型KPI，第一标称型KPI的取值包括M种类型值，第二标称型KPI的取值包括N种类型值，处理器610根据所有样本数据的第一标称型KPI的取值对应的KQI中第一KQI的比例，和根据在第二标称型KPI的N种类型值的第j类型值下的所有样本数据的第一标称型KPI的取值对应的KQI中第一KQI的比例，确定第一标称型KPI与第二标称型KPI的组合，与KQI的相关性，其中，第一标称型KPI的取值为M种类型值中的各个类型值。

具体地，作为另一实施例，处理器610根据以下公式确定第一标称型KPI与第二标称型KPI的组合，与KQI的相关性：

${\mathrm{Score}}_j=\frac{1}{\#\{h(n_m,\mathrm{\&delta;})>0\}+1}{\mathrm{\&Sigma;}}_{i=1}^M{|p_i-q_i|}^k$

其中，Score_j为第一标称型KPI与第二标称型KPI的组合，与KQI的相关性的参考值，Score_j越大表示第一标称型KPI与第二标称型KPI的组合与KQI的相关性越大，M表示第一标称型KPI的取值的M种类型值；m∈M为M个类型值中的第m类型值，n_m表示所有样本数据的目标KPI的取值为类型值m的样本数；δ表示容错值常数，k为正数；h()为权重调整函数，表示所有样本数据的第一标称型KPI的取值为类型值i中对应的KQI中第一KQI的比值，与所有样本数据的KQI中第一KQI的比值的差值，

$q_i=\frac{\#\{\mathrm{KQI}=0|{\mathrm{KPI}}_1=i,{\mathrm{KPI}}_2=j\}}{\#\{{\mathrm{KPI}}_1=i,{\mathrm{KPI}}_2=j\}}-\frac{\#\{\mathrm{KQI}=0|{\mathrm{KPI}}_2=j\}}{\#\{{\mathrm{KPI}}_2=j\}},i\&Element;\{\mathrm{1,2},...,M\}$

表示在第二标称型KPI的N种类型值的j类型值下的所有样本数据的第一标称型KPI的取值为M种类型值中的i类型值对应的KQI中第一KQI的比值，与所有样本数据的KQI中第一KQI的比值的差值。具体地，当KPI₂的状态j与KPI₁无关时，上述的Score_j值接近于0，Score_j的值越大，说明KPI₂的状态j与KPI₁之间存在相关性，说明在KPI₁与KPI₂的组合会对KQI产生不同于两个因素单纯叠加的作用。

表示容错值常数，为正数表示应注意，图6所示的通信网络中KQI与KPI相关性确定的设备与图5所示的通信网络中KQI与KPI相关性确定的设备相对应，能够实现图1至图4的方法的各个过程，图6所示的通信网络中KQI与KPI相关性确定的设备的功能可参见图1至图4的方法的相关描述，为避免重复，不再赘述。

应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本发明的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

另外，本文中术语“系统”和“网络”在本文中常被可互换使用。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

应理解，在本发明实施例中，“与A相应的B”表示B与A相关联，根据A可以确定B。但还应理解，根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其它信息确定B。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本发明可以用硬件实现，或固件实现，或它们的组合方式来实现。当使用软件实现时，可以将上述功能存储在计算机可读介质中或作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是计算机能够存取的任何可用介质。以此为例但不限于：计算机可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其他光盘存储、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质。此外。任何连接可以适当的成为计算机可读介质。例如，如果软件是使用同轴电缆、光纤光缆、双绞线、数字用户线(DSL)或者诸如红外线、无线电和微波之类的无线技术从网站、服务器或者其他远程源传输的，那么同轴电缆、光纤光缆、双绞线、DSL或者诸如红外线、无线和微波之类的无线技术包括在所属介质的定影中。如本发明所使用的，盘(Disk)和碟(disc)包括压缩光碟(CD)、激光碟、光碟、数字通用光碟(DVD)、软盘和蓝光光碟，其中盘通常磁性的复制数据，而碟则用激光来光学的复制数据。上面的组合也应当包括在计算机可读介质的保护范围之内。

总之，以上所述仅为本发明技术方案的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (20)

1.一种通信网络中关键质量指标KQI与关键性能指标KPI相关性确定的方法，其特征在于，包括：

获取多个样本数据，其中，所述多个样本数据中的第一样本数据包括所述通信网络中第一样本的KQI和对应所述KQI的目标KPI的取值，所述第一样本的KQI与所述目标KPI为同一时刻采集的，所述目标KPI为对应所述KQI的至少一种KPI中的一种，所述多个样本中的所有样本的KQI均为同一种KQI，所述所有样本中对应所述KQI的目标KPI均为同一种KPI；

