CN110113214A - 一种基于神经网络的5g网络自动评估系统、方法及装置 - Google Patents
一种基于神经网络的5g网络自动评估系统、方法及装置 Download PDFInfo
- Publication number
- CN110113214A CN110113214A CN201910407490.XA CN201910407490A CN110113214A CN 110113214 A CN110113214 A CN 110113214A CN 201910407490 A CN201910407490 A CN 201910407490A CN 110113214 A CN110113214 A CN 110113214A
- Authority
- CN
- China
- Prior art keywords
- data
- network
- processing
- information
- user
- 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.)
- Withdrawn
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/06—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols the encryption apparatus using shift registers or memories for block-wise or stream coding, e.g. DES systems or RC4; Hash functions; Pseudorandom sequence generators
- H04L9/0618—Block ciphers, i.e. encrypting groups of characters of a plain text message using fixed encryption transformation
- H04L9/0631—Substitution permutation network [SPN], i.e. cipher composed of a number of stages or rounds each involving linear and nonlinear transformations, e.g. AES algorithms
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Algebra (AREA)
- Computer Security & Cryptography (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于5G技术领域,具体涉及一种基于神经网络的5G网络自动评估系统、方法及装置。所述系统包括:前端采集模块,用于采集5G前端应用设备的数据信息,并将采集到的数据信息进行发送;所述数据信息包括:用户基本数据、场景分类数据、通信设备数据、通信质量数据和用户评分数据;数据加载模块,用于接收前端采集模块采集到的数据信息,并对接收到的数据信息进行存储;数据处理及自动评估模块,用于根据接收到的数据信息进行数据处理,根据数据处理的结果进行数据建模,生成5G网络自动评估系统的数据模型;应用支撑模块,用于根据生成的5G网络自动评估系统的数据模型,以及前端采集模块采集到的前端应用设备的数据信息;智能化程度高,应用领域广泛。
Description
技术领域
本发明属于5G技术领域,具体涉及一种基于神经网络的5G网络自动评估系统、方法及装置。
背景技术
第五代移动通信技术(英语:5th generation mobile networks或5thgeneration wireless systems,简称5G)是最新一代蜂窝移动通信技术,是4G(LTE-A、WiMax)、3G(UMTS、LTE)和2G(GSM)系统后的延伸。5G的性能目标是高数据速率、减少延迟、节省能源、降低成本、提高系统容量和大规模设备连接。Release-15中的5G规范的第一阶段是为了适应早期的商业部署。Release-16的第二阶段将于2020年4月完成,作为IMT-2020技术的候选提交给国际电信联盟(ITU)。
ITU IMT-2020规范要求速度高达20Gbit/s,可以实现宽信道带宽和大容量MIMO。[2]第三代合作伙伴计划(3GPP)将提交5G NR(新无线电)作为其5G通信标准提案。5G NR可包括低频(FR1),低于6GHz和更高频率(FR2),高于24GHz和毫米波范围。然而,在早期部署中,在4G硬件(非独立)上使用5G NR软件的速度和延迟只比新4G系统稍好一点,估计要好15%到50%。独立eMBB部署的仿真显示,在FR1范围内,吞吐量提高了2.5倍,在FR2范围内提高了近20倍。
用于5G网络的大规模普及迫在眉睫,虽然对于5G网络的建设和运营的技术已经取得长足发展,但5G网络应用后,如何改善用户的体验,如果在数据量和用户量庞大的系统中,及时发现网络的缺陷,改善网络结构和有针对性的对网络进行调整,还属于该领域的真空。
人工神经网络(英语:Artificial Neural Network,ANN),简称神经网络(NeuralNetwork,NN)或类神经网络,在机器学习和认知科学领域,是一种模仿生物神经网络(动物的中枢神经系统,特别是大脑)的结构和功能的数学模型或计算模型,用于对函数进行估计或近似。神经网络由大量的人工神经元联结进行计算。大多数情况下人工神经网络能在外界信息的基础上改变内部结构,是一种自适应系统,通俗的讲就是具备学习功能。现代神经网络是一种非线性统计性数据建模工神经网络通常是通过一个基于数学统计学类型的学习方法(Learning Method)得以优化,所以也是数学统计学方法的一种实际应用,通过统计学的标准数学方法我们能够得到大量的可以用函数来表达的局部结构空间,另一方面在人工智能学的人工感知领域,我们通过数学统计学的应用可以来做人工感知方面的决定问题(也就是说通过统计学的方法,人工神经网络能够类似人一样具有简单的决定能力和简单的判断能力),这种方法比起正式的逻辑学推理演算更具有优势。
从上述可以看出,通过神经网络和5G服务进行结合,对5G网络使用过程中的数据信息进行全面的搜集和数据分析,可以分析出网络的缺陷和提出改进的建议,提升5G网络的性能和促进网络优化和技术进步,在现有技术中针对5g和神经网络的融合技术在具体领域有一定应用,例如汽车无人驾驶以及高铁间距测量等,但是上述技术仅限于对5g传输的数据进行基于神经网络的计算,并没有涉及5g通信质量自身性能及其可靠性的有效评估。
发明内容
有鉴于此,本发明的主要目的在于提供一种基于神经网络的5G网络自动评估系统、方法及装置,通过搜集5G网络运行过程中的数据信息,建立这些数据信息的神经网络模型,进而实现自动分析该5G网络的运行状态,并提出改善的方案和发现缺陷,可以适用于所有基于5G的网络模型中,智能化程度高,应用领域广泛。
为达到上述目的,本发明的技术方案是这样实现的:
一种基于神经网络的5G网络自动评估系统,所述系统包括:
前端采集模块,用于采集5G前端应用设备的数据信息,并将采集到的数据信息进行发送;所述数据信息包括:用户基本数据、场景分类数据、通信设备数据、通信质量数据和用户评分数据;
数据加载模块,用于接收前端采集模块采集到的数据信息,并对接收到的数据信息进行存储;
数据处理及自动评估模块,用于根据接收到的数据信息进行数据处理,根据数据处理的结果进行数据建模,生成5G网络自动评估系统的数据模型;
应用支撑模块,用于根据生成的5G网络自动评估系统的数据模型,以及前端采集模块采集到的前端应用设备的数据信息,自动评估当前网络的网络质量,进行用户跟踪、性能优化、客户服务和优化效果分析的处理。
进一步的,所述前端采集模块包括:数据采集单元、前端本地数据库、前端数据传输服务器和数据加密单元;所述数据采集单元采集用户基本数据、场景分类数据、通信设备数据、通信质量数据和用户评分数据,将采集到的数据发送到前端本地数据库中进行存储;所述前端数据传输服务器将前端本地数据库中存储的数据进行发送;所述数据加密单元在前端数据传输服务器进行数据发送时,对数据进行加密。
进一步的,所述用户基本数据至少包括:用户注册基本信息、地址区域划分信息、5G套餐类型信息和连接网络人数信息;所述场景分类数据为用户在特定时间内所从事的行为数据,所述行为包括:看电视、玩游戏、看视频、浏览网页和听音乐;所述通信设备数据包括:该用户所处的区域的方圆5公里内的基站个数、基站性能和基站距离数据;所述通信质量数据包括:5G网络的切换率、掉话率、掉线率、掉包率和接通率;所述用户评分数据为用户在特定时间内进行的打分数据。
进一步的,所述数据加载模块包括:数据解密单元、远端数据传输服务器、接口服务器和远端数据库;所述数据解密单元将前端采集模块发送过来的加密的数据信息进行解密,然后将解密后的数据信息发送至远端数据传输服务器;所述接口服务器和远端数据库直接相连,将远端数据服务器接收到的解密后的数据信息进行调用,调用到的数据信息发送到远端数据库进行存储。
进一步的,所述数据处理及自动化评估模块包括:数据处理和建模处理器;所述数据处理和建模处理器直接调用远端数据库的数据信息,进行数据建模,生成5G网络自动评估系统的数据模型;所述数据处理和建模处理器包括:数据预处理单元、数据规约单元、数据标准化单元、算法预测单元和建模分析单元;所述数据预处理对数据信息依次进行去除唯一属性、处理缺失值和异常值检测处理;所述数据规约单元,用于将数据预处理后的数据进行规约处理,使得规约处理后的数据两两不相干,但能尽可能保持原有的信息;所述数据标准化单元,将规约处理后的数据按比例缩放,使之落入一个小的特定区间;所述算法预测单元,根据聚数据标准化单元处理后的数据进行数据建模;所述建模分析单元用于通过计算模型生成的客户满意度数据与原有客户满意度数据进行精准度计算。
一种基于神经网络的5G网络自动评估方法,所述方法执行以下步骤:
步骤S1:采集5G前端应用设备的数据信息,并将采集到的数据信息进行发送;
步骤S2:接收前端采集模块采集到的数据信息,并对接收到的数据信息进行存储;
步骤S3:根据接收到的数据信息进行数据处理,根据数据处理的结果进行数据建模,生成5G网络自动评估系统的数据模型;
步骤S4:根据生成的5G网络自动评估系统的数据模型,以及:采集到的前端应用设备的数据信息,自动评估当前网络的网络质量,进行用户跟踪、性能优化、客户服务和优化效果分析的处理。
进一步的,所述步骤S3:根据接收到的数据信息进行数据处理,根据数据处理的结果进行数据建模,生成5G网络自动评估系统的数据模型的方法执行以下步骤:
步骤S3.1:进行数据预处理,包括:去除唯一属性、处理缺失值和异常值检测及处理;
步骤S3.2:进行数据规约处理,包括:去平均值、计算协方差矩阵、计算协方差矩阵的特征值与特征向量、对特征值从大到小排序、保留最大的k个特征向量、将数据转换到k个特征向量构建的新空间中;最后得处理后的新的数据,这些数据之间两两不相干,但能尽可能保持原有的信息。
步骤S3.3:进行数据标准化处理,将数据按比例缩放,使之落入一个小的特定区间;其中,使用如下的转换函数,对数据进行线性变换,使结果落到[0,1]区间,转换函数如下:
其中,x*为数据标准化处理后的结果;x为待处理的数据;min为数据中的最小值;max为数据中的最大值;
步骤S3.4:进行数据建模;
步骤S3.5:进行效果分析,包括:当模型训练结束后,采用如下公式,计算模型生成的客户满意度数据与原有客户满意度数据进行精准度计算,即得到R2得分,得分越高,表示模型精准度越好;
其中y代表模型生成的客户满意度数据(预测值);
代表原有客户满意度数据;
nsamnles代表进入模型的样本量大小。
进一步的,所述步骤S3.4:进行数据建模的方法执行以下步骤:
步骤S3.4.1:获取用于建模的数据,作为输入变量,用xi表示,其中,i代表该数据中的第i个变量;所述xi至少包括:用户注册基本信息、地址区域划分信息、5G套餐类型信息和连接网络人数信息;所述场景分类数据为用户在特定时间内所从事的行为数据,所述行为包括:看电视、玩游戏、看视频、浏览网页和听音乐;所述通信设备数据包括:该用户所处的区域的方圆5公里内的基站个数、基站性能和基站距离数据;所述通信质量数据包括:5G网络的切换率、掉话率、掉线率、掉包率和接通率;所述用户评分数据为用户在特定时间内进行的打分数据。
步骤S3.4.2:设定一个权重函数,用wi表示,将每个输入变量与相对应的权重函数进行卷积运算,得到第一中间结果;
步骤S3.4.3:设定一个激励函数,所述激励函数为:设定神经网络的神经元阈值为:Θ;将第一中间结果和该激励函数以及神经元阈值进行运算,得到前向神经网络的结果为:
