本发明专利技术公开了一种基于决策树的网络自适应选择方法、系统、装置及介质，方法包括：确定用户终端对不同网络属性的主观权重值；获取预设的多个第一网络的网络属性数据，根据网络属性数据和主观权重值确定各第一网络与理想网络的相似度，进而根据网络属性数据和相似度构建训练数据集；将训练数据集输入到预先构建的决策树模型进行训练，得到训练好的网络选择模型；获取多个候选网络的实时网络属性，将实时网络属性输入到网络选择模型，进而根据模型输出进行网络自适应选择。本发明专利技术降低了网络选择运算的复杂度，提高了网络选择的效率，可广泛应用于无线通信技术领域。应用于无线通信技术领域。应用于无线通信技术领域。
【技术实现步骤摘要】
基于决策树的网络自适应选择方法、系统、装置及介质
[0001]本专利技术涉及无线通信
，尤其是一种基于决策树的网络自适应选择方法、系统及介质。
技术介绍
[0002]由于人们对高速率、低时延和低功耗的追求，目前移动通信已经发展到了第五代(5G)，部署5G网络时应充分考虑现有的异构网络资源，如蜂窝网络、WiFi网络等。目前已存在多种蜂窝网络与WiFi网络的合作方案，例如授权辅助接入、LTE
‑
WiFi聚合以及WiFi卸载等技术。
[0003]网络选择技术能够智能地向用户提供最优的网络，并将部分蜂窝网络上拥挤的数据流量转移到WiFi网络中进行传输。从运营商的角度来看，网络选择可以减轻蜂窝基站上的负载，缓解授权频带资源不足的缺点，充分利用免费的未授权频段，达到负载均衡以及系统容量的增加。从用户的角度来看，用户更愿意接入便宜的WiFi网络，而且可以在通信高峰时段避开拥挤的蜂窝网络，不仅如此，在室内或者基站覆盖较差的区域，WiFi接入点往往能向用户提供更好的服务质量。
[0004]目前大多数网络选择方法都是基于终端所处的网络环境，进行复杂的通信运算，最终向用户终端推荐最优的网络进行接入，这些方法在每次进行网络选择时均需要进行运算，且运算过程复杂，影响了网络选择的效率。
技术实现思路
[0005]本专利技术的目的在于至少一定程度上解决现有技术中存在的技术问题之一。
[0006]为此，本专利技术实施例的一个目的在于提供一种基于决策树的网络自适应选择方法，该方法降低了网络选择运算的复杂度，提高了网络选择的效率。
[0007]本专利技术实施例的另一个目的在于提供一种基于决策树的网络自适应选择系统。
[0008]为了达到上述技术目的，本专利技术实施例所采取的技术方案包括：
[0009]第一方面，本专利技术实施例提供了一种基于决策树的网络自适应选择方法，包括以下步骤：
[0010]确定用户终端对不同网络属性的主观权重值；
[0011]获取预设的多个第一网络的网络属性数据，根据所述网络属性数据和所述主观权重值确定各所述第一网络与理想网络的相似度，进而根据所述网络属性数据和所述相似度构建训练数据集；
[0012]将所述训练数据集输入到预先构建的决策树模型进行训练，得到训练好的网络选择模型；
[0013]获取多个候选网络的实时网络属性，将所述实时网络属性输入到所述网络选择模型，进而根据模型输出进行网络自适应选择。
[0014]进一步地，在本专利技术的一个实施例中，所述确定用户终端对不同网络属性的主观
权重值这一步骤，其具体包括：
[0015]根据服务类型和网络属性建立成对比较矩阵，所述成对比较矩阵中的元素用于表征两种网络属性的重要程度的比值；
[0016]根据所述成对比较矩阵计算各所述网络属性的第一权重；
[0017]根据所述第一权重计算所述成对比较矩阵的一致性比率，当所述一致性比率小于等于预设的第一阈值，确定所述第一权重为所述主观权重值，当所述一致性比率大于预设的第一阈值，调整所述成对比较矩阵中的元素直至一致性比率小于等于所述第一阈值。
[0018]进一步地，在本专利技术的一个实施例中，所述网络属性数据包括可用速率、峰值速率、包时延、包抖动、包丢失以及每比特费用。
[0019]进一步地，在本专利技术的一个实施例中，所述根据所述网络属性数据和所述主观权重值确定各所述第一网络与理想网络的相似度，进而根据所述网络属性数据和所述相似度构建训练数据集这一步骤，其具体包括：
[0020]根据所述网络属性数据构建初始决策矩阵，所述初始决策矩阵中的元素用于表征不同第一网络的不同网络属性的数值；
[0021]对所述初始决策矩阵进行规范化处理，得到规范决策矩阵；
[0022]根据所述规范决策矩阵和所述主观权重值确定加权决策矩阵；
[0023]根据所述加权决策矩阵确定理想网络，并确定各所述第一网络与所述理想网络的相似度；
[0024]根据所述相似度确定各所述第一网络的优先级标签，进而根据所述网络属性数据和所述优先级标签构建训练数据集。
[0025]进一步地，在本专利技术的一个实施例中，所述网络自适应选择方法还包括预先构建决策树模型的步骤，其具体包括：
[0026]根据所述网络属性确定特征集；
[0027]通过最大信息熵增益法对所述特征集进行分支特征选择，确定多个划分特征和对应的划分点；
[0028]根据所述划分特征和所述划分点构建决策树模型。
[0029]进一步地，在本专利技术的一个实施例中，所述将所述训练数据集输入到预先构建的决策树模型进行训练这一步骤，其具体包括：
[0030]确定所述决策树模型的根节点的各个网络属性的信息熵，并选择信息熵最大的网络属性作为第一最佳划分特征；
[0031]根据所述第一最佳划分特征将所述训练数据集中的网络属性数据划分到下一层的各个节点；
[0032]确定所述决策树模型的内部节点的第二最佳划分特征，根据所述第二最佳划分特征对所述训练数据集中的网络属性数据再次进行划分，直至所有网络属性均选择完，生成对应的叶节点，所述叶节点用于表征网络优先级。
[0033]进一步地，在本专利技术的一个实施例中，所述获取多个候选网络的实时网络属性，将所述实时网络属性输入到所述网络选择模型，进而根据模型输出进行网络自适应选择这一步骤，其具体为：
[0034]确定多个候选网络，并获取所述候选网络的实时网络属性；
[0035]将所述实时网络属性输入到所述网络选择模型，自所述网络选择模型的根节点开始从上往下进行网络属性数值的大小比较，直至得到各所述候选网络的网络优先级；
[0036]根据所述网络优先级从所述候选网络中选取出最佳网络，并接入所述最佳网络。
[0037]第二方面，本专利技术实施例提供了一种基于决策树的网络自适应选择系统，包括：
[0038]主观权重值确定模块，用于确定用户终端对不同网络属性的主观权重值；
[0039]训练数据集构建模型，用于获取预设的多个第一网络的网络属性数据，根据所述网络属性数据和所述主观权重值确定各所述第一网络与理想网络的相似度，进而根据所述网络属性数据和所述相似度构建训练数据集；
[0040]模型训练模块，用于将所述训练数据集输入到预先构建的决策树模型进行训练，得到训练好的网络选择模型；
[0041]网络选择模块，用于获取多个候选网络的实时网络属性，将所述实时网络属性输入到所述网络选择模型，进而根据模型输出进行网络自适应选择。
[0042]第三方面，本专利技术实施例提供了一种基于决策树的网络自适应选择装置，包括：
[0043]至少一个处理器；
[0044]至少一个存储器，用于存储至少一个程序；
[0045]当所述至少一个程序被所述至少一个处理器执行时，使得所述至少一个处理器实现上述的一种基于决策树的网络自适应选择方法。
[0046本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于决策树的网络自适应选择方法，其特征在于，包括以下步骤：确定用户终端对不同网络属性的主观权重值；获取预设的多个第一网络的网络属性数据，根据所述网络属性数据和所述主观权重值确定各所述第一网络与理想网络的相似度，进而根据所述网络属性数据和所述相似度构建训练数据集；将所述训练数据集输入到预先构建的决策树模型进行训练，得到训练好的网络选择模型；获取多个候选网络的实时网络属性，将所述实时网络属性输入到所述网络选择模型，进而根据模型输出进行网络自适应选择。2.根据权利要求1所述的一种基于决策树的网络自适应选择方法，其特征在于，所述确定用户终端对不同网络属性的主观权重值这一步骤，其具体包括：根据服务类型和网络属性建立成对比较矩阵，所述成对比较矩阵中的元素用于表征两种网络属性的重要程度的比值；根据所述成对比较矩阵计算各所述网络属性的第一权重；根据所述第一权重计算所述成对比较矩阵的一致性比率，当所述一致性比率小于等于预设的第一阈值，确定所述第一权重为所述主观权重值，当所述一致性比率大于预设的第一阈值，调整所述成对比较矩阵中的元素直至一致性比率小于等于所述第一阈值。3.根据权利要求1所述的一种基于决策树的网络自适应选择方法，其特征在于，所述网络属性数据包括可用速率、峰值速率、包时延、包抖动、包丢失以及每比特费用。4.根据权利要求1所述的一种基于决策树的网络自适应选择方法，其特征在于，所述根据所述网络属性数据和所述主观权重值确定各所述第一网络与理想网络的相似度，进而根据所述网络属性数据和所述相似度构建训练数据集这一步骤，其具体包括：根据所述网络属性数据构建初始决策矩阵，所述初始决策矩阵中的元素用于表征不同第一网络的不同网络属性的数值；对所述初始决策矩阵进行规范化处理，得到规范决策矩阵；根据所述规范决策矩阵和所述主观权重值确定加权决策矩阵；根据所述加权决策矩阵确定理想网络，并确定各所述第一网络与所述理想网络的相似度；根据所述相似度确定各所述第一网络的优先级标签，进而根据所述网络属性数据和所述优先级标签构建训练数据集。5.根据权利要求1至4中任一项所述的一种基于决策树的网络自适应选择方法，其特征在于，所述网络自适应选择方法还包括预先构建决策树模型的步骤，其具体包括：根据所述网络属性确定特征集；通过最大信息熵增益法对所述特征集进行分支特征选择，确定多个划分特征和对应的划分点；根据所述划分特征...
【专利技术属性】
技术研发人员：孙麟，王世杰，丁霞，朱明，
申请(专利权)人：天翼物联科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。