一种小区网络优化方法及装置与流程

1.本发明属于通信网络优化领域，尤其涉及一种小区网络优化方法及装置。


背景技术：

2.随着科技发展，通信网络在各领域的应用越来越广泛，人们在使用过程中，有时会因为网络存在各种问题，降低用户体验。所以，为了提升用户体验，需要对网络进行优化。
3.现有的网络优化技术方案，是采用统一的优化策略对全网的所有小区进行统一优化。因而，该优化方案针对不同小区采用相同的每个性能指标的劣化门限和优化策略。
4.由于不同小区的网络问题可能不同，现有全网的优化方式不一定可以解决每个小区网络存在的问题，不完全适用于各个小区。


技术实现要素：

5.本发明实施例提供一种小区网络优化方法和装置，有利于优化人员确定每个小区类存在的网络问题，进而有针对性的解决现网络存在的问题。
6.第一方面，本发明实施例提供一种小区网络优化方法，该方法包括：
7.获取多个小区的网络特征数据，网络特征数据包括至少两个网络性能指标的特征数据；
8.对多个小区的网络特征数据进行多次处理，逐次得到k个目标小区，k大于1且k为整数；
9.分别以k个目标小区为聚类中心，对多个小区进行聚类分析，得到k个类簇；
10.针对每个类簇分别执行以下步骤：根据类簇下的网络性能指标确定类簇下的关键网络性能指标；根据关键网络性能指标，对类簇采用与关键网络性能指标相对应的小区网络优化策略对类簇下的小区的网络进行优化；
11.其中，第一目标小区为多个小区中的任意一小区；第二目标小区为第一小区集合中与第一目标小区之间的相似性最小的小区，第一小区集合中的小区为多个小区中除第一目标小区以外的小区；
12.第i目标小区为第二小区集合中与前i-1个目标小区的相似性均值最小的小区，i大于2，i小于或等于k，第二小区集合中的小区为多个小区中除前i个目标小区以外的小区。
13.在一种可能的实现方式中，获取小区的网络特征数据之后，对多个小区的网络特征数据进行多次处理，逐次得到k个目标小区之前，还包括：
14.对网络特征数据进行预处理，得到预处理后的网络特征数据；
15.对网络特征数据进行预处理，得到预处理后的网络特征数据，包括以下至少一项：
16.将网络特征数据中的特殊字符设置为空，并将网络特征数据中量纲不一致的数据归一化处理；
17.剔除网络特征数据中的异常值；
18.删除网络特征数据中缺失率高的网络特征数据，插补网络特征数据中缺失率低的
网络特征数据；
19.对多个小区的网络特征数据进行多次处理，逐次得到k个目标小区，具体包括：
20.对预处理后的网络特征数据进行多次处理，逐次得到k个目标小区。
21.在一种可能的实现方式中，对多个小区的网络特征数据进行多次处理，逐次得到k个目标小区，包括：
22.计算第一小区集合中的小区与第一目标小区之间的相似性；
23.将第一小区集合中与第一目标小区的相似性最小的小区确定为第二目标小区；
24.针对第二小区集合中的每个小区分别执行以下操作：计算小区分别与前i-1个目标小区的第一相似性；计算第一相似性的均值，得到第一均值；将第一均值最小的小区确定为第i目标小区。
25.在一种可能的实现方式中，计算第一小区集合中的小区与第一目标小区之间的相似性，具体包括：
26.根据万有引力聚类ug-kmeans算法计算第一小区集合中的小区与第一目标小区之间的引力，引力用于表征第一小区集合与第一目标小区之间的相似性；
27.将第一小区集合中与第一目标小区的相似性最小的小区确定为第二目标小区，具体包括：
28.将第一小区集合中与第一目标小区的引力最小的小区确定为第二目标小区，引力表征第一小区集合与第一目标小区之间的相似性；
29.针对第二小区集合中的每个小区分别执行以下操作：计算小区分别与前i-1个目标小区的第一相似性；计算第一相似性的均值，得到第一均值；将第一均值最小的小区确定为第i目标小区，具体包括：
30.根据ug-kmeans算法计算小区分别与前i-1个目标小区之间的第一引力，第一引力用于表征第二小区集合与第一目标小区之间的第一相似性；计算第一引力的均值，得到第一均值；将第一均值最小的小区确定为第i目标小区。
31.在一种可能的实现方式中，分别以k个目标小区为聚类中心，对多个小区进行聚类分析，得到k个类簇，包括：
32.分别以k个目标小区为聚类中心，对多个小区通过多次迭代聚类分析，得到k个类簇；
33.每次迭代聚类分析，包括：
34.计算第三小区集合中的目标小区与每个聚类中心的相似性；
35.将目标小区归属到相似性最大的聚类中心所对应的类簇下；
