[发明专利]一种基于决策树算法的小区感知识别方法及装置

说明书

本发明公开一种基于决策树算法的小区感知识别方法及系统，采集不同小区8忙时无线感知KQI数据作为数据集；对采集的小区数据进行数据清洗；对清洗过后的小区数据使用门限规则打标签；将打过标签的小区数据集划分为训练集与测试集；使用训练集和决策树算法训练一个决策树模型；使用测试集对训练好的决策树模型进行评估；根据小区8忙时无线感知KQI数据、训练好的决策树模型和判定规则识别小区一天的感知好坏。本发明使用决策树算法实现了对小区一天感知情况的识别，对制定网络优化策略，提升小区的感知能力有着重要意义。

技术领域

本发明属于移动通信技术领域，具体涉及一种基于决策树算法的小区感知识别方法及装置。

背景技术

随着移动通信网络的迅速发展，小区的网络服务质量已经逐渐成为通信运营商核心竞争力的关键因素。小区的网络服务质量与用户的实际感知体验息息相关，而用户的实际感知体验直接影响着用户对运营商的满意度和忠诚度，其中感知差的小区甚至会直接导致用户选择离网。因此，对于感知差的小区需要实时识别出来，以便及时地进行优化，改善其网络服务质量，提升用户满意度，从而增强通信运营商在市场中的核心竞争力。

发明内容

为实现对小区的感知度进行识别这个问题，本发明提供一种基于决策树算法的小区感知识别方法及装置，对通信运营商制定网络优化策略，提升小区的感知能力有重大意义。

本发明的技术方案为：一种基于决策树算法的小区感知识别方法，包括如下步骤：

将打过标签的小区数据集划分为训练集与测试集；使用训练集训练决策树模型，使用测试集对决策树模型进行评估，得到训练好的决策树模型；所述打过标签的小区数据集为对清洗过后的小区8忙时无线感知KQI数据集使用门限规则打标签后得到的数据集；

根据待识别小区8忙时无线感知KQI数据、训练好的决策树模型和判定规则识别小区一天的感知好坏。

前述的一种基于决策树算法的小区感知识别方法，其特征在于：所述清洗过后的小区8忙时无线感知KQI数据集为将小区8忙时无线感知KQI数据集中含有缺失值的整条数据记录进行删除后得到的数据集。

前述的一种基于决策树算法的小区感知识别方法，其特征在于：所述的门限规则是指当前忙时数据记录中有两个及以上的指标超过设定的门限，则将该条数据记录打上标签1，否则打上标签0。

前述的一种基于决策树算法的小区感知识别方法，其特征在于：所述的标签1代表当前忙时小区感知差，标签0代表当前忙时小区感知好。

前述的一种基于决策树算法的小区感知识别方法，其特征在于：所述的决策树模型是基于基尼指数对无线感知KQI指标进行选择，基尼指数的公式及解释如下：

其中，Gini(p)表示基尼指数，K表示数据集样本中的类别数，p_k表示样本点属于第k个类别的概率。

前述的一种基于决策树算法的小区感知识别方法，其特征在于：所述的判定规则是小区8忙时无线感知KQI数据中有大于等于预设忙时值的数据被决策树模型识别为感知差，那么此小区当天就被判定为感知差，否则被判定为感知好。

一种基于决策树算法的小区感知识别装置，其特征在于，包括：

决策树模型训练模块，用于将打过标签的小区数据集划分为训练集与测试集，使用训练集训练决策树模型，使用测试集对决策树模型进行评估，得到训练好的决策树模型；所述打过标签的小区数据集为对清洗过后的小区8忙时无线感知KQI数据集使用门限规则打标签后得到的数据集；

小区感知识别模块，用于根据待识别小区8忙时无线感知KQI数据、训练好的决策树模型和判定规则识别小区一天的感知好坏。