[发明专利]一种无线网络链路质量预测方法及系统

说明书

本发明公开了一种无线网络链路质量预测方法及系统，属于无线网络链路质量预测技术领域，包括以下步骤：S1：数据采集与预处理；S2：特征工程和构造样本标签；S3：模型训练；S4：预测无线网络链路质量。本发明搭建了无线网络链路质量的预测模型，能够较为高效地预测无线链路的质量，更快地发现业务应用感知无线链路状态，提前调整用户业务码率或者缓存设置，避免视频卡顿和缓冲时延，有效提升视频业务用户体验；提取无线链路时间序列数据中的多种特征，采用融合回归算法，从多个方面的影响因素分析预测无线链路的质量，更准确地反映无线网络链路的质量，分解预测结果开放给业务，将有助于业务侧的优化以实现用户体验跨层智能优化，提升用户业务感知。

技术领域

本发明涉及无线网络链路质量预测技术领域，具体涉及一种无线网络链路质量预测方法及系统。

背景技术

5G作为当前信息通信业发展的焦点，正在逐步部署和商用。5G业务应用场景将越来越多样，不同的场景有着差异化的业务需求。为了提升未来无线网络服务能力，为用户提供确定性的业务保障，需要网络具备从资源层到业务层的多维智能环境感知能力，达到网络和业务协同的用户体验跨层智能优化。而用户业务下行速率是影响用户视频业务体验的主要因素。实时预测用户下行速率能够帮助业务应用感知无线链路状态，提前调整用户业务码率或者缓存设置，避免视频卡顿和缓冲时延，有效提升视频业务用户体验。

而用户业务下行速率就是对用户的无线链路质量的衡量指标，对其进行预测，从而实现对网络质量故障或者异常的提前预警。无线网络在运行过程中会产生网络侧参数比如：上行信号与干扰加噪音比、MAC下行速率信息、下行PDCPSDU包总数量、下行调制与编码策略、基站下行PRB占用数量等。传统的无线网络质量预测是基于用户业务下行速率数据的历史采样值，采用时间序列算法对下一个时间点的数据进行预测，其缺点是预测效率低、预测结果的准确性较差、考虑的影响因素单一等。常规的做法有利用传统的时间序列算法ARIMA需要根据不同的时间序列确定模型的阶数，然后进行数据的拟合，面对用户数量庞大，其需要逐个定阶与拟合，预测效率低下。还有利用机器学习中回归树基于网络侧参数值进行预测，但是在时间连续性方面的特性容易忽略，效果也有所欠佳。因此其应用范围具有一定的局限性。为此，提出一种基于时序卷积神经网络和lightGBM算法相融合的无线网络链路质量预测方法及系统。

发明内容

本发明所要解决的技术问题在于：如何解决现有预测方法存在的预测效率低、只能捕捉数据的线性关系或者忽略时序特征等问题，提供了一种无线网络链路质量预测方法，搭建了用户业务下行速率数据的预测模型，能够较为高效地预测无线链路的运行质量，更快地发无线链路运行过程中出现的问题；提取无线链路时间序列数据中的多种特征，采用时序卷积神经网络和lightGBM算法相融合的方法，从多个方面的影响因素分析预测无线链路的质量，更准确地反映无线链路的运行质量，帮助运营商提前发现问题、解决问题，将有助于业务侧的优化以实现用户体验跨层智能优化，提升用户业务感知。

本发明是通过以下技术方案解决上述技术问题的，本发明包括以下步骤：

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。