System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及数据处理,具体而言,涉及一种服务质量数据预测方法、电子设备及存储介质。
技术介绍
1、随着科技的飞速进步,通信技术已经从地面固定通信和移动通信发展到卫星宽带通信、卫星物联网等领域,卫星网络通信和地面网络通信作为现代通信技术的重要组成部分,分别利用不同的传输介质和方法,可以实现全球范围内的数据传输和信息共享。为了实现资源的合理化分配,提高通信稳定性,对于通信链路的服务质量数据进行预测也成为了研究的热点。
2、相关技术中,通常基于星上链路的历史服务质量数据以实现对星上链路未来时刻的服务质量数据进行预测,然而,对于星地融合链路来说,通信链路较为复杂,监测节点和数据相对于星上链路更多,相关技术中,无法高效的对星地融合链路的服务质量数据进行预测。
技术实现思路
1、本专利技术的目的在于,针对上述现有技术中的不足,提供一种服务质量数据预测方法、电子设备及存储介质,以便解决相关技术中所存在的上述技术问题。
2、为实现上述目的,本专利技术实施例采用的技术方案如下:
3、第一方面,本专利技术实施例提供了一种服务质量数据预测方法,应用于网络数据分析功能nwdaf网元,包括:
4、获取目标融合链路中各监测节点的特征矩阵,其中,所述目标融合链路为卫星网络和地面网络间的通信链路;
5、采用目标预测模型,根据所述各监测节点的特征矩阵,计算空间维度的特征序列;
6、采用所述目标预测模型,根据所述空间维度的特征序列,计算时间维度
7、根据所述时间维度的特征序列以及所述目标预测模型的训练参数,预测在未来时刻所述各监测节点的未来服务质量数据。
8、可选的,所述获取目标融合链路中各监测节点的特征矩阵,包括:
9、获取所述各监测节点的服务质量监测数据;
10、将所述各监测节点的服务质量监测数据,作为所述各监测节点的属性特征;
11、根据所述各监测节点的属性特征,形成所述各监测节点的特征矩阵。
12、可选的,所述采用目标预测模型,根据所述各监测节点的特征矩阵,计算空间维度的特征序列,包括:
13、采用所述目标预测模型,根据所述各监测节点的特征矩阵、所述目标融合链路的邻接矩阵、预设单位矩阵、预设权重矩阵以及预设时间窗口,计算一图卷积层的空间特征;其中,所述邻接矩阵用于表征所述各监测节点间的边的状态;
14、采用所述目标预测模型,根据所述一图卷积层的空间特征、所述各监测节点的特征矩阵、所述目标预测模型中的邻接矩阵、所述预设单位矩阵、所述预设权重矩阵以及所述预设时间窗口,计算下一图卷积层的空间特征,直至计算出最后一图卷积层的空间特征序列;
15、将所述最后一图卷积层的空间特征序列作为所述空间维度的特征序列。
16、可选的,所述采用所述目标预测模型,根据所述各监测节点的特征矩阵、所述目标融合链路的邻接矩阵、预设单位矩阵、预设权重矩阵以及预设时间窗口,计算一图卷积层的空间特征,包括:
17、采用所述目标预测模型,根据所述邻接矩阵和所述预设单位矩阵,分别计算第一矩阵和第二矩阵;
18、采用所述目标预测模型,根据所述各监测节点的特征矩阵、所述第一矩阵、所述第二矩阵以及所述预设时间窗口,依次计算所述一图卷积层的多个空间特征,直至满足所述预设时间窗口对应的数量,得到所述一图卷积层的空间特征。
19、可选的,所述根据所述时间维度的特征序列以及所述目标预测模型的训练参数,预测在未来时刻所述各监测节点的未来服务质量数据,包括:
20、根据所述时间维度的特征序列、预设偏置参数、预设非线性函数以及所述目标预测模型的训练参数,预测在所述未来时刻所述各监测节点的未来服务质量数据。
21、可选的,在所述采用目标预测模型,根据所述各监测节点的特征矩阵,计算空间维度的特征序列之前,所述方法还包括:
22、根据所述目标融合链路构建所述各监测节点的无向图,所述无向图中包括:所述各监测节点、所述各监测节点间的边、邻接矩阵,所述邻接矩阵用于表征所述各监测节点间的边的状态;
23、根据所述目标融合链路中所述各监测节点的样本服务质量数据,构建所述各监测节点的样本特征矩阵;
24、根据所述无向图以及所述各监测节点的样本特征矩阵,对初始预测模型进行训练,并对所述初始预测模型的模型参数进行更新,得到所述目标预测模型。
25、可选的,所述目标预测模型包括:图卷积网络预测模型以及门控循环单元预测模型;
26、所述采用目标预测模型,根据所述各监测节点的特征矩阵,计算空间维度的特征序列,包括:
27、采用所述图卷积网络预测模型,根据所述各监测节点的特征矩阵,计算所述空间维度的特征序列;
28、所述采用所述目标预测模型,根据所述空间维度的特征序列,计算时间维度的特征序列,包括:
29、采用所述门控循环单元预测模型,根据所述空间维度的特征序列,计算所述时间维度的特征序列。
30、可选的,所述获取所述各监测节点的服务质量监测数据,包括:
31、接收协议数据单元pdu会话锚发送的馈线链路、地面链路和星上服务链路的服务质量监测数据;
32、其中,所述馈线链路、所述地面链路和所述星上服务链路的服务质量监测数据中包括所述各监测节点的服务质量监测数据。
33、第二方面,本专利技术实施例还提供了一种电子设备,包括:存储器和处理器,所述存储器存储有所述处理器可执行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面任一项所述的服务质量数据预测方法。
34、第三方面,本专利技术实施例还提供了一种计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被读取并执行时,实现上述第一方面任一项所述的服务质量数据预测方法。
35、第四方面,本专利技术实施例还提供了一种服务质量数据预测装置,应用于网络数据分析功能nwdaf网元,包括:
36、获取模块,用于获取目标融合链路中各监测节点的特征矩阵,其中,所述目标融合链路为卫星网络和地面网络间的通信链路;
37、计算模块,用于采用目标预测模型,根据所述各监测节点的特征矩阵,计算空间维度的特征序列;采用所述目标预测模型,根据所述空间维度的特征序列,计算时间维度的特征序列;
38、预测模块,用于根据所述时间维度的特征序列以及所述目标预测模型的训练参数,预测在未来时刻所述各监测节点的未来服务质量数据。
39、可选的,所述获取模块,具体用于获取所述各监测节点的服务质量监测数据;将所述各监测节点的服务质量监测数据,作为所述各监测节点的属性特征;根据所述各监测节点的属性特征,形成所述各监测节点的特征矩阵。
40、可选的,所述计算模块,具体用于采用所述目标预测模型,根据所述各监测节点的特征矩阵、所述目标融合链路的邻接矩阵、预设本文档来自技高网...
【技术保护点】
1.一种服务质量数据预测方法,其特征在于,应用于网络数据分析功能NWDAF网元,包括:
2.根据权利要求1所述的方法,其特征在于,所述获取目标融合链路中各监测节点的特征矩阵,包括:
3.根据权利要求1所述的方法,其特征在于,所述采用目标预测模型,根据所述各监测节点的特征矩阵,计算空间维度的特征序列,包括:
4.根据权利要求3所述的方法,其特征在于,所述采用所述目标预测模型,根据所述各监测节点的特征矩阵、所述目标融合链路的邻接矩阵、预设单位矩阵、预设权重矩阵以及预设时间窗口,计算一图卷积层的空间特征,包括:
5.根据权利要求1所述的方法,其特征在于,所述根据所述时间维度的特征序列以及所述目标预测模型的训练参数,预测在未来时刻所述各监测节点的未来服务质量数据,包括:
6.根据权利要求1所述的方法,其特征在于,在所述采用目标预测模型,根据所述各监测节点的特征矩阵,计算空间维度的特征序列之前,所述方法还包括:
7.根据权利要求1所述的方法,其特征在于,所述目标预测模型包括:图卷积网络预测模型以及门控循环单元预测模型;
8.根据权利要求2所述的方法,其特征在于,所述获取所述各监测节点的服务质量监测数据,包括:
9.一种电子设备,其特征在于,包括:存储器和处理器,所述存储器存储有所述处理器可执行的计算机程序,所述处理器执行所述计算机程序时实现上述权利要求1-8任一项所述的服务质量数据预测方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被读取并执行时,实现上述权利要求1-8任一项所述的服务质量数据预测方法。
...【技术特征摘要】
1.一种服务质量数据预测方法,其特征在于,应用于网络数据分析功能nwdaf网元,包括:
2.根据权利要求1所述的方法,其特征在于,所述获取目标融合链路中各监测节点的特征矩阵,包括:
3.根据权利要求1所述的方法,其特征在于,所述采用目标预测模型,根据所述各监测节点的特征矩阵,计算空间维度的特征序列,包括:
4.根据权利要求3所述的方法,其特征在于,所述采用所述目标预测模型,根据所述各监测节点的特征矩阵、所述目标融合链路的邻接矩阵、预设单位矩阵、预设权重矩阵以及预设时间窗口,计算一图卷积层的空间特征,包括:
5.根据权利要求1所述的方法,其特征在于,所述根据所述时间维度的特征序列以及所述目标预测模型的训练参数,预测在未来时刻所述各监测节点的未来服务质量数据,包括:
6....
【专利技术属性】
技术研发人员:谢涵,
申请(专利权)人:广州爱浦路网络技术有限公司,
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。