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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。