步骤S3.4.5:计算前向神经网络的训练误差;由于本次训练的输出变量E为“客户对网络使用的感受得分”,但模型训练后会产生一个预测值为O,故得出误差函数为:
其中m代表输入本次建模样本的数量,i表示第i个变量。
步骤S3.4.6:反向传播更新权重w
为让误差越来越小,提高模型预测的精确度,神经网络会从输出层反向传播数据给输入层,重新调整权重w的值,直到模型误差达到最小后停止训练,完成模型创建。
进一步的,所述步骤S1和步骤S2还包括:步骤S1在数据传输时进行数据加密,以及步骤S2在接收数据时,进行数据解密的方法,所述方法执行以下步骤:
步骤1:数据加密,包括:在系统中进行加密通信,使用SAES加密算法生成AES初始密钥;
展开AES初始密钥以获得AES加密密钥;根据AES加密算法,使用AES加密密钥加密待加密信息;
其中,在使用SAES加密算法生成AES初始密钥的过程中:配置SAES初始密钥和SAES明文;对SAES初始密钥进行SAES密钥处理,得到处理结果;对处理结果进行密钥扩展,以获得SAES加密密钥;根据SAES加密算法,使用SAES加密密钥加密SAES明文,生成AES初始密钥。
其中,对SAES初始密钥执行SAES密钥处理包括:将SAES初始密钥中的若干M组n位数据组合成M*n位串行流;对M*n位串行流进行循环移位处理,生成新的M*n位串行流;对新的M*n位串行流进行密钥选择处理,从新的M*n位串行流中选择若干L组相邻数据,其中将相邻数据的L组作为SAES加密密钥展开的输入;
步骤2:进行数据加密的逆过程。
一种基于神经网络的5G网络自动评估装置,其特征在于,所述装置为:一种非暂时性的计算机可读存储介质,该存储介质存储了计算指令,其包括:用于采集5G前端应用设备的数据信息,并将采集到的数据信息进行发送的代码段;用于接收前端采集模块采集到的数据信息,并对接收到的数据信息进行存储的代码段;用于根据接收到的数据信息进行数据处理,根据数据处理的结果进行数据建模,生成5G网络自动评估系统的数据模型的代码段;用于根据生成的5G网络自动评估系统的数据模型,以及:采集到的前端应用设备的数据信息,自动评估当前网络的网络质量,进行用户跟踪、性能优化、客户服务和优化效果分析的处理的代码段。
本发明的一种基于神经网络的5G网络自动评估系统、方法及装置,具有如下有益效果:本发明通过全面搜集5G网络在应用过程中的数据信息,根据这些数据信息建立神经网络模型,利用特殊构造的神经网络模型,根据用户使用过程中的数据信息,对5G网络进行分析,最终发现网络运行过程中的缺陷,和对网络提出改进方案,可以适用于数据量大的网络结构中,同时,自动进行分析减少了人工分析所带来的成本;另外,在客户数据传输过程中,采用完整的AES加密和解密,保证数据的安全性,提升了整个系统的安全性。
附图说明
图1为本发明的种基于神经网络的5G网络自动评估系统的系统结构示意图;
图2为本发明的实施例中的5G前端应用设备的数据信息的内容结构示意图;
图3为本发明的基于神经网络的5G网络自动评估方法的方法流程示意图。
具体实施方式
下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。
实施例1
如图1所示,一种基于神经网络的5G网络自动评估系统,所述系统包括:
前端采集模块,用于采集5G前端应用设备的数据信息,并将采集到的数据信息进行发送;所述数据信息包括:用户基本数据、场景分类数据、通信设备数据、通信质量数据和用户评分数据;
数据加载模块,用于接收前端采集模块采集到的数据信息,并对接收到的数据信息进行存储;
数据处理及自动评估模块,用于根据接收到的数据信息进行数据处理,根据数据处理的结果进行数据建模,生成5G网络自动评估系统的数据模型;
应用支撑模块,用于根据生成的5G网络自动评估系统的数据模型,以及前端采集模块采集到的前端应用设备的数据信息,自动评估当前网络的网络质量,进行用户跟踪、性能优化、客户服务和优化效果分析的处理。
具体的,本发明可以提取5G运营网络中,移动客户端的运行数据,然后根据运行数据,对数据进行数据预测分析处理,根据分析处理的结果,对5G网络进行优化。
实施例2
在上一实施例的基础上,所述前端采集模块包括:数据采集单元、前端本地数据库、前端数据传输服务器和数据加密单元;所述数据采集单元采集用户基本数据、场景分类数据、通信设备数据、通信质量数据和用户评分数据,将采集到的数据发送到前端本地数据库中进行存储;所述前端数据传输服务器将前端本地数据库中存储的数据进行发送;所述数据加密单元在前端数据传输服务器进行数据发送时,对数据进行加密。
具体的,数据加密单元对数据加密的过程如下:展开AES初始密钥以获得AES加密密钥;根据AES加密算法,使用AES加密密钥加密待加密信息;
其中,在使用SAES加密算法生成AES初始密钥的过程中:配置SAES初始密钥和SAES明文;对SAES初始密钥进行SAES密钥处理,得到处理结果;对处理结果进行密钥扩展,以获得SAES加密密钥;根据SAES加密算法,使用SAES加密密钥加密SAES明文,生成AES初始密钥。
其中,对SAES初始密钥执行SAES密钥处理包括:将SAES初始密钥中的若干M组n位数据组合成M*n位串行流;对M*n位串行流进行循环移位处理,生成新的M*n位串行流;对新的M*n位串行流进行密钥选择处理,从新的M*n位串行流中选择若干L组相邻数据,其中将相邻数据的L组作为SAES加密密钥展开的输入。
实施例3
在上一实施例的基础上,所述用户基本数据至少包括:用户注册基本信息、地址区域划分信息、5G套餐类型信息和连接网络人数信息;所述场景分类数据为用户在特定时间内所从事的行为数据,所述行为包括:看电视、玩游戏、看视频、浏览网页和听音乐;所述通信设备数据包括:该用户所处的区域的方圆5公里内的基站个数、基站性能和基站距离数据;所述通信质量数据包括:5G网络的切换率、掉话率、掉线率、掉包率和接通率;所述用户评分数据为用户在特定时间内进行的打分数据。
具体的,在用户在5G网络数据传输时,用户是分为不同的用户群组的。
首先,假定两个用户群组,第一用户群组中的某个用户设备接收到了来自基站的信息后,对该信息进行分帧,然后从分离成的多个子帧信息中,筛选出能够传输上行链路参考信号的子帧;
接着,该用户群组继续接收接收来自基站的信息,在接收到的后续的信息中,筛选出用传输上行链路参考信号的序列。
