CN110326257A

CN110326257A - 使用人工生命预报关键性能指示符的方法和设备

Info

Publication number: CN110326257A
Application number: CN201780087777.8A
Authority: CN
Inventors: A.德比特利尔
Original assignee: Telefonaktiebolaget LM Ericsson AB
Current assignee: Telefonaktiebolaget LM Ericsson AB
Priority date: 2017-03-01
Filing date: 2017-03-09
Publication date: 2019-10-11
Anticipated expiration: 2037-03-09
Also published as: EP3590228A1; WO2018157951A1; US11424999B2; CN110326257B; US20200059417A1

Abstract

一种用于基于预测第一关键性能指示符KPI的值来控制通信网络的操作的方法。该方法包括保持（102）多个机器学习过程，其中，个体机器学习过程基于组成所述个体机器学习过程的预测逻辑的数据模型和决策规则来操作。多个机器学习过程基于多个不同的数据模型和多个不同的决策规则来操作。该方法还包括接收（104）从通信网络的网络单元得到的关键性能指示符KPI的值的流，并且预测（106）所述第一KPI的多个将来值，其中，所述第一KPI的这些将来值涉及相同时间点。此外，该方法包括将各个预测组合（108）成第一KPI的单个预测值，并且如果第一KPI的单个预测值等于或超过第一阈值（110），则触发（112）网络管理操作。

Description

使用人工生命预报关键性能指示符的方法和设备

技术领域

本发明一般涉及通信网络的关键性能指示符KPI，而且特别涉及使用人工生命物种通过数据挖掘来预测KPI值。

背景技术

通信网络运营商和网络运营中心连续收集和监测网络单元（NE）的性能数据和关键性能指示符（KPI），以便测量所管理网络的性能和可靠性。KPI给予运营商可量化度量，这些度量帮助运营商优化网络服务质量（QoS）并且满足服务等级协定（SLA）。运营商定义突破具体KPI的预定阈值时被触发的告警。当告警被触发时，运营商采取适当动作来处理引起了故障情况的问题。但是，配置告警尚成问题。如果告警过于灵敏，则它能够响应自纠正的情况而触发，使它不太有用。如果告警不够灵敏，则潜在的情况可能在通知运营商之前正在进行中，引起纠正该问题的延迟。

大多数现有的方案专注于检测告警情况。备选地，定量预报方法可用于这种情形中，因为以往的KPI值是可用的。用于定量预报的常用算法和方式包括：

- 移动平均（常常是时间加权的）；

- 卡尔曼滤波（线性二次估计）；

- 指数平滑；

- 自回归移动平均（ARMA）；

- 自回归积分移动平均（ARIMA）；

- 外推；

- 线性（或曲线）拟合；

- 上述算法的变体和扩展；

- 机器学习。

大多数定量预报方法就权衡较旧数据与较新数据而论是不灵活的。一些方法同等地对待全部数据而不管新旧。另一些方法对最近的数据给予更大的权重，但是加权是固定的。这类方法不能很好地应对不经常发生的模式。例如，考虑两个时变值A和B，在这里我们关注于预测A。假定A的值在大部分时间相对恒定，但是当B超越某个阈值（这不经常发生）时，A的值飙升。大多数方法在检测这个模式并且作出准确预测这方面做得不好。

必须配置大多数定量预报方法和机器学习系统（例如通过选择权重或学习功能参数）。什么是最佳配置并不总是显而易见。此外，如果系统的模式特性随时间而变化，则可能需要修改配置。

发明内容

本发明的目的是消除上述缺点中的至少一些，并且提供用于预测通信网络中的关键性能指示符的值的改进方法和设备。

具有能够在故障情况发生之前对其预测的设备将会是方便的。这将会允许运营商采集解决问题所需要的资源，有可能在问题发生之前阻止问题，或者至少减少问题的持续时间。

因此，本发明设法最好是单独地或者以任何组合来减轻、缓解或消除上面提到的缺点中的一个或多个。

按照本发明的第一方面，提供一种用于基于预测第一关键性能指示符KPI的值来控制通信网络的操作的方法。该方法包括保持多个机器学习过程（MLP），其中，个体机器学习过程（MLP）基于数据模型和决策规则来操作。多个机器学习过程基于多个不同的数据模型和多个不同的决策规则来操作。该方法还包括接收从通信网络的网络单元得到的关键性能指示符KPI的值的流，以及由多个机器学习过程基于先前接收的KPI的值并且使用数据模型和决策规则来预测所述第一KPI的多个将来值，其中，所述第一KPI的将来值涉及相同时间点。该方法还包括将各个预测组合成第一KPI的单个预测值，并且如果第一KPI的单个预测值等于或超过第一阈值，则触发网络管理操作。

