【技术实现步骤摘要】
本专利技术属于无线通信，具体为一种基于语义描述的站点价值评估方法和装置。
技术介绍
1、随着5g网络部署带来站点规模扩大、组网复杂化、业务多样化，导致网络规划难度升级，站点优先级规划成为基础工作，站点价值测算尤为重要。传统人力处理速度受限，大数据分析在精细化场景自适应价值匹配方面存在不足，现有方法无法应对，主要体现在5g基站的高密度、低空间、微小化特点，使得站点规模相较于4g网络提升2～3倍，传统的站址选取方法已无法满足5g高密度站址需求，且分析过程复杂费时，同时，5g建设及运维成本高昂，对经济效益提出更高要求，但现有手段缺乏技术支持，站点的描述涉及数值和类别信息，直接转换数字表示会影响预测价值，因此，需探索新的方法，准确定义站点，以满足5g网络规划的复杂需求。
技术实现思路
1、本专利技术的目的在于提供一种基于语义描述的站点价值评估方法和装置，以解决上述
技术介绍
中提出的问题。
2、为了实现上述目的，本专利技术提供如下技术方案：一种基于语义描述的站点价值评估方法和装置，该评估方法如下：
3、步骤1，站点基础数据和对应评估测算价值输入：准备站点类别和文本描述数据，供深度神经网络学习语义知识；
4、步骤2、对站点属性描述数据进行处理：按照区域、需求、场景、问题点、建设、结构顺序排列指标，使用逗号分割站点属性描述数据；
5、步骤3，站点价值语义特征模型对站点属性描述数据进行转化：将步骤2处理后的数据通过站点价值语义特征模型转化为特征，输入深
6、步骤4，采用深度学习站点价值测算模型对站点的价值进行输出：将步骤3中生成的站点价值语义特征输入到深度学习模型中进行离线训练，模型学习到站点属性描述数据与价值测算分数之间的映射关系，并输出预测的站点价值；
7、步骤5,最终将训练好的模型进行部署，对新输入的站点信息进行价值预测：将训练好的模型部署到实际生产环境中，当输入新的站点信息时，系统自动进行价值预测并输出结果；
8、步骤6，构建编码堆叠的编码器：利用步骤3中的站点价值语义特征模型进行编码堆叠的编码器进行编码；
9、步骤7，通过编码器模型训练站点价值语义特征模型，利用深度学习模型进行特征变换和规范化处理，实现非线性映射和随机采样，以准确预测站点价值；
10、步骤8，整合特征并映射为站点价值预测结果，完成价值评估。
11、优选地，所述步骤1中的评估测算价值输入，准备数据包括准备区域、需求、场景、问题点、建设、结构类型特征数据，以及人工标注的站点价值测算分数作为测试和验证数据，这些数据将用于构建深度学习模型，并进行相应处理；
12、输入的数据涵盖了区域、需求、场景、问题点、建设、结构类型特征，以及相应的价值测算分数，数据细节反映了站点的多样性和复杂性，为深度学习模型的构建提供了丰富的信息，通过特征和分数，模型能够更精确地预测站点的价值，为后续的决策提供有力支持，处理这些数据是构建高效、准确的站点价值预测模型的关键步骤，对于提高网络覆盖和容量，优化资源配置具有重要意义，其中输入数据样例如图5所示。
13、优选地，所述步骤2中站点数据处理是将指标按照固定顺序进行排列，顺序为区域类型、需求类型、场景类型、问题点类型、建设类型、结构问题类，标明不同站点属性描述数据的指标属性，并用分割字符逗号进行区分，如站点a的描述站点属性描述数据为：“主城区，覆盖+容量，高校，劣于竞争对手，共址新建，超远”，并将其切换为具有语义的属性文本描述，其中，数据处理后的数据样例图如图6所示。
14、优选地，所述步骤3中的站点价值语义特征模型是将步骤2中处理后的数据通过站点价值语义特征模型转化为站点价值语义特征，然后输入到基于深度学习的站点价值测算模型中进行离线训练，以学习站点属性描述数据和价值测算分数之间的映射关系；
15、该模型的具体的步骤如下：
16、a1,将处理后的站点属性描述数据加入标识符[cls]和[sep]，进行向量嵌入操作，生成特征矩阵；
17、a2,通过多个编码器堆叠结构组成的站点价值计算模块，对特征矩阵进行信息增强和注意力计算，提取站点价值语义特征；