36.从第三小区集合中删除目标小区，得到更新后的第三小区集合；
37.第三小区集合为多个小区中未归属到类簇下的小区组成的集合，目标小区为第三小区集合中的任意一个小区；
38.在一种可能的实现方式中，根据类簇下的网络性能指标确定类簇下的关键网络性能指标，包括：
39.根据类簇下的网络性能指标的特征数据计算类簇下的网络性能指标的重要度；
40.将类簇下的重要度最高的网络性能指标确定为类簇的关键网络性能指标。
41.在一种可能的实现方式中，根据类簇下的网络性能指标的特征数据计算类簇下的
网络性能指标的重要度，具体包括：
42.对k个类簇分别执行以下操作：
43.根据极端梯度提升xgboost算法和网络性能指标的特征数据计算类簇下的多个小区的每个网络性能指标的分数；
44.计算每个网络性能指标的分数在所有网络性能指标的总分数中的占比，占比表征每个网络性能指标的重要度；
45.将类簇下的重要度最高的网络性能指标确定为类簇的关键网络性能指标，具体包括：
46.将类簇下的占比最高的网络性能指标确定为类簇的关键网络性能指标。
47.第二方面，本发明实施例提供了一种小区网络优化装置，该装置包括：
48.获取模块，用于获取多个小区的网络特征数据，网络特征数据包括至少两个网络性能指标的特征数据；
49.处理模块，用于对多个小区的网络特征数据进行多次处理，逐次得到k个目标小区，k大于1且k为整数；
50.分析模块，用于分别以k个目标小区为聚类中心，对多个小区进行聚类分析，得到k个类簇；
51.确定模块，用于根据每个类簇下的网络性能指标确定类簇下的关键网络性能指标；
52.优化模块，用于根据关键网络性能指标，对每个类簇采用与关键网络性能指标相对应的小区网络优化策略对类簇下的小区的网络进行优化；
53.其中，第一目标小区为多个小区中的任意一小区；第二目标小区为第一小区集合中与第一目标小区之间的相似性最小的小区，第一小区集合中的小区为多个小区中除第一目标小区以外的小区；
54.第i目标小区为第二小区集合中与前i-1个目标小区的相似性均值最小的小区，i大于2，i小于或等于k，第二小区集合中的小区为多个小区中除前i个目标小区以外的小区。
55.第三方面，本发明实施例提供了一种小区网络优化设备，该设备包括：处理器，以及存储有计算机程序指令的存储器；
56.处理器读取并执行计算机程序指令，以实现如第一方面或者第一方面的任一可能实现方式中的方法。
57.第四方面，本发明实施例提供了一种计算机存储介质，该计算机存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现如第一方面或者第一方面的任一可能实现方式中的方法。
58.本发明的实施例提供的技术方案至少带来以下有益效果：
59.本发明通过对多个小区的网络特征数据进行多次处理，得到k个目标小区，将多个小区中k个目标小区以外的小区进行聚类分析得到以k个目标小区为聚类中心的k个类簇，并根据每个类簇的网络性能指标确定每个类簇的关键网络性能指标，优化人员针对每个类簇的关键网络性能指标确定每个类簇下的小区存在的网络问题，并给出相应的网络优化解决方案，进而可以有针对性地解决多个小区存在的网络问题。
附图说明
60.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单的介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
61.图1是本发明实施例提供的一种小区网络优化方法的流程示意图；
62.图2是本发明实施例提供的获取目标小区的流程示意图；
63.图3是本发明实施例提供的根据ug-kmeans算法获取目标小区的流程示意图；
64.图4是本发明实施例提供的以目标小区为聚类中心形成类簇的流程示意图；
65.图5是本发明实施例提供的获取每个类簇的关键性能指标的流程示意图；
66.图6是本发明实施例提供的根据xgboost算法获取每个类簇的关键性能指标的流程示意图；
67.图7是本发明实施例提供的xgboost算法的一个树函数示意图；
68.图8是本发明实施例提供的一种类簇网络性能指标重要度的示意图；
69.图9是本发明实施例提供的一种小区网络优化装置的示意图；
70.图10是本发明实施例提供的电子设备的结构示意图。
具体实施方式
71.下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本发明，而不是限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
72.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
73.随着科技发展，通信网络在各领域的应用越来越广泛，人们在使用过程中，有时会因为网络存在各种问题，降低用户体验。所以，为了提升用户体验，需要对网络进行优化。
74.现有的网络优化技术方案，是采用统一的优化策略对全网的所有小区进行统一优化。因而，该优化方案针对不同小区采用相同的每个性能指标的劣化门限和优化策略。
75.由于不同小区的网络问题可能不同，现有全网的优化方式不一定可以解决每个小区网络存在的问题，不完全适用于各个小区。
76.基于上述问题，本发明实施例提供一种小区网络优化方法和装置，有利于优化人员确定每个小区类存在的网络问题，进而有针对性的解决现网络存在的问题。
77.下面将结合图1至图10对本发明实施例所提供的小区网络优化方法、装置、设备、计算机存储介质进行介绍。
78.为了使得本发明描述更容易理解，下面先对本发明实施例中的名词进行解释。
79.在本发明实施例中，目标小区为多个小区中其中一个小区，第一目标小区为在多个小区中的随机选择的一个小区，第一小区集合中的小区为多个小区中除第一目标小区以外的小区，第二目标小区为第一小区集合中与第一目标小区之间的相似性最小的小区。
80.应理解，第i目标小区为第二小区集合中与前i-1个目标小区的相似性均值最小的小区，i大于2，i小于或等于k，第二小区集合中的小区为多个小区中除前i个目标小区以外的小区，i小于或等于k。
81.应理解，第三小区集合为多个小区中未归属到类簇下的小区组成的集合。
82.下面将结合图1详细阐述本发明一个实施例提供的小区网络优化方法。如图1所示，该方法可以包括以下步骤：
83.110，获取多个小区的网络特征数据。
84.120，对多个小区的网络特征数据进行多次处理，逐次得到k个目标小区。
85.130，分别以k个目标小区为聚类中心，对多个小区进行聚类分析，得到k个类簇。
86.140，根据类簇下的网络性能指标确定每个类簇下的关键网络性能指标。
87.150，根据每个类簇下的关键网络性能指标，对每个类簇采用与关键网络性能指标相应的小区网络优化策略对类簇下的小区的网络进行优化。
88.上述步骤的具体实施方式将在下文进行详细描述。
89.本发明实施例通过对多个小区的网络特征数据进行多次处理，得到k个目标小区，将多个小区中k个目标小区以外的小区进行聚类分析得到以k个目标小区为聚类中心的k个类簇，并根据每个类簇的网络特征数据确定每个类簇的关键网络特征，优化人员针对每个类簇的关键网络特征确定每个类簇下的小区存在的网络问题，并给出相应的网络优化解决方案，进而可以有针对性地解决多个小区存在的网络问题。
90.下面介绍上述各个步骤得具体实施方式。
91.步骤110，获取多个小区的网络特征数据。
92.本发明实施例中的网络特征数据包括至少两个网络性能指标的特征数据。
93.本发明实施例中的网络特征数据包括的网络性能指标可以是关键质量指标(key quality indicator，kqi)中的指标、厂家关键性能指标(key performance indicator，kpi)中的指标或测量报告mr(measurement report，mr)平台中统计的指标。举例说明，网络特征数据的指标可以是在上述指标中选取的3000个指标，网络特征数据的数据量可以是在全网小区中随机选择12万个小区10天的数据，数据采集的频率可以是每个小区1小时采集一条记录，则数据量为120000*10*24＝28800000条。
94.在本发明的一个实施例中，在步骤110获取多个小区的网络特征数据后，对多个小区的网络特征数据进行预处理，包括以下至少一项：
95.将网络特征数据中的特殊字符设置为空，具体地，将网络特征数据中包含的“#n/a”、“#value！”、“nil”以及“/0”等特殊字符设置为空；将网络特征数据中量纲不一致的数据归一化处理，具体地，将网络特征数据进行标准化使量纲统一在0～1之间。
96.剔除网络特征数据中的异常值，异常值是指样本中的特殊值，其数值明显偏离所属样本的绝大部分观测值。
97.具体地，利用箱线法异常检测算法来剔除异常值。其基本原理是位于箱子外部的
值皆为异常值，其中边界值上限和下限的计算如公式(1)所示：
98.上限＝q3 3*iqr
99.下限＝q1-3*iqr
ꢀꢀꢀ
(1)
