[发明专利]KPI与QoE回归模型建立方法以及装置

说明书

本发明实施例公开了一种KPI与QoE回归模型建立方法以及装置。所述方法包括：获取电信业务事件的w个历史数据，并从所述w个历史数据中选择a个训练数据，其中，所述w个历史数据中的每个历史数据均包括KPI数据以及QoE数据；根据所述a个训练数据中的每个训练数据的QoE数据所属的QoE级别，将所述a个训练数据分成k个分组训练数据；使用所述k个分组训练数据分别对回归模型进行训练，从而获得k个训练回归模型，从所述k个训练回归模型中选择出最优训练回归模型，其中，w、a、k均为大于零的整数，w>a≥k。

技术领域

本发明涉及多媒体领域，尤其涉及一种KPI与QoE回归模型建立方法以及装置。

背景技术

随着电信服务的市场发展成为充分竞争的市场，提升客户的满意度已成为电信运营商保有自身客户以及吸引竞争对手客户的必由之路。客户的满意度可以使用客户感知体验(Quality of Experience，QoE)来表示。技术人员在长期实践中发现，客户感知体验主要受到关键性能指标(Key Performance Indicators，KPI)的影响。所以，可以为KPI和QoE之间建立一个回归模型。网络管理系统采集到电信业务事件的实时KPI数据之后，将电信业务事件的实时KPI数据输入到回归模型，就可以预测到电信业务事件的实时QoE。如果电信业务事件的实时QoE小于预设阈值，则发现QoE劣化，提出告警。

但是，现有技术的回归模型的准确度普遍不高，不能满足实际使用的需要。

发明内容

本发明实施例公开了一种KPI与QoE回归模型建立方法以及装置，能够提高KPI与QoE回归模型的准确度。

第一方面，提供了一种KPI与QoE回归模型建立方法。网络管理系统获取电信业务事件的w个历史数据，其中，所述w个历史数据中的每个历史数据均包括KPI数据以及QoE数据。然后，网络管理系统从所述w个历史数据中选择a个训练数据，根据所述a个训练数据中的每个训练数据的QoE数据所属的QoE级别，将所述a个训练数据分成k个分组训练数据。网络管理系统再使用所述k个分组训练数据分别对回归模型进行训练，从而获得k个训练回归模型，并从所述k个训练回归模型中选择出最优训练回归模型，其中，w、a、k均为大于零的整数，w>a≥k。

可以看出，上述技术方案中，将a个训练数据按照QoE级别分成k个分组训练数据，然后，再使用k个分组训练数据对回归模型进行训练从而获得k个训练回归模型。由于不同的QoE级别的训练数据会被划归到不同的分类，同一QoE级别的训练数据的之间的差异比较小，所以，训练出来的k个训练回归模型的准确性会比将所有训练数据同时对同一个回归模型进行训练得到的训练回归模型的准确性要高。而且，从k个训练回归模型中还再选择出一个最优的训练回归模型，能够进一步提高回归模型的准确度。

结合第一方面，第一方面的第一种可能的实施方式中，网络管理系统从所述w个历史数据中选择出b个验证数据，并使用所述b个验证数据分别对所述k个训练回归模型中的每个训练回归模型进行验证，以获得所述k个训练回归模型中的每个训练回归模型的验证结果。最后，网络管理系统根据所述k个训练回归模型中的每个训练回归模型的验证结果从所述k个训练回归模型选择出最优训练回归模型。其中，所述b个验证数据与所述a个训练数据分别属于不同的数据集合，即，所述a个训练数据属于集合A，所述b个训练数据属于集合B，集合A和集合B之间没有交集。

可以理解，在现有技术中，对回归模型的验证都是通过将回归模型放在现场中进行验证，即，将回归模型实际使用一段时间，以观察回归模型的效果。而在上述技术方案中，只需要从使用历史数据就可以完成对回归模型的验证，大大提高验证的便利性。