网络切片业务体验预测方法、装置和设备与流程

技术特征：
1.一种网络切片业务体验预测方法，其特征在于，包括：获取第一网络切片的历史多维度属性值kpi及对应的历史平均意见分mos；将所述历史多维度属性值kpi及对应的历史平均意见分mos进行预处理；根据所述预处理后的历史多维度属性值kpi及对应的历史平均意见分mos对深度神经网络模型进行训练，输出训练后的权重值；获取第二网络切片的实时多维度属性值kpi及对应的实时平均意见分mos；将所述实时多维度属性值kpi及对应的实时平均意见分mos进行预处理；将所述训练后的权重值作为初始权重值重新构建所述深度神经网络模型；根据所述预处理后的实时多维度属性值kpi及对应的实时平均意见分mos对所述重新构建的深度神经网络模型进行训练后，对所述第二网络切片的业务体验进行预测。2.如权利要求1所述的方法，其特征在于，所述将历史多维度属性值kpi及对应的历史平均意见分mos进行预处理，包括：将所述历史多维度属性值kpi及对应的历史平均意见分mos进行归一化处理；并将归一化后的数据集划分为第一网络切片训练集和第一网络切片测试集；所述将实时多维度属性值kpi及对应的实时平均意见分mos进行预处理，包括：将所述实时多维度属性值kpi及对应的实时平均意见分mos进行归一化处理；并将归一化后的数据集划分为第二网络切片训练集和第二网络切片测试集。3.如权利要求2所述的方法，其特征在于，所述深度神经网络模型包括输入层、隐藏层和输出层；所述输入层用于输入第一网络切片训练集和第一网络切片测试集；所述隐藏层包括5个全连接层和5个丢弃层，其中所述全连接层中，第一和第二全连接层包含128个神经元；第三和第四全连接层包含64个神经元；所诉第五全连接层包含32个神经元；所述输出层用于输出业务体验预测结果。4.如权利要求3所述的方法，其特征在于，所述深度神经网络模型选择平均绝对值误差mse作为目标函数。5.如权利要求4所述的方法，其特征在于，所述丢弃层的丢弃概率为20％。6.如权利要求3所述的方法，其特征在于，所述将训练后的权重值作为初始权重值重新构建所述深度神经网络模型，包括：将所述训练后的权重值作为所述深度神经网络模型的第五个全连接层的初始权重值重新构建所述深度神经网络。7.如权利要求3所述的方法，其特征在于，所述根据预处理后的实时多维度属性值kpi及对应的实时平均意见分mos对所述重新构建的深度神经网络模型进行训练后，对所述第二网络切片的业务体验进行预测，包括：将所述第二网络切片训练集和第二网络切片测试集输入所述重新构建的深度神经网络进行训练；输出第二网络切片的预测平均意见分mos。8.一种网络切片业务体验预测装置，其特征在于，所述装置包括：第一网络切片历史数据获取模块：用于获取第一网络切片的历史多维度属性值kpi及
对应的历史平均意见分mos；第一网络切片历史数据预处理模块：用于将所述历史多维度属性值kpi及对应的历史平均意见分mos进行预处理；深度网络模型训练模块：用于根据所述预处理后的历史多维度属性值kpi及对应的历史平均意见分mos对深度神经网络模型进行训练，输出训练后的权重值；第二网络切片实时数据获取模块：用于获取第二网络切片的实时多维度属性值kpi及对应的实时平均意见分mos；第二网络切片实时数据预处理模块：用于将所述实时多维度属性值kpi及对应的实时平均意见分mos进行预处理；深度神经网络模型重建模块：用于将所述训练后的权重值作为初始权重值重新构建所述深度神经网络模型；业务体验预测模块：用于根据所述预处理后的实时多维度属性值kpi及对应的实时平均意见分mos对所述重新构建的深度神经网络模型进行训练后，对所述第二网络切片的业务体验进行预测。9.一种网络切片业务体验预测设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-7任意一项所述的网络切片业务体验预测方法。10.一种计算机可读存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令在网络切片业务体验预测设备上运行时，使得网络切片业务体验预测设备执行如权利要求1-7任意一项所述的网络切片业务体验预测方法。

技术总结
本发明实施例涉及无线通信技术领域，公开了一种网络切片业务体验预测方法、装置和设备，所述方法包括：获取第一网络切片的历史多维度属性值KPI及对应的历史平均意见分MOS；将历史多维度属性值KPI及对应的历史平均意见分MOS进行预处理；根据预处理后数据集对深度神经网络模型进行训练，输出训练后的权重值；获取第二网络切片的实时多维度属性值KPI及对应的实时平均意见分MOS；将实时多维度属性值KPI及对应的实时平均意见分MOS进行预处理；将训练后的权重值作为初始权重值重新构建深度神经网络模型；根据预处理后的数据集对重新构建的深度神经网络模型进行训练后，对第二网络切片的业务体验进行预测。通过上述方式，本发明实施例提高了网络切片业务体验预测的准确性。实施例提高了网络切片业务体验预测的准确性。实施例提高了网络切片业务体验预测的准确性。


技术研发人员：邢彪 张卷卷 陈维新 章淑敏 林乐轩 刘梦晗
受保护的技术使用者：中国移动通信集团有限公司
技术研发日：2020.04.14
技术公布日：2021/10/21