18、a3,将提取的特征向量作为站点价值语义特征，用于后续的深度学习模型训练和站点价值预测。
19、优选地，
20、所述步骤4中站点价值计算模块具备强大的特征提取能力，深度学习站点预测模型采用两次价值特征计算和一次结果预测的网络结构，该结构利用特征变换、数据规范化处理、非线性变换和价值数据随机采样技术，以实现准确的站点价值预测；
21、具体步骤如下：
22、b1,通过第一个价值特征计算对数据进行处理，得到新的向量，包括特征变换、数据规范化处理、非线性变换和随机采样；
23、b2,第二个价值特征计算对第一个价值特征计算的输出进行相同的处理，生成更高层次的特征表示；
24、b3,通过结果预测特征变换对第二个价值特征计算的输出进行线性变换，得到站点价值预测的标量,同时利用损失函数优化模型参数，不断减小预测与真实值之间的差异，提高预测准确度。
25、优选地，所述步骤5中训练好的模型进行部署，以对新输入的站点信息进行价值预测，对于输入的站点a信息，首先对其进行处理，将描述属性组合成完整的属性描述数据，目的是将原始数据转化为模型可接受的格式，然后，将处理后的数据输入到站点价值语义特征模型中，生成站点价值的语义特征向量，这个向量捕捉站点的潜在价值信息，最后，将特征向量输入到深度学习站点预测模型中，得出站点的最终价值评分为89.63，反映模型对站点的价值估计。
26、优选地，所述步骤6中模型通过掩码预测和下一段预测两个任务对站点属性描述数据进行训练，以有效捕捉文本中的上下文和语义关系，首先，利用掩码预测任务，随机掩盖输入数据中的部分词语，然后通过编码器模型进行编码，该编码器模型由分布信息增强模块和特征计算前馈模块组成，能够逐层学习和整合输入数据的特征表示，在处理掩盖输入时，编码器利用上下文信息和语义关联预测被掩盖的词语，接下来，通过下一段预测任务，将站点属性描述数据分为两段进行输入，编码器模型对这两段句子进行编码。
27、优选地，所述步骤7中在特征提取过程中，编码器模型逐层对新的站点属性描述数据进行编码，生成相应的特征表示，这些特征表示包含了详细的语义信息和上下文关联，能够更准确地表达站点的特征和潜在价值，通过步骤3中站点价值语义特征模型，将站点属性描述数据转化为具有一定维度的价值语义特征，以便深度学习站点价值预测模型更好地利用这些特征进行预测和评估，在步骤4中深度学习站点价值预测模型，特征变换利用神经网络结构对输入的特征进行非线性映射和提取，得到更具代表性的特征表示，对特征向量进行规范化处理和激活函数映射，以消除量纲差异、提高稳定性和准确性，并捕捉更复杂的特征模式，最后，通过随机采样部分特本文档来自技高网...
【技术保护点】
1.一种基于语义描述的站点价值评估方法，其特征在于：该评估方法如下：
2.根据权利要求1所述的一种基于语义描述的站点价值评估方法，其特征在于：所述步骤1中的评估测算价值输入，准备数据包括准备区域、需求、场景、问题点、建设、结构类型特征数据，以及人工标注的站点价值测算分数作为测试和验证数据，这些数据将用于构建深度学习模型，并进行相应处理；
3.根据权利要求1所述的一种基于语义描述的站点价值评估方法，其特征在于：所述步骤2中站点数据处理是将指标按照固定顺序进行排列，顺序为区域类型、需求类型、场景类型、问题点类型、建设类型、结构问题类，标明不同站点属性描述数据的指标属性，并用分割字符逗号进行区分，如站点a的描述站点属性描述数据为：“主城区，覆盖+容量，高校，劣于竞争对手，共址新建，超远”，并将其切换为具有语义的属性文本描述。
4.根据权利要求1所述的一种基于语义描述的站点价值评估方法，其特征在于：所述步骤3中的站点价值语义特征模型是将步骤2中处理后的数据通过站点价值语义特征模型转化为站点价值语义特征，然后输入到基于深度学习的站点价值测算模型中进行离线
5.根据权利要求1所述的一种基于语义描述的站点价值评估方法，其特征在于：所述步骤4中站点价值计算模块具备强大的特征提取能力，深度学习站点预测模型采用两次价值特征计算和一次结果预测的网络结构，该结构利用特征变换、数据规范化处理、非线性变换和价值数据随机采样技术，以实现准确的站点价值预测；
6.根据权利要求1所述的一种基于语义描述的站点价值评估方法，其特征在于：所述步骤5中训练好的模型进行部署，以对新输入的站点信息进行价值预测，对于输入的站点a信息，首先对其进行处理，将描述属性组合成完整的属性描述数据，目的是将原始数据转化为模型可接受的格式，然后，将处理后的数据输入到站点价值语义特征模型中，生成站点价值的语义特征向量，这个向量捕捉站点的潜在价值信息，最后，将特征向量输入到深度学习站点预测模型中，得出站点的最终价值评分为89.63，反映模型对站点的价值估计。
7.根据权利要求1所述的一种基于语义描述的站点价值评估方法，其特征在于：所述步骤6中模型通过掩码预测和下一段预测两个任务对站点属性描述数据进行训练，利用掩码预测任务，随机掩盖输入数据中的部分词语，然后通过编码器模型进行编码，该编码器模型由分布信息增强模块和特征计算前馈模块组成，能够逐层学习和整合输入数据的特征表示，在处理掩盖输入时，编码器利用上下文信息和语义关联预测被掩盖的词语，接下来，通过下一段预测任务，将站点属性描述数据分为两段进行输入，编码器模型对这两段句子进行编码。
8.根据权利要求1所述的一种基于语义描述的站点价值评估方法，其特征在于：所述步骤7中在特征提取过程中，编码器模型逐层对新的站点属性描述数据进行编码，生成相应的特征表示，这些特征表示包含了详细的语义信息和上下文关联，能够更准确地表达站点的特征和潜在价值；
9.根据权利要求8所述的一种基于语义描述的站点价值评估方法，其特征在于：所述步骤8中是对权利8中的内容进行总结，通过步骤7中完成两次的价值特征计算后，得到的特征进行汇总和整合，接下来，通过一次结果预测的网络层，将这些特征映射为最终的站点价值预测结果，这一网络层由全连接层和输出层组成，能够对特征进行加权和综合，从而得出最终的站点价值预测。
10.根据权利要求1所述的一种基于语义描述的站点价值评估装置，其特征在于：该装置由数据规范化处理、特征计算前馈模块和分布信息增强模块组成。
...【技术特征摘要】
1.一种基于语义描述的站点价值评估方法，其特征在于：该评估方法如下：
2.根据权利要求1所述的一种基于语义描述的站点价值评估方法，其特征在于：所述步骤1中的评估测算价值输入，准备数据包括准备区域、需求、场景、问题点、建设、结构类型特征数据，以及人工标注的站点价值测算分数作为测试和验证数据，这些数据将用于构建深度学习模型，并进行相应处理；
3.根据权利要求1所述的一种基于语义描述的站点价值评估方法，其特征在于：所述步骤2中站点数据处理是将指标按照固定顺序进行排列，顺序为区域类型、需求类型、场景类型、问题点类型、建设类型、结构问题类，标明不同站点属性描述数据的指标属性，并用分割字符逗号进行区分，如站点a的描述站点属性描述数据为：“主城区，覆盖+容量，高校，劣于竞争对手，共址新建，超远”，并将其切换为具有语义的属性文本描述。
4.根据权利要求1所述的一种基于语义描述的站点价值评估方法，其特征在于：所述步骤3中的站点价值语义特征模型是将步骤2中处理后的数据通过站点价值语义特征模型转化为站点价值语义特征，然后输入到基于深度学习的站点价值测算模型中进行离线训练，以学习站点属性描述数据和价值测算分数之间的映射关系；
5.根据权利要求1所述的一种基于语义描述的站点价值评估方法，其特征在于：所述步骤4中站点价值计算模块具备强大的特征提取能力，深度学习站点预测模型采用两次价值特征计算和一次结果预测的网络结构，该结构利用特征变换、数据规范化处理、非线性变换和价值数据随机采样技术，以实现准确的站点价值预测；
6.根据权利要求1所述的一种基于语义描述的站点价值评估方法，其特征在于：所述步骤5中训练好的模型进行部署，以对新输入的站点信息进行价值预测，对于输入的站点a信息，首先对其进行处理，将描述...
【专利技术属性】
技术研发人员：赫凯，沈仲瀚，庞卫平，
申请(专利权)人：湖南华诺科技有限公司，
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。