CN106934514A - 一种回归模型的生成方法以及装置 - Google Patents
一种回归模型的生成方法以及装置 Download PDFInfo
- Publication number
- CN106934514A CN106934514A CN201511029283.3A CN201511029283A CN106934514A CN 106934514 A CN106934514 A CN 106934514A CN 201511029283 A CN201511029283 A CN 201511029283A CN 106934514 A CN106934514 A CN 106934514A
- Authority
- CN
- China
- Prior art keywords
- value
- system features
- index
- fitting
- regression model
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0633—Workflow analysis
Abstract
一种回归模型的生成方法以及装置,一种指标的预测方法以及装置。其中回归模型的生成方法包括:获取待拟合系统的待拟合系统特征的值;获取所述待拟合系统的待拟合业务的待拟合指标的值;将所述待拟合系统特征的值与所述待拟合指标的值进行拟合,从而获取目标回归模型以建立所述待拟合系统特征的值与所述待拟合指标的值之间的数据关系。可以实现在使用系统提供待拟合业务之前,根据系统的系统特征的值来预测系统的与待拟合指标相同的指标的值。
Description
技术领域
本发明涉及数据处理领域,具体涉及一种回归模型的生成方法以及装置,一种指标的预测方法以及装置。
背景技术
在提供一种新业务服务之前,需要对新业务的指标进行预测和评估,从而在提供新业务之前,提前发现系统问题,实施系统优化,使得在新业务上市之初就提供良好的服务质量。目前,新业务的指标的评估只能采用在少数系统试验的方式,这种方式存在一定的局限性,即少量系统不能客观的衡量系统的新业务整体的服务质量。或者,通过其它业务的历史指标、其它业务的近期的指标以及新业务的当前指标预测新业务的未来的指标,该方案只能在提供新业务后,通过一定量的历史指标数据,预测新业务的指标,不能在提供该新业务服务前预测其指标。
因此,如何在提供新业务之前,预测提供该业务的指标,进而开展系统优化是一个开放问题,需要采用新的技术手段。
发明内容
本发明的目的在于提供一种回归模型的生成方法以及装置,一种指标的预测方法以及装置,能够在提供新业务之前,预测提供该新业务的指标。
上述目标和其它目标将通过独立权利要求中的特征来达成。进一步的实现方式在从属权利要求、说明书和附图中体现。
第一方面,提供一种回归模型的生成方法,所述方法包括:
获取待拟合系统的待拟合系统特征的值;
获取所述待拟合系统的待拟合业务的待拟合指标的值;
将所述待拟合系统特征的值与所述待拟合指标的值进行拟合,从而获取目标回归模型以建立所述待拟合系统特征的值与所述待拟合指标的值之间的数据关系。通过获取能回归拟合所述待拟合系统特征的值与所述待拟合指标的值之间的数据关系的目标回归模型,可以实现根据其它系统的系统特征的值来预测该其它系统的与所述待拟合指标相同的指标的值,可以在使用该其它系统提供待拟合业务之前,预测该其它系统的待拟合业务的待拟合指标的值。
其中,系统为运行业务的系统,例如可以是分布式系统、服务器系统、云系统或通信系统。
其中,在系统为通信系统时,该指标可以是关键性能指标KPI,该指标也可以是关键质量指标KQI。
其中,该目标回归模型可以是一元回归模型,也可以是多元回归模型,可以是线性回归模型,也可以是非线性回归模型。
其中,在所述待拟合系统不存在待拟合业务时,所述待拟合系统特征的值可以在所述待拟合系统不运行待拟合业务的情况下获得。
其中,在待拟合系统的个数为至少两个时,且待拟合系统为通信系统时,所述待拟合系统各自覆盖的地区之间可以不完全重合。
其中,拟合是指通过调整回归模型中的参数,使得所述待拟合系统特征的值作为回归模型的输入而获得的回归模型的输出,与所述待拟合指标的差值在一个预设范围内。
其中,在待拟合系统的个数为至少两个时,所述待拟合系统各自所属的系统类型相同,例如,所述待拟合系统所属的通信系统类型都属于长期演进(LongTerm Evolution,LTE)系统,其中,通信系统类型并不会区分LTE系统是频分双工FDD模式还是时分双工TD模式。所述待拟合业务的业务类型相同,例如,所述待拟合业务的业务类型都属于LTE系统语音业务(VoLTE,Voice over LTE)业务。
根据第一方面,在所述方法的第一种可能的实现方式中,所述获取待拟合系统的待拟合系统特征的值包括:获取所述待拟合系统的至少两个系统特征的值;根据所述至少两个系统特征的值,以及所述待拟合指标的值,计算所述至少两个系统特征各自与所述待拟合指标的相关系数的值;根据所述至少两个系统特征各自与所述待拟合指标的相关系数的值,从所述至少两个系统特征中确定出所述待拟合系统特征,从而确定出待拟合系统特征的值。
其中,相关系数可以包括线性相关系数以及非线性相关系数。通过相关系数筛选出的待拟合系统特征,根据待拟合系统特征生成的目标回归模型,在待拟合指标的预测中,可以更好的排除与待拟合指标无关的特征带来的干扰,所以使得预测得到待拟合指标的值更加精确。
根据第一方面第一种实现方式,在所述方法第二种可能的实现方式中,所述待拟合系统特征与所述待拟合指标的相关系数的值大于M,或者前N个相关系数包括所述待拟合系统特征与所述待拟合指标的相关系数,所述前N个相关系数为所述至少两个系统特征各自与所述待拟合指标的相关系数中值最大的N个相关系数,M为非负常数,N为正常数且N小于或等于所述至少两个系统特征中系统特征的个数。
其中,M可以为正整数,N可以为所述至少两个系统特征中系统特征数量的一半。
根据第一方面或以上第一方面的任意一种实现方式,在所述方法第三种可能的实现方式中,所述待拟合系统特征的系统特征的数量为至少两个,所述待拟合系统特征具有至少两个系统特征子集,所述将所述待拟合系统特征的值与所述待拟合指标的值进行拟合,从而获取目标回归模型包括:将所述至少两个系统特征子集中的系统特征的值与所述待拟合指标的值进行拟合,从而获取所述至少两个系统特征子集各自对应的回归模型;对所述至少两个系统特征子集各自对应的回归模型进行测试,从而获取所述至少两个系统特征子集各自对应的回归模型的预测精度的值;将最大预测精度对应的回归模型确定为所述目标回归模型,所述最大预测精度为所述至少两个系统特征子集各自对应的回归模型的预测精度中值最大的预测精度。
其中,通过使用使得对应的回归模型的预测精度更高的系统特征子集生成的目标回归模型,会使得目标回归模型对待拟合指标的值的预测更加精确。
其中,对所述至少两个系统特征子集各自对应的回归模型进行测试包括使用待拟合指标已知的系统的系统特征作为回归模型的输入,将回归模型的输出与待拟合指标已知的系统的待拟合指标进行比较,从而获得回归模型的预测精度。
根据第一方面、第一方面第一种实现方式或第一方面第二种实现方式,在所述方法第四种可能的实现方式中,
所述待拟合系统特征的系统特征的数量为至少两个,所述待拟合系统特征具有至少两个系统特征子集,所述待拟合系统的系统数量为至少两个,所述将所述待拟合系统特征的值与所述待拟合指标的值进行拟合,从而获取目标回归模型包括:
将所述至少两个系统特征子集中的系统特征的值与所述待拟合指标的值进行拟合,从而获取所述至少两个系统特征子集各自对应的回归模型;
对所述至少两个系统特征子集各自对应的回归模型进行测试,从而获取所述至少两个系统特征子集各自对应的回归模型的预测精度的值;
将最大预测精度对应的网路特征子集作为目标系统特征子集,所述最大预测精度为所述至少两个系统特征子集各自对应的回归模型的预测精度中值最大的预测精度;
根据所述待拟合系统特征的值,对所述待拟合系统进行聚类,从而获取所述待拟合系统的至少两个系统子集;
将所述至少两个系统子集中分别位于所述目标系统特征子集中的系统特征的值,与所述待拟合指标中的所述至少两个系统子集中的指标的值进行拟合,从而获取所述至少两个系统子集各自对应的回归模型。
其中,目标回归模型包括所述至少两个系统子集各自对应的回归模型。
其中,由于系统特征的值的不同会反映出系统的差异,因此根据网路特征的值对系统进行聚类,并进一步根据不同类别的网路特征的值生成不同的回归模型,每个回归模型的获得都减少了系统的差异带来的干扰,因此使得回归模型对待拟合指标的值的预测更加精确。
根据第一方面,或以上第一方面的任意一种实现方式,在所述方法第五种可能的实现方式中,在所述待拟合系统所属的通信系统类型属于LTE系统时,所述待拟合系统特征包括所覆盖的地区的基站间距、频段、全带宽信道质量指示的值的分布、平均用户数、平均下行边缘用户数、平均上行边缘用户数、参考信号接收功率的分布、信号与干扰加噪声比的分布、呼叫接入成功率、掉话率、切换成功率、上下行吞吐率、物理下行共享信道调度时选择调制编码方案的值的分布、物理上行共享信道调度时选择调制编码方案的值的分布、物理下行共享信道的物理资源块使用的平均个数以及物理上行共享通道的物理资源块使用的平均个数中的至少一种。
其中,全宽带信道质量指示的值的分布可以是全宽带执行指示的值分别为0至15中的数值的次数,也可以是全宽带执行指示的值为0至15的次数。
