CN111369091A - 用户感知画像分析的方法、装置、设备和介质 - Google Patents
用户感知画像分析的方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN111369091A CN111369091A CN201811600502.2A CN201811600502A CN111369091A CN 111369091 A CN111369091 A CN 111369091A CN 201811600502 A CN201811600502 A CN 201811600502A CN 111369091 A CN111369091 A CN 111369091A
- Authority
- CN
- China
- Prior art keywords
- service
- user
- service login
- success rate
- delay
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000008447 perception Effects 0.000 claims abstract description 150
- 230000006870 function Effects 0.000 claims abstract description 65
- 238000003062 neural network model Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000010586 diagram Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000010191 image analysis Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 2
- 210000004027 cell Anatomy 0.000 description 32
- 238000012360 testing method Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000001934 delay Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Telephonic Communication Services (AREA)
Abstract
本申请公开了一种用户感知画像分析的方法、装置、设备和介质。该方法包括：将无线指标样本数据作为训练数据，用户业务感知样本数据作为目标数据，训练预设神经网络模型，得到用户感知分析模型；基于用户感知分析模型，对无线指标数据进行学习，得到用户感知数据，用户感知数据包括：业务登录成功率和业务登录时延；根据业务登录成功率以及业务登录成功率的预估分值，确定业务登录成功率函数；依据业务登录时延以及业务登录时延的预估分值，确定业务登录时延函数；通过业务登录成功率函数和业务登录时延函数，得到用户感知分值。根据本发明的实施例，能够更加准确的对用户感知进行画像分析。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种用户感知画像分析的方法、装置、设备和介质。
背景技术
用户感知是用户与服务系统之间互动过程中的真实瞬间，是影响用户服务感知的直接来源。服务质量很大程度上取决于用户感知，用户感知又以服务接触能力为基础。
目前，对于用户的感知分析仅是依靠对各种指标的测量和分析，仅仅基于指标的各项参数去评估用户的感知情况。而没有将指标与用户感知情况进行关联，即基于指标和用户感知情况之间的内在联系去评估用户的感知情况。
因此，存在无法得到准确的用户感知画像的技术问题。
发明内容
本发明实施例提供了一种用户感知画像分析的方法、装置、设备和介质，能够提高测试数据的管理效率。
本发明实施例的一方面，提供一种用户感知画像分析的方法，该方法包括：
将无线指标样本数据作为训练数据，用户业务感知样本数据作为目标数据，训练预设神经网络模型，得到用户感知分析模型；
基于用户感知分析模型，对无线指标数据进行学习，得到用户感知数据，用户感知数据包括：业务登录成功率和业务登录时延；
根据业务登录成功率以及业务登录成功率的预估分值，确定业务登录成功率函数；
依据业务登录时延以及业务登录时延的预估分值，确定业务登录时延函数；
通过业务登录成功率函数和业务登录时延函数，得到用户体验质量分值。
本发明实施例的另一方面，提供一种用户感知画像分析的装置，该装置包括：
感知模型模块，用于将无线指标样本数据作为训练数据，用户业务感知样本数据作为目标数据，训练预设神经网络模型，得到用户感知分析模型；
学习模块，用于基于用户感知分析模型，对无线指标数据进行学习，得到用户感知数据，用户感知数据包括：业务登录成功率和业务登录时延；