其中,因为不同群组接收到基站信息都不一样,第一用户群组接收到的基站信息中筛选出来的可以用来传输上行链路参考信号的子帧和第二用户群组接收到基站信息筛选出的可以用来传输上行链路参考信息的子帧是不一样的。因此第一用户用户群组中的某个用户第一次接收到的基站的信息,可以用来鉴别第一用户群组和其他用户群组用来传输上行链路信号的子帧的不同。
第一用户群组接收到第二次接收到基站的信息后,使用筛选出用传输上行链路参考信号的序列,通过该序列搭载第一次接收到信息筛选出的子帧,然后通过该子帧将上行链路参考信号传输到基站。
上述方案可以有效减少不同用户群组之间上行链路参考信号之间的干扰。
实施例4
在上一实施例的基础上,所述数据加载模块包括:数据解密单元、远端数据传输服务器、接口服务器和远端数据库;所述数据解密单元将前端采集模块发送过来的加密的数据信息进行解密,然后将解密后的数据信息发送至远端数据传输服务器;所述接口服务器和远端数据库直接相连,将远端数据服务器接收到的解密后的数据信息进行调用,调用到的数据信息发送到远端数据库进行存储。
实施例5
在上一实施例的基础上,所述数据处理及自动化评估模块包括:数据处理和建模处理器;所述数据处理和建模处理器直接调用远端数据库的数据信息,进行数据建模,生成5G网络自动评估系统的数据模型;所述数据处理和建模处理器包括:数据预处理单元、数据规约单元、数据标准化单元、算法预测单元和建模分析单元;所述数据预处理对数据信息依次进行去除唯一属性、处理缺失值和异常值检测处理;所述数据规约单元,用于将数据预处理后的数据进行规约处理,使得规约处理后的数据两两不相干,但能尽可能保持原有的信息;所述数据标准化单元,将规约处理后的数据按比例缩放,使之落入一个小的特定区间;所述算法预测单元,根据数据标准化单元处理后的数据进行数据建模;所述建模分析单元用于通过计算模型生成的客户满意度数据与原有客户满意度数据进行精准度计算。
实施例6:
一种基于神经网络的5G网络自动评估方法,所述方法执行以下步骤:
步骤S1:采集5G前端应用设备的数据信息,并将采集到的数据信息进行发送;
步骤S2:接收前端采集模块采集到的数据信息,并对接收到的数据信息进行存储;
步骤S3:根据接收到的数据信息进行数据处理,根据数据处理的结果进行数据建模,生成5G网络自动评估系统的数据模型;
步骤S4:根据生成的5G网络自动评估系统的数据模型,以及:采集到的前端应用设备的数据信息,自动评估当前网络的网络质量,进行用户跟踪、性能优化、客户服务和优化效果分析的处理。
实施例7:
在上一实施例的基础上,所述步骤S3:根据接收到的数据信息进行数据处理,根据数据处理的结果进行数据建模,生成5G网络自动评估系统的数据模型的方法执行以下步骤:
步骤S3.1:进行数据预处理,包括:去除唯一属性、处理缺失值和异常值检测及处理;
步骤S3.2:进行数据规约处理,包括:去平均值、计算协方差矩阵、计算协方差矩阵的特征值与特征向量、对特征值从大到小排序、保留最大的k个特征向量、将数据转换到k个特征向量构建的新空间中;最后得处理后的新的数据,这些数据之间两两不相干,但能尽可能保持原有的信息。
步骤S3.3:进行数据标准化处理,将数据按比例缩放,使之落入一个小的特定区间;其中,使用如下的转换函数,对数据进行线性变换,使结果落到[0,1]区间,转换函数如下:
其中,x*为数据标准化处理后的结果;x为待处理的数据;min为数据中的最小值;max为数据中的最大值;
步骤S3.4:进行数据建模;
步骤S3.5:进行效果分析,包括:当模型训练结束后,采用如下公式,计算模型生成的客户满意度数据与原有客户满意度数据进行精准度计算,即得到R2得分,得分越高,表示模型精准度越好;
其中y代表模型生成的客户满意度数据(预测值);
代表原有客户满意度数据;
nsamnles代表进入模型的样本量大小。
具体的,去除唯一属性时,唯一属性通常是一些id属性,这些属性并不能刻画样本自身的分布规律,所以简单地删除这些属性即可。
处理缺失值时,对缺失值采用均值插补的方法进行填补:如果样本属性的距离是可度量的,则使用该属性有效值的平均值来插补缺失的值;如果的距离是不可度量的,则使用该属性有效值的众数来插补缺失的值。
异常值检测及处理时,对变量进行描述性统计分析,利用箱型图分析,得到样本的平均值,最大值,最小值和标准差。若样本值与平均值的偏差大于3倍标准差,则检测为异常值(3σ法则);异常值的处理同样采用均值填补的方法。
其中,数据规约的目的是:在很多情形,变量之间是有一定的相关关系的,当两个变量之间有一定相关关系时,可以解释为这两个变量反映此课题的信息有一定的重叠。主成分分析是对于原先提出的所有变量,将重复的变量(关系紧密的变量)删去多余,建立尽可能少的新变量,使得这些新变量是两两不相关的,而且这些新变量在反映原样本的信息方面尽可能保持原有的信息。采用主成分分析法对数据进行降维规约。主成分分析(PCA)是一种较为常用的降维技术,PCA的思想是将维特征映射到维上,这维是全新的正交特征。这维特征称为主元,是重新构造出来的维特征。在PCA中,数据从原来的坐标系转换到新的坐标系下,新的坐标系的选择与数据本身是密切相关的。其中,第一个新坐标轴选择的是原始数据中方差最大的方向,第二个新坐标轴选取的是与第一个坐标轴正交且具有最大方差的方向,依次类推,我们可以取到这样的个坐标轴。
数据标准化
将数据按比例缩放,使之落入一个小的特定区间。在某些比较和评价的指标处理中经常会用到,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指标能够进行比较和加权。
实施例8
在上一实施例的基础上,所述步骤S3.4:进行数据建模的方法执行以下步骤:
步骤S3.4.1:获取用于建模的数据,作为输入变量,用xi表示,其中,i代表该数据中的第i个变量;所述xi至少包括:用户注册基本信息、地址区域划分信息、5G套餐类型信息和连接网络人数信息;所述场景分类数据为用户在特定时间内所从事的行为数据,所述行为包括:看电视、玩游戏、看视频、浏览网页和听音乐;所述通信设备数据包括:该用户所处的区域的方圆5公里内的基站个数、基站性能和基站距离数据;所述通信质量数据包括:5G网络的切换率、掉话率、掉线率、掉包率和接通率;所述用户评分数据为用户在特定时间内进行的打分数据。
步骤S3.4.2:设定一个权重函数,用wi表示,将每个输入变量与相对应的权重函数进行卷积运算,得到第一中间结果;
