CN112311935B - 一种异常检测方法、装置及电子设备 - Google Patents
一种异常检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112311935B CN112311935B CN201910681085.7A CN201910681085A CN112311935B CN 112311935 B CN112311935 B CN 112311935B CN 201910681085 A CN201910681085 A CN 201910681085A CN 112311935 B CN112311935 B CN 112311935B
- Authority
- CN
- China
- Prior art keywords
- data
- time
- user
- sample data
- perception
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/22—Arrangements for supervision, monitoring or testing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/22—Arrangements for supervision, monitoring or testing
- H04M3/2218—Call detail recording
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/22—Arrangements for supervision, monitoring or testing
- H04M3/2236—Quality of speech transmission monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明实施例公开了一种异常检测方法、装置及电子设备,所述方法包括:获取目标数据,所述目标数据为包含用户通话感知指标的时间序列数据,将所述目标数据输入预先训练的层次时间记忆模型,以得到预测数据,其中,所述层次时间记忆模型基于用户历史通话中的所述用户通话感知指标构成的时间序列数据训练得到,基于所述预测数据,确定所述用户通话感知指标是否存在异常。通过本方法,可以提高对通话感知指标的检测效率以及检测准确性,同时,通过基于层次时间记忆模型得到的预测数据,确定通话感知指标是否存在异常,可以避免异常检测的滞后性问题,从而保障用户对通话业务的主观感知。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种异常检测方法、装置及电子设备。
背景技术
随着VoLTE业务质量的不断提升和推广,基于VoLTE的视频通话业务和语音通话业务得到较快的发展,用户群日益增大,因此,用户对通话业务的主观感知也逐渐成为运营商关注的焦点。
运营商可以对用户在使用通话业务(如视频通话业务、语音通话业务等)的过程中产生的数据进行检测,当检测到通话业务数据异常时,可以采取对应措施,以避免影响用户的通话感知。例如,运营商可以对通话业务中的时延数据、卡顿次数、小区下行利用率、编码率等数据进行人工检测,如果检测到通话业务数据存在异常,则可以采取对应的调整措施,以避免引起用户主观感知变差的问题。
但是,由于影响用户通话感知的数据种类较多、使用通话业务的用户数量也较为庞大,所以需要检测的通话业务数据的数据量较大,人工检测数据异常的方式会存在检测效率较低、检测准确性较差以及成本较高的问题。此外,在检测到数据已经存在异常的情况下,再采取对应的调整措施进行调整,可能已经造成较差的用户通话感知,因而也存在异常检测滞后性的问题。
发明内容
本发明实施例的目的是提供一种异常检测方法、装置及电子设备,以解决现有技术中在对通话业务数据进行异常检测时,存在的检测效率较低、准确性较差,以及异常检测滞后性的问题。
为解决上述技术问题,本发明实施例是这样实现的:
第一方面,本发明实施例提供的一种异常检测方法,所述方法包括:
获取目标数据,所述目标数据为包含用户通话感知指标的时间序列数据;
将所述目标数据输入预先训练的层次时间记忆模型,以得到预测数据,其中,所述层次时间记忆模型基于用户历史通话中的所述用户通话感知指标构成的时间序列数据训练得到;
基于所述预测数据,确定所述用户通话感知指标是否存在异常。
第二方面,本发明实施例提供了一种异常检测装置,所述装置包括:
目标数据获取模块,用于获取目标数据,所述目标数据为包含用户通话感知指标的时间序列数据;
数据预测模块,用于将所述目标数据输入预先训练的层次时间记忆模型,以得到预测数据,其中,所述层次时间记忆模型基于用户历史通话中的所述用户通话感知指标构成的时间序列数据训练得到;
异常判断模块,用于基于所述预测数据,确定所述用户通话感知指标是否存在异常。
第三方面,本发明实施例提供一种异常检测设备,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现上述实施例提供的异常检测方法的步骤。
第四方面,本发明实施例提供一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现上述实施例提供的异常检测方法的步骤。
由以上本发明实施例提供的技术方案可见,本发明实施例通过获取目标数据,目标数据为包含用户通话感知指标的时间序列数据,然后将目标数据输入预先训练的层次时间记忆模型,以得到预测数据,其中,层次时间记忆模型基于用户历史通话中的用户通话感知指标构成的时间序列数据训练得到,最后基于预测数据,确定用户通话感知指标是否存在异常。这样,可以基于预测数据对用户通话感知指标是否存在异常进行判断,而不需要人工对用户通话感知指标数据进行检测,可以提高数据检测的效率以及数据检测的准确性。同时,通过层次时间记忆模型进行用户通话感知指标数据的预测,可以在用户使用通话业务前,及时发现可能存在异常的用户通话感知指标,避免由于异常检测的滞后性而导致的用户通话感知较差的问题,从而保障用户对通话业务有较好的主观感知。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种异常检测方法的流程示意图;