其中,物理下行共享信道调度时选择调制编码方案的值的分布可以是物理下行共享信道调度时选择调制编码方案的值分别为0至31的次数,物理下行共享信道调度时选择调制编码方案的值的分布也可以是物理下行共享信道调度时选择调制编码方案的值为0至31中任一值的次数;物理上行共享信道调度时选择调制编码方案的值的分布可以是物理上行共享信道调度时选择调制编码方案的值分别为0至31的次数,物理上行共享信道调度时选择调制编码方案的值的分布也可以是物理上行共享信道调度时选择调制编码方案的值为0至31中任一值的次数。
上述系统特征可以反应系统的性能,因此可以用于估计待拟合指标的值。
根据第一方面,或以上第一方面的任意一种实现方式,在所述方法第六种可能的实现方式中,在所述待拟合系统所属的通信系统类型属于LTE系统,以及所述待拟合业务的业务类型属于语音业务(LTE系统上运行的语音业务为LTE语音(VoLTE,Voice over LTE)业务)时,所述待拟合指标包括用户数、呼叫次数、呼叫接入成功率、掉话率或语音质量。
第二方面,提供一种指标的预测方法,所述方法包括:
获取目标系统的系统特征的值,所述目标系统用于运行待预测业务;
获取目标回归模型,所述目标回归模型包括已训练系统的系统特征的值与运行在所述已训练系统上的已训练业务的指标的值之间的数据关系,所述待预测业务与所述已训练业务为相同类型的业务,所述目标系统的系统特征与所述已训练系统的系统特征相同,所述待预测业务的指标与所述已训练业务的指标相同;
将所述目标系统的系统特征的值作为所述目标回归模型的输入,以使得根据所述数据关系获得所述待预测业务的指标的预测值。
其中,所述目标系统与所述已训练系统所属的系统类型可以相同。其中,在目标系统与已训练系统为通信系统时,所述目标系统与所述已训练系统中的系统覆盖的地区可以不同,即是说,覆盖的地区不完全重合。
其中,获取目标回归模型的方式可以根据第一方面所述的方法生成,也可以从生成该回归模型的设备获取,其实,可以是在需要使用的时候获取,也可以提前获取存储在自身的存储器中,在需要使用的时候从存储器中读取。
通过其它系统的系统特征的值与其它系统的待预测指标的值之间的关系,以及当前系统的系统特征的值,来估计当前系统的待预测业务的待预测指标的值,可以实现在使用目标系统提供待预测业务之前,预测目标系统的待预测业务的待预测指标的值。
其中,第二方面的待预测业务与第一方面的待拟合业务的业务类型可以相同。
根据第二方面,在所述方法的第一种可能的实现方式中,所述获取目标回归模型包括:根据所述待预测业务的指标,获取所述目标回归模型。
通过获取待预测指标对应的回归模型,相比于可以预测任意种类的指标的回归模型,预测的效果更优。
根据第二方面,在所述方法的第二种可能的实现方式中,所述获取目标系统的系统特征的值包括:获取指标与系统特征之间的对应关系;根据所述待预测业务的指标以及所述对应关系,获取与所述待预测业务的指标对应的系统特征,作为所述目标系统的系统特征;获取所述待预测业务的指标对应的系统特征的值;相应地,
所述获取目标回归模型包括:根据所述待预测业务的指标对应的系统特征,获取所述目标回归模型。
其中,该对应关系可以在执行第一方面的方法中生成,该对应关系可以是第一方面中的待拟合指标与至少两个系统特征、待拟合系统特征或目标网路特征子集的对应关系,获取指标与系统特征之间的对应关系的方式可以是从生成该对应关系的设备获取,或是在执行第一方面的方法获取目标回归模型的过程中生成。
通过分析系统的特征的值,确定系统特征的值对应的回归模型,相比于可以不考虑系统特征的值的回归模型,可以排除系统类型不同带来的干扰,所以预测的效果更优。
根据第二方面第二种实现方式,在所述方法第三种可能的实现方式中,所述根据所述待预测业务的指标对应的系统特征,获取所述目标回归模型包括:根据所述目标系统的系统特征的值,使用与所述指标对应的分类器对所述目标系统的系统特征的值进行分类;将与所述目标系统的系统特征的值的类别对应的回归模型作为所述目标回归模型。
根据第二方面第三种实现方式,在所述方法第四种可能的实现方式中,所述分类器根据所述已训练系统的系统特征的值的类别训练得到,所述已训练系统的系统特征的值的类别通过将所述已训练系统的系统特征的值的进行聚类得到。
其中,所述分类器根据所述已训练系统的系统特征的值的类别训练得到具体为所述分类器根据所述已训练系统的系统特征的值的类别以及所述已训练系统的系统特征的值训练得到。
其中,使用系统集合自身的数据来训练分类器,使得该分类器相比于根据其它系统集合的数据得到的分类器,或是人为设置的分类器,输出的系统类型与系统类型对应回归模型更加匹配,使得预测的效果更优。
第三方面,提供一种回归模型的生成装置,所述装置包括:
特征获取模块,用于获取待拟合系统的待拟合系统特征的值;指标获取模块,用于获取所述待拟合系统的待拟合业务的待拟合指标的值;拟合模块,用于将所述特征获取模块获取的所述待拟合系统特征的值与所述指标获取模块获取的所述待拟合指标的值进行拟合,从而获取目标回归模型以建立所述待拟合系统特征的值与所述待拟合指标的值之间的数据关系。
根据第三方面,在所述装置的第一种可能的实现方式中,所述特征获取模块用于:获取所述待拟合系统的至少两个系统特征的值;根据所述至少两个系统特征的值,以及所述待拟合指标的值,计算所述至少两个系统特征各自与所述待拟合指标的相关系数的值;根据所述至少两个系统特征各自与所述待拟合指标的相关系数的值,从所述至少两个系统特征中确定出所述待拟合系统特征,从而确定出待拟合系统特征的值。
根据第三方面第一种实现方式,在所述装置第二种可能的实现方式中,所述待拟合系统特征与所述待拟合指标的相关系数的值大于M,或者前N个相关系数包括所述待拟合系统特征与所述待拟合指标的相关系数,所述前N个相关系数为所述至少两个系统特征各自与所述待拟合指标的相关系数中值最大的N个相关系数,M为非负常数,N为正常数且N小于或等于所述至少两个系统中系统特征的个数。
根据第三方面或以上第三方面任意一种实现方式,在所述装置第三种可能的实现方式中,所述待拟合系统特征的系统特征的数量为至少两个,所述待拟合系统特征具有至少两个系统特征子集,所述拟合模块用于:将所述至少两个系统特征子集中的系统特征的值与所述待拟合指标的值进行拟合,从而获取所述至少两个系统特征子集各自对应的回归模型;
对所述至少两个系统特征子集各自对应的回归模型进行测试,从而获取所述至少两个系统特征子集各自对应的回归模型的预测精度的值;
将最大预测精度对应的回归模型确定为所述目标回归模型,所述最大预测精度为所述至少两个系统特征子集各自对应的回归模型的预测精度中值最大的预测精度。
根据第三方面、第三方面第一种实现方式或第三方面第二种实现方式,在所述装置第四种可能的实现方式中,所述待拟合系统特征的系统特征的数量为至少两个,所述待拟合系统特征具有至少两个系统特征子集,所述待拟合系统的系统数量为至少两个,所述拟合模块用于:
将所述至少两个系统特征子集中的系统特征的值与所述待拟合指标的值进行拟合,从而获取所述至少两个系统特征子集各自对应的回归模型;对所述至少两个系统特征子集各自对应的回归模型进行测试,从而获取所述至少两个系统特征子集各自对应的回归模型的预测精度的值;将最大预测精度对应的网路特征子集作为目标系统特征子集,所述最大预测精度为所述至少两个系统特征子集各自对应的回归模型的预测精度中值最大的预测精度;根据所述待拟合系统特征的值,对所述待拟合系统进行聚类,从而获取所述待拟合系统的至少两个系统子集;将所述至少两个系统子集中分别位于所述目标系统特征子集中的系统特征的值,与所述待拟合指标中的所述至少两个系统子集中的指标的值进行拟合,从而获取所述至少两个系统子集各自对应的回归模型。
第四方面,提供一种指标的预测装置,所述装置包括:
特征获取模块,用于获取目标系统的系统特征的值,所述目标系统用于运行待预测业务;
模型获取模块,用于获取目标回归模型,所述目标回归模型包括已训练系统的系统特征的值与运行在所述已训练系统上的已训练业务的指标的值之间的数据关系,所述待预测业务与所述已训练业务为相同类型的业务,所述目标系统的系统特征与所述已训练系统的系统特征相同,所述待预测业务的指标与所述已训练业务的指标相同;
预测模块,用于将所述特征获取模块获取的所述目标系统的系统特征的值作为模型获取模块获取的所述目标回归模型的输入,以使得根据所述数据关系获得所述待预测业务的指标的预测值。
根据第四方面,在所述装置的第一种可能的实现方式中,所述模型获取模块用于:根据所述待预测业务的指标,获取所述目标回归模型。
根据第四方面,在所述装置的第二种可能的实现方式中,所述特征获取模块用于:获取指标与系统特征之间的对应关系;根据所述待预测业务的指标以及所述对应关系,获取与所述待预测业务的指标对应的系统特征,作为所述目标系统的系统特征;获取所述待预测业务的指标对应的系统特征的值;相应地,
所述模型获取模块用于:根据所述特征获取模块获取得到的所述待预测业务的指标对应的系统特征,获取所述目标回归模型。
根据第四方面第二种实现方式,在所述装置第三种可能的实现方式中,所述模型获取模块用于:根据所述目标系统的系统特征的值,使用与所述指标对应的分类器对所述目标系统的系统特征的值进行分类;将与所述目标系统的系统特征的值的类别对应的回归模型作为所述目标回归模型。
根据第四方面第三种实现方式,在所述装置第四种可能的实现方式中,所述分类器根据所述已训练系统的系统特征的值的类别训练得到,所述已训练系统的系统特征的值的类别通过将所述已训练系统的系统特征的值的进行聚类得到。
第五方面,提供一种用于预测指标的回归模型的生成装置,该装置包括处理器和存储器;所述存储器用于存储代码;所述处理器通过读取所述存储器中存储的所述代码,以用于执行第一方面提供的方法。
第六方面,提供一种计算机存储介质,用于储存用于第五方面的处理器执行的计算机软件指令,以用于执行第一方面提供的方法。