100.其中，q3表示上四分位数，q1表示下四分位数，iqr＝q3-q1。
101.删除网络特征数据中缺失率高的网络特征数据，插补网络特征数据中缺失率低的网络特征数据。
102.具体地，对部分高缺失率的(例如缺失率大于80％)特征可考虑删除；当各特征缺失值相对较少时，可以使用均值插补法。
103.将步骤110获取的网络特征数据根据上述的方法进行预处理，得到预处理后的网络特征数据，可以提高网络特征数据的质量，也可以提高根据网络特征数据建模的效率。
104.获取网络特征数据后，执行步骤120。
105.120，对多个小区的网络特征数据进行多次处理，逐次得到k个目标小区。
106.下面将结合图2详细阐述步骤120对多个小区的网络特征数据进行多次处理，得到k个目标小区的方法，如图2所示的得到目标小区的流程图，包括以下步骤：
107.210，计算第一小区集合中的小区与第一目标小区之间的相似性。
108.第一目标小区可以是在多个小区中随机选取的一个小区，第一小区集合中的小区是多个小区中除第一目标小区以外的小区，根据多个小区中的小区的网络特征数据计算第一小区集合中的小区与第一目标小区之间的相似性。
109.得到了第一目标小区、第一小区集合，还得到第一目标小区与第一小区集合中的小区之间的相似性。
110.220，将第一小区集合中与第一目标小区的相似性最小的小区确定为第二目标小区。
111.比较步骤210中得到的第一小区集合中的小区与第一目标小区之间的相似性，将第一小区集合中与第一目标小区的相似性最小的小区确定为第二目标小区。
112.230，计算第二集合小区中的每个小区分别与前i-1个目标小区的第一相似性。
113.第二小区集合中的小区是多个目标小区中除前i-1个目标小区以外的小区。
114.根据多个小区中的小区的网络特征数据计算第二小区集合中的小区与前i个目标小区之间和的第一相似性。
115.i小于或等于k，且i为整数。
116.240，计算第一相似性的均值，得到第二小区集合中的每个小区的第一均值；
117.250，将第一均值最小的小区确定为第i目标小区。
118.举例说明，当k＝4时，在多个小区中随机选择一个小区作为第一目标小区。
119.根据多个小区中的小区的网络特征数据，计算第一小区集合中的小区与第一目标小区之间的相似性，比较第一小区集合中的小区与第一目标小区之间的相似性，将第一小区集合中与第一目标小区的相似性最小的小区确定为第二目标小区。
120.根据多个小区中的小区的网络特征数据，分别计算第二小区集合中的小区与第一目标小区和第二目标小区之间的相似性，得到了第一相似性，也就是说，第一相似性包括第二小区集合中任一小区与第一目标小区的相似性以及与第二目标小区的相似性，计算第二小区集合中每个小区的第一相似性的均值，得到第一均值，比较第二小区集合中每个小区
的第一均值，将第一均值最小的小区确定为第三目标小区。
121.得到第三目标小区后，第二小区集合中的小区更新为除前3个目标小区以外的小区。
122.根据多个小区中的小区的网络特征数据，分别计算第二小区集合中的小区与第一目标小区、第二目标小区和第三目标小区之间的相似性，得到了更新后的第一相似性，也就是说，更新后的第一相似性包括第二小区集合中任一小区与第一目标小区的相似性、与第二目标小区的相似性以及第三目标小区的相似性，计算第二小区集合中每个小区的第一相似性的均值，得到第一均值，比较第二小区集合中每个小区的第一均值，将第一均值最小的小区确定为第四目标小区。
123.本发明实施例根据多个小区中的小区的网络特征数据得到了满足预设条件的k个目标小区，为将多个小区分为k个类簇提供了依据。
124.上面结合图2的流程图阐述了得到k个目标小区的过程。在本发明的一个实施例中，可以根据万有引力聚类算法(universal gravitation k-means，ug-kmeans)得到k个目标小区。
125.下面将结合图3根据ug-kmeans算法获取目标小区的流程示意图，详细阐述根据ug-kmeans算法得到k个目标小区的方法。
126.为了便于理解本实施例，下面阐述ug-kmeans算法的原理。
127.欧氏距离是目前运用最常见和最简单的一种求解两点之间的距离的计算公式，又称为欧几里得距离，例如点称为欧几里得距离，例如点其中d表示其中的多个小区的特征维度数，xi与xj的距离的计算公式(2)如下所示：
[0128][0129]
