CN117649153A - 基于信息集成的移动通信网络用户体验质量预测方法 - Google Patents
基于信息集成的移动通信网络用户体验质量预测方法 Download PDFInfo
- Publication number
- CN117649153A CN117649153A CN202410117123.7A CN202410117123A CN117649153A CN 117649153 A CN117649153 A CN 117649153A CN 202410117123 A CN202410117123 A CN 202410117123A CN 117649153 A CN117649153 A CN 117649153A
- Authority
- CN
- China
- Prior art keywords
- prediction
- user experience
- model
- quality
- mobile communication
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000010295 mobile communication Methods 0.000 title claims abstract description 29
- 230000010354 integration Effects 0.000 title claims abstract description 14
- 230000006870 function Effects 0.000 claims abstract description 41
- 238000005516 engineering process Methods 0.000 claims abstract description 40
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 35
- 238000004891 communication Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000000137 annealing Methods 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 238000013461 design Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000002779 inactivation Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000012512 characterization method Methods 0.000 abstract 1
- 238000000605 extraction Methods 0.000 abstract 1
- 208000018910 keratinopathic ichthyosis Diseases 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000013441 quality evaluation Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000001303 quality assessment method Methods 0.000 description 2
- 238000004132 cross linking Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于信息集成的移动通信网络用户体验质量预测方法，属于无线技术领域，包括：步骤1、构建用户体验质量QoE预测问题，设计优化目标函数；步骤2：对移动通信网络KPI值进行多尺度特征信息预处理；步骤3：设计深度神经网络实现用户体验质量预测并通过快照集成学习以及堆叠集成学习技术提高预测质量；步骤4：预测模型性能评估；本发明利用采用卷积神经网络模型对预测模型进行建模，利用深度学习技术的高维特征提取和表征能力实现高效准确预测，采用的基于元分类器的堆叠集成学习技术有效提升高维信息空间下的用户体验质量预测准确率。
Description
技术领域
本发明属于无线技术领域，尤其涉及一种基于多尺度信息集成的移动通信网络用户体验质量预测方法。
背景技术
用户体验质量（Quality of Experience，QoE）预测是移动通信网络维护与优化中的关键问题之一。传统移动通信网络质量评估大多数以接收电平、信噪比、时延、丢包率、带宽、数据吞吐率等物理参数作为指标。这些指标通常只能刻画移动通信网络的状态，可以用于电信运营商维护优化自身网络，但是难以反映用户的真实体验，与用户的实际感知脱节。电信运营商想要获得用户的认可、提高用户粘性必须确保良好的用户体验质量（QoE）。因此，用户QoE的评估与预测是提高通信运营商服务质量的关键。