图2为本发明又一种异常检测方法的流程示意图;
图3为本发明一种层次时间记忆模型训练数据比对结果的示意图;
图4为本发明一种异常检测装置的结构示意图;
图5为本发明一种电子设备的结构示意图。
具体实施方式
本发明实施例提供一种异常检测方法、装置及电子设备。
为了使本技术领域的人员更好地理解本发明中的技术方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
实施例一
如图1所示,本发明实施例提供一种异常检测方法,该方法的执行主体可以为终端设备或服务器,其中,该终端设备可以如个人计算机等设备,也可以如手机、平板电脑等移动终端设备,该终端设备可以为用户能够使用通话业务(如视频通话业务、语音通话业务等)的终端设备。该方法具体可以包括以下步骤:
在步骤S102中,获取目标数据。
其中,目标数据可以为包含用户通话感知指标的时间序列数据,用户通话感知指标可以包括关键质量指标和/或关键性能指标,例如,关键质量指标可以包括时延、卡顿次数、视频通话清晰度以及小区下行利用率等指标,关键性能指标可以包括丢包率、视频通话的像素以及失败码次数等指标。
在实施中,随着VoLTE业务质量的不断提升和推广,基于VoLTE的视频通话业务和语音通话业务得到较快的发展,用户群日益增大,因此,用户对通话业务的主观感知也逐渐成为运营商关注的焦点。运营商可以对用户在使用通话业务(如视频通话业务、语音通话业务等)的过程中产生的数据进行检测,当检测到通话业务数据异常时,可以采取对应措施,以避免影响用户的通话感知。例如,运营商可以对通话业务中的时延数据、卡顿次数、小区下行利用率、编码率等数据进行人工检测,如果检测到通话业务数据存在异常,则可以采取对应的调整措施,以避免引起用户主观感知变差的问题。
但是,由于影响用户通话感知的数据种类较多、使用通话业务的用户数量也较为庞大,所以需要检测的通话业务数据的数据量较大,人工检测数据异常的方式会存在检测效率较低、检测准确性较差以及成本较高的问题。此外,在检测到数据已经存在异常的情况下,再采取对应的调整措施进行调整,可能已经造成较差的用户通话感知,因而也存在异常检测滞后性的问题。
此外,在对通话感知指标数据进行异常检测时,还可以对多个维度的通话感知指标数据进行检测,或者,也可以基于预设检测周期,对通话感知指标数据进行检测。
但是,通过上述方法对通话感知指标数据进行异常检测时,也存在检测效率较低、检测准确性较差以及检测滞后性的问题。
为此,本发明实施例提供另一种实现方案,具体可以包括以下内容:
可以获取任意时间段(如近十天、近半个月等)内的目标数据,目标数据中可以包含一个或多个用户通话感知指标的时间序列数据,其中,用户通话感知指标可以是关键质量指标和/或关键性能指标中的一个或多个。例如,可以获取2019年1月1日11点到12点这一时间段内,用户感知指标1和用户感知指标2在的时间序列数据,其中,用户感知指标1可以是关键质量指标,如用户感知指标1可以是时延,用户感知指标2可以是关键性能指标,如用户感知指标2可以是失败码次数,获取的用户感知指标1和用户感知指标2的时间序列数据可以如表1所示。
表1
时间序列数据 | 11:00 | 11:15 | 11:30 | 11:45 | 12:00 |
用户感知指标1的时间序列数据 | 6 | - | 4 | 5 | 8 |
用户感知指标2的时间序列数据 | 4 | 3 | 3 | 4 | 3 |
获取的用户感知指标的时间序列数据可以存在时间点的数据缺失。例如,如表1所示,用户感知指标1的时间序列数据在11:15这一时间点就存在数据缺失。如果检测到获取的用户感知指标的时间序列数据存在时间点的数据缺失,则可以对该时间序列数据进行补齐,以构成连续性的时间序列数据。例如,表1中用户感知指标1的时间序列数据在11:15分这一时间点存在数据缺失,则可以对该时间点的数据进行补齐。如可以根据前后时间点的数据,确定数据缺失时间点的补齐数据,如表1中11:15分的前一时间点为11:00,后一时间点为11:30,对应的数据分别为6和4,则可以取这两个数据的平均值,作为11:15分的补齐数据(即(6+4)/2=5),补齐后的用户感知指标1的时间序列数据可以如表2所示。
表2
时间序列数据 | 11:00 | 11:15 | 11:30 | 11:45 | 12:00 |
补齐后的用户感知指标1的时间序列数据 | 6 | 5 | 4 | 5 | 8 |
可以将该补齐后的用户感知指标1的时间序列数据作为目标数据。上述数据缺失时间点的数据补齐方法是一种可选地、可实现的方法,在实际应用场景中,数据缺失点的数据补齐方法可以是多种多样的,本发明实施例对此不做具体限定。
此外,不同的用户感知指标的时间序列数据的时间粒度也可以不同。例如,如表3所示,目标数据中还可以包括用户感知指标3,用户感知指标3可以是关键质量指标或关键性能指标,用户感知指标3的时间序列数据的时间粒度可以为20分钟,与上述用户感知指标1和用户感知指标2的时间序列数据的时间粒度(15分钟)存在不同。
表3
时间序列数据 | 11:00 | 11:20 | 11:40 | 12:00 |
用户感知指标3的时间序列数据 | 10 | 11 | 12 | 8 |
在步骤S104中,将目标数据输入预先训练的层次时间记忆模型,以得到预测数据。
其中,层次时间记忆(HTM,Hierachical Temporal Memory)模型可以基于用户历史通话(如近半个月的通话)中的用户通话感知指标构成的时间序列数据训练得到。
