CN109788502B - 小区平均意见值的确定方法、装置、设备和介质 - Google Patents
小区平均意见值的确定方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN109788502B CN109788502B CN201711129765.5A CN201711129765A CN109788502B CN 109788502 B CN109788502 B CN 109788502B CN 201711129765 A CN201711129765 A CN 201711129765A CN 109788502 B CN109788502 B CN 109788502B
- Authority
- CN
- China
- Prior art keywords
- cell
- mos
- drive test
- index
- preset threshold
- 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.)
- Active
Links
Images
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明实施例提供了一种小区平均意见值的确定方法、装置、设备和计算机可读存储介质,用以降低确定小区平均意见值的成本,同时增强确定出的小区平均意见值的实时性。所述小区平均意见值的确定方法,包括:获取待测小区的网管性能指标;根据预先建立的网管性能指标与路测测试指标之间的映射关系,将所述待测小区的网管性能指标转换为所述待测小区的路测测试指标;基于预先建立的路测测试指标与平均意见值MOS之间的深度神经网络,计算所述待测小区的路测测试指标对应的MOS;将所述待测小区的路测测试指标对应的MOS确定为所述待测小区的MOS。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种小区平均意见值的确定方法、装置、设备和计算机可读存储介质。
背景技术
随着通信技术的发展,用户越来越重视通话中的语音感知。简单来说,语音感知是指通话过程中,用户对语音清晰程度的感受,语音感知通常使用平均意见值(Mean OpinionScore,MOS)表示。例如,通常使用0-5制,0分代表最差的语音质量,5分代表最优的语音质量。
目前,确定小区MOS的方法是由路测设备在特定MOS采样点时刻,采集路测测试指标,然后结合采集到的路测测试指标计算小区的MOS。具体特定MOS采样点时刻,如图1所示,主叫起呼,进行录音(8s左右);被叫放音,主叫收音,被叫记录第1个MOS采样点(8s);主叫放音,被叫收音,主叫记录第1个MOS采样点(8s);被叫放音,主叫收音,被叫记录第2个MOS采样点(8s);主叫放音,被叫收音,主叫记录第2个MOS采样点(8s);被叫放音,主叫收音,被叫记录第3个MOS采样点(8s)……,依此类推。
从上述确定小区MOS的方法可以看出,现有技术中采用路测方式,在特定MOS采样点时刻,采集路测测试指标确定小区MOS的方法,一方面需要耗费大量的人力物力,另一方面测试得到的MOS实时性不强。
发明内容
本发明实施例提供了一种小区平均意见值的确定方法、装置、设备和计算机可读存储介质,用以降低确定小区平均意见值的成本,同时增强确定出的小区平均意见值的实时性。
第一方面,本发明实施例提供了一种小区平均意见值的确定方法,方法包括:
获取待测小区的网管性能指标;
根据预先建立的网管性能指标与路测测试指标之间的映射关系,将待测小区的网管性能指标转换为待测小区的路测测试指标;
基于预先建立的路测测试指标与平均意见值MOS之间的深度神经网络,计算待测小区的路测测试指标对应的MOS;
将待测小区的路测测试指标对应的MOS确定为待测小区的MOS。
第二方面,本发明实施例提供了一种小区平均意见值的确定装置,装置包括:
获取模块,用于获取待测小区的网管性能指标;
转换模块,用于根据预先建立的网管性能指标与路测测试指标之间的映射关系,将待测小区的网管性能指标转换为待测小区的路测测试指标;
计算模块,用于基于预先训练的路测测试指标与平均意见值MOS之间的深度神经网络,计算待测小区的路测测试指标对应的MOS;
处理模块,用于将待测小区的路测测试指标对应的MOS确定为待测小区的MOS。
第三方面,本发明实施例提供了一种小区平均意见值的确定设备,包括:至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令,当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序指令,当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。