按照本发明的第二方面，提供一种用于基于预测第一关键性能指示符KPI的值来控制通信网络的操作的设备。该设备包括处理器和存储器，存储器包含处理器可执行的指令，使得该设备可操作以保持多个机器学习过程。个体机器学习过程基于数据模型和决策规则来操作，其中，多个机器学习过程基于多个不同的数据模型和多个不同的决策规则来操作。该设备可操作以接收从通信网络的网络单元得到的关键性能指示符KPI的值的流，以及由多个机器学习过程来预测所述第一KPI的多个将来值，其中，所述第一KPI的将来值涉及相同时间点。预测基于先前接收的KPI的值，并且使用数据模型和决策规则。此外，该设备可操作以将各个预测组合成第一KPI的单个预测值，并且如果第一KPI的单个预测值等于或超过第一阈值，则触发网络管理操作。

按照本发明的第三方面，提供一种用于基于预测第一关键性能指示符KPI的值来控制通信网络的操作的设备。该设备包括：接收器，用于接收从通信网络的网络单元得到的关键性能指示符KPI的值的流；以及多个机器学习过程，用于预测所述第一KPI的多个将来值，这些值涉及相同时间点。个体机器学习过程基于数据模型和决策规则来操作，其中，多个机器学习过程适合基于多个不同的数据模型和多个不同的决策规则来操作，以及基于先前接收的KPI的值并且使用数据模型和决策规则来作出预测。该设备还包括：组合器，用于将各个预测组合成第一KPI的单个预测值；以及触发器，用于在第一KPI的单个预测值等于或超过第一阈值的条件下触发网络管理操作。

本发明的其它特征如在从属权利要求中所要求保护的那样。

附图说明

通过以下结合附图进行的详细描述，会更全面地了解和理解本发明，在附图中：

图1是示出用于基于预测KPI值来控制通信网络的操作的方法的实施例的流程图；

图2是示出用于基于预测KPI值来控制通信网络的操作的方法的备选实施例的流程图；

图3是示出用于基于预测KPI值来控制通信网络的操作的设备的实施例的简图；

图4是示出图3的设备在图1或图2所示方法的执行中的操作的简图；

图5是用于基于预测KPI值来控制通信网络的操作的方法的实施例的一个备选图示；

图6示出由个体机器学习过程在图5所示实施例中执行的动作；

图7是示出用于基于预测KPI值来控制通信网络的操作的设备的备选实施例的简图。

具体实施方式

在以下描述中，为了说明而不是限定，提出一些具体细节，诸如特定的架构、接口、技术等，以便提供对本发明的透彻理解。但是，本领域技术人员会清楚，本发明可在脱离这些具体细节的其它实施例中实施。在其它情况下，省略对众所周知的装置、电路和方法的详细描述，以免不必要的细节使得本发明的描述不明显。

本说明书通篇中对“一个实施例”或“实施例”的提及意味着：结合某一实施例所描述的特定特征、结构或特性包含在本发明的至少一个实施例中。因此，短语“在一个实施例中”或“在实施例中”在本说明书通篇中各个位置的出现不一定都指的是同一实施例。此外，可按照任何适当方式将特定特征、结构或特性组合在一个或多个实施例中。

有可能创建机器学习过程以及将多个这类机器学习过程用于数据挖掘的设备。这些机器学习过程能够被描述为人工生命物种的示例；其作用是数据挖掘。

随着这些机器学习过程接收数据，它们构建它的模型，基于该模型对新数据分类，并且从预定动作的集合中选择响应。机器学习过程持续失去能量（“代谢”成本）。为了存活，它们必须通过选择适当的响应来挣得能量。“适当的”响应的定义取决于机器学习过程被指配到的具体数据挖掘任务。能量是表征个体机器学习过程的参数。当机器学习过程在某个点失去比它所挣得的能量要多的能量时，它不复存在，或者与生物生命类似，它死亡。

De Buitléir等人[1]证明了：称作wain的机器学习过程的群体的确能够发现模式，基于那些模式作出判定，并且适应数据的模式特性的变化。各个wain在其生存期中学习了作出更好的判定，而且经过几代，进化优化了它们用于数据挖掘任务的学习和决策规则的操作参数。

参照图1，现在要描述一种用于基于预测第一关键性能指示符KPI的值来控制通信网络的操作的方法的实施例。

在电信中，关键性能指示符（KPI）是指示网络的性能的度量。例如，这些性能指示符之一可以是网络时延。其它示例可包括丢失的分组、抖动、网络的各种单元的数据速率吞吐量以及取决于网络的类型和网络上运行的服务的许多其它示例。

该方法包括保持102多个机器学习过程，其中，个体机器学习过程基于数据模型和决策规则来操作。数据模型和决策规则组成所述个体机器学习过程的预测逻辑。多个机器学习过程基于多个不同的数据模型和多个不同的决策规则来操作。在不同实施例中，可使用数据模型和决策规则的许多不同组合。该方法还包括接收从通信网络的网络单元得到的关键性能指示符KPI的值的流。当KPI值可得到时将KPI值提供给机器学习过程的群体。在接下来的步骤中，该方法包括由多个机器学习过程基于先前接收的KPI的值并且使用预测逻辑来预测106所述第一KPI的多个将来值。多个机器学习过程所预测的所述第一KPI的将来值涉及相同时间点。在优选实施例中，所部署的机器学习过程的群体中的每个机器学习过程作出其自己的预测，以及对于n个机器学习过程，我们接收第一KPI的n个预测值。然后，该方法包括将各个预测组合108成第一KPI的单个预测值，并且如果第一KPI的单个预测值等于或超过第一阈值110，则触发112网络管理操作。

机器学习过程能够在被部署之后基于它们的数据模型和决策规则来预测KPI值。但是，初始预测可能不是很准确。机器学习过程必须首先被训练，并且适应部署它们的通信网络的具体环境。为了训练机器学习过程以执行任务，诸如预测特定KPI的将来值（如先前所说明的），我们将全部KPI的值在可得到时提供给机器学习过程。然后，机器学习过程从动作的集合中选择动作，其中每个动作会作出对于所关注KPI的将来值的预测。当KPI的新值可得到时，它被用来确定这些机器学习过程中的哪些过程接收能量奖励。取决于实施例，对于n个最准确的预测或者对于充分接近实际值的所有预测，可给予这个奖励。

在图2所示的优选实施例中，作为加权平均值来计算第一KPI的单个预测值204，其中，个体预测的权重至少取决于所述个体预测的置信水平202。

在一个实施例中，该方法包括确定第一KPI的单个预测值的置信水平206。优选地，第一KPI的单个预测值的置信水平206是落入了KPI的单个预测值附近的预定义范围之内的各个预测的置信水平的平均值。可针对具体实现或具体KPI来定义所述范围的宽度，而且在一个实施例中，它可从0.9KPI _SP至1.1KPI _SP，其中KPI _SP是第一KPI的单个预测值。但是，这只是示例，而且能够设想与第一KPI的单个预测值附近±10%不同的范围宽度。优选地，如果第一KPI的单个预测值的置信水平等于或超过第二阈值208，则触发网络管理操作112。这个实施例的优点在于，它阻止在预测的准确度低于一定阈值的情况中触发网络管理操作，其中置信水平指示准确度。

