本發(fā)明涉及無線，尤其是指一種問題小區(qū)質(zhì)量優(yōu)化方案推薦方法、裝置、設(shè)備及計(jì)算機(jī)存儲介質(zhì)。

背景技術(shù)：

1、當(dāng)前的移動(dòng)通信網(wǎng)絡(luò)客戶數(shù)量多、業(yè)務(wù)豐富、網(wǎng)絡(luò)規(guī)模大，如何提高網(wǎng)絡(luò)運(yùn)維質(zhì)量及效率，并且降低運(yùn)營成本，是運(yùn)營商急需解決的難題。在無線網(wǎng)絡(luò)運(yùn)維優(yōu)化工作中，基本仍由人來查詢數(shù)據(jù)并制定優(yōu)化方案，效率較低，過于依賴優(yōu)化人員的經(jīng)驗(yàn)，特別當(dāng)存在有多種可用的優(yōu)化方案的時(shí)(例如針對越區(qū)弱覆蓋的問題，存在鄰區(qū)關(guān)系調(diào)整、鄰區(qū)參數(shù)調(diào)整、權(quán)值優(yōu)化等多種優(yōu)化手段)，采用何種優(yōu)化方案，只能憑借人工經(jīng)驗(yàn)進(jìn)行判斷，缺乏可量化的的評判標(biāo)準(zhǔn)；另外，優(yōu)化人員的能力和經(jīng)驗(yàn)參差不齊，導(dǎo)致輸出的優(yōu)化方案質(zhì)量無法滿足網(wǎng)絡(luò)運(yùn)維工作要求。

2、在無線網(wǎng)絡(luò)質(zhì)量問題優(yōu)化方案制定過程中，從特定質(zhì)量問題小區(qū)的根因出發(fā)，對于人工經(jīng)驗(yàn)確定優(yōu)化的算法，問題小區(qū)的質(zhì)量優(yōu)化方案很容易從歷史數(shù)據(jù)中頻繁出現(xiàn)的小區(qū)特征和問題根因組合中歸納出來。但如果僅僅依賴歷史數(shù)據(jù)，對于一些從未或者很少出現(xiàn)的特征組合，就無法準(zhǔn)確的推薦較為合適的優(yōu)化方案，從而影響問題小區(qū)的網(wǎng)絡(luò)運(yùn)維質(zhì)量及效率。

技術(shù)實(shí)現(xiàn)思路

1、為此，本發(fā)明所要解決的技術(shù)問題在于克服現(xiàn)有技術(shù)中輸出的優(yōu)化方案質(zhì)量無法滿足網(wǎng)絡(luò)運(yùn)維工作要求的問題。

2、為解決上述技術(shù)問題，本發(fā)明提供了一種問題小區(qū)質(zhì)量優(yōu)化方案推薦方法，包括：

3、獲取歷史數(shù)據(jù)，根據(jù)小區(qū)id將小區(qū)參數(shù)特征、問題根因特征和任意優(yōu)化方案特征進(jìn)行拼接作為樣本特征，將方案是否通過評估作為所述樣本特征的標(biāo)簽，得到訓(xùn)練數(shù)據(jù)集；

4、對所述樣本特征中的離散型特征進(jìn)行嵌入處理，對所述樣本特征中的連續(xù)型特征進(jìn)行歸一化處理，對處理后的離散型特征和連續(xù)型特征進(jìn)行拼接作為多層感知機(jī)模型的輸入；

5、統(tǒng)計(jì)所述歷史數(shù)據(jù)中基礎(chǔ)特征具體特征值出現(xiàn)的頻次，選取n組出現(xiàn)頻次最高的特征值組合作為高頻特征組合，并對這些高頻特征組合進(jìn)行特征交叉轉(zhuǎn)換，得到特征交叉轉(zhuǎn)換特征；

6、將多層感知機(jī)模型的輸出和所述特征交叉轉(zhuǎn)換特征作為邏輯回歸模型的輸入，將方案是否通過評估作為邏輯回歸模型的輸出，利用所述訓(xùn)練集數(shù)據(jù)對多層感知機(jī)模型和邏輯回歸模型進(jìn)行訓(xùn)練，得到優(yōu)化方案推薦模型；

7、利用所述優(yōu)化方案推薦模型進(jìn)行問題小區(qū)質(zhì)量優(yōu)化方案推薦。

8、優(yōu)選地，所述獲取歷史數(shù)據(jù)后還包括：

9、根據(jù)無線網(wǎng)絡(luò)的結(jié)構(gòu)、參數(shù)和指標(biāo)進(jìn)行分類，得到無線網(wǎng)絡(luò)網(wǎng)元特征；

