CN106341837A - 一种质差话务比例值预测方法及装置 - Google Patents
一种质差话务比例值预测方法及装置 Download PDFInfo
- Publication number
- CN106341837A CN106341837A CN201510424524.8A CN201510424524A CN106341837A CN 106341837 A CN106341837 A CN 106341837A CN 201510424524 A CN201510424524 A CN 201510424524A CN 106341837 A CN106341837 A CN 106341837A
- Authority
- CN
- China
- Prior art keywords
- data
- value
- network model
- neural network
- input
- 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.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种质差话务比例值预测方法及装置,涉及无线技术领域,所述方法包括:获取用于预测待预测区域内的质差话务比例值的多个输入变量的第一数据;对多个输入变量的第一数据进行预处理,获得建立神经网络模型的输入样本数据;根据所述输入样本数据,获得神经网络模型的隐层输出数据;根据所述隐层输出数据,获得神经网络模型输出的质差话务比例预测值。本发明提供的质差话务比例预测方法利用神经网络模型对质差话务比例进行预测,预测精度高,而且预测方法比较科学。
Description
技术领域
本发明涉及无线技术领域,尤其涉及一种质差话务比例值预测方法及装置。
背景技术
影响GSM网络质差话务比例的因素多且复杂,且质差话务比例并非是多种因素简单叠加影响的结果,而是多种因素交叉影响的结果,其影响因素与质差话务比例之间存在复杂的数学关系。若通过传统的人为分析统计建模方法进行分析,不仅工作量大,而且难以预测准确。
发明内容
本发明实施例所要解决的技术问题在于提供一种质差话务比例值预测方法及装置,通过神经网络模型预测质差话务比例值。
为了解决上述技术问题,本发明采用如下技术方案:
依据本发明实施例的一个方面,提供了一种质差话务比例值预测方法,包括:
获取用于预测待预测区域内的质差话务比例值的多个输入变量的第一数据;
对多个输入变量的第一数据进行预处理,获得建立神经网络模型的输入样本数据;
根据所述输入样本数据,获得神经网络模型的隐层输出数据;
根据所述隐层输出数据,获得神经网络模型输出的质差话务比例预测值。
进一步的,在所述获取用于预测待预测区域内的质差话务比例值的多个输入变量的第一数据的步骤之前,所述方法还包括:
确定用于预测质差话务比例值的多个输入变量。
进一步的,所述确定用于预测质差话务比例值的多个输入变量的步骤包括:
确定新建宏站覆盖的总小区数,新建室分覆盖的总小区数,停用基站原覆盖的总小区数、进行天线调整的总小区数、基站平均功率利用率、话务量、数据业务流量、基站平均载波配置数、信源所带直放站的总设备台数、基站平均互调干扰值、私装直放站的总设备台数、电信运营商布置的总小区数、屏蔽器的数量、发生主设备故障的总小区数、发生天馈线故障的天线数量以及发生直放站故障的总设备台数为输入变量。
进一步的,所述获取用于预测待预测区域内的质差话务比例值的多个输入变量的第一数据的步骤包括:
获取待预测区域预定时间段内的新建宏站覆盖的总小区数,新建室分覆盖的总小区数,停用基站原覆盖的总小区数、进行天线调整的总小区数、基站平均功率利用率值、话务量值、数据业务流量值、基站平均载波配置数、信源所带直放站的总设备台数、基站平均互调干扰值、私装直放站的总设备台数、电信运营商布置的总小区数、屏蔽器的数量、发生主设备故障的总小区数、发生天馈线故障的天线数量以及发生直放站故障的总设备台数。
进一步的,对多个输入变量的第一数据进行预处理,获得建立神经网络模型的输入样本数据的步骤包括:
对多个输入变量的第一数据进行归一化处理,获得建立神经网络模型的输入样本数据。
进一步的,对多个输入变量的第一数据进行归一化处理,获得建立神经网络模型的输入样本数据的步骤包括:
分别对获取到的待预测区域预定时间段内新建室分覆盖的总小区数,停用基站原覆盖的总小区数、进行天线调整的总小区数、基站平均功率利用率值、话务量值、数据业务流量值、基站平均载波配置数、信源所带直放站的总设备台数、基站平均互调干扰值、私装直放站的总设备台数、电信运营商布置的总小区数、屏蔽器的数量、发生主设备故障的总小区数、发生天馈线故障的天线数量以及发生直放站故障的总设备台数进行归一化处理,得建立神经网络模型的输入样本数据。
进一步的,所述对多个输入变量的第一数据进行归一化处理,获得建立神经网络模型的输入样本数据的步骤包括:
利用公式:对多个输入变量的第一数据进行归一化处理,获得建立神经网络模型的输入样本数据;
