KPI与QoE回归模型建立方法以及装置制造方法及图纸

本发明专利技术实施例公开了一种KPI与QoE回归模型建立方法以及装置。所述方法包括：获取电信业务事件的w个历史数据，并从所述w个历史数据中选择a个训练数据，其中，所述w个历史数据中的每个历史数据均包括KPI数据以及QoE数据；根据所述a个训练数据中的每个训练数据的QoE数据所属的QoE级别，将所述a个训练数据分成k个分组训练数据；使用所述k个分组训练数据分别对回归模型进行训练，从而获得k个训练回归模型，从所述k个训练回归模型中选择出最优训练回归模型，其中，w、a、k均为大于零的整数，w>a≥k。

The method and device for the establishment of KPI and QoE regression model

The embodiment of the invention discloses a method and a device for establishing KPI and QoE regression models. The method includes: obtaining w historical data of the telecommunications business event and selecting a training data from the w historical data, in which each historical data in the w historical data includes the KPI data and the QoE data; the QoE level of the QoE data for each training data in the a training data is based on the QoE data. The a training data are divided into K group training data; the regression model is trained by the K group training data, and the K training regression model is obtained. The optimal training regression model is selected from the K training regression model, in which w, a and K are all integers larger than zero and w>a more than K.

【技术实现步骤摘要】
KPI与QoE回归模型建立方法以及装置
本专利技术涉及多媒体领域，尤其涉及一种KPI与QoE回归模型建立方法以及装置。
技术介绍
随着电信服务的市场发展成为充分竞争的市场，提升客户的满意度已成为电信运营商保有自身客户以及吸引竞争对手客户的必由之路。客户的满意度可以使用客户感知体验(QualityofExperience，QoE)来表示。技术人员在长期实践中发现，客户感知体验主要受到关键性能指标(KeyPerformanceIndicators，KPI)的影响。所以，可以为KPI和QoE之间建立一个回归模型。网络管理系统采集到电信业务事件的实时KPI数据之后，将电信业务事件的实时KPI数据输入到回归模型，就可以预测到电信业务事件的实时QoE。如果电信业务事件的实时QoE小于预设阈值，则发现QoE劣化，提出告警。但是，现有技术的回归模型的准确度普遍不高，不能满足实际使用的需要。
技术实现思路
本专利技术实施例公开了一种KPI与QoE回归模型建立方法以及装置，能够提高KPI与QoE回归模型的准确度。第一方面，提供了一种KPI与QoE回归模型建立方法。网络管理系统获取电信业务事件的w个历史数据，其中，所述w个历史数据中的每个历史数据均包括KPI数据以及QoE数据。然后，网络管理系统从所述w个历史数据中选择a个训练数据，根据所述a个训练数据中的每个训练数据的QoE数据所属的QoE级别，将所述a个训练数据分成k个分组训练数据。网络管理系统再使用所述k个分组训练数据分别对回归模型进行训练，从而获得k个训练回归模型，并从所述k个训练回归模型中选择出最优训练回归模型，其中，w、a、k均为大于零的整数，w>a≥k。可以看出，上述技术方案中，将a个训练数据按照QoE级别分成k个分组训练数据，然后，再使用k个分组训练数据对回归模型进行训练从而获得k个训练回归模型。由于不同的QoE级别的训练数据会被划归到不同的分类，同一QoE级别的训练数据的之间的差异比较小，所以，训练出来的k个训练回归模型的准确性会比将所有训练数据同时对同一个回归模型进行训练得到的训练回归模型的准确性要高。而且，从k个训练回归模型中还再选择出一个最优的训练回归模型，能够进一步提高回归模型的准确度。