函数模块，用于根据业务登录成功率以及业务登录成功率的预估分值，确定业务登录成功率函数；以及依据业务登录时延和业务登录时延的预估分值，确定业务登录时延函数；
体验质量模块，用于通过业务登录成功率函数和业务登录时延函数，得到用户体验质量分值。
根据本发明实施例的另一方面，提供一种用户感知画像分析的设备，该设备包括：
处理器以及存储有计算机程序指令的存储器；
处理器执行计算机程序指令时实现如上述本发明实施例的任意一方面提供的用户感知画像分析的方法。
根据本发明实施例的另一方面，提供一种计算机存储介质，计算机存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现如上述本发明实施例的任意一方面提供的用户感知画像分析的方法。
本发明实施例提供的用户感知画像分析的方法、装置、设备和介质。通过将无线指标数据作为用户感知分析模型的输入，得到用户感知分析模型的输出结果业务登录成功率和输出结果业务登录时延。再对业务登录成功率和业务登录时延进行分值计算，从而得到用户体验质量分值，实现了无线网络指标到用户感知的转换。进而可以得到更加准确的用户感知画像分析结果。
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示出本发明一实施例的用户感知画像分析的方法的示意图；
图2示出本发明一实施例的神经网络的函数展示图；
图3示出本发明一实施例的神经网络的输入层的结构示意图；
图4示出本发明一实施例的BP神经网络模型的参数展示图；
图5a、图5b和图5c示出本发明一实施例的BP神经网络模型的训练过程示意图；
图6示出本发明一实施例的BP神经网络模型的训练结果展示图；
图7示出本发明一实施例的业务登录成功率与预估分值的散点图；
图8示出本发明一实施例的业务登录时延与预估分值的散点图；
图9a示出本发明一实施例的业务登录成功率的理论值与现网测试值；
图9b示出本发明一实施例的业务登录延时的理论值与现网测试值；
图10示出本发明另一实施例的用户感知画像分析的方法的流程图；
图11示出本发明一实施例中小区用户感知分值的分布图；
图12示出本发明一实施例的用户感知画像分析的装置的结构示意图；
图13示出能够实现根据本发明实施例的用户感知画像分析的方法和装置的计算设备的示例性硬件架构的结构图。
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。
下面结合附图，详细描述根据本发明实施例的用户感知画像分析的方法、装置、设备和介质。应注意，这些实施例并不是用来限制本发明公开的范围。
下面通过图1至图11详细介绍根据本发明实施例的用户感知画像分析的方法。
为了更好的理解本发明，下面结合图1对本发明一实施例的用户感知画像分析的方法进行详细说明，图1是示出本发明一实施例的用户感知画像分析的方法的流程图。
如图1所示，本发明实施例中的用户感知画像分析的方法100包括以下步骤：
S110，将无线指标样本数据作为训练数据，用户业务感知样本数据作为目标数据，训练预设神经网络模型，得到用户感知分析模型。
具体的，无线指标样本数据可以包括：无线连通率、无线掉线率、上行物理资源块(Physical Resource Block，PRB)利用率、下行PRB利用率和干扰噪声平均值。用户感知样本数据可以包括：业务登录成功率样本数据和业务登录时延样本数据。
预设神经网络模型可以是反向传播(Back Propagation，BP)神经网络模型。其中，如图2所示，图2是示出本发明一实施例的神经网络函数的展示图。预设神经网络模型的训练函数可以是切S型传递函数(tansig)和线性函数(purelin)，预设神经网络模型的损失函数可以是均方误差(Mean Square Error，MSE)。BP神经网络模型能够学习和存贮大量的输入和输出模式的映射关系，无需事前揭示描述这种映射关系的数学方程。BP神经网络模型的学习规则是使用最速下降法，通过反向传播来不断调整神经网络的权值和阈值，使神经网络的误差平方和最小。
在本发明的一个实施例中，选用BP神经网络模型作为预设神经网络模型，建立三层BP神经网络模型。其中，三层BP神经网络模型包括输入层、隐含层和输出层。
如图3所示，图3是示出本发明一实施例的神经网络的输入层的结构示意图。输入层可以输入4G无线关键指标(Key Performance Indicator，KPI)。例如：无线接通率、无线掉线率、上行PRB利用率、下行PRB利用率、系统上在每个PRB上检测到的干扰噪声的平均值。
隐含层可以是输入的无线关键指标与输出的用户感知数据的关系层。
输出层可以是输出用户感知数据。其中，用户感知数据可以包括：业务登录成功率和业务登录时延。