其中,y为归一化后的数值,x为一输入变量的数据中的任一数据值,xmin为一输入变量的数据中的最小值,xmax为一输入变量的数据中的最大值。
进一步的,所述根据所述输入样本数据,获得神经网络模型的隐层输出数据的步骤包括:
根据所述输入样本数据,获得三层BP神经网络模型的隐层输出数据,其中,所述三层BP神经网络模型包括:输入层、隐层和输出层。
进一步的,根据所述输入样本数据,获得三层BP神经网络模型的隐层输出数据的步骤包括:
根据所述输入样本数据构成的输入向量:X=(x1,x2,…,xi,…xn)T,获得三层BP神经网络模型的隐层输出向量:Y=(y1,y2,…,yj,…ym)T,y1,y2,…,yj,…ym为隐层输出数据;
其中,x1~xn为分别多个输入变量的第一数据归一化后的数值,输入向量到隐层输出向量之间的权值矩阵用V表示,V=(V1,V2,…,Vj,…Vm),其中,Vj为隐层第j个神经元对应的权值;
其中,yj=f(netj),j=1,2,…,m;
f(x)为双曲正切或者Sigmoid函数;
j=1,2,…,m,netj为隐层第j个神经元的输入值,隐层第j个神经元的输入值为输入向量中的每个元素与第j个神经元对应的权值Vj的乘积之和。
进一步的,根据所述隐层输出数据,获得神经网络模型的质差话务比例预测值的步骤包括:
根据所述隐层输出向量,获得三层BP神经网络模型输出的质差话务比例预测值的输出向量:O=(o1,o2,…,ok,…ol)T;
其中,o1,o2,…,ok,…ol为神经网络模型输入L个输入向量时对应每个输入向量而输出的质差话务比例预测值;
其中,隐层输出向量到神经网络模型输出的质差话务比例预测值的输出向量之间的权值矩阵用W表示,W=(W1,W2,…,Wk,…Wl),其中,Wk为输出层第k个神经元对应的权值;
其中,ok=g(netk),k=1,2,…,l;
g(x)为恒等、softmax、双曲正切或sigmoid函数;
k=1,2,…,l,netk为输出层第k个神经元的输入值,输出层第k个神经元的输入值为隐层输出向量中的每个元素与第k个神经元对应的权值Wk的乘积之和。
进一步的,获得神经网络模型输出的质差话务比例预测值之后,所述方法还包括:
若所述神经网络模型输出的质差话务比例预测值落入预设的第一范围内,则认为质差话务比例值预测准确。
进一步的,所述获得神经网络模型输出的质差话务比例预测值之后,所述方法还包括:
获取用于预测待预测区域的质差话务比例值的多个输入变量的第二数据;
将所述第二数据进行预处理后,作为验证神经网络模型预测是否准确的验证输入样本数据;
将所述验证输入样本数据输入神经网络模型中,若获得神经网络模型输出值落入预设的第二范围内,则认为质差话务比例值预测准确。
依据本发明实施例的另一个方面,提供了一种质差话务比例值预测装置,所述装置包括:
第一获取模块,用于获取用于预测待预测区域内的质差话务比例值的多个输入变量的第一数据;
第二获取模块,用于对输入变量的第一数据进行预处理,获得建立神经网络模型的输入样本数据;
第三获取模块,用于根据所述输入样本数据,获得神经网络模型的隐层输出数据;
第四获取模块,用于根据所述隐层输出数据,获得神经网络模型输出的质差话务比例预测值。
进一步的,所述装置还包括:确定模块,用于确定用于预测质差话务比例值的多个输入变量。
本发明的有益效果是:
本发明实施例提供的质差话务比例预测方法,利用神经网络模型对质差话务比例值进行预测,该方法可以以任意精度逼近任何非线性函数,适合交叉影响复杂因素建模工作,与传统的人为分析统计建模方法相比,不仅预测精度高,而且预测方法科学。此外,该方法能够很好的描述质差话务比例与各个影响因素之间的关系,能够相对准确的预测质差话务比例值的浮动趋势,为质差分析优化工作提供有力的引导。
附图说明
图1表示本发明实施例提供的质差话务比例预测方法的流程图;
图2表示本发明实施例提供的输入变量分析图;
图3表示本发明实施例提供的三层BP神经网络模型结构示意图;
图4表示本发明实施例提供的预测值准确性判断实施例示意图;
图5表示本发明实施例提供的以新鲜样本集验证神经网络模型预测准确性的方法流程图;
图6表示本发明实施例提供的质差话务比例预测装置的框图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
依据本发明实施例的一个方面,提供了一种质差话务比例值预测方法,如图1所示,所述方法包括:
S101、获取用于预测待预测区域内的质差话务比例值的多个输入变量的第一数据。
S102、对多个输入变量的第一数据进行预处理,获得建立神经网络模型的输入样本数据。
S103、根据所述输入样本数据,获得神经网络模型的隐层输出数据。
S104、根据所述隐层输出数据,获得神经网络模型输出的质差话务比例预测值。
本发明实施例提供的质差话务比例预测方法,利用神经网络模型对质差话务比例值进行预测。该方法首先需要确定输入变量,并获取输入变量的数据,其中,将对质差话务比例影响较大且能够检测或易于数据提取的因素作为输入变量。对输入变量进行数据提取后,还要对输入变量的数据进行预处理,将数据按比例缩放,使之落入一个小的特定区间,去除数据的单位限制,将其转化为无量纲的纯数值,便于不同单位或量级的输入变量的数据能够进行比较和加权。进行预处理后的数据会作为神经网络模型的输入样本数据,最后,根据相关算法得到所需的质差话务比例预测值。
其中,神经网络模型是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习系统。神经网络模型具有大规模并行、分布式存储和处理、自组织、自适应和自学能力,特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。上述方法利用神经网络模型的这些功能,建立质差话务比例值预测模型,很好的描述了质差话务比例值与各个输入变量之间的关系,相对准确的预测了质差话务比例值的浮动趋势,为质差分析优化工作提供有力的引导。
另外,神经网络模型输入与输出变量的选择是模型设计与训练的基础,数据选择的合理性对模型设计精度与准确性十分重要。输出变量的选择相对容易,是一个或多个预测变量的值,在本发明实施例中,输出变量为质差话务比例预测值。而输入变量必须选择那些对输出影响大且能够检测或提取的变量,此外还要求各输入变量之间互不相关或相关性很小,使其具有能用期望精度的数学函数来拟合输入输出之间的映射关系。
因此,在步骤101之前,所述方法还包括:确定用于预测质差话务比例值的多个输入变量。
在选择输入变量时,首先确定对质差话务比例有影响的因素,然后对每个因素进行逐一分析,选出适宜的影响因素作为输入变量。为了对上述描述的进一步理解,下面将详细说明:
根据相关协议规定,通话质量RXQUAL与载干比C/I关系对照表如表1所示。其中,C/I低是产生通话质量差的根本原因。目前定义RXQUAL=6或RXQUAL=7时属于高质差,因此,当C/I<9时,满足不了用户正常通话。
表1.通话质量与C/I关系对照表
根据C/I的定义,当有用信号C过小或者噪声I过大时将产生质差,而造成有用信号C过小的主要原因是弱覆盖,造成噪声I过大的主要原因是干扰,此外,基站硬件故障也会引起质差,因此,本发明实施例中,主要针对这三类影响因素进行分析,深入挖掘、细化每类影响因素,逐一筛选出作为预测质差话务比例建模的输入变量。如图2所示,在本发明实施例中,确定图2中的末端影响因素为预测质差话务比例值的神经网络模型的输入变量。
其中,根据对弱覆盖影响因素的分析结果,确定新建宏站覆盖的总小区数,新建室分覆盖的总小区数,停用基站原覆盖的总小区数、进行天线调整的总小区数、基站平均功率利用率、话务量、数据业务流量、基站平均载波配置数、信源所带直放站的总设备台数、基站平均互调干扰值、私装直放站的总设备台数、电信运营商布置的总小区数、屏蔽器的数量、发生主设备故障的总小区数、发生天馈线故障的天线数量以及发生直放站故障的总设备台数为输入变量。
相应的,步骤1S02具体为:
获取待预测区域预定时间段内的新建宏站覆盖的总小区数,新建室分覆盖的总小区数,停用基站原覆盖的总小区数、进行天线调整的总小区数、基站平均功率利用率值、话务量值、数据业务流量值、基站平均载波配置数、信源所带直放站的总设备台数、基站平均互调干扰值、私装直放站的总设备台数、电信运营商布置的总小区数、屏蔽器的数量、发生主设备故障的总小区数、发生天馈线故障的天线数量以及发生直放站故障的总设备台数。
在本发明实施例中,以栅格为分析单位,所要预测的质差话务比例,为待分析栅格区域内的质差话务比;以一预定时间段为周期,获取待分析栅格内输入变量的数据。对于上述输入变量则分别周期性的统计待分析栅格内新建宏站覆盖的总小区数,新建室分覆盖的总小区数,停用基站原覆盖的总小区数、进行天线调整的总小区数、基站平均功率利用率值、话务量值、数据业务流量值、基站平均载波配置数、信源所带直放站的总设备台数、基站平均互调干扰值、私装直放站的总设备台数、电信运营商布置的总小区数(对应CDMA拖尾)、屏蔽器的数量、发生主设备故障的总小区数、发生天馈线故障的天线数量以及发生直放站故障的总设备台数。
进一步的,所述步骤S102具体包括:对多个输入变量的第一数据进行归一化处理,获得建立神经网络模型的输入样本数据。
对多个输入变量的第一数据进行归一化处理具体为:分别对获取到的待预测区域预定时间段内新建室分覆盖的总小区数,停用基站原覆盖的总小区数、进行天线调整的总小区数、基站平均功率利用率值、话务量值、数据业务流量值、基站平均载波配置数、信源所带直放站的总设备台数、基站平均互调干扰值、私装直放站的总设备台数、电信运营商布置的总小区数、屏蔽器的数量、发生主设备故障的总小区数、发生天馈线故障的天线数量以及发生直放站故障的总设备台数进行归一化处理。
其中,数据归一化所采用的计算公式为:
其中,y为归一化后的数值,x为一输入变量的数据中的任一数据值,xmin为一输入变量的数据中的最小值,xmax为一输入变量的数据中的最大值。一般情况下,归一化后的数值均落在[0,1]区间内。
其中,数据归一化是将数据按比例缩放,使之落入一个小的特定区间,去除数据的单位限制,将其转化为无量纲的纯数值,而进行数据归一化的原因主要是:
1、神经网络模型的输入数据具有不同的物理意义和量纲,数据归一化可消除量纲的影响,使神经网络模型的输入与输出变量处于同样重要的地位,而输入变量之间的重要性则由神经网络模型自行计算确定。
2、神经网络模型的转移函数均采用softmax、双曲正切或sigmoid函数,其取值范围在[-1,1]之间,输入数据归一化处理可防止因输入饱和而使得神经网络模型的泛化能力下降。
进一步的,所述步骤S103具体包括:根据所述输入样本数据,获得三层BP神经网络模型的隐层输出数据,其中,所述三层BP神经网络模型包括:输入层、隐层和输出层。对于话务质差比例预测问题,可以看做是影响因素到质差话务比例值之间的非线性映射。由于一个3层BP神经网络模型可以以任意精度去逼近任意映射关系,因此,本发明实施例采用3层BP神经网络模型。
其中,如图3所示,所述根据所述输入样本数据,获得三层BP神经网络模型的隐层输出数据的具体实现方式为:
根据所述输入样本数据构成的输入向量:X=(x1,x2,…,xi,…xn)T,获得三层BP神经网络模型的隐层输出向量:Y=(y1,y2,…,yj,…ym)T,y1,y2,…,yj,…ym为隐层输出数据。其中,输入向量中的每一个元素代表一种输入变量的归一化后的数据。
其中,x1~xn为分别多个输入变量的第一数据归一化后的数值,例如x1为选取待预测区域预定时间段内统计得到的新宏站覆盖的总小区数归一化后的数值,若预定时间段内统计得到的新建宏站覆盖的总小数为多个数值,则x1选取多个数值归一化后的其中一个数值,对于x2~xn,与x1类似,这里不再进行赘述。输入向量到隐层输出向量之间的权值矩阵用V表示,V=(V1,V2,…,Vj,…Vm),Vj为隐层第j个神经元对应的权值;
其中,yj=f(netj),j=1,2,…,m;
f(x)为双曲正切或者Sigmoid函数;
j=1,2,…,m,netj为隐层第j个神经元的输入值,隐层第j个神经元的输入值为输入向量中的每个元素与第j个神经元对应的权值Vj的乘积之和。
其中,由于针对不同的应用应采用不同的神经网络模型,因此模型选择的任务是根据给定数据建立一个具有最优复杂度的模型。神经网络模型设计时,一般先考虑设置一个隐层,采用试凑法逐渐增加隐层节点数,直至掌握已有数据内在规律并对能对新的数据作出准确预测。当设置一个隐层无法使神经网络模型做出较好的预测时,才考虑再增加一个隐层。
而隐层中的隐节点(即隐层神经元)的作用是从输入样本数据中提取并存储其内在的规律,隐节点数量太少,神经网络模型从样本数据中获取信息的能力就差,不足以概括和体现训练集中的样本规律;隐节点数量太多,又可能把样本数据中非规律性的内容也牢牢记住,出现过度拟合问题,反而降低了神经网络模型的泛化能力。隐含节点数的选择是神经网络模型设计较为关键的一步,其直接关系到网络的复杂程度与泛化能力。采用试凑法确定最佳隐节点数,用输入样本数据进行训练,从中确定网络误差最小时的隐节点数为12。
进一步的,如图3所示,所述步骤S104具体包括:
根据所述隐层输出向量,获得三层BP神经网络模型输出的质差话务比例预测值的输出向量:O=(o1,o2,…,ok,…ol)T,其中,o1,o2,…,ok,…ol为神经网络模型输入L个输入向量时对应每个输入向量而输出的质差话务比例预测值,例如,o1为X1=(x1,x2,…,xi,…xn)T输入到神经网络模型后对应输出值,为一个质差话务比例预测值,对于o2~ol与o1类似,这里不再进行赘述。在本发明实施例中,由于已确定输出变量为待预测的质差话务比例,因此,当只输入一个输入向量时,神经网络模型输出层的输出向量中只包含一个元素。
其中,隐层输出向量到神经网络模型输出的质差话务比例预测值的输出向量之间的权值矩阵用W表示,W=(W1,W2,…,Wk,…Wl),其中,Wk为输出层第k个神经元对应的权值。
其中,ok=g(netk),k=1,2,…,l;
g(x)为恒等、softmax、双曲正切或sigmoid函数;
k=1,2,…,l,netk为输出层第k个神经元的输入值,输出层第k个神经元的输入值为隐层输出向量中的每个元素与第k个神经元对应的权值Wk的乘积之和。
进一步的,如图1所示,在所述步骤S104之后,所述方法还包括:
S105、若所述神经网络模型输出的质差话务比例预测值落入一预设范围,则认为质差话务比例值预测准确。
当神经网络模型完成一次对质差话务比例的预测后,需判断该神经网络模型是否预测准确,若预测不准确,还需对神经网络模型进行进一步的学习和训练或是对神经网络模型进行调整,例如调整隐层的隐节电数等,直到达到预期目标。在本发明实施例中,判断神经网络模型是否预测准确的方法为:若质差话务比例预测值落入一预设范围,则认为质差话务比例值预测准确。
在本发明实施例中,优选质差话务比例预测值落入真实值正态分布区间(μ-1.96σ,μ+1.96σ)范围内,则认为预测准确,其准确性为91.2%。
除此之外,如图4所示,还可根据每次的预测值及其对应的真实值建立直角坐标系,坐标点越靠近第一象限的x=y直线附近,说明预测值与真实值之间的误差越小,即预测的越准确。
