一种基于多尺度圆形卷积神经网络的业务质量预测方法技术

本发明专利技术提供一种基于多尺度圆形卷积神经网络的业务质量预测方法，包括生成业务感知样本训练集D

【技术实现步骤摘要】
一种基于多尺度圆形卷积神经网络的业务质量预测方法
本专利技术涉及移动互联网业务质量预测的
，特别是一种基于多尺度圆形卷积神经网络的业务质量预测方法。
技术介绍
移动网络用户在使用OTT业务(如网页浏览，视频播放等)过程中，其业务体验的好坏一般可用一套KQI(关键质量指标)指标进行评价，比如网页打开时延、下载速率等。这种体验的好坏受多种因素的影响，包括终端质量、使用业务时所处位置的移动网络质量、APP质量、SP网站服务器集群的带宽和负荷等。电信运营商作为各类业务的传输通道提供方和业务体验保障的关键环节，需要尽可能保障用户的业务体验，否则可能导致用户投诉甚至离网。目前一般是电信运营商的网络运维和优化部门通过日常的网络优化作业来保障网络质量，但网络质量与用户的业务体验之间仍然存在较大的差异，好的网络质量并不一定能保障良好的业务体验(由于业务体验是受前述的众多因素的综合作用)。客服部门只有在接到用户投诉时才发现业务体验的问题，再去协调网络运维和优化部门去排查问题和解决，往往很被动。如果能在日常的网络运营中持续监测用户的业务本文档来自技高网...

【技术保护点】
1.一种基于多尺度圆形卷积神经网络的业务质量预测方法，包括生成业务感知样本训练集D

【技术特征摘要】
1.一种基于多尺度圆形卷积神经网络的业务质量预测方法，包括生成业务感知样本训练集D0，其特征在于，还包括以下步骤：
步骤01：初始化数据参数；
步骤02：构造输入层的输入样本D；
步骤03：计算卷积层输出H1；
步骤04：计算全连接层输出H2；
步骤05：计算输出层输出；
步骤06：计算输出层损失、窗参W3和b3的梯度；
步骤07：计算L2全连接层损失窗参数W2和b2的梯度；
步骤08：计算L1卷积层损失窗参数W1和b1的梯度；
步骤09：更新窗参数；
步骤10：构造未知样本输入矩阵D′；
步骤11：进行业务质量标记结果的预测。


2.如权利要求1所述的基于多尺度圆形卷积神经网络的业务质量预测方法，其特征在于，所述业务感知样本训练集D0包括N个样本，共F+L个维度，其中F为特征维度个数，L为标记维度个数(即KQI指标个数)，D0为N×(F+L)矩阵。


3.如权利要求2所述的基于多尺度圆形卷积神经网络的业务质量预测方法，其特征在于，所述步骤01包括以下子步骤：
步骤011：初始化卷积窗参数W1，W2，W3，b1，b2，b3；
步骤012：基于D0构造邻接矩阵A0＝[N×K]，依次选择D0中每个样本作为中心样本，根据其F个特征值构造的特征向量在D0的所有N个样本构成的特征空间中基于欧氏距离准则寻找其前K个最近邻样本，按距离从小到大原则将这K个样本的样本编号排序，并按中心样本的序号存储在A0中的对应行，最终构造出N×K维矩阵。


4.如权利要求3所述的基于多尺度圆形卷积神经网络的业务质量预测方法，其特征在于，所述步骤02包括从D0中取1个训练样本，其标记矢量作为真实输出结果，从D0和A0中取该样本对应的K个近邻的标记值构成输入数据D＝[K×L]＝H0。


5.如权利要求4所述的基于多尺度圆形卷积神经网络的业务质量预测方法，其特征在于，所述步骤03包括从卷积窗W1取[K×L]…[25×L][16×L][9×L][4×L]各一种，共M＝sqrt(K)-1种卷积窗，每种窗用Q个，卷积结果经ReLU判决后输出得到H1，即：
H1＝ReLU(Z1)
其中，激活前输入值Z1＝W1*H0+b1...

【专利技术属性】
技术研发人员：李克，苏利敏，肖明明，刘子巍，
申请(专利权)人：北京联合大学，
类型：发明
国别省市：北京;11