预测VolTE语音呼叫失败的方法与系统与流程

本发明涉及网络通信，具体而言涉及一种预测volte语音呼叫失败的方法与系统。

背景技术：

1、volte全称为voice over long-term evolution(长期演进语音承载)，是指面向手机和数据终端的高速无线通信q标准。它基于ip多媒体子系统(ims)网络，在lte上使用为控制层面(controplane)和语音服务的媒体层面(media plane)特制的配置文件，这使语音服务(控制和媒体层面)作为数据流在lte数据承载网络中传输，而不再需维护和依赖传统的电路交换语音网络。volte是基于ims网络的语音解决方案，在lte覆盖的区域内提供基于ip的语音业务。

2、近年来volte日益成为主流语音解决方案，它集成了voice over ip(voip)，lte无线网(e-utran)，lte核心网(epc)，ims(ip multimedia subsystem)来支持在lte网络上进行语音业务。支持volte的手机终端(ue)在完成ims网络上注册后就可以进行volte呼叫，根据用户语音呼请求，终端首先启动与ims核心的sip信令连接消息，sip消息根据ims核心中的初始过滤条件(ifc)进行路由并发送sdp提议以应答建立媒体会话及各种sip标头。而ue与sgw/pgw之间建立用于传输sip信令专用eps承载qos由pcrf生成的pcc规则定义。

3、随着volte用户数增长迅速，volte网元数量增多、结构复杂、业务场景多样，volte语音呼叫异常事件投诉处理具有极大的挑战性。如何高效、快速的提升volte用户感知成为网络优化的重中之重。然而当前面对volte业务异常事件仅从事后处理的角度出发，缺乏问题发生前的预测、处理方法。

4、现有技术中提出的提高和改善用户volte感知的方法中，例如采用在每一子流程对应一个预先设定的用于反映用户对该子流程业务感知的成功率指标并进行比对判断，该预先设定的成功率指标如果不能全面反映volte正常业务的状态，那么在匹配的准确率将受到极大的影响。

技术实现思路

1、鉴于现有技术的缺陷与不足，本发明目的在于提供一种基于机器学习预测volte语音呼叫失败的方法与系统，以高效、快速的提升volte用户感知。

2、根据本发明目的的第一方面，提出一种基于机器学习的预测volte语音呼叫失败的方法，包括以下步骤：

3、步骤1、采集volte语音呼叫数据，包括实时volte呼叫数据及历史volte呼叫数据样本；

4、步骤2、梳理表征各网元相关的volte业务是否是正常的kpi指标和错误码，通过机器学习训练出表征volte呼叫失败的指标特征及错误码特征的网络预测模型，并进行动态更新；

5、步骤3、通过网络预测模型匹配volte语音呼叫中网络状态指标特征及呼叫过程中出现的错误码特征的相似度，并根据相似度判断volte语音呼叫是否失败；

6、步骤4、根据网络状态指标特征及volte语音呼叫过程中出现的错误码特征，判断volte语音呼叫失败的原因，对volte语音呼叫失败的原因进行定位。

7、作为可选的实施例，所述步骤1中，在所述步骤1中，通过采集话统数据、告警数据、chr数据、操作日志数据、配置数据、主机日志数据，并基于volte业务流，梳理各网元相关的kpi指标和错误码，形成表征volte业务是否正常的指标体系。

8、作为可选的实施例，在所述步骤2中，梳理表征各网元相关的volte业务是否是正常的kpi指标和错误码，通过机器学习训练出表征volte呼叫失败的指标特征及错误码特征的网络预测模型，包括：

9、步骤2-1、采集1132种volte业务关键话统指标与错误码样本数据，形成表征volte语音呼叫是否正常的kpi指标体系，话统指标覆盖118网元，共19192个5分钟话统任务，3周数据作为原始样本数据；所述kpi指标体系指标包含注册类kpi和呼叫类kpi；

10、步骤2-2、通过volte业务不同指标数据，应用5大类数据特征，包括拟合特征、波动特征、周期性特征、统计特征、分布特征，用来匹配不同算法；

11、步骤2-3、基于网络预测特征选取算法，训练模型，形成网络预测初始模型。

12、作为可选的实施例，在所述步骤2中，还包括步骤2-4：根据volte呼叫失败kpi数据样本集合，更新模型中每个节点在主节点下的条件概率参数，实现模型的更新。

13、根据本发明目的的第二方面，还提出一种基于机器学习预测volte语音呼叫失败的系统，包括：

14、用于采集获取volte语音呼叫数据的模块，包括实时volte呼叫数据及历史volte呼叫数据样本；

15、用户梳理表征各网元相关的volte业务是否是正常的kpi指标和错误码，通过机器学习训练出表征volte呼叫失败的指标特征及错误码特征的网络预测模型，并进行动态更新的模块；

16、用于通过网络预测模型匹配volte语音呼叫中网络状态指标特征及呼叫过程中出现的错误码特征的相似度，并根据相似度判断volte语音呼叫是否失败的模块；

17、用户根据网络状态指标特征及volte语音呼叫过程中出现的错误码特征，判断volte语音呼叫失败的原因，对volte语音呼叫失败的原因进行定位的模块。

18、根据本发明目的的第三方面，还提出一种计算机系统，包括：

19、一个或多个处理器，以及

20、用于存储可被操作的指令的存储器；

21、其中，所述指令在被所述一个或多个处理器执行时，实现前述基于机器学习预测volte语音呼叫失败的方法的过程。

22、由以上实施方案可见，与现有技术相比，本发明的基于机器学习预测volte语音呼叫失败的方法的显著优点在于：

23、(1)本发明提出了预测volte语音呼叫失败的方法，由传统的volte语音呼叫失败后处理为主转变为volte语音呼叫失败预测为主的网络预测volte语音呼叫失败的处理思路，不再满足于事故发生后的被动处理，更注重提前识别volte业务的故障风险，从提前预测角度快速处理volte语音呼叫异常事件，达到快速提前识别网络故障，提高volte用户感知的目的；

24、(2)本方法提出了通过样本数据采集/清洗/结构化，应用“拟合特征”、“波动特征”、“周期性特征”、“统计特征”、“分布特征”5大类数据特征，匹配不同算法，建立网络预测模型，并在预测准确率低于门限时调整网络中各分节点在主节点下的条件概率模型，更新网络预测模型，通过预测模型实时监测volte呼叫失败，快速精准预测定位风险。

25、应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。

26、结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。