优选地，周期性地执行预测以及将各个预测组合成第一KPI的单个预测值的操作。还优选地，各个机器学习过程中的每个具有指示所述个体机器学习过程的生存能力的参数。当新周期开始时，执行该方法的设备从网络单元接收KPI值的集合。按照本发明的一个实施例，这些是由网络单元读取或者以其它方式确定并且递交给执行该方法的设备的实际值。这些值之一是该方法在前一周期中已经预测的第一KPI的实际值。优选地，在每个周期中，该方法包括：取决于这些各个机器学习过程在前一周期中预测的准确度，增大指示这些各个机器学习过程的生存能力的参数的值。利用在前一周期中得到的已知实际值和单个预测值，新周期以基于预测的准确度增大指示所述个体机器学习过程的生存能力的参数开始。另一方面，对于每个个体机器学习过程，该方法包括与在当前周期中执行预测操作所需要的能量成本对应地减小指示生存能力的参数的值。为了机器学习过程能操作，其指示生存能力的参数必须大于零。

优选地，对于作出了最准确预测的所定义数量的各个机器学习过程，增大指示个体机器学习过程的生存能力的参数的值。换言之，以指示生存能力的参数的增大来奖励仅x个最准确的机器学习过程。备选地，对于其第一KPI的预测值落入了第一KPI的实际值附近的所定义范围之内的这些各个机器学习过程，增大指示个体机器学习过程的生存能力的参数的值。当我们想要保持能够处理广谱KPI特性的机器学习过程的群体时，这些方式中的第一种是有利的。在这种方式中，x个预测值中的一些可能确实远离实际值，但是我们仍然想要使这些机器学习过程保持运行，因为它们可能擅长预测具有不同特性的KPI。第二种方式可能有利于预测单个KPI或者具有相似特性的一组KPI的值。在这种方式中，作出不准确预测（即，在所定义范围以外）的机器学习过程将不会被奖励，并且当在将指示生存能力的参数的值减小与在当前周期中执行预测操作所需要的能量成本对应的值之后，所述参数的值下降为零或以下时，最终被从该群体中淘汰。这虑及训练机器学习过程的高度专业化的群体。

参照图3，现在要描述一种用于基于预测第一关键性能指示符KPI的值来控制通信网络的操作的设备300的实施例。设备300包括处理器302和存储器304。存储器304包含处理器302可执行的指令，使得该设备可操作以执行先前实施例中所描述的方法。在操作中，设备300可操作以保持多个机器学习过程，其中，个体机器学习过程基于数据模型和决策规则来操作。数据模型和决策规则组成所述个体机器学习过程的预测逻辑。多个机器学习过程基于多个不同的数据模型和多个不同的决策规则来操作。不同的组合是可能的；例如，同一数据模型可由多个机器学习过程使用，而这些机器学习过程中的每个则使用决策规则的不同集合。备选地，决策规则的同一集合可由多个机器学习过程使用，而这些机器学习过程中的每个则使用不同的数据模型。其它的组合也是可能的：仅使用独特的数据模型，仅使用独特的决策规则。机器学习过程的这种多样性给予用来预测KPI值的广谱判定逻辑，并且增大具有产生准确预测的群体的成员的可能性。设备300还可操作以接收从通信网络的网络单元得到的关键性能指示符KPI的值的流，然后由多个机器学习过程来预测所述第一KPI的多个将来值，其中，所述第一KPI的将来值涉及相同时间点。预测基于先前接收的KPI的值，并且使用预测逻辑。设备300还可操作以将各个预测组合成第一KPI的单个预测值，并且如果第一KPI的单个预测值等于或超过第一阈值，则触发网络管理操作。

优选地，该设备可操作以作为加权平均值来计算第一KPI的单个预测值，其中，个体预测的权重至少取决于所述个体预测的置信水平。在另一优选实施例中，该设备可操作以确定第一KPI的单个预测值的置信水平。

第一KPI的单个预测值的置信水平可以是落入了第一KPI的单个预测值附近的预定义范围之内的各个预测的置信水平的平均值。如果第一KPI的单个预测值的置信水平等于或超过第二阈值，则该设备可操作以触发网络管理操作。超越第二阈值指示不仅预期所预测的第一KPI超越第一阈值，而且指示预测的准确度（由第一KPI的单个预测值的置信水平来指示）足够高而被信任。第一和第二阈值优选地对于具体部署是可配置的。

设备300可操作以周期性地执行预测以及将各个预测组合成第一KPI的单个预测值的操作。优选地，各个机器学习过程中的每个具有指示所述个体机器学习过程的生存能力的参数，而且在每个周期中，该设备还可操作以取决于这些各个机器学习过程在前一周期中预测的准确度，增大指示这些各个机器学习过程的生存能力的参数的值。当第一KPI的实际值可得到时，这在周期的一开始就执行。然后，将这个值与前一周期中作出的预测进行比较，以及基于实际值与预测之间的差，通过增大这些机器学习过程相应的指示生存能力的参数的值来相应地奖励这些机器学习过程。另一方面，对于每个个体机器学习过程，该设备可操作以与在当前周期中执行预测操作所需要的能量成本对应地减小指示生存能力的参数的值。执行预测花费能量（降低生存能力），而且在周期结束时每个机器学习过程具有指示已降低的生存能力的参数。生存能力奖励与花费之间的平衡确定机器学习过程擅长预测第一KPI值的程度。重复地作出不准确预测的机器学习过程与它得到奖励相比更快地失去其生存能力，并且最终被从机器学习过程的集合中淘汰。另一方面，重复地作出准确预测的机器学习过程获得了奖励形式的更多能量，所述能量由它花费在预测上并且它可生殖。

在一个实施例中，设备300可操作以在处理器302上向多个机器学习过程的每个分配时隙以用于执行预测逻辑，并且预测所述第一KPI的将来值。在这个实施例中，机器学习过程一个接一个地在处理器上获得它们的时机。备选地，该设备可操作以在处理器302上并行地执行多个机器学习过程的预测逻辑，并且预测所述第一KPI的多个将来值。预测逻辑的并行执行可按照如下方式来实现：所有的机器学习过程使其预测逻辑的代码同时执行，或者备选地，采用并行和串行操作的组合。在这个实施例中，机器学习过程的子集使其预测逻辑的代码同时执行，然后执行下一个子集，直到全部机器学习过程都试过。

设备300还包括接口306，用于连接到网络并且经由所述网络连接到网络的其它单元。

参照图7，将描述一种用于基于预测第一关键性能指示符KPI的值来控制通信网络的操作的设备700的备选实施例。设备700包括接收器702，用于接收从通信网络的网络单元得到的关键性能指示符KPI的值的流。该设备还包括多个机器学习过程704，用于预测所述第一KPI的多个将来值，这些将来值涉及相同时间点。个体机器学习过程704基于组成所述个体机器学习过程的预测逻辑的数据模型和决策规则来操作。机器学习过程704适合基于多个不同的数据模型和多个不同的决策规则来操作。机器学习过程704还适合基于先前接收的KPI的值并且使用预测逻辑来作出预测。设备700还包括：组合器706，用于将各个预测组合成第一KPI的单个预测值；以及触发器708，用于在第一KPI的单个预测值等于或超过第一阈值的条件下触发网络管理操作。此外，设备700包括接口710，用于连接到网络并且经由所述网络连接到网络的其它单元。

为了更好地理解本发明的实施例，现在将通过与活物种的群体（人工生命）类比来描述方案的上述及附加细节。

每个机器学习过程的特征被编码到二进制字符串中，类似于生物有机体的特征被编码到其DNA中的方式。当两个过程配对时，它们的字符串被重组以产生后代的字符串。结果，后代继承其父母的特征的混合。这些特征包括用于包含大脑的机器学习算法的配置参数（学习和决策规则），因此作出良好预测的父母很可能具有作出良好预测的后代。作出最准确预测的机器学习过程接收更频繁的能量奖励，并且倾向于活得更久并且产生更多后代。因此，每一代倾向于作出比前一代更好的预测。这作为对机器学习过程在其生存期中进行的学习的补充。机器学习过程的当前群体的预测可按照一个或多个因子来加权。加权因子的示例包括机器学习过程年龄、置信水平和历史准确度。在一个实施例中，对机器学习过程的当前群体的加权预测求平均值，以产生单个系统预测。

