CN113822454A - 切片投诉处理资源的预估方法及装置 - Google Patents
切片投诉处理资源的预估方法及装置 Download PDFInfo
- Publication number
- CN113822454A CN113822454A CN202010560327.XA CN202010560327A CN113822454A CN 113822454 A CN113822454 A CN 113822454A CN 202010560327 A CN202010560327 A CN 202010560327A CN 113822454 A CN113822454 A CN 113822454A
- Authority
- CN
- China
- Prior art keywords
- complaint
- slice
- matrix
- slice example
- user
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000011159 matrix material Substances 0.000 claims abstract description 123
- 230000006870 function Effects 0.000 claims description 30
- 238000004891 communication Methods 0.000 claims description 26
- 230000015654 memory Effects 0.000 claims description 23
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 238000002372 labelling Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 12
- 230000002123 temporal effect Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 9
- 210000002569 neuron Anatomy 0.000 description 9
- 230000006403 short-term memory Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 230000007787 long-term memory Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- OOXMVRVXLWBJKF-DUXPYHPUSA-N n-[3-[(e)-2-(5-nitrofuran-2-yl)ethenyl]-1,2,4-oxadiazol-5-yl]acetamide Chemical compound O1C(NC(=O)C)=NC(\C=C\C=2OC(=CC=2)[N+]([O-])=O)=N1 OOXMVRVXLWBJKF-DUXPYHPUSA-N 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012360 testing method 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- G06Q30/00—Commerce
- G06Q30/01—Customer relationship services
- G06Q30/015—Providing customer assistance, e.g. assisting a customer within a business location or via helpdesk
- G06Q30/016—After-sales
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Accounting & Taxation (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种切片投诉处理资源的预估方法及装置,该方法包括:获取终端用户提交的各切片实例的投诉内容并构建切片实例投诉拓扑图,其中,切片实例拓扑图的节点和边分别为各切片实例及网元功能共享关系,以及节点特征包括各切片实例在第一预设时间段内的投诉量时间序列;将切片实例拓扑图转化为邻接矩阵和特征矩阵后输入至切片实例投诉量预测模块中,预测得到在第二预设时间段内的用户投诉量预测序列;根据用户投诉量预测序列预估投诉处理资源值。通过上述方式,利用切片实例投诉量预测模块对输入的邻接矩阵和特征矩阵进行投诉量预测,然后可预估得到处理资源,进而可实现对切片网络中的投诉及其所需的资源进行准确预测。
Description
技术领域
本发明涉及通信技术领域,具体涉及一种切片投诉处理资源的预估方法及装置。
背景技术
网络切片(Network Slice)是端到端的逻辑功能和其所需的物理或虚拟资源集合,包括接入网、传输网、核心网等,网络切片可认为是5G网络中的虚拟化“专网”;网络切片基于NFV的统一基础设施构建,实现低成本高效运营。网络切片技术可以实现通信网络的逻辑隔离,允许在每个网络切片中配置和重用网络元件及功能以满足特定的行业应用需求。
