CN113051525A - 关键质量指标kqi的分析方法、装置、设备及介质 - Google Patents
关键质量指标kqi的分析方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113051525A CN113051525A CN201911367794.4A CN201911367794A CN113051525A CN 113051525 A CN113051525 A CN 113051525A CN 201911367794 A CN201911367794 A CN 201911367794A CN 113051525 A CN113051525 A CN 113051525A
- Authority
- CN
- China
- Prior art keywords
- kqi
- kpi
- value
- index
- index set
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title description 16
- 238000000034 method Methods 0.000 claims abstract description 40
- 208000018910 keratinopathic ichthyosis Diseases 0.000 claims description 117
- 238000005070 sampling Methods 0.000 claims description 61
- 230000002159 abnormal effect Effects 0.000 claims description 35
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 238000007796 conventional method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- 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
- G06Q10/06395—Quality analysis or management
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明实施例提供了关键质量指标KQI的分析方法、装置、设备及介质。该方法包括:获取指标数据;指标数据包括KQI值和关键绩效指标KPI值;计算KQI和KPI的相关系数;根据相关系数和KQI值,确定影响KQI值的KPI值,能够精准、高效的识别KQI质差的主因。
Description
技术领域
本发明涉及网络通信技术领域,尤其涉及一种关键质量指标KQI的分析方法、装置、设备及介质。
背景技术
关键质量指标(Key Quality Indicators,KQI)是主要针对不同业务提出的贴近用户感受的业务质量参数。
目前,通过简单的数据统计及门限比对,并结合业务分析可以得到影响KQI的主要因素。传统方法是根据人工经验确定每个因素的重要程度,并结合各因素满足劣化条件的频次进行综合分析,优先满足这两个条件的则被识别为KQI质差的主因。但是,采用传统方法存在概率性分析错误的情况,当多个因素均恶化时很难发现主因的问题。
发明内容
本发明实施例提供了一种KQI的分析方法、装置、设备及介质,能够解决概率性分析错误的情况,当多个因素均恶化时很难发现主因的问题。
第一方面,本发明实施例提供了一种KQI的分析方法,该方法包括:
获取指标数据;指标数据包括KQI值和关键绩效指标KPI值;
根据KQI值和KPI值,计算KQI和KPI的相关系数;
根据相关系数和KQI值,确定影响KQI值的KPI值。
在一种可能的实现方式中,获取指标数据包括:
获取指标集;
对指标集进行采样,得到采样指标集;
对采样指标集进行数据处理得到指标数据。
在一种可能的实现方式中,对采样指标集进行数据处理得到指标数据,包括以下各项中的至少一项:
对采样指标集进行特征清洗;
删除采样指标集的异常数据;
使用特征选择Relief算法和套索Lasso算法对采样指标集进行特征筛选。
在一种可能的实现方式中,方法还包括:
根据采样指标集中的KQI值,确定采样指标集的指标样本偏度;
根据采样指标集中的KQI值、指标样本偏度、预设的偏度系数,确定异常数据。
在一种可能的实现方式中,根据相关系数和KQI值,确定影响KQI的KPI,包括:
对KPI和相关系数进行二维计算,得到KPI的编码;
根据KPI的编码和预设的KPI指标阈值,确定影响KQI的KPI。
在一种可能的实现方式中,该方法还包括:
提取预设数量的目标KPI;
根据目标KPI确定目标KPI的指标阈值;
根据目标KPI和目标KPI的指标阈值,确定影响KQI的KPI。
第二方面,提供了一种关键质量指标KQI的分析装置,该装置包括:
获取模块,用于获取指标数据;指标数据包括KQI值和关键绩效指标KPI值;
