CN113115301B - 一种确定方法、设备以及可读存储介质 - Google Patents
一种确定方法、设备以及可读存储介质 Download PDFInfo
- Publication number
- CN113115301B CN113115301B CN202110277883.0A CN202110277883A CN113115301B CN 113115301 B CN113115301 B CN 113115301B CN 202110277883 A CN202110277883 A CN 202110277883A CN 113115301 B CN113115301 B CN 113115301B
- Authority
- CN
- China
- Prior art keywords
- user
- network
- data
- target information
- determining
- 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
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W8/00—Network data management
- H04W8/18—Processing of user or subscriber data, e.g. subscribed services, user preferences or user profiles; Transfer of user or subscriber data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明公开了一种确定方法、设备以及可读存储介质,涉及通信技术领域,用于解决如何从非5G用户中确定潜在的5G用户的问题。该方法包括:首先,获取第一用户(即当前网络制式为第一网络制式的用户)的目标信息。然后,输入第一用户的目标信息到目标模型中,从而确定第一用户的预测网络制式。其中,目标信息包括账单数据、终端换机数据、常住地数据、移动互联网业务使用数据和业务分布数据。预测网络制式用于表征用户在第一时间节点内的网络制式,目标模型用于指示预测网络制式与目标信息之间的对应关系。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种确定方法、设备以及可读存储介质。
背景技术
随着第五代移动通信技术(5th generation mobile networks,5G)网络的商用,5G用户的规模也随之快速发展。相应的,5G网络规划和建设需充分考虑未来一段时间内新增5G用户的网络需求。
因此,如何在有限的投资和有限的时间内,从非5G用户中确定潜在的5G用户是本领域技术人员亟需解决的问题之一。
发明内容
本发明提供了一种确定方法、设备以及可读存储介质,用于解决如何从非5G用户中确定潜在的5G用户的问题。为达到上述目的,本发明采用如下技术方案:
第一方面,本发明提供了一种确定方法,该方法包括:首先,获取第一用户(即当前网络制式为第一网络制式的用户)的目标信息。然后,输入第一用户的目标信息到目标模型中,从而确定第一用户的预测网络制式。其中,目标信息包括账单数据、终端换机数据、常住地数据、移动互联网业务使用数据和业务分布数据。预测网络制式用于表征用户在第一时间节点内的网络制式,目标模型用于指示预测网络制式与目标信息之间的对应关系。
可以看出,本发明通过将非5G用户(即第一用户)的账单数据、终端换机数据、常住地数据、移动互联网业务使用数据和业务分布数据,输入到预测模型,从而预测得出非5G用户在未来时间节点内的网络制式,由此确定出了非5G用户中潜在的5G用户(即非5G用户中未来时间节点内的网络制式为5G的用户),解决了如何从非5G用户中确定潜在的5G用户的问题。
第二方面,本发明提供了一种确定设备,该设备包括:第一获取单元和第一确定单元。第一获取单元,用于获取第一用户的目标信息,第一用户为当前网络制式为第一网络制式的用户,目标信息包括账单数据、终端换机数据、常住地数据、移动互联网业务使用数据和业务分布数据。第一确定单元,用于输入第一用户的目标信息到目标模型中,确定第一用户的预测网络制式,预测网络制式用于表征用户在第一时间节点内的网络制式,目标模型用于指示预测网络制式与目标信息之间的对应关系。
第三方面,本发明提供了一种存储一个或多个程序的计算机可读存储介质,一个或多个程序包括指令,当指令被确定设备执行时使确定设备执行如第一方面所述的确定方法。
第四方面,本发明提供了一种包含指令的计算机程序产品,当指令在确定设备上运行时,使得确定设备执行如第一方面所述的确定方法。
第五方面,本发明提供一种确定设备,包括:处理器和存储器,存储器用于存储程序,处理器调用存储器存储的程序,以执行如第一方面所述的确定方法。
本发明中第二方面到第五方面及其各种实现方式的具体描述,可以参考第一方面及其各种实现方式中的详细描述;并且,第二方面到第五方面及其各种实现方式的有益效果,可以参考第一方面及其各种实现方式中的有益效果分析,此处不再赘述。
本发明的这些方面或其他方面在以下的描述中会更加简明易懂。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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为本发明实施例提供的确定设备的结构示意图之一;
图2为本发明实施例提供的确定方法的流程示意图之一;
图3为本发明实施例提供的确定方法的流程示意图之一;
图4为本发明实施例提供的P-R曲线示意图;
图5为本发明实施例提供的确定设备的结构示意图之一。
具体实施方式
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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。
本发明的说明书以及附图中的术语“第一”和“第二”等是用于区别不同的对象,或者用于区别对同一对象的不同处理,而不是用于描述对象的特定顺序。
此外,本发明的描述中所提到的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选的还包括其他没有列出的步骤或单元,或可选的还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
需要说明的是,本发明实施例的描述中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
在本发明的描述中,除非另有说明,“多个”的含义是指两个或两个以上。
首先对本发明实施例所涉及到的一些术语进行解释。
P-R曲线:算法对样本进行分类时,都会有置信度,即表示该样本是正样本的概率,比如99%的概率认为样本A是正例,1%的概率认为样本B是正例。通过选择合适的阈值,比如50%,对样本进行划分,概率大于50%的就认为是正例,小于50%的就是负例。通过置信度就可以对所有样本进行排序,再逐个样本的选择阈值,在该样本之前的都属于正例,该样本之后的都属于负例。每一个样本作为划分阈值时,都可以计算对应的建设效率(precision)和建设效果(recall),那么就可以以此绘制曲线,即为P-R曲线。
P-R曲线就是精确率precision和召回率recall曲线,以recall作为横坐标轴,precision作为纵坐标轴。精确率和召回率两个参数来源于混淆矩阵。
如表1所示,混淆矩阵的每一列代表了预测类别,每一列的总数表示预测为该类别的数据的数目;每一行代表了数据的真实归属类别,每一行的数据总数表示该类别的数据实例的数目。每一列中的数值表示真实数据被预测为该类的数目。精确率和召回率可以从混淆矩阵中计算而来。其中,精确率precision=TP/(TP+FP)。召回率recall=TP/(TP+FN)。
把正例正确分类为正例,表示为真阳性(true positive,TP)。例如,对苹果和橘子分类,正例为苹果,负例为橘子。把苹果正确分类为苹果,可以表示为TP。
把正例错误分类为负例,表示为假阴性(false negative,FN)。例如,对苹果和橘子分类,正例为苹果,负例为橘子。把苹果错误分类为橘子可以表示为FN。
把负例正确分类为负例,表示为真阴性(true negative,TN)。例如,对苹果和橘子分类,正例为苹果,负例为橘子。把橘子正确分类为橘子,可以表示为TN。
把负例错误分类为正例,表示为假阳性(false positive,FP)。例如,对苹果和橘子分类,正例为苹果,负例为橘子。把橘子错误分类为苹果可以表示为FP。
表1
本发明实施例提供了一种确定方法,用于解决如何从非5G用户中确定潜在的5G用户的问题。该确定方法可以由确定设备100执行。图1示出了确定设备100的一种硬件结构。如图1所示,确定设备100可以包括处理器101,通信线路102,存储器103,通信接口104。
本发明实施例示意的结构并不构成对确定设备100的限定。可以包括比图示更多或更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以以硬件,软件或软件和硬件的组合实现。
处理器101可以包括一个或多个处理单元,例如:处理器101可以包括应0用处理器(application processor,AP),调制解调处理器,图形处理器(graphics processingunit,GPU),图像信号处理器(image signal processor,ISP),控制器,存储器,视频编解码器,数字信号处理器(digital signal processor,DSP),基带处理器,和/或神经网络处理器(Neural-network Processing Unit,NPU)等。其中,不同的处理单元可以是独立的器件,也可以集成在一个或多个处理器中。
