一种基于自学习的通讯成功率预测方法及装置与流程

1.本发明涉及数据采集技术领域，具体地涉及一种基于自学习的通讯成功率预测方法及装置。


背景技术：

2.采集成功率是指在一定时间内采率成功数量与总数量的比值，是衡量智能终端性能高低的重要指标。要想提高采集成功率，就需要在短时间尽可能的将可以采集到的设备采集一遍，这就需要对采集设备进行一个排序。
3.相关技术中，智能终端的设计，通常有以下几种排序方式：第一种是按档案序号排序，碰到采集失败的，跳过当前设备，抄完一轮后继续对前一轮失败的设备进行补采。该方式在程序设计上逻辑简单清晰，但是效率低下。第二种是按前一次的采集状态排序，即前一次成功的排前面，失败的排后面。该方式相对于第一种方式在效率上稍有提高，适合在采集状态稳定不变的场景下使用，但是对于载波、无线等采集状态不稳定的场景，还是无法达到最佳的采集效果。


技术实现要素：

4.本发明的目的在于提供一种基于自学习的通讯成功率预测方法，通过设备通讯成功率的预测值对采集设备进行排序，提高采集成功率，避免多次重复补采失败的设备。
5.在本发明的第一方面，提出了一种基于自学习的通讯成功率预测方法，包括以下步骤：s11，统计各自时段内每一设备的采集成功次数和总次数，计算每一设备每一时段内的成功率；s12，根据每一设备当前时段内的成功率和前一次的采集状态，加权计算，预测每一设备的通讯成功率；s13，按照设备通讯成功率的预测值对所有设备由高到低进行排序，按排序顺序进行数据采集，并统计预测失败次数；s14，基于自学习方式，根据所述预测失败次数，调整更新当前时段的设备通讯成功率预测加权计算中的权重系数。
6.本方案中，通过设备通讯成功率的预测值对采集设备进行排序，极大地提高了采集成功率，避免了多次重复补采失败的设备，特别适用于采集状态不稳定的情景。通过每一设备当前时段内的成功率和前一次的采集状态，加权计算，预测每一设备的通讯成功率，参数选用合理，设备通讯成功率的预测准确性较高。在采集过程中，基于自学习方式，根据预测失败次数，调整更新当前时段的设备通讯成功率预测加权计算中的权重系数，进一步提高了预测的准确性，而且权重系数调整更新过程，基本不影响设备的数据采集运行。
7.优选地，步骤s12，根据每一设备当前时段内的成功率和前一次的采集状态，加权计算，预测每一设备通讯成功率，具体包括：
s121，获取每一设备当前时段内的成功率和前一次的采集状态；s122，根据每一设备当前时段内的成功率和设备前一次的采集状态，按照预设公式，预测每一设备的通讯成功率，所述预设公式包括：r = ax + by，其中，r表征为设备通讯成功率的预测值；x表征为设备前一次的采集状态，成功为1，失败为0；y表征为设备当前时段内的成功率，取值范围为（0，1）；a、b表征为当前时段的权重系数，分别记作第一权重系数，第二权重系数，a、b的初值设定为0.5。
8.本方案中，每一设备的通讯成功率通过预设公式r = ax + by，进行计算预测，预测成功率较高，而且不同时段的权重系数在自学习过程中不断调整更新，适应于相应的时段，从而进一步保障了不同时段的预测准确性。
9.优选地，步骤s14，基于自学习方式，根据预测失败次数，调整更新当前时段的设备通讯成功率预测加权计算中的权重系数，具体包括：s141， 基于自学习方式，保持所述第一权重系数不变，调整所述第二权重系数，重复执行步骤s11至s13，生成预测失败次数与第二权重系数的关系曲线图；s142，根据预测失败次数与第二权重系数的关系曲线图，确定预测失败次数最小值对应的第二权重系数值，并在所述预设公式中对应调整更新；s143，基于自学习方式，保持所述第二权重系数不变，调整所述第一权重系数，重复执行步骤s11至s13，生成预测失败次数与第一权重系数的关系曲线图；s144，根据预测失败次数与第一权重系数的关系曲线图，确定预测失败次数最小值对应的第一权重系数值，并在所述预设公式中对应调整更新，记录所述第一权重系数值和所述第二权重系数值下当前时段的预测失败次数最小值。
10.本方案中，通过自学习方式，不断调整第一权重系数和第二权重系数，模拟出预测失败次数与第二权重系数的关系曲线图、预测失败次数与第一权重系数的关系曲线图，找到在预测失败次数最小值情况下的第一权重系数和第二权重系数，在预设公式中对应调整更新，进一步提高了预测效果、预测准确性，使得预测失败次数尽可能地小，从而极大提高了采集成功率，避免了多次重复补采失败的设备。而对当前时段的预测失败次数最小值进行记录，能够在后续过程中对预测是否失效进行评价，从而在失效时，能够及时通过自学习方式进行调整，保障设备数据采集成功率。
11.优选地，步骤s14，基于自学习方式，根据预测失败次数，调整更新当前时段的设备通讯成功率预测加权计算中的权重系数，还包括：s145，保持第一权重系数和第二权重系数不变，按照步骤s11至s13连续运行指定周期，并记录指定周期内各自时段每轮采集的预测失败次数；s146，统计本周期当前时段内预测失败次数大于相应的预测失败次数最小值的个数，记作失效个数；s147，判断所述失效个数是否大于预设限值；s148，若判定所述失效个数小于或等于所述预设限值，则保持第一权重系数和第二权重系数不变，继续按照指定周期连续运行。
12.本方案中，在运行指定周期后，对本周期内各自时段每轮采集的预测失败次数进
行分析评价，实现对本周期预测值精确度的评价，在确定预测精准时，可以继续运行，进一步保障了预测效果和准确性，有利于提高采集成功率。
13.优选地，步骤s14，基于自学习方式，根据预测失败次数，调整更新当前时段的设备通讯成功率预测加权计算中的权重系数，还包括：s149，若判定所述失效个数大于所述预设限值，则执行步骤s141至s144调整更新权重系数之后继续按照指定周期连续运行。
14.本方案中， 在对本周期预测值精确度的评价之后发现预测值不够精准时，及时基于自学习方式调整更新权重系数，使得预测效果更加精准。
15.需要说明的是，预设限值根据实际需求进行限定，比如根据指定周期内的采集轮数乘以一定的比率（比如1%）来确定。另外，判断条件也可以为失效率，即失效个数与指定周期内的采集轮数的比值，与预设失效率进行比较。
16.优选地，步骤s13，按照设备通讯成功率的预测值对所有设备由高到低进行排序，按排序顺序进行数据采集，并统计预测失败次数，具体包括：s131，按照设备通讯成功率的预测值对所有设备由高到低进行排序；s132，按排序顺序进行数据采集，并记录采集状态，成功为1，失败为0，若前一个设备采集失败后一个设备采集成功则记作一次失败预测，依次累加，确定本轮采集的预测失败次数。
17.本方案中，通过对每轮采集的预测失败次数，进行统计，作为体现预测效果的数据，能够以此为依据，实现对设备通讯成功率预测加权计算中的权重系数的调整，从而，提高预测准确性，进而提高采集成功率。
18.优选地，所述各自时段包括一天中的00:00到08:00时段，08:00到16:00时段，16:00到00:00时段；所述指定周期为一个月。
19.在本发明的第二方面，提出了一种基于自学习的通讯成功率预测装置，包括：统计计算单元，用于统计各自时段内每一设备的采集成功次数和总次数，计算每一设备每一时段内的成功率；预测单元，用于根据每一设备当前时段内的成功率和前一次的采集状态，加权计算，预测每一设备的通讯成功率；数据采集单元，用于按照设备通讯成功率的预测值对所有设备由高到低进行排序，按排序顺序进行数据采集，并统计预测失败次数；系数调整单元，用于基于自学习方式，根据所述预测失败次数，调整更新当前时段的设备通讯成功率预测加权计算中的权重系数。
20.本方案中，通过设备通讯成功率的预测值对采集设备进行排序，极大地提高了采集成功率，避免了多次重复补采失败的设备，特别适用于采集状态不稳定的情景。通过每一设备当前时段内的成功率和前一次的采集状态，加权计算，预测每一设备的通讯成功率，参数选用合理，设备通讯成功率的预测准确性较高。在采集过程中，基于自学习方式，根据预测失败次数，调整更新当前时段的设备通讯成功率预测加权计算中的权重系数，进一步提高了预测的准确性，而且权重系数调整更新过程，基本不影响设备的数据采集运行。
21.在本发明的第三方面，提出了一种设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理
器实现如第一方面所述的方法。
22.在本发明的第四方面，提出了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如第一方面所述的方法。
23.本发明技术方案的一种基于自学习的通讯成功率预测方法及装置具有以下有益技术效果：（1）通过设备通讯成功率的预测值对采集设备进行排序，极大地提高了采集成功率，避免了多次重复补采失败的设备，特别适用于采集状态不稳定的情景。
24.（2）通过每一设备当前时段内的成功率和前一次的采集状态，加权计算，预测每一设备的通讯成功率，参数选用合理，设备通讯成功率的预测准确性较高。
25.（3）在采集过程中，基于自学习方式，根据预测失败次数，调整更新当前时段的设备通讯成功率预测加权计算中的权重系数，进一步提高了预测的准确性，而且权重系数调整更新过程，基本不影响设备的数据采集运行。
26.（4）不同时段的权重系数在自学习过程中不断调整更新，适应于相应的时段，保障了不同时段的预测准确性，从而使得整体的采集成功率更高。
27.（5）在运行指定周期后，对本周期内各自时段每轮采集的预测失败次数进行分析评价，实现对本周期预测值精确度的评价，发现预测值不够精准时，及时基于自学习方式调整更新权重系数，使得预测效果更加精准。
附图说明
28.图1示出了根据本发明实施例的基于自学习的通讯成功率预测方法的流程图；图2示出了根据本发明实施例的基于自学习的通讯成功率预测方法的中权重系数调整更新步骤的流程图；图3示出了预测失败次数与权重系数的关系曲线图示例；图4示出了根据本发明实施例的基于自学习的通讯成功率预测装置的架构图；图5示出了能够实施本公开的实施例的示例性电子设备的方框图。
具体实施方式
29.下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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.图1示出了根据本发明实施例的基于自学习的通讯成功率预测方法的流程图。如图1所示，根据本发明实施例的一种基于自学习的通讯成功率预测方法，包括以下步骤：s11，统计各自时段内每一设备的采集成功次数和总次数，计算每一设备每一时段内的成功率；s12，根据每一设备当前时段内的成功率和前一次的采集状态，加权计算，预测每一设备的通讯成功率；具体地，s121，获取每一设备当前时段内的成功率和前一次的采集状态；s122，根据每一设备当前时段内的成功率和设备前一次的采集状态，按照预设公式，预测每一设备
的通讯成功率，预设公式包括：r = ax + by，其中，r表征为设备通讯成功率的预测值；x表征为设备前一次的采集状态，成功为1，失败为0；y表征为设备当前时段内的成功率，取值范围为（0，1）；a、b表征为当前时段的权重系数，分别记作第一权重系数，第二权重系数，a、b的初值设定为0.5。
31.s13，按照设备通讯成功率的预测值对所有设备由高到低进行排序，按排序顺序进行数据采集，并统计预测失败次数；具体地，s131，按照设备通讯成功率的预测值对所有设备由高到低进行排序；s132，按排序顺序进行数据采集，并记录采集状态，成功为1，失败为0，若前一个设备采集失败后一个设备采集成功则记作一次失败预测，依次累加，确定本轮采集的预测失败次数。
32.s14，基于自学习方式，根据预测失败次数，调整更新当前时段的设备通讯成功率预测加权计算中的权重系数。
33.各自时段包括一天中的00:00到08:00时段，08:00到16:00时段，16:00到00:00时段。
34.通过设备通讯成功率的预测值对采集设备进行排序，极大地提高了采集成功率，避免了多次重复补采失败的设备，特别适用于采集状态不稳定的情景。通过每一设备当前时段内的成功率和前一次的采集状态，加权计算，预测每一设备的通讯成功率，参数选用合理，设备通讯成功率的预测准确性较高。在采集过程中，基于自学习方式，根据预测失败次数，调整更新当前时段的设备通讯成功率预测加权计算中的权重系数，进一步提高了预测的准确性，而且权重系数调整更新过程，基本不影响设备的数据采集运行。
35.图2示出了根据本发明实施例的基于自学习的通讯成功率预测方法的中权重系数调整更新步骤的流程图。如图2所示，s14，基于自学习方式，根据预测失败次数，调整更新当前时段的设备通讯成功率预测加权计算中的权重系数，包括以下步骤：s141，基于自学习方式，保持第一权重系数a不变，调整第二权重系数b，重复执行步骤s11至s13，生成预测失败次数t与第二权重系数b的关系曲线图；预测失败次数与权重系数的关系曲线图示例如图3所示。
36.s142，根据预测失败次数t与第二权重系数b的关系曲线图，确定预测失败次数最小值对应的第二权重系数值，并在预设公式中对应调整更新；s143，基于自学习方式，保持第二权重系数b不变，调整第一权重系数a，重复执行步骤s11至s13，生成预测失败次数t与第一权重系数a的关系曲线图；预测失败次数与权重系数的关系曲线图示例如图3所示。
37.s144，根据预测失败次数与第一权重系数的关系曲线图，确定预测失败次数最小值对应的第一权重系数值，并在预设公式中对应调整更新，记录该第一权重系数值和第二权重系数值下当前时段的预测失败次数最小值t_min；s145，保持第一权重系数和第二权重系数不变，按照步骤s11至s13连续运行指定周期，并记录指定周期内各自时段每轮采集的预测失败次数；指定周期可以为1个月。
38.s146，统计本周期当前时段内预测失败次数t大于相应的预测失败次数最小值t_min的个数，记作失效个数c；s147，判断失效个数c是否大于预设限值c_min；若对s147的判定为否，则返回执行步骤s145，继续按照指定周期连续运行；
若对s147的判定为是，则返回执行步骤s141至s144调整更新权重系数之后继续按照指定周期连续运行。
39.通过自学习方式，不断调整第一权重系数和第二权重系数，模拟出预测失败次数与第二权重系数的关系曲线图、预测失败次数与第一权重系数的关系曲线图，找到在预测失败次数最小值情况下的第一权重系数和第二权重系数，在预设公式中对应调整更新，进一步提高了预测效果、预测准确性，使得预测失败次数尽可能地小，从而极大提高了采集成功率，避免了多次重复补采失败的设备。而对当前时段的预测失败次数最小值进行记录，在后续运行过程中对预测是否失效进行评价，在失效时，及时通过自学习方式进行调整，使得预测效果更加精准，保障设备数据采集成功率。
40.图4示出了根据本发明实施例的基于自学习的通讯成功率预测装置的架构图。如图4所示，根据本发明的实施例的一种基于自学习的通讯成功率预测装置400，包括：统计计算单元401，用于统计各自时段内每一设备的采集成功次数和总次数，计算每一设备每一时段内的成功率；预测单元402，用于根据每一设备当前时段内的成功率和前一次的采集状态，加权计算，预测每一设备的通讯成功率；数据采集单元403，用于按照设备通讯成功率的预测值对所有设备由高到低进行排序，按排序顺序进行数据采集，并统计预测失败次数；系数调整单元404，用于基于自学习方式，根据所述预测失败次数，调整更新当前时段的设备通讯成功率预测加权计算中的权重系数。
41.通过设备通讯成功率的预测值对采集设备进行排序，极大地提高了采集成功率，避免了多次重复补采失败的设备，特别适用于采集状态不稳定的情景。通过每一设备当前时段内的成功率和前一次的采集状态，加权计算，预测每一设备的通讯成功率，参数选用合理，设备通讯成功率的预测准确性较高。在采集过程中，基于自学习方式，根据预测失败次数，调整更新当前时段的设备通讯成功率预测加权计算中的权重系数，进一步提高了预测的准确性，而且权重系数调整更新过程，基本不影响设备的数据采集运行。
42.图5示出了可以用来实施本公开的实施例的电子设备500的示意性框图。如图5所示，设备500包括中央处理单元（cpu）501，其可以根据存储在只读存储器（rom）502中的计算机程序指令或者从存储单元508加载到随机访问存储器（ram）503中的计算机程序指令，来执行各种适当的动作和处理。在ram503中，还可以存储设备500操作所需的各种程序和数据。cpu 501、rom502以及ram 503通过总线504彼此相连。输入/输出（i/o）接口505也连接至总线504。
43.设备500中的多个部件连接至i/o接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
44.处理单元501执行上文所描述的各个方法和处理。例如，在一些实施例中，方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由rom 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到ram 503并由cpu501执行时，可以执行上文描述的方法的一个或多个步骤。备选地，在其他实施例中，cpu501可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行方法。
45.本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：场可编程门阵列（fpga）、专用集成电路（asic）、专用标准产品（assp）、芯片上系统的系统（soc）、负载可编程逻辑设备（cpld）等等。
46.用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
47.在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（ram）、只读存储器（rom）、可擦除可编程只读存储器（eprom或快闪存储器）、光纤、便捷式紧凑盘只读存储器（cd
‑
rom）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
48.此外，虽然采用特定次序描绘了各操作，但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行，或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
49.尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。