本发明实施例提供的小区平均意见值的确定方法、装置、设备和计算机可读存储介质,能够降低确定小区平均意见值的成本,同时增强确定出的小区平均意见值的实时性。
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,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示出了现有技术中确定小区平均意见值的原理示意图;
图2示出了本发明实施例提供的小区平均意见值的确定方法的流程示意图;
图3示出了本发明实施例提供的小区平均意见值的确定装置的结构示意图;
图4示出了本发明实施例提供的小区平均意见值的确定设备的结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例,为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细描述。应理解,此处所描述的具体实施例仅被配置为解释本发明,并不被配置为限定本发明。对于本领域技术人员来说,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
下面首先对本发明实施例所提供的小区平均意见值的确定方法进行介绍。
如图2所示,图2示出了本发明实施例提供的小区平均意见值的确定方法的流程示意图。其可以包括:
步骤S201,获取待测小区的网管性能指标。
步骤S202,根据预先建立的网管性能指标与路测测试指标之间的映射关系,将待测小区的网管性能指标转换为待测小区的路测测试指标。
步骤S203,基于预先建立的路测测试指标与平均意见值MOS之间的深度神经网络,计算待测小区的路测测试指标对应的MOS。
步骤S204,将待测小区的路测测试指标对应的MOS确定为待测小区的MOS。
本发明实施例,在确定待测小区的MOS之前,需要预先建立的网管性能指标与路测测试指标之间的映射关系,还需要预先建立路测测试指标与MOS之间的深度神经网络。
下面首先对本发明实施例中,建立网管性能指标与路测测试指标之间的映射关系和建立路测测试指标与MOS之间的深度神经网络的过程进行说明。
在实际应用中,影响MOS的因素包括但不限于:丢包因素、时延因素、抖动因素。具体来说:
丢包因素,在基于网络之间互联协议(Internet Protocol,IP)多媒体子系统(IPMultimedia Subsystem,IMS)的语音业务(Voice over LTE,VoLTE)系统中,丢包是造成语音MOS下降最重要的因素,尤其是连续丢包,相当于语音流有中断的现象。
时延因素,通话过程中的传输时延也是影响语音质量的重要因素。协议23.203规定,对于标度值(QoS Class Identifier,QCI)1语音98%以上的语音数据包,单侧时延都小于100毫秒(ms),那么本端(主叫或者被叫)到对端(被叫或者主叫)的时延要求是小于200ms。
抖动因素:VoLTE系统中能允许的抖动与用户终端的能力有一定的关系,具体需要结合不同终端给出评估结果。
结合测试实际指标,影响MOS的主要指标包括但不限于:块差错率(Block ErrorRatio,BLER)过高、语音承载强制配置为非保障的QCI9、调制与编码策略(Modulation andCoding Scheme,MCS)阶数波动太大、路损高于118~120、半持续调度功控目标BLER不合理、信号与干扰加噪声比(Signal to Interference plus Noise Ratio,SINR)较差、上行干扰严重、切换频次高。
在确定影响MOS的主要指标之后,即可将影响MOS的主要指标确定为路测测试指标,路测测试指标包括但不限于:下行信号与噪声加干扰比SINR的采样点数、上行调制方式中16QAM的采样点数、上行调制方式中64QAM的采样点数、上行调制方式中QPSK的采样点数、上行传输速率、下行传输速率、切换频率、传输时延、数据丢包率、块误差率。当然,路测测试指标还可以包括:每个测试点的经纬度。
同样可以基于确定的路测测试指标,建立路测测试指标与网管性能指标之间的映射关系,具体来说:
(1)切换频率
路测测试指标:切换次数/通话时长;
网管性能指标:小区切出次数/小区分组数据汇聚协议(Packet DataConvergence Protocol,PDCP)层接收上行数据的业务总时长(QCI=1总时长数)。
(2)数据丢包率(Packet Loss Rate,PLR)
路测测试指标:(发送的数据包数量-接收的数据包数量)/发送的数据包数量。其可以通过统计实时传输协议(Real-time Transport Protocol,RTP)层数据包与PDCP层数据包之比获取;
网管性能指标:小区下行丢包率。
(3)传输时延(Packet Delay)
路测测试指标:从主叫发出到被叫接收的RTP层数据包的时延。其可以通过统计从主叫端语音编码器输出到被叫端语音译码器输入前的时间差获取;
