【技术实现步骤摘要】
本专利技术涉及电力通信领域，尤其是一种基于qoe(quality of experience，用户体验质量)的电力通信网业务损失估计方法。
技术介绍
1、传统的电力通信网业务损失估计方法存在一些明显的缺点。首先，传统方法通常依赖于静态的模型和规则，这些模型难以适应电力通信网中不断变化的环境和业务需求,需要一种可以根据实际数据和反馈进行动态调整，从而更好地适应不断变化的条件。
2、其次，传统方法常常需要手动设置参数和规则，这可能导致主观性和不一致性，使得估计结果的可靠性受到质疑。需要一种方法采用自动化的超参数优化和模型调整，减少人为干预的需求，提高估计的准确性和稳定性。
3、此外，传统方法通常需要大量的训练数据来建立准确的模型，而在某些情况下，数据可能会受限或昂贵。无法更好地利用有限的数据，不能通过共享和更新参数来实现在小样本数据下的模型优化，从而降低了业务损失估计的可行性和效率。
技术实现思路
1、本专利技术涉及一种业务损失估计方法，具体说可以是一种利用元化学习技术的基于qoe的电力通信网业务损失估计方法。专利技术人认为，元化学习方法可以通过模拟电力通信网的运行环境，自主学习和优化网络运营策略。它可以不断地适应不同的情境和变化，提高系统的适应性和稳定性。同时，元化学习方法能够处理大规模、高维度的数据，可以更好地捕捉潜在的业务损失因素，以及它们之间的复杂关系。此外，通过使用学习算法，可以实现实时决策和自动化反应，从而减少了人为干预的需要，提高了业务损失判断的效
2、本方法基于可量化的电力通信网风险概率和神经网络提出了元学习的业务损失估计模型，通过优化模型超参数降低人为调参带来的误差，在给定模型参数初始值后优化模型参数，允许优化器之间参数共享和更新，实现在小样本数据下的业务损失估计模型优化。
3、本专利技术实施例提供了如下技术方案：
4、步骤a，收集电力通信网中单路径业务，完全双业务，部分双路径业务这三种业务分别在电力通信网中的占比，以及这三种业务中的不同网络元素在对应的业务路径中占比的数据。
5、步骤b，基于故障概率评估不同网络元素的风险值，计算每个业务路径的损失风险值。
6、步骤c，建立不同业务在电力通信网中的业务权重，将风险值，网络配置，业务占比映射到共享的特征空间，建立数据内在联系，得到qoe公式。
7、步骤d，建立用于预测qoe值的模型，首先建立基于元学习的lstm模型，划分数据为训练集、测试集和验证集，再利用贝叶斯优化算法对lstm模型进行微调。
8、步骤e，建立元学习机制，元学习训练过程中，用训练集训练元学习器，使得lstm神经网络优化器在测试集中得到较好的效果，最终建立基于qoe的业务损失估计模型。
9、与现有技术相比，上述技术方案具有以下特点：
10、引入元学习方法相较于传统的业务损失判断方法具有明显的优势。首先，元学习能够自主学习和适应，不需要依赖静态规则或事前设定的阈值。这意味着它可以更好地适应电力通信网运营环境中的不断变化，包括天气条件、硬件故障、网络攻击等因素，从而提高了业务的稳定性和可靠性。其次，元学习方法可以处理大规模和高维度的数据，能够更全面地捕捉潜在的业务损失因素，包括复杂的因果关系和交互效应。最重要的是，它可以实现实时决策和自动化反应，减少了人为干预的需要，提高了业务损失判断的效率和准确性。因此可知，本申请引入元学习方法能够在电力通信网运营中更好地应对多变的情况，降低业务中断和损失的风险，从而为电力供应的稳定性和可持续性提供了有力的支持。
本文档来自技高网...【技术保护点】
1.一种基于QoE的电力通信网业务损失估计方法，其特征在于，包括如下步骤：
【技术特征摘要】
1.一种基于qoe的电力通信网业务损失...
【专利技术属性】
技术研发人员：史金茂，程金宏，刘继君，安凯月，贝玥，王立威，赵学成，张跃，
申请(专利权)人：内蒙古电力集团有限责任公司信息通信分公司，
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。