[发明专利]一种基于循环神经网络模型RNN的预测网络质量的方法和装置

权利要求书

1.一种基于循环神经网络模型RNN的预测网络质量的方法，其特征在于，包括：

基于与网络性能相关的网络参数数据，通过向量化处理所述网络性能相关的网络参数数据，得到序列化的向量样本数据；

基于所述向量样本数据，通过梯度下降的方法训练向量前向传递模型，所述向量前向传递模型用于根据实时获取的网络参数数据生成网络质量预测结果；

所述网络参数数据包括：网络设备负荷参数、网络用户数量、网络告警数量、网络单板负荷参数；

所述基于所述向量样本数据，通过梯度下降的方法训练向量前向传递模型，包括：基于所述向量样本数据以及所述向量样本数据对应的网络参数数据的权重，通过梯度下降的方法训练向量前向传递模型，各网络参数数据的权重从高到低依次为网络用户数量、网络告警数量、网络单板负荷参数、网络设备负荷参数。

2.如权利要求1所述的方法，其特征在于，在基于与网络性能相关的网络参数数据，通过向量化处理所述网络性能相关的网络参数数据，得到序列化的向量样本数据之前，还包括：

以预设时间为间隔，采集多个所述网络参数数据；

根据所述多个网络参数数据生成基于时间的离散的网络参数数据。

3.如权利要求2所述的方法，其特征在于，所述基于与网络性能相关的网络参数数据，通过向量化处理所述网络性能相关的网络参数数据，得到序列化的向量样本数据，包括：

根据预设处理规则，通过流式实时分布式计算系统处理所述基于时间的离散的网络参数数据，得到基于时间的连续的网络参数数据；

基于特征值方程Av＝λv对所述基于时间的连续的网络参数数据进行处理，得到序列化的向量样本数据，其中，A为所述基于时间的连续的网络参数数据，λ为网络特征向量在基向量上的投影，v为A的特征向量。

4.如权利要求3所述的方法，其特征在于，所述基于所述向量样本数据，通过梯度下降的方法训练向量前向传递模型，包括：

建立循环神经网络模型h^t＝f(h^λν(t-1),x^t；θ)；

基于所述向量样本数据和所述循环神经网络模型建立最小化似然函数模型

通过梯度下降的方法训练所述最小化似然函数模型得到所述向量前向传递模型。

5.如权利要求4所述的方法，其特征在于，所述通过梯度下降的方法训练所述最小化似然函数模型得到所述向量前向传递模型，包括：

建立参数梯度模型，所述参数梯度模型包括以下至少一项：

第一参数梯度模型

第二参数梯度模型

第三参数梯度模型

第四参数梯度模型

第五参数梯度模型

根据所述参数梯度模型训练所述最小化似然函数得到所述向量前向传递模型

6.如权利要求1～3任一项所述的方法，其特征在于，在基于所述向量样本数据，通过梯度下降的方法训练向量前向传递模型之后，还包括：

根据网络参数数据和所述向量前向传递模型生成网络质量预测结果；

根据所述网络质量预测结果调整与网络性能相关的网络设备。

7.一种基于循环神经网络模型RNN的预测网络质量的装置，其特征在于，包括：

处理模块，基于与网络性能相关的网络参数数据，通过向量化处理所述网络性能相关的网络参数数据，得到序列化的向量样本数据；

训练模块，基于所述向量样本数据，通过梯度下降的方法训练向量前向传递模型，所述向量前向传递模型用于根据实时获取的网络参数数据生成网络质量预测结果；

所述网络参数数据包括：

网络设备负荷参数、网络用户数量、网络告警数量、网络单板负荷参数；

所述训练模块，具体用于：基于所述向量样本数据以及所述向量样本数据对应的网络参数数据的权重，通过梯度下降的方法训练向量前向传递模型，各网络参数数据的权重从高到低依次为网络用户数量、网络告警数量、网络单板负荷参数、网络设备负荷参数。