CN110650506B - 面向演进网络的人工智能乒乓切换原因定位方法及装置 - Google Patents

Abstract

本发明属于通信技术领域，具体公开了一种面向演进网络的人工智能乒乓切换原因定位方法和装置。该面向演进网络的人工智能乒乓切换原因定位方法包括：获取乒乓切换小区的乒乓切换数据；从乒乓切换数据中提取乒乓切换的属性特征及对应的属性特征值；基于属性特征值计算属性特征的信息增益/信息增益率；基于属性特征和属性特征的信息增益/信息增益率构建乒乓切换原因定位模型，乒乓切换原因定位模型为决策树模型；将当前乒乓切换属性特征及对应的属性特征值输入乒乓切换原因定位模型，定位乒乓切换的原因。该乒乓切换原因定位方法和装置快速、准确地定位乒乓切换原因，同时可以摆脱人工定位乒乓切换原因时对个人能力和工作经验的依赖性。

Description

面向演进网络的人工智能乒乓切换原因定位方法及装置

技术领域

本发明涉及通信技术领域，具体涉及一种面向演进网络的人工智能乒乓切换原因定位方法及装置。

背景技术

乒乓切换会导致通信过程中的数据丢包和时延，影响通信质量，从而降低用户端的体验感知。目前，针对乒乓切换原因的定位主要通过工作人员分析筛选大量运维数据表单，利用相关知识和工作经验分析乒乓切换原因。由于乒乓切换原因定位的工作量大，过程复杂繁琐，而且往往对工作人员的个人技术能力和经验依赖性较强，因此，难以快速、准确独立地定位乒乓切换原因。

因此，如何快速、准确独立地定位乒乓切换原因成为本领域亟待解决的问题。

发明内容

为此，本发明提供一种面向演进网络的人工智能面向演进网络的人工智能乒乓切换原因定位方法及装置，以解决现有技术中工作人员利用运维数据结合个人知识和工作经验定位乒乓切换原因，而导致的工作量大、过程复杂、个人能力和经验依赖性较强的问题。