步骤S3.4.3:设定一个激励函数,所述激励函数为:设定神经网络的神经元阈值为:Θ;将第一中间结果和该激励函数以及神经元阈值进行运算,得到前向神经网络的结果为:
步骤S3.4.5:计算前向神经网络的训练误差;由于本次训练的输出变量E为“客户对网络使用的感受得分”,但模型训练后会产生一个预测值为O,故得出误差函数为:
其中m代表输入本次建模样本的数量,i表示第i个变量。
步骤S3.4.6:反向传播更新权重w
为让误差越来越小,提高模型预测的精确度,神经网络会从输出层反向传播数据给输入层,重新调整权重w的值,直到模型误差达到最小后停止训练,完成模型创建。
实施例9
在上一实施例的基础上,所述步骤S1和步骤S2还包括:步骤S1在数据传输时进行数据加密,以及步骤S2在接收数据时,进行数据解密的方法,所述方法执行以下步骤:
步骤1:数据加密,包括:在系统中进行加密通信,使用SAES加密算法生成AES初始密钥;
展开AES初始密钥以获得AES加密密钥;根据AES加密算法,使用AES加密密钥加密待加密信息;
其中,在使用SAES加密算法生成AES初始密钥的过程中:配置SAES初始密钥和SAES明文;对SAES初始密钥进行SAES密钥处理,得到处理结果;对处理结果进行密钥扩展,以获得SAES加密密钥;根据SAES加密算法,使用SAES加密密钥加密SAES明文,生成AES初始密钥。
其中,对SAES初始密钥执行SAES密钥处理包括:将SAES初始密钥中的若干M组n位数据组合成M*n位串行流;对M*n位串行流进行循环移位处理,生成新的M*n位串行流;对新的M*n位串行流进行密钥选择处理,从新的M*n位串行流中选择若干L组相邻数据,其中将相邻数据的L组作为SAES加密密钥展开的输入;
步骤2:进行数据加密的逆过程。
实施例10
一种基于神经网络的5G网络自动评估装置,所述装置为:一种非暂时性的计算机可读存储介质,该存储介质存储了计算指令,其包括:用于采集5G前端应用设备的数据信息,并将采集到的数据信息进行发送的代码段;用于接收前端采集模块采集到的数据信息,并对接收到的数据信息进行存储的代码段;用于根据接收到的数据信息进行数据处理,根据数据处理的结果进行数据建模,生成5G网络自动评估系统的数据模型的代码段;用于根据生成的5G网络自动评估系统的数据模型,以及:采集到的前端应用设备的数据信息,自动评估当前网络的网络质量,进行用户跟踪、性能优化、客户服务和优化效果分析的处理的代码段。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
需要说明的是,上述实施例提供的系统,仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块来完成,即将本发明实施例中的模块或者步骤再分解或者组合,例如,上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块,以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称,仅仅是为了区分各个模块或者步骤,不视为对本发明的不当限定。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的存储装置、处理装置的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
本领域技术人员应该能够意识到,结合本文中所公开的实施例描述的各示例的模块、方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子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。这些功能究竟以电子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。本领域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。
术语“第一”、“第二”等是用于区别类似的对象,而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨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/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (6)
1.一种基于神经网络的5G网络自动评估系统,其特征在于,所述系统包括:
前端采集模块,用于采集5G前端应用设备的数据信息,并将采集到的数据信息进行发送,该模块包括:数据采集单元、前端本地数据库、前端数据传输服务器和数据加密单元,所述数据采集单元采集用户基本数据、场景分类数据、通信设备数据、通信质量数据和用户评分数据,将采集到的数据发送到前端本地数据库中进行存储,所述前端数据传输服务器将前端本地数据库中存储的数据进行发送;所述数据加密单元在前端数据传输服务器进行数据发送时,对数据进行加密;所述数据信息包括:用户基本数据、场景分类数据、通信设备数据、通信质量数据和用户评分数据,所述用户基本数据至少包括:用户注册基本信息、地址区域划分信息、5G套餐类型信息和连接网络人数信息;所述场景分类数据为用户在特定时间内所从事的行为数据,所述行为包括:看电视、玩游戏、看视频、浏览网页和听音乐;所述通信设备数据包括:该用户所处的区域的方圆5公里内的基站个数、基站性能和基站距离数据;所述通信质量数据包括:5G网络的切换率、掉话率、掉线率、掉包率和接通率;所述用户评分数据为用户在特定时间内进行的打分数据;
数据加载模块,用于接收前端采集模块采集到的数据信息,并对接收到的数据信息进行存储;
数据处理及自动评估模块,用于根据接收到的数据信息进行数据处理,根据数据处理的结果进行数据建模,生成基于神经网络的5G网络自动评估系统的数据模型,该模型具体为该数据处理及自动化评估模块还配置有数据处理和建模处理器;所述数据处理和建模处理器直接调用远端数据库的数据信息,进行数据建模,生成5G网络自动评估系统的数据模型;所述数据处理和建模处理器包括:数据预处理单元、数据规约单元、数据标准化单元、算法预测单元和建模分析单元;所述数据预处理对数据信息依次进行去除唯一属性、处理缺失值和异常值检测处理;所述数据规约单元,用于将数据预处理后的数据进行规约处理,使得规约处理后的数据两两不相干,但能尽可能保持原有的信息;所述数据标准化单元,将规约处理后的数据按比例缩放,使之落入一个小的特定区间;所述算法预测单元,根据数据标准化单元处理后的数据进行数据建模;所述建模分析单元用于通过计算模型生成的客户满意度数据与原有客户满意度数据进行精准度计算;