作为一个示例，输入层可以包括5个神经元、隐含层可以包括11个神经元，输出层可以包括1个神经元。通过无线指标样本数据对BP神经网络模型进行训练，得到输出结果。然后将BP神经网络模型的输出结果与用户业务感知样本数据进行比对。基于比对结果，对BP神经网络模型中的权值和阈值进行调整，使BP神经网络模型的输出结果与用户业务感知样本数据的吻合度很高，最终将输出结果与用户业务感知样本数据的吻合度很高的BP神经网络模型作为用户感知分析模型。
如图4所示，图4是示出本发明一实施例的BP神经网络模型的参数展示图。其中，Epoch表示对输入数据训练次数上限，时间表示训练时长，Performance表示一次训练完成后产生的均方差。Gradient表示一次训练完成后，对产生的权值、阈值进行调整的幅度。应当注意的是，如果均方差不满足模型的精度需求，则重新训练。
如图5a所示、图5b所示和图5c所示，图5a、图5b和图5c是示出本发明一实施例的BP神经网络模型的训练过程示意图。
如图6所示，图6是示出本发明一实施例的BP神经网络模型的训练结果展示图。根据图6可以看出BP神经网络模型的输出结果与用户业务感知样本数据的吻合度很高。因此，最终可以将输出结果与用户业务感知样本数据的吻合度很高的BP神经网络模型作为用户感知分析模型。
其中，BP神经网络模型的输入无线关键指标和输出的用户感知数据如表1所示。
表1
在本发明实施例中，通过用户感知分析模型将无线指标和用户感知构建联系，便于基于无线指标去评估用户感知，得到较为精准的用户感知结果。
S120，基于用户感知分析模型，对无线指标数据进行学习，得到用户感知数据，用户感知数据包括：业务登录成功率和业务登录时延。
在本发明的一个实施例中，将需要进行感知画像的用户的无线参数作为用户感知分析模型的输入数据，通过用户感知分析模型最终可以得到用户感知数据，即用户的业务登录成功率以及用户的登录时延。
在本发明实施例中，通过将无线指标作为输入数据，通过用户感知分析模型输出业务登录成功率和业务登录时延，实现无线指标到用户感知的转换。从而便于根据无线指标得到用户的感知情况。
S130，根据业务登录成功率以及业务登录成功率的预估分值，确定业务登录成功率函数。
具体的，业务登录成功率的预估分值可以是基于每一个业务登录成功率的预设分值。例如，业务登录成功率为30％的预估分值为20，业务登录成功率为60％的预估分值为60。
在本发明的一个实施例中，通过用户感知分析模型得到多个业务登录成功率以及对于每个业务登录成功率的预估分值，可以得到以业务登录成功率为横坐标，以预估分值为纵坐标的散点图。
通过将散点图中的每一个散点连接构成趋势变化曲线，可以初步确定业务登录成功率函数模型，将变化曲线的临界点代入业务登录成功率函数模型，最终可以确定业务登录成功率函数。
如图7所示，图7是示出本发明一实施例的业务登录成功率与预估分值的散点图。根据图7所示的业务登录成功率与预估分值的散点图，可以得到业务登录成功率函数如表达式(1)所示。
其中，x表示业务登录成功率，y表示业务成功率得分。
S140，依据业务登录时延以及业务登录时延的预估分值，确定业务登录时延函数。
具体的，业务登录时延的预估分值可以是基于每一个业务登录时延的预设分值。例如，业务登录时延为5秒的预估分值为100，业务登录时延为30秒的预估分值为65。
在本发明的一个实施例中，通过用户感知分析模型得到多个业务登录时延以及对于每个业务登录时延的预估分值，可以得到以业务登录时延为横坐标，以预估分值为纵坐标的散点图。
通过将散点图中的每一个散点连接构成趋势变化曲线，可以初步确定业务登录时延函数模型，将变化曲线的临界点代入业务登录时延函数模型，最终可以确定业务登录时延函数。
如图8所示，图8是示出本发明一实施例的业务登录时延与预估分值的散点图。根据图8所示的业务登录时延与预估分值的散点图，可以得到业务登录时延函数如表达式(2)所示。
其中，z表示业务登录时延得分，m表示业务登录时延。
S150，通过业务登录成功率函数和业务登录时延函数，得到用户感知分值。
在本发明的一个实施例中，通过上述表达式(1)可以得到用户的业务成功率得分，通过表达式(2)可以得到用户的业务时延得分。接下来按照预设比例将业务成功率得分和业务时延得分求和，得到用户感知分值，即得到用户的体验质量(Quality of Experience，QoE)。
作为具体的示例，例如可以选取预设比例为业务成功率得分：业务时延得分为6:4。所以用户感知得分可以通过表达式(3)计算得到。
用户感知得分＝业务成功率得分×60％+业务时延得分×40％(3)
通过上述实施例所述的用户感知画像分析的方法，将无线指标数据作为输入数据，通过用户感知分析模型得到用户感知数据。在本发明实施例中，将业务登录成功率和业务登录时延作为用户感知数据，通过分别设置业务登录成功率和业务登录时延的预估分值，可以得到业务登录成功率函数和业务登录时延函数。通过综合业务登录成功率函数和业务登录时延函数可以得到更加精准的用户感知分值，进而得到更加准确的用户感知画像分析结果。
在本发明的另一实施例中，用户感知画像分析的方法100还包括以下步骤：
S160，通过仿真软件对用户感知分析模型进行检验。
