[发明专利]一种基于多尺度圆形卷积神经网络的业务质量预测方法

说明书

本发明提供一种基于多尺度圆形卷积神经网络的业务质量预测方法，包括生成业务感知样本训练集D⁰，还包括以下步骤：初始化数据参数；构造输入层的输入样本D；计算卷积层输出H¹；计算全连接层输出H²；计算输出层输出；计算输出层损失、窗参W³和b³的梯度；计算L2全连接层损失窗参数W²和b²的梯度；计算L1卷积层损失窗参数W¹和b¹的梯度；更新窗参数；构造未知样本输入矩阵D'；进行业务质量标记结果的预测。本发明提出的基于多尺度圆形卷积神经网络的业务质量预测方法，根据海量的用户业务感知历史数据，对用户在特定场景下的业务体验好坏做出预测和预警。

技术领域

本发明涉及移动互联网业务质量预测的技术领域，特别是一种基于多尺度圆形卷积神经网络的业务质量预测方法。

背景技术

移动网络用户在使用OTT业务(如网页浏览，视频播放等)过程中，其业务体验的好坏一般可用一套KQI(关键质量指标)指标进行评价，比如网页打开时延、下载速率等。这种体验的好坏受多种因素的影响，包括终端质量、使用业务时所处位置的移动网络质量、APP质量、SP网站服务器集群的带宽和负荷等。

电信运营商作为各类业务的传输通道提供方和业务体验保障的关键环节，需要尽可能保障用户的业务体验，否则可能导致用户投诉甚至离网。

目前一般是电信运营商的网络运维和优化部门通过日常的网络优化作业来保障网络质量，但网络质量与用户的业务体验之间仍然存在较大的差异，好的网络质量并不一定能保障良好的业务体验(由于业务体验是受前述的众多因素的综合作用)。客服部门只有在接到用户投诉时才发现业务体验的问题，再去协调网络运维和优化部门去排查问题和解决，往往很被动。

如果能在日常的网络运营中持续监测用户的业务体验，并根据海量的用户业务感知历史数据(不同场景下的业务感知指标的好坏)，对用户在特定场景下的业务体验好坏做出预测和预警，则有助于及早发现业务体验问题并及时采取相关措施进行改善，并有效降低投诉率和离网率。

公开号为CN110049129A的发明专利申请公开了一种基于特征选择的移动互联网业务质量预测方法，该方法的实现过程如下：步骤S1：构造训练样本集；步骤S2：计算特征权值；步骤S3：构造训练样本的k近邻样本集；步骤S4：计算先验概率和归一化频数矩阵；步骤S5：构造未知样本的k近邻样本集；步骤S6：计算未知样本的同标记统计；步骤S7：计算未知样本的似然概率；步骤S8：估计未知样本的标记值。该方法的缺点是当未知样本的近邻样本正负例标记平衡时的预测准确率较低。

发明内容

为了解决上述的技术问题，本发明提出的基于多尺度圆形卷积神经网络的业务质量预测方法，根据海量的用户业务感知历史数据，对用户在特定场景下的业务体验好坏做出预测和预警。

本发明的目的是提供一种基于多尺度圆形卷积神经网络的业务质量预测方法，包括生成业务感知样本训练集D⁰，还包括以下步骤：

步骤01：初始化数据参数；

步骤02：构造输入层的输入样本D；

步骤03：计算卷积层输出H¹；

步骤04：计算全连接层输出H²；

步骤05：计算输出层输出；

步骤06：计算输出层损失、窗参W³和b³的梯度；

步骤07：计算L2全连接层损失窗参数W²和b²的梯度；