一种高效的无线通信网络的用户体验速率预测方法
文献发布时间:2024-04-18 20:00:50
技术领域
本发明属于通信技术领域,涉及一种高效的无线通信网络的用户体验速率预测方法。本发明可应用于无线通信网络的智能运维和优化。
背景技术
无线通信网络是利用无线通信技术、通信设备、通信标准和协议等组成的通信网络,在该网络中通信终端能够接入网络并依赖该网络进行相互通信。近些年信息通信领域中,发展最快、应用最广的就是无线通信技术。5G无线通信技术的典型场景涉及未来人们居住、工作、休闲和交通等各种区域,特别是密集住宅区、办公室、露天集会、高铁、地铁和广域覆盖等场景。在这些场景中,必须考虑虚拟现实、超高清视频、云存储、智能家居、车联网、OTT消息等5G典型业务。结合各场景未来可能的用户分布、各类业务占比及对速率、时延的要求,ITU-R组织统一并确定了5G无线通信技术的性能指标,包括用户体验速率、用户峰值速率、移动性、端到端的时延、连接密度、业务密度、平均频谱效率和能耗效率。用户体验速率是指在真实网络环境下用户可获得的最低传输速率,反映了用户业务的真实体验,实现对用户体验速率的预测,可以有针对性地解决用户体验的不足之处。目前,现有技术中由于用户体验速率的数据采集费时费力,且样本量有限,没有对用户体验速率进行预测的相关技术。
发明内容
本发明的目的在于克服上述现有技术存在的缺陷,提出了一种高效的无线通信网络的用户体验速率预测方法,能够实现对用户体验速率的预测。
为实现上述目的,本发明采取的技术方案包括如下步骤:
(1)获取训练样本集和测试样本集:
(1a)获取经过缺失值剔除和异常值剔除的M个用户的调度相关信息S
(1b)通过每个用户的体验速率tv
(2)构建随机森林模型:
构建包括H个并行排列的决策树,以及与所有决策树顺次连接的算术平均模块的随机森林模型F,每个决策树f
(3)对随机森林模型进行第一次训练:
(3a)初始化随机森林模型包含的最大的决策树个数为H^,H^≥1000,H=50;
(3b)将训练样本集X
(3c)采用均方误差损失函数,并通过
(3d)判断H≥H^是否成立,若是,对保存的L
(4)筛选特征:
利用第一次训练好的随机森林模型F
(5)对随机森林模型进行第二次训练:
(5a)初始化随机森林模型包含最大的决策树个数为H^,H^≥1000,并令H1=50,其中,H1为随机森林模型进行第二次训练包含的决策树个数;
(5b)选取训练样本集X
(6)获取用户体验速率的预测结果:
将测试样本集X
本发明与现有技术相比,具有以下优点:
(1)本发明通过利用第一次训练好的随机森林模型,评估了用户的调度相关信息的Q维特征的重要程度,能够实现筛选对无线通信网络的用户体验速率敏感性较高,最能影响和反映用户体验速率的特征集合。
(2)本发明通过第二次训练好的随机森林模型,在保证测试集准确度没有降低的前提下,根据特征集合能够实现智能地预测用户体验速率,提高了预测用户体验速率的效率,并为用户体验的问题提供了依据,可以有针对性地解决用户体验的不足之处,为无线通信网络的优化工作提供思路。
附图说明
图1为本发明的实现流程图。
具体实施方式
下面结合附图和具体实施例,对本发明作进一步详细描述。
参照图1,本发明包括如下步骤:
步骤1,获取训练样本集和测试样本集:
步骤1a)获取经过缺失值剔除和异常值剔除的M个用户的调度相关信息S
步骤1b)通过每个用户的体验速率tv
步骤2,构建随机森林模型:
构建包括H个并行排列的决策树,以及与所有决策树顺次连接的算术平均模块的随机森林模型F,每个决策树f
步骤3,对随机森林模型进行第一次训练:
步骤3a)初始化随机森林模型包含的最大的决策树个数为H^,本实施例H^=1000,H=50;
步骤3b)将训练样本集X
步骤3c)采用均方误差损失函数,并通过
步骤3d)判断H≥H^是否成立,若是,对保存的L
步骤4,筛选特征:
利用第一次训练好的随机森林模型F
步骤5,对随机森林模型进行第二次训练:
步骤5a)初始化随机森林模型包含最大的决策树个数为H^,H^=1000,并令H1=50,其中,H1为随机森林模型进行第二次训练的决策树个数;
步骤5b)选取训练样本集X
步骤6,获取用户体验速率的预测结果:
将测试样本集X
下面结合仿真结果,对本发明的技术效果作进一步说明:
1.实验条件和内容:
本发明的仿真实验的硬件平台为:处理器为AMD R7 4800H CPU,主频为2.9G,内存16GB。
本发明的仿真实验的软件平台为:Windows 10操作系统和python 3.6。
本发明仿真实验所使用的数据集为用户的调度相关信息,用户的调度相关信息包括UE功率余量,上行SRS的RSRP,不同用户的移动状态,RANK值等调度相关信息。
2.实验结果分析:
本发明预测的用户体验速率效果如表1所示。
表1
结合表1,本发明筛选了每个用户的调度相关信息的15维特征组成特征集合,在保证测试集准确度没有降低的前提下,提高了预测用户体验速率的效率。
- 冰箱搁架的护板、冰箱搁架组件以及冰箱
- 冰箱搁架的护板、冰箱搁架组件以及冰箱