作为一个示例，可以选择matlab数学软件作为仿真软件验证用户感知分析模型。
在本发明的一个实施例中，取现网的11个小区，覆盖类型包括住宅，医院，写字楼等主要场所。11个小区各项无线指标从差到好均匀分布，基本能够涵盖现网主要小区的现网情况，测试时每项业务进行50次。测试结果如表2所示。
表2
与表2对应的统计图如图9a和图9b所示，图9a是示出本发明一实施例的业务登录成功率的理论值与现网测试值。图9b是示出本发明一实施例的业务登录延时的理论值与现网测试值。
根据图9a和图9b，可以看出，各项业务登录成功率的测试值与matlab仿真软件计算得出的理论值存在一定误差，但是业务登录成功率的均方差为0.0086，业务登录时延的均方差为0.81，误差值较小，满足研究需求。对于存在的误差，主要是由于测试次数有限，受偶然因素影响较大引起的。
在本发明实施例中，通过matlab仿真软件对用户感知分析模型进行检验，由于得到的理论值和测试值之间的误差较小，可以验证该通过训练神经网络模型，得到的用户感知分析模型准确率较高，通过该用户感知分析模型可以得到较为准确的用户感知画像分析结果。
为了便于理解，图10示出了本发明另一实施例的用户感知画像分析的方法的流程图。图10与图1相同的步骤使用相同的编号。
如图10所示，用户感知画像分析的方法1000和图1所示的用户感知画像分析的方法100相同的步骤，在此不再赘述。本发明实施例中的用户感知画像分析的方法1000还包括以下步骤：
S1010，基于用户体验质量分值和业务占比，得到小区用户感知分值。
在本发明的一个实施例中，业务占比可以是指某一个确定的业务在小区所有业务中所占的比例。
作为一个具体的示例，小区用户感知分值可以通过表达式(4)计算得到。
小区用户感知分值＝∑用户感知分值×业务占比(4)
S1020，确定小区用户感知质量的预设阈值。
S1030，将小区用户感知分值小于预设阈值的小区进行网络优化。
在本发明的一个实施例中，如图11所示，图11是示出本发明一实施例中小区用户感知分值的分布图。作为一个具体的示例，可以将小区用户感知质量的预设阈值设置为70分，由图11所示，可以得知多个小区中小区用户感知分值大于或等于100分的小区占比为83.27％，多个小区中小区用户感知分值在90分和70分之间的小区占比为7.3％，多个小区中小区用户感知分值小于70分的小区占比为9.43％。由此可以重点对小区用户感知分值小于70分的小区进行无线参数的优化，提升网络质量，改善用户感知，提升用户满意度。
在本发明实施例中，通过计算小区用户感知分值，可以对小区用户感知分值较低的小区进行无线指标的重点优化，提升网络质量，改善用户感知，提升用户满意度。
下面通过图12详细介绍根据本发明实施例的用户感知画像分析的装置，用户感知画像分析的装置与用户感知画像分析的方法相对应。
图12示出了本发明一实施例的用户感知画像分析的装置的结构示意图。
如图12所示，用户感知画像分析的装置1200包括：
感知模型模块1210，用于将无线指标样本数据作为训练数据，用户业务感知样本数据作为目标数据，训练预设神经网络模型，得到用户感知分析模型。
学习模块1220，用于基于用户感知分析模型，对无线指标数据进行学习，得到用户感知数据，用户感知数据包括：业务登录成功率和业务登录时延。
函数模块1230，用于根据业务登录成功率以及业务登录成功率的预估分值，确定业务登录成功率函数；以及依据业务登录时延和业务登录时延的预估分值，确定业务登录时延函数。
用户感知模块1240，用于通过业务登录成功率函数和业务登录时延函数，得到用户感知分值。
通过上述实施例所述的用户感知画像分析的装置，通过感知模型模块1210和学习模块1220得到输出数据业务登录成功率和输出结果业务登录时延，通过函数模块1230以及用户感知模块1240对业务登录成功率和业务登录时延进行分值计算，从而得到用户体验质量分值，实现了无线网络指标到用户感知的转换。进而可以得到更加准确的用户感知画像分析结果。
在本发明的一个实施例中，函数模块1230具体用于确定业务登录成功率以及业务登录成功率的预估分值的散点图；基于散点图，确定登录成功率函数。确定业务登录时延以及业务登录时延的预估分值的散点图；基于散点图，确定业务登录时延函数。
在本发明的一个实施例中，用户感知模块1240具体用于通过业务登录成功率函数，得到业务成功率得分；基于业务登录时延函数，得到业务时延得分；按照预设比例将业务成功率得分和业务时延得分求和，得到用户感知分值。
在本发明的另一个实施例中，用户感知画像分析的装置1200还包括：
小区模块1250，用于基于用户感知分值和业务占比，得到小区用户感知分值。确定小区用户感知质量的预设阈值；将小区用户感知分值小于预设阈值的小区进行网络优化。
检验模块1260，用于通过仿真软件对用户感知分析模型进行检验。
图13示出了能够实现根据本发明实施例的用户感知画像分析的方法和装置的计算设备的示例性硬件架构的结构图。
