一种结合情景信息的移动终端业务预测方法技术

本发明专利技术公开了一种结合情景信息的移动终端业务预测方法，本发明专利技术根据移动终端业务日志和情景信息的特点，首先，针对单用户业务日志存在相同时刻业务类型不确定、时间间隔分布不均匀等问题，分别采用了压缩编码和非均匀量化的策略，并针对预处理策略重新定义了精确度和预测误差评价函数。然后，建立了基于循环神经网络算法的短期业务预测模型，在提升精确度并降低预测误差评价函数的目标下，利用混合多业务架构对业务类型和时间间隔进行联合优化。最后，建立长期的预测模型，并使用频繁度挑选的业务类型来更新模型参数。仿真结果表明，本方法提高了移动终端业务预测的效果。法提高了移动终端业务预测的效果。法提高了移动终端业务预测的效果。

【技术实现步骤摘要】
一种结合情景信息的移动终端业务预测方法


[0001]本专利技术涉及业务挖掘
，特别是一种结合情景信息的移动终端业务预测方法。

技术介绍

[0002]在大数据时代，高质量移动通信应运而生，随之而来的是海量业务的处理难题。从全球来看，到2022年，智能手机将占设备连接的54.7％，总流量的93％将以48％的复合年增长率增长。AR和VR市场的发展也将遵循类似的趋势。到2022年，全球将会有11亿台可穿戴设备，年复合增长率为16％。由此可见，随着云游戏、虚拟现实、增强现实、自动驾驶、远程医疗等新型业务层出不穷，移动网络的业务接入量将急剧上升。不同业务类型在通信、计算、存储上的资源需求呈现出多元化。因而，如何预知移动终端在未来时刻的业务类型及时间，成为当下研究的热点。
[0003]为了最大化用户体验质量，需要探求用户的业务使用习惯，准确预测业务类型，从而提前分配网络资源。传统的业务预测，针对蜂窝网络的业务流量进行预测。这样一是带来了基站侧数据类型缺失的弊端；二是难以准确到个体用户，难以为单用户量身配置网络资源；三是如果用户的数据包在网络上被捕捉和分析，则无法保障用户的隐私安全。在移动终端引入机器学习算法来对用户的多元化业务进行预测，这样既避免了用户信息的泄露，又有效使用用户的本地记录来实现不同用户的个性化预测。
[0004]然而，基于移动终端的业务预测存在其难点，一是与在蜂窝网络中捕获并解析的大规模用户业务通信记录相比，个体用户的历史数据信息有限，这给基于机器学习的业务预测的训练阶段带来了挑战；二是个体用户的业务使用规律较蜂窝网络中的业务统计规律更弱，用户使用业务的类型存在突发性、不确定性，使得随着预测时间间隔的增加，预测精度急剧下降；三是移动终端的业务使用可能会随着新业务的诞生、用户个人习惯改变等因素而发生变化。诸多困难使得基于移动终端的多元化业务预测精度难以提升。
[0005]在移动终端的业务预测现有研究成果表明，由于移动终端的传感器具备收集大量情景信息的能力，这弥补了单个用户移动终端数据信息量不足的劣势。将业务序列与情景信息相结合，对下一时刻的业务类型进行预测，有效地提升了移动终端业务预测的准确率。有研究者将移动终端采集的用户情景信息与当前热门的机器学习算法相结合，降低了数据的维度，取得了较好的研究成果。但是，现有研究针对业务类型的预测信息局限于“下一时刻”，即仅仅对接下来产生的业务类型进行了判断，尚未预测业务发生的具体时间。

技术实现思路

[0006]本专利技术所要解决的技术问题是克服现有技术的不足而提供一种结合情景信息的移动终端业务预测方法，在于预测业务类型和发生的时间，从而为网络资源调度做准备。本专利技术通过一种结合情景信息的混合多任务架构模型，来预测移动终端的业务类型和发生时间。
[0007]本专利技术为解决上述技术问题采用以下技术方案：
[0008]根据本专利技术提出的一种结合情景信息的移动终端业务预测方法，包括以下步骤：
[0009]步骤1、从网络的HTTP报头中识别并提取业务日志，在分钟级别对业务日志中每一条业务活动中的业务类型进行压缩打包；对压缩打包后的业务类型进行编码，得到以分钟为时间单位的业务类型序列；
[0010]步骤2、对业务日志中的时间间隔进行非均匀量化；
[0011]首先，将业务日志中每条业务活动中的业务时间替换为业务时间间隔，设t
i
为第i个业务发生的时刻，Δt
i
为第i个业务对应的时间间隔，Δt
i
＝t
i
‑
t
i
‑1，那么时间替换为时间间隔的过程表示为将t1替换为0，将i＝2,3,
…
,N项的t
i
替换为Δt
i
，其中N为压缩打包后业务日志中的业务活动总数；设业务日志中的时间间隔序列为Δt，则Δt＝[Δt1,Δt2,...,Δt
N
]；
[0012]设时间间隔的量化中心数集为t
c
，选取量化时间的类别个数P，则初始量化中心为，选取量化时间的类别个数P，则初始量化中心为为t
c
中的第j个初始量化中心，每一个量化中心使用如下的A压缩律逆公式计算非均匀量化中心：
[0013][0014]从而计算得到非均匀量化中心数集其中，A是决定了压缩程度的参数，e为自然底数，为第j个非均匀量化中心的时间间隔，为第j个非均匀量化中心的时间间隔，round(
·
)表示四舍五入取整，Δt
max
为业务日志时间间隔序列Δt中的最大值，Q
‑1(
·
)为A压缩律逆公式，j的取值范围为1,2,
…
,P；
[0015]最后，将Δt
i
替换为非均匀量化中心数集中距Δt
i
最近的非均匀量化中心类型，这样就完成了对业务日志中每个时间间隔的非均匀量化，得到非均匀量化后的时间间隔序列；
[0016]步骤3、定义在上一次业务活动与当前业务活动发生的时刻之间，移动终端处的所有情景信息为当前业务活动的情景信息，对每种情景信息进行特征提取；
[0017]步骤4、建立结合步骤3情景信息特征的联合输入维度空间；
[0018]步骤5、构建业务类型的业务类型精确度评价函数和时间间隔预测误差评价函数；
[0019](1)设业务类型精确度评价函数为accuracy(
·
)，定义如下：
[0020][0021]其中，p
e
是正确预测业务类型的业务活动数占总业务活动数的比例，N为压缩打包后业务日志中包含的业务活动的总个数，N
s
为压缩打包前原始秒级别的所有业务活动的总个数；是范围在(0,1]之间的压缩系数ρ，ρ代表着压缩打包前后从原始的N
s
个总业务活动压缩为当前的N个活动；
[0022](2)设时间间隔精确度评价函数为error(
·
)，定义如下：
[0023][0024]其中和Δt分别代表时间间隔序列的预测值和业务日志中的时间间隔序列，Δt＝[Δt1,Δt2,...,Δt
N
]，ξ是一个趋近于0
+
的无穷小量，Δt
i
分别为和Δt中第i项的预测值和业务日志中的真实值，其中i＝1,2,
…
,N，N为压缩打包后业务日志中的业务活动总数；
[0025]步骤6、根据步骤5得到的业务类型精确度评价函数和时间间隔预测误差评价函数，以最大化业务类型精确度评价函数且最小化时间间隔预测误差评价函数为联合目标，基于深度学习的混合多任务架构，将步骤4得到的联合输入维度空间作为混合多任务架构的输入，建立短期业务预测模型；
[0026]步骤7、建立长时间间隔的业务预测模型，长时间间隔的业务预测模型的目标是在混合多任务架构的输入端输入一个时间间隔ΔT
*
，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合情景信息的移动终端业务预测方法，其特征在于，包括以下步骤：步骤1、从网络的HTTP报头中识别并提取业务日志，在分钟级别对业务日志中每一条业务活动中的业务类型进行压缩打包；对压缩打包后的业务类型进行编码，得到以分钟为时间单位的业务类型序列；步骤2、对业务日志中的时间间隔进行非均匀量化；首先，将业务日志中每条业务活动中的业务时间替换为业务时间间隔，设t
i
为第i个业务发生的时刻，Δt
i
为第i个业务对应的时间间隔，Δt
i
＝t
i
‑
t
i
‑1，那么时间替换为时间间隔的过程表示为将t1替换为0，将i＝2,3,
…
,N项的t
i
替换为Δt
i
，其中N为压缩打包后业务日志中的业务活动总数；设业务日志中的时间间隔序列为Δt，则Δt＝[Δt1,Δt2,...,Δt
N
]；设时间间隔的量化中心数集为t
c
，选取量化时间的类别个数P，则初始量化中心为，选取量化时间的类别个数P，则初始量化中心为为t
c
中的第j个初始量化中心，每一个量化中心使用如下的A压缩律逆公式计算非均匀量化中心：从而计算得到非均匀量化中心数集其中，A是决定了压缩程度的参数，e为自然底数，为第j个非均匀量化中心的时间间隔，为第j个非均匀量化中心的时间间隔，round(
·
)表示四舍五入取整，Δt
max
为业务日志时间间隔序列Δt中的最大值，Q
‑1(
·
)为A压缩律逆公式，j的取值范围为1,2,
…
,P；最后，将Δt
i
替换为非均匀量化中心数集中距Δt
i
最近的非均匀量化中心类型，这样就完成了对业务日志中每个时间间隔的非均匀量化，得到非均匀量化后的时间间隔序列；步骤3、定义在上一次业务活动与当前业务活动发生的时刻之间，移动终端处的所有情景信息为当前业务活动的情景信息，对每种情景信息进行特征提取；步骤4、建立结合步骤3情景信息特征的联合输入维度空间；步骤5、构建业务类型的业务类型精确度评价函数和时间间隔预测误差评价函数；(1)设业务类型精确度评价函数为accuracy(
·
)，定义如下：其中，p
e
是正确预测业务类型的业务活动数占总业务活动数的比例，N为压缩打包后业务日志中包含的业务活动的总个数，N
s
为压缩打包前原始秒级别的所有业务活动的总个数；是范围在(0,1]之间的压缩系数ρ，ρ代表着压缩打包...

【专利技术属性】
技术研发人员：朱晓荣，徐曹露，李庆洋，张文锦，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：