在实施中,可以基于用户历史通话中的用户通话感知指标构成的时间序列数据(即训练样本数据)对层次时间记忆模型进行训练,在进行训练前,为提高模型预测的准确性,可以对训练样本数据进行预处理操作。例如,训练样本数据可以包括近半个月的用户感知指标1的时间序列数据和用户感知指标2的时间序列数据。在进行模型训练前,可以对训练样本数据进行预处理操作,预处理操作可以包括数据连续性检测操作、数据异常检测操作以及数据缺失点补齐操作等。例如,可以基于预设异常范围对训练样本数据进行数据异常检测操作,假设用户感知指标1对应的预设异常范围为大于10,获取的基于用户历史通话(如前一天11:00-12:00的历史通话)中的用户通话感知指标1构成的时间序列可以如表4所示。
表4
时间序列数据 | 11:00 | 11:15 | 11:30 | 11:45 | 12:00 |
用户感知指标1的时间序列数据 | 2 | 5 | 1 | 15 | 3 |
从表4中可以看出,用户感知指标1的时间序列数据在11:30这一时间点对应的数据处于预设异常范围,则可以对该时间点的异常数据进行处理。如可以将异常数时间点的数据替换为预设替换数据(如将该时间点的数据替换为10)。此外,由于HTM模型可以对异常数据进行自动识别,但如果异常数据出现的次数过于频繁,HTM模型会将该异常数据误认为是正常数据,会对训练出的HTM模型的预测准确性造成影响。所以,可以根据训练样本数据中异常数据出现的次数,确定是否需要对异常数据进行预处理操作。如上述表4中,异常数据出现的次数为1,则可以不对该异常数据进行预处理操作,如果异常数据出现的次数超出异常次数阈值,则可以对该异常数据进行预处理操作。其中,异常次数阈值可以是预设的次数阈值,如10次、30次,或者,异常次数阈值还可以是根据用户感知指标的时间序列数据中的数据量确定的,如用户感知指标的时间序列数据中包含20个时间点的数据,则异常次数阈值可以是2次或4次。
对训练数据进行预处理操作后,可以基于训练样本数据,对HTM模型进行训练,以得到预先训练的HTM模型。
在对HTM模型进行预先训练后,可以将目标数据输入预先训练的HTM模型,以得到预测数据,其中,预测数据可以是预定时间点的预测数据,也可以是预定时间段的预测数据。例如,当前时间为1月20日,目标数据可以是1月5日-1月20日的用户通话感知指标的时间序列数据,则基于预先训练的HTM模型,可以对1月21日的用户通话感知指标数据进行预测,则得到的预测数据即为1月21日的用户通话感知指标数据。或者,也可以对1月21日-1月23日的用户通话感知指标的时间序列数据进行预测,则得到的预测数据即为1月21日-1月23日的用户通话感知指标的时间序列数据。
在步骤S106中,基于预测数据,确定用户通话感知指标是否存在异常。
在实施中,可以基于预设异常检测规则,对预测数据进行检测,如果检测到预测数据存在异常,则可以确定对应的用户通话感知指标存在异常。例如,预测数据可以为用户通话感知指标1和用户通话感知指标2在预定时间点的预测数据,则可以基于不同通话感知指标对应的预设阈值范围,对预测数据是否存在异常进行检测,以实现对用户通话感知指标数据的自动化监控。
在确定用户通话感知指标存在异常的情况下,可以基于异常的用户通话感知指标,确定并执行对应的预设调整策略,以避免对用户使用通话业务造成影响,保证较好的用户通话感知。
本发明实施例提供一种异常检测方法,通过获取目标数据,目标数据为包含用户通话感知指标的时间序列数据,然后将目标数据输入预先训练的层次时间记忆模型,以得到预测数据,其中,层次时间记忆模型基于用户历史通话中的用户通话感知指标构成的时间序列数据训练得到,最后基于预测数据,确定用户通话感知指标是否存在异常。这样,可以基于预测数据对用户通话感知指标是否存在异常进行判断,而不需要人工对用户通话感知指标数据进行检测,可以提高数据检测的效率以及数据检测的准确性。同时,通过层次时间记忆模型进行用户通话感知指标数据的预测,可以在用户使用通话业务前,及时发现可能存在异常的用户通话感知指标,避免由于异常检测的滞后性而导致的用户通话感知较差的问题,从而保障用户对通话业务有较好的主观感知。
实施例二
如图2所示,本发明实施例提供一种异常检测方法,该方法的执行主体可以为终端设备或服务器,其中,该终端设备可以如个人计算机等设备,也可以如手机、平板电脑等移动终端设备,该终端设备可以为用户能够使用通话业务(如视频通话业务、语音通话业务等)的终端设备。该方法具体可以包括以下步骤:
在步骤S202中,获取第二预设时间段内的用户通话感知指标构成的待处理序列数据。
其中,第二预设时间段可以是任意时间段,如第二预设时间段可以是近十天、近三天等,待处理序列数据为时间序列数据。
在步骤S204中,对待处理序列数据进行时间补齐处理,得到目标数据。
在实施中,可以对待处理序列数据进行连续性检测,如果检测到待处理序列数据存在时间点的数据缺失,可以对该缺失数据的时间点进行时间补齐处理,以得到具有时间连续性的目标数据。
在步骤S206中,获取第一预设时间段内的用户通话感知指标构成的样本数据。
其中,第一预设时间段可以与第二预设时间段存在时间段的重合,例如,第二预设时间段可以是3月10日-3月20日,则第一预设时间段可以是3月1日-3月15日,样本数据为时间序列数据。
在步骤S208中,对样本数据进行时间补齐处理,得到处理后的样本数据。
在实施中,对样本数据的时间补齐处理包括对样本数据的连续性检测处理,以及对样本数据的补齐处理。如果在对样本数据进行连续性检测时,检测出样本数据存在数据缺失,则可以对样本数据进行补齐处理,得到处理后的样本数据。如果检测到样本数据不存在数据缺失,则连续性检测后的样本数据即为处理后的样本数据。
在实际应用中,上述步骤S208的处理方式可以多种多样,以下再提供一种可选的实现方式,具体可以参见下述步骤一~步骤三处理。
步骤一,基于预设时间序列检测方法,对样本数据的连续性进行检测,在检测到样本数据存在数据缺失的情况下,确定样本数据中缺失数据的时间点。
在实施中,预设时间序列检测方法可以是对样本数据中的时间点是否有对应的数据进行检测的方法,也可以是基于样本数据的时间粒度,对样本数据中数据对应的时间点间隔是否符合时间粒度进行检测的方法。