公开号为CN112584417B的中国专利公开了一种无线业务质量确定方法，规定了通过无线网络侧数据和业务侧数据的定义和获取方式来对QoS和QoE进行评估；也提到了采用机器学习方法进行QoS和QoE的评估，该方案与本发明中的背景较为相关，但还存在如下缺陷：
该方案侧重于对无线业务质量评估所采用的数据集的描述、获取和存储，对于如果挖掘这些数据与用户QoS和QoE之间的联系并没有交代清楚，缺乏进一步数据预处理的方案以及预测模型；虽然提到了通过机器学习方法，但是对于所采用的机器学习算法模型，训练方法以及结果评估方法均没有给出具体的方案。
另外，现有QoE评估方案多采用基于专家知识的方式，无法应对多源异构数据的挖掘和融合。此外，尽管目前已有技术提及了QoE/QoS的评估方法，然而针对具体的数据处理方法以及机器学习算法的设计和模型选型没有明确的方法。
发明内容
针对现有技术中存在的问题，本发明目的在于：解决多尺度特征下移动通信网络用户体验质量预测模型难建立且预测精度差的问题。
为了实现上述目的，本发明所采用技术方案为：一种基于信息集成的移动通信网络用户体验质量预测方法，包括：
步骤1、构建用户体验质量QoE预测问题，设计优化目标函数；
步骤2：对移动通信网络关键绩效指标（Key Performance Indicator，KPI）值进行多尺度特征信息预处理；
步骤3：设计深度神经网络实现用户体验质量预测并通过快照集成学习以及堆叠集成学习技术提高预测质量；
步骤4：预测模型性能评估。
所述步骤1具体为：将用户体验质量QoE建模为二分类问题，将各种关键绩效指标KPI组成的样本作为输入参数，/>是QoE预测模型；/>表示当输入样本为x时神经网络输出的预测值，其中/>是神经网络模型需要训练的权重参数；当预测值大于0.5，则表明服务质量可接受，用户体验较好；反之则表示服务质量不可接受，用户体验较差；基于经验风险最小化原则对目标函数进行设计，并通过正则化技术降低模型的过拟合风险；具体包括以下步骤：
步骤1.1：将用户体验质量QoE问题建模为二分类问题：
，
用户体验质量QoE预测问题的模型目标是找到一组合适的参数，从而实现样本到真实标签y的映射；
步骤1.2：基于经验风险最小化原则针对二分类问题设计求解目标：
，
其中用于衡量预测值/>和真实标签/>之间的距离，/>是由N组样本与标签组成的数据集，/>表示在所有样本上的期望，/>表示基于经验风险的误差损失值；
步骤1.3：经验风险最小化目标转化为模型结构风险最小化目标：
针对中所含有的样本数量有限的情况，通过引入正则项来约束模型复杂度从而降低过拟合的风险，经验风险最小化目标转化为模型结构风险最小化目标并表示为：
，
其中表示正则项函数，/>表示平衡因子；正则项包括：随机失活、/>范数以及范数；/>表示在数据集/>上计算出的损失函数/>的损失值与正则项函数/>的加权和、/>表示采用的损失函数、/>用于约束权重/>的函数，/>用于调节/>与/>之间的平衡关系。
所述步骤2具体为：将信号强度、用户移动速度、距基站的距离、呼叫持续时间、呼叫结果以及所采用的通信技术六个尺度KPI值组成的多尺度信息特征向量作为QoE预测模型的样本；具体包括以下步骤：
步骤2.1：用户数据样本向量化表示
根据移动通信网络KPI的定义，将包含信号强度、用户移动速度、距基站的距离、呼叫持续时间、呼叫结果以及所采用的通信技术在内的样本向量化表示为：
，
其中为样本数量；
步骤2.2：数据归一化预处理技术
利用最值归一化方法对信号强度、用户移动速度、距基站的距离与呼叫持续时间的连续变量进行预处理，即：
，
该公式用于将中第1-4个变量做最大值最小值归一化，/>表示求取N个样本中第i个变量的最小值，/>表示求取N个样本中的第i个变量的最大值，表示归一化后的第n个样本中第i个变量；
针对呼叫结果与本次呼叫所采用的通信技术离散变量，采用标签表明的方式对两者进行预处理；呼叫结果中的“SUCCESS”与“FAILURE”分别编码为0和1，本次呼叫所采用的通信技术中的“GSM”、“UMTS”与“LTE”分别编码为。
所述步骤3具体为：选择深度神经网络为卷积神经网络CNN，结合快照集成学习中的余弦退火技术与堆叠集成学习中的元分类器技术，设计一种基于多尺度信息集成学习的CNN训练方法，用于QoE的预测，具体包括如下步骤：
步骤3.1：基于神经网络的用户体验预测模型建立
设计一个具有2层卷积层以及2层全连接层的卷积神经网络用户质量预测模型，模型的输出采用Softmax层；
步骤3.2：损失函数设计
采用交叉熵 CE损失函数作为DNN的目标函数；假设一组训练样本及对应的标签可以表示为，由于QoE预测问题被建模为分类问题，所以此处具体化第一步中的/>为交叉熵损失函数，即/>那么CE损失函数可以表示为：
