[发明专利]一种网络用户行为预测的方法和装置

说明书

技术领域

本发明涉及通信网络业务管理及监控领域，特别是一种网络用户行为预测的方法和装置。

背景技术

现有技术中的网络用户行为预测方法是采用一种基于BP(Back Propagation)神经网络的方法来预测用户行为。但是，这种BP神经网络方法的训练方法较为复杂，本质上为梯度下降法，算法容易陷入局部极值，且效率不高。BP网络的预测能力(泛化能力)与训练能力(逼近能力)存在矛盾，会出现“过拟合现象”。因此，这种基于BP神经网络的用户行为预测方法不能充分学习网络用户行为分布的规律，对网络用户行为预测存在一定的片面性。另一方面，BP神经网络的学习算法的易实现性、预测精度、容错能力等性能指标都不如基于复杂网络的回声状态神经网络预测方法，不适合直接应用于网络用户行为的预测中。

发明内容

本发明实施例提供一种实现网络用户行为预测的方法和装置，通过UBMS获得网络用户使用的业务信息，产生用户行为分布数据集以及训练数据集，再根据设定的参数集构建一个基于复杂网络的回声状态神经网络预测模型，利用训练数据集训练预测模型，最后利用训练好的预测模型对网络用户行为分布进行预测，满足通信网络业务监控及管理领域对把握用户行为规律的要求，提高业务监控和管理效率。

本发明实施例公开了一种实现网络资源选择的方法，包括：确定预测模型相应的参数集；根据网络用户使用的业务信息与用户类别划分标准，获得网络用户行为分布的数据集，对获得的用户行为分布数据集进行数据预处理，得到训练数据集；再根据所确定的参数集构建一个基于复杂网络的回声状态神经网络预测模型；利用训练数据集对该预测模型进行训练，经计算得到预测模型的输出权重，调整预测模型的输入，预测模型将给出相应的预测结果。

本发明实施例还公开了一种实现网络资源选择的装置，包括：参数集设定单元，用于设定用户行为分布数据集的参数集、训练数据集特征、预测模型的参数集；数据集获取及预处理单元，用于获取用户行为分布数据集以及将其预处理成训练用数据集；预测模型单元，用于在根据参数集设置单元所确定的预测模型参数集建立一个基于复杂网络的回声状态神经网络预测模型，以及完成预测模型的训练、预测功能。

从上述本发明的实施例可以看出，本发明实施例利用层次分析方法，综合确定预测模型参数集中的相应参数，合理地建立了网络用户使用的业务信息与用户行为类别的对应关系。同时，本发明实施例中的预测模型采用了基于复杂网络的回声状态神经网络方法对网络用户行为分布的规律进行学习与预测，解决了现有网络用户行为预测方法的实现难度大、效率低、训练复杂、容错能力低、鲁棒性不强、预测精度不理想等局限性，满足了通信网络业务监控与管理领域对网络用户行为规律把握的期望，能够提高通信网络业务监控与管理的效率。

附图说明

图1为本发明实现网络用户行为预测方法的一个实施例流程图；

图2为本发明实现网络用户行为预测方法的另一个实施例流程图；

图3为本发明获得训练数据集方法的流程图；

图4为本发明构建基于WS复杂网络预测模型方法的流程图；

图5为本发明构建基于BA复杂网络预测模型方法的流程图；

图6为本发明构建基于MSB复杂网络预测模型方法的流程图；

图7为本发明训练预测模型方法的流程图；

图8为本发明利用预测模型进行预测的流程图；

图9为本发明实现网络用户行为预测的装置的一个实施例结构图。

具体实施方式

下面结合附图对本发明实施例进行详细描述。

请参阅图1，为本发明实现网络用户行为预测方法的一个实施例流程图，包括以下步骤：

步骤101：确定预测模型相应的参数集；

步骤102：确定网络用户行为训练数据集；

步骤103：根据确定的参数集建立神经网络预测模型的层次结构，建立输入权重矩阵、反馈权重矩阵、动态池内部连接权重矩阵；

步骤104：利用训练数据集对该预测模型进行训练，经计算得到预测模型的输出权重矩阵，调整预测模型的输入，该预测模型将给出相应的预测结果。

请参阅图2，为本发明实现网络用户行为预测方法的另一个实施例流程图，包括以下步骤：