本发明在其各种实施例中有许多优点。虽然大多数定量预报方法就权衡较旧数据与较新数据而论是不灵活的，但是进化允许机器学习过程所使用的权重响应数据中变化的模式特性而在各代之间改变。在优选实施例中，权重是机器学习过程的配置的一部分。虽然大多数机器学习系统是“黑盒”，但是比较容易找出各个机器学习过程作出它们所作判定的原因。能够直接检查每个机器学习过程的数据模型和决策规则。虽然大多数定量预报方法的准确度在很大程度上取决于（固定）配置，但是进化允许机器学习过程的配置响应数据中变化的模式特性而在各代之间改变。每个机器学习过程是具有其自己的配置的独立预测器，因此不是依靠单个预测器，这里所提供的方案利用“群众智慧”。这个方案的另一个优点在于，该方案的准确度对于机器学习过程的初始群体的配置比较不敏感-进化将随着时间的过去而改进配置。该系统能够学习、然后记忆不经常发生的模式。因为作为人工生命物种的示例的机器学习过程有性生殖，所以后代是父母的配置参数的混合组合。与生物生命类比，假定基因设定（等位基因）对配置参数的值进行编码，使学习和决策规则在大多数时间不太准确地作出预测，但是对不经常发生的模式很准确。假定从父母继承等位基因的一个副本的机器学习过程从另一父母继承不同的等位基因，则它们一般能够是准确预测器。等位基因保持在基因池中，并且可用于将来的各代。继承两个副本的机器学习过程通常将作出不准确预测，以及因而将处于生存劣势，并且很可能不会长期存活。但是，当不经常模式发生时，继承两个副本的机器学习过程将具有生存优势。

图4示出设备300、700中的方法的总体流程。设备300、700在KPI值可得到时接收KPI值404。每次当KPI值404的新集合到达时，机器学习过程的群体406生成所关注KPI的下一个值的预测。各个预测被组合成单个系统预测。如果该系统具有KPI的下一个值将突破阈值的充分置信度，则通知运营商。如这里所描述的设备300、700基于多个KPI的当前值来预测单个KPI的下一个值。但是，在备选实施例中，它可能被扩展到预测多个KPI，基于较旧的KPI值以及当前值作出预测，或者对未来进一步作出预测。

图5示出总体过程的一个实施例。在KPI值的新集合可得到时，一轮开始。在该轮开始时，读取502新的KPI值以及来自前一轮的预测。基于每个机器学习过程的上一个预测的准确程度504，向每个机器学习过程指配奖励506。优选地，每个机器学习过程被给予其奖励，被提供新的KPI值，并且被给予时机508，以作出预测并且有可能配对。在这个实施例中，机器学习过程在其时机期间被给予对CPU（中央处理单元或处理器）的访问权以执行其代码。在图6中论述机器学习过程的时机的细节。在备选实施例中，多个机器学习过程在处理器上并行地执行其代码。还有可能将该方法实现为多个机器学习过程的预测逻辑（代码）的串行和并行执行的组合。处理器具有有限的能力，例如，能够有效地执行100个机器学习过程的代码。如果机器学习过程的群体为100，则它们全部能够被并行运行。但是，如果该群体为500，则可采用串行和并行执行的组合。在每个时机，100个机器学习过程被执行，并且产生其第一KPI的预测值，而且这个步骤被重复五次，直到全部机器学习过程产生其预测。

随后，从每个机器学习过程的能量级中扣除代谢成本510。这个代谢成本是基于机器学习过程的大脑的大小，这阻止它们长出比必需更大的大脑并且浪费处理资源。成人机器学习过程还支付它们正养育的任何孩子的代谢成本。当机器学习过程的能量达到零（在扣除代谢成本之后）时，它被认为死亡，并且被从该群体中去除512。将各个机器学习过程的预测组合成单个系统预测514。在优选实施例中，这可使用加权平均值进行，其中机器学习过程的预测的权重取决于其年龄和置信水平。系统置信水平（即，系统在其预测中的置信度）是作出与系统预测一致的预测的各个机器学习过程的置信水平的平均值。如果系统预测突破那个KPI的阈值，则预测告警516。另外，如果系统置信水平高518，则通知网络运营商520。最后，记录预测522，524。

图6示出由个体机器学习过程在图5所示的优选实施例中执行的动作。在其时机开始时，机器学习过程基于其来自前一轮的预测的准确度接收0与1之间的奖励602。如果奖励为零604，则机器学习过程的大脑将削弱606它在前一轮中已识别的模式与其预测之间的关联。这将使机器学习过程在将来不太可能在相似情形中作出相同预测。如果奖励高于零604，则学习和决策规则将增强608该关联，使机器学习过程更可能在相似情形中作出相同预测。如果奖励为一，则该关联将是最强的。