切片网络中的用户投诉预测以及处理资源预估将与传统网络有很大不同,切片用户涉及千行百业、切片用户终端类型多样、切片网络结构复杂,相比传统网络,切片用户投诉预测的复杂度和难度也将倍增,对运维人员的技能要求非常高。传统网络中,投诉处理主要依靠人工客服,切片投诉预测和投诉处理资源的预估主要通过专家经验来实现,传统网络中的这种投诉预测方法显然无法适用于切片网络,容易出现投诉预测准确率不高、投诉处理资源预估不精准等问题。
发明内容
鉴于上述问题,提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的切片投诉处理资源的预估方法及装置。
根据本发明实施例的一个方面,提供了一种切片投诉处理资源的预估方法,包括:
获取终端用户提交的各切片实例的投诉内容;
根据所述投诉内容构建切片实例投诉拓扑图,其中,切片实例拓扑图的节点为各切片实例,边为各切片实例间网元功能共享关系,以及节点特征包括各切片实例在当前时间之前的第一预设时间段内的投诉量时间序列;
将所述切片实例拓扑图转化为邻接矩阵和特征矩阵后输入至训练好的切片实例投诉量预测模块中,预测得到在当前时间之后的第二预设时间段内的用户投诉量预测序列;
根据所述用户投诉量预测序列预估投诉处理资源值。
根据本发明实施例的另一方面,提供了一种切片投诉处理资源的预估装置,包括:
获取模块,适于获取终端用户提交的各切片实例的投诉内容;
构建模块,适于根据所述投诉内容构建切片实例投诉拓扑图,其中,切片实例拓扑图的节点为各切片实例,边为各切片实例间网元功能共享关系,以及节点特征包括各切片实例在当前时间之前的第一预设时间段内的投诉量时间序列;
预测模块,适于将所述切片实例拓扑图转化为邻接矩阵和特征矩阵后输入至训练好的切片实例投诉量预测模块中,预测得到在当前时间之后的第二预设时间段内的用户投诉量预测序列;
预估模块,适于根据所述用户投诉量预测序列预估投诉处理资源值。
根据本发明实施例的又一方面,提供了一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行上述切片投诉处理资源的预估方法对应的操作。
根据本发明实施例的再一方面,提供了一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如上述切片投诉处理资源的预估方法对应的操作。
根据本发明实施例的切片投诉处理资源的预估方法及装置,根据获取的投诉内容构建切片实例投诉拓扑图,该拓扑图的边为投诉涉及的切片实例间的共享关系,节点特征包括各切片实例在当前时间之前的第一预设时间段内的投诉量时间序列;然后将拓扑图转化为矩阵形式的表示并输入至切片实例投诉量预测模块中,则可以依据投诉涉及的切片实例间的共享关系和历史的投诉量时间序列完成对这些切片实例未来的投诉量的预测,实现投诉量的准确预测;然后根据预测得到的投诉量则可以预估进行投诉处理所需的资源。由此可见,本发明方案,可以利用切片实例投诉量预测模块实现对投诉量的高效、准确的预测,便与后续对处理资源的预估,提升切片投诉的预测能力、提高切片投诉处理资源预估的准确性、有效增强网络切片处理用户投诉的鲁棒性。
上述说明仅是本发明实施例技术方案的概述,为了能够更清楚了解本发明实施例的技术手段,而可依照说明书的内容予以实施,并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明实施例的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明实施例的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了一组具体的切片实例的示意图;
图2示出了本发明实施例提供的切片投诉处理资源的预估方法的流程图;
图3示出了本发明另一个实施例提供的切片投诉处理资源的预估方法的流程图;
图4示出了本发明一个具体实施例中搭建的切片实例投诉量预测模块的构成示意图;
图5示出了本发明一个具体的切片投诉处理资源的预估方案的完整流程图;
图6示出了本发明实施例提供的切片投诉处理资源的预估装置的结构示意图;
图7示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
在实施本发明实施例之前,先在此对本文中涉及的若干术语进行解释,以便后续对实施例的理解。
1)切片管理架构:其主要由CSMF,NSMF以及NSSMF组成。
其中,CSMF(Communication Service Management Function,通信业务管理功能模块):完成用户业务通信服务的需求订购和处理,负责将运营商/第三方客户的通信服务需求转化为对网络切片的需求,并通过和NSMF之间的接口向NSMF发送对网络切片的需求(如创建、终结、修改网络切片实例请求等),从NSMF获取网络切片的管理数据(如性能、故障数据等)。
其中,NSMF(Network Slice Management Function,网络切片管理功能模块):负责接收CSMF发送的网络切片需求,对网络切片实例的生命周期、性能、故障等进行管理,编排网络切片实例的组成,分解网络切片实例的需求为各网络切片子网实例或网络功能的需求,向各NSSMF发送网络切片子网实例管理请求。
以及,NSSMF(Network Slice Subnet Management Function,网络切片子网管理功能模块),接收从NSMF下发的网络切片子网部署需求,对网络切片子网实例进行管理,编排网络切片子网实例的组成,将网络切片子网的SLA需求映射为网络服务的QoS需求,向ETSI NFV域的NFVO系统下发网络服务的部署请求。
