[發明專利]KQI數據的網絡特征提取方法、裝置、設備及存儲介質

有效

• 申請號: 201911000458.6
• 申請日: 2019-10-21
• 公開（公告）號: CN110855474B
• 公開（公告）日: 2022-06-17
• 發明（設計）人: 杜翠鳳;梁曉文;蔣仕寶
• 申請（專利權）人: 廣州杰賽科技股份有限公司
• 主分類號: H04L41/5009
• 分類號: H04L41/5009;H04L41/50;H04L41/147;H04L41/14;G06N3/08;G06N3/04
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 黃詩彬;郝傳鑫

1.一種KQI數據的網絡特征提取方法，其特征在于，包括：

對采集到的網絡的KQI數據進行歸一化處理；

將歸一化處理后的KQI數據按照時間順序進行排序；

從排序后的KQI數據中截取出在當前時刻前的設定時間長度內的樣本數據；

根據所述樣本數據，通過預先建立的網絡特征提取模型，獲得所述KQI數據對應的網絡特征；其中，所述網絡特征提取模型包括CNN模型、LSTM模型與所述CNN模型和所述LSTM模型連接的注意力機制模型；

通過所述CNN模型，抽取所述樣本數據的具有第一維數的第一特征向量；

通過所述LSTM模型，抽取所述樣本數據的具有第二維數的第二特征向量；

通過所述注意力機制模型對所述第一特征向量和所述第二特征向量進行融合，獲得所述KQI數據對應的網絡特征；

最終的融合特征表達為f_map，其中，特征融合的表達具體過程由公式(3)、(4)、(5)表示：

其中，W_α為m×n維的權值矩陣，b_α為偏置參數，均由網絡訓練學習得到，是C_r的轉置項，C_r表示第一特征向量，表示第二特征向量；表示CNN模型的第一特征向量和LSTM模型的第二特征向量的融合，α_i表示權重。

2.如權利要求1所述的KQI數據的網絡特征提取方法，其特征在于，所述從排序后的KQI數據中截取出在當前時刻前的設定時間長度內的樣本數據，具體包括：

采用預設的第一滑動窗口從排序后的KQI數據中截取在當前時刻前的設定時間長度內的網絡KQI數據。

3.如權利要求1所述的KQI數據的網絡特征提取方法，其特征在于，所述通過所述CNN模型，抽取所述樣本數據的具有第一維數的第一特征向量，具體包括：

設置N個不同窗口長度的第二滑動窗口分別遍歷所述樣本數據，獲得N類窗口數據；

將N類所述窗口數據輸入到所述CNN模型中，獲取所述CNN模型的第一卷積層輸出的特征，作為所述樣本數據的淺層特征，獲取所述CNN模型的第二卷積層輸出的特征，作為所述樣本數據的深層特征；

通過所述CNN模型的融合層對所述淺層特征和深層特征進行融合，獲得所述第一特征向量。

4.如權利要求1所述的KQI數據的網絡特征提取方法，其特征在于，所述對采集到的網絡的KQI數據進行歸一化處理，具體包括：

根據所述KQI數據中各個網絡質量指標的最大值和最小值，對所述網絡KQI數據中各個網絡質量指標進行歸一化處理。

5.權利要求2所述的KQI數據的網絡特征提取方法，其特征在于，所述網絡特征提取模型還包括與所述注意力機制模型連接的Flatten層以及與所述Flatten層連接的全連接層；其中，所述全連接層采用sigmod函數作為激活函數，作為所述網絡特征提取模型的輸出層。

6.權利要求5所述的KQI數據的網絡特征提取方法，其特征在于，所述方法還包括：

根據所述樣本數據，通過預先建立的網絡特征提取模型，獲得所述KQI數據對應的用戶投訴預測結果；其中，所述用戶投訴預測結果由所述網絡特征提取模型的全連接層輸出。

7.如權利要求5所述的KQI數據的網絡特征提取方法，其特征在于，所述方法還包括以下所述網絡特征提取模型的訓練步驟：

對預先采集的網絡的歷史KQI數據進行歸一化處理；

將歸一化處理后的歷史KQI數據按照時間順序進行排序；

采用所述第一滑動窗口遍歷排序后的歷史KQI數據，并截取出多個具有所述設定時間長度的訓練樣本數據；

對所述訓練樣本數據添加預測標簽；其中，所述預測標簽是根據所述訓練樣本數據對應的時間長度內采集用戶投訴數據生成；所述用戶投訴數據包括投訴代碼和不投訴代碼；

根據添加預測標簽后的訓練樣本數據，對所述網絡特征提取模型進行訓練。