为了实现上述目的，本发明第一方面提供一种乒乓切换原因定位方法，包括：

获取乒乓切换小区的乒乓切换数据；

从所述乒乓切换数据中提取乒乓切换的属性特征及对应的属性特征值；

基于所述属性特征值计算所述属性特征的信息增益/信息增益率；

基于所述属性特征和所述属性特征的信息增益/信息增益率构建乒乓切换原因定位模型，所述乒乓切换原因定位模型为决策树模型；

将当前乒乓切换属性特征及对应的属性特征值输入所述乒乓切换原因定位模型，定位所述乒乓切换的原因。

进一步地，所述获取乒乓切换小区的乒乓切换数据包括：

采集评估区域的路测数据，提取所述路测数据中的切换次数、数据丢包率和时延；

建立所述切换次数、数据丢包率和时延与用户感知的映射关系，并基于所述映射关系确定乒乓切换临界次数；

根据所述乒乓切换临界次数确定所述评估区域的乒乓切换小区；

采集所述乒乓切换小区的乒乓切换数据。

进一步地，所述从所述乒乓切换数据中提取乒乓切换数据的属性特征及对应的属性特征值包括：

当所述属性特征值为离散值时，直接提取所述属性特征值；

当所述属性特征值为连续值时，对所述属性特征值进行离散化处理，得到离散化的属性特征值。

进一步地，所述基于所述属性特征和所述属性特征的信息增益/信息增益率构建乒乓切换原因定位模型，包括：

将所述信息增益/信息增益率最大的所述属性特征作为所述决策树模型的上级结点的属性特征；

设置所述上级结点属性特征对应的属性特征值的分类阈值；

基于所述上级结点属性特征值的分类阈值对所述上级结点属性特征值进行分类，获得下级结点或叶结点，每个所述叶结点对应一种乒乓切换原因；

基于所述上级结点、下级结点和叶结点搭建所述决策树模型，构成所述乒乓切换原因定位模型。

进一步地，所述将当前乒乓切换属性特征及对应的属性特征值输入所述乒乓切换原因定位模型，定位所述乒乓切换的原因包括：

基于所述当前乒乓切换属性特征及对应的属性特征值在所述乒乓切换原因定位模型中获得叶结点；

根据所述叶结点得出所述乒乓切换原因。

进一步地，所述将所述乒乓切换属性特征及对应的属性特征值输入所述乒乓切换原因定位模型，得到所述乒乓切换的原因之后，还包括：

基于所述乒乓切换原因提供相应的解决方案；

以动态可视化方式展示所述乒乓切换属性特征及属性特征值数据、乒乓切换原因数据和乒乓切换解决方案数据。

为了实现上述目的，本发明第二方面提供一种面向演进网络的人工智能乒乓切换原因定位装置，包括：

获取模块，用于获取乒乓切换小区的乒乓切换数据；

提取模块，用于从所述乒乓切换数据中提取乒乓切换的属性特征及对应的属性特征值；

计算模块，用于基于所述属性特征值计算所述属性特征的信息增益/信息增益率；

构建模块，用于基于所述属性特征和所述属性特征的信息增益/信息增益率构建乒乓切换原因定位模型，所述乒乓切换原因定位模型为决策树模型；

定位模块，用于将当前乒乓切换属性特征及对应的属性特征值输入所述乒乓切换原因定位模型，定位所述乒乓切换的原因。

进一步地，所述获取模块包括：

路测数据采集单元，用于采集评估区域的路测数据，提取所述路测数据中的切换次数、数据丢包率和时延；

映射单元，用于建立所述切换次数、数据丢包率和时延与用户感知的映射关系，并基于所述映射关系确定乒乓切换临界次数；

小区确定单元，用于根据所述乒乓切换临界次数确定所述评估区域的乒乓切换小区；

切换数据采集单元，用于采集所述乒乓切换小区的乒乓切换数据。

进一步地，所述提取模块包括：

提取单元，用于当所述属性特征值为离散值时，直接提取所述属性特征值；

离散单元，用于当所述属性特征值为连续值时，对所述属性特征值进行离散化处理，得到离散化的属性特征值。

进一步地，所述构建模块包括：

结点构建单元，用于将所述信息增益/信息增益率最大的所述属性特征作为所述决策树模型上级结点的属性特征；

阈值设置单元，用于设置所述上级结点属性特征对应的属性特征值的分类阈值；

特征值分类单元，用于基于所述上级结点属性特征值的分类阈值对所述上级结点属性特征值进行分类，获得下级结点或叶结点，每个所述叶结点对应一种乒乓切换原因；

特模型搭建单元，用于基于所述上级结点、下级结点和叶结点搭建所述决策树模型，构成所述乒乓切换原因定位模型。

进一步地，所述定位模块包括：

叶结点获得单元，用于基于所述当前乒乓切换属性特征及对应的属性特征值在所述乒乓切换原因定位模型中获得叶结点；

原因获得单元，用于根据所述叶结点得出所述乒乓切换原因。

本发明具有如下优点：

本发明提供的面向演进网络的人工智能乒乓切换原因定位方法，基于决策树构建乒乓切换原因定位模型，通过该模型可以快速、准确地定位乒乓切换原因。而且由于乒乓切换原因定位是由模型来完成的，因此可以摆脱人工定位乒乓切换原因时对个人能力和工作经验的依赖性。

附图说明

附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。

图1为本发明实施例提供的一种面向演进网络的人工智能乒乓切换原因定位方法的流程图；

图2为本发明实施例提供的一种面向演进网络的人工智能乒乓切换原因定位装置的原理框图。

通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。

具体实施方式

以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

图1是本发明第一实施例提供的一种面向演进网络的人工智能乒乓切换原因定位方法的流程图，如图1所示，该乒乓切换原因定位方法包括如下步骤：

步骤S101，获取乒乓切换小区的乒乓切换数据。

其中，乒乓切换数据是指乒乓切换小区的网络系统工参数据、网络系统MR(测试报告)数据、网络话统数据、后台KPI(关键绩效指标)数据和前台DT(路测)数据等，通过分析这些乒乓切换数据中的一种或多种数据可以得到乒乓切换小区发生乒乓切换的原因。

在一个实施方式中，乒乓切换数据通过以下步骤获得：采集评估区域的路测数据，提取路测数据中的切换次数、数据丢包率和时延；建立切换次数、数据丢包率和时延与用户感知的映射关系，并基于该映射关系确定乒乓切换临界次数；根据乒乓切换临界次数确定评估区域的乒乓切换小区；采集乒乓切换小区的乒乓切换数据。

需要说明的是，评估区域一般选定在频繁发生乒乓切换的区域，采集该评估区域内乒乓切换小区的乒乓切换数据，并分析这些乒乓切换数据可以确定乒乓切换原因，然后针对不同乒乓切换原因提出相应的乒乓切换解决方案。

在一个实施例中，乒乓切换小区的确定方式包括：首先采集评估区域的路测数据，并从这些路测数据中提取切换次数、数据丢包率和时延数据，从而建立切换次数、数据丢包率和时延的列表。其次，利用切换次数、数据丢包率和时延列表中的数据丢包率和时延对切换次数进行用户感知打分，获得基于切换次数的用户感知分值。然后，基于用户感知分值和该用户感知分值对应的切换次数数据建立用户感知分值和切换次数的映射关系。根据该映射关系确定乒乓切换临界次数，并将评估区域内切换次数大于该乒乓切换临界次数的小区作为乒乓切换备选小区。进一步地，设定切换成功率阈值，将乒乓切换备选小区中切换成功率低于切换成功率阈值的小区作为乒乓切换小区。

