申请/专利权人：南京典格通信科技有限公司

申请日：2024-01-29

公开（公告）日：2024-04-16

公开（公告）号：CN117649153B

主分类号：G06Q10/0639

分类号：G06Q10/0639;G06Q50/50;G06F18/241;G06F17/15

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2024.03.22#实质审查的生效;2024.03.05#公开

摘要：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。

主权项：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；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W，从而实现样本x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y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，eerm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D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R·表示正则项函数，λ表示平衡因子；正则项包括：随机失活、l1范数以及l2范数；esrm表示在数据集D上计算出的损失函数的损失值与正则项函数R·的加权和、表示采用的损失函数、R·用于约束权重W的函数，λ用于调节与R·之间的平衡关系；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：xn＝[x1,n，x2,n，x3,n，x4,n，x5,n，x6,n]，n∈[1，N]其中N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xn＝[x1,n，x2,n，x3,n，x4,n，x5,n，x6,n]中第1-4个变量x1,n，x2,n，x3,n，x4,n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{0，1，2}；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，fCNNxn；W具体化为当前输入xn且CNN可训练参数为W时，CNN的输出预测值；yn为当前输入xn对应的标签；为了降低过拟合的风险，为上式添加l2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，ηt表示在第t个训练周期时的学习率，ηmax为预设的最大学习率，T为总训练周期，M代表需获取的基模型数量；mod·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M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M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；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。

全文数据：

权利要求：

百度查询： 南京典格通信科技有限公司 基于信息集成的移动通信网络用户体验质量预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD