CN115134221B - 终端的质差识别方法及装置、存储介质及电子设备 - Google Patents
终端的质差识别方法及装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN115134221B CN115134221B CN202110265828.XA CN202110265828A CN115134221B CN 115134221 B CN115134221 B CN 115134221B CN 202110265828 A CN202110265828 A CN 202110265828A CN 115134221 B CN115134221 B CN 115134221B
- Authority
- CN
- China
- Prior art keywords
- terminal
- reference center
- center value
- monitoring data
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000012544 monitoring process Methods 0.000 claims abstract description 210
- 239000013598 vector Substances 0.000 claims description 105
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 abstract description 10
- 230000008569 process Effects 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 230000008447 perception Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 241000282376 Panthera tigris Species 0.000 description 1
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0677—Localisation of faults
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y30/00—IoT infrastructure
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及通信技术领域,具体涉及一种终端的质差识别方法及装置、计算机可读存储介质及电子设备,上述方法包括:获取终端的样本监测数据,对样本监测数据进行聚类得到聚类结果;根据聚类结果确定参考中心值;根据目标监测数据的类型确定目标监测数据对应的目标通用场景参考中心值以及目标特殊场景参考中心值,并获取目标通用场景参考中心值以及目标特殊场景参考中心值对应的数据偏差范围;根据目标监测数据是否在目标通用场景参考中心值或目标特殊场景参考中心值对应的数据偏差范围内确定终端是否质差。通过本公开实施例的技术方案,可以解决终端的质差识别效率较低的问题。
Description
技术领域
本公开涉及计通信技术领域,具体而言,涉及一种终端的质差识别、终端的质差识别装置、计算机可读存储介质及电子设备。
背景技术
在当今社会中,物联网的使用领域越来越广泛,其用户规模大,使用场景丰富,涉及环节多。对于物联网终端而言,难免有一些终端存在质差,影响用户的使用体验。
在相关技术中,当用户的使用体验比较差时,会对相关部门进行投诉,工作人员可以根据终端巡检工作中积累的经验进行人工查询整治,将与投诉用户有关的终端进行排查,以此确定质差终端,并对其进行相应的处理。
然而,现有的质差识别方案,需要用户进行反馈,对人工经验的依赖程度较高,花费的人力物力成本高,且由于不同的物联网终端的使用场景及厂家偏好设置的不同,导致物联网终端上报的数据存在一定的差异性,从而导致定位质差终端更加困难,进而导致用户更进一步的抱怨。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种终端的质差识别方法及终端的质差识别装置、计算机可读存储介质及电子设备,可以解决定位质差终端的效率较低的问题。
本公开的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本公开的实践而习得。
根据本公开的第一方面,提供了一种终端的质差识别方法,包括:获取终端的样本监测数据,对所述样本监测数据进行聚类得到聚类结果;根据所述聚类结果确定参考中心值;其中,所述参考中心值对应有数据偏差范围;所述参考中心值包括通用场景参考中心值和特殊场景参考中心值;根据目标监测数据的类型确定所述目标监测数据对应的目标通用场景参考中心值以及所述目标特殊场景参考中心值,并获取所述目标通用场景参考中心值对应的数据偏差范围以及所述目标特殊场景参考中心值对应的数据偏差范围;根据所述目标监测数据是否在所述目标通用场景参考中心值对应的数据偏差范围内或所述目标特殊场景参考中心值对应的数据偏差范围内确定所述终端是否质差。
在本公开的一种示例性实施例中,基于前述方案,在所述获取终端的样本监测数据之前,所述方法还包括:获取所述终端的运行状态,所述运行状态包括正常运行以及非正常运行;排除所述非正常运行的终端。
在本公开的一种示例性实施例中,基于前述方案,所述非正常运行包括待调测运行状态或弱覆盖区域运行状态。
在本公开的一种示例性实施例中,基于前述方案,所述获取终端的样本监测数据,包括:获取所述终端的终端类型;根据所述终端类型获取所述终端的样本监测数据。
在本公开的一种示例性实施例中,基于前述方案,所述对所述样本监测数据进行聚类得到聚类结果,包括:将所述样本监测数据输入向量空间得到多个监测数据点;获取所述向量空间中的随机点,根据所述随机点以及预设涵盖区间确定滑动窗口;根据所述滑动窗口以及预设条件确定聚类结果。
在本公开的一种示例性实施例中,基于前述方案,根据所述滑动窗口以及预设条件确定聚类结果,包括:控制所述滑动窗口进行偏次迭代,以使所述滑动窗口中涵盖的监测数据点的数量更多;在所述偏次迭代满足预设条件时得到聚类结果。
在本公开的一种示例性实施例中,基于前述方案,根据所述聚类结果确定参考中心值,包括:所述聚类结果中滑动窗口对应的随机点为所述参考中心值。
在本公开的一种示例性实施例中,基于前述方案,所述在所述偏次迭代满足预设条件,包括:监听所述偏次迭代得到的所述滑动窗口中涵盖的所述监测数据点的数量;在所述偏次迭代得到的所述滑动窗口中涵盖的所述监测数据点的数量最多时,所述偏次迭代满足预设条件。
在本公开的一种示例性实施例中,基于前述方案,所述在所述偏次迭代满足预设条件,包括:获取所述偏次迭代后滑动窗口中多个监测数据点到所述随机点的平均距离;在所述平均距离小于迭代阈值时,所述偏次迭代满足预设条件。
在本公开的一种示例性实施例中,基于前述方案,所述向量空间包括多个向量子空间,所述获取所述向量空间中的随机点,根据所述随机点以及所述预设涵盖区间确定滑动窗口,包括:获取各所述向量子空间中的随机点;根据各所述随机点以及所述预设涵盖区间确定各向量子空间中的滑动窗口。
在本公开的一种示例性实施例中,基于前述方案,所述根据所述聚类结果确定参考中心值,包括:根据各所述向量子空间中的滑动窗口确定各向量子空间对应的聚类结果;根据各所述聚类结果确定所述各向量子空间对应的子空间参考中心值。
在本公开的一种示例性实施例中,基于前述方案,获取各所述子空间参考中心值以及各所述子空间参考中心值对应的数据偏差范围;合并各所述数据偏差范围得到所述目标监测数据对应的数据偏差范围。
根据本公开的第二方面,提供了一种终端的质差识别装置,包括:聚类结果获取模块,用于获取终端的样本监测数据,对所述样本监测数据进行聚类得到聚类结果;参考中心值确定模块,用于根据所述聚类结果确定参考中心值;其中,所述参考中心值对应有数据偏差范围;所述参考中心值包括通用场景参考中心值和特殊场景参考中心值;偏差范围获取模块,用于根据目标监测数据的类型确定所述目标监测数据对应的目标通用场景参考中心值以及所述目标特殊场景参考中心值,并获取所述目标通用场景参考中心值对应的数据偏差范围以及所述目标特殊场景参考中心值对应的数据偏差范围;终端质差识别模块,用于根据所述目标监测数据是否在所述目标通用场景参考中心值对应的数据偏差范围内或所述目标特殊场景参考中心值对应的数据偏差范围内确定所述终端是否质差。
根据本公开的第三方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如上述实施例中第一方面所述的终端的质差识别方法。
根据本公开的第四方面,提供了一种电子设备,包括:
处理器;以及
存储器,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如上述实施例中第一方面所述的终端的质差识别方法。
本公开实施例提供的技术方案可以包括以下有益效果:
本公开的一种实施例所述提供的终端的质差识别方法中,可以获取终端的样本监测数据,对所述样本监测数据进行聚类得到聚类结果,然后根据所述聚类结果确定参考中心值,根据目标监测数据的类型确定所述目标监测数据对应的目标通用场景参考中心值以及所述目标特殊场景参考中心值,并获取所述目标通用场景参考中心值对应的数据偏差范围以及所述目标特殊场景参考中心值对应的数据偏差范围,再根据所述目标监测数据是否在所述目标通用场景参考中心值对应的数据偏差范围内或所述目标特殊场景参考中心值对应的数据偏差范围内确定所述终端是否质差。
一方面,可以避免终端质差识别时对人工经验的依赖性,降低人力物力成本,可以快速的定位质差终端并进行处理;另一方面,可以主动的进行质差识别,提前解决相关的质差终端,避免用户的抱怨;再一方面,可以识别不同使用场景以及厂家偏好设置的质差终端,提升了质差识别的通用性,进而提升了用户的使用体验。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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。在附图中:
图1示意性示出了可以应用本公开实施例的一种终端的质差识别方法的示例性系统架构的示意图;
图2示意性示出本公开示例性实施例中终端的质差识别方法的流程图;
图3示意性示出本公开示例性实施例中获取终端的运行状态,并排除非正常运行的终端的流程图;
图4示意性示出本公开示例性实施例中根据终端类型获取终端的样本监测数据的流程图;
图5示意性示出本公开示例性实施例中根据滑动窗口以及预设条件确定聚类结果的流程图;
图6示意性示出本公开示例性实施例中控制滑动窗口进行偏次迭代,在偏次迭代满足预设条件时得到聚类结果的流程图;
图7示意性示出本公开示例性实施例中二维向量空间中的滑动窗口进行滑动的示意图;
图8示意性示出本公开示例性实施例中监听偏次迭代得到的滑动窗口中涵盖的监测数据点的数量,在滑动窗口中涵盖的监测数据点的数量最多时满足预设条件的流程图;
图9示意性示出本公开示例性实施例中多个监测数据点到随机点的平均距离小于迭代阈值时,偏次迭代满足预设条件的流程图;
图10示意性示出本公开示例性实施例中根据各随机点以及预设涵盖区间确定各向量子空间中的滑动窗口的流程图;
图11示意性示出本公开示例性实施例中二维向量空间包括多个向量子空间的示意图图;
图12示意性示出本公开示例性实施例中根据各聚类结果确定各向量子空间对应的子空间参考中心值的流程图;
图13示意性示出本公开示例性实施例中合并各数据偏差范围得到目标监测数据对应的数据偏差范围的流程图;
图14示意性示出本公开示例性实施例中将各参考中心值对应的数据偏差范围重合的部分进行合并得到向量空间对应的数据偏差范围的示意图;
图15示意性示出本公开示例性实施例中根据通用场景和特殊场景的参考中心值以及数据偏差范围判断终端是否质差的流程图;
图16示意性示出本公开示例性实施例中一种终端的质差识别装置的组成示意图;
图17示意性示出了适于用来实现本公开示例性实施例的电子设备的计算机系统的结构示意图。
具体实施方式
现在将参照附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本公开的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知结构、方法、装置、实现、材料或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个软件硬化的模块中实现这些功能实体或功能实体的一部分,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
图1示出了可以应用本公开实施例的终端的质差识别方法的示例性系统架构的示意图。
如图1所示,系统架构1000可以包括终端设备1001、1002、1003中的一种或多种,网络1004和服务器1005。网络1004用以在终端设备1001、1002、1003和服务器1005之间提供通信链路的介质。网络1004可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。比如服务器1005可以是多个服务器组成的服务器集群等。
用户可以使用终端设备1001、1002、1003通过网络1004与服务器1005交互,以接收或发送消息等。终端设备1001、1002、1003可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、便携式计算机和台式计算机等等。另外,服务器1005可以是提供各种服务的服务器。
在一种实施例中,本公开的终端的质差识别方法的执行主体可以是服务器1005的实施例中,服务器1005可以获取由终端设备1001、1002、1003发送的终端的样本监测数据,对监测数据进行聚类得到聚类结果,然后将处理后得到的聚类结果返回至终端设备1001、1002、1003。此外,还可以通过终端设备1001、1002、1003等执行本公开的终端的质差识别方法,以实现根据终端的样本监测数据判断终端是否质差的过程。
此外,本公开的终端的质差识别方法的实现过程还可以由终端设备1001、1002、1003和服务器1005共同实现。例如,终端设备1001、1002、1003可以获取终端的样本监测数据,对监测数据进行聚类得到聚类结果,然后将得到的聚类结果发送给服务器1005,以使服务器1005可以根据目标监测数据的类型确定目标监测数据对应的目标通用场景参考中心值以及目标特殊场景参考中心值,并获取目标通用场景参考中心值对应的数据偏差范围以及目标特殊场景参考中心值对应的数据偏差范围,然后根据目标监测数据是否在目标通用场景参考中心值对应的数据偏差范围内或目标特殊场景参考中心值对应的数据偏差范围内确定终端是否质差。
本公开中终端的质差识别的方案,可以应用于互联网环境或物联网环境中,在需要查找其中的质差终端时,均可以采用本公开的方案。例如在物联网链路中某一终端可能存在质差,可以应用本公开质差识别的方案定位质差终端;再如,在宽带业务中某一终端可能存在质差,可以应用本公开质差识别的方案定位质差终端;又如,在社区物联网中某一终端可能存在质差,可以应用本公开质差识别的方案定位质差终端。
根据本示例性实施例中所提供的终端的质差识别方法中,当获取终端的样本监测数据之后,可以对样本监测数据进行聚类得到聚类结果,根据聚类结果确定参考中心值,根据目标监测数据的类型确定目标监测数据对应的目标通用场景参考中心值以及目标特殊场景参考中心值,并获取目标通用场景参考中心值对应的数据偏差范围以及目标特殊场景参考中心值对应的数据偏差范围,再根据目标监测数据是否在目标通用场景参考中心值对应的数据偏差范围内或目标特殊场景参考中心值对应的数据偏差范围内确定终端是否质差。如图2所示,该终端的质差识别方法可以包括以下步骤:
步骤S210,获取终端的样本监测数据,对样本监测数据进行聚类得到聚类结果;
步骤S220,根据聚类结果确定参考中心值;其中,参考中心值对应有数据偏差范围;参考中心值包括通用场景参考中心值和特殊场景参考中心值;
步骤S230,根据目标监测数据的类型确定目标监测数据对应的目标通用场景参考中心值以及目标特殊场景参考中心值,并获取目标通用场景参考中心值对应的数据偏差范围以及目标特殊场景参考中心值对应的数据偏差范围;
步骤S240,根据目标监测数据是否在目标通用场景参考中心值对应的数据偏差范围内或目标特殊场景参考中心值对应的数据偏差范围内确定终端是否质差。
在本示例实施方式所提供的质差识别方法中,一方面,可以避免终端质差识别时对人工经验的依赖性,降低人力物力成本,可以快速的定位质差终端并进行处理;另一方面,可以主动的进行质差识别,提前解决相关的质差终端,避免用户的抱怨;再一方面,可以识别不同使用场景以及厂家偏好设置的质差终端,提升了质差识别的通用性,进而提升了用户的使用体验。
下面,将结合附图及实施例对本示例性实施例中的终端的质差识别方法的步骤S210~S240进行更详细的说明。
步骤S210,获取终端的样本监测数据,对样本监测数据进行聚类得到聚类结果;
在本公开的一种示例实施例中,终端可以包括物联网终端或互联网终端,基本的终端有:汽车监控用的图像传输服务终端、电力监测用的终端、物流用的RFID终端、通信用的终端、仓储用的RFID终端、测控用的终端、数据采集用户的终端等。进一步的,物联网终端主要应用传感器技术、射频自动识别标签、嵌入式系统、传输数据计算等技术。进一步的,终端还可以包括不同厂家生产的同类型终端,这些终端具有一定的差异性。需要说明的是,本公开对终端的类型并不作特殊限定。
在本公开的一种示例实施例中,终端可以在网络环境中使用。具体的,网络环境可以分为三类,局域网、城域网、广域网。局域网为某一区域内由多台计算机相互连接形成的计算机网络,覆盖范围为几百米到几千米之间。局域网可以用于小型区域的网络连接,例如可以用于连接公司办公室或工厂中的个人计算机,以便共享资源(例如打印机资源的共享)和交换信息;城域网为大型的局域网,采用和局域网类似的技术。城域网覆盖面积比局域网略广,可以达到几十千米,其传输速率也高于局域网;广域网(远程网)是一种地理范围巨大的网络,可以将分布在不同地区的局域网或计算机系统互连起来,达到资源共享的目的,其覆盖范围可达到几万千米。需要说明的是,本公开对网络环境的具体形式并不做特殊限定。
在本公开的一种示例实施例中,网络环境可以包括物联网。具体的,物联网的核心和基础为互联网,是在互联网基础上的延伸和扩展的网络,利用射频自动识别、无线数据通信等技术进行通信;物联网延伸和扩展到了物品与物品之间,进行信息交换和通信。物联网通过智能感知、识别技术与普适计算等通信感知技术,广泛应用于网络环境中,利用射频自动识别技术,通过互联网实现物品的自动识别和信息的互联与共享。进一步的,物联网终端可以具有数据传输通路、存储功能、中央处理器、操作系统、适配的应用程序、物联网通信协议、可被识别的唯一编号等。
进一步的,物联网可以包括:私有物联网,面向单一机构内部提供服务;公有物联网,基于互联网向公众或大型用户群体提供服务;社区物联网,向一个关联的社区或机构群体提供服务;混合物联网,是上述的两种或以上的物联网的组合,后台有统一运维实体。
在本公开的一种示例实施例中,质差可以包括终端与服务系统之间互动时,终端通信质量差等问题。具体的,终端的质差可以由多种因素影响,例如终端线路故障、终端接口接触不良、终端设置错误、终端接口损坏、处于弱覆盖区域、属于待调测设备等。需要说明的是,本公开对造成终端质差的方式并不做特殊限定。
在本公开的一种示例实施例中,用户可以通过用户感知(包括正面用户感知和负面用户感知)判断终端是否出现质差,用户感知是终端用户对于服务系统的综合满意程度,表示终端用户对于业务和网络的体验和感受,并反映了当前业务或网络与用户期望的差距,可以包括接入类用户感知、保持类用户感知、业务质量类用户感知、覆盖类用户感知。例如卡顿、流畅、断流、缓冲速度慢、信号差、上报数据错误、接收信息不准确等。需要说明的是,本公开对终端质差所影响的用户感知的形式并不做特殊限定。
在本公开的一种示例实施例中,监测数据可以包括终端的各项参数以及特性指标。具体的,针对于终端参数,可以包括终端形态、终端类别、终端企业等。针对于终端特性指标,可以包括连接次数(年/月/日等),激活/注册特性指标,平台下控特性指标,终端上报特性指标,平台响应特性指标等。进一步的,激活/注册特性指标可以包括注册请求次数、注册成功次数、注册时超时次数等;平台下控特性指标可以包括下行CON的请求次数、下行CON成功次数、下行CON成功率等;终端上报特性指标可以包括上行NON的请求次数、上行NON成功次数、上行NON业务请求流量等;平台响应特性指标可以包括下行NON平均请求时长、下行NON请求流量、下行NON请求次数等。需要说明的是,本公开对终端的监测数据的形式并不做特殊限定。
在本公开的一种示例实施例中,可以获取终端的样本监测数据。具体的,终端可以定时发送相关的样本监测数据;或者,每当终端产生了新的监测数据时,可以发送新的监测数据;还可以主动获取终端的样本监测数据。需要说明的是,本公开对获取终端的监测数据的方式并不做特殊限定。
在本公开的一种示例实施例中,在获取到终端的样本监测数据之后,可以对获取到的监测数据进行聚类得到聚类结果。具体的,聚类将多个对象分成由类似的对象组成的多个类的过程,其得到的多个类即为聚类结果,这些聚类结果中的对象彼此相似,具有共同的特征。聚类的方式可以包括系统聚类法、有序样品聚类法、动态聚类法、模糊聚类法、图论聚类法、聚类预报法等。需要说明的是,本公开对聚类的方式并不做特殊限定。
在本公开的一种示例实施例中,在获取终端的样本监测数据之前,可以获取终端的运行状态,运行状态包括正常运行以及非正常运行,并排除非正常运行的终端。参照图3所示,获取终端的运行状态,并排除非正常运行的终端,可以包括以下步骤S310~S320,:
步骤S310,获取终端的运行状态,运行状态包括正常运行以及非正常运行;
在本公开的一种示例实施例中,可以获取终端的运行状态。具体的,在对终端进行质差识别时,可以先获取终端的运行状态,终端的运行状态可以包括正常运行和非正常运行,正常运行即为终端已经正常开启并处于常规运行状态下,在这种情况下造成的终端质差通常都是由于终端自身的原因产生;而终端的非正常运行,可能是由于外界因素导致,即当前的终端处于未成功上线、待调测状态、处于弱覆盖区域或其它非正常运行状态,其造成终端质差的原因不在终端本身。
具体而言,在获取终端的运行状态时,可以由人工进行检测,例如,当终端存在质差时,可以由网优人员检测终端所在位置的网络覆盖情况,检测这些位置是否处于弱覆盖区域,即判断该终端是否为弱覆盖区域运行状态,进一步的,可以根据终端质差的识别结果去优化该位置的网络覆盖情况;也可以由终端的上报数据判断终端是否处于非正常运行的状态,例如,可以遍历终端的历史数据,检测其是否成功存在上行con成功行为,如果该终端无存在上行con成功行为,则说明该终端现在属于待调测状态,即该终端为非正常运行的终端。需要说明的是,本公开对正常运行和非正常运行的形式并不做特殊限定。
步骤S320,排除非正常运行的终端。
在本公开的一种示例实施例中,在获取到终端的运行状态之后,为了保证识别质差终端的准确性,可以排除非正常运行的终端。具体的,可以将待调测状态、处于弱覆盖区域或其它非正常运行状态的终端排除,避免获取这些终端的样本监测数据,通过本公开的方案,可以定位到因终端问题造成的质差。
通过上述步骤S310~S320,在获取终端的样本监测数据之前,可以获取终端的运行状态,运行状态包括正常运行以及非正常运行,并排除非正常运行的终端,可以使得质差识别的结果更加精确。
在本公开的一种示例实施例中,可以获取终端的终端类型,然后根据终端类型获取终端的样本监测数据。参照图4所示,根据终端类型获取终端的样本监测数据,可以包括以下步骤S410~S420:
步骤S410,获取终端的终端类型;
在本公开的一种示例实施例中,在获取终端的样本监测数据之前,可以获取终端的终端类型。具体的,终端的终端类型,可以根据功能进行分类,可以包括电力监测用的终端、物流用的RFID终端、汽车监控用的图像传输服务终端等;也可以根据使用扩展性进行分类,可以包括单一功能终端或通过智能终端等;还可以根据传输通路进行分类,可以包括数据透传终端或非数据透传终端等。需要说明的是,本公开对终端类型的分类方式并不做特殊限定。
步骤S420,根据终端类型获取终端的样本监测数据。
在本公开的一种示例实施例中,在获取到终端的终端类型之后,可以根据终端类型获取终端的样本监测数据。具体的,不同类型的终端,其终端质差所影响的监测数据可能不同,因此,在获取终端的样本监测数据时,可以根据终端的类型获取终端的样本监测数据,具体的,可以根据业务经验判断不同终端类型相对重要的监测数据。举例而言,针对于物联网水表而言,其比较重要的监测数据包括单日业务上报和终端唤醒时间,可以获取单日业务上报和终端唤醒时间这两个监测数据,用于识别物联网水表是否发生质差。
通过上述步骤S410~S420,可以获取终端的终端类型,然后根据终端类型获取终端的样本监测数据,可以根据业务经验筛选符合与终端适配的监测数据,使得终端的质差识别的结果更加精确。
在本公开的一种示例实施例中,将样本监测数据输入向量空间得到多个监测数据点,获取向量空间中的随机点,根据随机点以及预设涵盖区间确定滑动窗口,根据滑动窗口以及预设条件确定聚类结果。参照图5所示,根据滑动窗口以及预设条件确定聚类结果,可以包括以下步骤S510~S530:
步骤S510,将样本监测数据输入向量空间得到多个监测数据点;
在本公开的一种示例实施例中,可以将样本监测数据输入向量空间得到多个监测数据点。具体的,向量空间可以包括一维向量空间,二维向量空间以及多位向量空间。例如,一维向量空间可以包括只有两个方向的数轴,可以将样本监测数据(一种监测数据)分布在这个一维向量空间中,得到多个监测数据点;二维向量空间可以包括笛卡尔坐标系,可以将样本监测数据(两种监测数据)分布在这个二维向量空间中,得到多个监测数据点。
步骤S520,获取向量空间中的随机点,根据随机点以及预设涵盖区间确定滑动窗口;
在本公开的一种示例实施例中,在将监测数据输入向量空间得到多个监测数据点,可以获取向量空间中的随机点和预设涵盖区间。具体的,可以在向量空间中设置一个随机点,这个随机点与向量空间对应。举例而言,在一维向量空间中输入的就是一维随机点,在二维向量空间中输入的就是二维随机点,在多维向量空间中输入的就是多维随机点,预设涵盖区间可以根据业务经验进行设定。在获取到向量空间中的随机点和预设涵盖区间之后,可以根据随机点和预设涵盖区间确定滑动窗口。举例而言,在一维向量空间中,可以以随机点为中心点,以预设涵盖区间为范围确定滑动窗口;在二维向量空间中,可以根据随机点为中心,以预设涵盖区间为半径确定滑动窗口。其中,预设涵盖区间可以根据下式进行调节,θ为常数,可以根据业务场景进行调整,X1为滑动前的滑动窗口的中心点,r1为滑动前的滑动窗口的预设涵盖区间,X2为滑动后的滑动窗口的中心点,r2滑动前的滑动窗口的预设涵盖区间,其表达式如下:
进一步的,预设涵盖区间可以包括一个或多个,例如,当预设涵盖区间为两个时,可以根据随机点为中心,以预设涵盖区间中较小的一个为短轴、较大的一个为长轴确定椭圆形的滑动窗口。需要说明的是,本公开对随机点的取值和滑动窗口的形状并不做特殊限定。
步骤S530,根据滑动窗口以及预设条件确定聚类结果。
在本公开的一种示例实施例中,当根据上述步骤确定了滑动窗口之后,可以获取预设条件,并根据滑动窗口以及预设条件确定聚类结果。具体的,可以控制滑动窗口在向量空间中进行滑动,当滑动过程中达到了预设条件之后,以当前滑动窗口覆盖的监测数据点确定聚类结果。具体的,预设条件可以包括滑动窗口中覆盖点数最多。
通过上述步骤S510~S530,可以将样本监测数据输入向量空间得到多个监测数据点,获取向量空间中的随机点,根据随机点以及预设涵盖区间确定滑动窗口,根据滑动窗口以及预设条件确定聚类结果。
在本公开的一种示例实施例中,可以控制滑动窗口进行偏次迭代,以使滑动窗口中涵盖的监测数据点的数量更多,在偏次迭代满足预设条件时得到聚类结果。参照图6所示,控制滑动窗口进行偏次迭代,在偏次迭代满足预设条件时得到聚类结果,可以包括以下步骤S610~S620,:
步骤S610,控制滑动窗口进行偏次迭代,以使滑动窗口中涵盖的监测数据点的数量更多;
在本公开的一种示例实施例中,在获取到上述步骤中得到的滑动窗口之后,可以控制滑动窗口进行偏次迭代,以使滑动窗口中涵盖的监测数据点的数量更多。即,每一次偏次迭代,其目的都在于使得滑动窗口中涵盖的监测数据点的数量更多。进一步的,在控制滑动窗口进行滑动时,当滑动之后的滑动窗口中涵盖的监测数据点的数量少于滑动之前的滑动窗口涵盖的监测数据点时,可以控制滑动窗口退回滑动之前的位置,然后更换滑动方向再次进行滑动。
举例而言,获取的样本监测数据为上行non次数指标,则此时,可以建立一维向量空间,滑动窗口在一维向量空间中只有两个方向,若获取到的多个终端的上行non次数指标(监测数据点)为1、1、1、1、100、4、2、3、1000、10、3,设置的随机点为4,获取到的预设涵盖区间为2,以随机点为4为中心点,2为预设涵盖区间确定滑动窗口,此时滑动窗口中覆盖的监测数据点有4个,将中心点滑动至3后,滑动窗口中覆盖的监测数据点有8个,即此时滑动窗口中覆盖的点数更多。
步骤S620,在偏次迭代满足预设条件时得到聚类结果。
在本公开的一种示例实施例中,当根据上述步骤确定了滑动窗口之后,可以获取预设条件,并根据滑动窗口以及预设条件确定聚类结果。具体的,可以控制滑动窗口在向量空间中进行滑动,当滑动过程中达到了预设条件之后,以当前滑动窗口覆盖的监测数据点确定聚类结果。具体的,预设条件可以包括滑动窗口中覆盖点数最多。
举例而言,如图7所示,二维向量空间700中包括多个监测数据点710,此时,可以控制滑动窗口由第一位置720滑动至第二位置730,此时,滑动窗口中覆盖的监测数据点最多,则偏次迭代满足预设条件。
通过上述步骤S610~S620,可以控制滑动窗口进行偏次迭代,以使滑动窗口中涵盖的监测数据点的数量更多,在偏次迭代满足预设条件时得到聚类结果。
在本公开的一种示例实施例中,监听偏次迭代得到的滑动窗口中涵盖的监测数据点的数量,在偏次迭代得到的滑动窗口中涵盖的监测数据点的数量最多时,偏次迭代满足预设条件。参照图8所示,监听偏次迭代得到的滑动窗口中涵盖的监测数据点的数量,在滑动窗口中涵盖的监测数据点的数量最多时满足预设条件,可以包括以下步骤S810~S820:
步骤S810,监听偏次迭代得到的滑动窗口中涵盖的监测数据点的数量;
在本公开的一种示例实施例中,可以监听每一次偏次迭代后滑动窗口中的监测数据点的数量。具体的,可以采用数理统计中的方法虎丘滑动窗口中监测数据点的数量,也可以采用过滤器的方式获取滑动窗口中监测数据点的数量,还可以采用统计算法获取滑动窗口中监测数据点的数量。需要说明的是,本公开对获取滑动窗口中监测数据点的数量的方式并不做特殊限定。