需要说明的是，乒乓切换临界次数和切换成功率阈值可以根据经验或利用统计数据等方式设定，对于用户较密集的区域，乒乓切换临界次数设置相对较低的值；切换成功率阈值设置相对较高的值。

优选地，提取用户感知分值和该用户感知分值对应的切换次数数据，建立用户感知分值和切换次数的映射关系还可以采用以下方式：提取用户感知分值和用户感知分值对应的切换次数数据；将提取的用户感知分值和用户感知分值对应的切换次数绘制成散点图，其中横坐标设置为切换次数，纵坐标设置为用户感知分值；采用拟合方法将用户感知分值和切换次数散点图绘制成用户感知分值和切换次数曲线图，以更直观准确地反应用户感知分值和切换次数的映射关系。

优选地，根据用户感知分值与切换次数映射关系确定乒乓切换临界次数还可以采用以下方式：首先设置用户感知分值阈值；其次根据用户感知分值与切换次数映射关系，确定当用户感知分值等于用户感知分值阈值时对应的切换次数；将用户感知分值阈值对应的切换次数设置为乒乓切换临界次数。需要说明的是，用户感知分值阈值为设定的阈值，当用户感知分值低于该阈值时，表示用户感知不能得以保障。

如，采集某评估区域的路测数据，提取路测数据中的切换次数ST、数据丢包率PLR和时延数据T。假设采集的路测数据包括N条数据记录，那么，切换次数集合为ST＝{st₁，st₂，…st_i…，st_N}，数据丢包率集合为PLR＝{plr₁，plr₂，…plr_i…，plr_N}，时延集合为T＝{τ₁，τ₂，…τ_i，…，τ_N}。其中，st_i为第i条数据记录的切换次数，plr_i为第i条数据记录的数据丢包率，τ_i为第i条数据记录的时延，i＝{1，2，…，N}。基于以上数据可以建立切换次数ST、数据丢包率PLR和时延数据T的列表，如表1所示。

表1

切换次数ST	数据丢包率PLR	时延数据T
			st<sub>1</sub>	plr<sub>1</sub>	τ<sub>1</sub>
……	……	……
			st<sub>i</sub>	plr<sub>i</sub>	τ<sub>i</sub>
……	……	……
			st<sub>N</sub>	plr<sub>N</sub>	τ<sub>N</sub>

假设有M位用户基于表1中的数据丢包率PLR和时延T，针对切换次数ST进行用户感知打分，可以获得用户感知分值CPS。

假设第j位用户针对第i条数据记录中的切换次数st_i、数据丢包率plr_i和时延τ_i进行用户感知打分，并获得用户感知分值为CPS_ji，其中j＝{1，2，…，M}。因此，可以获得用户感知分值集合为CPS＝{CPS_j1，CPS_j2，…，CPS_jN，j＝{1，2，…，M}}，如表2所示。

表2

其中，第j位用户针对第i条数据记录，其用户感知分值为CPS_ji，该感知分值CPS_ji对应的切换次数为st_i。提取用户感知分值为CPS_ji和该感知分值CPS_ji对应的切换次数为st_i，建立用户感知分值为CPS_ji和对应的切换次数st_i的列表，如表3所示。

表3

建立一个坐标系，横坐标设置为切换次数ST，纵坐标设置为用户感知分值CPS。将表3中的感知分值CPS_ji和感知分值CPS_ji对应的切换次数st_i对应在该坐标系中，形成用户感知分值CPS和切换次数ST散点图。进一步地，采用拟合方法将该散点图绘制成用户感知分值CPS和切换次数ST曲线图，以更直观的方式展现用户感知分值CPS和切换次数ST的映射关系。

设置用户感知分值阈值为CPS_thr，并根据用户感知分值CPS和切换次数ST曲线图，确定当用户感知分值CPS等于CPS_thr时，对应的切换次数ST等于ST_thr。那么，将ST_thr作为乒乓切换临界次数，并将评估区域内切换次数大于乒乓切换临界次数ST_thr的小区确定为乒乓切换备选小区。

进一步地，设置切换成功率阈值为SSR_thr，将乒乓切换备选小区中切换成功率小于SSR_thr的小区作为乒乓切换小区，并采集乒乓切换小区的乒乓切换数据，这些乒乓切换数据包括但不限于网络系统工参数据、网络系统MR数据、网络话统数据、后台KPI数据和前台DT数据。

步骤S102，从乒乓切换数据中提取乒乓切换的属性特征及对应的属性特征值。

乒乓切换的属性特征是乒乓切换数据中可以反映乒乓切换原因的数据项，这些数据项对应的数值为乒乓切换属性特征的属性特征值。乒乓切换属性特征包括但不限于基站频带、基站经纬度，基站方位角、下倾角、RSRP(参考信号接收功率)覆盖率、采样点数、切换次数、切换成功率、噪声干扰水平、RSRP均值、室内信号覆盖率、室外信号覆盖率、室外重叠覆盖率、室内重叠覆盖率、时间提前量、滞后参数、边界偏移、特定偏置。