计算模块,用于计算KQI和KPI的相关系数;
确定模块,用于根据相关系数和KQI值,确定影响KQI值的KPI值。
在一种可能的实现方式中,获取模块,具体用于:
获取指标集;
对指标集进行采样,得到采样指标集;
对采样指标集进行数据处理得到指标数据。
在一种可能的实现方式中,获取模块,具体用于:
对采样指标集进行特征清洗;
删除采样指标集的异常数据;
使用特征选择Relief算法和套索Lasso算法对采样指标集进行特征筛选。
在一种可能的实现方式中,确定模块,还用于:
根据采样指标集中的KQI值,确定采样指标集的指标样本偏度;
根据采样指标集中的KQI值、指标样本偏度、预设的偏度系数,确定异常数据。
在一种可能的实现方式中,确定模块具体用于:
对KPI和相关系数进行二维计算,得到KPI的编码;
根据KPI的编码和预设的KPI指标阈值,确定影响KQI的KPI。
在一种可能的实现方式中,该装置还包括:
提取模块,用于提取预设数量的目标KPI;
确定模块,还用于根据目标KPI确定目标KPI的指标阈值;
确定模块,还用于根据目标KPI和目标KPI的指标阈值,确定影响KQI的KPI。
第三方面,提供了一种设备,包括:至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令,当计算机程序指令被处理器执行时实现如上述实施方式中第一方面或者第一方面任一可能实现方式的方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序指令,当计算机程序指令被处理器执行时实现第一方面或者第一方面任一可能实现方式的方法。
基于提供的KQI的分析方法、装置、设备及介质,通过获取指标数据;指标数据包括KQI值和关键绩效指标KPI值;计算KQI和KPI的相关系数;根据相关系数和KQI值,确定影响KQI值的KPI值,能够精准、高效的识别KQI质差的主因。
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是根据本发明一些实施例提供的一种KQI的分析方法的流程示意图;
图2是根据本发明一些实施例提供的信道质量指标低于6的指标数据分布示意图;
图3是根据本发明一些实施例提供的信道质量指标低于6的指标数据正态分布示意图;
图4是根据本发明一些实施例提供的删除信道质量指标低于6中的异常数据后的指标数据分布示意图;
图5是根据本发明一些实施例提供的一种矩阵式主因识别算法的示意图;
图6是根据本发明一些实施例提供的另一种矩阵式主因识别算法的示意图;
图7是根据本发明一些实施例提供的一种KQI的分析装置的结构示意图;
图8是根据本发明一些实施例提供的一种设备的结构示意图。
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,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,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
目前,针对引发小区KQI质差的各个原因重要程度和发生频次进行排序,排序最高的原因即为影响KQI感知差的主因。具体来说,引发KQI质差的因素主要有故障、干扰、容量、覆盖、结构、信令和端到端等,但不限于这些因素。按照各个因素对KQI感知差的影响进行排序,结果为:故障->干扰->容量->覆盖->结构->信令->端到端。提取每个小区与影响因素相关的指标,包括但不限于用户数、干扰、PRB利用率、CQI等,然后按照各个因素的优先级从高到低进行劣化指标频次的计算,达到门限即认为该因素为影响KQI质差的主因。
但是,在20万+个小区大数据的情况下,传统方法根据人工经验确定每个因素的重要程度,并结合各因素满足劣化条件的频次进行综合分析,优先满足这两个条件的则被识别为KQI质差的主因。采用传统方法存在概率性分析错误的情况,同时当多个因素均恶化时很难发现主因。
为了解决该技术问题本发明实施例提供了一种KQI的分析方法、装置、设备及介质,能够精准、高效的识别KQI质差的主因。下面结合附图对本发明实施例的技术方案进行描述。
图1是本发明实施例提供了一种KQI的分析方法的流程示意图。
如图1所示,该方法包括:
S101:获取指标数据;指标数据包括KQI值和关键绩效指标KPI值。
在本发明的一个实施例中,指标数据是指KQI质差最相关的特征数据,包括KQI值和KPI值。
通信网络中与通信网络相关的指标,例如,KQI统计指标、通信设备的厂家KPI和测量报告(Measurement Report,MR)平台统计指标等,加起来共有436个指标。对应这些指标,每个指标都有不同小区、不同时间的数据记录,如,KQI统计指标在一周内的KQI值。
因此,在获取指标数据之前,需要获取指标集,并对指标集进行相关的特征处理,得到指标数据。
具体的,获取指标集;对指标集进行采样,得到采样指标集;对采样指标集进行数据处理得到指标数据。
