【技术实现步骤摘要】
本专利技术涉及数据处理，尤其涉及一种模型训练方法、专网评价方法及模型训练装置。
技术介绍
1、随着移动通信技术的发展，5g通信以更快的速率、更低的时延、更大的连接密度等优势逐渐成为发展趋势。伴随着5g用户量的快速增长，5g专网部署量也逐年增加，专网应用场景越来越广泛。与此同时，网络故障也随之产生，有需求主动发掘用户的专网sla体验评估，了解专网的用户使用体验及客户满意度，及时解决客户网络使用中的痛点问题，提供更贴心的高质量服务。过去，企业或运营商常常会通过问卷调查或者客服回访、客户反馈等方式了解用户对其产品的使用体验及满意度，这种方式不仅耗费了大量的人力物力，造成资源浪费，而且很难精准定位到真正有意见或问题的客户，导致这些客户通过投诉等方式将问题反馈上来，影响企业的形象，也给客户带来了不便，甚至会造成一定的客户流失，给运营公司带来损失。
技术实现思路
1、本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本专利技术提出一种模型训练方法、专网评价方法及模型训练装置，能够高效进行模型训练，以使得训练得到的模型高效精准进行专网评价。
2、一方面，本专利技术实施例提供了一种模型训练方法，包括：
3、基于端口镜像，从dpi探针获取目标对象的xdr数据；
4、对xdr数据进行预处理，从预处理后的xdr数据抽取指标特征，并对指标特征进行标准化处理，获得评分结果；
5、根据指标特征及其对应的评分结果确定训练集和测试集；
6
7、将训练集中的指标特征输入梯度提升模型进行预测，获得预测结果；
8、根据预测结果与训练集中的评分结果拟合得到预测残差，基于预测残差通过启发式搜索策略对梯度提升模型的参数进行调整，获得评估预测模型。
9、可选地，方法还包括：
10、通过测试集对评估预测模型进行预测评估，进而通过模型指标的重要性确定模型评估结果；模型指标包括准确率、精准率、召回率、f1值和auc曲线下面积；
11、基于评估结果对评估预测模型进行优化处理。
12、可选地，基于端口镜像，从dpi探针获取目标对象的xdr数据，包括：
13、基于业务交换机上配置端口镜像，将n3接口的信令报文和n4接口的数据报文镜像到dpi探针；
14、通过dpi探针解析n4接口的信令报文，获得目标对象的关键信息；
15、通过dpi探针解析n3接口的数据报文，获得目标对象的业务信息；
16、根据关键信息和业务信息，整理合成xdr数据。
17、可选地，对xdr数据进行预处理，从预处理后的xdr数据抽取指标特征，并对指标特征进行标准化处理，获得评分结果，包括：
18、对xdr数据进行数据清洗，抽取数据清洗后不同类型的xdr数据中的关键质量指标的指标特征；数据清洗包括对缺失值、异常值和重复数据的删除处理；指标特征包括上行流量、下行流量、上行平均速率、下行平均速率、上行平均时延和下行平均时延；
19、分别对各指标特征进行归一化处理，进而对归一化处理后的指标值进行加权平均，获得评分结果。
20、可选地，根据预测结果与训练集中的评分结果拟合得到预测残差，包括：
21、根据预测结果与训练集中的评分结果，通过梯度下降法对梯度提升模型的目标函数进行优化，进而基于梯度下降每次迭代学习的分类回归树拟合得到预测残差。
22、可选地，基于预测残差通过启发式搜索策略对梯度提升模型的参数进行调整，获得评估预测模型，包括：
23、基于预测残差通过启发式搜索策略对梯度提升模型逐个参数或逐类参数进行调整，进而获取模型参数调整过程每个参数组合的平均得分值；
24、基于平均得分值，通过预设的调参工具结合交叉验证得到各个参数组合的目标得分，选择目标得分最高的参数组合对应的模型作为评估预测模型。
25、另一方面，本专利技术实施例提供了一种专网评价方法，包括：
26、将评估预测模型部署到专网运营平台；其中，评估预测模型通过权利要求1至6中任一项的模型训练方法训练得到；
27、从专网运营平台获取客户侧的xdr数据，将xdr数据输入评估预测模型进行预测，获得满意度预测值；
28、对满意度预测值进行存储操作和可视化处理。
29、另一方面，本专利技术实施例提供了一种模型训练装置，包括：
30、第一模块，用于基于端口镜像，从dpi探针获取目标对象的xdr数据；
31、第二模块，用于对xdr数据进行预处理，从预处理后的xdr数据抽取指标特征，并对指标特征进行标准化处理，获得评分结果；
32、第三模块，用于根据指标特征及其对应的评分结果确定训练集和测试集；
33、第四模块，用于配置梯度提升模型；
34、第五模块，用于将训练集中的指标特征输入梯度提升模型进行预测，获得预测结果；
35、第六模块，用于根据预测结果与训练集中的评分结果拟合得到预测残差，基于预测残差通过启发式搜索策略对梯度提升模型的参数进行调整，获得评估预测模型。
36、可选地，模型训练装置还包括：
37、第七模块，用于通过测试集对评估预测模型进行预测评估，进而通过模型指标的重要性确定模型评估结果；模型指标包括准确率、精准率、召回率、f1值和auc曲线下面积；
38、第八模块，用于基于评估结果对评估预测模型进行优化处理。
39、另一方面，本专利技术实施例提供了一种专网评价装置，包括：
40、第九模块，用于将评估预测模型部署到专网运营平台；其中，评估预测模型通过前面的模型训练方法训练得到；
41、第十模块，用于从专网运营平台获取客户侧的xdr数据，将xdr数据输入评估预测模型进行预测，获得满意度预测值；
42、第十一模块，用于对满意度预测值进行存储操作和可视化处理。
43、另一方面，本专利技术实施例提供了一种电子设备，包括：处理器以及存储器；存储器用于存储程序；处理器执行程序实现上述模型训练方法或专网评价方法。
44、另一方面，本专利技术实施例提供了一种计算机存储介质，其中存储有处理器可执行的程序，处理器可执行的程序在由处理器执行时用于实现上述模型训练方法或专网评价方法。
45、本专利技术实施例首先基于端口镜像，从dpi探针获取目标对象的xdr数据；对xdr数据进行预处理，从预处理后的xdr数据抽取指标特征，并对指标特征进行标准化处理，获得评分结果；根据指标特征及其对应的评分结果确定训练集和测试集；配置梯度提升模型；将训练集中的指标特征输入梯度提升模型进行预测，获得预测结果；根据预测结果与训练集中的评分结果拟合得到预测残差，基于预测残差通过启发式搜索策略对梯度提升模型的参数进行调整，获得评估预测模型。本专利技术实施例通过分析用户业务体验过程中xdr数据中的相本文档来自技高网...
【技术保护点】
1.一种模型训练方法，其特征在于，包括：
2.根据权利要求1所述的模型训练方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的模型训练方法，其特征在于，所述基于端口镜像，从DPI探针获取目标对象的XDR数据，包括：
4.根据权利要求1所述的模型训练方法，其特征在于，所述对所述XDR数据进行预处理，从所述预处理后的XDR数据抽取指标特征，并对所述指标特征进行标准化处理，获得评分结果，包括：
5.根据权利要求1所述的模型训练方法，其特征在于，所述根据所述预测结果与所述训练集中的所述评分结果拟合得到预测残差，包括：
6.根据权利要求1所述的模型训练方法，其特征在于，所述基于所述预测残差通过启发式搜索策略对所述梯度提升模型的参数进行调整，获得评估预测模型，包括：
7.一种专网评价方法，其特征在于，包括：
8.一种模型训练装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括处理器以及存储器；
10.一种计算机存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理
...【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：
2.根据权利要求1所述的模型训练方法，其特征在于，所述方法还包括：
3.根据权利要求1所述的模型训练方法，其特征在于，所述基于端口镜像，从dpi探针获取目标对象的xdr数据，包括：
4.根据权利要求1所述的模型训练方法，其特征在于，所述对所述xdr数据进行预处理，从所述预处理后的xdr数据抽取指标特征，并对所述指标特征进行标准化处理，获得评分结果，包括：
5.根据权利要求1所述的模型训练方法，其特征在于，所述根据所述预测结果与所述训练集中的所述评分...
【专利技术属性】
技术研发人员：戴天明，
申请(专利权)人：天翼物联科技有限公司，
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。