根据所述多个样本数据中所有样本的KQI和对应所述KQI的目标KPI的取值，确定所述通信网络的所述KQI和所述目标KPI的相关性。

2.根据权利要求1所述的方法，其特征在于，KPI的取值类型包括数值型KPI和标称型KPI，所述数值型KPI的取值为一段区间内的数值，所述标称型KPI的取值包括多种类型值，所述根据所述多个样本数据中所有样本的KQI和对应所述KQI的目标KPI的取值，确定所述通信网络的所述KQI和所述目标KPI的相关性，包括：

根据预设阈值将所有样本数据的所述KQI分为第一KQI和第二KQI，其中，所述第一KQI的取值小于或等于所述预设阈值，所述第二KQI的取值大于所述预设阈值；

根据所述多个样本数据中所述目标KPI的取值类型分别与所述第一KQI和所述第二KQI的对应关系，确定所述通信网络的所述KQI和所述目标KPI的相关性。

3.根据权利要求2所述的方法，其特征在于，所述根据所述多个样本数据中所述目标KPI的取值类型分别与所述第一KQI和所述第二KQI的对应关系，确定所述通信网络的所述KQI和所述目标KPI的相关性，包括：

在所述目标KPI为数值型KPI时，根据所有样本数据的所述目标KPI中与所述第一KQI对应的目标KPI的取值的平均值，和根据所有样本数据的所述目标KPI中与所述第二KQI对应的目标KPI的取值的的平均值确定所述目标KPI与所述KQI的相关性。

4.根据权利要求3所述的方法，其特征在于，所述在所述目标KPI为数值型KPI时，根据所有样本数据的所述目标KPI中与所述第一KQI对应的目标KPI的取值的平均值，和根据所有样本数据的所述目标KPI中与所述第二KQI对应的目标KPI的取值的的平均值确定所述目标KPI与所述KQI的相关性，包括：

根据所有样本数据的所述目标KPI中与所述第一KQI对应的目标KPI的取值的平均值，与所有样本数据的所述目标KPI中与所述第二KQI对应的目标KPI的取值的的平均值的差值确定所述目标KPI与所述KQI的相关性，其中，所述差值越大表示所述目标KPI与所述KQI的相关性越大。

5.根据权利要求4所述的方法，其特征在于，在所述根据所有样本数据的所述目标KPI中与所述第一KQI对应的目标KPI的取值的平均值，与所有样本数据的所述目标KPI中与所述第二KQI对应的目标KPI的取值的的平均值的差值确定所述目标KPI与所述KQI的相关性之前，所述根据所述多个样本数据中所述目标KPI的取值类型分别与所述第一KQI和所述第二KQI的对应关系，确定所述通信网络的KQI和所述目标KPI的相关性，还包括：

对所述目标KPI的取值进行数据抖动处理，其中，所述数据抖动处理包括在所述目标KPI的取值为整数时将所述目标KPI的取值加上预设范围内的随机常数，在所述目标KPI的取值为小数时，所述目标KPI的取值不变；

对数据抖动处理后的目标KPI的取值进行分位数变换处理，以使得所有样本数据的目标KPI的取值映射到预设区间内，其中，每个样本数据的目标KPI在所述预设区间中具有一个映射值，

其中，所有样本数据的所述目标KPI中与所述第一KQI对应的目标KPI的取值的平均值等于所有样本数据的所述目标KPI中与所述第一KQI对应的目标KPI的映射值的平均值，所有样本数据的所述目标KPI中与所述第二KQI对应的目标KPI的取值的的平均值等于所述所有样本数据的所述目标KPI中与所述第二KQI对应的目标KPI的映射值的平均值。

6.根据权利要求5所述的方法，其特征在于，

所述对数据抖动处理后的目标KPI的取值进行分位数变换处理，以使得所有样本数据的目标KPI的取值映射到预设区间内，包括：

根据以下公式对抖动处理后的目标KPI的取值进行分位数变换处理，以使得所有样本数据的目标KPI的取值映射到预设区间内：

其中，所述预设区间为[1,0)，x_i映射为x_i ^*的映射值，x_j ^*为数据抖动处理后的目标KPI的取值，#{x_j ^*|x_j ^*＜x_i ^*}表示数据抖动处理后所有样本数据的目标KPI的取值中大于x_i ^*的个数，n为所述样本数据的个数。

7.根据权利要求2所述的方法，其特征在于，所述根据所述多个样本数据中所述目标KPI的取值类型分别与所述第一KQI和所述第二KQI的对应关系，确定所述通信网络的所述KQI和所述KPI的相关性，包括：

在所述目标KPI为标称型KPI时，根据所有样本数据中所述目标KPI的取值类型对应的KQI中的第一KQI的比例，和根据所有样本数据的KQI中所述第一KQI的比例确定所述目标KPI与所述KQI的相关性，其中，所述目标KPI的取值为所述多种类型值中的各个类型值。

8.根据权利要求7所述的方法，其特征在于，所述根据所有样本数据中所述目标KPI的取值对应的KQI中的第一KQI的比例，和根据所有样本数据的KQI中所述第一KQI的比例确定所述目标KPI与所述KQI的相关性，包括：

根据所有样本数据中所述目标KPI的取值对应的KQI中第一KQI的比例，和所有样本数据的KQI中所述第一KQI的比例的差值确定所述目标KPI与所述KQI的相关性。

9.根据权利要求8所述的方法，其特征在于，所述根据所有样本数据中所述目标KPI的取值对应的KQI中第一KQI的比例，和所有样本数据的KQI中所述第一KQI的比例的差值确定所述目标KPI与所述KQI的相关性，包括根据以下公式确定所述目标KPI与所述KQI的相关性：

$\mathrm{Imp}=\frac{1}{\#\{h(n_s,\mathrm{\&delta;})>0\}+1}{\mathrm{\&Sigma;}}_{s\&Element;S}h(n_s,\mathrm{\&delta;}){|p_s-b|}^k$

其中，这里S表示所述目标KPI的取值的所有类型值；s为S中的一个类型值，n_s表示所有样本数据的KPI的取值为类型值s的样本数；

其中，表示所有样本数据的目标KPI的取值为类型值s中对应的KQI中第一KQI的比例，表示所有样本数据的KQI中所述第一KQI的比例，δ表示容错值常数，k为正数；h()为权重调整函数，当所述Imp为所述目标KPI与所述KQI的相关性的参考值，Imp越大表示所述目标KPI与所述KQI的相关性越大。

10.根据权利要求2所述的方法，其特征在于，所述目标KPI包括第一标称型KPI和第二标称型KPI，所述第一标称型KPI的取值包括M种类型值，所述第二标称型KPI的取值包括N种类型值，

所述根据所述多个样本数据中KPI的取值类型分别与所述第一KQI和所述第二KQI的对应关系，确定所述通信网络的所述KQI和所述目标KPI的相关性，包括：

根据所有样本数据的第一标称型KPI的取值对应的KQI中第一KQI的比例，和根据在第二标称型KPI的N种类型值的第j类型值下的所有样本数据的第一标称型KPI的取值对应的KQI中第一KQI的比例，确定所述第一标称型KPI与所述第二标称型KPI的组合，与所述KQI的相关性，其中，第一标称型KPI的取值为所述M种类型值中的各个类型值。

11.一种通信网络中KQI与KPI相关性确定的设备，其特征在于，包括：

获取单元，用于获取多个样本数据，其中，所述多个样本数据中的第一样本数据包括所述通信网络中第一样本的KQI和对应所述KQI的目标KPI的取值，所述第一样本的KQI与所述目标KPI为同一时刻采集的，所述目标KPI为对应所述KQI的至少一种KPI中的一种，所述多个样本中的所有样本的KQI均为同一种KQI，所述所有样本中对应所述KQI的目标KPI均为同一种KPI；

确定单元，用于根据所述多个样本数据中所有样本的KQI和对应所述KQI的目标KPI的取值，确定所述通信网络的所述KQI和所述目标KPI的相关性。

12.根据权利要求11所述的设备，其特征在于，KPI的取值类型包括数值型KPI和标称型KPI，所述数值型KPI的取值为一段区间内的数值，所述标称型KPI的取值包括多种类型值；

所述确定单元根据预设阈值将所有样本数据的所述KQI分为第一KQI和第二KQI，其中，所述第一KQI的取值小于或等于所述预设阈值，所述第二KQI的取值大于所述预设阈值，并根据所述多个样本数据中所述目标KPI的取值类型分别与所述第一KQI和第二KQI的对应关系，确定所述通信网络的所述KQI和所述目标KPI的相关性。

13.根据权利要求12所述的设备，其特征在于，所述确定单元在所述目标KPI为数值型KPI时，根据所有样本数据的所述目标KPI中与所述第一KQI对应的目标KPI的取值的平均值，和根据所有样本数据的所述目标KPI中与所述第二KQI对应的目标KPI的取值的的平均值确定所述目标KPI与所述KQI的相关性。

14.根据权利要求13所述的设备，其特征在于，所述确定单元在所述目标KPI为目标KPI时，根据所有样本数据的所述目标KPI中与所述第一KQI对应的目标KPI的取值的平均值，与所有样本数据的所述目标KPI中与所述第二KQI对应的目标KPI的取值的的平均值的差值确定所述目标KPI与所述KQI的相关性，其中，所述差值越大表示所述目标KPI与所述KQI的相关性越大。

15.根据权利要求14所述的设备，其特征在于，所述确定单元还用于对所述目标KPI的取值进行数据抖动处理，其中，所述数据抖动处理包括在所述目标KPI的取值为整数时将所述目标KPI的取值加上预设范围内的随机常数，在所述目标KPI的取值为小数时，所述目标KPI的取值不变；对数据抖动处理后的目标KPI的取值进行分位数变换处理，以使得所有样本数据的目标KPI的取值映射到预设区间内，其中，每个样本数据的目标KPI在所述预设区间中具有一个映射值，

其中，所有样本数据的所述目标KPI中与所述第一KQI对应的目标KPI的取值的平均值等于所有样本数据的所述目标KPI中与所述第一KQI对应的目标KPI的映射值的平均值，所有样本数据的所述目标KPI中与所述第二KQI对应的KPI的取值的的平均值等于所述所有样本数据的所述目标KPI中与所述第二KQI对应的目标KPI的映射值的平均值。

16.根据权利要求15所述的设备，其特征在于，

所述对数据抖动处理后的目标KPI的取值进行分位数变换处理，以使得所有样本数据的目标KPI的取值映射到预设区间内，包括：

根据以下公式对抖动处理后的目标KPI的取值进行分位数变换处理，以使得所有样本数据的目标KPI的取值映射到预设区间内：

其中，所述预设区间为[1,0)，x_i映射为x_i ^*的映射值，x_j ^*为数据抖动处理后的目标KPI的取值，#{x_j ^*|x_j ^*＜x_i ^*}表示数据抖动处理后所有样本数据的目标KPI的取值中大于x_i ^*的个数，n为所述样本数据的个数。

17.根据权利要求12所述的设备，其特征在于，所述确定单元在所述目标KPI为标称型KPI时，根据所有样本数据中所述目标KPI的取值类型对应的KQI中的第一KQI的比例，和根据所有样本数据的KQI中所述第一KQI的比例确定所述目标KPI与所述KQI的相关性，其中，所述目标KPI的取值为所述多种类型值中的各个类型值。

18.根据权利要求17所述的设备，其特征在于，所述确定单元根据所有样本数据中所述目标KPI的取值对应的KQI中第一KQI的比例，和所有样本数据的KQI中所述第一KQI的比例的差值确定所述目标KPI与所述KQI的相关性。

19.根据权利要求18所述的设备，其特征在于，所述确定单元根据以下公式确定所述目标KPI与所述KQI的相关性：

$\mathrm{Imp}=\frac{1}{\#\{h(n_s,\mathrm{\&delta;})>0\}+1}{\mathrm{\&Sigma;}}_{s\&Element;S}h(n_s,\mathrm{\&delta;}){|p_s-b|}^k$

其中，这里S表示所述目标KPI的取值的所有类型值；s为S中的一个类型值，n_s表示所有样本数据的KPI的取值为类型值s的样本数；

其中，表示所有样本数据的目标KPI的取值为类型值s中对应的KQI中第一KQI的比例，表示所有样本数据的KQI中所述第一KQI的比例，δ表示容错值常数，k为正数；h()为权重调整函数，当所述Imp为所述目标KPI与所述KQI的相关性的参考值，Imp越大表示所述目标KPI与所述KQI的相关性越大。

20.根据权利要求12所述的设备，其特征在于，所述目标KPI包括第一标称型KPI和第二标称型KPI，所述第一标称型KPI的取值包括M种类型值，所述第二标称型KPI的取值包括N种类型值，

所述确定单元根据所有样本数据的第一标称型KPI的取值对应的KQI中第一KQI的比例，和根据在第二标称型KPI的N种类型值的第j类型值下的所有样本数据的第一标称型KPI的取值对应的KQI中第一KQI的比例，确定所述第一标称型KPI与所述第二标称型KPI的组合，与所述KQI的相关性，其中，第一标称型KPI的取值为所述M种类型值中的各个类型值。