CN114118748A - 一种服务质量预测方法、装置、电子设备及存储介质 - Google Patents

一种服务质量预测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114118748A
CN114118748A CN202111348129.8A CN202111348129A CN114118748A CN 114118748 A CN114118748 A CN 114118748A CN 202111348129 A CN202111348129 A CN 202111348129A CN 114118748 A CN114118748 A CN 114118748A
Authority
CN
China
Prior art keywords
base station
service
user
data
service quality
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
Application number
CN202111348129.8A
Other languages
English (en)
Other versions
CN114118748B (zh
Inventor
王泽林
李亚梦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China United Network Communications Group Co Ltd
Original Assignee
China United Network Communications Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN202111348129.8A priority Critical patent/CN114118748B/zh
Publication of CN114118748A publication Critical patent/CN114118748A/zh
Application granted granted Critical
Publication of CN114118748B publication Critical patent/CN114118748B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • 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
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/288—Entity relationship models
    • 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
    • G06N3/08—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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请公开了一种服务质量预测方法、装置、电子设备及存储介质，涉及通信领域，用以解决现有技术中如何预先对用户业务的服务质量进行预测的问题，包括：获取历史数据；根据历史数据，确定知识图谱；根据知识图谱，确定图谱时序特征编码；获取多个用户对应的至少一个基站的基站属性数据和基站拓扑数据，确定基站空间特征编码；根据图谱时序特征编码和基站空间特征编码，对构建的服务质量预测模型进行训练；将待预测用户对应的图谱时序特征编码和待预测用户连接基站的基站空间特征编码，输入训练完成的服务质量预测模型中，确定待预测用户的服务质量预测结果。本申请用于对用户业务的服务质量的预测。

Description

一种服务质量预测方法、装置、电子设备及存储介质
技术领域
本申请涉及通信领域，尤其涉及一种服务质量预测方法、装置、电子设备及存储介质。
背景技术
近年来，在无线通信网络飞速发展的同时,用户对于业务的速率与质量的要求也不断提升。因此，运营商需要在无线通信网络中保障业务的服务质量。而预先对用户业务的服务质量进行预测，并根据预测结果提前对用户的业务进行保障，能够有效提高用户的业务体验。
现阶段未提供预先对用户业务的服务质量进行预测的有效方案。
发明内容
本申请提供一种服务质量预测方法、装置、电子设备及存储介质，用以解决现有技术中如何预先对用户业务的服务质量进行预测的问题。
为达到上述目的，本申请采用如下技术方案：
第一方面，本申请提供一种服务质量预测方法，包括：获取历史数据，历史数据包括多个用户的服务数据和用户属性数据；多个用户的服务数据包括多个用户在历史时刻对应的业务属性数据和终端属性数据。根据历史数据，确定知识图谱；知识图谱用于表征在历史时刻时用户、业务与终端的属性，以及用户与业务之间、用户与终端之间的对应关系。根据知识图谱，确定图谱时序特征编码。获取多个用户对应的至少一个基站的基站属性数据和基站拓扑数据，并根据至少一个基站的基站属性数据和基站拓扑数据，确定基站空间特征编码。根据图谱时序特征编码和基站空间特征编码，对构建的服务质量预测模型进行训练。将待预测用户对应的图谱时序特征编码和待预测用户连接基站的基站空间特征编码，输入训练完成的服务质量预测模型中，确定待预测用户的服务质量预测结果。
基于上述技术方案，本申请能够带来以下有益效果：本申请通过对历史数据中的用户、业务及终端三个实体，和这三个实体之间的对应关系，来构建知识图谱的结构，并根据知识图谱和基站基站属性数据和基站拓扑数据，确定用于训练服务质量预测模型的图谱时序特征编码和基站空间特征编码。之后，将待预测用户的在知识图谱中的图谱时序特征编码和所连接基站的基站空间特征编码输入训练好的服务质量预测模型中，获取待预测用户的服务质量预测结果。由此，本申请基于知识图谱的时序数据和基站的空间信息，实现了对待预测用户的业务服务质量的精准预测，从而支撑运营商实现更加优越的业务服务质量保障，提高了用户的业务体验。
在一种可能的实现方式中，根据知识图谱，确定图谱时序特征编码，具体包括：根据预设规则，对知识图谱中的数据进行编码。对进行编码后的知识图谱中的数据进行数据拼接，确定初始编码。根据初始编码和长短期记忆网络LSTM算法，确定图谱时序特征编码。
在一种可能的实现方式中，根据至少一个基站的基站属性数据和基站拓扑数据，确定基站空间特征编码，具体包括：根据至少一个基站的基站属性数据和基站拓扑数据，构建基站拓扑关系。根据基站拓扑关系和Node2vec模型法，确定基站空间特征编码。
在一种可能的实现方式中，根据历史数据，确定知识图谱，具体包括：对历史数据中的服务数据和用户属性数据化进行数据提取操作，确定用户、业务与终端的属性，以及用户与业务之间、用户与终端之间的对应关系。根据用户、业务与终端的属性，以及用户与业务之间、用户与终端之间的对应关系，确定知识图谱。
在一种可能的实现方式中，上述方法还包括：基于独热one-hot编码算法、concat函数和双曲正切tanh函数，构建服务质量预测模型。根据均方误差MSE，对服务质量预测模型的准确率进行评估；若准确率满足预设要求，则确定服务质量预测模型训练完成。
第二方面，本申请提供一种服务质量预测装置，该服务质量预测装置包括：获取单元和处理单元。获取单元，用于获取历史数据，历史数据包括多个用户的服务数据和用户属性数据；多个用户的服务数据包括多个用户在历史时刻对应的业务属性数据和终端属性数据。处理单元，用于根据历史数据，确定知识图谱；知识图谱用于表征在历史时刻时用户、业务与终端的属性，以及用户与业务之间、用户与终端之间的对应关系。处理单元，还用于根据知识图谱，确定图谱时序特征编码。获取单元，还用于获取多个用户对应的至少一个基站的基站属性数据和基站拓扑数据。处理单元，还用于根据至少一个基站的基站属性数据和基站拓扑数据，确定基站空间特征编码。处理单元，还用于根据图谱时序特征编码和基站空间特征编码，对构建的服务质量预测模型进行训练。处理单元，还用于将待预测用户对应的图谱时序特征编码和待预测用户连接基站的基站空间特征编码，输入训练完成的服务质量预测模型中，确定待预测用户的服务质量预测结果。
在一种可能的实现方式中，处理单元，还用于根据预设规则，对知识图谱中的数据进行编码。处理单元，还用于对进行编码后的知识图谱中的数据进行数据拼接，确定初始编码。处理单元，还用于根据初始编码和长短期记忆网络LSTM算法，确定图谱时序特征编码。
在一种可能的实现方式中，处理单元，还用于根据至少一个基站的基站属性数据和基站拓扑数据，构建基站拓扑关系。处理单元，还用于根据基站拓扑关系和Node2vec模型法，确定基站空间特征编码。
在一种可能的实现方式中，处理单元，还用于对历史数据中的服务数据和用户属性数据化进行数据提取操作，确定用户、业务与终端的属性，以及用户与业务之间、用户与终端之间的对应关系。处理单元，还用于根据用户、业务与终端的属性，以及用户与业务之间、用户与终端之间的对应关系，确定知识图谱。
在一种可能的实现方式中，处理单元，还用于基于独热one-hot编码算法、concat函数和双曲正切tanh函数，构建服务质量预测模型。处理单元，还用于根据均方误差MSE，对服务质量预测模型的准确率进行评估；若准确率满足预设要求，则确定服务质量预测模型训练完成。
此外，第二方面所述的服务质量预测装置的技术效果可以参考上述第一方面所述的服务质量预测方法的技术效果，此处不再赘述。
第三方面，本申请提供一种存储一个或多个程序的计算机可读存储介质，该一个或多个程序包括指令，上述指令当被本申请的电子设备执行时使电子设备执行如第一方面和第一方面的任一种可能的实现方式中所描述的服务质量预测方法。
第四方面，本申请提供一种电子设备，包括：处理器以及存储器；其中，存储器用于存储一个或多个程序，一个或多个程序包括计算机执行指令，当电子设备运行时，处理器执行存储器存储的计算机执行指令，以使电子设备执行如第一方面和第一方面的任一种可能的实现方式中所描述的服务质量预测方法。
第五方面，本申请提供一种包含指令的计算机程序产品，当该指令在计算机上运行时，使得本申请的电子设备执行如第一方面和第一方面的任一种可能的实现方式中所描述的服务质量预测方法。
第六方面，本申请提供一种芯片系统，该芯片系统应用于服务质量预测装置；所述芯片系统包括一个或多个接口电路，以及一个或多个处理器。所述接口电路和所述处理器通过线路互联；所述接口电路用于从所述服务质量预测装置的存储器接收信号，并向所述处理器发送所述信号，所述信号包括所述存储器中存储的计算机指令。当所述处理器执行所述计算机指令时，所述服务质量预测装置执行如第一方面及其任一种可能的设计方式所述的服务质量预测方法。
附图说明
图1为本申请的实施例提供的一种服务质量预测方法的流程示意图；
图2为本申请的实施例提供的另一种服务质量预测方法的流程示意图；
图3为本申请的实施例提供的另一种服务质量预测方法的流程示意图；
图4为本申请的实施例提供的另一种服务质量预测方法的流程示意图；
图5为本申请的实施例提供的一种服务质量预测装置的结构示意图；
图6为本申请的实施例提供的另一种服务质量预测装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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它实施例，都属于本申请保护的范围。
本文中字符“/”，一般表示前后关联对象是一种“或者”的关系。例如，A/B可以理解为A或者B。
本申请的说明书和权利要求书中的术语“第一”和“第二”是用于区别不同的对象，而不是用于描述对象的特定顺序。例如，第一边缘服务节点和第二边缘服务节点是用于区别不同的边缘服务节点，而不是用于描述边缘服务节点的特征顺序。
此外，本申请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，而是可选地还包括其他没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
另外，在本申请实施例中，“示例性的”、或者“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例性的”或“例如”的任何实施例或设计方案不应被解释为比其它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概念。
为了便于理解本申请的技术方案，下面对一些技术术语进行介绍。
1、基站
基站主要用于实现终端设备的资源调度、无线资源管理、无线接入控制等功能。基站可以包括各种形式的基站，例如：宏基站，微基站(也称为小站)，中继站，接入点等。具体可以为：是无线局域网(Wireless Local Area Network，WLAN)中的接入点(access point，AP)，全球移动通信系统(Global System for Mobile Communications，GSM)或码分多址接入(Code Division Multiple Access，CDMA)中的基站(Base Transceiver Station，BTS)，也可以是宽带码分多址(Wideband Code Division Multiple Access，WCDMA)中的基站(NodeB，NB)，还可以是LTE中的演进型基站(Evolved Node B，eNB或eNodeB)，或者中继站或接入点，或者车载设备、可穿戴设备以及未来5G网络中的下一代节点B(The NextGeneration Node B，gNB)或者未来演进的公用陆地移动网(Public Land MobileNetwork，PLMN)网络中的基站等。