第七方面,提供一种指标的预测装置,该装置包括处理器和存储器;所述存储器用于存储代码;所述处理器通过读取所述存储器中存储的所述代码,以用于执行第二方面提供的方法。
第八方面,提供一种计算机存储介质,用于储存用于第七方面的处理器执行的计算机软件指令,以用于执行第二方面提供的方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中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为本发明实施例的一种系统的结构示意图;
图2为本发明实施例的一种通信系统的示意图;
图3为本发明实施例提供的一种回归模型的生成方法的流程示意图;
图4为本发明实施例提供的一种指标的预测方法的流程示意图;
图5发明实施例提供的一种回归模型的生成装置的逻辑结构示意图;
图6本发明实施例提供的一种预测指标的装置的逻辑结构示意图;
图7本发明实施例提供的一种计算机设备的硬件结构示意图。
图8本发明实施例提供的另一种计算机设备的硬件结构示意图。
具体实施方式
下面结合附图,对本发明的实施例进行描述。
请参阅图1,为本发明实施例的一种系统的结构示意图,如图1所示,本发明实施例的通信系统包括:数据采集设备10和管理服务器20,其中:
数据采集设备10用于获取待拟合系统的待拟合系统特征的值;获取所述待拟合系统的待拟合业务的待拟合指标的值。
管理服务器20用于将所述待拟合系统特征的值与所述待拟合指标的值进行拟合,从而获取目标回归模型以建立所述待拟合系统特征的值与所述待拟合指标的值之间的数据关系。
进一步的,管理服务器20还用于获取目标系统的系统特征的值,所述目标系统用于运行待预测业务,所述目标系统的系统特征与所述已训练系统的系统特征相同,所述待预测业务的指标与所述已训练业务的指标相同;将所述目标系统的系统特征的值作为所述目标回归模型的输入,以使得根据所述数据关系获得所述待预测业务的指标的预测值。
已训练系统可以是待拟合系统,已训练系统的系统特征可以是待拟合网路特征,已训练业务可以是待拟合业务,已训练业务的指标可以是待拟合指标。
如图2所示为一种通信系统的示意图,本发明实施例涉及的通信系统可以是网络全网,也可以是某个地区/地理位置(比如小区)的网络,或某个cell的网络,或多个cell的网络等的通信系统。
本发明实施例可以应用于2G,3G,4G等各种通信系统,请参阅图2,为本发明实施例的一种系统的示意图。如图2所示,包括:用户终端51、用户终端52、用户终端53、用户终端54、用户终端55、基站61、基站62、基站63、基站控制器(图中未示意)、网管设备71、网管设备72以及管理服务器81,其中,图2中的管设备用于基站的激活,基站的去激活,基站的参数修改,告警信息收集或信息的收集等,因此,网管设备可以作为图1中的数据采集设备10,同时由于网管设备获得的信息一般来自基站,因此基站也可以直接作为图1中的数据采集设备10,,用于从图2所示的系统中采集系统特征的值;图2中的管理服务器81执行的功能可以对应于图1中的管理服务器20,用于生成目标回归模型,或是用于利用目标回归模型预测指标的值。
本申请的技术方案中的系统可以为各种通信系统,系统类型例如但不限于,全球移动通信系统(Global System for Mobile Communications,GSM)、通用分组无线业务(General Packet Radio Service,GPRS)系统、码分多址(Code DivisionMultiple Access,CDMA)系统、CDMA2000系统、宽带码分多址(Wideband CodeDivision Multiple Access,WCDMA)系统、长期演进(Long Term Evolution,LTE)系统、全球微波接入互操作性(World Interoperability for Microwave Access,WiMAX)系统、UMTS(Universal Mobile Telecommunication System,通用移动通信系统)、TD-SCDMA(Time Division-Synchronous Code Division MultipleAccess,时分同步码分多址接入)系统、GPRS/EDGE(General packet radio service,通用分组无线服务/Enhanced data rates for GSM evolution,GSM演进的增强型数据速率)系统、GSM(Global system for mobile communication,全球移动通信系统)。
本申请的技术方案中的业务的业务类型例如但不限于:语音业务、视频业务、邮件业务、上网业务。
其中,在所述待拟合系统所属的通信系统类型属于LTE系统时,在所述待拟合系统特征包括所覆盖的地区的基站间距时,该系统特征可通过基站的坐标计算得到。
在所述待拟合系统特征包括频段、全带宽信道质量指示的值的分布、平均用户数、平均下行边缘用户数、平均上行边缘用户数、参考信号接收功率的分布、信号与干扰加噪声比的分布、呼叫接入成功率、掉话率、切换成功率、上下行吞吐率、物理下行共享信道调度时选择调制编码方案的值的分布、物理上行共享信道调度时选择调制编码方案的值的分布、物理下行共享信道的物理资源块使用的平均个数以及物理上行共享通道的物理资源块使用的平均个数中的至少一种时,该系统特征可以由基站直接获得,也可以由网管设备直接获得,也可以由基站获得数据后经过计算获得,也可以由网管设备获得数据后经过计算获得,也可以通过从基站或是网管设备获得数据后经过计算获得。
其中,在所述待拟合系统所属的通信系统类型属于LTE系统,以及所述待拟合业务的业务类型属于语音业务(LTE系统上运行的语音业务为LTE语音(VoLTE,Voice over LTE)业务)时,所述待拟合指标包括用户数、呼叫次数、呼叫接入成功率、掉话率或语音质量时,该指标可以由基站直接获得,也可以由网管设备直接获得,也可以由基站获得数据后经过计算获得,也可以由网管设备获得数据后经过计算获得,也可以通过从基站或是网管设备获得数据后经过计算获得。
应当理解的是,本发明实施例中提到的系统特征包括但不限于上述系统中的系统特征,并且本发明实施例中提到的系统特征为不需要运行上述待拟合业务或是待预测业务就可得到的值的系统特征,例如但不限于通信系统所覆盖的地区的特征、系统中在运行不同业务时,保持值不变的指标以及系统中非待拟合业务以及非待预测业务(其中非待拟合业务以及非待预测业务可以是一个,也可以是多个)的指标的值。以及本发明实施例中提到的待拟合业务或者待预测业务包括但不限于上述通信系统的系统中承载的业务,例如可在LTE系统运行的语音业务(VoLTE业务)。本发明实施例中的待拟合指标以及待预测指标的为可以因运行的业务不同而数值不同的指标。
其中,所述基站可以是GSM系统、GPRS系统或CDMA系统中的基站(BaseTransceiver Station,BTS),还可以是CDMA2000系统或WCDMA系统中的基站(NodeB),还可以是LTE系统中的演进型基站(Evolved NodeB,eNB),还可以是WiMAX系统中的接入服务系统的基站(Access Service Network BaseStation,ASN BS)等。
其中,所述用户终端可以是指向用户提供语音和/或数据连通性的设备,具有无线连接功能的手持式设备、或连接到无线调制解调器的其他处理设备。用户终端可以经无线接入网(Radio Access Network,RAN)与一个或多个核心网进行通信,用户终端可以是移动终端,如移动电话(或称为“蜂窝”电话)和具有移动终端的计算机,例如,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,它们与无线接入网交换语言和/或数据。例如,个人通信业务(Personal Communication Service,PCS)电话、无绳电话、会话发起协议(Session Initiation Protocol,SIP)话机、无线本地环路(Wireless Local Loop,WLL)站、个人数字助理(Personal Digital Assistant,PDA)等设备。终端也可以称为系统、订户单元(Subscriber Unit)、订户站(Subscriber Station)、移动站(Mobile Station)、远程站(Remote Station)、接入点(Access Point)、远程终端(Remote Terminal)、接入终端(Access Terminal)、用户终端(User Terminal)、用户代理(User Agent)、用户设备(User Device)或用户装备(User Equipment)。
应理解,系统也可以是云系统、分布式系统、服务器系统等系统。
请参阅图3,为本发明实施例提供一种回归模型的生成方法的流程示意图,该方法的执行主体可以是如图1或2所示的管理服务器,也可以是计算机设备,本发明实施例不限于此,如图3所示,该方法可以包括如下步骤:
步骤301,获取待拟合系统的待拟合系统特征的值;
步骤302,获取所述待拟合系统的待拟合业务的待拟合指标的值;