该评估系统还包括应用支撑模块,用于根据生成的5G网络自动评估系统的数据模型,以及前端采集模块采集到的前端应用设备的数据信息,自动评估当前网络的网络质量,进行用户跟踪、性能优化、客户服务和优化效果分析的处理。
2.如权利要求1所述的基于神经网络的5G网络自动评估系统,其特征在于,所述数据加载模块包括:数据解密单元、远端数据传输服务器、接口服务器和远端数据库;所述数据解密单元将前端采集模块发送过来的加密的数据信息进行解密,然后将解密后的数据信息发送至远端数据传输服务器;所述接口服务器和远端数据库直接相连,将远端数据服务器接收到的解密后的数据信息进行调用,调用到的数据信息发送到远端数据库进行存储。
3.一种基于权利要求1至2之一所述的系统的基于神经网络的5G网络自动评估方法,其特征在于,所述方法执行以下步骤:
步骤S1:采集5G前端应用设备的数据信息,并将采集到的数据信息进行发送;
步骤S2:接收前端采集模块采集到的数据信息,并对接收到的数据信息进行存储;
步骤S3:根据接收到的数据信息进行数据处理,根据数据处理的结果进行数据建模,生成5G网络自动评估系统的数据模型;
步骤S4:根据生成的5G网络自动评估系统的数据模型,以及:采集到的前端应用设备的数据信息,自动评估当前网络的网络质量,进行用户跟踪、性能优化、客户服务和优化效果分析的处理。
4.如权利要求3所述的基于神经网络的5G网络自动评估方法,其特征在于,所述步骤S3:根据接收到的数据信息进行数据处理,根据数据处理的结果进行数据建模,生成5G网络自动评估系统的数据模型的方法执行以下步骤:
步骤S3.1:进行数据预处理,包括:去除唯一属性、处理缺失值和异常值检测及处理;
步骤S3.2:进行数据规约处理,包括:去平均值、计算协方差矩阵、计算协方差矩阵的特征值与特征向量、对特征值从大到小排序、保留最大的k个特征向量、将数据转换到k个特征向量构建的新空间中;最后得处理后的新的数据,这些数据之间两两不相干,但能尽可能保持原有的信息。
步骤S3.3:进行数据标准化处理,将数据按比例缩放,使之落入一个小的特定区间;其中,使用如下的转换函数,对数据进行线性变换,使结果落到[0,1]区间,转换函数如下:
其中,x*为数据标准化处理后的结果;x为待处理的数据;min为数据中的最小值;max为数据中的最大值;
步骤S3.4:进行数据建模,该步骤具体为还包括
步骤S3.4.1:获取用于建模的数据,作为输入变量,用xi表示,其中,i代表该数据中的第i个变量;所述xi至少包括:用户注册基本信息、地址区域划分信息、5G套餐类型信息和连接网络人数信息;所述场景分类数据为用户在特定时间内所从事的行为数据,所述行为包括:看电视、玩游戏、看视频、浏览网页和听音乐;所述通信设备数据包括:该用户所处的区域的方圆5公里内的基站个数、基站性能和基站距离数据;所述通信质量数据包括:5G网络的切换率、掉话率、掉线率、掉包率和接通率;所述用户评分数据为用户在特定时间内进行的打分数据。
步骤S3.4.2:设定一个权重函数,用wi表示,将每个输入变量与相对应的权重函数进行卷积运算,得到第一中间结果;
步骤S3.4.3:设定一个激励函数,所述激励函数为:设定神经网络的神经元阈值为:Θ;将第一中间结果和该激励函数以及神经元阈值进行运算,得到前向神经网络的结果为:
步骤S3.4.5:计算前向神经网络的训练误差;由于本次训练的输出变量E为“客户对网络使用的感受得分”,但模型训练后会产生一个预测值为O,故得出误差函数为:
其中m代表输入本次建模样本的数量,i表示第i个变量。
步骤S3.4.6:反向传播更新权重w
为让误差越来越小,提高模型预测的精确度,神经网络会从输出层反向传播数据给输入层,重新调整权重w的值,直到模型误差达到最小后停止训练,完成模型创建;
步骤S3.5:进行效果分析,包括:当模型训练结束后,采用如下公式,计算模型生成的客户满意度数据与原有客户满意度数据进行精准度计算,即得到R2得分,得分越高,表示模型精准度越好;
其中y代表模型生成的客户满意度数据(预测值);
代表原有客户满意度数据;
nsamples代表进入模型的样本量大小。
5.如权利要求4所述的基于神经网络的5G网络自动评估方法,其特征在于,所述步骤S1和步骤S2还包括:步骤S1在数据传输时进行数据加密,以及步骤S2在接收数据时,进行数据解密的方法,所述方法执行以下步骤:
步骤1:数据加密,包括:在系统中进行加密通信,使用SAES加密算法生成AES初始密钥;
展开AES初始密钥以获得AES加密密钥;根据AES加密算法,使用AES加密密钥加密待加密信息;
其中,在使用SAES加密算法生成AES初始密钥的过程中:配置SAES初始密钥和SAES明文;对SAES初始密钥进行SAES密钥处理,得到处理结果;对处理结果进行密钥扩展,以获得SAES加密密钥;根据SAES加密算法,使用SAES加密密钥加密SAES明文,生成AES初始密钥。
其中,对SAES初始密钥执行SAES密钥处理包括:将SAES初始密钥中的若干M组n位数据组合成M*n位串行流;对M*n位串行流进行循环移位处理,生成新的M*n位串行流;对新的M*n位串行流进行密钥选择处理,从新的M*n位串行流中选择若干L组相邻数据,其中将相邻数据的L组作为SAES加密密钥展开的输入;
步骤2:进行数据加密的逆过程。
6.一种基于权利要求5的方法的基于神经网络的5G网络自动评估装置,其特征在于,所述装置为:一种非暂时性的计算机可读存储介质,该存储介质存储了计算指令,该指令适于执行:采集5G前端应用设备的数据信息,并将采集到的数据信息进行发送;接收前端采集模块采集到的数据信息,并对接收到的数据信息进行存储;根据接收到的数据信息进行数据处理,根据数据处理的结果进行数据建模,生成5G网络自动评估系统的数据模型;根据生成的5G网络自动评估系统的数据模型,以及:采集到的前端应用设备的数据信息,自动评估当前网络的网络质量,进行用户跟踪、性能优化、客户服务和优化效果分析的处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910407490.XA CN110113214A (zh) | 2019-05-16 | 2019-05-16 | 一种基于神经网络的5g网络自动评估系统、方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910407490.XA CN110113214A (zh) | 2019-05-16 | 2019-05-16 | 一种基于神经网络的5g网络自动评估系统、方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110113214A true CN110113214A (zh) | 2019-08-09 |
Family
ID=67490448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910407490.XA Withdrawn CN110113214A (zh) | 2019-05-16 | 2019-05-16 | 一种基于神经网络的5g网络自动评估系统、方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110113214A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110213774A (zh) * | 2019-05-23 | 2019-09-06 | 超讯通信股份有限公司 | 一种基于神经网络的5g网络自动评估系统、方法及装置 |
CN110634549A (zh) * | 2019-08-13 | 2019-12-31 | 刘芷含 | 针对超重人群的智能化运动管理装置及方法 |
CN110672534A (zh) * | 2019-10-18 | 2020-01-10 | 湖南国天电子科技有限公司 | 海洋水质测试系统、方法及装置 |
CN110674941A (zh) * | 2019-09-25 | 2020-01-10 | 南开大学 | 基于神经网络的数据加密传输方法及系统 |
CN111131149A (zh) * | 2019-11-13 | 2020-05-08 | 江苏飞搏软件股份有限公司 | 一种跨域采集移动终端数据并分析异常访问的方法 |
CN111242171A (zh) * | 2019-12-31 | 2020-06-05 | 中移(杭州)信息技术有限公司 | 网络故障的模型训练、诊断预测方法、装置以及电子设备 |
CN111272224A (zh) * | 2020-03-03 | 2020-06-12 | 四川飨誉食界供应链管理有限公司 | 农业生态产业园智能化监控系统及方法 |
CN111507564A (zh) * | 2020-03-09 | 2020-08-07 | 浙江大学 | 一种融合时空关联性的城市道路警报消息可靠性评估系统及方法 |
CN111614360A (zh) * | 2020-04-26 | 2020-09-01 | 四川润泽经伟信息技术有限公司 | 基于卫星通信对抗系统的载波干扰装置及对应译码方法 |
CN111650898A (zh) * | 2020-05-13 | 2020-09-11 | 大唐七台河发电有限责任公司 | 具备高容错性能的集散控制系统及方法 |
CN111885657A (zh) * | 2020-07-09 | 2020-11-03 | 成都四相致新科技有限公司 | 基站通信质量选择与评估系统和方法 |
CN112231305A (zh) * | 2020-08-23 | 2021-01-15 | 山东翰林科技有限公司 | 一种基于数字孪生的数字电网系统及方法 |
CN112492274A (zh) * | 2020-11-26 | 2021-03-12 | 江南大学 | 一种基于普通网络摄像机的国密加密传输设备 |
CN112712384A (zh) * | 2019-10-24 | 2021-04-27 | 上海亦大网络科技有限公司 | 一种跨境电商报价系统、方法及装置 |
WO2024026515A1 (en) * | 2022-07-29 | 2024-02-01 | Intel Corporation | Artificial intelligence and machine learning entity testing |
-
2019
- 2019-05-16 CN CN201910407490.XA patent/CN110113214A/zh not_active Withdrawn
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110213774A (zh) * | 2019-05-23 | 2019-09-06 | 超讯通信股份有限公司 | 一种基于神经网络的5g网络自动评估系统、方法及装置 |
CN110634549A (zh) * | 2019-08-13 | 2019-12-31 | 刘芷含 | 针对超重人群的智能化运动管理装置及方法 |
CN110674941A (zh) * | 2019-09-25 | 2020-01-10 | 南开大学 | 基于神经网络的数据加密传输方法及系统 |
CN110674941B (zh) * | 2019-09-25 | 2023-04-18 | 南开大学 | 基于神经网络的数据加密传输方法及系统 |
CN110672534A (zh) * | 2019-10-18 | 2020-01-10 | 湖南国天电子科技有限公司 | 海洋水质测试系统、方法及装置 |
CN112712384A (zh) * | 2019-10-24 | 2021-04-27 | 上海亦大网络科技有限公司 | 一种跨境电商报价系统、方法及装置 |
CN111131149A (zh) * | 2019-11-13 | 2020-05-08 | 江苏飞搏软件股份有限公司 | 一种跨域采集移动终端数据并分析异常访问的方法 |
CN111242171A (zh) * | 2019-12-31 | 2020-06-05 | 中移(杭州)信息技术有限公司 | 网络故障的模型训练、诊断预测方法、装置以及电子设备 |
CN111242171B (zh) * | 2019-12-31 | 2023-10-31 | 中移(杭州)信息技术有限公司 | 网络故障的模型训练、诊断预测方法、装置以及电子设备 |