如图13所示，计算设备1300包括输入设备1301、输入接口1302、中央处理器1303、存储器1304、输出接口1305、以及输出设备1306。其中，输入接口1302、中央处理器1303、存储器1304、以及输出接口1305通过总线1310相互连接，输入设备1301和输出设备1306分别通过输入接口1302和输出接口1305与总线1310连接，进而与计算设备1300的其他组件连接。
具体地，输入设备1301接收来自外部的输入信息，并通过输入接口1302将输入信息传送到中央处理器1303；中央处理器1303基于存储器1304中存储的计算机可执行指令对输入信息进行处理以生成输出信息，将输出信息临时或者永久地存储在存储器1304中，然后通过输出接口1305将输出信息传送到输出设备1306；输出设备1306将输出信息输出到计算设备1300的外部供用户使用。
也就是说，图13所示的计算设备也可以被实现用户感知画像分析的设备，该用户感知画像分析的设备可以包括：存储有计算机可执行指令的存储器；以及处理器，该处理器在执行计算机可执行指令时可以实现结合图1至图12描述的用户感知画像分析的方法和装置。
本发明实施例还提供一种计算机可读存储介质，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本发明实施例提供的用户感知画像分析的方法。
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。
本发明可以以其他的具体形式实现，而不脱离其精神和本质特征。例如，特定实施例中所描述的算法可以被修改，而设备体系结构并不脱离本发明的基本精神。因此，当前的实施例在所有方面都被看作是示例性的而非限定性的，本发明的范围由所附权利要求而非上述描述定义，并且，落入权利要求的含义和等同物的范围内的全部改变从而都被包括在本发明的范围之中。
Claims (13)
1.一种用户感知画像分析的方法，其特征在于，包括：
将无线指标样本数据作为训练数据，用户业务感知样本数据作为目标数据，训练预设神经网络模型，得到用户感知分析模型；
基于所述用户感知分析模型，对无线指标数据进行学习，得到用户感知数据，所述用户感知数据包括：业务登录成功率和业务登录时延；
根据所述业务登录成功率以及所述业务登录成功率的预估分值，确定业务登录成功率函数；
依据所述业务登录时延以及所述业务登录时延的预估分值，确定业务登录时延函数；
通过所述业务登录成功率函数和所述业务登录时延函数，得到用户感知分值。
2.根据权利要求1所述用户感知画像分析的方法，其特征在于，所述预设神经网络模型包括：反向传播BP神经网络。
3.根据权利要求1所述用户感知画像分析的方法，其特征在于，所述预设神经网络模型的训练函数包括：正切S型传递函数tansig和/或线性函数purelin，所述预设神经网络模型的损失函数包括：均方误差MSE。
4.根据权利要求1所述用户感知画像分析的方法，其特征在于，所述根据所述业务登录成功率以及所述业务登录成功率的预估分值，确定业务登录成功率函数，包括：
确定所述业务登录成功率以及所述业务登录成功率的预估分值的散点图；
基于所述散点图，确定所述登录成功率函数。
5.根据权利要求1所述用户感知画像分析的方法，其特征在于，所述依据所述业务登录时延以及所述业务登录时延的预估分值，确定业务登录时延函数，包括：
确定业务登录时延以及业务登录时延的预估分值的散点图；
基于所述散点图，确定所述业务登录时延函数。
6.根据权利要求1所述用户感知画像分析的方法，其特征在于，所述通过所述业务登录成功率函数和所述业务登录时延函数，得到用户感知分值，包括：
通过所述业务登录成功率函数，得到业务成功率得分；
基于所述业务登录时延函数，得到业务时延得分；
按照预设比例将所述业务成功率得分和所述业务时延得分求和，得到用户感知分值。
7.根据权利要求1所述用户感知画像分析的方法，其特征在于，还包括：
基于所述用户感知分值和业务占比，得到小区用户感知分值。
8.根据权利要求7所述用户感知画像分析的方法，其特征在于，还包括：
确定小区用户感知质量的预设阈值；
将所述小区用户感知分值小于所述预设阈值的小区进行网络优化。
9.根据权利要求1所述用户感知画像分析的方法，其特征在于，还包括：
通过仿真软件对所述用户感知分析模型进行检验。
10.根据权利要求1所述用户感知画像分析的方法，其特征在于，所述无线指标样本数据包括以下至少一种：无线连通率、无线掉线率、上行物理资源块PRB利用率、下行PRB利用率和干扰噪声平均值。
11.一种用户感知画像分析的装置，其特征在于，包括：
感知模型模块，用于将无线指标样本数据作为训练数据，用户业务感知样本数据作为目标数据，训练预设神经网络模型，得到用户感知分析模型；
学习模块，用于基于所述用户感知分析模型，对无线指标数据进行学习，得到用户感知数据，所述用户感知数据包括：业务登录成功率和业务登录时延；
