【技术实现步骤摘要】
本专利技术属于无线，尤其涉及一种基于多尺度信息集成的移动通信网络用户体验质量预测方法。
技术介绍
1、用户体验质量（quality of experience，qoe）预测是移动通信网络维护与优化中的关键问题之一。传统移动通信网络质量评估大多数以接收电平、信噪比、时延、丢包率、带宽、数据吞吐率等物理参数作为指标。这些指标通常只能刻画移动通信网络的状态，可以用于电信运营商维护优化自身网络，但是难以反映用户的真实体验，与用户的实际感知脱节。电信运营商想要获得用户的认可、提高用户粘性必须确保良好的用户体验质量（qoe）。因此，用户qoe的评估与预测是提高通信运营商服务质量的关键。
2、公开号为cn112584417b的中国专利公开了一种无线业务质量确定方法，规定了通过无线网络侧数据和业务侧数据的定义和获取方式来对qos和qoe进行评估；也提到了采用机器学习方法进行qos和qoe的评估，该方案与本专利技术中的背景较为相关，但还存在如下缺陷：
3、该方案侧重于对无线业务质量评估所采用的数据集的描述、获取和存储，对于如果挖掘这些数据与用户qos和qoe之间的联系并没有交代清楚，缺乏进一步数据预处理的方案以及预测模型；虽然提到了通过机器学习方法，但是对于所采用的机器学习算法模型，训练方法以及结果评估方法均没有给出具体的方案。
4、另外，现有qoe评估方案多采用基于专家知识的方式，无法应对多源异构数据的挖掘和融合。此外，尽管目前已有技术提及了qoe/qos的评估方法，然而针对具体的数据处理方法以及机器学习算法
技术实现思路
1、针对现有技术中存在的问题，本专利技术目的在于：解决多尺度特征下移动通信网络用户体验质量预测模型难建立且预测精度差的问题。
2、为了实现上述目的，本专利技术所采用技术方案为：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，包括：
3、步骤1、构建用户体验质量qoe预测问题，设计优化目标函数；
4、步骤2：对移动通信网络关键绩效指标（key performance indicator，kpi）值进行多尺度特征信息预处理；
5、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；
6、步骤4：预测模型性能评估。
7、所述步骤1具体为：将用户体验质量qoe建模为二分类问题，将各种关键绩效指标kpi组成的样本作为输入参数，是qoe预测模型；表示当输入样本为x时神经网络输出的预测值，其中是神经网络模型需要训练的权重参数；当预测值大于0.5，则表明服务质量可接受，用户体验较好；反之则表示服务质量不可接受，用户体验较差；基于经验风险最小化原则对目标函数进行设计，并通过正则化技术降低模型的过拟合风险；具体包括以下步骤：
8、步骤1.1：将用户体验质量qoe问题建模为二分类问题：
9、，
10、用户体验质量qoe预测问题的模型目标是找到一组合适的参数，从而实现样本到真实标签y的映射；
11、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：
12、，
13、其中用于衡量预测值和真实标签之间的距离，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，表示基于经验风险的误差损失值；
14、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：
15、针对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：
16、，
17、其中表示正则项函数，表示平衡因子；正则项包括：随机失活、范数以及范数；表示在数据集上计算出的损失函数的损失值与正则项函数的加权和、表示采用的损失函数、用于约束权重的函数，用于调节与之间的平衡关系。
18、所述步骤2具体为：将信号强度、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六个尺度kpi值组成的多尺度信息特征向量作为qoe预测模型的样本；具体包括以下步骤：
19、步骤2.1：用户数据样本向量化表示
20、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：
21、，
22、其中为样本数量；
23、步骤2.2：数据归一化预处理技术
24、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：
25、，
26、该公式用于将中第1-4个变量做最大值最小值归一化，表示求取n个样本中第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；
27、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。
28、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：
29、步骤3.1：基于神经网络的用户体验预测模型建立
30、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；
31、步骤3.2：损失函数设计
32、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可以表示为，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损失函数可以表示为：
33、，
34、其中，具体化为当前输入且cnn可训练参数为时，cnn的输出预测值；为当前输入对应的标签；
35、为了降低过拟合的风险，为上式添加范数作为正则项，所以最终的目标函数可以表示为：
36、，
37、步骤3.3：自适应学习率方案
38、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：
39、，
40、其中t表示当前的训练轮次，表示在第个训练周期时的学习率，为预设的最大学习率，为总训练周期，代表需获取的基模型数量；代表取余运算，代表向下取整；
41、步骤3.4：多尺度信息集成学习方案
42、利用余弦退火学习率训练得到的个基模型，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本文档来自技高网...
【技术保护点】
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：
2.根据权利要求1所述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：所述步骤1具体为：
3.根据权利要求2所述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：所述步骤1包括：
4.根据权利要求1所述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：所述步骤2具体为：
5.根据权利要求4所述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：所述步骤2包括：
6.根据权利要求3所述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：所述步骤3具体为：
7.根据权利要求1所述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：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
...【技术特征摘要】
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：
2.根据权利要求1所述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：所述步骤1具体为：
3.根据权利要求2所述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：所述步骤1包括：
4.根据权利要求1所述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：所述步骤2具体为：
5.根据权利要求4所述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...
【专利技术属性】
技术研发人员：徐捷，
申请(专利权)人：南京典格通信科技有限公司，
类型：发明
国别省市：
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。