网管性能指标:小区下行平均时延。
(4)物理上行共享信道(Physical Uplink Shared Channel,PUSCH)BLER
路测测试指标:(初传次数-初传成功次数)/初传次数*100%,其可以通过计算PUSCH信道初传BLER在过去1秒内的平均值获取;
网管性能指标:媒体介入控制(Media Access Control,MAC)层上行块差错率。
(5)物理下行共享信道(Physical Downlink Shared Channel,PDSCH)BLER
路测测试指标:(初传次数-初传成功次数)/初传次数*100%,其可以通过计算PDSCH信道初传BLER在过去1秒内的平均值获取;
网管性能指标:MAC层下行块差错率。
(6)传输速率
路测测试指标:Ratio_UL_HARQ_ACK/Ratio_UL_HARQ_NACK;
网管性能指标:上行平均传输速率;
路测测试指标:Ratio_DL_HARQ_ACK/Ratio_DL_HARQ_NACK;
网管性能指标:下行平均传输速率。
(7)下行调制方式
路测测试指标:Percent_QAM64_DLCode0在下行调制方式中占比、Percent_QAM64_DLCode1在下行调制方式中占比;
网管性能指标:64QAM模式下行传输初始传输块(Transport Block,TB)数占比;
路测测试指标:Percent_QAM16_DLCode0在下行调制方式中占比、Percent_QAM16_DLCode0在下行调制方式中占比;
网管性能指标:16QAM模式下行传输初始TB数占比;
路测测试指标:Percent_QPSK_DLCode0在下行调制方式中占比、Percent_QPSK_DLCode1各下行各调制方式占比;
网管性能指标:QPSK模式下行传输初始TB数占比。
通过上述指标还可以计算出以下两个网管性能指标:
下行双流占比:Rank2模式下小区下行传输的TB数,包括重传的TB占总下行传输TB数占比;
下行单流占比:Rank1模式下小区下行传输的TB数,包括重传的TB占总下行传输TB数占比。
(8)上行调制方式
路测测试指标:Percent_QAM64_ULCode0在上行调制方式中占比、Percent_QAM64_ULCode1在上行调制方式中占比;
网管性能指标:64QAM模式上行传输初始TB数占比;
路测测试指标:Percent_QAM16_ULCode0在上行调制方式中占比、Percent_QAM16_ULCode0在上行调制方式中占比;
网管性能指标:16QAM模式上行传输初始TB数占比;
路测测试指标:Percent_QPSK_ULCode0在上行调制方式中占比、Percent_QPSK_ULCode1在上行调制方式中占比;
网管性能指标:QPSK模式上行传输初始TB数占比。
(9)DL Code0 CQI Value#Average
路测测试指标:DL Code0 CQI Value#Average、DL Code1CQI Value#Average。
网管性能指标:值为0~15的CQI数的加权平均值。
(10)传输模式Transmission Mode
路测测试指标:TM各段占比;
网管性能指标:下行TM各段占比。
在确定影响MOS的主要指标之后,可以根据确定出的影响MOS的主要指标,确定训练深度神经网络时采集样本数据的目标小区。具体实施时,根据确定出的影响MOS的主要指标,确定训练深度神经网络时采集样本数据的目标小区,能够使得训练生成的深度神经网络包含更多的实际应用场景,提升确定出的深度神经网络的准确性。
具体来说,训练深度神经网络时采集样本数据的小区,包括但不限于:
(1)切换次数大于第一预设阈值的小区和切换次数小于第二预设阈值的小区;其中,第一预设阈值大于所述第二预设阈值。具体实施时,第一预设阈值和第二预设阈值可以根据经验值设定,例如,第一预设阈值为5,第二预设阈值为0。
(2)下行块差错率大于第三预设阈值的小区和下行块差错率小于第四预设阈值的小区;其中,第三预设阈值大于第四预设阈值。具体实施时,第三预设阈值和第四预设阈值可以根据经验值设定,例如,第三预设阈值为0.01,第四预设阈值为0.0001。
(3)数据丢包数量大于第五预设阈值的小区和数据丢包数量小于第六预设阈值的小区;其中,第五预设阈值大于所述第六预设阈值。具体实施时,第五预设阈值和第六预设阈值可以根据经验值设定,例如,第五预设阈值为10,第六预设阈值为2。
(4)下行速率大于第七预设阈值的小区和下行速率小于第八预设阈值的小区;其中,第七预设阈值大于第八预设阈值。具体实施时,第七预设阈值和第八预设阈值可以根据经验值设定,例如,第七预设阈值为10,第八预设阈值为2。
(5)数据传输时延大于第九预设阈值的小区和数据传输时延小于第十预设阈值的小区,其中,第九预设阈值大于第十预设阈值。具体实施时,第九预设阈值和第十预设阈值可以根据经验值设定,例如,第九预设阈值为200ms,第十预设阈值为50ms。