函数模块，用于根据所述业务登录成功率以及所述业务登录成功率的预估分值，确定业务登录成功率函数；以及依据所述业务登录时延和所述业务登录时延的预估分值，确定业务登录时延函数；
体验质量模块，用于通过所述业务登录成功率函数和所述业务登录时延函数，得到用户感知分值。
12.一种用户感知画像分析的设备，其特征在于，所述设备包括：处理器以及存储有计算机程序指令的存储器；
所述处理器执行所述计算机程序指令时实现如权利要求1-10任意一项所述用户感知画像分析的方法。
13.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-10任意一项所述用户感知画像分析的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811600502.2A CN111369091A (zh) | 2018-12-26 | 2018-12-26 | 用户感知画像分析的方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811600502.2A CN111369091A (zh) | 2018-12-26 | 2018-12-26 | 用户感知画像分析的方法、装置、设备和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111369091A true CN111369091A (zh) | 2020-07-03 |
Family
ID=71206051
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811600502.2A Pending CN111369091A (zh) | 2018-12-26 | 2018-12-26 | 用户感知画像分析的方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111369091A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114727320A (zh) * | 2022-04-15 | 2022-07-08 | 中国联合网络通信集团有限公司 | 网络的用户感知评测方法及其装置、电子设备和存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101860885A (zh) * | 2010-06-11 | 2010-10-13 | 西安电子科技大学 | 基于神经网络和模糊逻辑的接入网络选择方法 |
| CN102946613A (zh) * | 2012-10-10 | 2013-02-27 | 北京邮电大学 | 一种用于测量用户业务体验质量的方法 |
| CN103607309A (zh) * | 2013-11-29 | 2014-02-26 | 中国移动通信集团广东有限公司江门分公司 | 一种业务kqi与qoe的映射方法 |
| CN104105121A (zh) * | 2013-04-11 | 2014-10-15 | 中国移动通信集团浙江有限公司 | 一种网络质量分段量化评测方法及系统 |
| CN104640125A (zh) * | 2013-11-08 | 2015-05-20 | 中国移动通信集团浙江有限公司 | 一种评估wlan业务的质量的方法和装置 |
| CN105050125A (zh) * | 2015-06-23 | 2015-11-11 | 武汉虹信通信技术有限责任公司 | 一种面向用户体验的移动数据业务质量评测方法及装置 |
| CN107087160A (zh) * | 2017-04-28 | 2017-08-22 | 南京邮电大学 | 一种基于BP‑Adaboost神经网络的用户体验质量的预测方法 |
-
2018
- 2018-12-26 CN CN201811600502.2A patent/CN111369091A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101860885A (zh) * | 2010-06-11 | 2010-10-13 | 西安电子科技大学 | 基于神经网络和模糊逻辑的接入网络选择方法 |
| CN102946613A (zh) * | 2012-10-10 | 2013-02-27 | 北京邮电大学 | 一种用于测量用户业务体验质量的方法 |
| CN104105121A (zh) * | 2013-04-11 | 2014-10-15 | 中国移动通信集团浙江有限公司 | 一种网络质量分段量化评测方法及系统 |
| CN104640125A (zh) * | 2013-11-08 | 2015-05-20 | 中国移动通信集团浙江有限公司 | 一种评估wlan业务的质量的方法和装置 |
