网络质量指标质差门限确定方法、装置和电子设备与流程

1.本发明涉及通信网络技术领域，尤其涉及一种网络质量指标质差门限确定方法、装置和电子设备。


背景技术：

2.在通信网络运行过程中，评估网络运行质量的好坏需要有一套完整的质量指标体系进行支撑。质量指标体系通常包含指标类型、指标名、指标门限等。根据网络运行关注点确定好评估指标后，需要对指标质差门限进行设置，如何合理地设置指标门限一直是网络质量分析及优化人员关注的问题。现有的网络质量指标质差门限设置通常采用人工经验法，根据网络质量分析及优化人员获取的现网数据及长期的工作经验，确定网络指标门限。例如确定4g网络下的volte(voice over long-term evolution，长期演进语音承载)语音掉话率，可以参考3g和2g时代的网络语音掉话率门限。然而通过人工经验确定网络指标门限的方法主观性太强，特别是在精细化网络质量分析过程中，此类门限通常与影响到实际用户感知的门限有较大差异。


技术实现要素：

3.针对现有技术存在的上述技术问题，本发明实施例提供一种网络质量指标质差门限确定方法、装置和电子设备。
4.第一方面，本发明实施例提供一种网络质量指标质差门限确定方法，包括：
5.获取不同用户类型分别对应的网络质量指标的指标值；其中，所述用户类型包括投诉用户和非投诉用户；
6.以所述不同用户类型分别对应的网络质量指标的指标值作为样本数据，以与所述网络质量指标的对应的用户类型作为标签数据，采用由多个决策树构成的学习算法进行训练，得到网络质量预测模型；并获取各个所述网络质量指标在各个所述决策树中对应的决策门限值；
7.基于所述各个所述网络质量指标在各个所述决策树中对应的决策门限值，确定各个网络质量指标所对应的质差门限。
8.可选地，所述基于所述各个所述网络质量指标在各个所述决策树中对应的决策门限值，确定各个网络质量指标所对应的质差门限，包括：
9.将各个所述网络质量指标在各个所述决策树中对应的决策门限值的平均值作为各网络质量指标的质差门限；
10.或，将各个所述网络质量指标在各个所述决策树中对应的决策门限值的中位数作为各网络质量指标的质差门限。
11.可选地，所述学习算法为集成学习算法，包括以下任意一种算法：xgboost算法、gbdt算法和adaboost算法。
12.可选地，所述决策树的根节点和各中间节点基于各网络质量指标的决策门限值对
所述各网络质量指标进行决策。
13.第二方面，本发明一个实施例提供一种网络质量指标质差门限确定装置，包括：
14.第一获取模块，用于获取不同用户类型分别对应的网络质量指标的指标值；其中，所述用户类型包括投诉用户和非投诉用户；
15.第二获取模块，用于以所述不同用户类型分别对应的网络质量指标的指标值作为样本数据，以与所述网络质量指标的对应的用户类型作为标签数据，采用由多个决策树构成的学习算法进行训练，得到网络质量预测模型；并获取各个所述网络质量指标在各个所述决策树中对应的决策门限值；
16.确定模块，用于基于所述各个所述网络质量指标在各个所述决策树中对应的决策门限值，确定各个网络质量指标所对应的质差门限。
17.可选地，所述基于所述各个所述网络质量指标在各个所述决策树中对应的决策门限值，确定各个网络质量指标所对应的质差门限，包括：
18.将各个所述网络质量指标在各个所述决策树中对应的决策门限值的平均值作为各网络质量指标的质差门限；
19.或，将各个所述网络质量指标在各个所述决策树中对应的决策门限值的中位数作为各网络质量指标的质差门限。
20.可选地，所述学习算法为集成学习算法，包括以下任意一种算法：xgboost算法、gbdt算法和adaboost算法。
21.可选地，所述决策树的根节点和各中间节点基于各网络质量指标的决策门限值对所述各网络质量指标进行决策。
22.第三方面，本发明实施例提供一种电子设备，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第一方面所提供的方法的步骤。
23.第四方面，本发明实施例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第一方面所提供的方法的步骤。
24.本发明实施例提供的一种网络质量指标质差门限确定方法、装置和电子设备，该方法将投诉用户和非投诉用户的网络质量指标的指标值作为输入，采用由多个决策树构成的学习算法进行训练，得到网络质量预测模型；并获取各个所述网络质量指标在各个所述决策树中对应的决策门限值；再基于所述各个所述网络质量指标在各个所述决策树中对应的决策门限值，确定各个网络质量指标所对应的质差门限。将历史网络质量类的投诉用户指标与非投诉用户指标进行结合，形成完整、客观的训练数据集，由于投诉用户的网络质量指标在很大程度上反映了较差的网络质量，具有很强的参考性，解决了现有技术中指标门限确定主观性太强的问题。
附图说明
25.为了更清楚地说明本发明实施例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。
26.图1是本发明实施例提供的网络质量指标质差门限确定方法的流程示意图；
27.图2是本发明实施例提供的网络质量指标质差门限确定装置的结构示意图；
28.图3是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
