CN114423049A - 一种感知预测方法、装置、电子设备及存储介质 - Google Patents

一种感知预测方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114423049A
CN114423049A CN202111422289.2A CN202111422289A CN114423049A CN 114423049 A CN114423049 A CN 114423049A CN 202111422289 A CN202111422289 A CN 202111422289A CN 114423049 A CN114423049 A CN 114423049A
Authority
CN
China
Prior art keywords
air interface
data
sample
service data
interface data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111422289.2A
Other languages
English (en)
Inventor
李林
郑超
公丕金
巴宗岳
吕文杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Inspur Communication Technology Co Ltd
Original Assignee
Inspur Communication Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Inspur Communication Technology Co Ltd filed Critical Inspur Communication Technology Co Ltd
Priority to CN202111422289.2A priority Critical patent/CN114423049A/zh
Publication of CN114423049A publication Critical patent/CN114423049A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
    • H04W28/24—Negotiating SLA [Service Level Agreement]; Negotiating QoS [Quality of Service]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/50—Network service management, e.g. ensuring proper service fulfilment according to agreements
    • H04L41/5003—Managing SLA; Interaction between SLA and QoS

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供的一种感知预测方法、装置、电子设备及存储介质，应用于5G网络中，所述方法包括：实时采集空口数据和业务数据，确定所述空口数据的特征向量和所述业务数据的特征向量，输入预先训练好的感知预测模型中，获取QoE指标预测值，根据所述QoE指标预测值和预设的QoE指标阈值，确定目标控制策略，并下发所述目标控制策略；其中，所述感知预测模型是基于样本空口数据以及所述样本空口数据的标注信息、样本业务数据以及所述样本业务数据的标注信息进行训练得到的。本发明提供的感知预测方法可以应用于多种应用场景中，自适应地调整控制策略中的参数，实时保证无线网络的高速率、低延时，提升了用户体验。

Description

一种感知预测方法、装置、电子设备及存储介质
技术领域
本发明涉及无线网络技术领域，尤其涉及一种感知预测方法、装置、电子设备及存储介质。
背景技术
随着智能处理技术的不断发展，提高无线网路的服务质量对用户来说是至关重要的。
目前，3GPP(3rd Generation Partnership Project，第三代合作伙伴计划)协议中，定义了5G(5-Generation mobile communication technology，第五代移动通信技术)网络。为了满足5G用户的需求，现有技术中，采用半静态的QoS配置策略来适应空口传输数据的波动变化，但是这种处理方式，不能随着空口数据的波动变化自适应的调整QoS配置参数，对于不同的应用场景需要适配相应的QoS配置策略，应用成本较高，而且不能实时保证无线网络的高速率、低延时，导致用户的体验较差。
发明内容
本发明提供一种感知预测方法、装置、电子设备及存储介质，用以解决现有技术中由于QoS配置参数不能实时调整变化导致无法实时保证无线网络的高速率、用户体验较差的技术问题，本发明用于实现基于空口数据和业务数据的关联分析，实时调整QoS配置参数，保证无线网络高速率、低延时，提升用户体验的目的。
第一方面，本发明提供一种感知预测方法，应用于5G网络中，包括：
实时采集空口数据和业务数据；
确定所述空口数据的特征向量和所述业务数据的特征向量，输入预先训练好的感知预测模型中，获取QoE指标预测值；
根据所述QoE指标预测值和预设的QoE指标阈值，确定目标控制策略，并下发所述目标控制策略；
其中，所述感知预测模型是基于样本空口数据以及所述样本空口数据的标注信息、样本业务数据以及所述样本业务数据的标注信息进行训练得到的。
进一步，根据本发明提供的感知预测方法，所述根据所述QoE指标预测值和预设的QoE指标阈值，确定目标控制策略，包括：
在所述QoE指标预测值大于或等于预设的QoE指标阈值的情况下，不作调整，将初始的控制策略确定为目标控制策略。
进一步，根据本发明提供的感知预测方法，所述根据所述QoE指标预测值和预设的QoE指标阈值，确定目标控制策略，还包括：
在所述QoE指标预测值小于预设的QoE指标阈值的情况下，对初始控制策略进行调整，将调整后的控制策略确定为目标控制策略。
进一步，根据本发明提供的感知预测方法，所述实时采集空口数据和业务数据，包括：
通过E2接口数据采集服务实时采集空口数据和业务数据。
进一步，根据本发明提供的感知预测方法，所述确定所述空口数据的特征向量和所述业务数据的特征向量，包括：
从消息队列中获取所述空口数据和业务数据，对所述空口数据和业务数据进行清洗处理；
对清洗后的空口数据和业务数据进行向量处理，得到所述空口数据的特征向量和所述业务数据的特征向量。
进一步，根据本发明提供的感知预测方法，在所述实时采集空口数据和业务数据之前，包括：
获取样本空口数据以及所述样本空口数据的标注信息、样本业务数据以及所述样本业务数据的标注信息；
对所述样本空口数据和样本业务数据进行向量处理，获取所述样本空口数据的特征向量和所述样本业务数据的特征向量；
基于所述样本空口数据的特征向量以及所述样本空口数据的标注信息、所述样本业务数据的特征向量以及所述样本业务数据的标注信息训练感知预测模型。
进一步，根据本发明提供的感知预测方法，所述基于所述样本空口数据的特征向量以及所述样本空口数据的标注信息、所述样本业务数据的特征向量以及所述样本业务数据的标注信息训练感知预测模型，包括：
步骤S1、利用待训练的情绪分类模型对样本空口数据的特征向量和样本业务数据的特征向量进行预测处理，获取QoE的预测结果；
步骤S2、根据所述QoE的预测结果与所述样本空口数据的标注信息、所述样本业务数据的标注信息进行比较，判断是否满足模型训练终止条件，当不满足模型训练终止条件时，调整所述待训练的感知预测模型，利用经过调整的感知预测模型重新执行步骤S1；当满足模型训练终止条件时，得到经过训练的感知预测模型。
第二方面，本发明还提供一种感知预测装置，应用于5G网络中，包括：
采集模块，用于实时采集空口数据和业务数据；
确定与输入模块，用于确定所述空口数据的特征向量和所述业务数据的特征向量，输入预先训练好的感知预测模型中，获取QoE指标预测值；
确定模块，用于根据所述QoE指标预测值和预设的QoE指标阈值，确定目标控制策略，并下发所述目标控制策略；
其中，所述感知预测模型是基于样本空口数据以及所述样本空口数据的标注信息、样本业务数据以及所述样本业务数据的标注信息进行训练得到的。
第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一项所述感知预测方法的步骤。
第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一项所述感知预测方法的步骤。
第五方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机可执行指令，所述指令在被执行时用于实现如上述任一项所述感知预测方法的步骤。
本发明提供的一种感知预测方法、装置、电子设备及存储介质，应用于5G网络中，实时采集空口数据和业务数据，确定所述空口数据的特征向量和所述业务数据的特征向量，输入预先训练好的感知预测模型中，获取QoE指标预测值，根据所述QoE指标预测值和预设的QoE指标阈值，确定目标控制策略，并下发所述目标控制策略；其中，所述感知预测模型是基于样本空口数据以及所述样本空口数据的标注信息、样本业务数据以及所述样本业务数据的标注信息进行训练得到的。本发明提供的感知预测方法可以应用于多种应用场景中，自适应地调整控制策略中的参数，实时保证无线网络的高速率、低延时，提升了用户体验。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的感知预测方法的流程示意图；
图2是本发明提供的一种感知预测方法整体处理过程的流程示意图；
图3是本发明提供的投诉处理装置的结构示意图；
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明提供的一种感知预测方法的流程示意图，如图1所示，本发明提供的感知预测方法，应用于5G无线网络中，具体包括以下步骤：
步骤101：实时采集空口数据和业务数据。
在本实施例中，需要实时采集空口数据和用户的业务数据，通过同时对获取到的空口数据和业务数据进行相关联分析，保证数据处理的实时性。其中，空口数据从空口数据包中获取，空口数据包是指手机或其他无线上网工具与基站之间用来传输的高频频率数据资源。只有具有了有效的空口数据资源，才能实现信息的上传下达。业务数据是指用户进行操作数据产生的数据，如观看视频、下载图片、视频聊天等操作所产生的数据。
需要说明的是，本实施例中，是通过E2接口数据采集服务模块实时采集空口数据和业务数据的，该模块在接收到引擎装置管理服务下发的采集任务后进行实时采集，并将采集到的数据分别发送至KAFKA消息队列和数据库管理***中的关系数据库(Redis)中，其中，KAFKA是一个分布式、高吞吐量、高扩展性的消息队列***，Redis(Remote DictionaryServer)，即远程字典服务，是一个开源使用ANSI C语言编写、支持网络、可基于内存亦可持久化的日志型、Key-Value的数据库。
步骤102：确定所述空口数据的特征向量和所述业务数据的特征向量，输入预先训练好的感知预测模型中，获取QoE指标预测值。
在本实施例中，需要将步骤101中得到的空口数据和业务数据进行向量化处理，确定出空口数据的特征向量和业务数据的特征向量，并将得到的特征向量输入预先训练好的感知预测模型中，获取到QoE指标预测值。
需要说明的是，QoE(Quality of Experience，体验质量)是指用户对设备、网络和***、应用或业务的质量和性能的主观感受，QoE指标包括多个指标数据，其中，多个指标数值包含但不限于以下几种：接通率、掉线率、传输资源块(Physical Resource Block，简称PRB)平均利用率、同频干扰、HTTP下载速率，上述这些指标数值统称为关键绩效指标(KeyPerformance Indicator，简称KPI)，而在多个指标数值中，只要有一个小于预设的指标阈值，就需要对设置的控制策略进行调整，重新确定新的控制策略。
步骤103：根据所述QoE指标预测值和预设的QoE指标阈值，确定目标控制策略，并下发所述目标控制策略；
其中，所述感知预测模型是基于样本空口数据以及所述样本空口数据的标注信息、样本业务数据以及所述样本业务数据的标注信息进行训练得到的。
在本实施例中，将步骤102中通过感知预测模型得到的QoE指标预测值与预设的QoE指标阈值进行比较，在QoE指标预测值中任意一个指标数值小于预设的QoE指标阈值的情况下，重新确定目标控制策略，并将该目标控制策略下发到基站E2接口控制策略中，实现基站QoE控制策略的优化。其中，控制策略是指用于控制用户连接网络状态的一种策略，通过调整具体的参数，可以保证用户连接网络实时保持高速率、低延时的一种控制方法。
需要说明的是，本实施例中目标控制策略是指QoS参数配置，其中，QoS(Qualityof Service，服务质量)指一个网络能够利用各种基础技术，为指定的网络通信提供更好的服务能力。
需要说明的是，感知预测模型是基于样本空口数据以及样本空口数据的标注信息、样本业务数据以及样本业务数据的标注信息进行训练得到的，是基于长短期记忆网络(Long Short-Term Memory，LSTM)和深度神经网络(Deep Neural Networks，简称DNN)进行训练得到的。
本发明提供的一种感知预测方法，应用于5G网络中，实时采集空口数据和业务数据，确定空口数据的特征向量和业务数据的特征向量，输入预先训练好的感知预测模型中，获取QoE指标预测值，根据QoE指标预测值和预设的QoE指标阈值，确定目标控制策略，并下发所述目标控制策略；其中，感知预测模型是基于样本空口数据以及样本空口数据的标注信息、样本业务数据以及样本业务数据的标注信息进行训练得到的。本发明提供的感知预测方法可以应用于多种应用场景中，自适应地调整控制策略中的参数，实时保证无线网络的高速率、低延时，提升了用户体验。
基于上述任一实施例，在本实施例中，所述根据所述QoE指标预测值和预设的QoE指标阈值，确定目标控制策略，包括：
在所述QoE指标预测值均大于或等于预设的QoE指标阈值的情况下，不作调整，将初始的控制策略确定为目标控制策略。
在本实施例中，当通过模型预测得到的QoE指标预测值都大于或等于预设的QoE指标阈值时，不对初始的控制策略进行调整，将初始的控制策略确定为目标策略。其中，控制策略是指用于控制用户连接网络状态的一种策略，通过调整具体的参数，可以保证用户连接网络实时保持高速率、低延时的一种控制方法。
举例说明，如预设的QoE指标阈值包括接通率为20％、传输资源块平均利用率为80％、HTTP下载速率为300M/s，通过模型预测到用户1连接的网络1对应的QoE指标预测值分别为接通率为30％、传输资源块平均利用率为90％、HTTP下载速率为400M/s，预测的用户1在接下来的时间段内的QoE指标预测值均大于预设的QoE指标阈值，表示网络状态正常，不对初始的控制策略进行调整，直接将初始的控制策略确定为目标策略进行下发处理。