随后，机器学习过程读取610所接收的KPI的新集合，并且将当前情形与其数据模型进行比较，以及优选地对它指配最相似模式的ID。这被图示为对输入KPI的模式分类612。它还更新612数据模型以结合新情形。然后，机器学习过程响应这个情形而检查它已经作出的先前预测，并且选择614最可能引起正面奖励的预测。机器学习过程输出这个预测。这通过将预测写到接口（例如文本文件）来完成616。随后，如果机器学习过程当前没有养育孩子，则它可配对618，620。任何所产生的后代将归于发起配对的机器学习过程。只要孩子归于父母，它就会看到与父母相同的KPI，观察父母所作出的判定，并且向它们学习。最后，已经达到成熟年龄的任何孩子被“断奶”622，624；也就是说，它们变得独立，准备好作出其自己的预测。

在一个实施例中，基于本发明的实施例的方案可用来预测电信无线电网络的KPI，以识别要求容量增加的时间或者能够启用或停用节能特征的时间。

在备选实施例中，本发明可适用于物联网（IoT）域中。IoT指的是包含允许对象收集和交换数据的电子器件、软件、传感器、致动器和网络接口的装置的网络。这类装置可包括车辆、建筑、空调、可佩带计算机、智能电话、安全系统和家庭自动化装置。由于大量的装置各自能够发送和接收数据，有可能在满足一定条件时，所传送的数据可引起拥塞。这些条件中的一些可能很难或者甚至不可能使用现有技术来预测，但是基于机器学习过程的群体的方案可训练以检测引起所传送数据量的急剧增加的模式。本发明可用来预测IoT的KPI，从而允许网络运营商检测使用量的增加，并且因此降低数据流量以防止拥塞。

参考文献：

[1] de Buitléir, Amy, Russell, Michael and Daly, Mark. "Wains: A pattern-seeking artificial life species." Artificial Life 18, no. 4 (2012): 399--423。

Claims

1.一种用于基于预测第一关键性能指示符KPI的值来控制通信网络的操作的方法，所述方法包括：

- 保持（102）多个机器学习过程，其中，个体机器学习过程基于数据模型和决策规则来操作，其中，所述多个机器学习过程基于多个不同的数据模型和多个不同的决策规则来操作；

- 接收（104）从所述通信网络的网络单元得到的关键性能指示符KPI的值的流；

- 由所述多个机器学习过程基于先前接收的KPI的值并且使用所述数据模型和决策规则来预测（106）所述第一KPI的多个将来值，其中，所述第一KPI的所述将来值涉及相同时间点；

- 将各个预测组合（108）成所述第一KPI的单个预测值；

- 如果所述第一KPI的单个预测值等于或超过第一阈值（110），则触发（112）网络管理操作。

2.如权利要求1所述的方法，其中，作为加权平均值来计算所述第一KPI的所述单个预测值（204），其中，个体预测的权重至少取决于所述个体预测的置信水平（202）。

3.如权利要求1或权利要求2所述的方法，还包括：确定所述第一KPI的所述单个预测值的置信水平（206）。

4.如权利要求3所述的方法，其中，所述第一KPI的所述单个预测值的所述置信水平（206）是落入了所述KPI的所述单个预测值附近的预定义范围之内的所述各个预测的置信水平的平均值。

5.如权利要求3或权利要求4所述的方法，其中，如果所述第一KPI的所述单个预测值的所述置信水平等于或超过第二阈值（208），则触发（112）所述网络管理操作。

6.如以上权利要求中的任一项所述的方法，其中，各个机器学习过程中的每个具有指示所述个体机器学习过程的生存能力的参数，以及其中，周期性地执行预测以及将所述各个预测组合成所述第一KPI的所述单个预测值的操作，并且在每个周期中，所述方法包括：

- 取决于这些各个机器学习过程在前一周期中预测的准确度，增大指示这些各个机器学习过程的生存能力的所述参数的值；

- 对于每个个体机器学习过程，与在当前周期中执行预测操作所需要的能量成本对应地减小指示生存能力的所述参数的值。

7.如权利要求6所述的方法，其中，对于作出了最准确预测的所定义数量的各个机器学习过程，增大指示个体机器学习过程的生存能力的所述参数的值。

8.如权利要求6所述的方法，其中，对于预测了落入所述第一KPI的实际值附近的一定范围之内的所述第一KPI的值的各个机器学习过程，增大指示个体机器学习过程的生存能力的所述参数的值。

9.如以上权利要求中的任一项所述的方法，其中，在预测（106）步骤中，在处理器上为所述多个机器学习过程中的每个分配时隙（508）以用于执行所述数据模型和决策规则，并且预测所述第一KPI的将来值。

10.如以上权利要求中的任一项所述的方法，其中，在预测（106）步骤中，多个机器学习过程在处理器上并行地执行其数据模型和决策规则，并且预测所述第一KPI的所述多个将来值。

11.一种用于基于预测第一关键性能指示符KPI的值来控制通信网络的操作的设备（300），所述设备（300）包括处理器（302）和存储器（304），所述存储器（304）包含所述处理器（302）可执行的指令，使得所述设备（300）可操作以：

- 保持多个机器学习过程，其中，个体机器学习过程基于数据模型和决策规则来操作，其中，所述多个机器学习过程基于多个不同的数据模型和多个不同的决策规则来操作；

- 接收从所述通信网络的网络单元得到的关键性能指示符KPI的值的流；

- 由所述多个机器学习过程基于先前接收的KPI的值并且使用所述数据模型和决策规则来预测所述第一KPI的多个将来值，其中，所述第一KPI的所述将来值涉及相同时间点；

- 将各个预测组合成所述第一KPI的单个预测值；

- 如果所述第一KPI的单个预测值等于或超过第一阈值，则触发网络管理操作。

12.如权利要求11所述的设备（300），其中，所述设备可操作以作为加权平均值来计算所述第一KPI的所述单个预测值，其中，个体预测的权重至少取决于所述个体预测的置信水平。

13.如权利要求11或权利要求12所述的设备（300），其中，所述设备还可操作以确定所述第一KPI的所述单个预测值的置信水平。

14.如权利要求13所述的设备（300），其中，所述第一KPI的所述单个预测值的所述置信水平是落入了所述第一KPI的所述单个预测值附近的预定义范围之内的所述各个预测的置信水平的平均值。

15.如权利要求13或权利要求14所述的设备（300），其中，所述设备可操作以在所述第一KPI的所述单个预测值的所述置信水平等于或超过第二阈值的条件下触发所述网络管理操作。

16.如权利要求11-15中的任一项所述的设备（300），其中，各个机器学习过程中的每个具有指示所述个体机器学习过程的生存能力的参数，以及其中，所述设备可操作以周期性地执行预测以及将所述各个预测组合成所述第一KPI的所述单个预测值的操作，并且在每个周期中，所述设备还可操作以：

17.如权利要求11-16中的任一项所述的设备，其中，所述设备可操作以在所述处理器（302）上向所述多个机器学习过程中的每个分配时隙以用于执行所述数据模型和决策规则，并且预测所述第一KPI的将来值。

18.如权利要求11-17中的任一项所述的设备，其中，所述设备可操作以在处理器上并行地执行多个所述机器学习过程的所述数据模型和决策规则，并且预测所述第一KPI的所述多个将来值。

19.一种用于基于预测第一关键性能指示符KPI的值来控制通信网络的操作的设备（700），所述设备（700）包括：

- 接收器（702），用于接收从所述通信网络的网络单元得到的关键性能指示符KPI的值的流；

- 多个机器学习过程（704），用于预测所述第一KPI的多个将来值，所述多个将来值涉及相同时间点，其中，个体机器学习过程基于数据模型和决策规则来操作，所述多个机器学习过程适合基于多个不同的数据模型和多个不同的决策规则来操作，以及基于先前接收的KPI的值并且使用所述数据模型和决策规则来作出所述预测；

- 组合器（706），用于将各个预测组合成所述第一KPI的单个预测值；

- 触发器（708），用于在所述第一KPI的单个预测值等于或超过第一阈值的条件下触发网络管理操作。