具体来说,在系统为通信系统时,可以将获取到的待拟合系统的待拟合系统特征的值以及待拟合系统的待拟合业务的待拟合指标的值组成样本集,样本集可以以系统覆盖的地区为索引,任一个样本表示任一地区的待拟合系统的待拟合系统特征的值以及待拟合系统的待拟合业务的待拟合指标的值样本集还可以以系统覆盖的地区为及系统特征的值获取的时间为索引,任一个样本表示任一地区的待拟合系统的任一时刻的待拟合系统特征的值以及待拟合系统的待拟合业务的该任一时刻的待拟合指标的值。每一个样本又进一步分为两部分,一部分是自变量,包括待拟合系统的待拟合系统特征的值,该自变量可用X表示,其中X可以是一个或多个系统特征的值;另一部分是因变量,包括待拟合系统的待拟合业务的待拟合指标的值,该因变量可用Y表示,其中Y可以是一个或多个指标的值,在后续的步骤中以Y是一个指标的值为例进行说明,但可以理解的通过后续的说明,可以显而易见的获得以Y是至少两个指标的值的技术方案。在后续的步骤中主要是利用大量的获取到的样本集中的变量的自变量与因变量值训练目标回归模型hθ,其中,Y≈hθ(Xop)(其中θ表示回归模型的参数,Xop为X的子集),hθ用于预测未开通系统中的待拟合业务的系统的待拟合业务的待拟合指标的值。
步骤303,将所述待拟合系统特征的值与所述待拟合指标的值进行拟合,从而获取目标回归模型以建立所述待拟合系统特征的值与所述待拟合指标的值之间的数据关系。其中,在获取到的系统集合中的每个系统的系统特征中可能包含与待拟合指标无关的或冗余的系统特征,需要进行特征选取。特征选取可以提高模型的准确性以及训练效率,因此,在一种实现方式下,步骤301可以为:
获取所述待拟合系统的至少两个系统特征的值;
根据所述至少两个系统特征的值,以及所述待拟合指标的值,计算所述至少两个系统特征各自与所述待拟合指标的相关系数的值;
根据所述至少两个系统特征各自与所述待拟合指标的相关系数的值,从所述至少两个系统特征中确定出所述待拟合系统特征,从而确定出待拟合系统特征的值。
其中,所述待拟合系统特征与所述待拟合指标的相关系数的值大于M,或者前N个相关系数包括所述待拟合系统特征与所述待拟合指标的相关系数,所述前N个相关系数为所述至少两个系统特征各自与所述待拟合指标的相关系数中值最大的N个相关系数,M为非负常数,N为正常数且N小于或等于所述至少两个系统中系统特征的个数。
具体来说,可以通过计算Pearson相关系数、Spearman相关系数等线性相关系数来计算相关系数,其中如下为Pearson的计算方法,
其中xi表示至少两个系统特征中任一待拟合系统特征x在样本集中的第i个样本中的值(或者称为待拟合系统中第i个系统的该待拟合系统特征的值),yi表示待拟合指标y的在第i个样本中的值(或者称为待拟合系统中第i个系统的该待拟合指标的值),和分别表示任一系统特征x和待拟合指标y在所有样本中的值的均值,m为样本个数,m为正整数。
除线性相关系数,还可以计算信息增益、基尼指数等非线性相关系数来度量相关性,其中如下以信息增益为例给出非线性相关系数的计算方法:
g(y,x)=H(y)-H(y|x)
其中H(y)为样本集中待拟合指标y的值的熵,H(y│x)为样本集中y关于至少两个系统特征中任一系统特征x的条件熵。定义样本集为D,在计算信息增益时需要首先将x和y离散化,假设y被离散化后有K个不同的取值(yk,k=1,2,...,K),那么y的取值等于k的样本个数为|yk|且其中|D|为样本总数。假设x被离散化后有n个不同的取值(xi,i=1,2,...,n),根据x的取值可将样本集D划分成n个子集D1,D2,...,Dn,|Di|为样本子集Di中的样本的个数且记子集Di中y值等于k的样本的个数为|yik|
具体来说,根据计算得到的相关系数将至少两个系统特征进行排序,选择具有较高的相关系数(相关系数大于预设的阈值或是取相关性前p个最高)的系统特征作为待拟合系统特征。
其中,在使用上述至少两种相关性的计算方法时,可以依次使用不同的方法计算出数值不同的相关系数,依次对第一系统特征集合中的系统特征进行筛选,最终得到待拟合系统特征,也可以分别使用不同的相关系数计算方法,对至少两个系统特征中的特征进行筛选,将筛选结果组合从而得到待拟合系统特征。
其中,在一种实现方式下,所述待拟合系统特征的系统特征的数量为至少两个,所述待拟合系统特征具有至少两个系统特征子集,步骤303可以为:
将所述至少两个系统特征子集中的系统特征的值与所述待拟合指标的值进行拟合,从而获取所述至少两个系统特征子集各自对应的回归模型;
对所述至少两个系统特征子集各自对应的回归模型进行测试,从而获取所述至少两个系统特征子集各自对应的回归模型的预测精度的值;
将最大预测精度对应的回归模型确定为所述目标回归模型,所述最大预测精度为所述至少两个系统特征子集各自对应的回归模型的预测精度中值最大的预测精度。
具体来说,最优子集的搜索过程如下:
首先,在待拟合系统特征中随机选择一个系统特征,构成了包含该系统特征的用于训练回归模型的系统特征集合,即待拟合系统特征的一个子集,根据该系统特征在样本集中的值和待拟合指标的在样本集中的值训练回归模型,然后对于每个没有用于训练回归模型的系统特征,执行以下循环体:
将其中一个系统特征加入用于训练回归模型的系统特征集合,从而构成了新的子集,根据该新的子集中的系统特征在样本集中的值和待拟合指标的在样本集中的值训练回归模型
使用测试数据集获得该新的子集对应的回归模型的预测精度,该测试数据集包括测试系统位于所述每个子集中的系统特征的值,以及所述测试系统的与所述待拟合指标相同的指标的值,其中测试系统可以是一个或多个系统;
在该选择出的回归模型的预测精度的值大于当前回归模型的预测精度的值时,将该选择出的回归模型作为当前回归模型;在该选择出的回归模型的预测精度的值小于或等于当前回归模型的预测精度的值时,继续执行该循环体。
直到待拟合系统特征中的系统特征都已用于训练回归模型,结束该循环体,将当前回归模型对应的子集作为目标特征子集。
其中,在另一种实现方式下,所述待拟合系统特征的系统特征的数量为至少两个,所述待拟合系统特征具有至少两个系统特征子集,所述待拟合系统的系统数量为至少两个,步骤303还可以为:
将所述至少两个系统特征子集中的系统特征的值与所述待拟合指标的值进行拟合,从而获取所述至少两个系统特征子集各自对应的回归模型;
对所述至少两个系统特征子集各自对应的回归模型进行测试,从而获取所述至少两个系统特征子集各自对应的回归模型的预测精度的值;
将最大预测精度对应的网路特征子集作为目标系统特征子集,所述最大预测精度为所述至少两个系统特征子集各自对应的回归模型的预测精度中值最大的预测精度;根据所述待拟合系统特征的值,对所述待拟合系统进行聚类,从而获取所述待拟合系统的至少两个系统子集;
将所述至少两个系统子集中分别位于所述目标系统特征子集中的系统特征的值,与所述待拟合指标中的所述至少两个系统子集中的指标的值进行拟合,从而获取所述至少两个系统子集各自对应的回归模型。
具体来说,
聚类的具体方法如下:
首先,将目标系统特征子集中的系统特征根据如下公式进行归一化:
其中x′和x分别表示原本的系统特征的值和归一化后的系统特征值,mean(x′)和SD(x′)分别表示原本的万罗特征x′在样本集中的样本上的均值和标准差。
随机选择待拟合系统中的一个系统(或者称为样本集中的一个样本)作为聚类的第一个质心,执行以下循环体:在待拟合系统中选择距离已选质心最远的系统作为新的质心,系统之间的距离可采用欧式距离:
其中x1,x2表示两个系统,dist(x1,x2)表示系统之间的距离,系统下标i表示系统归一化后的第i个系统特征,n表示目标系统特征子集中的系统特征的个数。直到质心的个数等于k,则停止上述循环体,k为正整数。
将待拟合系统中中剩余的系统指派到与该系统距离最近的质心,从而形成k个簇,也就是将待拟合系统的k个子集。
进一步的,还可以调整每个簇的质心,使得误差的平方和SEE最小,SEE的计算公式可以如下:
其中,Ci表示第i个簇的质心。
具体来说,回归模型训练可采用回归树、多元线性回归、非线性回归以及支持向量机回归等。下面以回归树为例说明模型训练的过程,其中待拟合系统为系统集合。
回归树学习是一个递归的将特征空间进行分割的过程,该特征空间由样本集中的样本构成,具体来说,该特征空间可以由系统集合中的系统的至少两个系统特征的值构成,该特征空间也可以由系统集合中的系统的待拟合系统特征的值构成,该特征空间也可以由系统集合中的系统位于目标系统特征子集中的系统特征的值构成,该特征空间也可以由任一系统子集中的系统的至少两个系统特征的值构成,该特征空间也可以由任一系统子集中的系统的待拟合系统特征的值构成,该特征空间也可以由任一系统子集中的系统位于目标系统子集中的系统特征的值构成。
假设已将特征空间划分为M个子空间R1,R2,…,RM,每个子空间Rm中变量的自变量(网路特征的值)作为回归树模型的输入,都会输出一个固定的目标值cm,于是回归树模型可表示为:
其中I是指示函数,当Xop∈Rm时I=1,否则I=0,Xop为特征空间中的一个自变量。
其中,用平方误差SE==∑xop∈Rm(y-hθ(Xop))2表示回归树的预测误差,用平方误差的准则求解每个子空间的最优输出值。应理解,Rm上的cm最优输出值是Rm上所有样本对应的因变量y(待拟合指标的值)的均值。
在对特征空间进行划分时,需要确定切分变量和切分点。当选择系统特征集合中的第j个系统特征xj作为切分变量和xj的某个取值s作为切分点划分特征空间R时,其生成的两个子空间可表示为:
R1(j,s)={Xop|xj≤s}
R2(j,s)={Xop|xj≥s}
确定最优的j和s使平方误差SE最小,即
选择变量j和切分点s将特征空间划分成两个子空间,然后选择新的最优切分变量和切分点将每个子空间划分为更小的子空间,重复划分过程,直到满足停止条件(比如说SE小于一个阈值),这样就生成了一颗回归树。通常单棵回归树的预测准确性不高,需要采用多棵回归树组合实现具有更高预测准确性的预测模型,组合的方式可采用随机森林或梯度提升等方式。
需要说明的是,这里的目标回归模型对所述系统集合中的系统特征与所述待拟合指标的拟合度(例如SE)用来评估回归预测效果,除了SE,在不同的应用场景下,这里的目标回归模型对待拟合指标的拟合度还可以用如下的一种或多种来表示:
MAE(Mean Absolute Error):平均绝对误差
MSE(Mean Squared Error):均方误差
RAE(Relative Absolute Error):平均预测误差比例(预测误差绝对值除以实际值的平均)
R平方(coefficient of determination):回归方程的确定性系数(该系数范围0~1,越大说明拟合效果越好)
请参阅图4,为本发明实施例提供一种系统的指标的预测方法的流程示意图,该方法的执行主体可以是如图1或2所示的管理服务器,也可以是用于预测系统关键指标的计算机设备,但本发明不限于此,如图4所示,该方法可以包括如下步骤:
步骤401,获取目标系统的系统特征的值,所述目标系统用于运行待预测业务;
步骤402,获取目标回归模型,所述目标回归模型包括已训练系统的系统特征的值与运行在所述已训练系统上的已训练业务的指标的值之间的数据关系,所述待预测业务与所述已训练业务为相同类型的业务,所述目标系统的系统特征与所述已训练系统的系统特征相同,所述待预测业务的指标与所述已训练业务的指标相同;
步骤403,将所述目标系统的系统特征的值作为所述目标回归模型的输入,以使得根据所述数据关系获得所述待预测业务的指标的预测值。
其中,在一种实现方式下,步骤402可以为:根据所述待预测业务的指标,获取所述目标回归模型。具体来说,可以根据上述方法中生成的目标回归模型,建立待拟合指标与目标回归模型的对应关系,因此来实现根据所述待预测业务的指标以及该对应关系,获取所述目标回归模型。
其中,在另一种实现方式下,步骤401可以为:获取指标与系统特征之间的对应关系;根据所述待预测业务的指标以及所述对应关系,获取与所述待预测业务的指标对应的系统特征,作为所述目标系统的系统特征;获取所述待预测业务的指标对应的系统特征的值。
相应地,步骤402可以为:根据所述待预测业务的指标对应的系统特征,获取所述目标回归模型。
具体来说,可以根据上述方法中生成的目标回归模型,建立待拟合系统特征与目标回归模型的对应关系,因此来实现根据所述待预测业务的指标对应的系统特征以及该对应关系,获取所述目标回归模型。
进一步的,步骤402可以为:所述获取所述待预测指标对应的回归模型具体可以为:根据所述目标系统的系统特征的值,使用与所述指标对应的分类器对所述目标系统的系统特征的值进行分类;将与所述目标系统的系统特征的值的类别对应的回归模型作为所述目标回归模型。
其中,在上述实现方式中,所述分类器根据所述已训练系统的系统特征的值的类别训练得到,所述已训练系统的系统特征的值的类别通过将所述已训练系统的系统特征的值的进行聚类得到。。
应当理解的是,无论目标回归模型是线性的多元回归模型还是非线性的多元回归模型,本质上都是函数,通过将第二系统的系统特征的值代入函数,就能得到目标系统的待预测业务的待预测指标的值。
参阅图5所示,本发明实施例提供一种回归模型的生成装置500,该装置包括特征获取模块501、指标获取模块502以及拟合模块503,其中
特征获取模块501,用于获取待拟合系统的待拟合系统特征的值;
指标获取模块502,用于获取所述待拟合系统的待拟合业务的待拟合指标的值;
拟合模块503,用于将所述特征获取模块获取的所述待拟合系统特征的值与所述指标获取模块获取的所述待拟合指标的值进行拟合,从而获取目标回归模型以建立所述待拟合系统特征的值与所述待拟合指标的值之间的数据关系。具体来说,特征获取模块501可以具体用于:根据所述至少两个系统特征的值,以及所述待拟合指标的值,计算所述至少两个系统特征各自与所述待拟合指标的相关系数的值;根据所述至少两个系统特征各自与所述待拟合指标的相关系数的值,从所述至少两个系统特征中确定出所述待拟合系统特征,从而确定出待拟合系统特征的值。
其中,所述待拟合系统特征与所述待拟合指标的相关系数的值大于M,或者前N个相关系数包括所述待拟合系统特征与所述待拟合指标的相关系数,所述前N个相关系数为所述至少两个系统特征各自与所述待拟合指标的相关系数中值最大的N个相关系数,M为非负常数,N为正常数且N小于或等于所述至少两个系统中系统特征的个数。
具体来说,所述待拟合系统特征的系统特征的数量为至少两个,所述待拟合系统特征具有至少两个系统特征子集,所述拟合模块503可以用于:
将所述至少两个系统特征子集中的系统特征的值与所述待拟合指标的值进行拟合,从而获取所述至少两个系统特征子集各自对应的回归模型;对所述至少两个系统特征子集各自对应的回归模型进行测试,从而获取所述至少两个系统特征子集各自对应的回归模型的预测精度的值;将最大预测精度对应的回归模型确定为所述目标回归模型,所述最大预测精度为所述至少两个系统特征子集各自对应的回归模型的预测精度中值最大的预测精度。具体来说,所述待拟合系统特征的系统特征的数量为至少两个,所述待拟合系统特征具有至少两个系统特征子集,所述待拟合系统的系统数量为至少两个,所述拟合模块503还可以用于:将所述至少两个系统特征子集中的系统特征的值与所述待拟合指标的值进行拟合,从而获取所述至少两个系统特征子集各自对应的回归模型;对所述至少两个系统特征子集各自对应的回归模型进行测试,从而获取所述至少两个系统特征子集各自对应的回归模型的预测精度的值;将最大预测精度对应的网路特征子集作为目标系统特征子集,所述最大预测精度为所述至少两个系统特征子集各自对应的回归模型的预测精度中值最大的预测精度;根据所述待拟合系统特征的值,对所述待拟合系统进行聚类,从而获取所述待拟合系统的至少两个系统子集;
将所述至少两个系统子集中分别位于所述目标系统特征子集中的系统特征的值,与所述待拟合指标中的所述至少两个系统子集中的指标的值进行拟合,从而获取所述至少两个系统子集各自对应的回归模型。
可以理解的是,本实施例的回归模型的生成装置500的各个模块的功能可以根据上述方法实施例中的回归模型的生成方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
参阅图6所示,本发明实施例提供一种系统关键指标的预测装置600,该装置包括特征获取模块601、模型获取模块602、和预测模块603,其中,
特征获取模块601,用于获取目标系统的系统特征的值,所述目标系统用于运行待预测业务;
模型获取模块602,用于获取目标回归模型,所述目标回归模型包括已训练系统的系统特征的值与运行在所述已训练系统上的已训练业务的指标的值之间的数据关系,所述待预测业务与所述已训练业务为相同类型的业务,所述目标系统的系统特征与所述已训练系统的系统特征相同,所述待预测业务的指标与所述已训练业务的指标相同;
预测模块603,用于将所述特征获取模块获取的所述目标系统的系统特征的值作为模型获取模块获取的所述目标回归模型的输入,以使得根据所述数据关系获得所述待预测业务的指标的预测值。
具体来说,在一种实现方式中,模型获取模块602用于根据所述待预测业务的指标,获取所述目标回归模型。。
具体来说,在另一种实现方式中,特征获取模块601用于:获取指标与系统特征之间的对应关系;根据所述待预测业务的指标以及所述对应关系,获取与所述待预测业务的指标对应的系统特征,作为所述目标系统的系统特征;获取所述待预测业务的指标对应的系统特征的值;相应地,模型获取模块602用于:根据所述特征获取模块获取得到的所述待预测业务的指标对应的系统特征,获取所述目标回归模型。
其中,模型获取模块602进一步可以用于:
根据所述目标系统的系统特征的值,使用与所述指标对应的分类器对所述目标系统的系统特征的值进行分类;将与所述目标系统的系统特征的值的类别对应的回归模型作为所述目标回归模型。
其中,所述分类器根据所述已训练系统的系统特征的值的类别训练得到,所述已训练系统的系统特征的值的类别通过将所述已训练系统的系统特征的值的进行聚类得到。
其中,该分类器的生成装置可以是指标的预测装置600,也可以由回归模型的生成装置500生成,并由指标的预测装置600获取得到。
可以理解的是,本实施例的指标的预测装置600的各个模块的功能可以根据上述方法实施例中的指标的预测方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
图7是本发明实施例提供的计算机设备700的硬件结构示意图。如图7所示,计算机设备700可以作为用于预测指标的回归模型的生成装置500的一种实现方式,计算机设备700包括处理器702、存储器704、输入/输出接口706、通信接口708和总线710。其中,处理器702、存储器704、输入/输出接口706和通信接口708通过总线710实现彼此之间的通信连接。
应理解,具体来说,计算机设备700可以是计算机设备或者运营商系统中的管理服务器或者NodeB(基站)、RNC(无线系统控制器)、网关等设备。
处理器702可以采用通用的中央处理器(Central Processing Unit,CPU),微处理器,应用专用集成电路(Application Specific Integrated Circuit,ASIC),或者一个或多个集成电路,用于执行相关程序,以实现本发明实施例所提供的用于预测指标的回归模型的生成装置500中包括的模块所需执行的功能,或者执行本发明方法实施例提供的用于预测指标的回归模型的生成方法。处理器702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702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702可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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储器,闪存、只读存储器,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704,处理器702读取存储器704中的信息,结合其硬件完成上述方法的步骤。