根据本发明提供的感知预测方法，能够根据QoE指标预测值与QoE指标阈值的关系，确定对应的控制策略，保证用户5G网络的高速率、低延时的使用状态，提升了用户体验。
基于上述任一实施例，在本实施例中，所述根据所述QoE指标预测值和预设的QoE指标阈值，确定目标控制策略，还包括：
在所述QoE指标预测值小于预设的QoE指标阈值的情况下，对初始控制策略进行调整，将调整后的控制策略确定为目标控制策略。
在本实施例中，当通过模型预测得到的QoE指标预测值任意一个指标的预测值小于预设的QoE指标阈值时，对初始的控制策略进行调整，将调整处理后的控制策略确定为目标策略。
举例说明，如预设的QoE指标阈值包括接通率为20％、传输资源块平均利用率为80％、HTTP下载速率为300M/s，通过模型预测到用户1连接的网络1对应的QoE指标预测值分别为接通率为10％、传输资源块平均利用率为90％、HTTP下载速率为400M/s，预测的用户1在接下来的时间段内的QoE指标预测值中接通率低于预设的阈值，表示该网络状态异常，对初始的控制策略中对应的参数进行调整，然后将调整后的控制策略确定为目标策略进行下发处理。
根据本发明提供的感知预测方法，能够根据QoE指标预测值与QoE指标阈值的关系，确定对应的控制策略，保证用户5G网络的高速率、低延时的使用状态，提升了用户体验。
基于上述任一实施例，在本实施例中，所述实时采集空口数据和业务数据，包括：
通过E2接口数据采集服务实时采集空口数据和业务数据。
在本实施例中，通过E2接口数据采集服务实时采集空口数据和业务数据，E2接口数据采集服务在接收到引擎装置管理服务下发的采集任务时，实时采集空口数据和业务数据，其中，将实时采集的基站E2接口消息和数据分别发送到KAFKA消息队列和数据库管理***中的Redis数据库中，存储原始数据。
根据本发明提供的感知预测方法，通过E2接口数据采集服务实时采集空口数据和业务数据，实现动态处理数据，保证网络的高速率和低延时。
基于上述任一实施例，在本实施例中，所述确定所述空口数据的特征向量和所述业务数据的特征向量，包括：
从消息队列中获取所述空口数据和业务数据，对所述空口数据和业务数据进行清洗处理；
对清洗后的空口数据和业务数据进行向量处理，得到所述空口数据的特征向量和所述业务数据的特征向量。
在本实施例中，从预先存储空口数据和业务数据的KAFKA消息队列中提取相应的数据，对得到的空口数据和业务数据进行清洗处理，然后对清洗处理完的数据进行向量化处理，确定空口数据的特征向量和业务数据的特征向量，用于后续的预测处理中。需要说明的是，清洗和向量处理方式均采用现有技术中较成熟的处理技术，在此不作具体限定。
需要说明的是，本实施例中，还需要将处理完的数据发送至数据库管理***中的Redis数据库中进行存储，然后将数据同步更新到MySQL数据中进行存储，用于后续的数据调取使用，其中，MySQL是一种比较好的关系数据库。
根据本发明提供的感知预测方法，通过对从消息队列中获取的数据进行清洗和向量化处理，能够将得到的数据应用到感知预测模型的预测中，为确定目标控制策略提供了数据支持，提高了处理效率。
基于上述任一实施例，在本实施例中，在所述实时采集空口数据和业务数据之前，包括：
获取样本空口数据以及所述样本空口数据的标注信息、样本业务数据以及所述样本业务数据的标注信息；
对所述样本空口数据和样本业务数据进行向量处理，获取所述样本空口数据的特征向量和所述样本业务数据的特征向量；
基于所述样本空口数据的特征向量以及所述样本空口数据的标注信息、所述样本业务数据的特征向量以及所述样本业务数据的标注信息训练感知预测模型。
在本实施例中，需要对获取到的样本空口数据和样本业务数据进行向量处理，获取样本空口数据的特征向量和样本业务数据的特征向量，然后基于样本空口数据的特征向量和样本业务数据的特征向量，以及各自对应的标注信息训练感知预测模型。其中，标注信息是用于标识数据对应的状态的标识，如样本空口数据1对应的标注信息1为正常，样本业务数据1对应的标注信息1为异常，需要说明的是，标注信息的具体标注方式可以为打标签的方式，具体的可以根据用户的实际需要进行设定，在此不作具体限定。
需要说明的是，本实施例中，感知预测模型中还通过对引擎装置管理服务接入XAPP管理引进多种深度学习算法，通过API接口接入XAPP(第三方APP)，实现多种感知预测能力的排列组合，获取到最优的QoE指标预测值，保证数据的准确性，确定出最优的目标控制策略。
根据本发明提供的感知预测方法，通过对获取的样本空口数据和样本业务数据进行向量处理，然后根据得到的特征向量和标注信息对感知预测模型进行训练，而且本实施例中还可以引入第三方APP，实现多种算法共同训练，保证了感知预测模型训练的准确性。
基于上述任一实施例，在本实施例中，所述基于所述样本空口数据的特征向量以及所述样本空口数据的标注信息、所述样本业务数据的特征向量以及所述样本业务数据的标注信息训练感知预测模型，包括：
步骤S1、利用待训练的情绪分类模型对样本空口数据的特征向量和样本业务数据的特征向量进行预测处理，获取QoE的预测结果；
步骤S2、根据所述QoE的预测结果与所述样本空口数据的标注信息、所述样本业务数据的标注信息进行比较，判断是否满足模型训练终止条件，当不满足模型训练终止条件时，调整所述待训练的感知预测模型，利用经过调整的感知预测模型重新执行步骤S1；当满足模型训练终止条件时，得到经过训练的感知预测模型。
在本实施例中，根据得到的样本空口数据的特征向量和样本业务数据的特征向量对感知预测模型进行训练，当获取到的QoE的预测结果与标注信息一致时，表明预测结果正确，只有在多次训练的结果满足训练终止条件时，停止训练，得到感知预测模型；若不满足模型训练终止条件，则继续训练。其中，模型训练终止条件可以是正确率为90％，只有训练的正确率大于90％时，才停止训练。需要说明的是，模型训练终止条件，具体可以根据实际需要进行设定，在此不作具体限定。
根据本发明提供的感知预测方法，在满足模型训练终止条件时，停止对模型的训练，得到训练好的感知预测模型，保证感知预测模型的预测的准确性，提高数据处理的效率。
基于上述任一实施例，在本实施例中，如图2所示，实时采集空口数据(移动网络数据)和业务数据(用户平台数据)，然后将采集到的数据进行预处理，清洗、向量处理，将预处理后得到的空口数据的特征向量和业务数据的特征向量输入预先训练好的感知预测模型中，得到预测QoE指标预测值，根据QoE指标预测值和QoE指标阈值的关系确定目标控制策略(QoS参数配置)，并进行下发。
需要说明的是，其中，小区KPI(Key Performsnce Indicator，关键绩效指标)数值为本发明提供的QoE指标阈值，实时监控到用户的KQI指标数值为QoE指标预测值中的各个指标数值，根据小区KPI指标数值和用户的KQI指标数值的关系，对控制策略进行调整，确定目标控制策略。
需要说明的是，本实施例中，还对引擎装置管理服务通过API接口接入第三方应用APP，构建开放的软件生态框架，提供符合某种特定的应用场景下，实现百花齐放的应用软件的接入，解决不同行业用户不同的业务需求。
图3为本发明提供的一种感知预测装置，应用于5G网络中，包括：
采集模块301，用于实时采集空口数据和业务数据；
确定与输入模块302，用于确定所述空口数据的特征向量和所述业务数据的特征向量，输入预先训练好的感知预测模型中，获取QoE指标预测值；
确定模块303，用于根据所述QoE指标预测值和预设的QoE指标阈值，确定目标控制策略，并下发所述目标控制策略；
其中，所述感知预测模型是基于样本空口数据以及所述样本空口数据的标注信息、样本业务数据以及所述样本业务数据的标注信息进行训练得到的。
本发明提供的一种感知预测装置，应用于5G网络中，需要实时采集空口数据和业务数据，确定空口数据的特征向量和业务数据的特征向量，输入预先训练好的感知预测模型中，获取QoE指标预测值，根据QoE指标预测值和预设的QoE指标阈值，确定目标控制策略，并下发目标控制策略；其中，感知预测模型是基于样本空口数据以及样本空口数据的标注信息、样本业务数据以及样本业务数据的标注信息进行训练得到的。本发明提供的感知预测装置可以应用于多种应用场景中，自适应地调整控制策略中的参数，实时保证无线网络的高速率、低延时，提升了用户体验。
由于本发明实施例所述装置与上述实施例所述方法的原理相同，对于更加详细的解释内容在此不再赘述。
图4为本发明实施例中提供的电子设备实体结构示意图，如图4所示，本发明提供一种电子设备，包括：处理器(processor)401、存储器(memory)402和总线403；
其中，处理器401、存储器402通过总线403完成相互间的通信；
处理器401用于调用存储器402中的程序指令，以执行上述各方以执行感知预测方法，该方法应用于5G网络中，包括：实时采集空口数据和业务数据；确定所述空口数据的特征向量和所述业务数据的特征向量，输入预先训练好的感知预测模型中，获取QoE指标预测值；根据所述QoE指标预测值和预设的QoE指标阈值，确定目标控制策略，并下发所述目标控制策略；其中，所述感知预测模型是基于样本空口数据以及所述样本空口数据的标注信息、样本业务数据以及所述样本业务数据的标注信息进行训练得到的。
此外，上述的存储器402中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的感知预测方法，该方法应用于5G网络中，包括：实时采集空口数据和业务数据；确定所述空口数据的特征向量和所述业务数据的特征向量，输入预先训练好的感知预测模型中，获取QoE指标预测值；根据所述QoE指标预测值和预设的QoE指标阈值，确定目标控制策略，并下发所述目标控制策略；其中，所述感知预测模型是基于样本空口数据以及所述样本空口数据的标注信息、样本业务数据以及所述样本业务数据的标注信息进行训练得到的。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的感知预测方法，该方法应用于5G网络中，包括：实时采集空口数据和业务数据；确定所述空口数据的特征向量和所述业务数据的特征向量，输入预先训练好的感知预测模型中，获取QoE指标预测值；根据所述QoE指标预测值和预设的QoE指标阈值，确定目标控制策略，并下发所述目标控制策略；其中，所述感知预测模型是基于样本空口数据以及所述样本空口数据的标注信息、样本业务数据以及所述样本业务数据的标注信息进行训练得到的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种感知预测方法，其特征在于，应用于5G网络中，包括：
实时采集空口数据和业务数据；
确定所述空口数据的特征向量和所述业务数据的特征向量，输入预先训练好的感知预测模型中，获取QoE指标预测值；
根据所述QoE指标预测值和预设的QoE指标阈值，确定目标控制策略，并下发所述目标控制策略；
其中，所述感知预测模型是基于样本空口数据以及所述样本空口数据的标注信息、样本业务数据以及所述样本业务数据的标注信息进行训练得到的。
2.根据权利要求1所述的感知预测方法，其特征在于，所述根据所述QoE指标预测值和预设的QoE指标阈值，确定目标控制策略，包括：
在所述QoE指标预测值大于或等于预设的QoE指标阈值的情况下，不作调整，将初始的控制策略确定为目标控制策略。
3.根据权利要求2所述的感知预测方法，其特征在于，所述根据所述QoE指标预测值和预设的QoE指标阈值，确定目标控制策略，还包括：
在所述QoE指标预测值小于预设的QoE指标阈值的情况下，对初始控制策略进行调整，将调整后的控制策略确定为目标控制策略。
4.根据权利要求1所述的感知预测方法，其特征在于，所述实时采集空口数据和业务数据，包括：
通过E2接口数据采集服务实时采集空口数据和业务数据。
5.根据权利要求1所述的感知预测方法，其特征在于，所述确定所述空口数据的特征向量和所述业务数据的特征向量，包括：
从消息队列中获取所述空口数据和业务数据，对所述空口数据和业务数据进行清洗处理；
对清洗后的空口数据和业务数据进行向量处理，得到所述空口数据的特征向量和所述业务数据的特征向量。
6.根据权利要求1所述的感知预测方法，其特征在于，在所述实时采集空口数据和业务数据之前，包括：
获取样本空口数据以及所述样本空口数据的标注信息、样本业务数据以及所述样本业务数据的标注信息；
对所述样本空口数据和样本业务数据进行向量处理，获取所述样本空口数据的特征向量和所述样本业务数据的特征向量；
基于所述样本空口数据的特征向量以及所述样本空口数据的标注信息、所述样本业务数据的特征向量以及所述样本业务数据的标注信息训练感知预测模型。
7.根据权利要求6所述的感知预测方法，其特征在于，所述基于所述样本空口数据的特征向量以及所述样本空口数据的标注信息、所述样本业务数据的特征向量以及所述样本业务数据的标注信息训练感知预测模型，包括：
步骤S1、利用待训练的情绪分类模型对样本空口数据的特征向量和样本业务数据的特征向量进行预测处理，获取QoE的预测结果；
步骤S2、根据所述QoE的预测结果与所述样本空口数据的标注信息、所述样本业务数据的标注信息进行比较，判断是否满足模型训练终止条件，当不满足模型训练终止条件时，调整所述待训练的感知预测模型，利用经过调整的感知预测模型重新执行步骤S1；当满足模型训练终止条件时，得到经过训练的感知预测模型。
8.一种感知预测装置，其特征在于，应用于5G网络中，包括：
采集模块，用于实时采集空口数据和业务数据；
确定与输入模块，用于确定所述空口数据的特征向量和所述业务数据的特征向量，输入预先训练好的感知预测模型中，获取QoE指标预测值；
确定模块，用于根据所述QoE指标预测值和预设的QoE指标阈值，确定目标控制策略，并下发所述目标控制策略；
其中，所述感知预测模型是基于样本空口数据以及所述样本空口数据的标注信息、样本业务数据以及所述样本业务数据的标注信息进行训练得到的。
9.一种电子设备，其特征在于，包括：
处理器、存储器和总线，其中，
所述处理器和所述存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至7中任一项所述感知预测方法的步骤。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使计算机执行如权利要求1至7中任一项所述感知预测方法的步骤。
CN202111422289.2A 2021-11-26 2021-11-26 一种感知预测方法、装置、电子设备及存储介质 Pending CN114423049A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111422289.2A CN114423049A (zh) 2021-11-26 2021-11-26 一种感知预测方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111422289.2A CN114423049A (zh) 2021-11-26 2021-11-26 一种感知预测方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114423049A true CN114423049A (zh) 2022-04-29