2)网络切片实例
网络切片实例(Network slice instance,简称NSI),是一个真实运行的逻辑网络,能满足一定网络特性或服务需求。一个网络切片实例可能提供一种或多种服务。网络切片实例可以由网管系统创建,一个网管系统可能创建多个网络切片实例并同时对它们进行管理,包括在网络切片实例运行过程中的性能监视和故障管理等。当多个网络切片实例共存时,网络切片实例之间可能共享部分网络资源和网络功能。
图1示出了一组具体的切片实例的示意图。如图1所示,切片实例1和切片实例2共享核心网切片2,切片实例2和切片实例3共享无线网切片3。
3)长短期记忆网络
长短期记忆(long short-term memory,简称LSTM)是一种特殊的循环神经网络类型,通过控制缓存中的值保存的时间,可以记住长期的信息,适合进行时间序列的预测。每个神经元有四个输入和一个输出,每个神经元内有一个Cell存放记忆的数值。LSTM神经元如下:
Yt=σ(W'ht) (7)
每一个LSTM神经元中含有三个门控:遗忘门、输入门、输出门。公式(1)代表了遗忘门,在公式(2)和(3)中新的信息被添加进来,公式(4)融合了新信息和旧信息,公式(5)和(6)输出目前LSTM单元已学习到的关于下一个时间戳的信息。长短期记忆神经网络在长时间序列的学习上具有较好的效果,LSTM单元内每条连接线上含有相应的权重,Xt代表输入向量,ht代表隐藏状态,Ct代表t时刻的神经元状态,Yt代表神经元的输出,W为可训练的权重矩阵,b为偏置向量。
4)5G消息
5G消息是一种基于GSMA国际通讯标准的富媒体消息应用,通过提供直达、便捷、大容量、内容丰富的视频化富媒体信息服务,为客户带来全方位的内容服务和沟通价值。5G消息基于RCS与MaaP(Messaging as a Platform)标准,具有智能交互能力,可发送富媒体卡片等多媒体内容。5G消息系统依托于5GMC(消息中心)以及MaaP(消息即服务平台),5GMC具备处理短消息和基础多媒体消息的能力,能够为5G消息终端提供5G消息/短信的收发。
图2示出了本发明实施例提供的切片投诉处理资源的预估方法的流程图。该方法可由任意具有数据处理能力的计算设备来执行。如图2所示,该方法包括以下步骤:
步骤S210:获取终端用户提交的各切片实例的投诉内容。
其中,投诉内容是指对使用的切片实例的异常投诉,例如,某切片用户反映其在某时段网络频繁掉线,直播视频卡顿明显,或者计算结果下发延时增大等。
步骤S220:根据该投诉内容构建切片实例投诉拓扑图,其中,切片实例拓扑图的节点为各切片实例,边为各切片实例间网元功能共享关系,以及节点特征包括各切片实例在当前时间之前的第一预设时间段内的投诉量时间序列。
具体地,根据该投诉内容涉及的切片实例、切片实例间的共享关系以及切片实例的投诉特征构建切片实例投诉拓扑图,其中,各个切片实例作为该拓扑图的节点;各个切片实例间的网元功能共享关系作为拓扑图的边,其中,投诉涉及的两个切片实例之间共享一个或多个子切片,则表明存在共享关系,反之,若不存在共享的子切片,则表明不存在共享关系;以及,切片实例的投诉特征包括该切片实例在此前的第一预设时间段内的M个时刻分别的投诉量构成的投诉量时间序列,并将该切片实例的投诉特征作为拓扑图的节点特征,其中,该第一预设时间段为紧邻当前时间的一个过去时间段。但是,需要在此说明的是,本发明并不以此投诉特征为限,在另一些可选的实施例中,切片实例的投诉特征还可以包括其他任意可影响切片实例未来的投诉量的特征,例如,包括告警信息,告警程度越高,则投诉量会越高。
步骤S230:将该切片实例拓扑图转化为邻接矩阵和特征矩阵后输入至训练好的切片实例投诉量预测模块中,预测得到在当前时间之后的第二预设时间段内的用户投诉量预测序列。
将切片实例拓扑图转化为矩阵结构的表示,以便输入至预测模块中进行预测。其中,邻接矩阵实质是对拓扑图中节点之间的边的表示,即对共享关系的表示,而特征矩阵是对拓扑图中节点特征的表示。将邻接矩阵和特征矩阵输入至训练好的切片实例投诉量预测模块中,该预测模块通过提取空间特征和时间特征,来完成对未来的投诉量的预测,得到此后第二预设时间段内的L个时刻的预测投诉量组成的投诉量预测序列,其中,该第二预设时间段为紧邻当前时间的一个将来时间段。
步骤S240:根据该用户投诉量预测序列预估投诉处理资源值。
在预测得到投诉量后,则可以依据投诉量预估出处理投诉所需的资源。
根据本实施例提供的切片投诉处理资源的预估方法,根据获取的投诉内容构建切片实例投诉拓扑图,该拓扑图的边为投诉涉及的切片实例间的共享关系,节点特征包括各切片实例在当前时间之前的第一预设时间段内的投诉量时间序列;然后将拓扑图转化为矩阵形式的表示并输入至切片实例投诉量预测模块中,则可以依据投诉涉及的切片实例间的共享关系和历史的投诉量时间序列完成对这些切片实例未来的投诉量的预测,实现投诉量的准确预测;然后根据预测得到的投诉量则可以预估进行投诉处理所需的资源。由此可见,本实施例方案,可以利用切片实例投诉量预测模块实现对投诉量的高效、准确的预测,便与后续对处理资源的预估,提升切片投诉的预测能力、提高切片投诉处理资源预估的准确性、有效增强网络切片处理用户投诉的鲁棒性。
图3示出了本发明另一个实施例提供的切片投诉处理资源的预估方法的流程图。如图3所示,该方法包括以下步骤:
步骤S310:训练得到切片实例投诉量预测模块,该切片实例投诉量预测模块包括图卷积神经网络和长短期记忆网络。