在确定训练深度神经网络时采集样本数据的目标小区之后,即可采集多个目标小区的路测测试指标,并基于采集的每个小区的路测测试指标,计算每个小区的MOS,生成每个小区的路测测试指标与小区MOS之间的对应关系,然后以每个小区的路测测试指标与小区MOS之间的对应关系为训练样本,训练生成路测测试指标与MOS之间的深度神经网络。其中,深度神经网络可以采用BP(back propagation)网络+遗传算法模型。
当然,在采集多个目标小区的路测测试指标时,可以采集上述建立的路测测试指标与网管性能指标的映射关系中包含的路测测试指标。
当然,在上述步骤S201中,获取待测小区的网管性能指标时,也可以先根据预先建立的网管性能指标与路测测试指标之间的映射关系,确定用于计算小区MOS的路测测试指标对应的网管性能指标,并获取确定出的用于计算小区MOS的路测测试指标对应的网管性能指标。
具体实施时,获取待测小区的网管性能指标时,可以从网络管理中心或者操作维护中心(Operation and Maintenance Center,OMC)中统计获取,本发明对此不做限定。
在上述步骤S202中,在获取待测小区的网管性能指标之后,即可根据预先建立的网管性能指标与路测测试指标之间的映射关系,将待测小区的网管性能指标转换为待测小区的路测测试指标。
在上述步骤S202中,将待测小区的网管性能指标转换为待测小区的路测测试指标之后,即可在步骤S203中基于预先建立的路测测试指标与平均意见值MOS之间的深度神经网络,计算待测小区的路测测试指标对应的MOS。
具体实施时,为了提高步骤S203计算出的待测小区的路测测试指标对应的MOS的准确性,本发明实施例在步骤S203之前,还可以针对小区进行单用户测试,根据单用户测试的测试结果确定预先建立的路测测试指标与MOS之间的深度神经网络的误差,在确定预先建立的路测测试指标与MOS之间的深度神经网络的误差满足预设标准时,执行步骤S203,也即在确定预先建立的路测测试指标与MOS之间的深度神经网络的误差满足预设标准时,基于预先建立的路测测试指标与MOS之间的深度神经网络,计算待测小区的路测测试指标对应的MOS。
其中,预设标准可以根据确定小区MOS的精度确定,例如,若要求确定出的小区MOS精度较高,则预设标准可以为误差的绝对值小于0.001;再比如,若要求确定出的小区MOS精度较低,则预设标准可以为误差的绝对值小于0.01。需要说明的是,针对小区进行单用户测试,是指在小区中仅存在单个用户,不存在其他用户的条件下,进行的测试。
具体实施时,针对小区进行单用户测试,根据单用户测试的测试结果确定预先建立的路测测试指标与MOS之间的深度神经网络的误差,包括:针对小区进行单用户测试,确定单用户的MOS;获取小区的网管性能指标,根据网管性能指标与路测测试指标之间的映射关系,将小区的网管性能指标转换为小区的路测测试指标;基于预先建立的路测测试指标与MOS之间的深度神经网络,计算小区的路测测试指标对应的MOS;将单用户的MOS与小区的路测测试指标对应MOS的差值,作为预先建立的路测测试指标与MOS之间的深度神经网络的误差。
当然,需要说明的是,在确定预先建立的路测测试指标与MOS之间的深度神经网络的误差不满足预设标准时,可以继续调整深度神经网络模型中的相关系数,以不断对建立的深度神经网络模型进行优化,提高确定出的MOS的准确性。
基于同样的发明构思,本发明实施例还提供了小区平均意见值的确定装置。
如图3所示,本发明实施例提供的一种小区平均意见值的确定装置,装置包括:
获取模块301,用于获取待测小区的网管性能指标。
转换模块302,用于根据预先建立的网管性能指标与路测测试指标之间的映射关系,将待测小区的网管性能指标转换为待测小区的路测测试指标。
计算模块303,用于基于预先训练的路测测试指标与平均意见值MOS之间的深度神经网络,计算待测小区的路测测试指标对应的MOS。
处理模块304,用于将待测小区的路测测试指标对应的MOS确定为待测小区的MOS。
可选的,计算模块303,具体用于:采集多个目标小区的路测测试指标;基于采集的每个小区的路测测试指标,计算每个小区的MOS,生成每个小区的路测测试指标与小区MOS之间的对应关系;以每个小区的路测测试指标与小区MOS之间的对应关系为训练样本,训练生成路测测试指标与MOS之间的深度神经网络。
可选的,目标小区包括以下任意一种或多种:切换次数大于第一预设阈值的小区、切换次数小于第二预设阈值的小区、下行块差错率大于第三预设阈值的小区、下行块差错率小于第四预设阈值的小区、数据丢包数量大于第五预设阈值的小区、数据丢包数量小于第六预设阈值的小区、下行速率大于第七预设阈值的小区、下行速率小于第八预设阈值的小区、数据传输时延大于第九预设阈值的小区、数据传输时延小于第十预设阈值的小区,其中,第一预设阈值大于第二预设阈值,第三预设阈值大于第四预设阈值,第五预设阈值大于第六预设阈值,第七预设阈值大于第八预设阈值,第九预设阈值大于第十预设阈值。
可选的,计算模块303还用于:针对小区进行单用户测试,根据单用户测试的测试结果确定预先建立的路测测试指标与MOS之间的深度神经网络的误差;在确定预先建立的路测测试指标与MOS之间的深度神经网络的误差满足预设标准时,基于预先建立的路测测试指标与MOS之间的深度神经网络,计算待测小区的路测测试指标对应的MOS。
可选的,计算模块303具体用于:针对小区进行单用户测试,确定单用户的MOS;获取小区的网管性能指标,根据网管性能指标与路测测试指标之间的映射关系,将小区的网管性能指标转换为小区的路测测试指标;基于预先建立的路测测试指标与MOS之间的深度神经网络,计算小区的路测测试指标对应的MOS;将单用户的MOS与小区的路测测试指标对应MOS的差值,作为预先建立的路测测试指标与MOS之间的深度神经网络的误差。
可选的,获取模块301具体用于:根据预先建立的网管性能指标与路测测试指标之间的映射关系,确定用于计算小区MOS的路测测试指标对应的网管性能指标;获取确定出的用于计算小区MOS的路测测试指标对应的网管性能指标。
可选的,所述路测测试指标包括以下任意一种或多种:下行信号与噪声加干扰比SINR的采样点数、上行调制方式中16QAM的采样点数、上行调制方式中64QAM的采样点数、上行调制方式中QPSK的采样点数、上行传输速率、下行传输速率、切换频率、传输时延、数据丢包率、块误差率。
另外,结合图2描述的本发明实施例的小区平均意见值的确定方法可以由小区平均意见值的确定设备来实现。图4示出了本发明实施例提供的小区平均意见值的确定设备的硬件结构示意图。
小区平均意见值的确定设备可以包括处理器401以及存储有计算机程序指令的存储器402。
具体地,上述处理器401可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器402可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器402可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器402可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器402可在数据处理装置的内部或外部。在特定实施例中,存储器402是非易失性固态存储器。在特定实施例中,存储器402包括只读存储器(ROM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器401通过读取并执行存储器402中存储的计算机程序指令,以实现上述实施例中的任意一种小区平均意见值的确定方法。
在一个示例中,小区平均意见值的确定设备还可包括通信接口403和总线410。其中,如图4所示,处理器401、存储器402、通信接口403通过总线410连接并完成相互间的通信。
通信接口403,主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
总线410包括硬件、软件或两者,将小区平均意见值的确定设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线410可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线,但本发明考虑任何合适的总线或互连。
该小区平均意见值的确定设备可以基于获取到待测小区的网管性能指标,执行本发明实施例中的小区平均意见值的确定方法,从而实现结合图2描述的小区平均意见值的确定方法。
另外,结合上述实施例中的小区平均意见值的确定方法,本发明实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种小区平均意见值的确定方法。
需要明确的是,本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本发明的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本发明的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
以上所述,仅为本发明的具体实施方式,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、模块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。应理解,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种小区平均意见值的确定方法,其特征在于,所述方法包括:
获取待测小区的网管性能指标;
根据预先建立的网管性能指标与路测测试指标之间的映射关系,将所述待测小区的网管性能指标转换为所述待测小区的路测测试指标;
基于预先建立的路测测试指标与平均意见值MOS之间的深度神经网络,计算所述待测小区的路测测试指标对应的MOS;
将所述待测小区的路测测试指标对应的MOS确定为所述待测小区的MOS;
所述路测测试指标包括以下至少一种:下行信号与噪声加干扰比SINR的采样点数、上行调制方式中16QAM的采样点数、上行调制方式中64QAM的采样点数、上行调制方式中QPSK的采样点数、上行传输速率、下行传输速率、切换频率、传输时延、数据丢包率、块误差率、每个测试点的经纬度。
2.根据权利要求1所述的方法,其特征在于,所述路测测试指标与平均意见值MOS之间的深度神经网络通过如下步骤建立:
采集多个目标小区的路测测试指标;
基于采集的每个小区的路测测试指标,计算每个小区的MOS,生成每个小区的路测测试指标与小区MOS之间的对应关系;
以所述每个小区的路测测试指标与小区MOS之间的对应关系为训练样本,训练生成所述路测测试指标与MOS之间的深度神经网络。
3.根据权利要求2所述的方法,其特征在于,所述目标小区包括以下任意一种或多种:
切换次数大于第一预设阈值的小区、切换次数小于第二预设阈值的小区、下行块差错率大于第三预设阈值的小区、下行块差错率小于第四预设阈值的小区、数据丢包数量大于第五预设阈值的小区、数据丢包数量小于第六预设阈值的小区、下行速率大于第七预设阈值的小区、下行速率小于第八预设阈值的小区、数据传输时延大于第九预设阈值的小区、数据传输时延小于第十预设阈值的小区,其中,所述第一预设阈值大于所述第二预设阈值,所述第三预设阈值大于所述第四预设阈值,所述第五预设阈值大于所述第六预设阈值,所述第七预设阈值大于所述第八预设阈值,所述第九预设阈值大于所述第十预设阈值。
4.根据权利要求1所述的方法,其特征在于,所述基于预先建立的路测测试指标与平均意见值MOS之间的深度神经网络,计算所述待测小区的路测测试指标对应的MOS值,包括:
针对小区进行单用户测试,根据所述单用户测试的测试结果确定所述预先建立的路测测试指标与MOS之间的深度神经网络的误差;
在确定所述预先建立的路测测试指标与MOS之间的深度神经网络的误差满足预设标准时,基于预先建立的路测测试指标与MOS之间的深度神经网络,计算所述待测小区的路测测试指标对应的MOS。
5.根据权利要求4所述的方法,其特征在于,所述针对小区进行单用户测试,根据所述单用户测试的测试结果确定所述预先建立的路测测试指标与MOS之间的深度神经网络的误差,包括:
针对所述小区进行单用户测试,确定所述单用户的MOS;
获取所述小区的网管性能指标,根据所述网管性能指标与路测测试指标之间的映射关系,将所述小区的网管性能指标转换为所述小区的路测测试指标;
基于所述预先建立的路测测试指标与MOS之间的深度神经网络,计算所述小区的路测测试指标对应的MOS;
将所述单用户的MOS与所述小区的路测测试指标对应MOS的差值,作为所述预先建立的路测测试指标与MOS之间的深度神经网络的误差。
6.根据权利要求1所述的方法,其特征在于,所述获取待测小区的网管性能指标,包括:
根据预先建立的网管性能指标与路测测试指标之间的映射关系,确定用于计算小区MOS的路测测试指标对应的网管性能指标;
获取确定出的用于计算小区MOS的路测测试指标对应的网管性能指标。
7.根据权利要求1-6中任一项所述的方法,其特征在于,所述路测测试指标包括以下任意一种或多种:
下行信号与噪声加干扰比SINR的采样点数、上行调制方式中16QAM的采样点数、上行调制方式中64QAM的采样点数、上行调制方式中QPSK的采样点数、上行传输速率、下行传输速率、切换频率、传输时延、数据丢包率、块误差率。
8.一种小区平均意见值的确定装置,其特征在于,包括:
获取模块,用于获取待测小区的网管性能指标;
转换模块,用于根据预先建立的网管性能指标与路测测试指标之间的映射关系,将所述待测小区的网管性能指标转换为所述待测小区的路测测试指标;
计算模块,用于基于预先训练的路测测试指标与平均意见值MOS之间的深度神经网络,计算所述待测小区的路测测试指标对应的MOS;
处理模块,用于将所述待测小区的路测测试指标对应的MOS确定为所述待测小区的MOS;
所述路测测试指标包括以下至少一种:下行信号与噪声加干扰比SINR的采样点数、上行调制方式中16QAM的采样点数、上行调制方式中64QAM的采样点数、上行调制方式中QPSK的采样点数、上行传输速率、下行传输速率、切换频率、传输时延、数据丢包率、块误差率、每个测试点的经纬度。
