[发明专利]一种无线网络链路质量预测方法及系统

权利要求书

1.一种无线网络链路质量预测方法，其特征在于，包括以下步骤：

S1：数据采集与预处理

采集无线网络链路的网络侧参数和用户业务下行速率历史数据，并对数据进行预处理，生成无线网络链路质量的历史数据表；

S2：特征工程和构造样本标签

利用用户业务下行速率构造样本标签，并根据无线网络链路的网络侧参数历史数据进行特征工程，进行特征提取、构建和提取，生成包含每个用户的无线网络链路质量数据特征及标签的历史数据表；

S3：模型训练

根据特征工程输出带有标签的训练样本集，采取时序卷积神经网络和lightGBM算法相融合的算法训练模型，得到预测模型；

S4：预测无线网络链路质量

根据特征工程输出不带标签的测试样本集，使用预测模型对测试样本进行业务下行速率预测，并对模型进行评估。

2.根据权利要求1所述的一种无线网络链路质量预测方法，其特征在于：在所述步骤S1中，无线网络链路的网络侧参数包括数据采集时间、小区或用户标识、网络侧参数名和网络侧参数值数据。

3.根据权利要求1所述的一种无线网络链路质量预测方法，其特征在于：在所述步骤S1中，采集历史数据为采集待预测时刻前一段时间的无线网络链路网络侧参数和用户业务下行速率历史数据。

4.根据权利要求1所述的一种无线网络链路质量预测方法，其特征在于：所述步骤S1中的具体过程如下：

S11：先采集不同时间段的毫秒级的网络侧数据和用户下行速率数据；

S12：对数据进行数据异常值与空值处理，生成无线网络链路质量的历史数据表。

5.根据权利要求1所述的一种无线网络链路质量预测方法，其特征在于：在所述步骤S2中，特征工程是把原始数据转化为模型训练所用的数据集；特征工程依次包括特征选取、特征构建、特征提取三个步骤；所述特征选取为删除冗余或者不相干的特征；所述特征构建为在原始数据的基础上，通过人工构建新的特征；所述特征提取采取基于主成分分析和时间窗口映射的方式将原始数据转变为模型可识别的数据特征。

6.根据权利要求3所述的一种无线网络链路质量预测方法，其特征在于：在所述步骤S3中，训练模型的过程为将步骤S2生成的样本特征及标签数据表作为训练集，基于机器学习时序卷积神经网络和lightGBM算法相融合方法，构造无线网络链路质量数据预测模型，预测无线网络链路未来一段时间的质量数据。

7.根据权利要求6所述的一种无线网络链路质量预测方法，其特征在于：所述步骤S4中，预测无线网络链路质量数据具体包括以下过程：

S41：构造待预测无线网络链路质量数据的特征数据表；

S42：将待预测用户业务下行速率数据的特征数据表输入预测模型中，输出用户业务下行速率数据的预测结果。

8.根据权利要求7所述的一种无线网络链路质量预测方法，其特征在于：在所述步骤S41中，构造待预测无线网络链路质量数据的特征数据表的方式与步骤S2中的方式相同，但不设置样本标签。

9.根据权利要求1所述的一种无线网络链路质量预测方法，其特征在于：所述步骤S1至步骤S4为循环过程，采用一段周期的无线网络链路的网络侧参数数据和用户业务下行速率数据，搭建数据及进行特征工程，构建数据集，得到有标签的训练样本并训练模型，再利用训练的模型预测无标签的测试样本的用户业务下行速率，对模型进行评估。

10.一种无线链路质量预测系统，其特征在于，采用了如权利要求1～9任一项所述的预测方法对无线网络链路质量进行预测，包括：

采集与预处理模块，用于采集无线网络链路的网络侧参数和用户业务下行速率历史数据，并对数据进行预处理，生成无线网络链路质量的历史数据表；

标签和特征构造模块，用于利用用户业务下行速率构造样本标签，并根据无线网络链路的网络侧参数历史数据进行特征工程，进行特征提取、构建和提取，生成包含每个用户的无线网络链路质量数据特征及标签的历史数据表；

模型训练模块，用于根据特征工程输出带有标签的训练样本集，采取时序卷积神经网络和lightGBM算法相融合的算法训练模型，得到预测模型；

质量预测模块，用于根据特征工程输出不带标签的测试样本集，使用预测模型对测试样本进行业务下行速率预测，并对模型进行评估；

中央处理模块，用于向各模块发出指令，完成相关动作；

所述采集与预处理模块、标签和特征构造模块、模型训练模块、质量预测模块均与中央处理模块电连接。