在本发明的一个实施例中,在获取指标集后,可以在指标集中采样选取一定数量的小区在预设时间段内的指标集,得到采样指标集。例如,选取2万个小区在一周内的指标集。可以按照每个小区一小时采取一条关于指标的记录。若选取2万个小区在一周内的指标集,指标集中的指标数据量为3360000条。
对采样指标集进行数据处理,例如,可以对采样指标集进行特征清洗。由于采样指标集中的指标数据可能包括部分错误的值,某些数据中还会包含一些特殊字符,如,“#N/A”、“#VALUE!”、“NIL”,“/0”。那么对包括部分错误的值或者特殊字符的数据的指标值设置为空。
还有一些采样指标集中的指标数据格式不统一,例如,指标值中不仅包括百分数还包括小数,针对既包括百分数还包括小数的指标值统一转换为小数。
采样指标集中还会存在一些异常数据,因此,需要删除采样指标集的异常数据。采样指标集中的指标数据整体分布中如果存在一些偏离程度很大的指标数据,那么该指标数据为异常数据。如图2所示,横坐标表示随机生成的采样点编号,在这里采样点没有顺序概念。纵坐标表示信道质量指标(Channel Quality Indicator,CQI)中低于6的CQI。其中,CQI_diyu6在40-60之间存在一处偏离数据整体分布程度很大的指标数据,该指标数据为异常数据。异常数据影响结果准确性,需要将异常数据删除。
如图3所示,横坐标表示CQI_diyu6的比例,范围是0%~100%,纵坐标表示采样点数目。由图3可以看出,运营商大数据大部分都不符合正态分布,因此不适合普通的均值±3倍标准差的异常值处理方法,进而需要使用基于数据偏度的异常值处理方法。
为了防止一些指标数据被删除,更精准的确定异常数据,可以使用基于偏度来确定异常数据。
具体的,根据采样指标集中的KQI值,确定采样指标集的指标样本偏度。
根据采样指标集中的KQI值、指标样本偏度、预设的偏度系数,确定异常数据。
在本发明实施例中,在确定异常数据之前,需要确定KQI值的指标样本偏度,进而确定KQI值的上限值和下限值。假设采样指标集中包括n个KQI,那个n个KQI对应的KQI值的指标样本偏度g1满足下述公式(1):
KQI值存在上限值和下限值,根据上限值和下限值就能够精准的确定异常数据。
其中,上限值满足下述公式(2):
u+max(3,(a·g1))·δ (2)
u表示KQI值的算术平均值,a表示预设的偏度系数,g1表示指标样本偏度,δ表示KQI值的标准差。
其中,上限值满足下述公式(3):
u-max(3,(a·g1))·δ (3)
u表示KQI值的算术平均值,a表示预设的偏度系数,g1表示指标样本偏度,δ表示KQI值的标准差。
确定了KQI值的上限值和下限值后,根据KQI值的上限值、下限值以及采样样本偏度,确定采样指标集中的异常数据。
具体的,当指标样本偏度不为零的时候,采样指标集中的KQI值大于上限值或者小于下限值,则该KQI值对应的指标数据为异常数据。
当指标样本偏度为0的时候,需要判断预设的样本偏度系数与样本偏度的乘积的绝对值,也即|a·g1|。当|a·g1|≤3时,可以采用3δ原则确定采样指标值中的异常数据。当|a·g1|≤3时,则需要根据KQI值的上限值、下限值以及采样样本偏度,确定采样指标集中的异常数据。样本偏度系数能够调控异常数据的过滤比例。a越大,过滤的异常值越少。a越小,过滤的异常值越多。
采用上述方式对图2中的采样指标值进行异常数据过滤,结果如图4所示,可以看到,CQI_diyu6在40-60之间存在一处偏离数据整体分布程度很大的指标数据已经被删除。
由于与通信网络相关的指标有多个,造成通信网络的特征维度过高,对采样指标集进行处理还包括对采样指标集进行特征筛选,确定与KQI质差最相关的特征。根据不同的业务类型,删除掉与业务类型不相关的KQI,然后通过Relief算法在进行指标筛选,在Relief算法筛选得到的指标的基础上,使用套索Lasso回归确定影响KQI质差的KPI指标。
其中,经过特征清洗、删除异常数据以及特征筛选后的KPI指标如表一所示。
表一
中文名 | 字段名 |
时间 | time |
小区名称 | cellname |
带宽 | band |
KQI总XDR数量 | XDR_NUM |
KQI质差XDR占比 | wrong_xdr_num |
室内外 | shineiwai |
RRC连接建立最大用户数 | cell_max_user |
上行PRB利用率 | ULPRB |
下行PRB利用率 | DLPRB |
PHR小于0占比 | PHR_diyu0 |
PL>=125比例 | PL_gaoyu125 |
干扰 | ganrao |
低CQI(CQI<=6)占比 | CQI_diyu6 |
无线接通率 | jietong |
无线掉线率 | diaoxian |
RRC连接重建比率 | rrc_reest |
切换成功率 | ho |
确定影响KQI质差的KPI指标后,执行S102。
S102:根据KQI值和KPI值,计算KQI和KPI的相关系数。
在本发明的一个实施例中,根据KQI值和KPI值,计算KQI和KPI之间的斯皮尔曼相关系数。该斯皮尔曼系数表征KQI质差占比和KPI的拟合程度,其中,斯皮尔曼相关系数的范围为[-1,1],-1表示KQI和KPI绝对负相关,1表示KQI和KPI绝对正相关。
在本发明的另一个实施例中,KPI值中存在一些异常的KPI值,异常的KPI值是偏离KPI正常取值范围的。还可以直接采用异常KPI值和KQI值,确定异常KPI与KQI之间的斯皮尔曼相关系数。该斯皮尔曼系数表征KQI即将异常时质差占比和KPI的拟合程度。
S103:根据相关系数和KQI值,确定影响KQI值的KPI值。
在本发明的一个实施例中,根据相关系数,能够确定KQI质差和KPI的拟合程度。基于拟合程度以及KQI值,确定影响KQI质差的KPI值,进而确定影响KQI质差的主因。
具体的,对KPI和相关系数进行二维计算,得到KPI的编码;根据KPI的编码和预设的KPI指标阈值,确定影响KQI的KPI。
在本发明的一个实施例中,二维计算是指对KPI和相关系数进行矩阵表达。如图5所示,将KPI指标作为横坐标,并按照KPI指标的重要度从大到小进行排序,将相关系数作为纵坐标,构建矩阵式主因识别算法。其中,KQI与KPI之间的相关系数的不同的取值范围对应不同的相关性,如图5所示,相关性为正相关,那么相关系数的取值范围为1~0.4;相关性为迟滞区间,那么相关系数的取值范围为0.4~0.3。相关性为不相关,相关系数的取值范围为0.3~-0.3。相关性为迟滞区间,相关系数的取值范围为-0.3~-0.4。相关性为负相关,相关系数的取值范围为-0.3~-1。
KPI的编码表示该KPI所属的指标以及与KQI的相关系数。预设的KPI指标阈值是指KPI指标恶化的门限值。
基于每一个KPI指标的KPI指标阈值和KPI的编码,确定不同的KPI指标在不同相关系数下对应的特征,包括一类特征和二类特征。一类特征表示KPI指标恶化并且与KQI质差占比的拟合度高,如图5中相关性为正相关和相关性为负相关被标注的表格。二类特征表示KPI指标较为恶化,但是KPI指标与KQI质差占比的拟合度一般。如图5中相关性为迟滞区间和相关性为不相关被标注的表格。
根据KPI的编码和预设的KPI指标阈值,能够确定KPI所属的特征。当KPI的特征为一类特征,且KPI的重要程度高,那么KPI对KQI质差的影响程度越大。当KPI的特征为二类特征,且KPI的重要程度很低,那么KPI对KQI质差的影响程度低。
在本发明的另一个实施例中,针对一些极端异常KPI值,可以以KPI指标作为横坐标,相关系数作为纵坐标,构建矩阵式主因识别算法,如图6所示,将相关系数划分为3个等级:1~0.3,0.3~-0.3,-0.3~1。异常KPI的指标阈值是通过提取全网小区的KPI并按照前百分之一的KPI指标,且对前百分之一KPI指标进行重要性排序确定的。根据异常KPI的指标阈值和相关系数,确定影响KQI质差的KPI。例如,可以计算KQI质差在5%以上的采样点对应的KPI的均值,若该均值小区指标阈值,且相关系数满足预设条件,来确定影响KQI质差的KPI。
本发明实施例提供的KQI的分析方法,通过获取指标数据;指标数据包括KQI值和关键绩效指标KPI值;根据KQI值和KPI值,计算KQI和KPI的相关系数;根据相关系数和KQI值,确定影响KQI值的KPI值,能够精准、高效的识别KQI质差的主因。
图7是本发明实施例提供的一种KQI的分析装置的结构示意图。
如图7所示,该装置可以包括:获取模块701,计算模块702和确定模块703。
获取模块701,用于获取指标数据;指标数据包括KQI值和关键绩效指标KPI值。
计算模块702,用于计算KQI和KPI的相关系数。
确定模块703,用于根据相关系数和KQI值,确定影响KQI值的KPI值。
可选的,获取模块701,具体用于:
获取指标集;
对指标集进行采样,得到采样指标集;
对采样指标集进行数据处理得到指标数据。
可选的,获取模块701,具体用于:
对采样指标集进行特征清洗;
删除采样指标集的异常数据;
使用特征选择Relief算法和套索Lasso算法对采样指标集进行特征筛选。
可选的,确定模块703,还用于:
根据采样指标集中的KQI值,确定采样指标集的指标样本偏度;
根据采样指标集中的KQI值、指标样本偏度、预设的偏度系数,确定异常数据。
可选的,确定模块703具体用于:
对KPI和相关系数进行二维计算,得到KPI的编码;
根据KPI的编码和预设的KPI指标阈值,确定影响KQI的KPI。
可选的,该装置还包括:
提取模块704,用于提取预设数量的目标KPI;
确定模块703,还用于根据目标KPI确定目标KPI的指标阈值;
确定模块703,还用于根据目标KPI和目标KPI的指标阈值,确定影响KQI的KPI。
本发明实施例提供的KQI的分析装置可以执行图1所示的方法中的各个步骤,并能够达到能够精准、高效的识别KQI质差的主因的技术效果,为简洁描述,再此不在详细赘述。
另外,本发明实施例的方法可以由设备来实现。图8示出了本发明实施例提供的设备的硬件结构示意图。
设备可以包括处理器801以及存储有计算机程序指令的存储器802。
具体地,上述处理器801可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本发明实施例的一个或多个集成电路。
存储器802可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器802可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器802可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器802可在数据处理装置的内部或外部。在特定实施例中,存储器802是非易失性固态存储器。在特定实施例中,存储器802包括只读存储器(ROM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器801通过读取并执行存储器802中存储的计算机程序指令,以实现上述实施例中的任意一种KQI的分析方法。
在一个示例中,设备还可包括通信接口803和总线810。其中,如图8所示,处理器801、存储器802、通信接口803通过总线810连接并完成相互间的通信。
通信接口803,主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
总线810包括硬件、软件或两者,将设备的部件彼此耦接在一起。举例来说而非限制,总线可包括增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线610可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线,但本发明考虑任何合适的总线或互连。
另外,结合上述实施例中的KQI的分析方法,本发明实施例可提供一种计算机可读存储介质来实现。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上述实施例中的任意一种KQI的分析方法。
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。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
以上,仅为本发明的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种关键质量指标KQI的分析方法,其特征在于,所述方法包括:
获取指标数据;所述指标数据包括KQI值和关键绩效指标KPI值;
根据所述KQI值和所述KPI值,计算KQI和KPI的相关系数;
根据所述相关系数和所述KQI值,确定影响所述KQI的KPI。
2.根据权利要求1所述的方法,其特征在于,所述获取指标数据,包括:
获取指标集;
对所述指标集进行采样,得到采样指标集;
对所述采样指标集进行数据处理得到所述指标数据。
3.根据权利要求2所述的方法,其特征在于,所述对所述采样指标集进行数据处理得到所述指标数据,包括以下各项中的至少一项:
对所述采样指标集进行特征清洗;
删除所述采样指标集的异常数据;
使用特征选择Relief算法和套索Lasso算法对所述采样指标集进行特征筛选。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
根据所述采样指标集中的KQI值,确定所述采样指标集的指标样本偏度;
根据所述采样指标集中的KQI值、所述指标样本偏度、预设的偏度系数,确定所述异常数据。
5.根据权利要求1-3中任意一项所述的方法,其特征在于,所述根据所述相关系数和所述KQI值,确定影响所述KQI的KPI,包括:
对所述KPI和所述相关系数进行二维计算,得到所述KPI的编码;
根据所述KPI的编码和预设的KPI指标阈值,确定影响所述KQI的KPI。
6.根据权利要求1-3中任意一项所述的方法,其特征在于,所述方法还包括:
提取预设数量的目标KPI;
根据所述目标KPI确定所述目标KPI的指标阈值;
根据所述目标KPI和所述目标KPI的指标阈值,确定影响所述KQI的KPI。
7.一种关键质量指标KQI的分析装置,其特征在于,所述装置包括:
获取模块,用于获取指标数据;所述指标数据包括KQI值和关键绩效指标KPI值;
计算模块,用于根据所述KQI值和所述KPI值,计算KQI和KPI的相关系数;
确定模块,用于根据所述相关系数和所述KQI值,确定影响所述KQI值的KPI值。
8.根据权利要求7所述的装置,其特征在于,所述获取模块,具体用于:
获取指标集;
对所述指标集进行采样,得到采样指标集;
对所述采样指标集进行数据处理得到所述指标数据。
9.一种设备,其特征在于,包括:至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令,当所述计算机程序指令被所述处理器执行时实现如权利要求1-6中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,当所述计算机程序指令被处理器执行时实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911367794.4A CN113051525B (zh) | 2019-12-26 | 关键质量指标kqi的分析方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911367794.4A CN113051525B (zh) | 2019-12-26 | 关键质量指标kqi的分析方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113051525A true CN113051525A (zh) | 2021-06-29 |
CN113051525B CN113051525B (zh) | 2024-09-24 |
Family
ID=
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114338351A (zh) * | 2021-12-31 | 2022-04-12 | 天翼物联科技有限公司 | 网络异常根因确定方法、装置、计算机设备及存储介质 |
WO2024139573A1 (zh) * | 2022-12-27 | 2024-07-04 | 中兴通讯股份有限公司 | 阈值确定方法、装置、存储介质及电子装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567536A (zh) * | 2011-12-31 | 2012-07-11 | 南京柏梭信息科技有限公司 | 一种基于数据统计学的关键绩效指标分析方法 |
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 |
CN105897495A (zh) * | 2015-01-26 | 2016-08-24 | 华为技术有限公司 | 通信网络中kqi与kpi相关性确定的方法和设备 |
CN106974631A (zh) * | 2017-03-17 | 2017-07-25 | 深圳大学 | 一种基于脉搏波波形和心电信号的血压测量方法及装置 |
US20170272319A1 (en) * | 2016-03-16 | 2017-09-21 | Futurewei Technologies, Inc. | Systems and Methods for Identifying Causes of Quality Degradation in Wireless Networks |
CN107666403A (zh) * | 2016-07-29 | 2018-02-06 | 中兴通讯股份有限公司 | 一种指标数据的获取方法及装置 |
CN108243439A (zh) * | 2016-12-27 | 2018-07-03 | 中国移动通信集团浙江有限公司 | 移动互联网数据业务质量劣化定位的方法及系统 |
CN109887600A (zh) * | 2019-04-16 | 2019-06-14 | 上海理工大学 | 一种对非小细胞肺癌预后生存情况的分析方法 |
CN110090024A (zh) * | 2018-01-30 | 2019-08-06 | 深圳创达云睿智能科技有限公司 | 一种功率控制方法、系统及穿戴设备 |
CN110474786A (zh) * | 2018-05-10 | 2019-11-19 | 上海大唐移动通信设备有限公司 | 基于随机森林分析VoLTE网络故障原因的方法及装置 |
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102567536A (zh) * | 2011-12-31 | 2012-07-11 | 南京柏梭信息科技有限公司 | 一种基于数据统计学的关键绩效指标分析方法 |
CN105897495A (zh) * | 2015-01-26 | 2016-08-24 | 华为技术有限公司 | 通信网络中kqi与kpi相关性确定的方法和设备 |
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 |
US20170272319A1 (en) * | 2016-03-16 | 2017-09-21 | Futurewei Technologies, Inc. | Systems and Methods for Identifying Causes of Quality Degradation in Wireless Networks |
CN107666403A (zh) * | 2016-07-29 | 2018-02-06 | 中兴通讯股份有限公司 | 一种指标数据的获取方法及装置 |
CN108243439A (zh) * | 2016-12-27 | 2018-07-03 | 中国移动通信集团浙江有限公司 | 移动互联网数据业务质量劣化定位的方法及系统 |
CN106974631A (zh) * | 2017-03-17 | 2017-07-25 | 深圳大学 | 一种基于脉搏波波形和心电信号的血压测量方法及装置 |