例如,样本数据包含用户感知指标1在11:00-11:05这一时间段的时间序列数据,获取到的部分样本数据可以如表5所示,假设用户感知指标1对应的时间粒度为1分钟,则基于该时间粒度,可以确定表5中的所示的用户感知指标1的时间序列数据在11:03这一时间点存在数据缺失,即该样本数据中缺失数据的时间点为11:03。
表5
时间序列数据 | 11:00 | 11:01 | 11:02 | 11:04 | 11:05 |
用户感知指标1的时间序列数据 | 2 | 5 | 1 | 15 | 3 |
上述预设时间序列检测方法为一种可选地、可实现的检测方法,在实际应用场景中,还可以有多种预设时间序列检测方法,本发明实施例对此不做具体限定。
步骤二,基于预设补齐算法,确定时间点对应的补齐数据。
其中,预设补齐算法可以是预设平均值算法等算法,可以用于确定时间点对应的补齐数据。
在实施中,可以获取与时间点对应的第一时间点,其中,第一时间点可以是与缺失数据的时间点相对应的一个或多个时间点。例如,如上述表4所示,假设用户感知指标1的时间序列数据在11月11日的11:03这一时间点存在数据缺失,则与该时间点对应的第一时间点可以是11月10日的11:03,或者,第一时间点也可以是11月12日的11:03。
基于第一时间点对应的数据和预设同比增长率,确定与时间点对应的第一补齐数据。
其中,预设同比增长率可以是基于用户感知指标预设的同比增长率。例如,用户感知指标1对应的预设同比增长率可以是10%,11月10日的11:03对应的数据如果为4,则可以确定与数据缺失的时间点对应的第一补齐数据为4*(1+10%)=4.4,或者,如果第一时间点为11月12日的11:03,且该时间点对应的数据为5,则数据缺失的时间点对应的第一补齐数据可以为5/(1+10%)=4.5。
或者,预设同比增长率也可以是基于历史用户感知指标的时间序列数据确定的同比增长率。例如,可以基于近十天或近半个月的用户感知指标1对应的历史时间序列数据,确定与用户感知指标1对应的预设同比增长率,并基于该预设同比增长率和第一时间点对应的数据,确定与数据缺失时间点对应的第一补齐数据。
获取与时间点对应的第二时间点。
其中,第二时间点可以是与缺失数据的时间点相近的一个或多个时间点。例如,如上述表4所示,假设用户感知指标1的时间序列数据在11月11日的11:03这一时间点存在数据缺失,则与该时间点对应的第二时间点可以是11月11日的11:02,或者第一时间点也可以是11月11日的11:04。
基于第二时间点对应的数据和预设环比增长率,确定与时间点对应的第二补齐数据。
基于第一补齐数据和第二补齐数据,确定与时间点对应的补齐数据。
例如,可以取第一补齐数据和第二补齐数据的平均值,作为缺失数据时间点对应的补齐数据,也可以将第一补齐数据和第二补齐数据中的最大值或最小值作为缺失数据时间点对应的补齐数据。
步骤三,基于补齐数据对样本数据进行时间补齐处理,得到处理后的样本数据。
此外,还可以基于预设异常确定方法,对样本数据进行检测,如果检测除样本数据中还存在数据异常(如样本数据中存在超过正常范围的数据值点),也可以基于上述步骤一~步骤三对异常数据值点进行补齐处理(即基于确定的补齐数据,对异常数据值点的数据进行替换处理)。
在步骤S210中,基于处理后的样本数据,对层次时间记忆模型进行训练。
在实施中,在训练前,可以对HTM模型进行参数配置,如可以配置样本数据的数据类型、数据的最大值或最小值等参数。在训练过程中,HTM模型可以对模型内部的参数进行自动的调整。HTM模型在接收样本数据后,可以基于自身的编码器将样本数据转化为二进制的形式,然后在输入进神经元的层级结构里。在层级结构里,算法通过前馈和反馈作用,逐渐训练网络。同时,HTM模型中的分类器模块会观察整个神经网络的状态,并作出相应的预测。
基于获取到样本数据进行模型的训练,可以对模型训练的输出数据进行异常打分(异常分数值越大,输出数据与实际测量数据越不符),如图3所示,图3(a)为实际测量数据,图3(b)为基于HTM模型得到的训练输出数据,图3(c)为实际测量数据与训练数据输出数据之间的数据对比图,图3(c)中标注出异常分数为1的数据点。从图3(c)中异常分数值的分布可以看出,在模型刚开始训练时,异常分数为1的数据点较多,但随着训练过程的进行,HTM模型逐渐学习到了该样本数据的模型,预测出的输出数据包含的异常分数为1的数据点逐渐减少,模型的准确性较高。
在步骤S212中,将目标数据输入预先训练的层次时间记忆模型,以得到预测数据。
上述步骤S212的具体处理过程可以参见上述实施例一中的步骤S104的相关内容,在此不再赘述。
在步骤S214中,如果预测数据不处于预设阈值范围,则确定预测数据对应的用户通话感知指标存在异常。
其中,预设阈值范围可以是基于用户通话感知指标确定的阈值范围,不同的用户通话指标可以对应不同的预设阈值范围。
本发明实施例提供一种异常检测方法,通过获取目标数据,目标数据为包含用户通话感知指标的时间序列数据,然后将目标数据输入预先训练的层次时间记忆模型,以得到预测数据,其中,层次时间记忆模型基于用户历史通话中的用户通话感知指标构成的时间序列数据训练得到,最后基于预测数据,确定用户通话感知指标是否存在异常。这样,可以基于预测数据对用户通话感知指标是否存在异常进行判断,而不需要人工对用户通话感知指标数据进行检测,可以提高数据检测的效率以及数据检测的准确性。同时,通过层次时间记忆模型进行用户通话感知指标数据的预测,可以在用户使用通话业务前,及时发现可能存在异常的用户通话感知指标,避免由于异常检测的滞后性而导致的用户通话感知较差的问题,从而保障用户对通话业务有较好的主观感知。
实施例三
以上为本发明实施例提供的异常检测方法,基于同样的思路,本发明实施例还提供一种异常检测装置,如图4所示。
该异常检测装置包括:目标数据获取模块401、数据预测模块402和异常判断模块403,其中:
目标数据获取模块401,用于获取目标数据,所述目标数据为包含用户通话感知指标的时间序列数据;
数据预测模块402,用于将所述目标数据输入预先训练的层次时间记忆模型,以得到预测数据,其中,所述层次时间记忆模型基于用户历史通话中的所述用户通话感知指标构成的时间序列数据训练得到;