| CN103607309A (zh) * | 2013-11-29 | 2014-02-26 | 中国移动通信集团广东有限公司江门分公司 | 一种业务kqi与qoe的映射方法 |
| CN105050125A (zh) * | 2015-06-23 | 2015-11-11 | 武汉虹信通信技术有限责任公司 | 一种面向用户体验的移动数据业务质量评测方法及装置 |
| CN107087160A (zh) * | 2017-04-28 | 2017-08-22 | 南京邮电大学 | 一种基于BP‑Adaboost神经网络的用户体验质量的预测方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114727320A (zh) * | 2022-04-15 | 2022-07-08 | 中国联合网络通信集团有限公司 | 网络的用户感知评测方法及其装置、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109362084B (zh) | 通信业务质量优化的方法、装置、设备和介质 | |
| Mehrnia et al. | Wireless channel modeling based on extreme value theory for ultra-reliable communications | |
| CN109960650B (zh) | 基于大数据的应用程序评估方法、装置、介质及电子设备 | |
| WO2022021420A1 (zh) | 一种根因定位方法及装置、电子设备 | |
| CN110968512B (zh) | 软件质量评估方法、装置、设备及计算机可读存储介质 | |
| CN114301935B (zh) | 一种基于声誉的物联网边云协同联邦学习节点选择方法 | |
| CN101404591B (zh) | 一种自适应的动态信任权重评估方法 | |
| CN111294227A (zh) | 基于神经网络的流量预测的方法、装置、设备和介质 | |
| CN113988441A (zh) | 电力无线网络链路质量预测、模型训练方法及装置 | |
| CN112884016A (zh) | 云平台可信评估模型训练方法和云平台可信评估方法 | |
| CN116362359A (zh) | 基于ai大数据的用户满意度预测方法、装置、设备及介质 | |
| CN111901134B (zh) | 一种基于循环神经网络模型rnn的预测网络质量的方法和装置 | |
| CN111369091A (zh) | 用户感知画像分析的方法、装置、设备和介质 | |
| KR102211847B1 (ko) | 경로 손실 지수 예측 시스템 및 방법 | |
| US10771348B2 (en) | Inferring component parameters for components in a network | |
| Zhu et al. | Federated inference with reliable uncertainty quantification over wireless channels via conformal prediction | |
| CN112330512A (zh) | 知识蒸馏学习模型的预测方法、系统、设备及存储介质 | |
| CN108921349A (zh) | 一种基于贝叶斯网络预测做题错误位置的方法 | |
| CN113743707B (zh) | 一种基于均匀分布的产品可信度计算方法 | |
| KR20200028801A (ko) | 뉴럴 네트워크를 이용한 변분 추론 학습 방법 및 학습 장치, 그리고 이를 이용한 변분 추론 방법 및 장치 | |
| CN111612226B (zh) | 基于混合模型的群体日均到达人数的预测方法及装置 | |
| Rusak et al. | Physically-based models of low-power wireless links using signal power simulation | |
| KR100922365B1 (ko) | 난이도별 문항을 제공하는 학습 시스템에서 문항 난이도갱신 방법 및 실시간 난이도 갱신 기능을 갖는 난이도별문항 제공 학습시스템 | |
| WO2023061303A1 (zh) | 大尺度衰落的建模及估计方法、系统、设备和存储介质 | |
| US20230186088A1 (en) | Learning skill evaluation method, apparatus, and system |
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 |
Application publication date: 20200703 |