一种用于网络优化的机器学习样本的生成方法及装置与流程

本发明实施例涉及通信技术领域，尤其涉及一种用于网络优化的机器学习样本的生成方法及装置。

背景技术：

随着移动通信网络的迅猛发展，网络分析和优化工程也面临着巨大挑战。现有的网络分析优化系统(以下简称“系统”)一般采用固化的程序设计，其中分析参数门限大多数情况下也都固化在算法流程中。该系统由独立的分析流程组成，每个分析流程用于分析一种特定网络问题，基本上是“一事一议”的程式。所以，需要针对不同的网络问题开发相应的分析流程，系统设计复杂，开发成本高、效率低。

由于该系统采用固化的程序设计，当需要增加软件功能或需要修改分析规则与参数时，需要重新设计和开发系统。这样现有的程序设计方式不仅会大大增加系统的整体投入成本，并且缩短了系统的生命周期。

随着机器学习技术的发展，可以利用深度学习神经网络、或者支持向量机器等机器学习网络高效解决上述问题。但是机器学习技术的有监督学习训练需要大量、准确性高、一致性好的的标签化样本，而目前在网络规划和优化领域中，获取这些样本仍然依靠人工的判断和整理。人工整理样本时，只是根据个人主观想法选取一些运营参数作为输入，再相应地选取一些网络问题作为输出，最后再组合为训练样本。这些选取的运营参数和网络问题没有科学合理的依据，一致性无法得到保证。而且由于技术人员的知识背景和经验的差异，选取的运营参数与网络问题的匹配的准确性也会有很大差异，并且存在效率低、成本高等诸多问题。这些问题成为机器学习技术应用在网络分析和优化技术领域的关键障碍和技术瓶颈。

