[發(fā)明專利]KQI數(shù)據(jù)的網(wǎng)絡(luò)特征提取方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)

有效

• 申請(qǐng)?zhí)枺?/td>: 201911000458.6
• 申請(qǐng)日: 2019-10-21
• 公開（公告）號(hào): CN110855474B
• 公開（公告）日: 2022-06-17
• 發(fā)明（設(shè)計(jì)）人: 杜翠鳳;梁曉文;蔣仕寶
• 申請(qǐng)（專利權(quán)）人: 廣州杰賽科技股份有限公司
• 主分類號(hào): H04L41/5009
• 分類號(hào): H04L41/5009;H04L41/50;H04L41/147;H04L41/14;G06N3/08;G06N3/04
• 代理公司: 廣州三環(huán)專利商標(biāo)代理有限公司 44202
• 代理人: 黃詩彬;郝傳鑫

本發(fā)明提供了一種KQI數(shù)據(jù)的網(wǎng)絡(luò)特征提取方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)，該方法通過對(duì)采集到的網(wǎng)絡(luò)的KQI數(shù)據(jù)進(jìn)行歸一化處理并按照時(shí)間順序進(jìn)行排序；從排序后的KQI數(shù)據(jù)中截取出在當(dāng)前時(shí)刻前的設(shè)定時(shí)間長度內(nèi)的樣本數(shù)據(jù)；根據(jù)樣本數(shù)據(jù)，通過預(yù)先建立的網(wǎng)絡(luò)特征提取模型，獲得KQI數(shù)據(jù)對(duì)應(yīng)的網(wǎng)絡(luò)特征；網(wǎng)絡(luò)特征提取模型包括用于抽取樣本數(shù)據(jù)的空間維度上的具有第一維數(shù)的第一特征向量的CNN模型、用于抽取樣本數(shù)據(jù)的時(shí)間維度上的的具有第二維數(shù)的第二特征向量的LSTM模型，用于融合第一特征向量和第二特征向量的注意力機(jī)制模型對(duì)；本發(fā)明充分考慮了網(wǎng)路特征多維數(shù)據(jù)的空間關(guān)系和時(shí)間維度的延續(xù)關(guān)系，全面提取KQI數(shù)據(jù)的網(wǎng)絡(luò)特征，解決特征識(shí)別準(zhǔn)確率低的問題。

技術(shù)領(lǐng)域

本發(fā)明涉及通信技術(shù)領(lǐng)域，尤其涉及一種網(wǎng)絡(luò)質(zhì)量的用戶投訴預(yù)測方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)。

背景技術(shù)

網(wǎng)絡(luò)質(zhì)量的好壞會(huì)直接影響到用戶體驗(yàn)，因而用戶的投訴數(shù)據(jù)往往也能直接反映網(wǎng)絡(luò)質(zhì)量的好壞。傳統(tǒng)的網(wǎng)絡(luò)質(zhì)量優(yōu)化管理是結(jié)合專家的經(jīng)驗(yàn)對(duì)監(jiān)控平臺(tái)話統(tǒng)數(shù)據(jù)的網(wǎng)元指標(biāo)或者小區(qū)指標(biāo)進(jìn)行人工提取特征，然后再結(jié)合用戶投訴行為，找出網(wǎng)絡(luò)質(zhì)量數(shù)據(jù)特征與投訴行為的關(guān)系。該方法嚴(yán)重依賴專家經(jīng)驗(yàn)，而且由于監(jiān)控平臺(tái)的話統(tǒng)數(shù)據(jù)具有海量、高維的特點(diǎn)，傳統(tǒng)的網(wǎng)絡(luò)質(zhì)量優(yōu)化管理方法已經(jīng)不能適用于當(dāng)前時(shí)代的監(jiān)控平臺(tái)。