9.一种小区平均意见值的确定设备,其特征在于,包括:至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令,当所述计算机程序指令被所述处理器执行时实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,当所述计算机程序指令被处理器执行时实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711129765.5A CN109788502B (zh) | 2017-11-15 | 2017-11-15 | 小区平均意见值的确定方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711129765.5A CN109788502B (zh) | 2017-11-15 | 2017-11-15 | 小区平均意见值的确定方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109788502A CN109788502A (zh) | 2019-05-21 |
CN109788502B true CN109788502B (zh) | 2022-05-31 |
Family
ID=66493715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711129765.5A Active CN109788502B (zh) | 2017-11-15 | 2017-11-15 | 小区平均意见值的确定方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109788502B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111669772B (zh) * | 2020-05-22 | 2022-04-08 | 中国联合网络通信集团有限公司 | 一种网络优化方法及装置 |
CN114554534B (zh) * | 2020-11-24 | 2024-05-07 | 中国移动通信集团北京有限公司 | 影响语音感知的网络因素确定方法、装置及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102075964A (zh) * | 2009-11-24 | 2011-05-25 | 大唐移动通信设备有限公司 | 网管系统获取性能数据的方法和设备 |
CN103581956A (zh) * | 2012-07-25 | 2014-02-12 | 中国移动通信集团河南有限公司 | 一种语音质量的检测方法及装置 |
CN103987067A (zh) * | 2014-03-21 | 2014-08-13 | 北京理工大学 | 一种基于数据挖掘的3g语音业务质量评估方法 |
CN104581758A (zh) * | 2013-10-25 | 2015-04-29 | 中国移动通信集团广东有限公司 | 一种语音质量的估计方法、装置及电子设备 |
CN106911925A (zh) * | 2015-12-22 | 2017-06-30 | 中兴通讯股份有限公司 | 视频质量的处理方法及装置 |
EP3226474A1 (en) * | 2016-04-01 | 2017-10-04 | Thomson Licensing | Method for predicting a level of qoe of an application intended to be run on a wireless user equipment |
-
2017
- 2017-11-15 CN CN201711129765.5A patent/CN109788502B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102075964A (zh) * | 2009-11-24 | 2011-05-25 | 大唐移动通信设备有限公司 | 网管系统获取性能数据的方法和设备 |
CN103581956A (zh) * | 2012-07-25 | 2014-02-12 | 中国移动通信集团河南有限公司 | 一种语音质量的检测方法及装置 |
CN104581758A (zh) * | 2013-10-25 | 2015-04-29 | 中国移动通信集团广东有限公司 | 一种语音质量的估计方法、装置及电子设备 |
CN103987067A (zh) * | 2014-03-21 | 2014-08-13 | 北京理工大学 | 一种基于数据挖掘的3g语音业务质量评估方法 |
CN106911925A (zh) * | 2015-12-22 | 2017-06-30 | 中兴通讯股份有限公司 | 视频质量的处理方法及装置 |