10、獲取無線網(wǎng)絡(luò)網(wǎng)元特征，并根據(jù)特征屬性將所述無線網(wǎng)絡(luò)網(wǎng)元特征分為屬性特征、結(jié)構(gòu)特征、小區(qū)參數(shù)特征、鄰小區(qū)參數(shù)特征和問題根因特征，根據(jù)特征類型將所述無線網(wǎng)絡(luò)網(wǎng)元特征分為離散型特征和連續(xù)型特征。

11、優(yōu)選地，所述對所述樣本特征中的離散型特征進(jìn)行嵌入處理包括：

12、將稀疏高維的離散型特征符串轉(zhuǎn)化為密集低維的實(shí)值向量，得到詞嵌入矩陣。

13、優(yōu)選地，所述對所述樣本特征中的連續(xù)型特征進(jìn)行歸一化處理包括：

14、將所述連續(xù)型特征劃分為多個(gè)離散區(qū)間，并根據(jù)劃分結(jié)果對所述連續(xù)型特征進(jìn)行歸一化處理。

15、優(yōu)選地，所述訓(xùn)練為聯(lián)合訓(xùn)練。

16、優(yōu)選地，所述利用所述訓(xùn)練集數(shù)據(jù)對多層感知機(jī)模型和邏輯回歸模型進(jìn)行訓(xùn)練包括：

17、分多次從所述訓(xùn)練集數(shù)據(jù)中隨機(jī)不重復(fù)地選取小批量數(shù)據(jù)，并使用梯度去迭代更新權(quán)重向量，直至損失函數(shù)收斂。

18、優(yōu)選地，所述利用所述優(yōu)化方案推薦模型進(jìn)行問題小區(qū)質(zhì)量優(yōu)化方案推薦包括：

19、收集待評估小區(qū)的歷史優(yōu)化方案數(shù)據(jù)，并根據(jù)問題根因去重，得到優(yōu)化方案字典庫；

20、將所述優(yōu)化方案字典庫中的待評估小區(qū)參數(shù)特征、任意優(yōu)化方案特征和其對應(yīng)的問題根因特征輸入所述優(yōu)化方案推薦模型中，得到該優(yōu)化方案的推薦分?jǐn)?shù)。

21、本發(fā)明還提供了一種問題小區(qū)質(zhì)量優(yōu)化方案推薦裝置，包括：

22、訓(xùn)練數(shù)據(jù)集獲取模塊，用于獲取歷史數(shù)據(jù)，根據(jù)小區(qū)id將小區(qū)參數(shù)特征、問題根因特征和任意優(yōu)化方案特征進(jìn)行拼接作為樣本特征，將方案是否通過評估作為所述樣本特征的標(biāo)簽，得到訓(xùn)練數(shù)據(jù)集；

23、特征預(yù)處理模塊，用于對所述樣本特征中的離散型特征進(jìn)行嵌入處理，對所述樣本特征中的連續(xù)型特征進(jìn)行歸一化處理，對處理后的離散型特征和連續(xù)型特征進(jìn)行拼接作為多層感知機(jī)模型的輸入；

24、特征交叉轉(zhuǎn)換模塊，用于統(tǒng)計(jì)所述歷史數(shù)據(jù)中基礎(chǔ)特征具體特征值出現(xiàn)的頻次，選取n組出現(xiàn)頻次最高的特征值組合作為高頻特征組合，并對這些高頻特征組合進(jìn)行特征交叉轉(zhuǎn)換，得到特征交叉轉(zhuǎn)換特征；

25、模型訓(xùn)練模塊，用于將多層感知機(jī)模型的輸出和所述特征交叉轉(zhuǎn)換特征作為邏輯回歸模型的輸入，將方案是否通過評估作為邏輯回歸模型的輸出，利用所述訓(xùn)練集數(shù)據(jù)對多層感知機(jī)模型和邏輯回歸模型進(jìn)行訓(xùn)練，得到優(yōu)化方案推薦模型；

26、優(yōu)化方案推薦模塊，用于利用所述優(yōu)化方案推薦模型進(jìn)行問題小區(qū)質(zhì)量優(yōu)化方案推薦。

27、本發(fā)明還提供了一種問題小區(qū)質(zhì)量優(yōu)化方案推薦設(shè)備，包括：

28、存儲器，用于存儲計(jì)算機(jī)程序；

29、處理器，用于執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)上述一種問題小區(qū)質(zhì)量優(yōu)化方案推薦方法步驟。

30、本發(fā)明還提供了一種計(jì)算機(jī)可讀存儲介質(zhì)，所述計(jì)算機(jī)可讀存儲介質(zhì)上存儲有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述一種問題小區(qū)質(zhì)量優(yōu)化方案推薦方法的步驟。

31、本發(fā)明的上述技術(shù)方案相比現(xiàn)有技術(shù)具有以下優(yōu)點(diǎn)：

32、本發(fā)明所述的問題小區(qū)質(zhì)量優(yōu)化方案推薦方法，在多層感知機(jī)mlp模型部分，對離散型特征進(jìn)行嵌入embedding處理，對連續(xù)型特征劃分區(qū)間之后進(jìn)行歸一化處理，在邏輯回歸模型部分，對高頻特征組合進(jìn)行交叉特征轉(zhuǎn)換，將邏輯回歸模型和mlp模型結(jié)合起來進(jìn)行聯(lián)合訓(xùn)練，兼顧了對歷史數(shù)據(jù)的“記憶”能力和對新數(shù)據(jù)的“擴(kuò)展”能力，提高模型的準(zhǔn)確性和泛化能力；本發(fā)明既實(shí)現(xiàn)了對歷史數(shù)據(jù)相關(guān)性的“記憶”能力，又能探索歷史數(shù)據(jù)中從未或很少出現(xiàn)的模式，從而提高的推薦的多樣性。實(shí)現(xiàn)問題小區(qū)優(yōu)化方案推薦，將待選優(yōu)化方案進(jìn)行打分排序，作為問題小區(qū)選擇優(yōu)化方案的依據(jù)，提高了優(yōu)化方案適配度，從而提高問題小區(qū)的網(wǎng)絡(luò)運(yùn)維質(zhì)量。

技術(shù)特征：

1.一種問題小區(qū)質(zhì)量優(yōu)化方案推薦方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的問題小區(qū)質(zhì)量優(yōu)化方案推薦方法，其特征在于，所述獲取歷史數(shù)據(jù)后還包括：

3.根據(jù)權(quán)利要求1所述的問題小區(qū)質(zhì)量優(yōu)化方案推薦方法，其特征在于，所述對所述樣本特征中的離散型特征進(jìn)行嵌入處理包括：

4.根據(jù)權(quán)利要求1所述的問題小區(qū)質(zhì)量優(yōu)化方案推薦方法，其特征在于，所述對所述樣本特征中的連續(xù)型特征進(jìn)行歸一化處理包括：

5.根據(jù)權(quán)利要求1所述的問題小區(qū)質(zhì)量優(yōu)化方案推薦方法，其特征在于，所述訓(xùn)練為聯(lián)合訓(xùn)練。

6.根據(jù)權(quán)利要求1所述的問題小區(qū)質(zhì)量優(yōu)化方案推薦方法，其特征在于，所述利用所述訓(xùn)練集數(shù)據(jù)對多層感知機(jī)模型和邏輯回歸模型進(jìn)行訓(xùn)練包括：

7.根據(jù)權(quán)利要求1所述的問題小區(qū)質(zhì)量優(yōu)化方案推薦方法，其特征在于，所述利用所述優(yōu)化方案推薦模型進(jìn)行問題小區(qū)質(zhì)量優(yōu)化方案推薦包括：

8.一種問題小區(qū)質(zhì)量優(yōu)化方案推薦裝置，其特征在于，包括：

9.一種問題小區(qū)質(zhì)量優(yōu)化方案推薦設(shè)備，其特征在于，包括：

10.一種計(jì)算機(jī)可讀存儲介質(zhì)，其特征在于，所述計(jì)算機(jī)可讀存儲介質(zhì)上存儲有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1至7任一項(xiàng)所述一種問題小區(qū)質(zhì)量優(yōu)化方案推薦方法的步驟。

技術(shù)總結(jié)
本發(fā)明涉及無線技術(shù)領(lǐng)域，尤其是指一種問題小區(qū)質(zhì)量優(yōu)化方案推薦方法、裝置、設(shè)備及計(jì)算機(jī)存儲介質(zhì)。本發(fā)明所述的問題小區(qū)質(zhì)量優(yōu)化方案推薦方法，在多層感知機(jī)mlp模型部分，對離散型特征進(jìn)行嵌入embedding處理，對連續(xù)型特征劃分區(qū)間之后進(jìn)行歸一化處理，在邏輯回歸模型部分，對高頻特征組合進(jìn)行交叉特征轉(zhuǎn)換，將邏輯回歸模型和mlp模型結(jié)合起來進(jìn)行聯(lián)合訓(xùn)練，兼顧了對歷史數(shù)據(jù)的“記憶”能力和對新數(shù)據(jù)的“擴(kuò)展”能力，提高模型的準(zhǔn)確性和泛化能力，從而提高的推薦的多樣性，將待選優(yōu)化方案進(jìn)行打分排序，作為問題小區(qū)選擇優(yōu)化方案的依據(jù)，提高了優(yōu)化方案適配度，從而提高問題小區(qū)的網(wǎng)絡(luò)運(yùn)維質(zhì)量。

技術(shù)研發(fā)人員：田夢晗,趙永紅,何佳諭,劉洋,王亞韜,陸南昌,陸慶杭,劉大洋,吳寶棟,劉吉寧
受保護(hù)的技術(shù)使用者：中國移動(dòng)通信集團(tuán)廣東有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/10/21