在本实施例中,切片实例投诉量预测模块利用时间图卷积神经网络同时捕获切片实例投诉拓扑的空间和时间依赖关系,其包括图卷积神经网络(GCN)和长短期记忆网络(LSTM),其中,图是指切片实例投诉拓图,与实时预测过程中相似,图中每个节点代表一个切片实例,每条边代表切片实例节点之间的关系,GCN的本质目的就是用来提取切片拓扑图的空间特征,目标是要学习图上的信号或特征的一个映射,输入包括邻接矩阵和特征矩阵,其会产生一个节点级别的输出或图级别的输出。
具体地,收集历史切片投诉并构建多个历史切片实例投诉拓扑图,将该多个历史切片实例投诉拓扑图转化为多组邻接矩阵样本和特征矩阵样本,该从收集历史切片投诉至转化为邻接矩阵样本和特征矩阵样本的过程,可参见前后文中在线预测中的相关说明,此处不再赘述。对该多个历史切片实例投诉拓扑图分别涉及的切片实例对应的真实用户投诉量序列进行标注,得到多组标注结果,对应第i个切片实例,标注未来第二预设时间段内L个时刻的真实用户投诉量,例如,表示为{Yit+1,Yit+2,Yit+3,…,Yit+L-1,Yit+L},该标注可按照实际的投诉量进行,而一个历史切片实例投诉拓扑图中涉及的N个切片实例可标注得到N*L的标注结果,称为一组标注结果。将该多组邻接矩阵样本和特征矩阵样本作为训练输入数据,并输入至初始化后的图卷积神经网络中,该图卷积神经网络学习切片实例投诉拓扑结果并捕获切片实例之间的空间依赖关系,以及,长短期记忆网络用于学习切片实例投诉量的动态变化来捕获切片实例之间的时间依赖关系,预测得到第二预设时间段内的多组用户投诉量预测序列样本;计算该多组用户投诉量预测序列样本的对应的多组标注结果之间的误差,根据该误差进行训练,最终得到训练完成的切片实例投诉量预测模块。
图4示出了本发明一个具体实施例中搭建的切片实例投诉量预测模块的构成示意图。如图4所示,搭建由图卷积网络(GCN)和长短期记忆神经网络(LSTM)组成的时间图卷积神经网络(T-GCN):
第一层为输入层:输入切片实例投诉拓扑图的邻接矩阵样本A和特征矩阵样本X(含各切片实例最近M时刻的投诉量,还可以含各切片实例当前产生的告警);
第二层为图卷积层(Graph Conv):卷积核个数为128(即输出的维度),激活函数设置为“relu”,GCN用于学习切片实例投诉拓扑结构来捕获切片实例之间的空间依赖关系;
第三层为图卷积层(Graph Conv):卷积核个数为128,激活函数设置为“relu”。将得到切片实例投诉拓扑空间特征后的时间序列输入至随后的LSTM层;
第四层为长短期记忆层(LSTM):神经元个数设置为128,激活函数设置为“relu”,LSTM用于学习切片实例的投诉量的动态变化来捕获时间依赖关系;
第五层为长短期记忆层(LSTM):神经元个数设置为128,激活函数设置为“relu”。将提取切片实例投诉拓扑的空间特征和时间特征后的特征向量输入至随后的全连接层;
第六层为全连接层(Dense):神经元个数设置为L,即输出所预测的未来L个时刻各切片实例节点的用户投诉预测值(Yt+L、Yt+L-1……Yt+1),激活函数设置为“relu”。
模型将训练1000个回合(epochs=1000),批处理大小设置为32(batch_size=32),选择均方误差MSE(Mean Squared Error)作为损失函数即目标函数(loss='mean_squared_error'):
梯度下降优化算法选择adam优化器用于改善传统梯度下降的学习速度(optimizer='adam')。神经网络通过梯度下降,可以找到使目标函数最小的最优权重值,神经网络通过训练会自主学习到权重值。模型收敛后导出该模型的权重。
步骤S320:切片管理架构的通信业务管理功能获取5G消息中心接收到的终端用户提交的各切片实例的投诉内容。
各切片实例的终端用户将投诉内容通过5G消息中心(即5GMC)提交至CSMF,借助5GMC实现投诉内容的快捷上传。
其中,获取的投诉内容可以是一个集中时间段内的投诉内容,这些投诉产生的原因可能存在一定的关联,则可以更好的进行资源预估和处理。
步骤S330:根据该投诉内容构建切片实例投诉拓扑图,其中,切片实例拓扑图的节点为各切片实例,边为各切片实例间网元功能共享关系,以及节点特征包括各切片实例在当前时间之前的第一预设时间段内的投诉量时间序列。
步骤S340:将该切片实例拓扑图转化为邻接矩阵和特征矩阵后输入至训练好的切片实例投诉量预测模块中,预测得到在当前时间之后的第二预设时间段内的用户投诉量预测序列。
其中,该邻接矩阵的矩阵元素eij表示切片实例Vi与切片实例Vj之间的连接关系,邻接矩阵为N*N的矩阵,N为切片实例的数量。其中,若切片实例Vi与切片实例Vj之间共享有一个或多个子切片,则认为该两个切片实例节点相连,设置eij为第一连接值,反之,若未共享子切片,则认为该两个切片实例节点不相连,设置eij为第二连接值,例如,相连则为1,不相连则为0。
以及,特征矩阵的矩阵行xi包括第i个切片实例在第一预设时间段内的投诉量时间序列中的M个投诉量值,例如,xi表示为{Xit-M+1、…、Xit-2、Xit-1、Xit},相应的特征矩阵可为N*M的矩阵,其中,N为切片实例的数量。
具体地,在将该切片实例拓扑图转化为邻接矩阵和特征矩阵之后,还需要对该特征矩阵进行数据归一化处理,得到归一化后的特征矩阵,具体处理为:(X-mean)/std,其中,计算时对每个维度分别进行,将数据(X)按属性(按列进行)减去其均值(mean),并除以其方差(std),标准化后将提升模型的收敛速度、提升模型的精度。相应的,则将邻接矩阵和归一化后的特征矩阵输入至训练好的切片实例投诉量预测模块。
另外,在本发明的一些可选的实施例中,该节点特征还包括各切片实例当前产生的告警信息,该特征矩阵的矩阵行xi还包括第i个切片实例当前产生的告警信息。在这些可选的实施例中,通过将告警信息也作为节点特征,在与测试则可考虑到告警因素,提高预测的准确性。
需要在此说明的是,本发明中预测得到的是各个切片实例在当前时间之后的第二预设时间段内的用户投诉量预测序列,即会输出每个切片实例的用户投诉量预测序列。
步骤S350:根据该用户投诉量预测序列预估投诉处理资源值。
具体地,在本发明实施例中,可使用切片投诉处理资源预估模块来进行预估,针对任一切片实例,通过比较得到该切片实例的用户投诉量预测序列中包含的多个用于投诉量预测值中的最大值,例如,找出M个预测值中的最大值;将该最大值输入至切片投诉处理资源预估模块中,该切片投诉处理资源预估模块通过计算该最大值与每个处理资源的最大并发数的比值,预估得到投诉处理资源值,该投诉处理资源即为处理该切片实例的投诉所需的资源。
图5示出了本发明一个具体的切片投诉处理资源的预估方案的完整流程图。如图5所示,该完整流程如下:
1)各切片实例的终端用户将投诉内容通过5GMC(5G消息中心)提交至CSMF;
2)由CSMF构建以切片实例作为图的节点、切片实例间网元功能共享关系作为图的边、以切片实例的最近时间段M的投诉量时间序列作为节点特征的切片实例投诉拓扑图;
3)将切片实例投诉拓扑图转化为切片投诉邻接矩阵A和切片投诉特征矩阵X,邻接矩阵A为切片实例间的连接关系,特征矩阵X为含切片实例最近M时刻的用户投诉量时间序列的特征表示;
4)将切片投诉特征矩阵X输入至数据预处理模块进行数据归一化处理,将经预处理后的邻接矩阵A和特征矩阵X输入至基于时间图网络的切片实例投诉量预测模块;
5)模型经过预训练完毕的时间图网络模型计算后输出未来时间长度为L的各切片实例的用户投诉预测值;
6)取各切片实例的用户投诉预测值中的最大值输入至切片投诉处理资源预估模块,所需5GMC提供投诉处理资源计算方式为:各切片实例的用户投诉总预测值中的最大值/每个处理资源的最大并发数。并将投诉处理资源建议值反馈至5GMC。
根据本实施例提供的切片投诉处理资源的预估方法,各切片实例的终端用户投诉通过5GMC(5G消息中心)提交至CSMF,由CSMF构建以切片实例作为图的节点、切片实例间网元功能共享关系作为图的边、以切片实例的最近时间段M的投诉量时间序列作为节点特征的切片实例投诉拓扑图,利用时间图卷积神经网络同时捕获切片实例投诉拓扑的空间和时间依赖关系,切片实例投诉量预测模块包含图卷积网络(GCN)和长短期记忆神经网络(LSTM),GCN用于学习切片实例投诉拓扑结构来捕获切片实例之间的空间依赖关系,LSTM用于学习切片实例投诉量的动态变化来捕获时间依赖关系。最后取各切片实例的用户投诉预测值中的最大值输入至切片投诉处理资源预估模块,所需5GMC提供投诉处理资源计算方式为:各切片实例的用户投诉总预测值中的最大值/每个处理资源的最大并发数。从而提升切片投诉的预测能力、提高切片投诉处理资源预估的准确性、有效增强网络切片处理用户投诉的鲁棒性。
图6示出了本发明实施例提供的切片投诉处理资源的预估装置的结构示意图。如图6所示,该装置包括:
获取模块610,适于获取终端用户提交的各切片实例的投诉内容;
构建模块620,适于根据所述投诉内容构建切片实例投诉拓扑图,其中,切片实例拓扑图的节点为各切片实例,边为各切片实例间网元功能共享关系,以及节点特征包括各切片实例在当前时间之前的第一预设时间段内的投诉量时间序列;
预测模块630,适于将所述切片实例拓扑图转化为邻接矩阵和特征矩阵后输入至训练好的切片实例投诉量预测模块中,预测得到在当前时间之后的第二预设时间段内的用户投诉量预测序列;
预估模块640,适于根据所述用户投诉量预测序列预估投诉处理资源值。
在一种可选的方式中,所述邻接矩阵的矩阵元素eij表示切片实例Vi与切片实例Vj之间的连接关系;以及,
特征矩阵的矩阵行xi包括第i个切片实例在第一预设时间段内的投诉量时间序列中的M个投诉量值。
在一种可选的方式中,所述节点特征还包括各切片实例当前产生的告警信息;
所述特征矩阵的矩阵行xi还包括第i个切片实例当前产生的告警信息。
在一种可选的方式中,所述预估模块进一步适于:
针对任一切片实例,比较得到所述切片实例的用户投诉量预测序列中包含的多个用于投诉量预测值中的最大值;
将所述最大值输入至切片投诉处理资源预估模块中,所述切片投诉处理资源预估模块通过计算所述最大值与每个处理资源的最大并发数的比值,预估得到所述切片实例的投诉处理资源值。
在一种可选的方式中,所述装置还包括:预处理模块,适于:
对所述特征矩阵进行数据归一化处理,得到归一化后的特征矩阵;
所述输入至训练好的切片实例投诉量预测模块具体为:将邻接矩阵和归一化后的特征矩阵输入至训练好的切片实例投诉量预测模块。
在一种可选的方式中,所述获取模块进一步适于:
切片管理架构的通信业务管理功能获取5G消息中心接收到的终端用户提交的各切片实例的投诉内容。
在一种可选的方式中,所述切片实例投诉量预测模块包括图卷积神经网络和长短期记忆网络;
所述装置还包括:训练模块,适于:
收集历史切片投诉并构建多个历史切片实例投诉拓扑图,将所述多个历史切片实例投诉拓扑图转化为多组邻接矩阵样本和特征矩阵样本,并对所述多个历史切片实例投诉拓扑图分别涉及的切片实例对应的真实用户投诉量序列进行标注,得到多组标注结果;
将所述多组邻接矩阵样本和特征矩阵样本作为训练输入数据,并输入至初始化后的图卷积神经网络中,所述图卷积神经网络学习切片实例投诉拓扑结果并捕获切片实例之间的空间依赖关系,以及,长短期记忆网络用于学习切片实例投诉量的动态变化来捕获切片实例之间的时间依赖关系,预测得到第二预设时间段内的多组用户投诉量预测序列样本;
计算所述多组用户投诉量预测序列样本的对应的多组标注结果之间的误差,根据所述误差进行训练,最终得到训练完成的切片实例投诉量预测模块。
本发明实施例提供了一种非易失性计算机存储介质,所述计算机存储介质存储有至少一可执行指令,该计算机可执行指令可执行上述任意方法实施例中的切片投诉处理资源的预估方法。
图7示出了本发明实施例提供的计算设备的结构示意图,本发明具体实施例并不对计算设备的具体实现做限定。
如图7所示,该计算设备可以包括:处理器(processor)702、通信接口(Communications Interface)704、存储器(memory)706、以及通信总线708。
其中:处理器702、通信接口704、以及存储器706通过通信总线708完成相互间的通信。通信接口704,用于与其它设备比如客户端或其它服务器等的网元通信。处理器702,用于执行程序710,具体可以执行上述用于计算设备的切片投诉处理资源的预估方法实施例中的相关步骤。
具体地,程序710可以包括程序代码,该程序代码包括计算机操作指令。
处理器702可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器706,用于存放程序710。存储器706可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序710具体可以用于使得处理器702执行以下操作:
获取终端用户提交的各切片实例的投诉内容;
根据所述投诉内容构建切片实例投诉拓扑图,其中,切片实例拓扑图的节点为各切片实例,边为各切片实例间网元功能共享关系,以及节点特征包括各切片实例在当前时间之前的第一预设时间段内的投诉量时间序列;
将所述切片实例拓扑图转化为邻接矩阵和特征矩阵后输入至训练好的切片实例投诉量预测模块中,预测得到在当前时间之后的第二预设时间段内的用户投诉量预测序列;
根据所述用户投诉量预测序列预估投诉处理资源值。
在一种可选的方式中,所述邻接矩阵的矩阵元素eij表示切片实例Vi与切片实例Vj之间的连接关系;以及,
特征矩阵的矩阵行xi包括第i个切片实例在第一预设时间段内的投诉量时间序列中的M个投诉量值。
在一种可选的方式中,所述节点特征还包括各切片实例当前产生的告警信息;
所述特征矩阵的矩阵行xi还包括第i个切片实例当前产生的告警信息。
在一种可选的方式中,所述程序710使所述处理器702执行以下操作:
针对任一切片实例,比较得到所述切片实例的用户投诉量预测序列中包含的多个用于投诉量预测值中的最大值;
将所述最大值输入至切片投诉处理资源预估模块中,所述切片投诉处理资源预估模块通过计算所述最大值与每个处理资源的最大并发数的比值,预估得到所述切片实例的投诉处理资源值。
在一种可选的方式中,所述程序710使所述处理器702执行以下操作:
对所述特征矩阵进行数据归一化处理,得到归一化后的特征矩阵;
将邻接矩阵和归一化后的特征矩阵输入至训练好的切片实例投诉量预测模块。
在一种可选的方式中,所述程序710使所述处理器702执行以下操作:
切片管理架构的通信业务管理功能获取5G消息中心接收到的终端用户提交的各切片实例的投诉内容。
在一种可选的方式中,所述切片实例投诉量预测模块包括图卷积神经网络和长短期记忆网络;
所述程序710使所述处理器702执行以下操作:
收集历史切片投诉并构建多个历史切片实例投诉拓扑图,将所述多个历史切片实例投诉拓扑图转化为多组邻接矩阵样本和特征矩阵样本,并对所述多个历史切片实例投诉拓扑图分别涉及的切片实例对应的真实用户投诉量序列进行标注,得到多组标注结果;
将所述多组邻接矩阵样本和特征矩阵样本作为训练输入数据,并输入至初始化后的图卷积神经网络中,所述图卷积神经网络学习切片实例投诉拓扑结果并捕获切片实例之间的空间依赖关系,以及,长短期记忆网络用于学习切片实例投诉量的动态变化来捕获切片实例之间的时间依赖关系,预测得到第二预设时间段内的多组用户投诉量预测序列样本;
计算所述多组用户投诉量预测序列样本的对应的多组标注结果之间的误差,根据所述误差进行训练,最终得到训练完成的切片实例投诉量预测模块。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明实施例的内容,并且上面对特定语言所做的描述是为了披露本发明实施例的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明实施例并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明实施例要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明实施例还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明实施例的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明实施例进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明实施例可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤,除有特殊说明外,不应理解为对执行顺序的限定。
Claims (10)
1.一种切片投诉处理资源的预估方法,包括:
获取终端用户提交的各切片实例的投诉内容;
根据所述投诉内容构建切片实例投诉拓扑图,其中,切片实例拓扑图的节点为各切片实例,边为各切片实例间网元功能共享关系,以及节点特征包括各切片实例在当前时间之前的第一预设时间段内的投诉量时间序列;
将所述切片实例拓扑图转化为邻接矩阵和特征矩阵后输入至训练好的切片实例投诉量预测模块中,预测得到在当前时间之后的第二预设时间段内的用户投诉量预测序列;
根据所述用户投诉量预测序列预估投诉处理资源值。
2.根据权利要求1所述的方法,其中,所述邻接矩阵的矩阵元素eij表示切片实例Vi与切片实例Vj之间的连接关系;以及,
特征矩阵的矩阵行xi包括第i个切片实例在第一预设时间段内的投诉量时间序列中的M个投诉量值。
3.根据权利要求2所述的方法,其中,所述节点特征还包括各切片实例当前产生的告警信息;
所述特征矩阵的矩阵行xi还包括第i个切片实例当前产生的告警信息。
4.根据权利要求3所述的方法,其中,所述根据所述用户投诉量预测值预估投诉处理资源值进一步包括:
针对任一切片实例,比较得到所述切片实例的用户投诉量预测序列中包含的多个用于投诉量预测值中的最大值;
将所述最大值输入至切片投诉处理资源预估模块中,所述切片投诉处理资源预估模块通过计算所述最大值与每个处理资源的最大并发数的比值,预估得到所述切片实例的投诉处理资源值。
5.根据权利要求4所述的方法,其中,在所述将所述切片实例拓扑图转化为邻接矩阵和特征矩阵之后,所述方法还包括:
对所述特征矩阵进行数据归一化处理,得到归一化后的特征矩阵;
所述输入至训练好的切片实例投诉量预测模块具体为:将邻接矩阵和归一化后的特征矩阵输入至训练好的切片实例投诉量预测模块。
6.根据权利要求5所述的方法,其中,所述获取终端用户提交的各切片实例的投诉内容进一步包括:
切片管理架构的通信业务管理功能获取5G消息中心接收到的终端用户提交的各切片实例的投诉内容。
7.根据权利要求1-6任一项所述的方法,其中,所述切片实例投诉量预测模块包括图卷积神经网络和长短期记忆网络;
所述切片实例投诉量预测模块通过以下步骤训练得到:
收集历史切片投诉并构建多个历史切片实例投诉拓扑图,将所述多个历史切片实例投诉拓扑图转化为多组邻接矩阵样本和特征矩阵样本,并对所述多个历史切片实例投诉拓扑图分别涉及的切片实例对应的真实用户投诉量序列进行标注,得到多组标注结果;
将所述多组邻接矩阵样本和特征矩阵样本作为训练输入数据,并输入至初始化后的图卷积神经网络中,所述图卷积神经网络学习切片实例投诉拓扑结果并捕获切片实例之间的空间依赖关系,以及,长短期记忆网络用于学习切片实例投诉量的动态变化来捕获切片实例之间的时间依赖关系,预测得到第二预设时间段内的多组用户投诉量预测序列样本;
计算所述多组用户投诉量预测序列样本的对应的多组标注结果之间的误差,根据所述误差进行训练,最终得到训练完成的切片实例投诉量预测模块。
8.一种切片投诉处理资源的预估装置,包括:
获取模块,适于获取终端用户提交的各切片实例的投诉内容;
构建模块,适于根据所述投诉内容构建切片实例投诉拓扑图,其中,切片实例拓扑图的节点为各切片实例,边为各切片实例间网元功能共享关系,以及节点特征包括各切片实例在当前时间之前的第一预设时间段内的投诉量时间序列;
预测模块,适于将所述切片实例拓扑图转化为邻接矩阵和特征矩阵后输入至训练好的切片实例投诉量预测模块中,预测得到在当前时间之后的第二预设时间段内的用户投诉量预测序列;
预估模块,适于根据所述用户投诉量预测序列预估投诉处理资源值。
9.一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的切片投诉处理资源的预估方法对应的操作。
10.一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如权利要求1-7中任一项所述的切片投诉处理资源的预估方法对应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010560327.XA CN113822454B (zh) | 2020-06-18 | 2020-06-18 | 切片投诉处理资源的预估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010560327.XA CN113822454B (zh) | 2020-06-18 | 2020-06-18 | 切片投诉处理资源的预估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113822454A true CN113822454A (zh) | 2021-12-21 |
CN113822454B CN113822454B (zh) | 2023-08-18 |
Family
ID=78911899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010560327.XA Active CN113822454B (zh) | 2020-06-18 | 2020-06-18 | 切片投诉处理资源的预估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113822454B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113949633A (zh) * | 2020-06-29 | 2022-01-18 | 中国移动通信集团浙江有限公司 | 基于机器学习的5g网络切片容灾池资源管理方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106921507A (zh) * | 2015-12-25 | 2017-07-04 | 株式会社日立制作所 | 在无线通信网络中对用户投诉进行预测的方法和装置 |