針對(duì)傳統(tǒng)的網(wǎng)絡(luò)質(zhì)量優(yōu)化管理方法的不足，有人提出了一種基于隨機(jī)森林算法的投訴預(yù)警模型優(yōu)化方法，采用隨機(jī)森林實(shí)現(xiàn)投訴預(yù)警；還有人提出了一種基于大數(shù)據(jù)模型的投訴預(yù)警與提前干預(yù)分析，實(shí)現(xiàn)投訴原因的追溯。但是上述研究均是基于投訴信息的網(wǎng)元指標(biāo)或者小區(qū)指標(biāo)進(jìn)行提取特征，沒有考慮用戶投訴的滯后性問題，也就是沒有考慮到用戶的投訴一般晚于網(wǎng)絡(luò)質(zhì)量問題的發(fā)生時(shí)間，現(xiàn)有方法不能提取到網(wǎng)路質(zhì)量的更多的細(xì)節(jié)信息，特征的提取不夠全面，特征識(shí)別準(zhǔn)確率低。

發(fā)明內(nèi)容

基于此，本發(fā)明提供了一種KQI數(shù)據(jù)的網(wǎng)絡(luò)特征提取方法、裝置、設(shè)備及存儲(chǔ)介質(zhì)，其能充分考慮了網(wǎng)路特征多維數(shù)據(jù)的空間關(guān)系和時(shí)間維度的延續(xù)關(guān)系，全面提取KQI數(shù)據(jù)的網(wǎng)絡(luò)特征，解決特征識(shí)別準(zhǔn)確率低的問題，通過本發(fā)明提取的網(wǎng)絡(luò)特征能準(zhǔn)確排查到網(wǎng)絡(luò)質(zhì)量問題，提高網(wǎng)絡(luò)質(zhì)量投訴預(yù)測的準(zhǔn)確性。

第一方面，本發(fā)明實(shí)施例提供了一種KQI數(shù)據(jù)的網(wǎng)絡(luò)特征提取方法，包括：

對(duì)采集到的網(wǎng)絡(luò)的KQI數(shù)據(jù)進(jìn)行歸一化處理；

將歸一化處理后的KQI數(shù)據(jù)按照時(shí)間順序進(jìn)行排序；

從排序后的KQI數(shù)據(jù)中截取出在當(dāng)前時(shí)刻前的設(shè)定時(shí)間長度內(nèi)的樣本數(shù)據(jù)；

根據(jù)所述樣本數(shù)據(jù)，通過預(yù)先建立的網(wǎng)絡(luò)特征提取模型，獲得所述KQI數(shù)據(jù)對(duì)應(yīng)的網(wǎng)絡(luò)特征；其中，所述網(wǎng)絡(luò)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(jī)制模型；

通過所述CNN模型，抽取所述樣本數(shù)據(jù)的具有第一維數(shù)的第一特征向量；

通過所述LSTM模型，抽取所述樣本數(shù)據(jù)的具有第二維數(shù)的第二特征向量；

通過所述注意力機(jī)制模型對(duì)所述第一特征向量和所述第二特征向量進(jìn)行融合，獲得所述KQI數(shù)據(jù)對(duì)應(yīng)的網(wǎng)絡(luò)特征。

作為上述方案的改進(jìn)，所述從排序后的KQI數(shù)據(jù)中截取出在當(dāng)前時(shí)刻前的設(shè)定時(shí)間長度內(nèi)的樣本數(shù)據(jù)，具體包括：

采用預(yù)設(shè)的第一滑動(dòng)窗口從排序后的KQI數(shù)據(jù)中截取在當(dāng)前時(shí)刻前的設(shè)定時(shí)間長度內(nèi)的網(wǎng)絡(luò)KQI數(shù)據(jù)。

作為上述方案的改進(jìn)，所述通過所述CNN模型，抽取所述樣本數(shù)據(jù)的具有第一維數(shù)的第一特征向量，具體包括：

設(shè)置N個(gè)不同窗口長度的第二滑動(dòng)窗口分別遍歷所述樣本數(shù)據(jù)，獲得N類窗口數(shù)據(jù)；