步骤S820,在偏次迭代得到的滑动窗口中涵盖的监测数据点的数量最多时,偏次迭代满足预设条件。
在本公开的一种示例实施例中,每当获取到滑动窗口中监测数据点的数量之后,可以判断当前偏次迭代是否满足预设条件。具体的,当某次偏次迭代之后,其滑动窗口涵盖的监测数据点的数量比其他偏次迭代后滑动窗口涵盖的监测数据点的数量都要多的时候,则可以判定当前偏次迭代满足预设条件。
通过上述步骤S810~S820,可以监听偏次迭代得到的滑动窗口中涵盖的监测数据点的数量,在偏次迭代得到的滑动窗口中涵盖的监测数据点的数量最多时,偏次迭代满足预设条件。
在本公开的一种示例实施例中,可以获取偏次迭代后滑动窗口中多个监测数据点到随机点的平均距离,在平均距离小于迭代阈值时,偏次迭代满足预设条件。参照图9所示,多个监测数据点到随机点的平均距离小于迭代阈值时,偏次迭代满足预设条件,可以包括以下步骤S910~S920:
步骤S910,获取偏次迭代后滑动窗口中多个监测数据点到随机点的平均距离;
在本公开的一种示例实施例中,每当进行了一次偏次迭代之后,可以计算滑动窗口中多个监测数据点到随机点的平均距离。具体的,可以获取滑动窗口中的监测数据点,并获取监测数据点到随机点的直线距离,将这些距离相加,然后除以监测数据点的总数,以此计算滑动窗口中多个监测数据点到随机点的平均距离。
步骤S920,在平均距离小于迭代阈值时,偏次迭代满足预设条件。
在本公开的一种示例实施例中,每当获取到滑动窗口中的多个监测数据点到随机点的平均距离之后,可以判断当前偏次迭代是否满足预设条件。具体的,当某次偏次迭代之后,其滑动窗口中的多个监测数据点到随机点的平均距离小于迭代阈值的时候,则可以判定当前偏次迭代满足预设条件。需要说明的是,本公开对迭代阈值的具体数值并不作特殊限定,可以根据具体业务场景进行调整。
通过上述步骤S910~S920,可以获取偏次迭代后滑动窗口中多个监测数据点到随机点的平均距离,在平均距离小于迭代阈值时,判定偏次迭代满足预设条件。
在本公开的一种示例实施例中,向量空间包括多个向量子空间,可以获取各向量子空间中的随机点,然后根据各随机点以及预设涵盖区间确定各向量子空间中的滑动窗口。参照图10所示,根据各随机点以及预设涵盖区间确定各向量子空间中的滑动窗口,可以包括以下步骤S1010~S1020:
步骤S1010,获取各向量子空间中的随机点;
在本公开的一种示例实施例中,向量空间中可以包括多个向量子空间,在获取到多个向量子空间之后,可以获取各个向量子空间中的随机点。具体的,向量子空间可以根据监测数据点的密集程度进行划分。例如,参照图11所示,二维向量空间1100中分布了多个监测数据点1140,此时,可以将监测数据点密度较大的区域划分为第一向量子空间1110、第二向量子空间1120、第三向量子空间1130。需要说明的是,本公开对向量子空间的划分方式及方法并不作特殊限定。
步骤S1020,根据各随机点以及预设涵盖区间确定各向量子空间中的滑动窗口。
在本公开的一种示例实施例中,当获取到各向量子空间中的随机点之后,可以根据随机点对应的预设涵盖区间确定各向量子空间的滑动窗口。具体的,每个向量子空间中的随机点对应的预设涵盖区间可以相同,也可以不同,可以根据业务场景进行调整。
通过上述步骤S1010~S1020,可以获取各向量子空间中的随机点,然后根据各随机点以及预设涵盖区间确定各向量子空间中的滑动窗口。
在本公开的一种示例实施例中,可以根据各向量子空间中的滑动窗口确定各向量子空间对应的聚类结果,并根据各聚类结果确定各向量子空间对应的子空间参考中心值。参照图12所示,根据各聚类结果确定各向量子空间对应的子空间参考中心值,可以包括以下步骤S1210~S1220:
步骤S1210,根据各向量子空间中的滑动窗口确定各向量子空间对应的聚类结果;
在本公开的一种示例实施例中,在通过上述步骤得到多个向量子空间对应的滑动窗口之后,可以根据各滑动窗口确定各向量子空间对应的聚类结果。具体的,可以控制各向量空间中的滑动窗口进行滑动,以使各滑动窗口中涵盖的监测数据点的数量最多,以当前各滑动窗口确定的监测数据点作为聚类结果。
步骤S1220,根据各聚类结果确定各向量子空间对应的子空间参考中心值。
在本公开的一种示例实施例中,在获取到各向量空间对应的聚类结果之后,可以根据各聚类结果确定各向量子空间对应的子空间参考中心值。具体的,可以将聚类结果对应的随机点作为各向量子空间对应的子空间参考中心值。
通过上述步骤S1210~S1220,可以根据各向量子空间中的滑动窗口确定各向量子空间对应的聚类结果,并根据各聚类结果确定各向量子空间对应的子空间参考中心值。
在本公开的一种示例实施例中,可以获取各子空间参考中心值以及各子空间参考中心值对应的数据偏差范围,然后合并各数据偏差范围得到目标监测数据对应的数据偏差范围。参照图13所示,合并各数据偏差范围得到目标监测数据对应的数据偏差范围,可以包括以下步骤S1310~S1320:
步骤S1310,获取各子空间参考中心值以及各子空间参考中心值对应的数据偏差范围;
步骤S1320,合并各数据偏差范围得到目标监测数据对应的数据偏差范围。
在本公开的一种示例实施例中,在获取到上述步骤中得到的子空间参考中心值之后,可以获取各子空间参考中心值对应的数据偏差范围,其中,各子空间参考中心值对应的数据偏差范围可以相同,也可以不同。当各参考中心值对应的数据偏差范围具有重合部分时,可以将各参考中心值对应的数据偏差范围重合的部分进行合并。
举例而言,参照图14所示,各子空间参考中心值1440、1450、1460对应的数据偏差范围1410、1420、1430具有重合部分,此时可以将各参考中心值对应的数据偏差范围重合的部分进行合并得到向量空间对应的数据偏差范围1470。
步骤S220,根据聚类结果确定参考中心值;其中,参考中心值对应有数据偏差范围;参考中心值包括通用场景参考中心值和特殊场景参考中心值;
在本公开的一种示例实施例中,当根据上述步骤得到聚类结果之后,可以根据聚类结果确定参考中心值。具体的,可以根据与聚类结果对应的滑动窗口确定参考中心值,滑动窗口中包括随机点,可以以随机点作为参考中心值。与此同时,可以获取参考中心值的数据偏差范围,以此确定与样本监测数据对应的数据偏差范围。
在本公开的一种示例实施例中,参考中心值可以包括通用场景参考中心值和特殊场景参考中心值,其中,通用场景包括大多数终端的使用场景,特殊场景包括少数终端的使用场景。举例而言,针对于物联网水表而言,一般的家庭生活使用场景中,一天仅需要业务上报几次,而在学校场景中,一天可能需要业务上报几百次,即家庭生活场景为通用场景,学校场景为特殊场景,例如,当物联网水表的业务上报次数(监测数据)在通用场景下对应的数据偏差范围为0~10,而获取到的很多业务上报次数在100~500之间,则此时,物联网水表的业务上报次数在特殊场景下的数据偏差范围为100~500。
步骤S230,根据目标监测数据的类型确定目标监测数据对应的目标通用场景参考中心值以及目标特殊场景参考中心值,并获取目标通用场景参考中心值对应的数据偏差范围以及目标特殊场景参考中心值对应的数据偏差范围。
在本公开的一种示例实施例中,根据目标监测数据的类型确定目标监测数据对应的目标通用场景参考中心值以及目标特殊场景参考中心值。具体的,可以获取步骤中得到的多个类型的参考中心值,其中,每个类型的参考中心值都包括这个类型的通用场景参考中心值和特殊场景参考中心值。可以根据目标监测数据的类型确定目标监测数据对应的目标通用场景参考中心值以及目标特殊场景参考中心值。
举例而言,目标监测数据为上行NON次数指标,则此时可以获取上行NON次数指标的目标通用场景参考中心值以及目标特殊场景参考中心值;或者,目标监测数据为下行CON成功率指标,则此时可以获取下行CON成功率指标的目标通用场景参考中心值以及目标特殊场景参考中心值。需要说明的是,本公开对目标通用场景参考中心值以及目标特殊场景参考中心值的类型并不作特殊限定。
步骤S240,根据目标监测数据是否在目标通用场景参考中心值对应的数据偏差范围内或目标特殊场景参考中心值对应的数据偏差范围内确定终端是否质差。
在本公开的一种示例实施例中,当获取到目标监测数据的目标通用场景参考中心值对应的数据偏差范围以及目标特殊场景参考中心值对应的数据偏差范围之后,可以目标检测监测是否落入目标通用场景参考中心值对应的数据偏差范围以及目标特殊场景参考中心值对应的数据偏差范围,以此确定终端是否质差。具体的,在判断终端是否质差时,当目标监测数据位于目标通用场景参考中心值对应的数据偏差范围内,或者标监测数据位于目标特殊场景参考中心值对应的数据偏差范围内时,则目标监测数据对应的终端正常;在目标监测数据在目标通用场景参考中心值对应的数据偏差范围和目标特殊场景参考中心值对应的数据偏差范围外时,目标监测数据对应的终端存在质差。
进一步的,在判断终端是否存在质差时,可以获取通用场景和特殊场景下的样本监测数据,并根据通用场景和特殊场景下的样本监测数据分别确定通用场景参考中心值和特殊场景参考中心值,在此基础上,根据通用场景参考中心值和特殊场景参考中心值确定各场景下的数据偏差范围。在判断某个终端是否存在质差时,可以先将终端对应的目标监测数据与通用场景参考中心值对应的数据偏差范围进行比较,然后再与特殊场景参考中心值对应的数据偏差范围进行比较,当目标监测数据位于上述其中一个场景的数据偏差范围时,则可以判断当前终端正常(不存在质差)。结合通用场景和特殊场景,可以有效提高终端的质差识别的准确率。
在本公开的一种示例实施例中,可以先采集物联网终端的样本监测数据并进行清洗,然后根据样本监测数据确定通用场景的参考中心值以及数据偏差范围,再根据样本监测数据确定特殊场景的参考中心值以及数据偏差范围,然后根据通用场景和特殊场景的参考中心值以及数据偏差范围判断终端是否质差。参照图15所示,根据通用场景和特殊场景的参考中心值以及数据偏差范围判断终端是否质差,可以包括步骤S1510~S1540:步骤S1510,采集物联网终端的样本监测数据并进行清洗;步骤S1520,根据样本监测数据确定通用场景的参考中心值以及数据偏差范围;步骤S1530,根据样本监测数据确定特殊场景的参考中心值以及数据偏差范围;步骤S1540,根据通用场景和特殊场景的参考中心值以及数据偏差范围判断终端是否质差。
在本公开的一种示例实施例中,当获取终端的样本监测数据之后,可以对样本监测数据进行聚类得到聚类结果,根据聚类结果确定参考中心值,根据目标监测数据的类型确定目标监测数据对应的目标通用场景参考中心值以及目标特殊场景参考中心值,并获取目标通用场景参考中心值对应的数据偏差范围以及目标特殊场景参考中心值对应的数据偏差范围,再根据目标监测数据是否在目标通用场景参考中心值对应的数据偏差范围内或目标特殊场景参考中心值对应的数据偏差范围内确定终端是否质差。
一方面,可以避免终端质差识别时对人工经验的依赖性,降低人力物力成本,可以快速的定位质差终端并进行处理;另一方面,可以主动的进行质差识别,提前解决相关的质差终端,避免用户的抱怨;再一方面,可以识别不同使用场景以及厂家偏好设置的质差终端,提升了质差识别的通用性,进而提升了用户的使用体验。
需要注意的是,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
此外,在本公开的示例性实施方式中,还提供了一种终端的质差识别装置。参照图16所示,一种终端的质差识别装置1600包括:聚类结果获取模块1610,参考中心值确定模块1620、偏差范围获取模块1630、终端质差识别模块1640。
其中,聚类结果获取模块,用于获取终端的样本监测数据,对样本监测数据进行聚类得到聚类结果;参考中心值确定模块,用于根据聚类结果确定参考中心值;其中,参考中心值对应有数据偏差范围;参考中心值包括通用场景参考中心值和特殊场景参考中心值;偏差范围获取模块,用于根据目标监测数据的类型确定目标监测数据对应的目标通用场景参考中心值以及目标特殊场景参考中心值,并获取目标通用场景参考中心值对应的数据偏差范围以及目标特殊场景参考中心值对应的数据偏差范围;终端质差识别模块,用于根据目标监测数据是否在目标通用场景参考中心值对应的数据偏差范围内或目标特殊场景参考中心值对应的数据偏差范围内确定终端是否质差。
在本公开的一种示例性实施例中,基于前述方案,获取终端的运行状态,运行状态包括正常运行以及非正常运行;排除非正常运行的终端。
在本公开的一种示例性实施例中,基于前述方案,非正常运行包括待调测运行状态或弱覆盖区域运行状态。
在本公开的一种示例性实施例中,基于前述方案,获取终端的样本监测数据,包括:获取终端的终端类型;根据终端类型获取终端的样本监测数据。
在本公开的一种示例性实施例中,基于前述方案,对样本监测数据进行聚类得到聚类结果,包括:将样本监测数据输入向量空间得到多个监测数据点;获取向量空间中的随机点,根据随机点以及预设涵盖区间确定滑动窗口;根据滑动窗口以及预设条件确定聚类结果。
在本公开的一种示例性实施例中,基于前述方案,根据滑动窗口以及预设条件确定聚类结果,包括:控制滑动窗口进行偏次迭代,以使滑动窗口中涵盖的监测数据点的数量更多;在偏次迭代满足预设条件时得到聚类结果。
在本公开的一种示例性实施例中,基于前述方案,根据聚类结果确定参考中心值,包括:聚类结果中滑动窗口对应的随机点为参考中心值。
在本公开的一种示例性实施例中,基于前述方案,在偏次迭代满足预设条件,包括:监听偏次迭代得到的滑动窗口中涵盖的监测数据点的数量;在偏次迭代得到的滑动窗口中涵盖的监测数据点的数量最多时,偏次迭代满足预设条件。
在本公开的一种示例性实施例中,基于前述方案,在偏次迭代满足预设条件,包括:获取偏次迭代后滑动窗口中多个监测数据点到随机点的平均距离;在平均距离小于迭代阈值时,偏次迭代满足预设条件。
在本公开的一种示例性实施例中,基于前述方案,向量空间包括多个向量子空间,获取向量空间中的随机点,根据随机点以及预设涵盖区间确定滑动窗口,包括:获取各向量子空间中的随机点;根据各随机点以及预设涵盖区间确定各向量子空间中的滑动窗口。
在本公开的一种示例性实施例中,基于前述方案,根据聚类结果确定参考中心值,包括:根据各向量子空间中的滑动窗口确定各向量子空间对应的聚类结果;根据各聚类结果确定各向量子空间对应的子空间参考中心值。
在本公开的一种示例性实施例中,基于前述方案,获取各子空间参考中心值以及各子空间参考中心值对应的数据偏差范围;合并各数据偏差范围得到目标监测数据对应的数据偏差范围。
由于本公开的示例实施例的终端的质差识别装置的各个功能模块与上述终端的质差识别方法的示例实施例的步骤对应,因此对于本公开装置实施例中未披露的细节,请参照本公开上述的终端的质差识别方法的实施例。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,在本公开的示例性实施例中,还提供了一种能够实现上述终端的质差识别方法的电子设备。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施例、完全的软件实施例(包括固件、微代码等),或硬件和软件方面结合的实施例,这里可以统称为“电路”、“模块”或“系统”。
下面参照图17来描述根据本公开的这种实施例的电子设备1700。图17显示的电子设备1700仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图17所示,电子设备1700以通用计算设备的形式表现。电子设备1700的组件可以包括但不限于:上述至少一个处理单元1710、上述至少一个存储单元1720、连接不同系统组件(包括存储单元1720和处理单元1710)的总线1730、显示单元1740。
其中,存储单元存储有程序代码,程序代码可以被处理单元1710执行,使得处理单元1710执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。例如,处理单元1710可以执行如图2中所示的步骤S210,获取终端的样本监测数据,对样本监测数据进行聚类得到聚类结果;步骤S220,根据聚类结果确定参考中心值;其中,参考中心值对应有数据偏差范围;参考中心值包括通用场景参考中心值和特殊场景参考中心值;步骤S230,根据目标监测数据的类型确定目标监测数据对应的目标通用场景参考中心值以及目标特殊场景参考中心值,并获取目标通用场景参考中心值对应的数据偏差范围以及目标特殊场景参考中心值对应的数据偏差范围;步骤S240,根据目标监测数据是否在目标通用场景参考中心值对应的数据偏差范围内或目标特殊场景参考中心值对应的数据偏差范围内确定终端是否质差。
又如,电子设备可以实现如图2所示的各个步骤。
存储单元1720可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)1721和/或高速缓存存储单元1722,还可以进一步包括只读存储单元(ROM)1723。
存储单元1720还可以包括具有一组(至少一个)程序模块1725的程序/实用工具1724,这样的程序模块1725包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线1730可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备1700也可以与一个或多个外部设备1770(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备1700交互的设备通信,和/或与使得该电子设备1700能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1750进行。并且,电子设备1700还可以通过网络适配器1760与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器1760通过总线1730与电子设备1700的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备1700使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在终端设备上运行时,程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施例的步骤。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
Claims (15)
1.一种终端的质差识别方法,其特征在于,所述方法包括:
获取终端的样本监测数据,对所述样本监测数据进行聚类得到聚类结果;
根据所述聚类结果确定参考中心值;其中,所述参考中心值对应有数据偏差范围;所述参考中心值包括通用场景参考中心值和特殊场景参考中心值;
根据目标监测数据的类型确定所述目标监测数据对应的目标通用场景参考中心值以及所述目标特殊场景参考中心值,并获取所述目标通用场景参考中心值对应的数据偏差范围以及所述目标特殊场景参考中心值对应的数据偏差范围;
根据所述目标监测数据是否在所述目标通用场景参考中心值对应的数据偏差范围内或所述目标特殊场景参考中心值对应的数据偏差范围内确定所述终端是否质差。
2.根据权利要求1所述的方法,其特征在于,在所述获取终端的样本监测数据之前,所述方法还包括:
获取所述终端的运行状态,所述运行状态包括正常运行以及非正常运行;
排除所述非正常运行的终端。
3.根据权利要求2所述的方法,其特征在于,所述非正常运行包括待调测运行状态或弱覆盖区域运行状态。
4.根据权利要求1所述的方法,其特征在于,所述获取终端的样本监测数据,包括:
获取所述终端的终端类型;
根据所述终端类型获取所述终端的样本监测数据。
5.根据权利要求1所述的方法,其特征在于,所述对所述样本监测数据进行聚类得到聚类结果,包括:
将所述样本监测数据输入向量空间得到多个监测数据点;
获取所述向量空间中的随机点,根据所述随机点以及预设涵盖区间确定滑动窗口;
根据所述滑动窗口以及预设条件确定聚类结果。
6.根据权利要求5所述的方法,其特征在于,根据所述滑动窗口以及预设条件确定聚类结果,包括:
控制所述滑动窗口进行偏次迭代,以使所述滑动窗口中涵盖的监测数据点的数量更多;
在所述偏次迭代满足预设条件时得到聚类结果。
7.根据权利要求6所述的方法,其特征在于,根据所述聚类结果确定参考中心值,包括:
所述聚类结果中滑动窗口对应的随机点为所述参考中心值。
8.根据权利要求6所述的方法,其特征在于,所述在所述偏次迭代满足预设条件,包括:
监听所述偏次迭代得到的所述滑动窗口中涵盖的所述监测数据点的数量;
在所述偏次迭代得到的所述滑动窗口中涵盖的所述监测数据点的数量最多时,所述偏次迭代满足预设条件。
9.根据权利要求6所述的方法,其特征在于,所述在所述偏次迭代满足预设条件,包括:
获取所述偏次迭代后滑动窗口中多个监测数据点到所述随机点的平均距离;
在所述平均距离小于迭代阈值时,所述偏次迭代满足预设条件。
10.根据权利要求5所述的方法,其特征在于,所述向量空间包括多个向量子空间,所述获取所述向量空间中的随机点,根据所述随机点以及所述预设涵盖区间确定滑动窗口,包括:
获取各所述向量子空间中的随机点;
根据各所述随机点以及所述预设涵盖区间确定各向量子空间中的滑动窗口。
11.根据权利要求10所述的方法,其特征在于,所述根据所述聚类结果确定参考中心值,包括:
根据各所述向量子空间中的滑动窗口确定各向量子空间对应的聚类结果;
根据各所述聚类结果确定所述各向量子空间对应的子空间参考中心值。
12.根据权利要求11所述的方法,其特征在于,所述方法还包括:
获取各所述子空间参考中心值以及各所述子空间参考中心值对应的数据偏差范围;
合并各所述数据偏差范围得到所述目标监测数据对应的数据偏差范围。
13.一种终端的质差识别装置,其特征在于,所述装置包括:
聚类结果获取模块,用于获取终端的样本监测数据,对所述样本监测数据进行聚类得到聚类结果;
参考中心值确定模块,用于根据所述聚类结果确定参考中心值;其中,所述参考中心值对应有数据偏差范围;所述参考中心值包括通用场景参考中心值和特殊场景参考中心值;
偏差范围获取模块,用于根据目标监测数据的类型确定所述目标监测数据对应的目标通用场景参考中心值以及所述目标特殊场景参考中心值,并获取所述目标通用场景参考中心值对应的数据偏差范围以及所述目标特殊场景参考中心值对应的数据偏差范围;
终端质差识别模块,用于根据所述目标监测数据是否在所述目标通用场景参考中心值对应的数据偏差范围内或所述目标特殊场景参考中心值对应的数据偏差范围内确定所述终端是否质差。
14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1~12中任一项所述的方法。
15.一种电子设备,其特征在于,包括:
处理器;以及
存储器,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1~12中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110265828.XA CN115134221B (zh) | 2021-03-11 | 2021-03-11 | 终端的质差识别方法及装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110265828.XA CN115134221B (zh) | 2021-03-11 | 2021-03-11 | 终端的质差识别方法及装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115134221A CN115134221A (zh) | 2022-09-30 |
CN115134221B true CN115134221B (zh) | 2024-05-14 |
Family
ID=83373982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110265828.XA Active CN115134221B (zh) | 2021-03-11 | 2021-03-11 | 终端的质差识别方法及装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115134221B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807474A (zh) * | 2019-10-12 | 2020-02-18 | 腾讯科技(深圳)有限公司 | 聚类方法及装置、存储介质、电子设备 |
CN111953563A (zh) * | 2020-07-31 | 2020-11-17 | 中国移动通信集团江苏有限公司 | 用户识别的方法、装置、设备及计算机存储介质 |
CN112101692A (zh) * | 2019-06-18 | 2020-12-18 | 中国移动通信集团浙江有限公司 | 移动互联网质差用户的识别方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017195089A1 (en) * | 2016-05-09 | 2017-11-16 | Tata Consultancy Services Limited | Method and system for achieving auto-adaptive clustering in a sensor network |
US10810513B2 (en) * | 2018-10-25 | 2020-10-20 | The Boeing Company | Iterative clustering for machine learning model building |
CN110414569B (zh) * | 2019-07-03 | 2022-04-08 | 北京小米智能科技有限公司 | 聚类实现方法及装置 |
-
2021
- 2021-03-11 CN CN202110265828.XA patent/CN115134221B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112101692A (zh) * | 2019-06-18 | 2020-12-18 | 中国移动通信集团浙江有限公司 | 移动互联网质差用户的识别方法及装置 |
CN110807474A (zh) * | 2019-10-12 | 2020-02-18 | 腾讯科技(深圳)有限公司 | 聚类方法及装置、存储介质、电子设备 |
CN111953563A (zh) * | 2020-07-31 | 2020-11-17 | 中国移动通信集团江苏有限公司 | 用户识别的方法、装置、设备及计算机存储介质 |
Non-Patent Citations (1)
Title |
---|
基于多数据源关联的市网分析产品终端战略地图;黄莎;魏宗静;徐秋连;冉小刚;;电信工程技术与标准化;20160915(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115134221A (zh) | 2022-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20170364819A1 (en) | Root cause analysis in a communication network via probabilistic network structure | |
CN111126824A (zh) | 多指标关联模型训练方法及多指标异常分析方法 | |
CN113935497A (zh) | 智能运维故障处理方法、装置、设备及其存储介质 | |
US20110215920A1 (en) | Alarm processing method, device, and system | |
US11586981B2 (en) | Failure analysis device, failure analysis method, and failure analysis program | |
WO2022061900A1 (zh) | 故障自治能力的确定方法以及相关设备 | |
CN111294248B (zh) | 网元故障质检方法、装置、设备及介质 | |
EP3460663A1 (en) | Apparatus and method for rare failure prediction | |
US9235463B2 (en) | Device and method for fault management of smart device | |
US11500365B2 (en) | Anomaly detection using MSET with random projections | |
CN111294730A (zh) | 一种网络问题投诉信息处理的方法及装置 | |
JP2016021241A (ja) | 製品の予想故障数の計算に基づく保証費推定 | |
Zhang et al. | Comprehensive IoT SIM card anomaly detection algorithm based on big data | |
CN113207146B (zh) | 无线通信网络质量监控系统及方法 | |
CN115134221B (zh) | 终端的质差识别方法及装置、存储介质及电子设备 | |
CN111200836A (zh) | 异常识别方法及定位方法、装置、介质、电子设备 | |
CN116756616A (zh) | 数据处理方法、装置、计算机可读介质及电子设备 | |
CN113537519B (zh) | 一种识别异常设备的方法和装置 | |
CN114938339A (zh) | 一种数据处理方法和相关装置 | |
CN113778831A (zh) | 一种数据应用性能分析方法、装置、设备和介质 | |
CN111722977A (zh) | 系统巡检方法、装置及电子设备 | |
CN111641532B (zh) | 一种通信质量检测方法、装置、服务器及存储介质 | |
Yang et al. | Accuracy and precision-aware iot device selection in mobile edge networks | |
US20240073716A1 (en) | Anomaly Prediction in OpenRAN Mobile Networks Using Spatio-Temporal Correlation | |
CN118227969A (zh) | 一种多源异构数据采集方法、系统、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 |