[發明專利]一種根據手機上網日志預測手機信號強度的方法

有效

• 申請號: 201710544918.6
• 申請日: 2017-07-06
• 公開（公告）號: CN107333285B
• 公開（公告）日: 2020-09-18
• 發明（設計）人: 陳晨;肖佳坤;詹義;袁曉潔
• 申請（專利權）人: 南開大學
• 主分類號: H04W24/02
• 分類號: H04W24/02;H04W24/06;H04W24/10
• 代理公司: 天津耀達律師事務所 12223
• 代理人: 侯力

1.一種根據手機上網日志預測手機信號強度的方法，其步驟為：

第1、獲取當前周期所有手機的httplog數據，提取IMSI和時間字段；

定義1：httplog數據；定義如下：

httplog數據是指用戶使用移動網絡時，基站所保存的日志數據；該數據所包含的信息主要有：

(1)用戶信息：主要包括用戶手機的基本信息，包括手機號碼、手機串號、所使用的瀏覽器、下載及上傳的數據流量大小；

(2)基站信息：主要包括用戶所連接基站的基本信息，包括基站經緯度、基站所在的行政區域和基站ID；

(3)行為信息：指用戶的具體上網行為；

(4)時間信息：指用戶發生上網行為時，與時間有關的信息；

定義2：IMSI字段；定義如下：

IMSI字段是指國際移動用戶識別碼(InternationalMobileSubscriberIdentification Number)，是區別移動用戶的標志，儲存在SIM卡中，是用于區別移動用戶的有效信息；IMSI字段總長度不超過15位，同樣使用0～9的數字；

第2、找到httplog數據對應的用戶三元組；

第2.1、獲取手機MME數據，提取IMSI、時間和用戶三元組字段；

定義3：MME數據；定義如下：

MME(Mobility Management Entity)是3GPP協議LTE接入網絡的關鍵控制節點，它負責空閑模式的UE(User Equipment)的定位，傳呼過程，包括中繼，簡單的說MME是負責信令處理部分；MME數據中有IMSI、時間以及用戶三元組字段，能夠建立三者的對應關系；

定義4：用戶三元組；定義如下：

用戶三元組包括MmeUeS1apId、MmeGroupId和MmeCode，該三元組是根據IMSI分配的三元組，作為用戶唯一標識符，同一個IMSI在一段時間內，分配的用戶三元組是不變的，所以能夠根據IMSI和時間字段找到對應的用戶三元組；

第2.2、獲取IMSI-時間元組與用戶三元組的對應關系；將IMSI和時間字段作為一個元組，稱為IMSI-時間元組，使用該元組作為key值，用戶三元組字段作為value值，即可建立IMSI-時間元組(IMSI、時間)與用戶三元組的對應關系字典；

第2.3、通過httplog數據的IMSI和時間字段，在第2.2步所建立的對應關系字典中查詢，獲取對應的用戶三元組；

第3、獲取httplog數據所對應的信號強度數據；

第3.1、獲取手機MR數據，提取信號強度和用戶三元組字段；

定義5：MR數據；定義如下：

MR(Measurement Report，測量報告)數據是指信息在業務信道上每480ms或信令信道上470ms發送一次數據，這些數據能夠用于網絡評估和優化；該數據最重要的字段是信號強度，能夠表示當前用戶手機在當前時刻的信號強度的大小；

MR數據是以xml格式進行存儲的，需要進行解析，解析之后能夠提取信號強度和用戶三元組字段；

第3.2、根據httplog數據的用戶三元組字段，在MR數據中提取對應的信號強度數據；通過在第2.3步所查詢到的用戶三元組字段，能夠在MR數據中提取對應的信號強度數據；

第4、將信號強度數據與httplog數據相結合，形成訓練數據；

第5、使用訓練數據訓練模型；

第6、利用訓練好的模型進行預測。

2.根據權利要求1所述的方法，其特征在于，第5步所述訓練模型時，要經過數據統計、特征抽取、模型構建和模型訓練步驟，具體功能如下：

(1)數據統計：包括字段類型統計、數據稀疏程度統計和缺失值統計，同時也會進行數據清洗和數據轉換步驟，方便之后的特征抽取工作；

(2)特征抽取：多維度多層次地進行特征抽取，通過數據統計發現數據中的規律，挖掘有價值的特征，重點從時空特征以及內容特征方面著手；

(3)模型構建：根據輸入特征選擇合適的模型進行訓練，由于數據比較稀疏，因此采用GBDT(Gradient Boosting Decision Tree)模型；該模型是集成學習模型，通過構建并結合多個決策樹來完成學習任務；

(4)模型訓練：使用訓練數據對模型進行訓練，同時進行參數調優。

3.根據權利要求1所述的方法，其特征在于，第6步所述進行預測時的數據統計和特征抽取方法與訓練時類似，但隨著時間變化，模型需要不斷更新，需要不斷訓練新模型進行預測。