控制器可以是指挥确定设备100的各个部件按照指令协调工作的决策者。是确定设备100的神经中枢和指挥中心。控制器根据指令操作码和时序信号,产生操作控制信号,完成取指令和执行指令的控制。
处理器101中还可以设置存储器,用于存储指令和数据。在一些实施例中,处理器中的存储器为高速缓冲存储器,可以保存处理器刚用过或循环使用的指令或数据。如果处理器需要再次使用该指令或数据,可从存储器中直接调用。避免了重复存取,减少了处理器的等待时间,因而提高了系统的效率。
在一些实施例中,处理器101可以包括接口。接口可以包括集成电路(inter-integrated circuit,I2C)接口,集成电路内置音频(inter-integrated circuit sound,I2S)接口,脉冲编码调制(pulse code modulation,PCM)接口,通用异步收发传输器(universal asynchronous receiver/transmitter,UART)接口,移动产业处理器接口(mobile industry processor interface,MIPI),通用输入输出(general-purposeinput/output,GPIO)接口,用户标识模块(subscriber identity module,SIM)接口,和/或通用串行总线(universal serial bus,USB)接口等。
通信线路102,用于在上述处理器101与存储器103之间传输信息。
存储器103,用于存储执行计算机执行指令,并由处理器101来控制执行。
存储器103可以是独立存在,通过通信线路102与处理器相连接。存储器103可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read-only memory,ROM)、可编程只读存储器(programmableROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(randomaccess memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(dynamicRAM,DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)。应注意,本文描述的系统和设备的存储器旨在包括但不限于这些和任意其他适合业务类型的存储器。
通信接口104,用于与其他设备或通信网络通信。其中,通信网络可以是以太网,无线接入网(radio access network,RAN),或无线局域网(wireless local area networks,WLAN),蓝牙(blue tooth,BT),全球导航卫星系统(global navigation satellitesystem,GNSS),调频(frequency modulation,FM),近距离无线通信技术(near fieldcommunication,NFC),红外技术(infrared,IR)等。
下面结合图1示出的确定设备100,对本发明实施例提供的确定方法进行说明。
如图2所示,本发明实施例提供的确定方法包括:
S201、确定设备100获取第一用户的目标信息。
在本发明实施例中,第一用户为当前网络制式为第一网络制式的用户。例如,当前网络制式为第四代移动通信技术(4th generation mobile networks,4G)的用户。
在本发明实施例中,目标信息可以包括账单数据、终端换机数据、常住地数据、移动互联网业务使用数据和业务分布数据。
其中,账单数据可以包括性别、年龄、网龄等基本属性和每用户平均收入(averagerevenue per user,ARPU)、平均每户每月上网流量(dataflow of usage,DOU)、平均每户每月通话时间(minutes of usage,)MOU等业务数据。
终端换机数据可以包括终端换机周期、上次换机时间、上上次换机时间、终端价格、终端品牌等数据。例如,终端换机周期为1年、上次换机时间为2020年2月18日、上上次换机时间为2019年2月12日、终端价格为4900元。
常住地数据可以包括常住基站或常住微网格名称。
移动互联网业务使用数据可以包括视频等各大类业务使用流量占比、业务时长等。例如,视频业务使用流量占比为55%,视频业务使用时长为125小时,游戏业务使用流量占比为20%,游戏业务使用时长为50小时。
值得一提的是,上述目标信息可以根据不同的需求进行调整或补充。
示例性的,第一网络制式为4G,当前为2020年4月。确定设备100通过数据接入平台获取2020年4月的4G用户的账单数据、终端换机数据、常住地数据、移动互联网业务使用数据和业务分布数据。
S202、确定设备100输入第一用户的目标信息到目标模型中,确定第一用户的预测网络制式。
其中,预测网络制式用于表征用户在第一时间节点内的网络制式。例如,表征用户在1个月、3个月、6个月后的网络制式。