CN111272224A (zh) * | 2020-03-03 | 2020-06-12 | 四川飨誉食界供应链管理有限公司 | 农业生态产业园智能化监控系统及方法 |
CN111507564B (zh) * | 2020-03-09 | 2022-04-29 | 浙江大学 | 一种融合时空关联性的城市道路警报消息可靠性评估方法 |
CN111507564A (zh) * | 2020-03-09 | 2020-08-07 | 浙江大学 | 一种融合时空关联性的城市道路警报消息可靠性评估系统及方法 |
CN111614360A (zh) * | 2020-04-26 | 2020-09-01 | 四川润泽经伟信息技术有限公司 | 基于卫星通信对抗系统的载波干扰装置及对应译码方法 |
CN111614360B (zh) * | 2020-04-26 | 2023-10-27 | 四川润泽经伟信息技术有限公司 | 基于卫星通信对抗系统的载波干扰装置及对应译码方法 |
CN111650898A (zh) * | 2020-05-13 | 2020-09-11 | 大唐七台河发电有限责任公司 | 具备高容错性能的集散控制系统及方法 |
CN111650898B (zh) * | 2020-05-13 | 2023-10-20 | 大唐七台河发电有限责任公司 | 具备高容错性能的集散控制系统及方法 |
CN111885657A (zh) * | 2020-07-09 | 2020-11-03 | 成都四相致新科技有限公司 | 基站通信质量选择与评估系统和方法 |
CN111885657B (zh) * | 2020-07-09 | 2023-04-28 | 成都四相致新科技有限公司 | 基站通信质量选择与评估系统和方法 |
CN112231305A (zh) * | 2020-08-23 | 2021-01-15 | 山东翰林科技有限公司 | 一种基于数字孪生的数字电网系统及方法 |
CN112492274A (zh) * | 2020-11-26 | 2021-03-12 | 江南大学 | 一种基于普通网络摄像机的国密加密传输设备 |
CN112492274B (zh) * | 2020-11-26 | 2021-08-17 | 江南大学 | 一种基于普通网络摄像机的国密加密传输设备 |
WO2024026515A1 (en) * | 2022-07-29 | 2024-02-01 | Intel Corporation | Artificial intelligence and machine learning entity testing |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110113214A (zh) | 一种基于神经网络的5g网络自动评估系统、方法及装置 | |
CN110213774A (zh) | 一种基于神经网络的5g网络自动评估系统、方法及装置 | |
CN111242171B (zh) | 网络故障的模型训练、诊断预测方法、装置以及电子设备 | |
CN109522304A (zh) | 异常对象识别方法及装置、存储介质 | |
Fiadino et al. | Steps towards the extraction of vehicular mobility patterns from 3G signaling data | |
CN113379176B (zh) | 电信网络异常数据检测方法、装置、设备和可读存储介质 | |
CN107809766B (zh) | 一种用于网络优化的机器学习样本的生成方法及装置 | |
CN108768695B (zh) | Kqi的问题定位方法及装置 | |
CN114386514B (zh) | 基于动态网络环境下的未知流量数据识别方法及装置 | |
CN104794170A (zh) | 基于指纹多重哈希布隆过滤器的网络取证内容溯源方法 | |
CN111294812A (zh) | 一种资源扩容规划的方法及系统 | |
CN113591674B (zh) | 一种面向实时视频流的边缘环境行为识别系统 | |
CN105183909A (zh) | 基于高斯混合模型的社交网络用户兴趣预测方法 | |
CN112214677B (zh) | 一种兴趣点推荐方法、装置、电子设备及存储介质 | |
CN107045511A (zh) | 一种目标特征数据的挖掘方法和装置 | |
CN110796366A (zh) | 质差小区识别方法和装置 | |
Wei et al. | HOAH: A hybrid TCP throughput prediction with autoregressive model and hidden Markov model for mobile networks | |
Garroppo et al. | Anomaly detection mechanisms to find social events using cellular traffic data | |
Navarro et al. | GraphMAD: Graph mixup for data augmentation using data-driven convex clustering | |
Koursioumpas et al. | AI-driven, context-aware profiling for 5G and beyond networks | |
Feng et al. | V-CNN: Data visualizing based convolutional neural network | |
CN110855474B (zh) | Kqi数据的网络特征提取方法、装置、设备及存储介质 | |
CN105959685B (zh) | 一种基于视频内容及聚类分析的压缩码率预测方法 | |
CN111368858B (zh) | 用户满意度评估方法及装置 | |
CN104955059B (zh) | 基于贝叶斯网络的蜂窝网基站状态时变模型建立方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190809 |
|
WW01 | Invention patent application withdrawn after publication |