一种高效的无线通信网络的用户体验速率预测方法

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。