，
其中，具体化为当前输入/>且CNN可训练参数为/>时，CNN的输出预测值；/>为当前输入/>对应的标签；
为了降低过拟合的风险，为上式添加范数作为正则项，所以最终的目标函数可以表示为：
，
步骤3.3：自适应学习率方案
基于Adam优化器对网络进行训练，训练过程中的学习率按照快照集成学习技术进行设计，具体的学习率设计为：
，
其中t表示当前的训练轮次，表示在第/>个训练周期时的学习率，/>为预设的最大学习率，/>为总训练周期，/>代表需获取的基模型数量；/>代表取余运算，/>代表向下取整；
步骤3.4：多尺度信息集成学习方案
利用余弦退火学习率训练得到的个基模型，分别对应的网络参数为/>，则分别的预测CNN函数记为/>，那么，这些模型在训练集/>上输出的预测概率表示为：
，
将个基模型输出的预测概率的集合/>与标签作为元分类器的训练集，该训练集可以表示为/>，随后采用支持向量机SVM作为元分类器进行最终结果选择。
所述步骤4具体为：提出四种适用于评估用户体验质量QoE预测模型的常规指标：指标1，准确率；指标2，精度；指标3，召回率；指标4，F1得分；通过对模型性能的评估来获得最佳模型的同时，将其在线部署到云网的维护端侧中，当获取到实时的终端数据后对其进行用户体验质量QoE指标的预测。
与现有技术相比，本发明所采用的技术方案的有益效果在于：
1、现有的移动通信网络质量评估大多无法真实反应用户真实体验，因此本发明通过引入信号强度、用户移动速度、距基站的距离、呼叫持续时间、呼叫结果以及所采用的通信技术作为挖掘数据，相较于传统的丢包率和时延等更准确；
2、现有的移动网用户体验质量评估没有却知的模型，因此无法从复杂数据中提取准确且关键的信息，本发明利用采用卷积神经网络模型对预测模型进行建模，利用深度学习技术的高维特征提取和表征能力实现高效准确预测；
3、相较于现有的单一尺度信息下的深度学习分类评估算法，本发明中采用的基于元分类器的堆叠集成学习技术有效提升高维信息空间下的用户体验质量预测准确率；
4、本发明在训练所提出的卷积神经网络模型时，采用快照集成学习中的余弦退火自适应学习率技术获得多个尺度信息下的基模型；在获得的多个基模型上采用元分类技术实现跨尺度特征融合并利用SVM算法进行最终的结果选择；
5、利用本发明的技术方案，可以根据获得的实时用户体验质量或者预测的未来的用户体验质量趋势，服务商可以灵活调控资源和业务等来优化自身网络。对于目前的5G专网和核心网，具有较高的落地价值。
附图说明
图1为本发明基于多尺度信息集成的移动通信网络用户体验质量预测方法流程示意图。
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。
参见图1，本实施例提供一种基于多尺度信息集成的移动通信网络用户体验质量预测方法，针对运营侧的多源异构数据提出了数据预处理方案，并针对相应的用户QoE评估任务设计了有效的神经网络并提出了多尺度集成学习方法。本实施例有助于简化和智化网络运维，摒弃了传统基于专家知识的方式，降低人力成本；同时，本实施例所提出的数据预处理和神经网络训练方案有助于进一步挖掘海量用户数据，提高预测准确度，降低网络维护成本的同时减少故障率的发生。主要包括以下流程：
步骤1：构建用户体验质量预测问题，设计优化目标函数；
步骤2：对移动通信网络关键KPI值进行多尺度特征信息预处理；
步骤3：设计深度神经网络实现用户体验质量预测并通过快照集成学习以及堆叠集成学习技术提高预测质量；
步骤4：给出几种预测模型性能的评估方法。
步骤1：构建用户体验质量预测问题，并设计优化目标函数。
本步骤主要是将用户体验质量（QoE）建模为二分类问题，将各种关键绩效指标（KPI）组成的样本作为输入参数，/>是QoE预测模型；/>表示当输入样本为/>时神经网络输出的预测值，其中/>是神经网络模型需要训练的权重参数；如果预测值大于0.5，则表明服务质量可接受，用户体验较好；反之则表示服务质量不可接受，用户体验较差；基于经验风险最小化原则对目标函数进行设计，并通过正则化技术降低模型的过拟合风险。
步骤1.1：将QoE问题建模为二分类问题：
，
QoE预测问题的模型目标是找到一组合适的参数，从而实现样本/>到真实标签y的映射；
步骤1.2：基于经验风险最小化原则针对二分类问题设计求解目标：
，
其中用于衡量预测值/>和真实标签/>之间的距离，/>是由N组样本与标签组成的数据集，/>表示在所有样本上的期望，/>表示基于经验风险的误差损失值；
步骤1.3：经验风险最小化目标转化为模型结构风险最小化目标：
针对中所含有的样本数量有限的情况，通过引入正则项来约束模型复杂度从而降低过拟合的风险，经验风险最小化目标转化为模型结构风险最小化目标并表示为：
，