异常判断模块403,用于基于所述预测数据,确定所述用户通话感知指标是否存在异常。
在本发明实施例中,所述装置还包括:
样本数据获取模块,用于获取第一预设时间段内的所述用户通话感知指标构成的样本数据,所述样本数据为时间序列数据;
补齐处理模块,用于对所述样本数据进行时间补齐处理,得到处理后的所述样本数据;
模型训练模块,用于基于所述处理后的样本数据,对所述层次时间记忆模型进行训练。
在本发明实施例中,所述补齐处理模块,包括:
检测单元,用于基于预设时间序列检测方法,对所述样本数据的连续性进行检测,在检测到所述样本数据存在数据缺失的情况下,确定所述样本数据中缺失数据的时间点;
数据处理单元,用于基于预设补齐算法,确定所述时间点对应的补齐数据;
样本数据确定单元,基于所述补齐数据对所述样本数据进行时间补齐处理,得到所述处理后的样本数据。
在本发明实施例中,所述补齐数据确定单元,用于:
获取与所述时间点对应的第一时间点;
基于所述第一时间点对应的数据和预设同比增长率,确定与所述时间点对应的第一补齐数据;
获取与所述时间点对应的第二时间点;
基于所述第二时间点对应的数据和预设环比增长率,确定与所述时间点对应的第二补齐数据;
基于所述第一补齐数据和所述第二补齐数据,确定与所述时间点对应的补齐数据。
在本发明实施例中,所述目标数据获取模块401,包括:
数据获取单元,用于获取第二预设时间段内的所述用户通话感知指标构成的待处理序列数据,所述待处理序列数据为时间序列数据;
数据补齐单元,用于对所述待处理序列数据进行时间补齐处理,得到所述目标数据。
在本发明实施例中,所述异常判断模块403,用于:
如果所述预测数据不处于预设阈值范围,则确定所述预测数据对应的所述用户通话感知指标存在异常。
在本发明实施例中,所述用户通话感知指标包括关键质量指标和/或关键性能指标。
本发明实施例提供一种异常检测装置,通过获取目标数据,目标数据为包含用户通话感知指标的时间序列数据,然后将目标数据输入预先训练的层次时间记忆模型,以得到预测数据,其中,层次时间记忆模型基于用户历史通话中的用户通话感知指标构成的时间序列数据训练得到,最后基于预测数据,确定用户通话感知指标是否存在异常。这样,可以基于预测数据对用户通话感知指标是否存在异常进行判断,而不需要人工对用户通话感知指标数据进行检测,可以提高数据检测的效率以及数据检测的准确性。同时,通过层次时间记忆模型进行用户通话感知指标数据的预测,可以在用户使用通话业务前,及时发现可能存在异常的用户通话感知指标,避免由于异常检测的滞后性而导致的用户通话感知较差的问题,从而保障用户对通话业务有较好的主观感知。
实施例四
图5为实现本发明各个实施例的一种电子设备的硬件结构示意图,
该电子设备500包括但不限于:射频单元501、网络模块502、音频输出单元503、输入单元504、传感器505、显示单元506、用户输入单元507、接口单元508、存储器509、处理器510、以及电源511等部件。本领域技术人员可以理解,图5中示出的电子设备结构并不构成对电子设备的限定,电子设备可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。在本发明实施例中,电子设备包括但不限于手机、平板电脑、笔记本电脑、掌上电脑、车载终端、可穿戴设备、以及计步器等。
其中,处理器510,用于获取目标数据,所述目标数据为包含用户通话感知指标的时间序列数据;
处理器510,用于将所述目标数据输入预先训练的层次时间记忆模型,以得到预测数据,其中,所述层次时间记忆模型基于用户历史通话中的所述用户通话感知指标构成的时间序列数据训练得到;
处理器510,用于基于所述预测数据,确定所述用户通话感知指标是否存在异常。
此外,处理器510,还用于获取第一预设时间段内的所述用户通话感知指标构成的样本数据,所述样本数据为时间序列数据;
另外,处理器510,还用于对所述样本数据进行时间补齐处理,得到处理后的所述样本数据;
此外,处理器510,还用于基于所述处理后的样本数据,对所述层次时间记忆模型进行训练。
另外,处理器510,还用于基于预设时间序列检测方法,对所述样本数据的连续性进行检测,在检测到所述样本数据存在数据缺失的情况下,确定所述样本数据中缺失数据的时间点;
此外,处理器510,还用于基于预设补齐算法,确定所述时间点对应的补齐数据;
另外,处理器510,还用于基于所述补齐数据对所述样本数据进行时间补齐处理,得到所述处理后的样本数据。
此外,处理器510,还用于获取与所述时间点对应的第一时间点;
另外,处理器510,还用于基于所述第一时间点对应的数据和预设同比增长率,确定与所述时间点对应的第一补齐数据;
此外,处理器510,还用于获取与所述时间点对应的第二时间点;
另外,处理器510,还用于基于所述第二时间点对应的数据和预设环比增长率,确定与所述时间点对应的第二补齐数据;
此外,处理器510,还用于基于所述第一补齐数据和所述第二补齐数据,确定与所述时间点对应的补齐数据。
另外,处理器510,还用于获取第二预设时间段内的所述用户通话感知指标构成的待处理序列数据,所述待处理序列数据为时间序列数据;
此外,处理器510,还用于对所述待处理序列数据进行时间补齐处理,得到所述目标数据。
另外,处理器510,还用于如果所述预测数据不处于预设阈值范围,则确定所述预测数据对应的所述用户通话感知指标存在异常。
此外,处理器510,还用于所述用户通话感知指标包括关键质量指标和/或关键性能指标。
本发明实施例提供一种电子设备,通过获取目标数据,目标数据为包含用户通话感知指标的时间序列数据,然后将目标数据输入预先训练的层次时间记忆模型,以得到预测数据,其中,层次时间记忆模型基于用户历史通话中的用户通话感知指标构成的时间序列数据训练得到,最后基于预测数据,确定用户通话感知指标是否存在异常。这样,可以基于预测数据对用户通话感知指标是否存在异常进行判断,而不需要人工对用户通话感知指标数据进行检测,可以提高数据检测的效率以及数据检测的准确性。同时,通过层次时间记忆模型进行用户通话感知指标数据的预测,可以在用户使用通话业务前,及时发现可能存在异常的用户通话感知指标,避免由于异常检测的滞后性而导致的用户通话感知较差的问题,从而保障用户对通话业务有较好的主观感知。
应理解的是,本发明实施例中,射频单元501可用于收发信息或通话过程中,信号的接收和发送,具体的,将来自基站的下行数据接收后,给处理器510处理;另外,将上行的数据发送给基站。通常,射频单元501包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外,射频单元501还可以通过无线通信系统与网络和其他电子设备通信。
电子设备通过网络模块502为用户提供了无线的宽带互联网访问,如帮助用户收发电子邮件、浏览网页和访问流式媒体等。
音频输出单元503可以将射频单元501或网络模块502接收的或者在存储器509中存储的音频数据转换成音频信号并且输出为声音。而且,音频输出单元503还可以提供与电子设备500执行的特定功能相关的音频输出(例如,呼叫信号接收声音、消息接收声音等等)。音频输出单元503包括扬声器、蜂鸣器以及受话器等。
输入单元504用于接收音频或视频信号。输入单元504可以包括图形处理器(Graphics Processing Unit,GPU)5051和麦克风5042,图形处理器5051对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元506上。经图形处理器5051处理后的图像帧可以存储在存储器509(或其它存储介质)中或者经由射频单元501或网络模块502进行发送。麦克风5042可以接收声音,并且能够将这样的声音处理为音频数据。处理后的音频数据可以在电话通话模式的情况下转换为可经由射频单元501发送到移动通信基站的格式输出。
电子设备500还包括至少一种传感器505,比如光传感器、运动传感器以及其他传感器。具体地,光传感器包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板5061的亮度,接近传感器可在电子设备500移动到耳边时,关闭显示面板5061和/或背光。作为运动传感器的一种,加速计传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别电子设备姿态(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;传感器505还可以包括指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等,在此不再赘述。
显示单元506用于显示由用户输入的信息或提供给用户的信息。显示单元506可包括显示面板5061,可以采用液晶显示器(Liquid Crystal Display,LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板5061。
用户输入单元507可用于接收输入的数字或字符信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入。具体地,用户输入单元507包括触控面板5071以及其他输入设备5072。触控面板5071,也称为触摸屏,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板5071上或在触控面板5071附近的操作)。触控面板5071可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器510,接收处理器510发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板5071。除了触控面板5071,用户输入单元507还可以包括其他输入设备5072。具体地,其他输入设备5072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆,在此不再赘述。
进一步的,触控面板5071可覆盖在显示面板5061上,当触控面板5071检测到在其上或附近的触摸操作后,传送给处理器510以确定触摸事件的类型,随后处理器510根据触摸事件的类型在显示面板5061上提供相应的视觉输出。虽然在图5中,触控面板5071与显示面板5061是作为两个独立的部件来实现电子设备的输入和输出功能,但是在某些实施例中,可以将触控面板5071与显示面板5061集成而实现电子设备的输入和输出功能,具体此处不做限定。
接口单元508为外部装置与电子设备500连接的接口。例如,外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元508可以用于接收来自外部装置的输入(例如,数据信息、电力等等)并且将接收到的输入传输到电子设备500内的一个或多个元件或者可以用于在电子设备500和外部装置之间传输数据。
存储器509可用于存储软件程序以及各种数据。存储器509可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器509可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器510是电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储器509内的软件程序和/或模块,以及调用存储在存储器509内的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体监控。处理器510可包括一个或多个处理单元;优选的,处理器510可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器510中。
电子设备500还可以包括给各个部件供电的电源511(比如电池),优选的,电源511可以通过电源管理系统与处理器510逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
优选的,本发明实施例还提供一种电子设备,包括处理器510,存储器509,存储在存储器509上并可在所述处理器510上运行的计算机程序,该计算机程序被处理器510执行时实现上述异常检测方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
实施例五
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述异常检测方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
本发明实施例提供一种计算机可读存储介质,通过获取目标数据,目标数据为包含用户通话感知指标的时间序列数据,然后将目标数据输入预先训练的层次时间记忆模型,以得到预测数据,其中,层次时间记忆模型基于用户历史通话中的用户通话感知指标构成的时间序列数据训练得到,最后基于预测数据,确定用户通话感知指标是否存在异常。这样,可以基于预测数据对用户通话感知指标是否存在异常进行判断,而不需要人工对用户通话感知指标数据进行检测,可以提高数据检测的效率以及数据检测的准确性。同时,通过层次时间记忆模型进行用户通话感知指标数据的预测,可以在用户使用通话业务前,及时发现可能存在异常的用户通话感知指标,避免由于异常检测的滞后性而导致的用户通话感知较差的问题,从而保障用户对通话业务有较好的主观感知。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的定界,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商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“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本发明的实施例可提供为方法、系统或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅为本发明的实施例而已,并不用于限制本发明。对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (8)
1.一种异常检测方法,其特征在于,所述方法包括:
获取目标数据,所述目标数据为包含用户通话感知指标的时间序列数据;
将所述目标数据输入预先训练的层次时间记忆模型,以得到预测数据,其中,所述层次时间记忆模型基于用户历史通话中的所述用户通话感知指标构成的时间序列数据训练得到;
基于所述预测数据,确定所述用户通话感知指标是否存在异常;
所述将所述目标数据输入预先训练的层次时间记忆模型,以得到预测数据之前,所述方法还包括:
获取第一预设时间段内的所述用户通话感知指标构成的样本数据,所述样本数据为时间序列数据;
对所述样本数据进行时间补齐处理,得到处理后的所述样本数据;
基于所述处理后的样本数据,对所述层次时间记忆模型进行训练;
所述对所述样本数据进行时间补齐处理,得到处理后的所述样本数据,包括:
基于预设时间序列检测方法,对所述样本数据的连续性进行检测,在检测到所述样本数据存在数据缺失的情况下,确定所述样本数据中缺失数据的时间点;
基于预设补齐算法,确定所述时间点对应的补齐数据;
基于所述补齐数据对所述样本数据进行时间补齐处理,得到所述处理后的样本数据。
2.根据权利要求1所述的方法,其特征在于,所述基于预设补齐算法,确定所述时间点对应的补齐数据,包括:
获取与所述时间点对应的第一时间点;
基于所述第一时间点对应的数据和预设同比增长率,确定与所述时间点对应的第一补齐数据;
获取与所述时间点对应的第二时间点;
基于所述第二时间点对应的数据和预设环比增长率,确定与所述时间点对应的第二补齐数据;
基于所述第一补齐数据和所述第二补齐数据,确定与所述时间点对应的补齐数据。
3.根据权利要求1所述的方法,其特征在于,所述获取目标数据,包括:
获取第二预设时间段内的所述用户通话感知指标构成的待处理序列数据,所述待处理序列数据为时间序列数据;
对所述待处理序列数据进行时间补齐处理,得到所述目标数据。
4.根据权利要求3所述的方法,其特征在于,所述基于所述预测数据,确定所述用户通话感知指标是否存在异常,包括:
如果所述预测数据不处于预设阈值范围,则确定所述预测数据对应的所述用户通话感知指标存在异常。
5.根据权利要求1所述的方法,其特征在于,所述用户通话感知指标包括关键质量指标和/或关键性能指标。
6.一种异常检测装置,其特征在于,所述装置包括:
目标数据获取模块,用于获取目标数据,所述目标数据为包含用户通话感知指标的时间序列数据;
数据预测模块,用于将所述目标数据输入预先训练的层次时间记忆模型,以得到预测数据,其中,所述层次时间记忆模型基于用户历史通话中的所述用户通话感知指标构成的时间序列数据训练得到;
异常判断模块,用于基于所述预测数据,确定所述用户通话感知指标是否存在异常;
在本发明实施例中,所述装置还包括:
样本数据获取模块,用于获取第一预设时间段内的所述用户通话感知指标构成的样本数据,所述样本数据为时间序列数据;
补齐处理模块,用于对所述样本数据进行时间补齐处理,得到处理后的所述样本数据;
模型训练模块,用于基于所述处理后的样本数据,对所述层次时间记忆模型进行训练;
所述补齐处理模块,包括:
检测单元,用于基于预设时间序列检测方法,对所述样本数据的连续性进行检测,在检测到所述样本数据存在数据缺失的情况下,确定所述样本数据中缺失数据的时间点;
数据处理单元,用于基于预设补齐算法,确定所述时间点对应的补齐数据;
样本数据确定单元,基于所述补齐数据对所述样本数据进行时间补齐处理,得到所述处理后的样本数据。