EP3226474A1 (en) * | 2016-04-01 | 2017-10-04 | Thomson Licensing | Method for predicting a level of qoe of an application intended to be run on a wireless user equipment |
Also Published As
Publication number | Publication date |
---|---|
CN109788502A (zh) | 2019-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lee et al. | PERCEIVE: deep learning-based cellular uplink prediction using real-time scheduling patterns | |
Xu et al. | PROTEUS: network performance forecast for real-time, interactive mobile applications | |
US9641673B2 (en) | Method, network element, and system for assessing voice quality | |
US8811211B2 (en) | Multicast scheduling and link adaptation | |
CN102907059B (zh) | 数据辅助的信道估计 | |
US20050170782A1 (en) | Method and apparatus to compensate quantization error of channel quality report | |
CA2508525A1 (en) | Detection of channel quality indicator | |
WO2004066547A1 (ja) | 回線品質報告の精度測定装置および精度測定方法 | |
CN110536314B (zh) | 语音质量的确定方法、装置、设备及介质 | |
CN109788502B (zh) | 小区平均意见值的确定方法、装置、设备和介质 | |
CN103828279A (zh) | 下行初传误块率目标值的自适应调整方法和装置 | |
CN103369655B (zh) | 一种提高lte pucch dtx检测性能的方法 | |
WO2020259831A1 (en) | Methods, apparatus and computer-readable media relating to quality of media streams transmitted over a network | |
CN103874181B (zh) | 一种为终端分配下行信道的方法和设备 | |
Rodríguez et al. | Improving a parametric model for speech quality assessment in wireless communication systems | |
Xie et al. | Ng-scope: Fine-grained telemetry for nextg cellular networks | |
US9479945B2 (en) | Determination of network parameters in mobile communication networks | |
WO2009097808A1 (zh) | 宽带无线移动通信系统链路自适应方法、系统和装置 | |
WO2021063922A1 (en) | A method for estimating the uplink data rate in mobile communications | |
WO2016137365A1 (en) | Radio network node and method performed therein | |
CN103943114B (zh) | 一种语音业务通话质量的评估方法及装置 | |
JP2010147823A (ja) | 無線品質から通信品質を推定する無線通信装置、方法及びプログラム | |
WO2007126064A1 (ja) | 移動通信装置及び受信品質情報作成方法 | |
Um et al. | A method for analyzing spectral efficiency using real-field measurement data | |
CN101499888B (zh) | 一种接纳判决时新增资源的估计方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |