一种无线通信网络特征画像方法、设备和计算机程序产品技术

本发明专利技术提供一种无线通信网络特征画像方法、设备和计算机程序产品，包括：S1、获取无线通信网络的高维特征并进行向量化，得到无线通信网络的高维度特征向量；S2、基于训练好的深度自编码模型对无线通信网络进行特征提取和特征降维；S3、基于聚类算法对相似的无线网络特征进行聚合，并对聚合后的无线通信网络特征进行画像。S4、基于深度自编码模型的重构误差对无线通信网络的异常特征进行检测。通过特征描述环节进行标签说明，实现对复杂网络特征进行画像和多层映射编码，同时，还可通过训练后的自编码模型计算出重构误差，通过误差评估机制，实现对于无线网络特殊场景特征或异常小区特征的检测和识别。

A Characteristic Portrait Method, Equipment and Computer Programming Product for Wireless Communication Networks

The invention provides a method, device and computer program product for feature portrait of wireless communication network, including: S1, acquisition of high-dimensional features of wireless communication network and vectorization, obtaining high-dimensional feature vectors of wireless communication network; S2, feature extraction and feature dimension reduction based on trained depth self-coding model; S3, phase matching based on clustering algorithm. Similar wireless network features are aggregated and the aggregated wireless network features are portrayed. S4. Detection of anomalous features in wireless communication networks based on reconstruction error of deep self-coding model. Through the label description of feature description, the complex network features can be portrayed and multi-layer mapping coded. At the same time, the reconstruction error can be calculated by the self-coding model after training. Through the error evaluation mechanism, the detection and recognition of special scene features or abnormal cell features in wireless networks can be realized.

【技术实现步骤摘要】
一种无线通信网络特征画像方法、设备和计算机程序产品
本专利技术涉及无线通信网络的分析和优化
，更具体地，涉及一种无线通信网络特征画像方法、设备和计算机程序产品。
技术介绍
移动通信网络是一个动态复杂的无线网络。由于话务密度分布不均匀、频率资源日渐紧张、网络配置复杂多样且长期处于不断变化之中等因素，使得现有网络的服务质量不能达到最好，巨额的投资并没有得到最高的收益，所有这些都要求运营商应对移动通信网络进行数据采集、分析，找出影响网络质量的原因，以便进行各项调整，优化资源配置，合理设置网络参数，使网络达到最佳的运行状态，使网络资源获得最佳的使用效益，这就是对复杂无线网络运行质量进行评估的目的。当前在无线通信网络的分析和优化领域，很大程度上还依赖运营商网络工程师的个人经验积累，来描述和分析各种复杂的无线网络环境，诊断各类网络质量问题。但是每个工程师个人经验和水平参差不齐，往往导致无线网络优化和分析工作的质量和效率得不到保证，更严重的是，不同工程师得出的结论往往还存在不一致现象。同时，目前传统的凭借工程师个人经验方式的网络分析方法，在描述无线网络特征时往往比较粗放，过于简单，不能达到精细化、场景化的网络分析和优化目的。造成上述现象的原因，主要是当前无线通信网络特征变得越来越复杂，维度越来越多。例如：不同基站建设的2G/3G/4G的多层网络结构十分复杂；无线网络参数配置的种类也十分复杂；不同基站下用户分布和行为十分复杂多变；不同基站所处的地形地貌和建筑物环境也十分复杂等等。无线通信网络的分析和优化是一项系统工程，对各个维度的关键因素都需要综合考虑和分析计算。面对超高维度特征数据的分析，这已经超出了某个工程师的经验和人脑计算分析能力，因此，随着无线网络的发展越来越复杂，缺少一种基于通信大数据的量化模型，来协助工程师进行无线网络特征分析、提取和精准画像。目前无线通信网络特征变得越来越复杂，维度越来越多。而工程师仅仅凭借个人经验方式进行网络特征分析，往往比较粗放，过于简单，不能达到精细化、场景化的网络分析和优化目的。
技术实现思路
本专利技术提供一种克服上述问题或者至少部分地解决上述问题的一种无线通信网络特征画像方法、设备和计算机程序产品，解决了现有技术中网络维度越来越多，进行使网络特征分析粗放、过于简单，不能达到精细化、场景化的网络分析和优化的问题。根据本专利技术的一个方面，提供一种无线通信网络特征画像方法，包括：S1、获取无线通信网络的高维特征并进行向量化，得到无线通信网络的高维度特征向量；S2、基于训练好的深度自编码模型对无线通信网络进行特征提取和特征降维；S3、基于聚类算法对特征降维后的相似的无线网络特征进行聚合，并对聚合后的无线通信网络特征进行画像。作为优选的，还包括：S4、基于深度自编码模型的重构误差对无线通信网络的异常特征进行检测。作为优选的，所述步骤S4具体包括：以待检测的原始特征样本向量作为输入，通过深度编码模型进行样本重构；基于输入原始特征样本向量及重构后的重构特征向量，计算重构误差，若重构误差大于设定阈值，则判断该原始特征样本为异常特征。作为优选的，所述步骤S1具体包括：基于无线通信网络小区粒度或邻区粒度的多个维度特征构造特征向量；将多个维度的特征向量进行横向拼接，得到高维度特征向量。作为优选的，所述步骤S2前包括：以高维度特征向量为输入样本，进行单层自编码模型训练，并调整单层自编码模型中权重参数和偏置参数，使解码输出的重构特征向量与高维特征向量的重构误差在设定范围内；以单层自编码模型的编码层输出作为新输入量，重复上述训练过程，得到下一层的自编码器；迭代训练得到无线通信网络特征的深层自编码模型。作为优选的，所述步骤S2前，对模型中权重参数和偏置参数进行调整具体包括：基于解码重构后的重构特征向量与高维特征向量，重构误差函数，并对N组样本的重构误差求平均值，得到平均损失函数，求出平均损失函数最小时的权重参数和偏置参数。作为优选的，所述步骤S2中，以无线通信网络的高维特征向量作为深层自编码模型的输入，以深层自编码模型的编码层输出作为特征提取和特征降维的结果。作为优选的，所述步骤S3具体包括：S31、将降维后的特征向量随机分配到多个非空的簇中；S32、计算每个非空簇的特征平均值，并以该平均值作为相应的簇中心；S33、计算每个特征向量与各个簇中心的差异度距离，基于距离最近原则重新分配；S34、重复步骤S32至S33，直至所有簇中心不再发生变化；S35、基于不同维的特征取值区间，对相似特征的簇的意义进行描述。一种无线通信网络特征画像设备，包括：至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如上述的方法。一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行如上所述的方法。本专利技术提出一种无线通信网络特征画像方法、设备和计算机程序产品，通过多个维度的网络特征构造高维度特性向量，并通过训练自编码模型进行无线网络的特征提取和特征降维，通过聚类算法进行小区粒度或邻区粒度的低维度特征分簇，将相似特征的样本进行聚合，完成特征聚类步骤后，通过特征描述环节进行标签说明，实现对复杂网络特征进行画像和多层映射编码，同时，还可通过训练后的自编码模型进行重构误差，通过误差评估机制，实现对于无线网络特殊场景特征或异常小区特征的检测和识别。附图说明图1为根据本专利技术实施例的无线通信网络特征画像方法流程框图；图2为根据本专利技术实施例的单层自编码模型示意图；图3为根据本专利技术实施例的深层自编码模型示意图；图4为根据本专利技术实施例的低维特征向量的聚类示意图；图5为根据本专利技术实施例的无线网络特征画像、异常检测方法流程图；图6为根据本专利技术实施例的基于重构误差的无线网络异常特征检测方法流程图。具体实施方式下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。如图1所示，图中示出了一种无线通信网络特征画像方法，包括：S1、获取无线通信网络的高维特征并进行向量化，得到无线通信网络的高维度特征向量；S2、基于训练好的深度自编码模型对无线通信网络进行特征提取和特征降维；S3、基于聚类算法对特征降维后的相似的无线网络特征进行聚合，并对聚合后的无线通信网络特征进行画像。在本实施例中，所述步骤S1具体包括：根据无线通信网络小区粒度或邻区粒度的多个维度特征构造特征向量，并将多个维度的特征向量进行横向拼接，获得一个高维度特征向量。实现了对无线通信网络小区粒度或邻区粒度的业务特征分析和原始特征选择，并将无线通信网络多个维度的业务属性构造为可供计算机算法分析的高维度数学向量，并完成数据预处理。具体的，用于描述小区或邻区的主要特征维度包括但不限于如下：网络结构特征：描述了小区或邻区间的物理结构关系特征，如主邻小区基站高度、下倾角、方位角关系、距离关系、频点关系、双层网关系等。参数配置特征：描述了小区重点参数配置情况，如接入类、掉线类、切换类、功率类、定时器类、资源管理类等参数。天线模型特征：描述了小区天线模型属性，本文档来自技高网...

【技术保护点】
1.一种无线通信网络特征画像方法，其特征在于，包括：S1、获取无线通信网络的高维特征并进行向量化，得到无线通信网络的高维度特征向量；S2、基于训练好的深度自编码模型对无线通信网络进行特征提取和特征降维；S3、基于聚类算法对相似的无线网络特征进行聚合，并对聚合后的无线通信网络特征进行画像。

【技术特征摘要】
1.一种无线通信网络特征画像方法，其特征在于，包括：S1、获取无线通信网络的高维特征并进行向量化，得到无线通信网络的高维度特征向量；S2、基于训练好的深度自编码模型对无线通信网络进行特征提取和特征降维；S3、基于聚类算法对相似的无线网络特征进行聚合，并对聚合后的无线通信网络特征进行画像。2.根据权利要求1所述的无线通信网络特征画像方法，其特征在于，还包括：S4、基于深度自编码模型的重构误差对无线通信网络的异常特征进行检测。3.根据权利要求2所述的无线通信网络特征画像方法，其特征在于，所述步骤S4具体包括：以待检测的原始特征样本向量作为输入，通过深度编码模型进行样本重构；基于输入原始特征样本向量及重构后的重构特征向量，计算重构误差，若重构误差大于设定阈值，则判断该原始特征样本为异常特征。4.根据权利要求1所述的无线通信网络特征画像方法，其特征在于，所述步骤S1具体包括：基于无线通信网络小区粒度或邻区粒度的多个维度特征构造特征向量；将多个维度的特征向量进行横向拼接，得到高维度特征向量。5.根据权利要求1所述的无线通信网络特征画像方法，其特征在于，所述步骤S2前包括：以高维度特征向量为输入样本，进行单层自编码模型训练，并调整单层自编码模型中权重参数和偏置参数，使解码输出的重构特征向量与高维特征向量的重构误差在设定范围内；以单层自编码模型的编码层输出作为新输入量，重复上述训练过程，得到下一层的自编码器；迭代训练得到无线通信网络特征的深层自编码模型。6.根据权利要求5所述...

【专利技术属性】
技术研发人员：王磊，王西点，龙泉，汤利民，程楠，沈骜，默燕红，方波，赵文娟，徐晶，沈金虎，张斌，王砚，
申请(专利权)人：中国移动通信集团设计院有限公司，中国移动通信集团公司，
类型：发明
国别省市：北京,11