29.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例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。
30.现有技术通过人工经验确定网络指标门限的方法主观性太强，特别是在精细化网络质量分析过程中，此类门限通常与影响到实际用户感知的门限有较大差异。
31.对此，本发明实施例提供了一种网络质量指标质差门限确定方法。图1为本发明实施例提供的网络质量指标质差门限确定方法的流程示意图，如图1所述，该方法包括：
32.s101：获取不同用户类型分别对应的网络质量指标的指标值；其中，所述用户类型包括投诉用户和非投诉用户。
33.具体地，移动通信网络运营商每日都会接到大量的客户投诉，其中有一大部分是关于网络质量的投诉，例如客户投诉信号差、接打电话会掉线、浏览网页慢、观看视频卡顿等等。此类用户的投诉是对网络质量不满的客观表现，因此，该类用户群体的网络质量指标情况可作为质差门限判定的重要依据。同时，绝不大部分用户不会进行投诉，这部分用户的网络质量数据可作为质差门限判定的辅助参考。
34.通过计算获取历史网络质量类投诉用户的网络指标，同时计算非投诉用户的网络指标。对于网络质量类的投诉用户，计算用户投诉时间段的网络质量指标，包含语音通话类网络指标、数据业务类网络指标、无线网络类的网络指标，可通过信令数据、mr数据生成用户级指标。同时，随机抽取与投诉用户相同时段的部分非投诉用户，进行网络质量指标计算。该步骤结束后可获得投诉与非投诉用户的网络质量指标集，如表1所示。
[0035][0036]
s102：以所述不同用户类型分别对应的网络质量指标的指标值作为样本数据，以与所述网络质量指标的对应的用户类型作为标签数据，采用由多个决策树构成的学习算法进行训练，得到网络质量预测模型；并获取各个所述网络质量指标在各个所述决策树中对应的决策门限值。
[0037]
具体地，将投诉与非投诉用户分别对应的网络质量指标的指标值作为样本数据，
以与所述网络质量指标的对应的用户类型作为标签数据，采用由多个决策树构成的学习算法进行训练，进行机器学习建模；并对模型参数进行调优，提高模型的准确率，以便能够最大化通过网络质量指标区分投诉用户及非投诉用户。可选地，对模型参数进行调优的具体方法，可采用现有技术的任意一种方法，例如：采用一部分样本数据与标签数据作为验证集进行模型参数的调优，本发明实施例对此不做具体限定。
[0038]
由多个决策树构成的学习算法是机器学习中一种有监督的学习算法，通过决策树算法对历史投诉用户及非投诉用户数据进行训练，得到网络质量预测模型。为了提高训练的准确性，可利用集成学习算法，即通过构建并结合多个决策树来完成学习任务，该类算法底层由多个决策树构成，在模型训练的过程中，由多个决策树的决策结果共同决定最终的决策结果，确定用户是否可能会是一个投诉用户。可选地，多个决策树的决策结果共同决定最终的决策结果的具体方法，根据具体采用的集成学习算法确定，本发明实施例对此不做具体限定。
[0039]
s103：基于所述各个所述网络质量指标在各个所述决策树中对应的决策门限值，确定各个网络质量指标所对应的质差门限。
[0040]
具体地，集成学习由于含有多个决策树，同一指标在不同的决策树中有不同的决策门限。需要对同一个指标的在不同的决策树中的决策门限进行汇总处理，形成最终的质差门限。
[0041]
可选地，历史投诉数据数据量且能够不断累积，可定时更新网络质量预测模型与各个网络质量指标在各个决策树中对应的决策门限值，实现对各个网络质量指标所对应的质差门限的更新，迅速响应网络质量的变化，效率得到了极大地提升。
[0042]
本发明实施例提供的方法，将历史网络质量类的投诉用户指标与非投诉用户指标进行结合，形成完整、客观的训练数据集，由于投诉用户的网络质量指标在很大程度上反映了较差的网络质量，具有很强的参考性，解决了现有技术中指标门限确定主观性太强的问题。
[0043]
基于上述实施例，所述基于所述各个所述网络质量指标在各个所述决策树中对应的决策门限值，确定各个网络质量指标所对应的质差门限，包括：
[0044]
将各个所述网络质量指标在各个所述决策树中对应的决策门限值的平均值作为各网络质量指标的质差门限；
[0045]
具体地，对于单个指标，获取所有的n个决策门限值，对n个门限值进行平均，该值作为该指标的质差门限。
[0046]
或，将各个所述网络质量指标在各个所述决策树中对应的决策门限值的中位数作为各网络质量指标的质差门限。
[0047]
具体地，对于单个指标，获取所有的n个决策门限值，选取n个决策门限的中位数作为该指标的质差门限。
[0048]
在实际应用过程中，历史投诉数据数据量且能够不断累积，可定时更新网络质量预测模型与各个网络质量指标在各个决策树中对应的决策门限值，从而实现对各个网络质量指标所对应的质差门限的更新，可周期性不断重复上述更新过程，通过长期的数据累计获取比较稳定的门限。
[0049]
本发明实施例提供的方法，适用于2/3/4/5g网络，自动生成各个网络质量指标所
对应的质差门限的生成过程，无需人工干预，减少了系统维护人员的工作量，实用性和准确性也更高。
[0050]
基于上述任一实施例，所述学习算法为集成学习算法，包括以下任意一种算法：xgboost算法、gbdt算法和adaboost算法。
[0051]
具体地，集成学习算法选择基于决策树的算法，如xgboost算法、gbdt算法、adaboost算法等，该类算法底层由多个决策树构成，、多个决策树的决策结果共同决定了最终的决策结果，确定用户是否可能会是一个投诉用户。
[0052]
本发明实施例提供的方法，利用投诉用户与非投诉用户的网络质量指标数据，基于决策树的集成学习算法获取各网络质量指标的不同决策门限，得到最终的质差门限，从而获取更加贴近用户感知的网络质量指标质差门限；网络质量指标覆盖范围广、易于实现和更新。
[0053]
基于上述任一实施例，所述决策树的根节点和各中间节点基于各网络质量指标的决策门限值对所述各网络质量指标进行决策。
[0054]
具体地，集成学习算法的每个决策树中，根节点及每个中间节点都会对网络质量指标进行决策，最后在叶子节点获得决策结果；其中，所述决策结果可以为投诉概率值。进行网络质量指标决策时，集成学习算法会生成最优的指标决策门限，以便最大程度地区分投诉用户和非投诉用户。在集成学习算法调优后，提取集成学习算法中每一个决策树的详细信息，包括各个节点的指标名称和决策门限等。
[0055]
在不同的决策树中，同一个网络质量多次用于决策。对网络质量指标的决策门限进行汇总，生成每一个网络质量指标在不同决策树中的决策门限列表，如表2所示。
[0056][0057][0058]
本发明实施例提供的方法，利用投诉用户与非投诉用户的网络质量指标数据，基于决策树的集成学习算法获取各网络质量指标的不同决策门限，得到最终的质差门限，从而获取更加贴近用户感知的网络质量指标质差门限；网络质量指标覆盖范围广、易于实现和更新。
[0059]
下面对本发明实施例提供的网络质量指标质差门限确定装置进行描述，下文描述的网络质量指标质差门限确定装置与上文描述的网络质量指标质差门限确定方法可相互对应参照。
[0060]
基于上述任一实施例，图2为本发明实施例提供的网络质量指标质差门限确定装置的结构示意图，如图2所示，该网络质量指标质差门限确定装置包括第一获取模块201，第二获取模块202和确定模块202。
[0061]
其中，第一获取模块201用于获取不同用户类型分别对应的网络质量指标的指标值；其中，所述用户类型包括投诉用户和非投诉用户；第二获取模块202用于以所述不同用户类型分别对应的网络质量指标的指标值作为样本数据，以与所述网络质量指标的对应的用户类型作为标签数据，采用由多个决策树构成的学习算法进行训练，得到网络质量预测模型；并获取各个所述网络质量指标在各个所述决策树中对应的决策门限值；确定模块203用于基于所述各个所述网络质量指标在各个所述决策树中对应的决策门限值，确定各个网络质量指标所对应的质差门限。
[0062]
本发明实施例提供的装置，将历史网络质量类的投诉用户指标与非投诉用户指标进行结合，形成完整、客观的训练数据集，由于投诉用户的网络质量指标在很大程度上反映了较差的网络质量，具有很强的参考性，解决了现有技术中指标门限确定主观性太强的问题。
[0063]
基于上述任一实施例，所述基于所述各个所述网络质量指标在各个所述决策树中对应的决策门限值，确定各个网络质量指标所对应的质差门限，包括：
[0064]
将各个所述网络质量指标在各个所述决策树中对应的决策门限值的平均值作为各网络质量指标的质差门限；
[0065]
或，将各个所述网络质量指标在各个所述决策树中对应的决策门限值的中位数作为各网络质量指标的质差门限。
[0066]
基于上述任一实施例，所述学习算法为集成学习算法，包括以下任意一种算法：xgboost算法、gbdt算法和adaboost算法。
[0067]
基于上述任一实施例，所述决策树的根节点和各中间节点基于各网络质量指标的决策门限值对所述各网络质量指标进行决策。
[0068]
本发明实施例的网络质量指标质差门限确定装置，可用于执行上述各网络质量指标质差门限确定方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
[0069]
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(communications interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行上述各方法实施例提供的步骤流程。
[0070]
此外，上述的存储器330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。
[0071]
另一方面，本发明实施例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方法实施例提供的步骤流程。
[0072]
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。
[0073]
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。
[0074]
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。