CN110090024A (zh) * | 2018-01-30 | 2019-08-06 | 深圳创达云睿智能科技有限公司 | 一种功率控制方法、系统及穿戴设备 |
CN110474786A (zh) * | 2018-05-10 | 2019-11-19 | 上海大唐移动通信设备有限公司 | 基于随机森林分析VoLTE网络故障原因的方法及装置 |
CN109887600A (zh) * | 2019-04-16 | 2019-06-14 | 上海理工大学 | 一种对非小细胞肺癌预后生存情况的分析方法 |
Non-Patent Citations (1)
Title |
---|
吴沐阳等: "基于指标相关性的网络运维质量评估模型", 《计算机应用》, vol. 38, no. 9, 17 May 2018 (2018-05-17), pages 2535 - 2542 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114338351A (zh) * | 2021-12-31 | 2022-04-12 | 天翼物联科技有限公司 | 网络异常根因确定方法、装置、计算机设备及存储介质 |
CN114338351B (zh) * | 2021-12-31 | 2024-01-12 | 天翼物联科技有限公司 | 网络异常根因确定方法、装置、计算机设备及存储介质 |
WO2024139573A1 (zh) * | 2022-12-27 | 2024-07-04 | 中兴通讯股份有限公司 | 阈值确定方法、装置、存储介质及电子装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109996258B (zh) | 无线网络利用率评估方法、装置、计算设备及存储介质 | |
CN111126824A (zh) | 多指标关联模型训练方法及多指标异常分析方法 | |
US7953144B2 (en) | Method and system for detecting impulse noise in a broadband communication system | |
CN109451589B (zh) | Lte载波调度方法、装置、设备及计算机存储介质 | |
US11336540B2 (en) | Sampling frequency recommendation method, apparatus and device, and storage medium | |
CN109996269A (zh) | 一种无线通信网络异常原因确定方法、装置、设备及介质 | |
EP4132074A1 (en) | Method for identifying problem cell, electronic device and computer-readable medium | |
CN102487523A (zh) | 用户投诉分析方法及装置 | |
CN111163488A (zh) | 小区干扰源的定位方法、装置、设备及计算机存储介质 | |
CN115392812A (zh) | 一种异常根因定位方法、装置、设备及介质 | |
CN108900339B (zh) | 一种度量业务质量的方法、装置及电子设备 | |
CN108667537B (zh) | 一种干扰源定位方法和装置 | |
CN111325432A (zh) | 客户体验质量确定方法、装置、设备及介质 | |
CN113051525A (zh) | 关键质量指标kqi的分析方法、装置、设备及介质 | |
CN113051525B (zh) | 关键质量指标kqi的分析方法、装置、设备及介质 | |
CN109993388B (zh) | 劣化小区主因判断方法、装置、设备及介质 | |
CN108134703B (zh) | 网络小区隐患故障预测分析方法及装置 | |
CN113052308A (zh) | 训练目标小区识别模型的方法及目标小区识别方法 | |
CN113079521B (zh) | 一种通话质量优化方法、装置和设备 | |
CN114828055A (zh) | 用户业务感知评估方法、装置、设备、介质和程序产品 | |
CN109699044B (zh) | 大气波导干扰的确定方法、装置、设备及介质 | |
CN113112102A (zh) | 优先级确定方法、装置、设备及存储介质 | |
WO2001097553A2 (en) | Method and apparatus for obtaining measurement data for performance analysis in a radio network | |
CN115459835B (zh) | 一种宽带卫星信号智能识别系统 | |
CN113808755B (zh) | 感染人群预测模型训练的方法、预测的方法、装置、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 |