技术实现要素：

本发明实施例提供了一种用于网络优化的机器学习样本的生成方法及装置，以提供一种准确性高、一致性好、效率高、成本低的样本生成方法。

本发明实施例提供了一种用于网络优化的机器学习样本的生成方法，包括：

获取网络单元的运营参数；

根据所述运营参数建立相应的参数标签；

根据问题标签与参数标签之间的匹配规则，确定所述参数标签中是否包括与所述问题标签匹配的第一目标参数标签；所述问题标签匹配于至少一个参数标签；

如果所述参数标签中包括所述第一目标参数标签，合并所述第一目标参数标签，得到输入特征集合，并合并所述问题标签，得到输出特征集合；

将所述输入特征集合和所述输出特征集合组合为训练样本。

进一步地，根据所述运营参数建立相应的参数标签的步骤，包括：

根据所述运营参数建立相应的基础标签；

根据基础标签与组合标签的匹配规则，确定所述基础标签中是否包括与组合标签匹配的目标基础标签；所述组合参数标签匹配于至少两个基础标签；

如果所述基础标签中包括所述目标基础标签，将所述目标基础标签替换为所述组合标签；所述参数标签包括所述基础标签和所述组合标签。

进一步地，合并所述问题标签，得到输出特征集合的步骤，包括：

根据问题标签与策略标签之间的匹配规则，确定与所述问题标签匹配的策略标签；所述问题标签匹配与至少一个策略标签；

合并所述问题标签以及与所述问题标签匹配的策略标签，得到输出特征集合。

进一步地，该方法还包括：

根据优良标签与参数标签之间的匹配规则，确定所述参数标签中是否包括与所述优良标签匹配的第二目标参数标签；所述优良标签匹配于至少一个参数标签；

如果所述参数标签中包括所述第一目标参数标签，合并所述第一目标参数标签，得到输入特征集合的步骤，包括：

如果所述参数标签中包括所述第一目标参数标签和所述第二目标参数标签，合并所述第一目标参数标签和所述第二目标参数标签，得到输入特征集合；

合并所述问题标签，得到输出特征集合的步骤，还包括：

合并所述问题标签和所述优良标签，得到输出特征集合。

进一步地，合并所述问题标签，得到输出特征集合的步骤，还包括：

合并所述问题标签、所述优良标签以及与所述问题标签匹配的策略标签，得到输出特征集合。

本发明实施例还提供了一种用于网络优化的机器学习样本的生成装置，包括：

获取模块，用于获取网络单元的运营参数；

标签建立模块，用于根据所述运营参数建立相应的参数标签；

第一确定模块，用于根据问题标签与参数标签之间的匹配规则，确定所述参数标签中是否包括与所述问题标签匹配的第一目标参数标签；所述问题标签匹配于至少一个参数标签；

合并模块，用于如果所述参数标签中包括所述第一目标参数标签，合并所述第一目标参数标签，得到输入特征集合，并合并所述问题标签，得到输出特征集合；

样本组合模块，用于将所述输入特征集合和所述输出特征集合组合为训练样本。

进一步地，所述标签建立模块包括：

基础标签建立单元，用于根据所述运营参数建立相应的基础标签；

第一确定单元，用于根据基础标签与组合标签的匹配规则，确定所述基础标签中是否包括与组合标签匹配的目标基础标签；所述组合参数标签匹配于至少两个基础标签；

替换单元，用于如果所述基础标签中包括所述目标基础标签，将所述目标基础标签替换为所述组合标签；所述参数标签包括所述基础标签和所述组合标签。

进一步地，所述合并模块还用于：

根据问题标签与策略标签之间的匹配规则，确定与所述问题标签匹配的策略标签；所述问题标签匹配与至少一个策略标签；

合并所述问题标签以及与所述问题标签匹配的策略标签，得到输出特征集合。

进一步地，该装置还包括：

第二确定模块，用于根据优良标签与参数标签之间的匹配规则，确定所述参数标签中是否包括与所述优良标签匹配的第二目标参数标签；所述优良标签匹配于至少一个参数标签；

所述合并模块还用于：

如果所述参数标签中包括所述第一目标参数标签和所述第二目标参数标签，合并所述第一目标参数标签和所述第二目标参数标签，得到输入特征集合；以及

合并所述问题标签和所述优良标签，得到输出特征集合。

进一步地，所述合并模块还用于：

合并所述问题标签、所述优良标签以及与所述问题标签匹配的策略标签，得到输出特征集合。

本发明实施例提供的方法能够得到多输入多输出的训练样本，从而训练出多输入多输出深度神经网络模型，并且能够生成数量充足的训练样本，生成的训练样本准确性高、一致性好、性能稳定，所以能够训练出高性能的深度神经网络模型。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种用于网络优化的机器学习样本的生成方法的流程图；

图2为本发明实施例提供的又一种用于网络优化的机器学习样本的生成方法的流程图；

图3为本发明实施例提供的一种用于网络优化的机器学习样本的生成装置的结构框图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

参见图1，为本发明实施例提供的一种用于网络优化的机器学习样本的生成方法的流程图，该方法可以包括如下步骤。

步骤11，获取网络单元的运营参数。

该网络单元可以为小区。

该运营参数可以从网络优化相关的历史网络大数据中获取，该历史网络大数据可以包括日常网络规划、网络优化数据和运维数据。运营参数也可以从目前正在运营的网络单元中获取得到。获取的运营参数应该为同一时间点上网络单元存在的运营参数，以保证构成同一个样本的数据的一致性以及有效性。

运营参数可以是直接获取或采集到的参数，也可以是通过获取或采集到的参数计算得到的参数。可以直接获取到的参数包括小区的基础配置参数，例如表示小区为核心商业区和室分小区的参数；采集到的参数，例如小区与距离其最近的三个小区之间的平均距离参数；计算得到的参数，例如通过扫频采样点，确定采样点是否为过覆盖点、弱覆盖点、无覆盖点等等。

还例如，该运营参数可以是，例如e-rab(evolvedradioaccessbearer，演进的无线接入承载)失败次数占比、ue(userequipment，用户终端)是否有响应、srb(singlingradiobearer信令无线承载)rlc(radiolinkcontrol，无线链路控制)的重传次数、mr(measurementreport测量报告)rsrp(referencesignalreceivingpower，参考信号接收功率)小于等于-110的占比、mr采样点数等参数。

步骤12，根据所述运营参数建立相应的参数标签。

本发明实施例中的参数标签的标识方式，可以利用编号进行标识，例如“1-1”、“1.1”、“1(1)”等，也可以利用文字描述，例如“高话务”等，本发明实施例不对标签的标识方式进行限定。

在步骤12中，还可以包括以下步骤：

步骤121，根据所述运营参数建立相应的基础标签。

该基础标签为可以根据所述运营参数直接建立的参数标签。例如“过覆盖点”的参数标签，或者“话务量【a】”的参数标签。

所述基础标签包括静态标签和动态标签。进一步地，步骤121还可以包括：

步骤1211，如果所述运营参数为静态运营参数，建立与所述运营参数匹配的静态标签；

步骤1212，如果所述运营参数为动态运营参数，建立与所述运营参数匹配的动态标签。

静态标签可以为不会自动更新的参数标签，例如表示小区为宏站小区的参数标签和表示小区为城区小区的参数标签。动态标签可以为能够自动更新的参数标签，例如，“话务量【a】”参数标签中的话务量值a能够根据实时话务量值或根据历史变化规律进行更新。

步骤122，根据基础标签与组合标签的匹配规则，确定所述基础标签中是否包括与组合标签匹配的目标基础标签；所述组合参数标签匹配于至少两个基础标签。

步骤123，如果所述基础标签中包括所述目标基础标签，将所述目标基础标签替换为所述组合标签。

例如，组合标签与基础标签之间的匹配规则中设置有：表示密集分布站点的组合标签匹配的基础标签包括表示宏站小区的参数标签、标识城区小区的参数标签和表示小区与距离其最近的三个小区之间的平均距离小于500m的参数标签。

如果根据某小区的运营参数建立的基础标签中包括表示宏站小区的参数标签和表示城区小区的参数标签表示小区与距离其最近的三个小区之间的平均距离小于500m的参数标签，则可将表示宏站小区的参数标签、表示城区小区的参数标签以及表示小区与距离其最近的三个小区之间的平均距离小于500m的参数标签替换为表示密集分布站点的组合标签，最后将三个参数标签变为了一个参数标签。通过将多个基础标签替换为组合标签，可以减少参数标签数量，进而减轻系统处理参数标签时的负担，提高数据处理效率。

需要说明的是，各级参数标签可以根据需要进行组合，例如基础标签和组合标签可以组合为另一个组合标签，两个组合标签还可以再组合成另外一个组合标签。

例如：如果表示当前话务量值的动态标签中展现的话务量值大于阈值，则表示密集分布站点的组合标签还可以与表示高容量站点的静态标签，以及该表示当前话务量值的动态标签组合为表示高话务的组合标签。

步骤124，根据所述动态标签对应的当前运营参数与所述组合标签对应的历史运营参数的变化规律，预测当前运营参数的变化结果；或者，

根据所述组合标签对应的当前运营参数与所述组合标签对应的历史运营参数的变化规律，预测当前运营参数的变化结果。

步骤125，根据当前运营参数的变化结果，建立预测标签。

历史运营参数的变化规律可以通过参数标签的形式进行说明。

例如，某小区标记有表示高话务的组合标签，则可以在“话务量【a】”参数标签中标明的当前话务量a的基础上，再根据标记有高话务组合标签的小区的历史话务量变化规律，例如小区本身的历史话务量变化规律，预测出该小区出现高话务的时间范围，并根据出现高话务的时间范围建立预测高话务的预测标签，该预测标签可以标记具体的时间范围，从而可以提前进行处理，防止预测的时间范围内出现高话务冲击。

需要说明的是，上面的描述只是举例说明，并不限制得到预测标签的其他算法。

在进行网路优化的过程中，若小区标记有预测标签，则可根据预测标签标记的时间点或时间范围，提前进行相应的优化处理，从而防止网络问题的发生，提高了网络优化的处理效率以及网络质量。

与网络运营参数匹配的参数标签可以进行分类，例如分为测量类、参数类、性能类、告警类、投诉类等。测量类参数标签可以包括覆盖类、干扰类、事件类、业务类等。覆盖类参数标签可以包括是否为弱覆盖占比的参数标签、是否为过覆盖占比的参数标签等。如表一所示，对根据路测采样点的相关参数建立的参数标签进行了举例说明。

表一：根据路测采样点的相关参数建立的参数标签

说明：表一中的三级分类项中的参数属性和四级分类项中的结果可以建立基础标签，例如基础标签“无覆盖点【是】”，用于表示当前采样点为无覆盖点。通过路测采样点可以确定采样点所属的小区的某些性能，如弱覆盖，高干扰等问题。

参数标签的分类可以根据具体需求进行分类，本发明实施例不对参数标签的分类方式做具体限制。

在建立参数标签时，每个参数标签对应相应的参数以及参数的门限值。参数标签可以通过编号进行标识或通过性能说明进行标识。例如，当mrrsrp小于等于-110的占比大于20％，且mr采样点数大于1000时，可以将参数对应的参数标签的标识设置为“5”。再例如，当话务量比较高时，可以将该参数对应的参数标签的标识设置为“高话务”。

参数标签可以进行分类，大类标签包括小类标签，所以可以对参数标签进行分级标识。例如无线层问题导致e-rab失败次数占比较高的参数标签的标识可以设置为“1”，而无线层问题导致e-rab失败次数占比较高的性能包括ue无响应导致e-rab失败次数占比较高的性能和srbrlc达到重大重传次数导致e-rab失败次数占比较高的性能，则ue无响应导致e-rab失败次数占比较高的参数标签的标识可以设置为“1-1”，srbrlc达到重大重传次数导致e-rab失败次数占比较高的参数标签的标识可以设置为“1-2”。可见，标识为“1”的参数标签的子集包括标识为“1-1”的参数标签和标识为“1-2”的参数标签。

在具体实现中，已有的参数标签体系可以随着新参数标签的增加进行不断地补充、修正和完善，从而能够满足任何网络问题的检测规则的制定。

步骤13，根据问题标签与参数标签之间的匹配规则，确定所述参数标签中是否包括与所述问题标签匹配的第一目标参数标签；所述问题标签匹配于至少一个参数标签。

小区存在的网络问题可以通过检测运营参数进行确定。不同的网络问题对应不同的运营参数，所以不同的问题标签可以匹配不同的参数标签，从而设置问题标签与参数标签之间的匹配规则，用于确定小区是否存在相关网络问题。

问题标签与参数标签之间的匹配规则可以根据经验进行设置，也可以根据历史网络大数据中的优化相关数据进行制定。例如，历史网络大数据中包括高话务问题对应的核查规则，即对应具体的运营参数，并且该核查规则经过验证后，证实较为有效，则可以利用该核查规则设置问题标签与参数标签之间的匹配规则。

问题标签也可以通过编号或文字描述进行标识，例如，当弱覆盖导致e-rab建立成功率低时，e-rab建立成功率低对应的问题标签的标识可以设置为“1”，该弱覆盖对应的问题标签的标识可以设置为“1.1”；再例如标识为“弱覆盖”的问题标签。

在本发明实施例中，多个参数标签的组合可以匹配一个问题标签，例如，ue无响应导致e-rab失败次数占比较高对应的参数标签，与mrrsrp小于等于-110的占比大于20％，且mr采样点数大于1000对应的参数标签，共同匹配弱覆盖导致e-rab建立成功率低对应的问题标签，即，标识为“1.1”的问题标签匹配标识为“1-1”的参数标签和标识为“5”的参数标签。

根据预设的匹配规则，如果网络单元的参数标签中包含标识为“1-1”的参数标签和标识为“5”的参数标签，则说明该网络存在标识为“1.1”的问题标签对应的弱覆盖问题。从而通过网络单元的运营参数对应的参数标签，确定该网络单元存在的全部网络问题。

步骤14，如果所述参数标签中包括所述第一目标参数标签，合并所述第一目标参数标签，得到输入特征集合，并合并所述问题标签，得到输出特征集合。

例如，该网络单元存在标识为“1”和标识为“2”的问题标签，标识为“1”的问题标签匹配标识为“1-1”的参数标签、标识为“3”的参数标签以及标识为“5”的参数标签；标识为“2”的问题标签匹配标识为“3-1”的参数标签、标识为“4”的参数标签以及标识为“7”的参数标签，则合并标识为“1-1”的参数标签、标识为“3”的参数标签、标识为“5”的参数标签、标识为“3-1”的参数标签、标识为“4”的参数标签以及标识为“7”的参数标签，得到一个输入特征集合，从而形成多输入的训练样本。

在该步骤中，合并所述问题标签，得到输出特征集合的步骤，包括：

步骤141，根据问题标签与策略标签之间的匹配规则，确定与所述问题标签匹配的策略标签；所述问题标签匹配与至少一个策略标签。

步骤142，合并所述问题标签以及与所述问题标签匹配的策略标签，得到输出特征集合。

每个网络问题对应有相应的优化策略，相应地，可以设置问题标签与策略标签的匹配规则，用于网络问题确定后，选取与该网络问题匹配的优化策略去优化存在该网络问题的网络单元。这些优化策略可以从历史网络大数据中获得，也可以根据经验进行制定，本发明实施例不对优化策略的获取方式进行限定。

策略标签也可以通过编号或文字描述进行标识。例如弱覆盖的问题对应的调整天线的优化策略对应的策略标签可以设置为“3”或“调整天线策略”。

当输出特征集合中同时包括问题标签和策略标签时，利用包括该输出特征集合的训练样本训练得到的神经网络模型，能够同时输出问题标签和策略标签，而无需分别检测网络单元存在的问题和该问题对应的优化策略，从而使网络分析和优化的流程更加简便快捷。

本发明实施例中的匹配规则可以根据历史经验进行确定，也可以根据历史网络大数据中的优化相关数据进行制定，并且优化策略经过验证后，证实较为有效，则可以设置问题标签与优化策略之间的匹配规则。确定后的匹配规则比较稳定并且准确性高，所以根据该比配规则得到的训练样本的稳定性好，准确性高，能够保证训练得到的神经网络模型分类的准确性。

需要说明的是本发明实施例不对该匹配规则的确定方法进行限制。

输入特征集合和输出特征集合可以通过矩阵的形式进行矩阵级联融合，从而形成多输入输出的训练样本。在合并过程中如果发现输入特征集合和输出特征集合中包含重复的标签，可以删除重复的标签。

本发明实施例中的参数标签、问题标签、策略标签及其匹配规则可以保存在配置模板中，在进行网络问题分析或优化时，可以调取该配置模板的数据，进行问题匹配和优化策略匹配。并且当性能增加或匹配规则发生变化时，可以根据需要修改配置模板，而无需修改内部程序，这样即使没有程序开发经验的普通用户即可完成修改，系统维护成本低，效率高，具有灵活高效的可扩展性。

步骤15，将所述输入特征集合和所述输出特征集合组合为训练样本。

每个输入特征集合及其对应的输出特征集合可以组合为一个训练样本，用于训练神经网络。本发明实施例利用准确的匹配规则，能够得到准确性高的训练样本，进而得到分类准确的神经网络模型，保证网络分析优化的准确性。

在本发明实施例中，输出特征集合可以包括各类的问题标签，例如覆盖类问题、干扰类问题、容量类问题、故障类问题等等。各类问题可以包括多个子类问题，例如覆盖类问题标签可以包括无覆盖问题标签、弱覆盖问题标签、过覆盖问题标签等。假设在同一时间点上：

(1)第i类覆盖问题匹配有项参数标签值，第m个无线网络小区cellm的项参数标签值可表示为输入向量输入向量如下式所示：

更一般地，我们可以将该项参数标签值表示为输入向量如下式所示：

第i类覆盖问题匹配的项参数标签值组成一个集合

假使，覆盖类问题总共包括n^c个子类问题，n^c个子类问题对应的全部参数标签值组成的输入特征集合可以表示为：

第m个无线网络小区cellm的第i类覆盖问题对应的输出结果由输入向量作用于第i类覆盖问题的逻辑分析规则判断函数得到：

其中，表示cellm为第i类覆盖问题小区；表示cellm为非第i类覆盖问题小区。

由n^c种覆盖类问题标签组成n^c维输出向量矩阵v^c-out(cellm)，如下式表示：

更一般地表示为输出向量v^c-out：

(2)第i类干扰问题匹配有项参数标签值，第m个无线网络小区cellm的项参数标签值可表示为输入向量如下式所示：表示为输入向量如下式所示：

更一般地，我们将该项参数标签值表示为输入向量如下式所示：

第i类干扰问题匹配的项参数标签值组成一个集合

假使，干扰类问题总共包括nⁱ个子类问题，nⁱ个子类问题对应的全部参数标签值组成的输入特征集合可以表示为：

第m个无线网络小区cellm的第i类干扰问题对应的输出结果由输入向量作用于第i类干扰问题的逻辑分析规则判断函数得到：

其中，表示cellm为第i类干扰问题小区；表示cellm为非第i类干扰问题小区。

由nⁱ种干扰类问题标签组成nⁱ维输出向量矩阵v^i-out(cellm)，如下式表示：

更一般地表示为输出向量v^i-out：

(3)第i类容量问题匹配有项参数标签值，第m个无线网络小区cellm的项参数标签值可表示为输入向量输入向量如下式所示：

更一般地，我们将该项参数标签值表示为输入向量如下式所示：

第i类容量问题匹配的项参数标签值组成一个集合

假使，容量类问题总共包括n^p个子类问题，n^p个子类问题对应的全部参数标签值组成的输入特征集合可以表示为：

第m个无线网络小区cellm的第i类容量问题对应的输出结果由输入向量作用于第i类容量问题的逻辑分析规则判断函数得到：

其中，表示cellm为第i类容量问题小区；表示cellm为非第i类容量问题小区。

由n^p种容量问题标签组成n^p维输出向量矩阵v^p-out(cellm)，如下式表示：

更一般地表示为输出向量v^p-out：

(4)第i类故障问题匹配有项参数标签值，第m个无线网络小区cellm的项参数标签值可表示为输入向量输入向量如下式所示：

更一般地，我们将该项参数标签值表示为输入向量如下式所示：

第i类故障问题匹配的项参数标签值组成一个集合

假使，覆盖类问题总共包括个子类问题，个子类问题对应的全部参数标签值组成的输入特征集合可以表示为：

第m个无线网络小区cellm的第i类故障问题对应的输出结果由输入向量作用于第i类故障问题的逻辑分析规则判断函数得到：

其中，表示cellm为第i类故障问题小区；表示cellm为非第i类故障问题小区。

由n^f种故障问题标签组成n^f维输出向量矩阵v^f-out(cellm)，如下式表示：

更一般地表示为输出向量v^f-out：

深层神经网络的多维度输入特征集合可以表示为全部问题对应的参数标签集的去重取并集φ{vⁱⁿ}，如下式所示：

φ{vⁱⁿ}＝φ{v^c-in}∪φ{v^i-in}∪φ{v^p-in}∪φ{v^f-in}；

深层神经网络的多维输入特征集合对应的输入级联矩阵vⁱⁿ，如下式所示：

vⁱⁿ＝v(<φ{v^c-in}∪φ{v^i-in}∪φ{v^p-in}∪φ{v^f-in}>)。

上式中的vⁱⁿ＝v(<ψ>)运算表示将(<·>)运算符中ψ集合所有n^ψ个元素转换成n^ψ维向量元素组成的矩阵v中的元素。

深层神经网络的多维输出特征集合对应的输出级联矩阵v^out，如下式所示：

v^out＝(v^c-out,v^i-out,v^p-out,v^f-out)。

上述中的输入级联矩阵vⁱⁿ和输出级联矩阵v^out可以共同组合为一个训练样本。

在将输入特征集合和所述输出特征集合组合为训练样本的过程中，可以对问题标签及其对应的参数标签做标记，以使神经网络能够识别出各个问题标签对应的参数标签。

利用本发明实施例提供的方法，可以获取一个网络单元不同时间点对应的大量的训练样本，进一步获取多个网络单元对应的更大量的训练样本，大量准确的训练样本能够训练出逼近全局最优性能的神经网络模型参数。

本发明实施例提供的方法包括合并与所述问题标签匹配的参数标签，得到输入特征集合，并合并问题标签，得到输出特征集合，将输入特征集合和输出特征集合进行组合，能够得到多输入多输出的训练样本，从而训练出多输入多输出深度神经网络模型；本发明实施例能够生成数量充足的训练样本，并且生成的训练样本准确性高、一致性好、性能稳定，所以能够训练出高性能的深度神经网络模型。

需要说明的是，利用本发明实施例提供的方法生成的训练样本可以应用于任何一种机器学习方法，本发明实施例只是以神经网络学习进行举例说明，但并不限制于神经网络学习。利用本发明实施例提供的方法生成的训练样本还可以应用于例如支持向量机器、决策树等机器学习方法。

参见图2，为本发明实施例提供的又一种用于网络优化的机器学习样本的生成方法的流程图，该方法可以包括如下步骤。

步骤21，获取网络单元的运营参数。

步骤22，根据所述运营参数建立相应的参数标签。

步骤23，根据问题标签与参数标签之间的匹配规则，确定所述参数标签中是否包括与所述问题标签匹配的第一目标参数标签。

步骤24，根据优良标签与参数标签之间的匹配规则，确定所述参数标签中是否包括与所述优良标签匹配的第二目标参数标签。

在评估网络运营状态时，不仅可以通过检测网络存在的问题进行评判，也可以通过检测网络的优良性能进行评判。

每个问题标签可以对应一个优良标签，问题标签匹配的参数标签的类别可以与其对应的优良标签匹配的参数标签的类别相同，相同类别的参数标签对应不同的门限值。例如覆盖类问题可以对应覆盖优良。如果网络单元的运营参数值在某一问题对应的门限值内，则说明网络单元存在该问题；如果网络单元的运营参数值在某一优良性能对应的门限值内，则说明网络单元存在该优良性能。

例如，若根据网络单元的运营参数对应的参数标签，以及参数标签与优良标签的匹配规则，得出e-rab失败次数占比较低或接近0时，则可以认为该网络单元对于建立e-rab的性能比较优良，并确定相应的优良标签。

步骤25，如果所述参数标签中包括所述第一目标参数标签和所述第二目标参数标签，合并所述第一目标参数标签和所述第二目标参数标签，得到输入特征集合。

步骤26，合并所述问题标签和所述优良标签，得到输出特征集合。

利用上述方法得到的训练样本训练出的神经网络模型，不仅能够检测出网络单元存在的网络问题，还能够检测出网络单元具有的优良性能。

步骤26具体可以包括：

合并所述问题标签、所述优良标签以及与所述问题标签匹配的策略标签，得到输出特征集合。

利用通过步骤26得到的训练样本训练出的神经网络模型，不仅能够检测出网络单元存在的网络问题，还能够检测出网络单元具有的优良性能；并且能够同时输出问题标签和策略标签，而无需分别检测网络单元存在的问题和该问题对应的优化策略，从而使网络分析和优化的方法更加简便快捷。

步骤27，将所述输入特征集合和所述输出特征集合组合为训练样本。

当对网络单元进行网络问题、优化策略以及优良性能分析定位后，可以对分析定位后的网络问题、优化策略以及优良性能的有效性进行认证，只有通过有效性认证的网络问题、优化策略以及优良性能对应的标签才可以用于生成训练样本，从而保证训练样本的有效性。

本发明实施例提供的方法包括合并与所述问题标签匹配的参数标签，得到输入特征集合，并合并问题标签，得到输出特征集合，将输入特征集合和输出特征集合进行组合，能够得到多输入多输出的训练样本，从而训练出多输入多输出深度神经网络模型；本发明实施例能够生成数量充足的训练样本，并且生成的训练样本准确性高、一致性好、性能稳定，所以能够训练出高性能的深度神经网络模型。

本发明实施例与图1所示的实施例存在相同的步骤，所以描述的比较简单，相同之处参见图1所示的实施例即可。

参见图3，为本发明实施例提供的一种用于网络优化的机器学习样本的生成装置的结构框图，该装置可以包括如下。

获取模块31，用于获取网络单元的运营参数。

标签建立模块32，用于根据所述运营参数建立相应的参数标签。

该标签建立模块32具体可以包括：

基础标签建立单元，用于根据所述运营参数建立相应的基础标签。

所述基础标签包括静态标签和动态标签。所述基础标签建立单元，包括：

静态标签建立子单元，用于如果所述运营参数为静态运营参数，建立与所述运营参数匹配的静态标签；

动态标签建立子单元，用于如果所述运营参数为动态运营参数，建立与所述运营参数匹配的动态标签。

第一确定单元，用于根据基础标签与组合标签的匹配规则，确定所述基础标签中是否包括与组合标签匹配的目标基础标签；所述组合参数标签匹配于至少两个基础标签。

替换单元，用于如果所述基础标签中包括所述目标基础标签，将所述目标基础标签替换为所述组合标签；所述参数标签包括所述基础标签和所述组合标签。

该标签建立模块32还可以包括：

预测单元，用于根据所述动态标签对应的当前运营参数与所述动态标签对应的历史运营参数的变化规律，预测当前运营参数的变化结果；或者用于，

根据所述组合标签对应的当前运营参数与所述组合标签对应的历史运营参数的变化规律，预测当前运营参数的变化结果；

预测标签建立单元，预测标签根据当前运营参数的变化结果，建立预测标签。

第一确定模块33，用于根据问题标签与参数标签之间的匹配规则，确定所述参数标签中是否包括与所述问题标签匹配的第一目标参数标签；所述问题标签匹配于至少一个参数标签。

第二确定模块34，用于根据优良标签与参数标签之间的匹配规则，确定所述参数标签中是否包括与所述优良标签匹配的第二目标参数标签；所述优良标签匹配于至少一个参数标签；

合并模块35，用于如果所述参数标签中包括所述第一目标参数标签，合并所述第一目标参数标签，得到输入特征集合，并合并所述问题标签，得到输出特征集合。

所述合并模块35还用于：

根据问题标签与策略标签之间的匹配规则，确定与所述问题标签匹配的策略标签；所述问题标签匹配与至少一个策略标签；

合并所述问题标签以及与所述问题标签匹配的策略标签，得到输出特征集合。

进一步地，该合并模块35还用于：

如果所述参数标签中包括所述第一目标参数标签和所述第二目标参数标签，合并所述第一目标参数标签和所述第二目标参数标签，得到输入特征集合；以及

合并所述问题标签和所述优良标签，得到输出特征集合。

样本组合模块36，用于将所述输入特征集合和所述输出特征集合组合为训练样本。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。

本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以生成一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令生成用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令生成包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以生成计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本发明所提供的一种用于网络优化的机器学习样本的生成方法及装置，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。