在一个实施方式中，首先从乒乓切换数据中提取乒乓切换特征属性和对应的特征属性值；其次判断该属性特征对应的属性特征值是连续值还是离散值；如果该属性特征值是离散值，直接提取该属性特征值，如果该属性特征值是连续值，则先将该属性特征值进行离散化处理，然后再提取离散化的属性特征值。

步骤S103，基于属性特征值计算属性特征的信息增益/信息增益率。

在一个实施例中，基于离散化的属性特征值计算该属性特征的信息增益/信息增益率的步骤如下：计算信息熵；选取某一属性特征，利用属性特征值计算该属性特征的条件熵；信息熵减去该属性特征的条件熵即获得该属性特征的信息增益。

如，假设某数据记录如表4所示。

表4

首先，计算信息熵。

根据表4可知，乒乓切换原因是室外弱覆盖的有2条数据记录，分别对应序号1和序号4，乒乓切换原因是方位角不合理的有5条数据记录，分别对应序号2、序号3、序号5、序号6和序号7。由此可知，乒乓切换原因是室外弱覆盖的概率为2/7，乒乓切换原因是方位角不合理的概率为5/7。

通过信息熵计算公式获得信息熵：

H＝-P₁log(P₁)-P₂log(P₂)

其中，H为信息熵，P₁为乒乓切换原因是室外弱覆盖的概率，P₂为乒乓切换原因是方位角不合理的概率。

其次，计算室外覆盖率的条件熵。

根据表4可知，室外覆盖率有三种取值，分别是OCR₁、OCR₂和OCR₃，分别计算室外覆盖率取值为OCR₁、OCR₂和OCR₃时的条件熵。

首先计算室外覆盖率取值为OCR₁时的条件熵，计算步骤如下所示：

当室外覆盖率等于OCR₁时，乒乓切换原因是室外弱覆盖的有1项，对应序号1；乒乓切换原因是方位角不合理的有1项，对应序号2。所以，当室外覆盖率OCR取值为OCR₁时，乒乓切换原因是室内弱覆盖的概率是1/2，乒乓切换原因是方位角不合理的概率是1/2。

通过条件熵的计算公式获得室外覆盖率取值为OCR₁时的条件熵：

Entropy(OCR₁)＝-P₃log(P₃)-P₄log(P₄)

其中，Entropy(OCR₁)是室外覆盖率取值为OCR₁时的条件熵，P₃是室外覆盖率等于OCR₁时乒乓切换原因为室内弱覆盖的概率，P₄是室外覆盖率等于OCR₁时乒乓切换原因为方位角不合理的概率。

同理，可以计算得到室外覆盖率取值为OCR₂时的条件熵和室外覆盖率取值为OCR₃时条件熵。

最后，计算室外覆盖率的信息增益。

其中，室外覆盖率的7项取值中有2项取值为OCR₁，即室外覆盖率等于OCR₁的概率是2/7；室外覆盖率的7项取值中有3项取值为OCR₂，即室外覆盖率等于OCR₁的概率是3/7；室外覆盖率的7项取值中有2项取值为OCR₃，即室外覆盖率等于OCR₃的概率是2/7。

通过信息增益的计算公式获得室外覆盖率的信息增益：

Gain_OCR＝H-p(OCR＝OCR₁)*Entropy(OCR₁)

-p(OCR＝OCR₂)*Entropy(OCR₂)

-p(OCR＝OCR₃)*Entropy(OCR₃)

其中，Gain_OCR是室外覆盖率的信息增益，p(OCR＝OCR₁)是室外覆盖率取值为OCR₁的概率，p(OCR＝OCR₂)是室外覆盖率取值为OCR₂的概率，Entropy(OCR₂)是室外覆盖率取值为OCR₂时的条件熵，p(OCR＝OCR₃)是室外覆盖率取值为OCR₃的概率，Entropy(OCR₃)是室外覆盖率取值为OCR₃时条件熵。

同理，也可以计算得到方位角AG的信息增益。

步骤S104，基于属性特征和属性特征的信息增益/信息增益率构建乒乓切换原因定位模型。

其中，乒乓切换原因定位模型是基于决策树构建的模型，该决策树模型包括根结点、分支结点和叶结点。通过决策树模型中的根结点、分支结点和叶结点可以搭建形成乒乓切换原因定位模型。

在一个实施方式中，可以通过以下步骤构建乒乓切换原因定位模型：首先将信息增益/信息增益率最大的属性特征作为决策树模型的上级结点的属性特征；其次，设置上级结点属性特征对应的属性特征值的分类阈值；然后，基于上级结点属性特征值的分类阈值对上级结点属性特征值进行分类，获得下级结点或叶结点，每个叶结点对应一种乒乓切换原因；最后，基于上级结点、下级结点和叶结点搭建决策树模型，构成乒乓切换原因定位模型。

在一个实施例中，构建乒乓切换原因定位模型更具体的实现方式包括：

首先，比较所有属性特征的信息增益/信息增益率，并将信息增益/信息增益率最大的属性特征作为根结点的属性特征。其次，设置根结点属性特征对应属性特征值的分类阈值，并基于根结点属性特征值分类阈值对根结点的属性特征值进行分类，获得根结点属性特征值分类。其中，每一个根结点属性特征值分类均对应根结点的一个分支，且每一分支向下连接一个结点。

再一次地，在根结点每一分支的结点上，计算属性特征的信息增益/信息增益率，并将信息增益/信息增益率最大的属性特征作为该根结点分支结点的属性特征。然后，设置该根结点分支结点属性特征值的分类阈值，并基于该根结点分支结点属性特征值分类阈值对根结点分支结点属性特征值进行分类，获得根结点分支结点的属性特征值分类。其中，每一个根结点分支结点的属性特征值分类对应根结点分支结点的一个分支，且每一分支向下连接一个结点。当某一结点的属性特征值只有一类，即不需要分类的时候，将该结点作为叶结点。

采用递归的方法可以获得该决策树模型的根结点、分支结点和叶结点。将获得的这些根结点、分支结点和叶结点搭建起来，形成决策树模型，从而构成乒乓切换原因定位模型。

如，基于室外重叠覆盖率、方位角和时间提前量三个属性特征构建乒乓切换原因定位模型。其中，室外重叠覆盖率的信息增益为Gain_OOCR1，方位角的信息增益Gain_AG1，时间提前量的信息增益Gain_ICR1，且Gain_OOCR1＞Gain_AG1＞Gain_TA1。

首先，确定根结点的属性特征。比较室外重叠覆盖率、方位角、时间提前量三个属性特征的信息增益大小，由Gain_OOCR1＞Gain_AG1＞Gain_TA1可知，室外重叠覆盖率的信息增益最大，因此将室外重叠覆盖率作为本乒乓切换原因定位模型中决策树根结点的属性特征。为方便描述，将根结点表示为Node₁。

设置室外重叠覆盖率的属性特征值分类阈值为OOCR_thr，并将室外重叠覆盖率属性特征值中大于OOCR_thr的属性特征值作为根结点的一个分支，该分支对应结点Node₂；将室外重叠覆盖率属性特征值中小于等于OOCR_thr的作为根结点的另一个分支，该分支对应结点为Node₃。

由于在结点Node₂处对应的分类只有室外重叠覆盖，因此结点Node₂是一个叶结点，且Node₂对应的乒乓切换原因是室外重叠覆盖。

在结点Node₃处计算方位角和时间提前量的信息增益，假设计算得到方位角的信息增益为Gain_AG2，时间提前量的信息增益为Gain_TA2，且Gain_AG2＞Gain_TA2。由于方位角的信息增益Gain_AG2大于时间提前量的信息增益Gain_TA2，因此将方位角设置为结点Node₃的属性特征。

设置结点Node₃处方位角属性特征值分类阈值为AG_thr，并将方位角属性特征值中小于AG_thr的设置为结点Node₃的一个分支，该分支对应结点为Node₄；将方位角属性特征值中大于等于AG_thr的设置为结点Node₃的另一个分支，该分支对应结点为Node₅。

由于在结点Node₄处对应的分类只有方位角不合理，因此结点Node₄是一个叶结点，且Node₄对应的乒乓切换原因是方位角不合理。

在结点Node₅处，由于属性特征只剩时间提前量，因此将时间提前量作为结点Node₅的属性特征。

设置结点Node₅处时间提前量的属性特征值分类阈值为TA_thr，并将时间提前量属性特征值中大于TA_thr的设置为结点Node₅的一个分支，该分支对应结点Node₆；将时间提前量属性特征值中小于等于TA_thr的设置为结点Node₅的另一个分支，该分支对应结点Node₇。

由于在结点Node₆处对应的分类只有过覆盖，因此结点Node₆是一个叶结点，且Node₆对应的乒乓切换原因是过覆盖。

在结点Node₇处，对应的分类为其它乒乓切换原因，因此结点Node₇是一个叶结点，且Node₇对应的含义是其它乒乓切换原因。

基于以上步骤得到了该决策树模型的根结点、分支结点和叶结点，基于这些根结点、分支结点和叶结点搭建决策树模型，并基于该决策树模型构建乒乓切换原因定位模型。

步骤S105，将当前乒乓切换属性特征及对应的属性特征值输入乒乓切换原因定位模型，定位乒乓切换的原因。

其中，当前乒乓切换属性特征及对应的属性特征值是相对于构建乒乓切换原因定位模型时使用的乒乓切换属性特征及属性特征值而言的。当前乒乓切换属性特征及对应的属性特征值是从待进行乒乓切换原因定位的乒乓切换数据中提取的，通过将这些当前乒乓切换属性特征及对应的属性特征值输入乒乓切换原因定位模型中获得乒乓切换原因。

在一个实施方式中，首先将当前乒乓切换属性特征及对应的属性特征值输入到乒乓切换原因定位模型中，然后查看该乒乓切换原因定位模型根结点的属性特征，并从输入的当前乒乓切换属性特征值中提取与根结点属性特征对应的属性特征值。将提取的根结点属性特征值与根结点属性特征值分类阈值作比较，确定应进入根结点的哪一个分支，从而确定要进行下一次判断的结点。同样地，查看该判断结点的属性特征，并从输入的当前乒乓切换属性特征值中提取判断结点属性特征对应的属性特征值，并将提取的判断结点属性特征值与判断结点属性特征值分类阈值比较，确定应进入判断结点的哪一个分支，从而确定要进行再一次判断的结点。采用递归方法进行判断，直到判断至叶结点时，将该叶结点对应的分类结果作为当前乒乓切换属性特征及属性特征值对应的乒乓切换原因。

如，已知当前乒乓切换属性特征及对应属性特征值数据，通过某乒乓切换原因定位模型确定乒乓切换原因。

假设当前乒乓切换属性特征及对应的属性特征值数据包括四条数据记录，分别是Data1、Data2、Data3和Data4。每条数据记录中包括室外重叠覆盖、方位角和时间提前量三个属性特征，以及这三个属性特征对应的属性特征值，如表5所示。

表5

数据记录	室外重叠覆盖	方位角	时间提前量
				Data1	OOCR<sub>1</sub>	AG<sub>1</sub>	TA<sub>1</sub>
Data2	OOCR<sub>2</sub>	AG<sub>2</sub>	TA<sub>2</sub>
				Data3	OOCR<sub>3</sub>	AG<sub>3</sub>	TA<sub>3</sub>
Data4	OOCR<sub>4</sub>	AG<sub>4</sub>	TA<sub>4</sub>

其中，OOCR₁大于OOCR_thr，OOCR₂、OOCR₃、OOCR₄小于等于OOCR_thr；AG₂小于AG_thr，AG₁、AG₃、AG₄大于等于AG_thr；TA₃大于TA_thr，TA₁、TA₂、TA₄小于等于TA_thr。

假设该乒乓切换原因定位模型包括7个结点。其中，根结点Node₁的属性特征为室外重叠覆盖，且室外重叠覆盖的属性特征值分类阈值为OOCR_thr。结点Node₂为室外重叠覆盖特征属性值大于OOCR_thr的分支对应结点，结点Node₂为叶结点，对应的分类结果是室外重叠覆盖。

结点Node₃为室外重叠覆盖特征属性值小于等于OOCR_thr的分支对应结点。结点Node₃的属性特征为方位角，且方位角的属性特征值分类阈值为AG_thr。结点Node₄为方位角属性特征值中小于AG_thr的分支对应结点，结点Node₄为叶结点，对应的分类结果为基站方位角不合理。

结点Node_s为方位角属性特征值中大于等于AG_thr的分支对应结点。结点Node₅的属性特征为时间提前量，且时间提前量的属性特征值分类阈值为TA_thr。Node₆为时间提前量属性特征值中大于TA_thr的分支对应结点，结点Node₆为叶结点，对应的分类原因为过覆盖。

结点Node₇为时间提前量属性特征值中小于等于TA_thr的分支对应结点，结点Node₇为叶结点，其对应的分类结果为除室外重叠覆盖、方位角不合理和过覆盖以外的乒乓切换原因。

利用该乒乓切换原因定位模型定位乒乓切换原因的具体步骤如下：

首先，将Data1、Data2、Data3和Data4输入到该乒乓切换原因定位模型中。

查看并获知该模型中根结点Node₁对应的属性特征为室外重叠覆盖，从Data1、Data2、Data3和Data4提取室外重叠覆盖对应的属性特征值，分别是OOCR₁、OOCR₂、OOCR₃、OOCR₄，并将这四个属性特征值分别与OOCR_thr进行比较。通过比较可知，OOCR₁大于OOCR_thr，因此将Data1对应结点Node₂；OOCR₂、OOCR₃、OOCR₄小于等于OOCR_thr，因此Data2、Data3和Data4对应结点Node₃。由于结点Node₂是叶结点，其对应分类结果为室外重叠覆盖，因此确定Data1对应乒乓切换小区的切换原因为室外重叠覆盖。将Data2、Data3和Data4在结点Node₃再次进行判断。

查看并获知结点Node₃的属性特征为方位角，从Data2、Data3和Data4中提取方位角对应的属性特征值，分别是AG₂、AG₃、AG₄，将其与AG_thr进行比较。通过比较可知，AG₂小于AG_thr，因此将Data2对应结点Node₄；AG₃、AG₄大于等于AG_thr，因此Data3和Data4对应结点Node₅。由于结点Node₄是叶结点，其对应分类结果为方位角不合理，因此确定Data2对应乒乓切换小区的切换原因是方位角不合理。将Data3和Data4在结点Node₅再次进行判断。

查看并获知结点Node₅的属性特征为时间提前量，从Data3和Data4中提取时间提前量对应的属性特征值，分别是TA₃和TA₄，将其与TA_thr进行比较。通过比较可知，TA₃大于TA_tsr，因此将Data3对应结点Node₆；TA₄小于等于TA_thr，因此将Data4对应结点Node₇。由于结点Node₆是叶结点，其对应分类结果为过覆盖，因此确定Data3对应乒乓切换小区的切换原因为过覆盖。由于结点Node₇也是叶结点，其对应分类结果为其它乒乓切换原因，因此得到Data4对应乒乓切换小区的切换原因是除室外重叠覆盖、方位角不合理和过覆盖以外的乒乓切换原因。

通过以上步骤可知，Data1对应乒乓切换小区的切换原因为室外重叠覆盖，Data2对应乒乓切换小区的切换原因为方位角不合理，Data3对应乒乓切换小区的切换原因为过覆盖，Data4对应乒乓切换小区的切换原因是除室外重叠覆盖、方位角不合理和过覆盖以外的乒乓切换原因。

在一个实施方式中，通过乒乓切换原因定位模型得到乒乓切换的原因之后，可以针对该乒乓切换原因制定相应的解决方案解决乒乓切换问题，提高用户感知。

在一个实施方式中，可以利用大屏等媒质以动态可视化的方式展示某区域内乒乓切换小区的位置信息、乒乓切换属性特征及属性特征值数据、乒乓切换原因数据和乒乓切换解决方案数据，从而可以更直观、清晰地了解乒乓切换情况。

图2是根据另一示例性实施例示出的一种面向演进网络的人工智能乒乓切换原因定位装置的原理框图，该乒乓切换原因定位装置可以通过软件、硬件或者两者的结合实现其部分或者全部，可以但不限于独立部署或直接部署于云上，或作为一个平台部署于移动网络无线基站侧。该乒乓切换原因定位装置可以包括：获取模块210、提取模块220、计算模块230、构建模块240和定位模块250。

获取模块210，用于获取乒乓切换小区的乒乓切换数据。

提取模块220，用于从乒乓切换数据中提取乒乓切换的属性特征及对应的属性特征值。

计算模块230，用于基于属性特征值计算属性特征的信息增益/信息增益率。

构建模块240，用于基于属性特征和属性特征的信息增益/信息增益率构建乒乓切换原因定位模型，乒乓切换原因定位模型为决策树模型。

定位模块250，用于将当前乒乓切换属性特征及对应的属性特征值输入乒乓切换原因定位模型，定位乒乓切换的原因。

需要明确的是，本发明并不局限于上文实施例中所描述并在图中示出的特定配置和处理。为了描述的方便和简洁，这里省略了对已知方法的详细描述，并且上述描述的系统、模块和单元的具体工作过程，可以参考结合图1描述实施例中的对应过程，在此不再赘述。

需要说明的是，本实施例提供的乒乓切换原因定位方法及装置适用于4G、5G、6G及未来网络制式下的VoLTE业务、数据业务等业务的乒乓切换原因定位。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (9)

1.一种面向演进网络的人工智能乒乓切换原因定位方法，其特征在于，包括：

获取乒乓切换小区的乒乓切换数据；

从所述乒乓切换数据中提取乒乓切换的属性特征及对应的属性特征值，所述乒乓切换的属性特征为所述乒乓切换数据中能够反映乒乓切换原因的数据项，所述数据项对应的数值为所述乒乓切换的属性特征对应的属性特征值；

基于所述属性特征值计算所述属性特征的信息增益/信息增益率；

基于所述属性特征和所述属性特征的信息增益/信息增益率构建乒乓切换原因定位模型，所述乒乓切换原因定位模型为决策树模型；

将当前乒乓切换属性特征及对应的属性特征值输入所述乒乓切换原因定位模型，定位所述乒乓切换的原因；

其中，所述基于所述属性特征和所述属性特征的信息增益/信息增益率构建乒乓切换原因定位模型，包括：

将所述信息增益/信息增益率最大的所述属性特征作为所述决策树模型的上级结点的属性特征；

设置所述上级结点属性特征对应的属性特征值的分类阈值；

基于所述上级结点属性特征值的分类阈值对所述上级结点属性特征值进行分类，获得下级结点或叶结点，每个所述叶结点对应一种乒乓切换原因；

基于所述上级结点、下级结点和叶结点搭建所述决策树模型，构成所述乒乓切换原因定位模型。

2.根据权利要求1所述的面向演进网络的人工智能乒乓切换原因定位方法，其特征在于，所述获取乒乓切换小区的乒乓切换数据包括：

采集评估区域的路测数据，提取所述路测数据中的切换次数、数据丢包率和时延；

建立所述切换次数、数据丢包率和时延与用户感知的映射关系，并基于所述映射关系确定乒乓切换临界次数；

根据所述乒乓切换临界次数确定所述评估区域的乒乓切换小区；

采集所述乒乓切换小区的乒乓切换数据。

3.根据权利要求1所述的面向演进网络的人工智能乒乓切换原因定位方法，其特征在于，所述从所述乒乓切换数据中提取乒乓切换数据的属性特征及对应的属性特征值包括：

当所述属性特征值为离散值时，直接提取所述属性特征值；

当所述属性特征值为连续值时，对所述属性特征值进行离散化处理，得到离散化的属性特征值。

4.根据权利要求1所述的面向演进网络的人工智能乒乓切换原因定位方法，其特征在于，所述将当前乒乓切换属性特征及对应的属性特征值输入所述乒乓切换原因定位模型，定位所述乒乓切换的原因包括：

基于所述当前乒乓切换属性特征及对应的属性特征值在所述乒乓切换原因定位模型中获得叶结点；

根据所述叶结点得出所述乒乓切换原因。

5.根据权利要求1所述的面向演进网络的人工智能乒乓切换原因定位方法，其特征在于，将所述乒乓切换属性特征及对应的属性特征值输入所述乒乓切换原因定位模型，得到所述乒乓切换的原因之后，还包括：

基于所述乒乓切换原因提供相应的解决方案；

以动态可视化方式展示所述乒乓切换属性特征及属性特征值数据、乒乓切换原因数据和乒乓切换解决方案数据。

6.一种面向演进网络的人工智能乒乓切换原因定位装置，其特征在于，包括：

获取模块，用于获取乒乓切换小区的乒乓切换数据；

提取模块，用于从所述乒乓切换数据中提取乒乓切换的属性特征及对应的属性特征值，所述乒乓切换的属性特征为所述乒乓切换数据中能够反映乒乓切换原因的数据项，所述数据项对应的数值为所述乒乓切换的属性特征对应的属性特征值；

计算模块，用于基于所述属性特征值计算所述属性特征的信息增益/信息增益率；

构建模块，用于基于所述属性特征和所述属性特征的信息增益/信息增益率构建乒乓切换原因定位模型，所述乒乓切换原因定位模型为决策树模型；

定位模块，用于将当前乒乓切换属性特征及对应的属性特征值输入所述乒乓切换原因定位模型，定位所述乒乓切换的原因；

其中，所述构建模块包括：

结点构建单元，用于将所述信息增益/信息增益率最大的所述属性特征作为所述决策树模型上级结点的属性特征；

阈值设置单元，用于设置所述上级结点属性特征对应的属性特征值的分类阈值；

特征值分类单元，用于基于所述上级结点属性特征值的分类阈值对所述上级结点属性特征值进行分类，获得下级结点或叶结点，每个所述叶结点对应一种乒乓切换原因；

模型搭建单元，用于基于所述上级结点、下级结点和叶结点搭建所述决策树模型，构成所述乒乓切换原因定位模型。

7.根据权利要求6所述的面向演进网络的人工智能乒乓切换原因定位装置，其特征在于，所述获取模块包括：

路测数据采集单元，用于采集评估区域的路测数据，提取所述路测数据中的切换次数、数据丢包率和时延；

映射单元，用于建立所述切换次数、数据丢包率和时延与用户感知的映射关系，并基于所述映射关系确定乒乓切换临界次数；

小区确定单元，用于根据所述乒乓切换临界次数确定所述评估区域的乒乓切换小区；

切换数据采集单元，用于采集所述乒乓切换小区的乒乓切换数据。

8.根据权利要求6所述的面向演进网络的人工智能乒乓切换原因定位装置，其特征在于，所述提取模块包括：

提取单元，用于当所述属性特征值为离散值时，直接提取所述属性特征值；

离散单元，用于当所述属性特征值为连续值时，对所述属性特征值进行离散化处理，得到离散化的属性特征值。

9.根据权利要求6所述的面向演进网络的人工智能乒乓切换原因定位装置，其特征在于，所述定位模块包括：

叶结点获得单元，用于基于所述当前乒乓切换属性特征及对应的属性特征值在所述乒乓切换原因定位模型中获得叶结点；

原因获得单元，用于根据所述叶结点得出所述乒乓切换原因。

Images