目标模型用于指示预测网络制式与目标信息之间的对应关系。即目标模型可以根据输入的第一用户的目标信息,预测第一用户在第一时间节点内的网络制式。例如,根据输入的第一用户的目标信息,预测第一用户在一个月后的网络制式为5G。
通过上述S201-S202,可以看出本发明实施例通过将非5G用户(即第一用户)的账单数据、终端换机数据、常住地数据、移动互联网业务使用数据和业务分布数据,输入到预测模型,从而预测得出非5G用户在未来时间节点内的网络制式,由此确定出了非5G用户中潜在的5G用户(即非5G用户中未来时间节点内的网络制式为5G的用户),解决了如何从非5G用户中确定潜在的5G用户的问题。
参照图2,如图3所示,本发明实施例提供的确定方法还包括:
S203、确定设备100根据第二用户的常住地数据或业务分布数据,确定网络设备的第二网络制式用户规模。
在本发明实施例中,网络设备是任意一种具有无线收发功能的设备,包括但不限于:全球移动通信系统(global system for mobile,GSM)或CDMA中的基站(basetransceiver station,BTS),WCDMA中的基站(NodeB),LTE中的演进型基站(NodeB或eNB或e-NodeB,evolutional Node B),NR中的基站(gNodeB或gNB)或收发点(transmissionreception poin,TRP),3GPP后续演进的基站,WiFi系统中的接入节点,无线中继节点,无线回传节点等。基站可以是:宏基站,微基站,微微基站,小站,中继站等。多个基站可以支持上述提及的同一种技术的网络,也可以支持上述提及的不同技术的网络。基站可以包含一个或多个共站或非共站的传输接收点(transmission receiving point,TRP)。
在一种可能的实现方式中,确定设备100也可以根据第二用户的常住地数据或业务分布数据,确定微网格的第二网络制式用户规模。
在本发明实施例中,网络设备(微网格)的第二网络制式用户规模可以为基站(微网格)内第二网络制式的总用户量,也可以为第二网络制式的总业务量或总业务次数,还可以为第二网络制式的总用户量、总业务量和总业务次数的加权值或第二网络制式的总用户量/第二网络制式的总业务量。
S204、确定设备100根据网络设备的第二网络制式用户规模,确定网络设备的建设优先级。
在一种可能的实现方式中,确定设备100可以根据网络设备(微网格)的第二网络制式用户规模与第二网络制式用户总规模的比值,确定网络设备的建设优先级。例如,网络设备(微网格)的第二网络制式用户规模与第二网络制式用户总规模的比值越大,网络设备(微网格)的建设优先级越高。
例如,按照累计人数占比20%、50%、80%和100%的方法,确定每个网络设备(微网格)的建设优先级。
在一种可能的实现方式中,确定设备100可以根据网络设备(微网格)的第二网络制式用户规模与业务需求,确定网络设备的建设优先级。
S205、确定设备100获取第三用户的目标信息。
其中,第三用户为在第二时间节点内的网络制式为第一网络制式且当前网络制式为第二网络制式的用户。例如,在2020年4月之前网络制式为4G且当前网络制式为5G的用户。
S206、确定设备100获取第四用户的目标信息。
其中,第四用户为在第二时间节点内的网络制式为第一网络制式且当前网络制式为第一网络制式的用户。例如,在2020年4月之前网络制式为4G且当前网络制式为4G的用户。
S207、确定设备100根据第三用户和第四用户的目标信息,训练目标模型。
具体的,确定设备100先对第三用户和第四用户的目标信息进行数据清洗(包含剔除单一值数据、处理缺失值数据及处理线性相关数据等步骤)以得到目标信息中有价值的完整的数据。接着确定设备100将清洗后的数据分为训练集、验证集和测试集三部分(例如,随机抽取80%数据作为训练集,10%数据作为验证集,10%数据作为测试集)。之后,确定设备100选择训练集,设置初始参数,模型根据自变量X(账单数据、终端换机数据、常住地数据、移动互联网业务使用数据和业务分布数据)和因变量Y(用户的网络制式)学习,得到训练模型;剔除低贡献度变量,再次训练,利用验证集调参,反复修正参数迭代确定最优模型。最后,经过上述训练,得到最优模型(目标模型),即确定一种能对输入数据高度识别的一套最优配置参数,当向模型中输入一组新的数据时,将得到一组对输入数据的识别结果,在本发明实施例中即为用户的网络制式(例如,4G用户(0)或5G用户(1))。
值得一提的是,上述模型可以是分析各类模型对于目标数据的建模效果得到的。例如,可以为梯度提升机(light gradient boosting machine,LightGBM)分类模型。该模型具有低内存使用率、更高的准确率、支持并行化学习和可处理大规模数据等特征,且适用于本发明实施例中的建模需求,未来也可根据实际应用场景和需求使用其他的模型算法。
S208、确定设备100获取第二网络制式用户渗透率。
在本发明实施例中,第二网络制式用户渗透率是指市场部门或者网络部门预期的第二网络制式用户规模目标与总用户数的比值。
例如,第二网络制式为5G,假设2021年4月5G用户渗透率达到20%,则5G用户规模目标即为总用户数的20%。
S209、确定设备100根据第二网络制式用户渗透率和预设阈值,确定第二网络制式的建设效率和建设效果。
在本发明实施例中,预设阈值也可称为预测阈值,用于判断用户是正例还是负例的阈值。例如,预设阈值可以为0.0197。
其中,正例为用户的预测网络制式为第二网络制式。负例为用户的预测网络制式为第一网络制式。例如,第一网络制式为4G,第二网络制式为5G。正例则为用户的预测网络制式为5G。负例则为用户的预测网络制式为4G。
具体的,确定设备100根据第二网络制式用户渗透率确定第二网络制式用户渗透率对应的P-R曲线,然后根据预设阈值确定预设阈值在该P-R曲线上的对应点,该点的坐标值(即precision值和recall值)为网络规划方案预计将达到的建设效率和建设效果。
值得一提的是,在网络规划中,会按照预测的用户进行站点建设规划,precision值可以表征所有规划站点或区域中覆盖到的真实用户的比例,同等建设规模的情况下,precision值越大说明建设区域满足用户的需求越多,建设效率越高;recall值则可以表征为所有真实用户中被正确确定的比例,值越大则说明用户被确定的比例越高,建设效果越好。理论上两个值均越大越好,但实际应用中二者关系是遵循P-R曲线的,当用户目标规模确定的情况下,根据预设阈值我们可以确定某一点,该点的precision和recall值即为网络规划方案预计将达到的建设效率和建设效果。
值得一提的是,当模型相同,输入的正例渗透率(即本发明实施例中的第二网络制式用户渗透率)发生变化时,将得到对应的一条P-R曲线,随着正例(即发明实施例中的第二网络制式用户)的不断增长,我们将得到多条P-R曲线。
示例性的,第二网络制式用户渗透率为2%。确定设备100先从图4中的多条P-R曲线中,确定渗透率为2%对应的曲线,然后根据预设阈值确定预设阈值在该P-R曲线上的对应点。该点的precision的值为11%,recall的值为31%。即建设效率为11%和建设效果为31%。
在本发明实施例中,P-R曲线上的各点对应不同预设阈值下的混淆矩阵。例如,第一网络制式为4G,第二网络制式为5G。正例则为用户的预测网络制式为5G。负例则为用户的预测网络制式为4G。在某预设阈值下的混淆矩阵,从表2可以得出:
TP(即实际值为5G用户,预测值为5G用户)=4.6万。
FN(即实际值为5G用户,预测值为4G用户)=10.1万。
TN(即实际值为4G用户,预测值为4G用户)=497万。
FP(即实际值为4G用户,预测值为5G用户)=38.8万。
建设效率precision=TP/(TP+FP)=4.6/(4.6+38.8)=11%。
建设效果recall=TP/(TP+FN)=4.6/(4.6+10.1)=31%。
表2
可以理解的是,随着预设阈值的变化,预测为正例的数量也会随之变化,相应的,TP值也会相应变化,从而造成建设效率precision和建设效果recall也随之变化。
值得一提的是,采用本发明实施例提供的确定方法,在某个网络制式发展初期至中期,能够通过潜在用户的准确预测,锁定网络建设的重点目标区域,并能够预估规划方案的建设效率及建设效果,提升网络规划精准性。未来,随着用户数量的增多及业务数据的发展,可以不断扩充输入数据,完善模型,提升模型预测的准确性。同时预测的潜在用户群体也可以是物联网用户、车联网用户等用户类别,也可以是这些用户的总和和随机组合;上述网络制式可以是5G,也可以是未来的6G或其他任何一种网络制式。
上述主要从方法的角度对本发明实施例提供的方案进行了介绍。为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,本发明能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
本发明实施例可以根据上述方法示例对确定设备100进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本发明实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
本发明实施例提供了一种确定设备100,用于执行上述确定方法,如图5所示,确定设备100包括:第一获取单元501和第一确定单元502。
第一获取单元501,用于获取第一用户的目标信息,第一用户为当前网络制式为第一网络制式的用户,目标信息包括账单数据、终端换机数据、常住地数据、移动互联网业务使用数据和业务分布数据。例如,结合图2,第一获取单元501可以用于执行S201。
第一确定单元502,用于输入第一用户的目标信息到目标模型中,确定第一用户的预测网络制式,预测网络制式用于表征用户在第一时间节点内的网络制式,目标模型用于指示预测网络制式与目标信息之间的对应关系。例如,结合图2,第一确定单元502可以用于执行S202。
如图5所示,确定设备100还包括:第二确定单元503、第三确定单元504、第二获取单元505、第三获取单元506、模型训练单元507、第四获取单元508和第四确定单元509。
第二确定单元503,用于根据第二用户的常住地数据或业务分布数据,确定网络设备的第二网络制式用户规模,第二用户为预测网络制式为第二网络制式的用户。例如,结合图3,第二确定单元503可以用于执行S203。
第三确定单元504,用于根据网络设备的第二网络制式用户规模,确定网络设备的建设优先级。例如,结合图3,第三确定单元504可以用于执行S204。
第二获取单元505,用于获取第三用户的目标信息,第三用户为在第二时间节点内的网络制式为第一网络制式且当前网络制式为第二网络制式的用户。例如,结合图3,第二获取单元505可以用于执行S205。
第三获取单元506,用于获取第四用户的目标信息,第四用户为在第二时间节点内的网络制式为第一网络制式且当前网络制式为第一网络制式的用户。例如,结合图3,第三获取单元506可以用于执行S206。
模型训练单元507,用于根据第三用户和第四用户的目标信息,训练目标模型。例如,结合图3,模型训练单元507可以用于执行S207。
第四获取单元508,用于获取第二网络制式用户渗透率。例如,结合图3,第四获取单元508可以用于执行S208。
第四确定单元509,用于根据第二网络制式用户渗透率和预设阈值,确定第二网络制式的建设效率和建设效果。例如,结合图3,第四确定单元509可以用于执行S209。
具体的,如图1和图5所示。图5中的第一获取单元501、第一确定单元502、第二确定单元503、第三确定单元504、第二获取单元505、第三获取单元506、模型训练单元507、第四获取单元508和第四确定单元509,通过图1中的处理器101经通信线路102调用存储器103中的程序以执行上述确定方法。
应理解,在本发明的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时,可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机执行指令时,全部或部分地产生按照本发明实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程设备。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(digitalsubscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如,软盘、硬盘、磁带),光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、设备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。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统、设备和方法,可以通过其他的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性,机械或其他的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
以上,仅为本发明的具体实施方式,但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,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种网络制式的确定方法,其特征在于,包括:
获取第一用户的目标信息,所述第一用户为当前网络制式为第一网络制式的用户,所述目标信息包括账单数据、终端换机数据、常住地数据、移动互联网业务使用数据和业务分布数据;
输入所述第一用户的目标信息到目标模型中,确定所述第一用户的预测网络制式,所述预测网络制式用于表征用户在第一时间节点内的网络制式,所述目标模型用于指示所述预测网络制式与所述目标信息之间的对应关系;
所述确定方法还包括:
获取第三用户的目标信息,所述第三用户为在第二时间节点内的网络制式为所述第一网络制式且当前网络制式为第二网络制式的用户;
获取第四用户的目标信息,所述第四用户为在所述第二时间节点内的网络制式为所述第一网络制式且当前网络制式为所述第一网络制式的用户;
根据所述第三用户和所述第四用户的目标信息,训练所述目标模型,包括:
对所述第三用户和所述第四用户的目标信息进行数据清洗以得到目标信息中有价值的完整的数据;
将清洗后的数据分为训练集、验证集和测试集三部分,选择训练集,设置初始参数,模型根据自变量和因变量学习,得到训练模型,其中所述自变量为账单数据、终端换机数据、常住地数据、移动互联网业务使用数据和业务分布数据,所述因变量为用户的网络制式;
剔除低贡献度变量,再次训练,利用验证集调参,反复修正参数迭代确定最优模型。
2.根据权利要求1所述的确定方法,其特征在于,所述确定方法还包括:
根据第二用户的常住地数据或业务分布数据,确定网络设备的第二网络制式用户规模,所述第二用户为预测网络制式为所述第二网络制式的用户;
根据网络设备的第二网络制式用户规模,确定网络设备的建设优先级。
3.根据权利要求1所述的确定方法,其特征在于,所述确定方法还包括:
获取第二网络制式用户渗透率;
根据第二网络制式用户渗透率和预设阈值,确定第二网络制式的建设效率和建设效果。
4.一种网络制式的确定设备,其特征在于,包括:第一获取单元和第一确定单元;
所述第一获取单元,用于获取第一用户的目标信息,所述第一用户为当前网络制式为第一网络制式的用户,所述目标信息包括账单数据、终端换机数据、常住地数据、移动互联网业务使用数据和业务分布数据;
所述第一确定单元,用于输入所述第一用户的目标信息到目标模型中,确定所述第一用户的预测网络制式,所述预测网络制式用于表征用户在第一时间节点内的网络制式,所述目标模型用于指示所述预测网络制式与所述目标信息之间的对应关系;
所述确定设备还包括:第二获取单元、第三获取单元和模型训练单元;
所述第二获取单元,用于获取第三用户的目标信息,所述第三用户为在第二时间节点内的网络制式为所述第一网络制式且当前网络制式为第二网络制式的用户;
所述第三获取单元,用于获取第四用户的目标信息,所述第四用户为在所述第二时间节点内的网络制式为所述第一网络制式且当前网络制式为所述第一网络制式的用户;
所述模型训练单元,用于根据所述第三用户和所述第四用户的目标信息,训练所述目标模型,具体包括:
对所述第三用户和所述第四用户的目标信息进行数据清洗以得到目标信息中有价值的完整的数据;
将清洗后的数据分为训练集、验证集和测试集三部分,选择训练集,设置初始参数,模型根据自变量和因变量学习,得到训练模型,其中所述自变量为账单数据、终端换机数据、常住地数据、移动互联网业务使用数据和业务分布数据,所述因变量为用户的网络制式;
剔除低贡献度变量,再次训练,利用验证集调参,反复修正参数迭代确定最优模型。
5.根据权利要求4所述的确定设备,其特征在于,所述确定设备还包括:第二确定单元和第三确定单元;
所述第二确定单元,用于根据第二用户的常住地数据或业务分布数据,确定网络设备的第二网络制式用户规模,所述第二用户为预测网络制式为所述第二网络制式的用户;
所述第三确定单元,用于根据网络设备的第二网络制式用户规模,确定网络设备的建设优先级。
6.根据权利要求4所述的确定设备,其特征在于,所述确定设备还包括:第四获取单元和第四确定单元;
所述第四获取单元,用于获取第二网络制式用户渗透率;
所述第四确定单元,用于根据第二网络制式用户渗透率和预设阈值,确定第二网络制式的建设效率和建设效果。
7.一种网络制式的确定设备,其特征在于,所述确定设备包括:一个或多个处理器,以及存储器;
所述存储器与所述一个或多个处理器耦合;所述存储器用于存储计算机程序代码,所述计算机程序代码包括指令,当所述一个或多个处理器执行所述指令时,所述确定设备执行如权利要求1-3中任意一项所述的确定方法。
8.一种计算机可读存储介质,包括指令,其特征在于,当所述指令在确定设备上运行时,使得所述确定设备执行如权利要求1-3中任意一项所述的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110277883.0A CN113115301B (zh) | 2021-03-15 | 2021-03-15 | 一种确定方法、设备以及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110277883.0A CN113115301B (zh) | 2021-03-15 | 2021-03-15 | 一种确定方法、设备以及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113115301A CN113115301A (zh) | 2021-07-13 |
CN113115301B true CN113115301B (zh) | 2022-11-22 |
Family
ID=76711320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110277883.0A Active CN113115301B (zh) | 2021-03-15 | 2021-03-15 | 一种确定方法、设备以及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113115301B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107171831A (zh) * | 2017-04-28 | 2017-09-15 | 华为技术有限公司 | 网络部署方法和装置 |
CN108712279A (zh) * | 2018-04-27 | 2018-10-26 | 中国联合网络通信集团有限公司 | 用户离网的预测方法及装置 |
CN110505635A (zh) * | 2019-07-16 | 2019-11-26 | 中国联合网络通信集团有限公司 | 一种终端渗透率预测方法及装置 |
CN110636515A (zh) * | 2019-11-14 | 2019-12-31 | 国网湖南省电力有限公司 | 电力无线专网的网络规划评估方法 |
CN111328082A (zh) * | 2020-02-26 | 2020-06-23 | 中国联合网络通信集团有限公司 | 基站规划方法、装置、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11323890B2 (en) * | 2019-07-10 | 2022-05-03 | At&T Intellectual Property I, L.P. | Integrated mobility network planning |
-
2021
- 2021-03-15 CN CN202110277883.0A patent/CN113115301B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107171831A (zh) * | 2017-04-28 | 2017-09-15 | 华为技术有限公司 | 网络部署方法和装置 |
CN108712279A (zh) * | 2018-04-27 | 2018-10-26 | 中国联合网络通信集团有限公司 | 用户离网的预测方法及装置 |
CN110505635A (zh) * | 2019-07-16 | 2019-11-26 | 中国联合网络通信集团有限公司 | 一种终端渗透率预测方法及装置 |
CN110636515A (zh) * | 2019-11-14 | 2019-12-31 | 国网湖南省电力有限公司 | 电力无线专网的网络规划评估方法 |
CN111328082A (zh) * | 2020-02-26 | 2020-06-23 | 中国联合网络通信集团有限公司 | 基站规划方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113115301A (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110430583B (zh) | 一种ssb波束优化配置方法及装置 | |
JP2018525859A (ja) | ネットワーク容量拡大のための方法および装置 | |
CN110321863A (zh) | 年龄识别方法及装置、存储介质 | |
CN111328082B (zh) | 基站规划方法、装置、设备及存储介质 | |
CN106934514A (zh) | 一种回归模型的生成方法以及装置 | |
CN107395252B (zh) | 跳频方法、跳频装置、终端和基带芯片 | |
CN108764951A (zh) | 用户相似度获得方法和装置、设备、存储介质 | |
CN104167216B (zh) | 一种音频文件共享方法、装置及音箱 | |
CN114614989A (zh) | 基于数字孪生技术的网络业务的可行性验证方法及装置 | |
CN114118748B (zh) | 一种服务质量预测方法、装置、电子设备及存储介质 | |
CN108632088B (zh) | 业务处理方法、装置及服务器 | |
CN113660687B (zh) | 网络差小区处理方法、装置、设备及存储介质 | |
CN110335626A (zh) | 基于音频的年龄识别方法及装置、存储介质 | |
CN113115301B (zh) | 一种确定方法、设备以及可读存储介质 | |
WO2023020425A1 (zh) | 一种流量区间预测评估方法、装置和存储介质 | |
CN115082767B (zh) | 随机森林模型训练方法和装置 | |
CN112738815B (zh) | 一种可接入用户数的评估方法和装置 | |
CN111476886B (zh) | 智慧建筑楼宇三维模型渲染方法及楼宇云服务器 | |
CN114970495A (zh) | 人名消歧方法、装置、电子设备及存储介质 | |
CN115967906A (zh) | 用户常驻位置识别方法、终端、电子设备及存储介质 | |
CN109327854B (zh) | 轨道用户识别方法及装置 | |
CN115278701B (zh) | 基站资源部署方法及装置 | |
CN113891384B (zh) | 网络质量匹配度的确定方法、装置、服务终端及介质 | |
CN115022965B (zh) | 小区定位方法、装置、电子设备及存储介质 | |
CN114158073B (zh) | 网络切片部署方法、装置、设备及存储介质 |
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 |