其中表示正则项函数，/>表示平衡因子。常见的正则项包括：随机失活、/>范数以及/>范数等。上式即为基于结构风险最小化原则所求解的目标。/>表示在数据集/>上计算出的损失函数/>的损失值与正则项函数/>的加权和、/>表示采用的损失函数、/>表示正则项，即用于约束权重/>的函数，/>用于调节/>与/>之间的平衡关系。
过大则对/>约束过度，会使得模型欠拟合，过小则会导致模型过拟合。本实施例将经验风险最小化目标转化为模型结构风险最小化目标目的是模型结构风险最小化是在经验风险最小化的基础上添加了/>，用于约束模型权重/>，防止模型在有限样本下发生过拟合问题，网络训练的目标是求取是的/>最小的/>。
步骤2：对移动通信网络关键KPI值进行多尺度特征信息预处理。
移动通信网络质量评估大多数以接收电平、信噪比、时延、丢包率、带宽、数据吞吐率等物理参数作为指标。这些指标能够刻画移动通信网络的状态，可以用于电信运营商维护优化自身网络。除此之外，为了反映用户的真实体验，与用户的实际感知挂钩，本实施例将信号强度、用户移动速度、距基站的距离、呼叫持续时间、呼叫结果以及所采用的通信技术等六个尺度KPI值组成的多尺度信息特征向量作为QoE预测模型的样本。具体步骤如下：
步骤2.1：用户数据样本向量化表示。
根据移动通信网络关键KPI的定义，可以将包含信号强度、用户移动速度、距基站的距离、呼叫持续时间、呼叫结果以及所采用的通信技术在内的样本向量化表示为：
，
其中为样本数量；
步骤2.2：数据归一化预处理技术。
利用最值归一化方法对信号强度、用户移动速度、距基站的距离与呼叫持续时间的连续变量进行预处理，即：
，
该公式主要用于将中第1-4个变量做最大值最小值归一化，/>表示求取N个样本中的第i个变量的最小值，/>表示求取N个样本中的第i个变量的最大值，表示归一化后的第n个样本中第i个变量；
针对呼叫结果与本次呼叫所采用的通信技术离散变量，采用标签表明的方式对两者进行预处理；呼叫结果中的“SUCCESS”与“FAILURE”分别编码为0和1，本次呼叫所采用的通信技术中的“GSM”、“UMTS”与“LTE”分别编码为。
步骤3：基于多尺度信息集成学习的用户体验质量预测模型构建和优化。
选择深度神经网络为卷积神经网络（CNN），结合快照集成学习中的余弦退火技术与堆叠集成学习中的元分类器技术，设计一种基于多尺度信息集成学习的CNN训练方法，用于QoE的预测。具体步骤如下：
步骤3.1：基于神经网络的用户体验预测模型建立。
设计一个具有2层卷积层以及2层全连接层的卷积神经网络用户质量预测模型，模型的输出采用Softmax层。本案中选择卷积结构的原因是，卷积神经网络可以利用卷积获取不同变量之间隐藏的非线性关联关系，更有利于挖掘多尺度信息特征。具体的网络参数如表1所示：
表1：卷积神经网络用户质量预测模型的网络参数详情表
步骤3.2：损失函数设计
采用交叉熵（Cross Entropy, CE）损失函数作为DNN的目标函数。假设一组训练样本及对应的标签可以表示为，由于QoE预测问题被建模为分类问题，所以此处具体化第一步中的/>为交叉熵损失函数，即/>那么CE损失函数可以表示为：
，
其中，具体化为当前输入/>且CNN可训练参数为/>时，CNN的输出预测值；/>为当前输入/>对应的标签；
上式代表了公式（2）中的经验风险。为了降低过拟合的风险，本文为上式添加范数作为正则项，所以最终的目标函数可以表示为：
，
步骤3.3：自适应学习率方案
基于Adam优化器对网络进行训练，训练过程中的学习率按照快照集成学习技术进行设计，该学习率设计技术，可以避免模型在优化过程中陷入局部最优解，无法达到最佳效果，具体的学习率设计为：
，
其中t表示当前的训练轮次，表示在第/>个训练周期时的学习率，/>为预设的最大学习率，/>为总训练周期，/>代表需获取的基模型数量；/>代表取余运算，/>代表向下取整；
步骤3.4：多尺度信息集成学习方案
利用余弦退火学习率训练得到的个基模型，分别对应的网络参数为/>，则分别的预测CNN函数记为/>，那么，这些模型在训练集/>上输出的预测概率表示为：
，
将个基模型输出的预测概率的集合/>与标签作为元分类器的训练集，该训练集可以表示为/>，随后采用支持向量机（SVM）作为元分类器进行最终结果选择。
步骤4：预测模型综合及应用指导。
基于上述方案，本实施例最后提出四种适用于评估QoE预测模型的常规指标：指标1，准确率（Accuracy）指标2，精度（Precision）指标3，召回率（Recall）指标4，F1得分（F1-score）。通过对模型性能的评估来获得最佳模型的同时，将其在线部署到云网的维护端侧中，当获取到实时的终端数据后对其进行QoE指标的预测。
通过本实施例所提出的方法来预测终端用户对业务与网络的体验和感受，并反映当前业务和网络的质量与用户期望间的差距，从而辅助网络运维进行更加精准的调度和优化。
以上详细描述了本发明的具体实施例，以上所述的实施方式，仅仅是本发明的一部分实施例，而不是全部的实施例，并不构成对该技术方案保护范围的限定。任何在上述实施方式的精神和原则之内所作的修改、等同替换和改进等，均应包含在该技术方案的保护范围之内。
Claims (7)
1.一种基于信息集成的移动通信网络用户体验质量预测方法，其特征在于：包括：
步骤1、构建用户体验质量QoE预测问题，设计优化目标函数；
步骤2：对移动通信网络KPI值进行多尺度特征信息预处理；
步骤3：设计深度神经网络实现用户体验质量预测并通过快照集成学习以及堆叠集成学习技术提高预测质量；
步骤4：预测模型性能评估。
2.根据权利要求1所述一种基于信息集成的移动通信网络用户体验质量预测方法，其特征在于：所述步骤1具体为：
将用户体验质量QoE建模为二分类问题，将各种关键绩效指标KPI组成的样本 作为输入参数，/>是QoE预测模型，表示神经网络算法的架构；/>表示当输入样本为/>时神经网络输出的预测值，其中/>是神经网络模型需要训练的权重参数；当预测值大于0.5，则表明服务质量能接受，用户体验好；反之则表示服务质量不能接受，用户体验差；基于经验风险最小化原则对目标函数进行设计，并通过正则化技术降低模型的过拟合风险。
3.根据权利要求2所述一种基于信息集成的移动通信网络用户体验质量预测方法，其特征在于：所述步骤1包括：
步骤1.1：将用户体验质量QoE问题建模为二分类问题：
，
用户体验质量QoE预测问题的模型目标是找到一组参数，从而实现样本/>到真实标签y的映射；
步骤1.2：基于经验风险最小化原则针对二分类问题设计求解目标：
，
其中用于衡量预测值/>和真实标签/>之间的距离，/>是由N组样本与标签组成的数据集，/>表示在所有样本上的期望，/>表示基于经验风险的误差损失值；
步骤1.3：经验风险最小化目标转化为模型结构风险最小化目标：
针对中所含有的样本数量有限的情况，通过引入正则项来约束模型复杂度从而降低过拟合的风险，经验风险最小化目标转化为模型结构风险最小化目标并表示为：
，
其中表示正则项函数，/>表示平衡因子；正则项包括：随机失活、/>范数以及/>范数；/>表示在数据集/>上计算出的损失函数/>的损失值与正则项函数/>的加权和、/>表示采用的损失函数、/>用于约束权重/>的函数，/>用于调节/>与/>之间的平衡关系。
4.根据权利要求1所述一种基于信息集成的移动通信网络用户体验质量预测方法，其特征在于：所述步骤2具体为：
将信号强度、用户移动速度、距基站的距离、呼叫持续时间、呼叫结果以及所采用的通信技术六个尺度KPI值组成的多尺度信息特征向量作为QoE预测模型的样本。
5.根据权利要求4所述一种基于信息集成的移动通信网络用户体验质量预测方法，其特征在于：所述步骤2包括：
步骤2.1：用户数据样本向量化表示：
根据移动通信网络KPI的定义，将包含信号强度、用户移动速度、距基站的距离、呼叫持续时间、呼叫结果以及所采用的通信技术在内的样本向量化表示为：
，
其中为样本数量；
步骤2.2：数据归一化预处理技术：
利用最值归一化方法对信号强度、用户移动速度、距基站的距离与呼叫持续时间的连续变量进行预处理，即：
该公式用于将中第1-4个变量/>做最大值最小值归一化，/>表示求取N个样本中的第i个变量的最小值，表示求取N个样本中的第i个变量的最大值，/>表示归一化后的第n个样本中第i个变量；
针对呼叫结果与本次呼叫所采用的通信技术离散变量，采用标签表明的方式对两者进行预处理；呼叫结果中的“SUCCESS”与“FAILURE”分别编码为0和1，本次呼叫所采用的通信技术中的“GSM”、“UMTS”与“LTE”分别编码为。
6.根据权利要求3所述一种基于信息集成的移动通信网络用户体验质量预测方法，其特征在于：所述步骤3具体为：
选择深度神经网络为卷积神经网络CNN，结合快照集成学习中的余弦退火技术与堆叠集成学习中的元分类器技术，设计一种基于多尺度信息集成学习的CNN训练方法，用于QoE的预测，具体包括如下步骤：
步骤3.1：基于神经网络的用户体验预测模型建立：
设计一个具有2层卷积层以及2层全连接层的卷积神经网络用户质量预测模型，模型的输出采用Softmax层；
步骤3.2：损失函数设计：
采用交叉熵 CE损失函数作为DNN的目标函数；假设一组训练样本及对应的标签表示为，由于QoE预测问题被建模为分类问题，所以此处具体化第一步中的/>为交叉熵损失函数，即/>，那么CE损失函数表示为：
，
其中，具体化为当前输入/>且CNN可训练参数为/>时，CNN的输出预测值；为当前输入/>对应的标签；
为了降低过拟合的风险，为上式添加范数作为正则项，所以最终的目标函数表示为：
，
步骤3.3：自适应学习率方案：
基于Adam优化器对网络进行训练，训练过程中的学习率按照快照集成学习技术进行设计，具体的学习率设计为：
，
其中t表示当前的训练轮次，表示在第/>个训练周期时的学习率，/>为预设的最大学习率，/>为总训练周期，/>代表需获取的基模型数量；/>代表取余运算，/>代表向下取整；
步骤3.4：多尺度信息集成学习方案：
利用余弦退火学习率训练得到的个基模型，分别对应的网络参数为/>，则分别的预测CNN函数记为/>，那么，这些模型在训练集/>上输出的预测概率表示为：
,
将个基模型输出的预测概率的集合/>与标签作为元分类器的训练集，该训练集表示为/>,随后采用支持向量机SVM作为元分类器进行最终结果选择。
7.根据权利要求1所述一种基于信息集成的移动通信网络用户体验质量预测方法，其特征在于：所述步骤4具体为：提出四种适用于评估用户体验质量QoE预测模型的常规指标：指标1，准确率；指标2，精度；指标3，召回率；指标4，F1得分；通过对模型性能的评估来获得最佳模型的同时，将其在线部署到云网的维护端侧中，当获取到实时的终端数据后对其进行用户体验质量QoE指标的预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410117123.7A CN117649153B (zh) | 2024-01-29 | 2024-01-29 | 基于信息集成的移动通信网络用户体验质量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410117123.7A CN117649153B (zh) | 2024-01-29 | 2024-01-29 | 基于信息集成的移动通信网络用户体验质量预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117649153A true CN117649153A (zh) | 2024-03-05 |
| CN117649153B CN117649153B (zh) | 2024-04-16 |
Family
ID=90048086
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410117123.7A Active CN117649153B (zh) | 2024-01-29 | 2024-01-29 | 基于信息集成的移动通信网络用户体验质量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117649153B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107087161A (zh) * | 2017-04-28 | 2017-08-22 | 南京邮电大学 | 视频业务中基于多层神经网络的用户体验质量的预测方法 |
| CN111401637A (zh) * | 2020-03-16 | 2020-07-10 | 湖南大学 | 融合用户行为和表情数据的用户体验质量预测方法 |
| CN112039700A (zh) * | 2020-08-26 | 2020-12-04 | 重庆理工大学 | 基于层叠泛化和代价敏感学习的社交网链路异常预测方法 |
| CN113743675A (zh) * | 2021-09-13 | 2021-12-03 | 南京信息工程大学 | 一种云服务QoS深度学习预测模型 |
| US20220004959A1 (en) * | 2020-07-03 | 2022-01-06 | Beijing Didi Infinity Technology And Development Co., Ltd. | Method and system for prefiltering in ride-hailing platforms |
| CN114039870A (zh) * | 2021-09-27 | 2022-02-11 | 河海大学 | 基于深度学习的蜂窝网络中视频流应用实时带宽预测方法 |
| CN116011623A (zh) * | 2022-12-12 | 2023-04-25 | 西安交通大学 | 一种基于混合比例估计的企业进销项税收风险预测方法 |
| CN116842358A (zh) * | 2023-06-06 | 2023-10-03 | 竺乐祺 | 一种基于多尺度卷积和自适应特征融合的软测量建模方法 |
| CN116975645A (zh) * | 2023-08-15 | 2023-10-31 | 西北师范大学 | 一种基于vae-mrcnn的工业过程软测量建模方法 |
| CN117198517A (zh) * | 2023-06-27 | 2023-12-08 | 安徽省立医院(中国科学技术大学附属第一医院) | 基于机器学习的运动反应性评估和预测模型的建模方法 |
| CN117391247A (zh) * | 2023-10-12 | 2024-01-12 | 重庆邮电大学 | 一种基于深度学习的企业风险等级预测方法及系统 |
| CN117439069A (zh) * | 2023-10-26 | 2024-01-23 | 北京中电普华信息技术有限公司 | 一种基于神经网络的电量预测方法 |
-
2024
- 2024-01-29 CN CN202410117123.7A patent/CN117649153B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107087161A (zh) * | 2017-04-28 | 2017-08-22 | 南京邮电大学 | 视频业务中基于多层神经网络的用户体验质量的预测方法 |
| CN111401637A (zh) * | 2020-03-16 | 2020-07-10 | 湖南大学 | 融合用户行为和表情数据的用户体验质量预测方法 |
| US20220004959A1 (en) * | 2020-07-03 | 2022-01-06 | Beijing Didi Infinity Technology And Development Co., Ltd. | Method and system for prefiltering in ride-hailing platforms |
| CN112039700A (zh) * | 2020-08-26 | 2020-12-04 | 重庆理工大学 | 基于层叠泛化和代价敏感学习的社交网链路异常预测方法 |
| CN113743675A (zh) * | 2021-09-13 | 2021-12-03 | 南京信息工程大学 | 一种云服务QoS深度学习预测模型 |
| CN114039870A (zh) * | 2021-09-27 | 2022-02-11 | 河海大学 | 基于深度学习的蜂窝网络中视频流应用实时带宽预测方法 |
| CN116011623A (zh) * | 2022-12-12 | 2023-04-25 | 西安交通大学 | 一种基于混合比例估计的企业进销项税收风险预测方法 |
| CN116842358A (zh) * | 2023-06-06 | 2023-10-03 | 竺乐祺 | 一种基于多尺度卷积和自适应特征融合的软测量建模方法 |
| CN117198517A (zh) * | 2023-06-27 | 2023-12-08 | 安徽省立医院(中国科学技术大学附属第一医院) | 基于机器学习的运动反应性评估和预测模型的建模方法 |
| CN116975645A (zh) * | 2023-08-15 | 2023-10-31 | 西北师范大学 | 一种基于vae-mrcnn的工业过程软测量建模方法 |
| CN117391247A (zh) * | 2023-10-12 | 2024-01-12 | 重庆邮电大学 | 一种基于深度学习的企业风险等级预测方法及系统 |
| CN117439069A (zh) * | 2023-10-26 | 2024-01-23 | 北京中电普华信息技术有限公司 | 一种基于神经网络的电量预测方法 |
Non-Patent Citations (7)
| Title |
|---|
| DIVINA F 等: ""Stacking ensemble learning for short-term electricity consumption forecasting"", 《ENERGIES》, vol. 11, no. 4, 31 December 2018 (2018-12-31), pages 949 - 950 * |
| 刘伟江;魏海;运天鹤;: "基于卷积神经网络的客户信用评估模型研究", 数据分析与知识发现, no. 06, 8 June 2020 (2020-06-08), pages 80 - 90 * |
| 彭海洋 等: ""基于社会学习多目标粒子群优化的中长期负荷组合预测方法"", 《水电能源科学》, vol. 41, no. 4, 18 April 2023 (2023-04-18), pages 216 - 220 * |
| 欧阳昌青: ""基于深度学习的X射线管道焊缝气孔缺陷检测技术研究"", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》, 15 January 2023 (2023-01-15), pages 022 - 1193 * |
| 郑康 等: ""移动通信网络中基于集成学习的用户体验质量预测方法"", 《中国新通信》, vol. 26, no. 1, 5 January 2024 (2024-01-05), pages 106 - 108 * |
| 陈肖楠: ""业务质量与网络性能测试技术研究"", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, 15 November 2013 (2013-11-15), pages 139 - 46 * |