CN110691384A (zh) * | 2019-10-23 | 2020-01-14 | 中国联合网络通信集团有限公司 | 一种网络切片使用方法及装置 |
CN111132190A (zh) * | 2019-11-28 | 2020-05-08 | 中通服建设有限公司 | 基站负荷预警方法、装置 |
CN111292105A (zh) * | 2018-12-06 | 2020-06-16 | 北京嘀嘀无限科技发展有限公司 | 一种业务需求确定方法以及装置 |
-
2020
- 2020-06-18 CN CN202010560327.XA patent/CN113822454B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106921507A (zh) * | 2015-12-25 | 2017-07-04 | 株式会社日立制作所 | 在无线通信网络中对用户投诉进行预测的方法和装置 |
CN111292105A (zh) * | 2018-12-06 | 2020-06-16 | 北京嘀嘀无限科技发展有限公司 | 一种业务需求确定方法以及装置 |
CN110691384A (zh) * | 2019-10-23 | 2020-01-14 | 中国联合网络通信集团有限公司 | 一种网络切片使用方法及装置 |
CN111132190A (zh) * | 2019-11-28 | 2020-05-08 | 中通服建设有限公司 | 基站负荷预警方法、装置 |
Non-Patent Citations (1)
Title |
---|
钟鼎;: "基于神经网络的4G用户感知预警模型构建和应用", 电信技术, no. 11, pages 76 - 78 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113949633A (zh) * | 2020-06-29 | 2022-01-18 | 中国移动通信集团浙江有限公司 | 基于机器学习的5g网络切片容灾池资源管理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113822454B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108959319B (zh) | 信息推送方法和装置 | |
CN113541986B (zh) | 5g切片的故障预测方法、装置及计算设备 | |
CN116489038A (zh) | 网络流量的预测方法、装置、设备和介质 | |
CN115439192A (zh) | 医疗商品信息的推送方法及装置、存储介质、计算机设备 | |
CN112202584B (zh) | 告警关联方法、装置、计算设备及计算机存储介质 | |
CN113822454B (zh) | 切片投诉处理资源的预估方法及装置 | |
CN112651534A (zh) | 一种预测资源供应链需求量的方法、装置及存储介质 | |
CN113825165A (zh) | 基于时间图网络的5g切片网络拥塞预警方法及装置 | |
CN113765683A (zh) | 网络切片的割接告警屏蔽方法及装置 | |
CN113806498B (zh) | 网络切片实例运行状况的在线问答方法及装置 | |
CN113949633A (zh) | 基于机器学习的5g网络切片容灾池资源管理方法及装置 | |
CN114374660B (zh) | 5g消息聊天机器人的推荐方法、装置、设备及存储介质 | |
CN113822453B (zh) | 5g切片的多用户投诉共性确定方法及装置 | |
CN109474696A (zh) | 一种网络服务方法、装置、电子设备及可读存储介质 | |
CN115705464A (zh) | 一种信息的处理方法、装置及设备 | |
CN113993148A (zh) | 基于机器学习的5g网络切片容灾切换方法及装置 | |
CN115858911A (zh) | 信息推荐方法、装置、电子设备及计算机可读存储介质 | |
CN113810212B (zh) | 5g切片用户投诉的根因定位方法及装置 | |
CN113747480A (zh) | 5g切片故障的处理方法、装置及计算设备 | |
CN112990425A (zh) | 5g网络切片的自动分类方法、其装置、电子设备及计算机存储介质 | |
CN113411841A (zh) | 5g切片的割接合并方法、装置及计算设备 | |
CN113259145A (zh) | 网络切片的端到端组网方法、组网装置及网络切片设备 | |
CN117041121B (zh) | 基于数据挖掘的物联网异常监测方法及系统 | |
CN113762978B (zh) | 5g切片用户的投诉定界方法、装置及计算设备 | |
CN113825151B (zh) | 基于关系图卷积网络的切片告警间关系预测方法及装置 |
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 |