结合第一方面，第一方面的第一种可能的实施方式中，网络管理系统从所述w个历史数据中选择出b个验证数据，并使用所述b个验证数据分别对所述k个训练回归模型中的每个训练回归模型进行验证，以获得所述k个训练回归模型中的每个训练回归模型的验证结果。最后，网络管理系统根据所述k个训练回归模型中的每个训练回归模型的验证结果从所述k个训练回归模型选择出最优训练回归模型。其中，所述b个验证数据与所述a个训练数据分别属于不同的数据集合，即，所述a个训练数据属于集合A，所述b个训练数据属于集合B，集合A和集合B之间没有交集。可以理解，在现有技术中，对回归模型的验证都是通过将回归模型放在现场中进行验证，即，将回归模型实际使用一段时间，以观察回归模型的效果。而在上述技术方案中，只需要从使用历史数据就可以完成对回归模型的验证，大大提高验证的便利性。结合第一方面的第一种可能的实施方式，网络管理系统从所述w个历史数据中选择出c个测试数据，并根据所述k个训练回归模型中的每个训练回归模型的验证结果从所述k个训练回归模型选择出待定训练回归模型。之后，网络管理系统使用所述c个测试数据对所述待定训练回归模型进行测试以获得测试结果，如果所述测试结果大于预设阈值，将所述待定训练回归模型设置为最优训练回归模型，如果所述测试结果小于或者等于预设阈值，将所述待定训练回归模型丢弃。其中，所述a个训练数据、所述b个验证数据与所述c个测试数据分别属于不同的数据集合，即，所述a个训练数据属于集合A，所述b个训练数据属于集合B，所述c个测试数据属于集合C，集合A、集合B和集合C之间没有交集。可以理解，只有在使用测试数据对待定训练回归模型进行测试获得的测试结果大于预设阈值时，才会将所述待定训练回归模型设置为最优训练回归模型，反之，就将待定训练回归模型丢弃，可以保证最优训练回归模型的准确度足够高的时候才会被保留。结合第一方面的上述任一种可能的实施方式，第一方面的第四种可能的实施方式中，所述回归模型为多项式逻辑回归模型。结合第一方面的上述任一种可能的实施方式，第一方面的第五种可能的实施方式中，所述电信业务事件的粒度为用户设置的。其中，所述电信业务事件的可以是拨出的国际呼叫、省级呼叫、市级呼叫、企业级呼叫等等，或者，所述电信业务事件的可以是接收的国际呼叫、省级呼叫、市级呼叫、企业级呼叫等等。结合第一方面的上述任一种可能的实施方式，第一方面的第六种可能的实施方式中，所述KPI数据包括带宽利用率、时延、抖动以及丢包率中的至少一种。第二方面，提供了一种KPI与QoE回归模型建立装置，包括：获取模块、分类模块、训练模块以及选择模块，所述获取模块用于获取电信业务事件的w个历史数据，并从所述w个历史数据中选择a个训练数据，其中，所述w个历史数据中的每个历史数据均包括KPI数据以及QoE数据；所述分类模块用于根据所述a个训练数据中的每个训练数据的QoE数据所属的QoE级别，将所述a个训练数据分成k个分组训练数据；所述训练模块用于使用所述k个分组训练数据分别对回归模型进行训练，从而获得k个训练回归模型，所述选择模块用于从所述k个训练回归模型中选择出最优训练回归模型，其中，w、a、k均为大于零的整数，w>a≥k。结合第二方面，第二方面的第一种可能的实施方式中，所述选择模块还包括：验证单元以及选择单元，获取模块还用于从所述w个历史数据中选择出b个验证数据，其中，所述b个验证数据与所述a个训练数据分别属于不同的数据集合；所述验证单元用于使用所述b个验证数据分别对所述k个训练回归模型中的每个训练回归模型进行验证，以获得所述k个训练回归模型中的每个训练回归模型的验证结果；所述选择单元用于根据所述k个训练回归模型中的每个训练回归模型的验证结果从所述k个训练回归模型选择出最优训练回归模型。结合第二方面的第一种可能的实施方式，第二方面的第二种可能的实施方式中，所述选择单元还包括待定选择单元、测试单元以及设置单元，所述获取模块用于从所述w个历史数据中选择出c个测试数据，其中，所述c个测试数据、所述b个验证数据与所述a个训练数据分别属于不同的数据集合；所述待定选择单元根据所述k个训练回归模型中的每个训练回归模型的验证结果从所述k个训练回归模型选择出待定训练回归模型；所述测试单元用于使用所述c个测试数据对所述待定训练回归模型进行测试以获得测试结果；所述设置单元用于在所述测试结果大于预设阈值的情况下，将所述待定训练回归模型设置为最优训练回归模型。结合第二方面的第二种可能的实施方式，第二方面的第三种可能的实施方式中，所述选择单元还包括丢弃单元，所述丢弃单元用于在所述测试结果小于或者等于预设阈值的情况下，将所述待定训练回归模型丢弃。结合第二方面的上述任一种可能的实施方式，第二方面的第四种可能的实施方式中，所述回归模型为多项式逻辑回归模型。结合第二方面的上述任一种可能的实施方式，第二方面的第五种可能的实施方式中，所述电信业务事件的粒度为用户设置的。结合本文档来自技高网...

【技术保护点】
1.一种KPI与QoE回归模型建立方法，其特征在于，包括：获取电信业务事件的w个历史数据，并从所述w个历史数据中选择a个训练数据，其中，所述w个历史数据中的每个历史数据均包括KPI数据以及QoE数据；根据所述a个训练数据中的每个训练数据的QoE数据所属的QoE级别，将所述a个训练数据分成k个分组训练数据；使用所述k个分组训练数据分别对回归模型进行训练，从而获得k个训练回归模型，从所述k个训练回归模型中选择出最优训练回归模型，其中，w、a、k均为大于零的整数，w>a≥k。

【技术特征摘要】
1.一种KPI与QoE回归模型建立方法，其特征在于，包括：获取电信业务事件的w个历史数据，并从所述w个历史数据中选择a个训练数据，其中，所述w个历史数据中的每个历史数据均包括KPI数据以及QoE数据；根据所述a个训练数据中的每个训练数据的QoE数据所属的QoE级别，将所述a个训练数据分成k个分组训练数据；使用所述k个分组训练数据分别对回归模型进行训练，从而获得k个训练回归模型，从所述k个训练回归模型中选择出最优训练回归模型，其中，w、a、k均为大于零的整数，w>a≥k。2.根据权利要求1所述的方法，其特征在于，从所述k个训练回归模型中选择出最优训练回归模型之前包括：从所述w个历史数据中选择出b个验证数据，其中，所述b个验证数据与所述a个训练数据分别属于不同的数据集合；从所述k个训练回归模型中选择出最优训练回归模型包括：使用所述b个验证数据分别对所述k个训练回归模型中的每个训练回归模型进行验证，以获得所述k个训练回归模型中的每个训练回归模型的验证结果；根据所述k个训练回归模型中的每个训练回归模型的验证结果从所述k个训练回归模型选择出最优训练回归模型。3.根据权利要求2所述的方法，其特征在于，根据所述k个训练回归模型中的每个训练回归模型的验证结果从所述k个训练回归模型选择出最优训练回归模型之前包括：从所述w个历史数据中选择出c个测试数据，其中，所述c个测试数据、所述b个验证数据与所述a个训练数据分别属于不同的数据集合；根据所述k个训练回归模型中的每个训练回归模型的验证结果从所述k个训练回归模型选择出最优训练回归模型包括：根据所述k个训练回归模型中的每个训练回归模型的验证结果从所述k个训练回归模型选择出待定训练回归模型；使用所述c个测试数据对所述待定训练回归模型进行测试以获得测试结果；在所述测试结果大于预设阈值的情况下，将所述待定训练回归模型设置为最优训练回归模型。4.根据权利要求3所述的方法，其特征在于，在所述测试结果小于或者等于预设阈值的情况下，将所述待定训练回归模型丢弃。5.根据权利要求1至4任一权利要求所述的方法，其特征在于，所述回归模型为多项式逻辑回归模型。6.根据权利要求1至5任一权利要求所述的方法，其特征在于，所述电信业务事件的粒度为用户设置的。7.根据权利要求1至6任一权利要求所述的方法，其特征在于，所述KPI数据包括带宽利用率、时延、抖动以及丢包率中的至少一种。8.一种KPI与QoE回...

【专利技术属性】
技术研发人员：郑刃，山拓西·阿克莱西，
申请(专利权)人：华为技术服务有限公司，
类型：发明
国别省市：河北,13