| 高琼: "" 分类问题中的标签噪声研究"", 《中国优秀硕士学位论文全文数据库 (社会科学Ⅱ辑)》, 15 February 2020 (2020-02-15), pages 123 - 235 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117649153B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110324170B (zh) | 数据分析设备、多模型共决策系统及方法 | |
| CN112512069B (zh) | 基于信道波束图样的网络智能优化方法及装置 | |
| CN114039870B (zh) | 基于深度学习的蜂窝网络中视频流应用实时带宽预测方法 | |
| Lei et al. | Learning-based resource allocation: Efficient content delivery enabled by convolutional neural network | |
| CN114885388B (zh) | 联合rss预测的多业务类型自适应切换判决方法 | |
| CN111311001B (zh) | 基于DBSCAN算法和特征选择的Bi-LSTM网络短期负荷预测方法 | |
| CN113298318A (zh) | 一种新型的配电变压器重过载预测方法 | |
| CN113676357B (zh) | 面向电力物联网中边缘数据处理的决策方法及其应用 | |
| Hlophe et al. | AI meets CRNs: A prospective review on the application of deep architectures in spectrum management | |
| CN113811009B (zh) | 一种基于时空特征提取的多基站网络资源智能分配方法 | |
| Mohseni et al. | AI-based Traffic Forecasting in 5G network | |
| CN117649153B (zh) | 基于信息集成的移动通信网络用户体验质量预测方法 | |
| Ouattara et al. | Spectrum sensing improvement in cognitive radio networks for real-time patients monitoring | |
| CN113379135A (zh) | 基于云边协同计算的智能生产线产品质量低延迟集成预测方法和系统 | |
| CN113348691A (zh) | 用于网络管理中的故障预测的方法和装置 | |
| Peng et al. | Machine learning with variable sampling rate for traffic prediction in 6G MEC IoT | |
| CN116091106A (zh) | 一种多功能财务成本评估系统 | |
| Liu et al. | Multi-dimensional data-driven mobile edge caching with dynamic user preference | |
| Ma et al. | Big data enabled anomaly user detection in mobile wireless networks | |
| KR20220164149A (ko) | 인공지능 모델을 이용한 우울증 발생 예측방법 및 이를 기록한 컴퓨터 판독 가능한 기록매체 | |
| CN114449536A (zh) | 一种基于深度强化学习的5g超密集网络多用户接入选择方法 | |
| CN113935407A (zh) | 一种异常行为识别模型确定方法及装置 | |
| CN108494632B (zh) | 一种基于强化学习的移动数据流量卸载方法 | |
| US20240104365A1 (en) | Node, and method performed thereby, for predicting a behavior of users of a communications network | |
| Mavi et al. | On time demand traffic estimation based on DBN with Horse herd optimization for next generation wireless network |
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 |