Family

ID=81266492

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111422289.2A Pending CN114423049A (zh) 2021-11-26 2021-11-26 一种感知预测方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114423049A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024036953A1 (zh) * 2022-08-18 2024-02-22 中兴通讯股份有限公司 业务体验保障方法、电子设备和计算机可读存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024036953A1 (zh) * 2022-08-18 2024-02-22 中兴通讯股份有限公司 业务体验保障方法、电子设备和计算机可读存储介质

Similar Documents

Publication Publication Date Title
US20240089173A1 (en) Multi-access edge computing based visibility network
US20210027173A1 (en) Indicator determining method and related device
CN109302719B (zh) 一种lte小区容量预测分析方法及装置
KR20190092510A (ko) 통신 네트워크에서의 적응형 트래픽 프로세싱 기법
EP4167149A1 (en) Method and apparatus for building predictive model, computing device, and storage medium
WO2019206100A1 (zh) 一种特征工程编排方法及装置
CN112312427A (zh) 一种优化网络质量的方法和电子设备
CN105830415A (zh) 用于管理媒体流的方法、无线通信设备和基站设备
US11558769B2 (en) Estimating apparatus, system, method, and computer-readable medium, and learning apparatus, method, and computer-readable medium
Xu et al. Modeling buffer starvations of video streaming in cellular networks with large-scale measurement of user behavior
CN114423049A (zh) 一种感知预测方法、装置、电子设备及存储介质
EP3073736B1 (en) Method and device for measuring quality of experience of mobile video service
CN113543160B (zh) 5g切片资源配置方法、装置、计算设备及计算机存储介质
EP2930617A1 (en) Resource management method and device
CN111314489B (zh) 识别接入网络类型方法、服务器及装置
CN115086940A (zh) 基于5G的QoS调整方法、***、装置及存储介质
CN115484624A (zh) 数据处理方法、架构、电子设备及存储介质
EP2813033B1 (en) Technique for projecting network load in a communication network
CN118102318B (zh) 一种基于5g技术的数据传输***
Raca et al. Device-based Cellular Throughput Prediction for Video Streaming: Lessons from a Real-World Evaluation
CN117424860A (zh) 服务功能链sfc资源分配方法及装置
CN107027130B (zh) 一种信息获取方法和装置
CN109327329B (zh) 数据模型更新方法及装置
WO2023179709A1 (zh) 信息处理方法、装置、通信设备及可读存储介质
US10299139B1 (en) Apparatus and method for steering wireless network connections based upon quality assessments

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination