【技术实现步骤摘要】
本专利技术涉及无线通信，具体涉及一种poi网络质量预测方法及装置、计算设备及计算机存储介质。
技术介绍
1、目前在网络优化中一般是基于小区进行网络质量评估及预测，主要聚焦于小区问题进行处理，整体上优化策略过于片面，优化分析方案可能会陷入局部最优问题，无法形成综合、全面的评估结果，且涉及较多的网络kpi(key performance indicator)指标，导致小区网络综合质量评价体系较为庞杂且预测精度不高。
2、根据德尔菲(delphi)专家调查方法选取了影响无线网络的17项重要指标，如表1所示：
3、表1
4、
5、通过pca(principal components analysis)主成分分析方法，先将表1中的原始kpi数据矩阵进行标准化，再对其计算协方差矩阵，并求得协方差矩阵对应的m个非负特征值，将特征值按从大到小的顺序进行排列，若前p个主成分的累计贡献率达到90％以上时，则保留前p个主成分。如图9所示，通过pca算法降维后，原始17维kpi数据当主成分累计贡献率达到91.33％(大于90％)对应的主成分的数量为12维，压缩降维幅度约29.41％。pca降维效果如表2所示：
6、表2
7、 降维算法 累计贡献率>90％的主成分个数
8、根据pca算法降维后的数据再输入至bp神经网络模型并对预测的结果进行准确度评估，评估结果如表3所示：
9、表3
10、
11、基于bp神经网络3层经典模型得到小区网络质量预测准确度约为78.80％，实际应用中仍存在预测偏差问题，其准确度尚待提高。
12、目前现有技术的缺点主要包括以下几个方面：
13、第一，目前在网络优化中一般是基于小区进行网络质量评估及预测，主要聚焦于小区问题处理，整体优化策略过于片面，优化分析方案可能会陷入局部最优问题，无法形成综合、全面的评估结果。
14、第二，现有小区归属簇群主流方法为“人为锁定”的专家经验，即根据在gis地图上按照小区覆盖的经验值进行簇群划分，划分的结果与实际网络覆盖情况偏差较大，存在用户与网络分析“脱轨”问题。
15、第三，依据经典bp神经网络模型对小区级网络质量评估及预测，该算法的下列重要超参数：(1)神经网络输入层至隐藏层的权值wi；(2)隐藏层至输出层的权值wj；(3)隐藏层的阈值bi；(4)输出层的阈值bj，均是人为设置或是随机赋值，主要依赖于优化人员的经验、学识等主观因素，预测结果敏感度、准确度受超参数影响较大，为降低减少人为干预，需进行机器自适应bp神经网络模型超参数调优方面的研究。
技术实现思路
1、鉴于上述问题，提出了本专利技术以便提供一种克服上述poi网络质量预测准确度不高的问题的poi网络质量预测方法及装置、计算设备及计算机存储介质。
2、根据本专利技术的一个方面，提供了一种poi网络质量预测方法，包括：
3、根据小区mdt采样点数据，动态识别各个poi内所辖的至少一个主服小区；
4、针对任一poi，根据该poi内所辖的至少一个主服小区的网络指标样本数据，得到该poi的网络指标样本数据；以及，根据该poi的网络指标样本数据，对poi网络质量进行等级打标；
5、根据各个poi的网络指标样本数据和网络质量等级，训练得到poi网络质量预测模型；poi网络质量预测模型用于预测待预测poi的网络质量预测等级。
6、在一种可选的方式中，所述根据小区mdt采样点数据，动态识别各个poi内所辖的至少一个主服小区进一步包括：
7、采集各个小区mdt采样点数据和mr测量报告；
8、针对任一小区，得到该小区在其所覆盖的至少一个poi内的采样点贡献度；
9、根据各个小区在其所覆盖的至少一个poi内的采样点贡献度，动态识别各个poi内所辖的至少一个主服小区。
10、在一种可选的方式中，所述针对任一poi，根据该poi内所辖的至少一个主服小区的网络指标样本数据，得到该poi的网络指标样本数据进一步包括：
11、针对任一poi，将该poi内所辖的至少一个主服小区的网络指标样本数据进行汇聚，得到该poi的网络指标样本数据；
12、对所述poi的网络指标样本数据进行标准化处理；
13、所述根据该poi的网络指标样本数据，对poi网络质量进行等级打标进一步包括：
14、对经过标准化处理的poi的网络指标样本数据进行线性评价，得到poi网络质量的评价分数；
15、根据所述poi网络质量的评价分数，对poi网络质量进行等级打标。
16、在一种可选的方式中，所述根据各个poi的网络指标样本数据和网络质量等级，训练得到poi网络质量预测模型进一步包括：
17、对所述各个poi的网络指标样本数据进行压缩降维处理，得到所述poi网络质量预测模型的输入变量；
18、将所述网络质量等级作为输出结果，训练所述poi网络质量预测模型。
19、在一种可选的方式中，所述对所述各个poi的网络指标样本数据进行压缩降维处理，得到所述poi网络质量预测模型的输入变量进一步包括：
20、通过非线性核函数将所述各个poi的网络指标样本数据从低维空间向高维特征空间映射，得到核矩阵的特征值和特征向量；
21、根据所述poi的网络指标样本数据的映射数据在特征向量上的投影，得到非线性主成分；
22、根据所述特征值的累积贡献率对所述非线性主成分进行选取，得到所述poi网络质量预测模型的输入变量。
23、在一种可选的方式中，在所述训练得到poi网络质量预测模型之前，所述方法还包括：
24、选择bp神经网络作为所述poi网络质量预测模型；
25、将所述bp神经网络的预测误差作为种群个体的适应度值；
26、利用遗传算法通过选择、交叉、变异操作寻找最优的所述bp神经网络初始权值及阈值。
27、在一种可选的方式中，在训练得到poi网络质量预测模型之后，所述方法还包括：
28、将待预测poi的网络指标数据输入至所述poi网络质量预测模型中，得到所述待预测poi的网络质量预测等级。
29本文档来自技高网...
【技术保护点】
1.一种POI网络质量预测方法，其特征在于，包括：
2.根据权利要求1所述的POI网络质量预测方法，其特征在于，所述根据小区MDT采样点数据，动态识别各个POI内所辖的至少一个主服小区进一步包括：
3.根据权利要求1所述的POI网络质量预测方法，其特征在于，所述针对任一POI，根据该POI内所辖的至少一个主服小区的网络指标样本数据，得到该POI的网络指标样本数据进一步包括：
4.根据权利要求1所述的POI网络质量预测方法，其特征在于，所述根据各个POI的网络指标样本数据和网络质量等级，训练得到POI网络质量预测模型进一步包括：
5.根据权利要求1所述的POI网络质量预测方法，其特征在于，所述对所述各个POI的网络指标样本数据进行压缩降维处理，得到所述POI网络质量预测模型的输入变量进一步包括：
6.根据权利要求1所述的POI网络质量预测方法，其特征在于，在所述训练得到POI网络质量预测模型之前，所述方法还包括：
7.根据权利要求1所述的POI网络质量预测方法，其特征在于，在训练得到POI网络质量预测模型之后，
8.一种POI网络质量预测装置，其特征在于，包括：
9.一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
10.一种计算机存储介质，所述存储介质中存储有至少一个可执行指令，所述可执行指令使处理器执行如权利要求1-7中任一项所述的POI网络质量预测方法对应的操作。
...【技术特征摘要】
1.一种poi网络质量预测方法，其特征在于，包括：
2.根据权利要求1所述的poi网络质量预测方法，其特征在于，所述根据小区mdt采样点数据，动态识别各个poi内所辖的至少一个主服小区进一步包括：
3.根据权利要求1所述的poi网络质量预测方法，其特征在于，所述针对任一poi，根据该poi内所辖的至少一个主服小区的网络指标样本数据，得到该poi的网络指标样本数据进一步包括：
4.根据权利要求1所述的poi网络质量预测方法，其特征在于，所述根据各个poi的网络指标样本数据和网络质量等级，训练得到poi网络质量预测模型进一步包括：
5.根据权利要求1所述的poi网络质量预测方法，其特征在于，所述对所述各个poi的网络指标样本数据进行压缩降维处...
【专利技术属性】
技术研发人员：刘璐，杨丹，陈睿杰，李嘉，周熹，唐俊，蔡宗平，任定君，王鹏，
申请(专利权)人：中国移动通信集团设计院有限公司，
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。