进一步的,如图5所示,在所述步骤S104之后,所述方法还包括:
S501、获取用于预测质差话务比例值的输入变量的第二数据;
S502、将所述第二数据进行预处理后,作为验证神经网络模型预测是否准确的验证输入样本数据;
S503、将所述验证输入样本数据输入神经网络模型中,若获得神经网络模型输出值落入预设的第二范围内,则认为质差话务比例值预测准确。
神经网络模型设计完成后,经训练与学习后的预测模型是否能对未在训练集中出现的样本数据做出正确反映的能力是评判神经网络模型性能好坏的唯一标准。而对神经网络模型性能好坏的检测要用训练样本集以外的数据,即新鲜样本集(即验证输入样本数据),如果神经网络通过对已有样本学习后能够对新的样本集做出准确预测,说明模型泛化能力较强,达到模型与预期效果。
依据本发明实施例的另一个方面,提供了一种质差话务比例值预测装置,如图6所示,所述装置包括:
第一获取模块601,用于获取用于预测待预测区域内的话务质差比例值的多个输入变量的数据;
第二获取模块602,用于对输入变量的数据进行预处理,获得建立神经网络模型的输入样本数据;
第三获取模块603,用于根据所述输入样本数据,获得神经网络模型的隐层输出数据;
第四获取模块604,用于根据所述隐层输出数据,获得神经网络模型的话务质差比例值预测输出值。
进一步的,所述质差话务比例值预测装置还包括:确定模块605,用于确定用于预测质差话务比例值的多个输入变量。
进一步的,所述确定模块605具体用于确定新建宏站覆盖的总小区数,新建室分覆盖的总小区数,停用基站原覆盖的总小区数、进行天线调整的总小区数、基站平均功率利用率、话务量、数据业务流量、基站平均载波配置数、信源所带直放站的总设备台数、基站平均互调干扰值、私装直放站的总设备台数、电信运营商布置的总小区数、屏蔽器的数量、发生主设备故障的总小区数、发生天馈线故障的天线数量以及发生直放站故障的总设备台数为输入变量。
进一步的,所述第一获取模块601具体用于获取待预测区域预定时间段内的新建宏站覆盖的总小区数,新建室分覆盖的总小区数,停用基站原覆盖的总小区数、进行天线调整的总小区数、基站平均功率利用率值、话务量值、数据业务流量值、基站平均载波配置数、信源所带直放站的总设备台数、基站平均互调干扰值、私装直放站的总设备台数、电信运营商布置的总小区数、屏蔽器的数量、发生主设备故障的总小区数、发生天馈线故障的天线数量以及发生直放站故障的总设备台数。
进一步的,所述第二获取模块602具体用于对多个输入变量的第一数据进行归一化处理,获得建立神经网络模型的输入样本数据。
进一步的,所述第二获取模块602更具体用于分别对获取到的待预测区域预定时间段内新建宏站覆盖的总小区数,新建室分覆盖的总小区数,停用基站原覆盖的总小区数、进行天线调整的总小区数、基站平均功率利用率值、话务量值、数据业务流量值、基站平均载波配置数、信源所带直放站的总设备台数、基站平均互调干扰值、私装直放站的总设备台数、电信运营商布置的总小区数、屏蔽器的数量、发生主设备故障的总小区数、发生天馈线故障的天线数量以及发生直放站故障的总设备台数进行归一化处理,得建立神经网络模型的输入样本数据。
进一步的,所述第二获取模块602对输入变量的数据进行归一化处理,获得建立神经网络模型的输入样本数据的具体实现方式为:
利用公式:对多个输入变量的第一数据进行归一化处理,获得建立神经网络模型的输入样本数据;
其中,y为归一化后的数值,x为一输入变量的数据中的任一数据值,xmin为一输入变量的数据中的最小值,xmax为一输入变量的数据中的最大值。
进一步的,所述第三获取模块603具体用于:
根据所述输入样本数据,获得三层BP神经网络模型的隐层输出数据,其中,所述三层BP神经网络模型包括:输入层、隐层和输出层。
进一步的,所述第三获取模块603根据所述输入样本数据,获得三层BP神经网络模型的隐层输出数据的具体实现方式为:
根据所述输入样本数据构成的输入向量:X=(x1,x2,…,xi,…xn)T,获得三层BP神经网络模型的隐层输出向量:Y=(y1,y2,…,yj,…ym)T,y1,y2,…,yj,…ym为隐层输出数据;
其中,x1~xn为分别多个输入变量的第一数据归一化后的数值,输入向量到隐层输出向量之间的权值矩阵用V表示,V=(V1,V2,…,Vj,…Vm),其中,Vj为隐层第j个神经元对应的权值;
其中,yj=f(netj),j=1,2,…,m;
f(x)为双曲正切或者Sigmoid函数;
j=1,2,…,m,netj为隐层第j个神经元的输入值,隐层第j个神经元的输入值为输入向量中的每个元素与第j个神经元对应的权值Vj的乘积之和。
进一步的,所述第四获取模块604具体用于:
根据所述隐层输出向量,获得三层BP神经网络模型输出的质差话务比例预测值的输出向量:O=(o1,o2,…,ok,…ol)T;
其中,o1,o2,…,ok,…ol为神经网络模型输入l个输入向量时对应每个输入向量而输出的质差话务比例预测值;
其中,隐层输出向量到神经网络模型输出的质差话务比例预测值的输出向量之间的权值矩阵用W表示,W=(W1,W2,…,Wk,…Wl),其中,Wk为输出层第k个神经元对应的权值;
其中,ok=g(netk),k=1,2,…,l;
g(x)为恒等、softmax、双曲正切或sigmoid函数;
k=1,2,…,l,netk为输出层第k个神经元的输入值,输出层第k个神经元的输入值为隐层输出向量中的每个元素与第k个神经元对应的权值Wk的乘积之和。
进一步的,如图6所示,所述装置还包括:
第一验证模块606,用于若所述神经网络模型输出的质差话务比例预测值落入预设的第一范围内,则认为质差话务比例值预测准确。
进一步的,所述装置还包括:
第五获取模块,用于获取用于预测待预测区域内的质差话务比例值的多个输入变量的第二数据;
第六获取模块,用于对所述第二数据进行预处理,获得验证神经网络模型预测是否准确的验证输入样本数据;
第二验证模块,用于将所述验证输入样本数据输入神经网络模型中,若获得神经网络模型输出值落入预设的第二范围内,则认为质差话务比例值预测准确。
需要说明的是,该质差话务比例预测装置是与上述质差话务比例预测方法对应的装置,上述方法实施例中所有实现方式均适用于该装置的实施例中,也能达到相同的技术效果。
以上所述的是本发明的优选实施方式,应当指出对于本技术领域的普通人员来说,在不脱离本发明所述的原理前提下还可以作出若干改进和润饰,这些改进和润饰也在本发明的保护范围内。
Claims (14)
1.一种质差话务比例值预测方法,其特征在于,包括:
获取用于预测待预测区域内的质差话务比例值的多个输入变量的第一数据;
对多个输入变量的第一数据进行预处理,获得建立神经网络模型的输入样本数据;
根据所述输入样本数据,获得神经网络模型的隐层输出数据;
根据所述隐层输出数据,获得神经网络模型输出的质差话务比例预测值。
2.如权利要求1所述的质差话务比例值预测方法,其特征在于,在所述获取用于预测待预测区域内的质差话务比例值的多个输入变量的第一数据的步骤之前,所述方法还包括:
确定用于预测质差话务比例值的多个输入变量。
3.如权利要求2所述的质差话务比例值预测方法,其特征在于,所述确定用于预测质差话务比例值的多个输入变量的步骤包括:
确定新建宏站覆盖的总小区数,新建室分覆盖的总小区数,停用基站原覆盖的总小区数、进行天线调整的总小区数、基站平均功率利用率、话务量、数据业务流量、基站平均载波配置数、信源所带直放站的总设备台数、基站平均互调干扰值、私装直放站的总设备台数、电信运营商布置的总小区数、屏蔽器的数量、发生主设备故障的总小区数、发生天馈线故障的天线数量以及发生直放站故障的总设备台数为输入变量。
4.如权利要求3所述的质差话务比例值预测方法,其特征在于,所述获取用于预测待预测区域内的质差话务比例值的多个输入变量的第一数据的步骤包括:
获取待预测区域预定时间段内的新建宏站覆盖的总小区数,新建室分覆盖的总小区数,停用基站原覆盖的总小区数、进行天线调整的总小区数、基站平均功率利用率值、话务量值、数据业务流量值、基站平均载波配置数、信源所带直放站的总设备台数、基站平均互调干扰值、私装直放站的总设备台数、电信运营商布置的总小区数、屏蔽器的数量、发生主设备故障的总小区数、发生天馈线故障的天线数量以及发生直放站故障的总设备台数。
5.如权利要求3所述的质差话务比例值预测方法,其特征在于,对多个输入变量的第一数据进行预处理,获得建立神经网络模型的输入样本数据的步骤包括:
对多个输入变量的第一数据进行归一化处理,获得建立神经网络模型的输入样本数据。
6.如权利要求5所述的质差话务比例值预测方法,其特征在于,对多个输入变量的第一数据进行归一化处理,获得建立神经网络模型的输入样本数据的步骤包括:
分别对获取到的待预测区域预定时间段内新建宏站覆盖的总小区数,新建室分覆盖的总小区数,停用基站原覆盖的总小区数、进行天线调整的总小区数、基站平均功率利用率值、话务量值、数据业务流量值、基站平均载波配置数、信源所带直放站的总设备台数、基站平均互调干扰值、私装直放站的总设备台数、电信运营商布置的总小区数、屏蔽器的数量、发生主设备故障的总小区数、发生天馈线故障的天线数量以及发生直放站故障的总设备台数进行归一化处理,得建立神经网络模型的输入样本数据。
7.如权利要求5所述的质差话务比例值预测方法,其特征在于,所述对多个输入变量的第一数据进行归一化处理,获得建立神经网络模型的输入样本数据的步骤包括:
利用公式:对多个输入变量的第一数据进行归一化处理,获得建立神经网络模型的输入样本数据;
其中,y为归一化后的数值,x为一输入变量的数据中的任一数据值,xmin为一输入变量的数据中的最小值,xmax为一输入变量的数据中的最大值。
8.如权利要求1所述的质差话务比例值预测方法,其特征在于,所述根据所述输入样本数据,获得神经网络模型的隐层输出数据的步骤包括:
根据所述输入样本数据,获得三层BP神经网络模型的隐层输出数据,其中,所述三层BP神经网络模型包括:输入层、隐层和输出层。
9.如权利要求8所述的质差话务比例值预测方法,其特征在于,根据所述输入样本数据,获得三层BP神经网络模型的隐层输出数据的步骤包括:
根据所述输入样本数据构成的输入向量:X=(x1,x2,…,xi,…xn)T,获得三层BP神经网络模型的隐层输出向量:Y=(y1,y2,…,yj,…ym)T,y1,y2,…,yj,…ym为隐层输出数据;
其中,x1~xn为分别多个输入变量的第一数据归一化后的数值,输入向量到隐层输出向量之间的权值矩阵用V表示,V=(V1,V2,…,Vj,…Vm),其中,Vj为隐层第j个神经元对应的权值;
其中,yj=f(netj),j=1,2,…,m;
f(x)为双曲正切或者Sigmoid函数;
j=1,2,…,m,netj为隐层第j个神经元的输入值,隐层第j个神经元的输入值为输入向量中的每个元素与第j个神经元对应的权值Vj的乘积之和。
10.如权利要求9所述的质差话务比例值预测方法,其特征在于,根据所述隐层输出数据,获得神经网络模型的质差话务比例预测值的步骤包括:
根据所述隐层输出向量,获得三层BP神经网络模型输出的质差话务比例预测值的输出向量:O=(o1,o2,…,ok,…o1)T;
其中,o1,o2,…,ok,…o1为神经网络模型输入l个输入向量时对应每个输入向量而输出的质差话务比例预测值;
其中,隐层输出向量到神经网络模型输出的质差话务比例预测值的输出向量之间的权值矩阵用W表示,W=(W1,W2,…,Wk,…W1),其中,Wk为输出层第k个神经元对应的权值;
其中,ok=g(netk),k=1,2,…,l;
g(x)为恒等、softmax、双曲正切或sigmoid函数;
k=1,2,…,l,netk为输出层第k个神经元的输入值,输出层第k个神经元的输入值为隐层输出向量中的每个元素与第k个神经元对应的权值Wk的乘积之和。
11.如权利要求1所述的质差话务比例值预测方法,其特征在于,获得神经网络模型输出的质差话务比例预测值之后,所述方法还包括:
若所述神经网络模型输出的质差话务比例预测值落入预设的第一范围内,则认为质差话务比例值预测准确。
12.如权利要求1所述的质差话务比例值预测方法,其特征在于,所述获得神经网络模型输出的质差话务比例预测值之后,所述方法还包括:
获取用于预测待预测区域内的质差话务比例值的多个输入变量的第二数据;
将所述第二数据进行预处理后,作为验证神经网络模型预测是否准确的验证输入样本数据;
将所述验证输入样本数据输入神经网络模型中,若获得神经网络模型输出值落入预设的第二范围内,则认为质差话务比例值预测准确。
13.一种质差话务比例值预测装置,其特征在于,包括:
第一获取模块,用于获取用于预测待预测区域内的质差话务比例值的多个输入变量的第一数据;
第二获取模块,用于对输入变量的第一数据进行预处理,获得建立神经网络模型的输入样本数据;
第三获取模块,用于根据所述输入样本数据,获得神经网络模型的隐层输出数据;
第四获取模块,用于根据所述隐层输出数据,获得神经网络模型输出的质差话务比例预测值。
14.如权利要求13所述的质差话务比例值预测装置,其特征在于,所述装置还包括:确定模块,用于确定用于预测质差话务比例值的多个输入变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510424524.8A CN106341837A (zh) | 2015-07-17 | 2015-07-17 | 一种质差话务比例值预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510424524.8A CN106341837A (zh) | 2015-07-17 | 2015-07-17 | 一种质差话务比例值预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106341837A true CN106341837A (zh) | 2017-01-18 |
Family
ID=57827015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510424524.8A Pending CN106341837A (zh) | 2015-07-17 | 2015-07-17 | 一种质差话务比例值预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106341837A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109150564A (zh) * | 2017-06-19 | 2019-01-04 | 中国移动通信集团广东有限公司 | 一种用于小区故障告警的预测方法及装置 |
CN109348078A (zh) * | 2018-08-20 | 2019-02-15 | 国家电网有限公司 | 一种ict话务故障判断方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103840988A (zh) * | 2014-03-17 | 2014-06-04 | 湖州师范学院 | 一种基于rbf神经网络的网络流量测量方法 |
CN104484700A (zh) * | 2014-11-07 | 2015-04-01 | 西安文理学院 | 一种基于bp网络模型的负荷预测的模型输入变量优化方法 |
-
2015
- 2015-07-17 CN CN201510424524.8A patent/CN106341837A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103840988A (zh) * | 2014-03-17 | 2014-06-04 | 湖州师范学院 | 一种基于rbf神经网络的网络流量测量方法 |
CN104484700A (zh) * | 2014-11-07 | 2015-04-01 | 西安文理学院 | 一种基于bp网络模型的负荷预测的模型输入变量优化方法 |
Non-Patent Citations (1)
Title |
---|
周智洪,沙胜: "基于BP算法的多层前馈网络在质差建模中的应用", 《移动通信》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109150564A (zh) * | 2017-06-19 | 2019-01-04 | 中国移动通信集团广东有限公司 | 一种用于小区故障告警的预测方法及装置 |
CN109150564B (zh) * | 2017-06-19 | 2021-09-21 | 中国移动通信集团广东有限公司 | 一种用于小区故障告警的预测方法及装置 |
CN109348078A (zh) * | 2018-08-20 | 2019-02-15 | 国家电网有限公司 | 一种ict话务故障判断方法及装置 |
CN109348078B (zh) * | 2018-08-20 | 2021-01-22 | 国家电网有限公司 | 一种ict话务故障判断方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108520357B (zh) | 一种线损异常原因的判别方法、装置及服务器 | |
CN106373025B (zh) | 基于离群点检测的用电信息采集系统实时防窃电监测方法 | |
CN110929918B (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
CN106779069A (zh) | 一种基于神经网络的异常用电检测方法 | |
CN108197648A (zh) | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 | |
CN109872003B (zh) | 对象状态预测方法、系统、计算机设备及存储介质 | |
CN104794206B (zh) | 一种变电站数据质量评价系统及方法 | |
CN104408562B (zh) | 一种基于bp神经网络的光伏系统发电效率综合评估方法 | |
CN107590565A (zh) | 一种构建建筑能耗预测模型的方法及装置 | |
CN107133436A (zh) | 一种多重抽样模型训练方法及装置 | |
CN104280612B (zh) | 一种基于单频电流传输特性的分布式谐波源辨识方法 | |
CN103840988A (zh) | 一种基于rbf神经网络的网络流量测量方法 | |
WO2022021726A1 (zh) | 一种基于pmu的电力系统状态估计性能评价方法 | |
CN103995237A (zh) | 一种卫星电源系统在线故障诊断方法 | |
CN106656357B (zh) | 一种工频通信信道状态评估系统和方法 | |
CN110490409B (zh) | 一种基于dnn的低压台区线损率标杆值设定方法 | |
CN106067079A (zh) | 一种基于bp神经网络的灰霾预测的系统和方法 | |
CN111880044A (zh) | 一种含分布式电源配电网在线故障定位方法 | |
CN109033513A (zh) | 电力变压器故障诊断方法与电力变压器故障诊断装置 | |
CN102567782A (zh) | 一种基于神经网络的汽车发动机转矩的估算方法 | |
CN107220758A (zh) | 一种电网规划辅助系统 | |
CN110874685A (zh) | 基于神经网络的智能电能表运行状态判别方法及系统 | |
CN107402859A (zh) | 软件功能验证系统及其验证方法 | |
CN111179576B (zh) | 一种具有归纳学习的用电信息采集故障诊断方法及系统 | |
CN111190072A (zh) | 集抄系统诊断模型建立方法、故障诊断方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170118 |
|
RJ01 | Rejection of invention patent application after publication |