7.一种电子设备,其特征在于,包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的异常检测方法的步骤。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的异常检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910681085.7A CN112311935B (zh) | 2019-07-26 | 2019-07-26 | 一种异常检测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910681085.7A CN112311935B (zh) | 2019-07-26 | 2019-07-26 | 一种异常检测方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112311935A CN112311935A (zh) | 2021-02-02 |
CN112311935B true CN112311935B (zh) | 2022-02-18 |
Family
ID=74329567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910681085.7A Active CN112311935B (zh) | 2019-07-26 | 2019-07-26 | 一种异常检测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112311935B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114301803B (zh) * | 2021-12-24 | 2024-03-08 | 北京百度网讯科技有限公司 | 网络质量检测方法、装置、电子设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101188847A (zh) * | 2007-11-28 | 2008-05-28 | 中讯邮电咨询设计院 | 基于人工神经网络的移动通信业务用户体验评估方法 |
CN102082703A (zh) * | 2009-11-26 | 2011-06-01 | 中国移动通信集团贵州有限公司 | 业务支撑系统设备性能监控的方法及装置 |
CN106559582B (zh) * | 2015-09-29 | 2021-04-16 | 亿阳信通股份有限公司 | 一种VoLTE用户主观感知保障方法和系统 |
CN105554782B (zh) * | 2015-12-09 | 2019-01-01 | 中国联合网络通信集团有限公司 | 用户感知指标的预测方法和装置 |
CN108205520A (zh) * | 2016-12-20 | 2018-06-26 | 华为技术服务有限公司 | KPI与QoE回归模型建立方法以及装置 |
-
2019
- 2019-07-26 CN CN201910681085.7A patent/CN112311935B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112311935A (zh) | 2021-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108268366B (zh) | 测试用例执行方法及装置 | |
US11528118B2 (en) | Transmission method, mobile terminal and network device | |
US20170109756A1 (en) | User Unsubscription Prediction Method and Apparatus | |
CN108391008B (zh) | 一种消息提醒方法及移动终端 | |
CN110399000B (zh) | 一种移动终端及其温控方法 | |
CN108681413B (zh) | 一种显示模组的控制方法及移动终端 | |
CN107977113B (zh) | 一种控制方法及移动终端 | |
CN109474784B (zh) | 一种预览图像处理方法及终端设备 | |
CN108492837B (zh) | 音频突发白噪声的检测方法、装置及存储介质 | |
CN110784915A (zh) | 电子设备的功耗控制方法及电子设备 | |
CN107249085B (zh) | 移动终端电量显示方法、移动终端及计算机可读存储介质 | |
CN112350974A (zh) | 物联网的安全监测方法、装置及电子设备 | |
CN110099434B (zh) | 一种功率调整方法、终端设备及计算机可读存储介质 | |
CN109218082B (zh) | 一种网络配置参数处理方法、装置及设备 | |
CN108366171B (zh) | 一种温升控制方法和移动终端 | |
CN112311935B (zh) | 一种异常检测方法、装置及电子设备 | |
CN110730013B (zh) | 改善发射杂散的方法和移动终端 | |
CN109660657B (zh) | 一种应用程序控制方法及装置 | |
CN115118636B (zh) | 网络抖动状态的确定方法、装置、电子设备及存储介质 | |
CN110972186B (zh) | 功率余量上报方法及终端设备 | |
CN108234745B (zh) | 一种信号接收方法、移动终端及计算机可读存储介质 | |
CN108008808B (zh) | 运行参数的调整方法和移动终端 | |
CN111818548B (zh) | 一种数据的处理方法、装置及设备 | |
CN111866599B (zh) | 一种质差的定界方法、装置及设备 | |
CN110912624B (zh) | 数字预失真处理方法和电子设备 |
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 |