2、知识图谱
知识图谱，在图书情报界称为知识域可视化或知识领域映射地图，是显示知识发展进程与结构关系的一系列各种不同的图形，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。针对用户-终端-业务设计知识图谱并存储，可以有效的提高数据的质量、科学性、真实性，提高上层应用的准确性和用户体验。
在本申请中，知识图谱用于存储用户、业务与终端三个实体概念的属性数据，以及这三个实体之间的对应关系。
3、长短期记忆网络(LSTM，Long Short-Term Memory)算法
LSTM算法是一种时间循环神经网络，是为了解决一般的循环神经网络存在的长期依赖问题而专门设计出来的，所有的循环神经网络都具有一种重复神经网络模块的链式形式。
由于独特的设计结构，LSTM算法适合于处理和预测时间序列中间隔和延迟非常长的重要事件。
在本申请中，LSTM算法用于将知识图谱中存储的数据与时间戳相结合，来确定图谱时序特征编码。
4、独热(one-hot)编码
One-Hot编码，又称为一位有效编码，主要是采用N位状态寄存器来对N个状态进行编码，每个状态都有他独立的寄存器位，并且在任意时候只有一位有效。
One-Hot编码是分类变量作为二进制向量的表示。这首先要求将分类值映射到整数值。然后，每个整数值被表示为二进制向量，除了整数的索引之外，它都是零值，它被标记为1。例如，针对性别特征[“男”，“女”]，按照N位状态寄存器来对N个状态进行编码的原理，对其进行处理后得到：[10,01]。其中，10代表“男”，01代表“女”。
本申请中根据One-Hot编码将图谱时序特征编码和基站空间特征编码中包含的非编码数据，转换成能够用于函数运算的编码数据。
5、concat函数
CONCAT函数是一个SQL字符串函数，可将两个或两个以上的字符表达式连接成一个字符串。
本申请中根据CONCAT函数来构建服务质量预测模型。
6、tanh函数
Tanh函数又称双曲正切函数，其解析式为：
Figure BDA0003354737680000061
本申请中根据Tanh函数来构建服务质量预测模型。
7、node2vec模型法
node2vec模型法是一种网络嵌入的表示方法，它是基于深度学习DeepWalk方法的基础上进行改进的。主要改进的地方在于它在随机游走的过程中加入了一个权重，使得游走可以采用深度优先和广度优先的策略进行游走。
本申请中根据node2vec模型法来确定基站空间特征编码。
8、均方误差(Mean Squared Error，MSE)
MSE是指参数估计值与参数真值之差平方的期望值。MSE可以评价数据的变化程度，MSE的值越小，说明预测模型描述实验数据具有更好的精确度。
本申请中根据MSE来对服务质量预测模型的预测结果的准确率进行评估。
以上对本申请中的一些技术术语进行了介绍。
现阶段，无线通信的各方面技术飞速发展。先进的信道编码、多天线、功率分配、接入协议、路由协议等技术的发展使得无线通信网络的速率和质量不断得到提高。然而在无线通信网络飞速发展的同时，用户对于业务的速率与质量的要求也不断提升，例如，用户所使用的主体业务从对传输速率要求较低的文本和图片传输业务(如电子邮件收发、文字聊天、网页浏览等)发展为对传输速率和服务质量要求很高的业务(如视频电话、流媒体视频下载、在线点播等)。另一方面，为了减少无线通信网络能耗进而提高网络的效率，以及减少环境污染，需要开发具有高功率效率的无线通信网络。因此，为了满足高频谱效率、高功率效率的需求，近几年来诞生了一些高效的无线通信网络架构,如全双工网络、虚拟多天线网络、终端直通网、飞蜂窝网络、无线节能网络等。然而，在提供高频谱效率、高功率效率的同时，如何在这些高效的无线通信网络中保障业务的服务质量需求仍然未得到较好解决。运营商需要在无线通信网络中保障业务的服务质量，而预先对用户业务的服务质量进行预测，并根据预测结果提前对用户的业务进行保障，能够有效提高用户的业务体验。然而，现阶段未提供预先对用户业务的服务质量进行预测的有效方案。
例如，现有技术中公开了一种多基站多用户网络的调度方法，包括以下步骤：a)在当前时隙网络中每个基站按照其服务用户的服务概率，从对应用户中选择一个目标用户进行数据传输，并计算每个对应用户处的梯度分量；b)根据所述梯度分量更新下一个时隙基站服务用户的服务概率；以及c)重复步骤a和步骤b以执行网络中多基站服务多用户的任务调度。然而，该方法仅从基站的状态和数据吐吞量来考虑，未考虑用户侧的综合信息，无法实现对业务服务质量的有效预测。
又如，现有技术中公开了一种多基站多用户的全局比例公平性调度方法，包括以下步骤：在第一个时隙，初始化所有平均吞吐量；对所有的基站，选择每个基站在第t个时隙传输的用户；对所有的基站，设置第t个时隙的用户选择示性函数的值；每个基站更新各自的平均吞吐量；所有基站互相广播各自的平均吞吐量；每个基站获取每个用户从所有基站获得的总平均吞吐量。
再如，一种服务质量管控方法和系统，涉及移动通信网络技术领域。本公开的一种服务质量管控方法，包括：SCEF收到QoS服务请求，查询确定用户所属基站；SCEF根据用户所属基站向SNCF查询，获取当前网络态势评价结果；SCEF根据当前网络态势评价结果确定是否提供QoS服务请求中请求的服务。通过这样的方法，能够在保证当前网络能够支撑对应等级的服务，以及对其他用户的影响在允许范围内的情况下，才进行对应的QoS等级服务的提供，从而保障QoS服务的效果，也有助于维持网络和服务的稳定。
然而，上述两种现有方案考虑了多基站的情况，但没有明确指出如何建立基站之间的关系，也指出如何建立一种用户可以灵活和所有基站进行连接的关系，有一定的限制性，无法实现对业务服务质量的有效预测。
为解决上述现有方案中存在的问题，本申请实施例提供了一种服务质量预测方法及装置。其中，服务质量预测装置首先获取历史数据，该历史数据包括了多个用户的融合通信(rich communication suite，RCS)服务数据和用户属性数据。进而，服务质量预测装置对历史数据中的服务数据和用户属性数据进行数据提取操作，获取用户、业务与终端这三个实体概念的属性，以及这三个实体之间的对应关系，由此确定知识图谱。并且，服务质量预测装置根据知识图谱，确定图谱时序特征编码；根据基站多个用户对应的至少一个基站的基站属性数据和基站拓扑数据，确定基站空间特征编码。在此之后，服务质量预测装置根据图谱时序特征编码和基站空间特征编码对构建的服务质量预测模型进行训练。最后，将服务质量预测装置将待预测用户的对应的图谱时序特征编码和待预测用户连接基站的基站空间特征编码，输入训练完成的服务质量预测模型中，确定待预测用户的服务质量预测结果。由此，本申请基于知识图谱的时序数据和基站的空间信息，实现了对待预测用户的业务服务质量的精准预测，从而支撑运营商实现更加优越的业务服务质量保障，提高了用户的业务体验。
在本申请提供的服务质量预测方法中，执行主体是服务质量预测装置。该服务质量预测装置可以是一种电子设备(例如电脑终端、服务器)，还可以是电子设备中的处理器，还可以是电子设备中用于服务质量预测的控制模块，还可以是电子设备中用于服务质量预测的用户端。示例性的，服务质量预测装置可以设置在待识别基站的通信机房中。
为了解决现有技术中如何预先对用户业务的服务质量进行预测的问题，本申请提供一种服务质量预测方法。如图1所示，本申请提供的服务质量预测方法包括以下步骤：
S101、服务质量预测装置获取历史数据。
其中，历史数据包括多个用户的多个用户的服务数据和用户属性数据。服务数据包括多个用户在历史时刻对应的业务属性数据和终端属性数据。
示例性的，用户属性数据包括：用户ID、姓名、性别、年龄。业务属性数据包括：业务ID、业务类型、业务最低保障速率。终端属性数据包括：终端ID、终端类型、终端使用时长、终端性能参数。
可选的，服务质量预测装置向运营商的通信基站或存储有用户通信数据的服务器发送历史数据获取请求，以指示运营商的通信基站或存储有用户通信数据的服务器向服务质量预测装置反馈历史数据。
S102、服务质量预测装置根据历史数据，确定知识图谱。
可选的，服务质量预测装置对历史数据中的服务数据和用户属性数据化进行数据提取操作，将历史数据中的关于用户、业务与终端的属性，以及用户与业务之间、用户与终端之间的对应关系有关的数据提取出来。在此之后，服务质量预测装置将用户、业务与终端的属性，以及用户与业务之间、用户与终端之间的对应关系有关的数据，按照预设的数据格式进行存储并确定为指示图谱。
在一种可能的实现方式中，服务质量预测装置对历史数据中的服务数据和用户属性数据化进行数据提取操作，具体可分为实体概念的抽取和实体之间关系的抽取。
具体的，服务质量预测装置对历史数据进行实体概念的抽取包括：1)在预设限定区域、时间段内，获取所有用户的相关信息，并将其确定为用户的属性；2)获取所有终端的相关信息，并将其确定为终端的属性；3)获取所有业务的相关信息，并将其确定为业务的属性。例如，如下表1所示，为服务质量预测装置对历史数据进行实体概念的抽取后的一种数据表现形式。
表1实体概念的抽取结果数据表现形式
实体概念 数据内容
用户 Id，姓名，性别，年龄
业务 Id，业务类型，最低保障速率
终端 Id，终端类型，终端使用时长，性能参数
示例性的，用户张三性别为男，年龄为28岁，注册的用户ID为1，使用了最低保障速率为20Mbps的视频通话业务，此视频通话业务的业务ID为1，且张三使用的终端为华为P30，此终端华为P30的终端ID为1，张三已使用此台华为P30达1400h，华为P30的性能参数评价为卡顿，则对应于表1中的抽取结果数据表现形式，对用户张三的相关信息进行实体概念的数据提取后得到的结果如下表2所示：
表2用户张三的实体概念的抽取结果数据
实体概念 数据内容
用户 1，张三，男，28
业务 1，视频通话，20Mbps
终端 1，华为P30,1400h，卡顿
具体的，服务质量预测装置对历史数据进行实体之间关系的抽取包括：1)通过sim卡及终端ID，来获取用户与终端的对应关系；2)通过sim卡获取运营商服务器存储的业务使用记录，来获取用户与业务的对应关系。
示例性的，服务质量预测装置可以以四元组的形式存储用户与业务之间、用户与终端之间的对应关系有关的数据，也即三元组+时间戳的形式。可以理解的是，此处所说的时间戳，即每一组三元组数据所对应的历史时刻。例如，如下表3所示，为服务质量预测装置对历史数据进行实体之间关系的抽取后的一种数据表现形式。
表3实体之间关系的抽取结果数据表现形式
关系 数据内容
用户-业务 用户1，用户-业务，业务1，[ts，te]
用户-终端 用户1，用户-终端，终端1，[ts，te]
需要指出，在表3中，ts表示作为起始时刻的历史时刻，te表示作物结束时刻的历史时刻，即表明此用户与业务、用户与终端的对应关系是在ts至te时间段内的对应关系。
示例性的，结合前述表2的举例，对应于表3中的抽取结果数据表现形式，对用户张三的相关信息进行实体之间关系的数据提取后得到的结果如下表4所示：
表4用户张三的实体之间关系的抽取结果数据
关系 数据内容
客户-终端 张三，终端1，客户-终端，[ts，te]
客户-业务 张三，视频通话，客户-业务，[ts，te]
S103、服务质量预测装置根据知识图谱，确定图谱时序特征编码。
可选的，服务质量预测装置根据知识图谱，确定每个用户在历史时刻使用的历史终端及使用时间段，以及每个用户在历史时刻的历史业务类别及使用时间段。
可选的，服务质量预测装置根据每个用户在历史时刻使用的历史终端及使用时间段，以及每个用户在历史时刻的历史业务类别及使用时间段，结合LSTM算法，确定图谱时序特征编码。
需要说明的是，由于在知识图谱包括的数据信息中，有些数据的表现形式本身是可以用于编码的字母或数字，例如时间戳、用户ID、业务ID、终端ID、终端使用时长、业务最低保障速率，这些数据无需进行编码转换。而有些数据的表现形式是文字或包含部分文字，例如性别，业务类型，终端类型，性能参数，年龄，这些数据需要利用one-hot编码方法来进行编码转换，以便于后续步骤的进行。
S104、服务质量预测装置获取多个用户对应的至少一个基站的基站属性数据和基站拓扑数据。
其中，针对于一个当前基站，基站属性数据包括当前基站的基站连接数量、基站流量。基站拓扑数据包括基站的地理位置、与其他基站的连接方式、以及与其他基站的距离。
S105、服务质量预测装置至少一个基站的基站属性数据和基站拓扑数据，确定基站空间特征编码。
可选的，服务质量预测装置根据至少一个基站的基站属性数据和基站拓扑数据，基于Node2vec模型法，来确定基站空间特征编码。
S106、服务质量预测装置根据图谱时序特征编码和基站空间特征编码，对构建的服务质量预测模型进行训练。
可选的，服务质量预测模型基于独热编码算法、concat函数和tanh函数进行构建。
可选的，服务质量预测装置对服务质量预测模型的预测结果的准确率进行评估，若预测结果的准确率未满足预设的准确率要求，则根据图谱时序特征编码和基站空间特征编码重新对服务质量预测模型进行训练，直至服务质量预测模型的预测结果满足预设的准确率要求。
S107、服务质量预测装置将待预测用户对应的图谱时序特征编码和待预测用户连接基站的基站空间特征编码，输入训练完成的服务质量预测模型中，确定待预测用户的服务质量预测结果。
可选的，待预测用户的服务质量预测结果的表现形式为one-hot编码，具体可包括：1000、0100、0010、0001，分别表示待预测用户的服务质量为较差、合格、良好、优秀。本申请实施例对此不做具体限定。
可以理解的是，在服务质量预测装置确定待预测用户的服务质量预测结果后，运营商可以根据该预测结果对待预测用户进行业务的重点保障，例如调整基站天线角度、为用户切换基站等。
基于上述技术方案，本申请通过对历史数据中的用户、业务及终端三个实体，和这三个实体之间的对应关系，来构建知识图谱的结构，并根据知识图谱和基站基站属性数据和基站拓扑数据，确定用于训练服务质量预测模型的图谱时序特征编码和基站空间特征编码。之后，将待预测用户的在知识图谱中的图谱时序特征编码和所连接基站的基站空间特征编码输入训练好的服务质量预测模型中，获取待预测用户的服务质量预测结果。由此，本申请基于知识图谱的时序数据和基站的空间信息，实现了对待预测用户的业务服务质量的精准预测，从而支撑运营商实现更加优越的业务服务质量保障，提高了用户的业务体验。
结合图1，如图2所示，在本申请提供的另一种服务质量预测方法中，前述步骤S103具体包括以下步骤：
S201、服务质量预测装置根据预设规则，对知识图谱中的数据进行编码。
可以理解的是，由于在知识图谱包括的数据信息中，有些数据的表现形式本身是可以用于编码的字母或数字，例如时间戳、用户ID、业务ID、终端ID、终端使用时长、业务最低保障速率，这些数据无需进行编码转换。而有些数据的表现形式是文字或包含部分文字，例如性别，业务类型，终端类型，性能参数，年龄，这些数据需要利用编码方法来进行编码转换，以便于后续图谱时序特征编码确定步骤的进行。
可选的，服务质量预测装置根据one-hot编码方法，对知识图谱中表现形式是文字或包含部分文字的数据，或其他不能直接用于后续图谱时序特征编码确定步骤的数据，进行编码转换。
S202、服务质量预测装置将编码后的知识图谱数据进行拼接，确定初始编码。
示例性的，对应于步骤S102中的举例，将用户知识图谱中的相关数据进行编码并拼接后，得到的初始编码为：{时间戳t，[用户id，用户性别编码，用户年龄编码]，[业务ID，业务类型编码，业务最低保障速率]，[终端ID，终端类型编码，终端使用时长，终端性能参数编码]}。
S203、服务质量预测装置根据LSTM算法，确定图谱时序特征编码。
可选的，服务质量预测装置预设编码时长间隔为△t，编码时长为n*△t，n为正整数。例如，当n＝3时，输入LSTM算法的初始编码为：[t时刻的初始编码X1，t+△t时刻的初始编码X2，以及t+2*△t时刻的初始编码X3]。对应的，LSTM算法输出的图谱时序特征编码Y为：[t时刻的图谱时序特征编码Y1，t+△t时刻的图谱时序特征编码Y2，以及t+2*△t时刻的图谱时序特征编码Y3]。具体根据LSTM算法对输入的初始编码向量进行运算的方法为现有技术中的常见方法，本申请在此不再赘述。
以上对本申请中图谱时序特征编码的确定流程进行了介绍。
结合图1，如图3所示，在本申请提供的另一种服务质量预测方法中，前述步骤S104具体包括以下步骤：
S301、服务质量预测装置根据多个用户对应的至少一个基站的基站属性数据和基站拓扑数据，构建基站拓扑关系。
可选的，针对每个基站，服务质量预测装置以下步骤来构建拓扑关系：1)根据该基站的基站属性数据和基站拓扑数据，确定距离该基站最近的k个基站。2)在该基站与k个基站之间建立连接无向边，无向边共N条。3)对每一条无向边进行分析，获取所有基站的基站拓扑图。4)将每一个基站抽象为节点，对于每个基站节点，统计与其建立无向边的相邻基站的数量N。其中，k为预设值，且为正整数，示例性的，k可取值为10。
可以理解的是，在基站拓扑图中，每个节点所拥有的无向边的数量N不一与为k相等，这是因为即使基站A是距离基站B最近的k个基站之一，但是基站B不一定是距离基站A最近的k个基站之一。
S302、服务质量预测装置根据基站拓扑关系，基于Node2vec模型法，确定基站空间特征编码。
可选的，服务质量预测装置根据Node2vec模型法输出基站空间特征编码可以参照以下公式：
Figure BDA0003354737680000131
其中，Zi表示基站i的基站空间特征编码，Ni表示基站i的相邻基站集合，Z0表示基站i的初始基站编码，Zj表示基站j的初始基站编码，Lij表示基站i与基站j之间的距离，a表示基站i自身的影响系数，b表示邻居基站的影响系数。其中，Z0、Zj、a、b为预设常数，具体可根据实际应用和Node2vec模型运算效果进行调整。
可以理解，当服务质量预测装置根据上述公式对所有节点进行基站空间特征编码的计算后，将所有节点的基站空间特征编码进行数据集合，确定基站空间特征编码Z。
以上对本申请中基站空间特征编码的确定流程进行了介绍。
结合图1，如图4所述，在本申请提供的另一种服务质量预测方法中，在步骤S106之前，还包括构建服务质量预测模型，具体包括以下步骤：
S401、服务质量预测装置基于one-hot编码算法、concat函数和tanh函数，构建服务质量预测模型。
可选的，服务质量预测装置基于one-hot编码算法、concat函数和tanh函数，构建服务质量预测模型可以参照以下公式：
P＝concaT(Y*Z)
Q＝tanh(W*P+c)
其中，Y表示图谱时序特征编码，Z表示基站空间特征编码，P表示将图谱时序特征编码和基站空间特征编码进行拼接后的编码，Q表示服务质量等级的one-hot编码，W表示权重矩阵，c表示列向量常数。W和c为预设常数，具体可根据实际应用和服务质量预测模型运算效果进行调整。
S402、服务质量预测装置根据MSE，对服务质量预测模型的准确率进行评估。
可选的，服务质量预测装置根据MSE，对服务质量预测模型的预测结果的准确率进行评估参照以下公式：
Figure BDA0003354737680000141
其中，m表示样本用户，Q表示服务质量预测模型对样本用户m的预测结果，Q′表示样本用户m的真实服务质量等级，n表示样本用户的数量(也即历史数据对应的多个用户的数量)。
可选的，服务质量预测装置根据预设要求具体设定准确率阈值，当服务质量预测模型的预测结果的MSE满足该准确率阈值时，服务质量预测装置确定服务质量预测模型训练完成。其中，预设要求可由人工进行设定。
以上对本申请中服务质量预测模型的构建流程进行了介绍。
本申请实施例可以根据上述方法示例对服务质量预测装置进行功能模块或者功能单元的划分，例如，可以对应各个功能划分各个功能模块或者功能单元，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或者功能单元的形式实现。其中，本申请实施例中对模块或者单元的划分是示意性的，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。
示例性的，如图5所示，为本申请实施例所涉及的一种服务质量预测装置的一种可能的结构示意图。该服务质量预测装置500包括：获取单元501和处理单元502。
其中，获取单元501，用于获取历史数据。
处理单元502，用于根据历史数据，确定知识图谱。
处理单元502，还用于根据知识图谱，确定图谱时序特征编码。
获取单元501，还用于获取多个用户对应的至少一个基站的基站属性数据和基站拓扑数据。
处理单元502，还用于根据至少一个基站的基站属性数据和基站拓扑数据，确定基站空间特征编码。
处理单元502，还用于根据图谱时序特征编码和基站空间特征编码，对构建的服务质量预测模型进行训练。
处理单元502，还用于待预测用户对应的图谱时序特征编码和待预测用户连接基站的基站空间特征编码，输入训练完成的服务质量预测模型中。
处理单元502，还用于确定待预测用户的服务质量预测结果。
可选的，处理单元502，还用于根据预设规则，对知识图谱中的数据进行编码。
可选的，处理单元502，还用于对进行编码后的知识图谱中的数据进行数据拼接，确定初始编码。
可选的，处理单元502，还用于根据初始编码和长短期记忆网络LSTM算法，确定图谱时序特征编码。
可选的，处理单元502，还用于根据至少一个基站的基站属性数据和基站拓扑数据，构建基站拓扑关系。
可选的，处理单元502，还用于根据基站拓扑关系和Node2vec模型法，确定基站空间特征编码。
可选的，处理单元502，还用于对历史数据中的服务数据和用户属性数据化进行数据提取操作，确定用户、业务与终端的属性，以及用户与业务之间、用户与终端之间的对应关系。
可选的，处理单元502，还用于根据用户、业务与终端的属性，以及用户与业务之间、用户与终端之间的对应关系，确定知识图谱。
可选的，处理单元502，还用于基于独热one-hot编码算法、concat函数和双曲正切tanh函数，构建服务质量预测模型。
可选的，处理单元502，还用于根据均方误差MSE，对服务质量预测模型的准确率进行评估；若准确率满足预设要求，则确定服务质量预测模型训练完成。
可选的，服务质量预测装置500还可以包括存储单元(图5中以虚线框示出)，该存储单元存储有程序或指令，当处理单元502执行该程序或指令时，使得服务质量预测装置可以执行上述方法实施例所述的服务质量预测方法。
此外，图5所述的服务质量预测装置的技术效果可以参考上述实施例所述的服务质量预测方法的技术效果，此处不再赘述。
示例性地，图6为上述实施例中所涉及的服务质量预测装置的又一种可能的结构示意图。如图6所示，服务质量预测装置600包括：处理器602。
其中，处理器602，用于对该服务质量预测装置的动作进行控制管理，例如，执行上述获取单元501和处理单元502执行的步骤，和/或用于执行本文所描述的技术方案的其它过程。
上述处理器602可以是实现或执行结合本申请内容所描述的各种示例性的逻辑方框，模块和电路。该处理器可以是中央处理器，通用处理器，数字信号处理器，专用集成电路，现场可编程门阵列或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。所述处理器也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
可选地，服务质量预测装置600还可以包括通信接口603、存储器601和总线606。其中，通信接口603用于支持服务质量预测装置600与其他网络实体的通信。存储器601用于存储该服务质量预测装置的程序代码和数据。
其中，存储器601可以是服务质量预测装置中的存储器，该存储器可以包括易失性存储器，例如随机存取存储器；该存储器也可以包括非易失性存储器，例如只读存储器，快闪存储器，硬盘或固态硬盘；该存储器还可以包括上述种类的存储器的组合。
总线606可以是扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。总线606可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通过以上的实施方式的描述，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，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。上述描述的系统，装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例提供一种包含指令的计算机程序产品，当所述计算机程序产品在本申请的电子设备上运行时，使得所述计算机执行上述方法实施例所述的服务质量预测方法。
本申请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中存储有指令，当计算机执行该指令时，该本申请的电子设备执行上述方法实施例所示的方法流程中服务质量预测装置执行的各个步骤。
其中，计算机可读存储介质，例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘。随机存取存储器(Random Access Memory，RAM)、只读存储器(Read-Only Memory，ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、寄存器、硬盘、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的人以合适的组合、或者本领域数值的任何其他形式的计算机可读存储介质。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于特定用途集成电路(Application Specific Integrated Circuit，ASIC)中。在本申请实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何在本申请揭露的技术范围内的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (12)

1.一种服务质量预测方法，其特征在于，所述方法包括：
获取历史数据，所述历史数据包括多个用户的服务数据和用户属性数据；所述多个用户的服务数据包括所述多个用户在历史时刻对应的业务属性数据和终端属性数据；
根据所述历史数据，确定知识图谱；所述知识图谱用于表征在历史时刻时用户、业务与终端的属性，以及所述用户与所述业务之间、所述用户与所述终端之间的对应关系；
根据所述知识图谱，确定图谱时序特征编码；
获取所述多个用户对应的至少一个基站的基站属性数据和基站拓扑数据，并根据所述至少一个基站的基站属性数据和基站拓扑数据，确定基站空间特征编码；
根据所述图谱时序特征编码和基站空间特征编码，对构建的服务质量预测模型进行训练；
将待预测用户对应的所述图谱时序特征编码和所述待预测用户连接基站的所述基站空间特征编码，输入训练完成的服务质量预测模型中，确定所述待预测用户的服务质量预测结果。
2.根据权利要求1所述的方法，其特征在于，所述根据所述知识图谱，确定图谱时序特征编码，具体包括：
根据预设规则，对所述知识图谱中的数据进行编码；
对进行编码后的所述知识图谱中的数据进行数据拼接，确定初始编码；
根据所述初始编码和长短期记忆网络LSTM算法，确定所述图谱时序特征编码。
3.根据权利要求2所述的方法，其特征在于，所述根据所述至少一个基站的基站属性数据和基站拓扑数据，确定基站空间特征编码，具体包括：
根据所述至少一个基站的基站属性数据和基站拓扑数据，构建基站拓扑关系；
根据所述基站拓扑关系和Node2vec模型法，确定所述基站空间特征编码。
4.根据权利要求3所述的方法，其特征在于，所述根据所述历史数据，确定知识图谱，具体包括
对所述历史数据中的所述服务数据和所述用户属性数据化进行数据提取操作，确定所述用户、业务与终端的属性，以及所述用户与所述业务之间、所述用户与所述终端之间的对应关系；
根据所述用户、业务与终端的属性，以及所述用户与所述业务之间、所述用户与所述终端之间的对应关系，确定所述知识图谱。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述方法还包括：
基于独热one-hot编码算法、concat函数和双曲正切tanh函数，构建所述服务质量预测模型；
根据均方误差MSE，对所述服务质量预测模型的准确率进行评估；若所述准确率满足预设要求，则确定所述服务质量预测模型训练完成。
6.一种服务质量预测装置，其特征在于，所述服务质量预测装置包括：获取单元和处理单元；
所述获取单元，用于获取历史数据，所述历史数据包括多个用户的服务数据和用户属性数据；所述多个用户的服务数据包括所述多个用户在历史时刻对应的业务属性数据和终端属性数据；
所述处理单元，用于根据所述历史数据，确定知识图谱；所述知识图谱用于表征在历史时刻时用户、业务与终端的属性，以及所述用户与所述业务之间、所述用户与所述终端之间的对应关系；
所述处理单元，还用于根据所述知识图谱，确定图谱时序特征编码；
所述获取单元，还用于获取所述多个用户对应的至少一个基站的基站属性数据和基站拓扑数据；
所述处理单元，还用于根据所述至少一个基站的基站属性数据和基站拓扑数据，确定基站空间特征编码；
所述处理单元，还用于根据所述图谱时序特征编码和基站空间特征编码，对构建的服务质量预测模型进行训练；
所述处理单元，还用于将待预测用户对应的所述图谱时序特征编码和所述待预测用户连接基站的所述基站空间特征编码，输入训练完成的服务质量预测模型中，确定所述待预测用户的服务质量预测结果。
7.根据权利要求6所述的服务质量预测装置，其特征在于，
所述处理单元，还用于根据预设规则，对所述知识图谱中的数据进行编码；
所述处理单元，还用于对进行编码后的所述知识图谱中的数据进行数据拼接，确定初始编码；
所述处理单元，还用于根据所述初始编码和长短期记忆网络LSTM算法，确定所述图谱时序特征编码。
8.根据权利要求7所述的服务质量预测装置，其特征在于，
所述处理单元，还用于根据所述至少一个基站的基站属性数据和基站拓扑数据，构建基站拓扑关系；
所述处理单元，还用于根据所述基站拓扑关系和Node2vec模型法，确定所述基站空间特征编码。
9.根据权利要求8所述的服务质量预测装置，其特征在于，
所述处理单元，还用于对所述历史数据中的所述服务数据和所述用户属性数据化进行数据提取操作，确定所述用户、业务与终端的属性，以及所述用户与所述业务之间、所述用户与所述终端之间的对应关系；
所述处理单元，还用于根据所述用户、业务与终端的属性，以及所述用户与所述业务之间、所述用户与所述终端之间的对应关系，确定所述知识图谱。
10.根据权利要求6-9任一项所述的服务质量预测装置，其特征在于，
所述处理单元，还用于基于独热one-hot编码算法、concat函数和双曲正切tanh函数，构建所述服务质量预测模型；
所述处理单元，还用于根据均方误差MSE，对所述服务质量预测模型的准确率进行评估；若所述准确率满足预设要求，则确定所述服务质量预测模型训练完成。
11.一种电子设备，其特征在于，包括：处理器以及存储器；其中，所述存储器用于存储计算机执行指令，当所述电子设备运行时，所述处理器执行所述存储器存储的所述计算机执行指令，以使所述电子设备执行权利要求1-5中任一项所述的服务质量预测方法。
12.一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包括指令，当所述计算机可读存储介质中的指令由电子设备执行时，使得所述电子设备能够执行如权利要求1-5中任一项所述的服务质量预测方法。
CN202111348129.8A 2021-11-15 2021-11-15 一种服务质量预测方法、装置、电子设备及存储介质 Active CN114118748B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111348129.8A CN114118748B (zh) 2021-11-15 2021-11-15 一种服务质量预测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111348129.8A CN114118748B (zh) 2021-11-15 2021-11-15 一种服务质量预测方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN114118748A true CN114118748A (zh) 2022-03-01
CN114118748B CN114118748B (zh) 2023-01-24

Family

ID=80395409

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111348129.8A Active CN114118748B (zh) 2021-11-15 2021-11-15 一种服务质量预测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114118748B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115545799A (zh) * 2022-11-04 2022-12-30 北京赛西科技发展有限责任公司 信息技术服务质量评估方法、装置、设备及介质
CN117295096A (zh) * 2023-11-24 2023-12-26 武汉市豪迈电力自动化技术有限责任公司 基于5g短共享的智能电表数据传输方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111428044A (zh) * 2020-03-06 2020-07-17 中国平安人寿保险股份有限公司 多模态获取监管识别结果的方法、装置、设备及存储介质
CN112084383A (zh) * 2020-09-07 2020-12-15 中国平安财产保险股份有限公司 基于知识图谱的信息推荐方法、装置、设备及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111428044A (zh) * 2020-03-06 2020-07-17 中国平安人寿保险股份有限公司 多模态获取监管识别结果的方法、装置、设备及存储介质
CN112084383A (zh) * 2020-09-07 2020-12-15 中国平安财产保险股份有限公司 基于知识图谱的信息推荐方法、装置、设备及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115545799A (zh) * 2022-11-04 2022-12-30 北京赛西科技发展有限责任公司 信息技术服务质量评估方法、装置、设备及介质
CN115545799B (zh) * 2022-11-04 2023-03-24 北京赛西科技发展有限责任公司 信息技术服务质量评估方法、装置、设备及介质
CN117295096A (zh) * 2023-11-24 2023-12-26 武汉市豪迈电力自动化技术有限责任公司 基于5g短共享的智能电表数据传输方法及系统
CN117295096B (zh) * 2023-11-24 2024-02-09 武汉市豪迈电力自动化技术有限责任公司 基于5g短共享的智能电表数据传输方法及系统

Also Published As

Publication number Publication date
CN114118748B (zh) 2023-01-24

Similar Documents

Publication Publication Date Title
CN109195170B (zh) 小区扩容方法、装置及存储介质
CN114118748B (zh) 一种服务质量预测方法、装置、电子设备及存储介质
El Helou et al. A network-assisted approach for RAT selection in heterogeneous cellular networks
Zhao et al. Collaborative edge caching in context-aware device-to-device networks
Ozturk et al. Energy‐aware smart connectivity for IoT networks: enabling smart ports
US20230217308A1 (en) Traffic flow prediction in a wireless network using heavy-hitter encoding and machine learning
CN103987056A (zh) 基于大数据统计模型的无线网络话务量预测方法
Cheng et al. An improved Markov method for prediction of user mobility
De Pellegrini et al. Competitive caching of contents in 5G edge cloud networks
WO2019080771A1 (zh) 用于无线通信的电子设备和方法
US10271218B2 (en) Enable access point availability prediction
CN104394202A (zh) 一种移动社会网络中的节点活跃度量化方法
Hu et al. A study of LTE network performance based on data analytics and statistical modeling
CN113891336B (zh) 通信网络减频退网方法、装置、计算机设备和存储介质
KR101924628B1 (ko) 트래픽 오프로딩을 제어하기 위한 장치 및 방법
CN113728673A (zh) 用于估计被无线电问题抑制的数据业务的方法和装置
Yadav et al. ECCANS: Enhanced CRITIC-based Context-Aware Network Selection algorithm for 5G HetNet
CN103597881A (zh) 用于将用户终端附接到网络的基站的方法
Yu et al. An efficient method for loss performance modeling of hierarchical heterogeneous wireless networks
CN105323828A (zh) 一种多模终端网络接入选择方法及终端
Zhang et al. Cellular QoE prediction for video service based on causal structure learning
CN110062360A (zh) 一种基于mMTC业务分级的资源分配算法
Ye et al. Joint Channel Allocation and Power Control Based on Long Short‐Term Memory Deep Q Network in Cognitive Radio Networks
Kim et al. Prediction of LTE spectrum saturation using quantiles of busy hour RB usage rates
CN104679992B (zh) 基于用户业务使用时间的Markov模型的设计方法

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