存储器704可以是只读存储器(Read Only Memory,ROM),静态存储设备,动态存储设备或者随机存取存储器(Random Access Memory,RAM)。存储器704可以存储操作系统以及其他应用程序。在通过软件或者固件来实现本发明实施例提供的用于预测指标的回归模型的生成装置500中包括的模块所需执行的功能,或者执行本发明方法实施例提供的用于预测指标的回归模型的生成方法时,用于实现本发明实施例提供的技术方案的程序代码保存在存储器704中,并由处理器702来执行回归模型的生成装置500中包括的模块所需执行的操作,或者执行本发明方法实施例提供的用于预测指标的回归模型的生成方法。
输入/输出接口706用于接收输入的数据和信息,输出操作结果等数据。
通信接口708使用例如但不限于收发器一类的收发装置,来实现计算机设备700与其他设备或通信网络之间的通信。
总线710可包括在计算机设备700各个部件(例如处理器702、存储器704、输入/输出接口706和通信接口708)之间传送信息的通路。
应注意,尽管图7所示的计算机设备700仅仅示出了处理器702、存储器704、输入/输出接口706、通信接口708以及总线710,但是在具体实现过程中,本领域的技术人员应当明白,计算机设备700还包含实现正常运行所必须的其他器件,例如显示屏幕。同时,根据具体需要,本领域的技术人员应当明白,计算机设备700还可包含实现其他附加功能的硬件器件。此外,本领域的技术人员应当明白,计算机设备700也可仅仅包含实现本发明实施例所必须的器件,而不必包含图7中所示的全部器件。
图8是本发明实施例提供的计算机设备800的硬件结构示意图。如图8所示,计算机设备800可以作为指标的预测装置600的一种实现方式,计算机设备800包括处理器802、存储器804、输入/输出接口806、通信接口808和总线810。其中,处理器802、存储器804、输入/输出接口806和通信接口808通过总线810实现彼此之间的通信连接。应理解,具体来说,计算机设备800可以是计算机设备或者运营商网络中的管理服务器或者NodeB(基站)、RNC(无线网络控制器)、网关等设备。
处理器802可以采用通用的中央处理器(Central Processing Unit,CPU),微处理器,应用专用集成电路(Application Specific Integrated Circuit,ASIC),或者一个或多个集成电路,用于执行相关程序,以实现本发明实施例所提供的指标的预测装置600中包括的模块所需执行的功能,或者执行本发明方法实施例提供的指标的预测方法。处理器802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802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802可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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储器,闪存、只读存储器,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804,处理器802读取存储器804中的信息,结合其硬件完成上述方法的步骤。
存储器804可以是只读存储器(Read Only Memory,ROM),静态存储设备,动态存储设备或者随机存取存储器(Random Access Memory,RAM)。存储器804可以存储操作系统以及其他应用程序。在通过软件或者固件来实现本发明实施例提供的指标的预测装置600中包括的模块所需执行的功能,或者执行本发明方法实施例提供的指标的预测方法时,用于实现本发明实施例提供的技术方案的程序代码保存在存储器804中,并由处理器802来执行指标的预测装置600中包括的模块所需执行的操作,或者执行本发明方法实施例提供的指标的预测方法。
输入/输出接口806用于接收输入的数据和信息,输出操作结果等数据。
通信接口808使用例如但不限于收发器一类的收发装置,来实现计算机设备800与其他设备或通信网络之间的通信。
总线810可包括在计算机设备800各个部件(例如处理器802、存储器804、输入/输出接口806和通信接口808)之间传送信息的通路。
应注意,尽管图8所示的计算机设备800仅仅示出了处理器802、存储器804、输入/输出接口806、通信接口808以及总线810,但是在具体实现过程中,本领域的技术人员应当明白,计算机设备800还包含实现正常运行所必须的其他器件,例如显示屏幕。同时,根据具体需要,本领域的技术人员应当明白,计算机设备800还可包含实现其他附加功能的硬件器件。此外,本领域的技术人员应当明白,计算机设备800也可仅仅包含实现本发明实施例所必须的器件,而不必包含图8中所示的全部器件。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所涉及的动作和模块并不一定是本发明所必须的。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,上述的程序可存储于一种计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,上述的存储介质可为磁碟、光盘、只读存储记忆体(ROM:Read-OnlyMemory)或随机存储记忆体(RAM:Random Access Memory)等。
尽管在此结合各实施例对本发明进行了描述,然而,在实施所要保护的本发明的过程中,本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书,可理解并实现所述公开实施例的其它变化。在权利要求中,“包括”(comprising)一词不排除其它组成部分或步骤,“一”或“一个”不排除多个的可能性。单个处理器或其它单元可以实现权利要求中列举的若干项功能。互相不同的从属权利要求中记载了某些措施,但这并不代表这些措施不能组合起来产生良好的效果。计算机程序可以存储/分布在合适的介质中,例如:光存储介质或固态介质,与其它硬件一起提供或作为硬件的一部分,也可以采用其它分布形式,如通过Internet或其它有线或无线电信系统。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (20)
1.一种回归模型的生成方法,其特征在于,包括:
获取待拟合系统的待拟合系统特征的值;
获取所述待拟合系统的待拟合业务的待拟合指标的值;
将所述待拟合系统特征的值与所述待拟合指标的值进行拟合,从而获取目标回归模型以建立所述待拟合系统特征的值与所述待拟合指标的值之间的数据关系。
2.根据权利要求1所述的方法,其特征在于,所述获取待拟合系统的待拟合系统特征的值包括:
获取所述待拟合系统的至少两个系统特征的值;
根据所述至少两个系统特征的值,以及所述待拟合指标的值,计算所述至少两个系统特征各自与所述待拟合指标的相关系数的值;
根据所述至少两个系统特征各自与所述待拟合指标的相关系数的值,从所述至少两个系统特征中确定出所述待拟合系统特征,从而确定出待拟合系统特征的值。
3.根据权利要求2所述的方法,其特征在于,所述待拟合系统特征与所述待拟合指标的相关系数的值大于M,或者前N个相关系数包括所述待拟合系统特征与所述待拟合指标的相关系数,所述前N个相关系数为所述至少两个系统特征各自与所述待拟合指标的相关系数中值最大的N个相关系数,M为非负常数,N为正常数且N小于或等于所述至少两个系统特征中系统特征的个数。
4.根据权利要求1至3任一项所述的方法,其特征在于,所述待拟合系统特征的系统特征的数量为至少两个,所述待拟合系统特征具有至少两个系统特征子集,所述将所述待拟合系统特征的值与所述待拟合指标的值进行拟合,从而获取目标回归模型包括:
将所述至少两个系统特征子集中的系统特征的值与所述待拟合指标的值进行拟合,从而获取所述至少两个系统特征子集各自对应的回归模型;
对所述至少两个系统特征子集各自对应的回归模型进行测试,从而获取所述至少两个系统特征子集各自对应的回归模型的预测精度的值;
将最大预测精度对应的回归模型确定为所述目标回归模型,所述最大预测精度为所述至少两个系统特征子集各自对应的回归模型的预测精度中值最大的预测精度。
5.根据权利要求1至3任一项所述的方法,其特征在于,所述待拟合系统特征的系统特征的数量为至少两个,所述待拟合系统特征具有至少两个系统特征子集,所述待拟合系统的系统数量为至少两个,所述将所述待拟合系统特征的值与所述待拟合指标的值进行拟合,从而获取目标回归模型包括:
将所述至少两个系统特征子集中的系统特征的值与所述待拟合指标的值进行拟合,从而获取所述至少两个系统特征子集各自对应的回归模型;
对所述至少两个系统特征子集各自对应的回归模型进行测试,从而获取所述至少两个系统特征子集各自对应的回归模型的预测精度的值;
将最大预测精度对应的网路特征子集作为目标系统特征子集,所述最大预测精度为所述至少两个系统特征子集各自对应的回归模型的预测精度中值最大的预测精度;根据所述待拟合系统特征的值,对所述待拟合系统进行聚类,从而获取所述待拟合系统的至少两个系统子集;
将所述至少两个系统子集中分别位于所述目标系统特征子集中的系统特征的值,与所述待拟合指标中的所述至少两个系统子集中的指标的值进行拟合,从而获取所述至少两个系统子集各自对应的回归模型。
6.一种指标的预测方法,其特征在于,包括:
获取目标系统的系统特征的值,所述目标系统用于运行待预测业务;
获取目标回归模型,所述目标回归模型包括已训练系统的系统特征的值与运行在所述已训练系统上的已训练业务的指标的值之间的数据关系,所述待预测业务与所述已训练业务为相同类型的业务,所述目标系统的系统特征与所述已训练系统的系统特征相同,所述待预测业务的指标与所述已训练业务的指标相同;
将所述目标系统的系统特征的值作为所述目标回归模型的输入,以使得根据所述数据关系获得所述待预测业务的指标的预测值。
7.根据权利要求6所述的方法,其特征在于,所述获取目标回归模型包括:
根据所述待预测业务的指标,获取所述目标回归模型。
8.根据权利要求6所述的方法,其特征在于,所述获取目标系统的系统特征的值包括:
获取指标与系统特征之间的对应关系;
根据所述待预测业务的指标以及所述对应关系,获取与所述待预测业务的指标对应的系统特征,作为所述目标系统的系统特征;
获取所述待预测业务的指标对应的系统特征的值;相应地,
所述获取目标回归模型包括:
根据所述待预测业务的指标对应的系统特征,获取所述目标回归模型。
9.根据权利要求8所述的方法,其特征在于,所述根据所述待预测业务的指标对应的系统特征,获取所述目标回归模型包括:
根据所述目标系统的系统特征的值,使用与所述指标对应的分类器对所述目标系统的系统特征的值进行分类;
将与所述目标系统的系统特征的值的类别对应的回归模型作为所述目标回归模型。
10.根据权利要求9所述的方法,其特征在于,所述分类器根据所述已训练系统的系统特征的值的类别训练得到,所述已训练系统的系统特征的值的类别通过将所述已训练系统的系统特征的值的进行聚类得到。
11.一种回归模型的生成装置,其特征在于,所述装置包括:
特征获取模块,用于获取待拟合系统的待拟合系统特征的值;
指标获取模块,用于获取所述待拟合系统的待拟合业务的待拟合指标的值;
拟合模块,用于将所述特征获取模块获取的所述待拟合系统特征的值与所述指标获取模块获取的所述待拟合指标的值进行拟合,从而获取目标回归模型以建立所述待拟合系统特征的值与所述待拟合指标的值之间的数据关系。
12.根据权利要求11所述的装置,其特征在于,所述特征获取模块用于:
获取所述待拟合系统的至少两个系统特征的值;
根据所述至少两个系统特征的值,以及所述待拟合指标的值,计算所述至少两个系统特征各自与所述待拟合指标的相关系数的值;
根据所述至少两个系统特征各自与所述待拟合指标的相关系数的值,从所述至少两个系统特征中确定出所述待拟合系统特征,从而确定出待拟合系统特征的值。
13.根据权利要求12所述的装置,其特征在于,所述待拟合系统特征与所述待拟合指标的相关系数的值大于M,或者前N个相关系数包括所述待拟合系统特征与所述待拟合指标的相关系数,所述前N个相关系数为所述至少两个系统特征各自与所述待拟合指标的相关系数中值最大的N个相关系数,M为非负常数,N为正常数且N小于或等于所述至少两个系统中系统特征的个数。
14.根据权利要求11至13任一项所述的装置,其特征在于,所述待拟合系统特征的系统特征的数量为至少两个,所述待拟合系统特征具有至少两个系统特征子集,所述拟合模块用于:
将所述至少两个系统特征子集中的系统特征的值与所述待拟合指标的值进行拟合,从而获取所述至少两个系统特征子集各自对应的回归模型;
对所述至少两个系统特征子集各自对应的回归模型进行测试,从而获取所述至少两个系统特征子集各自对应的回归模型的预测精度的值;
将最大预测精度对应的回归模型确定为所述目标回归模型,所述最大预测精度为所述至少两个系统特征子集各自对应的回归模型的预测精度中值最大的预测精度。
15.根据权利要求11至13任一项所述的装置,其特征在于,所述待拟合系统特征的系统特征的数量为至少两个,所述待拟合系统特征具有至少两个系统特征子集,所述待拟合系统的系统数量为至少两个,所述拟合模块用于:
将所述至少两个系统特征子集中的系统特征的值与所述待拟合指标的值进行拟合,从而获取所述至少两个系统特征子集各自对应的回归模型;
对所述至少两个系统特征子集各自对应的回归模型进行测试,从而获取所述至少两个系统特征子集各自对应的回归模型的预测精度的值;
将最大预测精度对应的网路特征子集作为目标系统特征子集,所述最大预测精度为所述至少两个系统特征子集各自对应的回归模型的预测精度中值最大的预测精度;根据所述待拟合系统特征的值,对所述待拟合系统进行聚类,从而获取所述待拟合系统的至少两个系统子集;
将所述至少两个系统子集中分别位于所述目标系统特征子集中的系统特征的值,与所述待拟合指标中的所述至少两个系统子集中的指标的值进行拟合,从而获取所述至少两个系统子集各自对应的回归模型。
16.一种指标的预测装置,其特征在于,包括:
特征获取模块,用于获取目标系统的系统特征的值,所述目标系统用于运行待预测业务;
模型获取模块,用于获取目标回归模型,所述目标回归模型包括已训练系统的系统特征的值与运行在所述已训练系统上的已训练业务的指标的值之间的数据关系,所述待预测业务与所述已训练业务为相同类型的业务,所述目标系统的系统特征与所述已训练系统的系统特征相同,所述待预测业务的指标与所述已训练业务的指标相同;
预测模块,用于将所述特征获取模块获取的所述目标系统的系统特征的值作为模型获取模块获取的所述目标回归模型的输入,以使得根据所述数据关系获得所述待预测业务的指标的预测值。
17.根据权利要求16所述的装置,其特征在于,所述模型获取模块用于:
根据所述待预测业务的指标,获取所述目标回归模型。
18.根据权利要求16所述的装置,其特征在于,所述特征获取模块用于:获取指标与系统特征之间的对应关系;
根据所述待预测业务的指标以及所述对应关系,获取与所述待预测业务的指标对应的系统特征,作为所述目标系统的系统特征;
获取所述待预测业务的指标对应的系统特征的值;相应地,
所述模型获取模块用于:
根据所述特征获取模块获取得到的所述待预测业务的指标对应的系统特征,获取所述目标回归模型。
19.根据权利要求18所述的装置,其特征在于,所述模型获取模块用于:
根据所述目标系统的系统特征的值,使用与所述指标对应的分类器对所述目标系统的系统特征的值进行分类;
将与所述目标系统的系统特征的值的类别对应的回归模型作为所述目标回归模型。
20.根据权利要求19所述的装置,其特征在于,所述分类器根据所述已训练系统的系统特征的值的类别训练得到,所述已训练系统的系统特征的值的类别通过将所述已训练系统的系统特征的值的进行聚类得到。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511029283.3A CN106934514A (zh) | 2015-12-31 | 2015-12-31 | 一种回归模型的生成方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511029283.3A CN106934514A (zh) | 2015-12-31 | 2015-12-31 | 一种回归模型的生成方法以及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106934514A true CN106934514A (zh) | 2017-07-07 |
Family
ID=59442135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511029283.3A Pending CN106934514A (zh) | 2015-12-31 | 2015-12-31 | 一种回归模型的生成方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106934514A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109039691A (zh) * | 2018-06-01 | 2018-12-18 | 平安科技(深圳)有限公司 | 服务器、预测系统调用量的方法及存储介质 |
CN109062769A (zh) * | 2018-08-21 | 2018-12-21 | 南京星邺汇捷网络科技有限公司 | It系统性能风险趋势预测的方法、装置和设备 |
CN109302719A (zh) * | 2018-11-05 | 2019-02-01 | 北京市天元网络技术股份有限公司 | 一种lte小区容量预测分析方法及装置 |
CN109826818A (zh) * | 2019-02-26 | 2019-05-31 | 北京工业大学 | 一种矿用风机的故障诊断方法 |
CN110096737A (zh) * | 2019-03-21 | 2019-08-06 | 国网内蒙古东部电力有限公司电力科学研究院 | 绝缘子寿命预测方法、装置、计算机装置及存储介质 |
WO2019184640A1 (zh) * | 2018-03-26 | 2019-10-03 | 华为技术有限公司 | 一种指标确定方法及其相关设备 |
CN111325375A (zh) * | 2018-12-13 | 2020-06-23 | 北京沃东天骏信息技术有限公司 | 数据修正方法及装置、计算机存储介质、电子设备 |
US20200242194A1 (en) * | 2019-01-25 | 2020-07-30 | Fujitsu Limited | Recording medium recording analysis program, information processing apparatus, and analysis method |
CN111782550A (zh) * | 2020-07-31 | 2020-10-16 | 支付宝(杭州)信息技术有限公司 | 基于用户隐私保护训练指标预测模型的方法及装置 |
CN116109019A (zh) * | 2023-04-12 | 2023-05-12 | 成都英沃信科技有限公司 | 一种基于随机森林的气井日产气量预测方法及设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103167505A (zh) * | 2011-12-19 | 2013-06-19 | 中国移动通信集团福建有限公司 | 一种小区数据信道配置方法和系统 |
CN103217960A (zh) * | 2013-04-08 | 2013-07-24 | 同济大学 | 一种半导体生产线动态调度策略自动选择方法 |
CN104102968A (zh) * | 2013-04-15 | 2014-10-15 | 中国移动通信集团宁夏有限公司 | 一种移动关键业务的预警方法及装置 |
-
2015
- 2015-12-31 CN CN201511029283.3A patent/CN106934514A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103167505A (zh) * | 2011-12-19 | 2013-06-19 | 中国移动通信集团福建有限公司 | 一种小区数据信道配置方法和系统 |
CN103217960A (zh) * | 2013-04-08 | 2013-07-24 | 同济大学 | 一种半导体生产线动态调度策略自动选择方法 |
CN104102968A (zh) * | 2013-04-15 | 2014-10-15 | 中国移动通信集团宁夏有限公司 | 一种移动关键业务的预警方法及装置 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019184640A1 (zh) * | 2018-03-26 | 2019-10-03 | 华为技术有限公司 | 一种指标确定方法及其相关设备 |
CN110365503A (zh) * | 2018-03-26 | 2019-10-22 | 华为技术有限公司 | 一种指标确定方法及其相关设备 |
CN110365503B (zh) * | 2018-03-26 | 2022-08-19 | 华为技术有限公司 | 一种指标确定方法及其相关设备 |
CN109039691A (zh) * | 2018-06-01 | 2018-12-18 | 平安科技(深圳)有限公司 | 服务器、预测系统调用量的方法及存储介质 |
CN109062769A (zh) * | 2018-08-21 | 2018-12-21 | 南京星邺汇捷网络科技有限公司 | It系统性能风险趋势预测的方法、装置和设备 |
CN109302719B (zh) * | 2018-11-05 | 2022-02-08 | 北京市天元网络技术股份有限公司 | 一种lte小区容量预测分析方法及装置 |
CN109302719A (zh) * | 2018-11-05 | 2019-02-01 | 北京市天元网络技术股份有限公司 | 一种lte小区容量预测分析方法及装置 |
CN111325375A (zh) * | 2018-12-13 | 2020-06-23 | 北京沃东天骏信息技术有限公司 | 数据修正方法及装置、计算机存储介质、电子设备 |
US11593457B2 (en) * | 2019-01-25 | 2023-02-28 | Fujitsu Limited | Recording medium recording analysis program, information processing apparatus, and analysis method |
US20200242194A1 (en) * | 2019-01-25 | 2020-07-30 | Fujitsu Limited | Recording medium recording analysis program, information processing apparatus, and analysis method |
CN109826818A (zh) * | 2019-02-26 | 2019-05-31 | 北京工业大学 | 一种矿用风机的故障诊断方法 |
CN109826818B (zh) * | 2019-02-26 | 2021-06-25 | 北京工业大学 | 一种矿用风机的故障诊断方法 |
CN110096737A (zh) * | 2019-03-21 | 2019-08-06 | 国网内蒙古东部电力有限公司电力科学研究院 | 绝缘子寿命预测方法、装置、计算机装置及存储介质 |
CN111782550A (zh) * | 2020-07-31 | 2020-10-16 | 支付宝(杭州)信息技术有限公司 | 基于用户隐私保护训练指标预测模型的方法及装置 |
CN116109019A (zh) * | 2023-04-12 | 2023-05-12 | 成都英沃信科技有限公司 | 一种基于随机森林的气井日产气量预测方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106934514A (zh) | 一种回归模型的生成方法以及装置 | |
CN105634787B (zh) | 网络关键指标的评估方法、预测方法及装置和系统 | |
CN107171848B (zh) | 一种流量预测方法和装置 | |
JP7279856B2 (ja) | 方法及び装置 | |
CN111867049B (zh) | 定位方法、装置及存储介质 | |
US20160366565A1 (en) | Grouping wireless devices in a communications network | |
EP2863674B1 (en) | Capacity planning method and device for wireless broadband network | |
CN108990078A (zh) | Lte网络下行干扰的优化方法、系统、设备及存储介质 | |
US20230292142A1 (en) | Transfer learning of network traffic prediction model among cellular base stations | |
US9730098B2 (en) | Knowledge discovery and data mining-assisted multi-radio access technology control | |
CN109640340A (zh) | 基站数据处理方法、装置、设备及计算机可读存储介质 | |
Eriksson et al. | On long-term statistical dependences in channel gains for fixed wireless links in factories | |
CN109618281A (zh) | 一种高铁小区的识别方法及装置 | |
Külzer et al. | Cdi maps: Dynamic estimation of the radio environment for predictive resource allocation | |
CN107306419A (zh) | 一种端到端质量评估方法和装置 | |
CN113056005A (zh) | 波束确定方法、装置、电子设备及计算机可读存储介质 | |
CN114615693B (zh) | 网络容量预测方法、装置、电子设备及计算机存储介质 | |
CN109993185A (zh) | 无线信令分析方法、装置、计算设备及存储介质 | |
Shakya et al. | AI based 5G RAN planning | |
CN114745289A (zh) | 网络性能数据的预测方法、装置、存储介质及设备 | |
CN112437469B (zh) | 服务质量保障方法、装置和计算机可读存储介质 | |
Rathod et al. | Coverage estimation in outdoor heterogeneous propagation environments | |
CN112637904A (zh) | 负载均衡方法、装置及计算设备 | |
Saleh et al. | Probabilistic path loss predictors for mmWave networks | |
Al-Begain et al. | The performance and reliability modelling language MOSEL and its applications |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170707 |