万有引力是描述物体与物体之间的相互作用的，任意两个质点有通过连心线方向上的力相互吸引，该引力大小与它们质量的乘积成正比与它们距离的平方成反比，与两物体的化学组成和其间介质种类无关，其公式如下公式(3)所示：
[0130][0131]
其中，f表示两个物体之间的引力，g表示万有引力常量，m和m表示两个物体的质量，r表示两个物体之间的直线距离。
[0132]
在kmeans聚类算法中需要人为初始化定义聚类中心和类簇的个数，这两个因素都会对最终的聚类结果产生影响，将万有引力的原理运用到kmeans聚类算法中，下面将详细阐述改进后的ug-kmeans聚类算法的原理具体实现方法。
[0133]
在ug-kmeans算法中，引力表征相似性，若引力越大，代表这两个小区相似性越大，就越有可能为同一个类簇，若将每个小区当作一个质点来进行处理，那么其质量都为1，这样不能体现小区间质量的差异性，所以无实际的意义。若信息熵越大，则说明小区不确定性越大，则其信息量越大，故我们使用信息熵来重新定义各个样小区的质量，如公式(4)所示：
[0134]
[0135]
其中，p(xi)表示随机变量发生的概率。
[0136]
结合万有引力的原理，我们可以用两个小区之间的万有引力f(xi,xj)来表征两个小区的相似性，其计算公式如公式(5)所示：
[0137][0138]
上面介绍了ug-kmeans算法的原理，下面结合图3详细阐述根据ug-kmeans算法得到k个目标小区的过程。
[0139]
如图3所示的根据ug-kmeans算法获取目标小区的流程示意图，包括以下步骤：
[0140]
310，根据ug-kmeans算法计算第一小区集合中的小区与第一目标小区之间的引力。
[0141]
320，将第一小区集合中与第一目标小区的引力最小的小区确定为第二目标小区。
[0142]
330，计算第二小区集合中的每个小区分别与前i-2个目标小区的第一引力。
[0143]
340，计算所述第一引力的均值，得到第二小区集合中的每个小区的第一均值。
[0144]
350，将第一均值最小的小区确定为第i个目标小区。
[0145]
其中i小于或等于k。
[0146]
举例说明，当k＝4时，根据ug-kmeans算法得到了k个目标小区的方法如下。
[0147]
在多个小区中随机选择一个小区作为第一目标小区。
[0148]
根据多个小区中的小区的网络特征数据计算每个小区的质量mi和第一小区集合中每个小区与第一目标小区的距离d。
[0149]
根据多个小区中的小区的网络特征数据，计算第一小区集合中的小区与第一目标小区之间的引力，比较第一小区集合中的小区与第一目标小区之间的引力，将第一小区集合中与第一目标小区的引力最小的小区确定为第二目标小区。
[0150]
根据多个小区中的小区的网络特征数据，分别计算第二小区集合与第一目标小区和第二目标小区之间的引力，得到了第一引力，也就是说，第一引力包括第二小区集合中每个小区与第一目标小区的引力以及与第二目标小区的引力。计算第二小区集合中每个小区的第一引力的均值，也就是说，计算第二小区集合中每个小区与第一目标小区的引力以及与第二目标小区的引力的均值，得到每个小区的第一均值，比较第二小区集合中每个小区的第一均值，将第一均值最小的小区确定为第三目标小区。
[0151]
得到第三目标小区后，第二小区集合中的小区更新为除前3个目标小区以外的小区。
[0152]
根据多个小区中的小区的网络特征数据，分别计算第二小区集合与第一目标小区、第二目标小区和第三目标小区之间的引力，得到了更新后的第一引力，也就是说，第一引力包括第二小区集合中每个小区与第一目标小区的引力、与第二目标小区的引力以及第三目标小区的引力。计算第二小区集合中每个小区的第一引力的均值，也就是说，计算第二小区集合中每个小区与第一目标小区的引力、与第二目标小区的引力以及与第三目标小区的引力的均值，得到每个小区的第一均值，比较第二小区集合中每个小区的第一均值，将第一均值最小的小区确定为第四目标小区。
[0153]
本发明实施例根据ug-kmeans算法得到了k个目标小区，为将多个小区分为k个类
簇提供了依据。
[0154]
上面阐述了得到满足预设条件的k个目标小区的方法，下面结合图4详细阐述步骤130分别以k个目标小区为聚类中心，对所述多个小区进行聚类分析，得到k个类簇的方法。
[0155]
如图4所示的以目标小区为聚类中心形成类簇的流程示意图，包括以下步骤：
[0156]
410，计算第三小区集合中的目标小区与每个聚类中心的相似性。
[0157]
第三小区集合是多个小区中除k个目标小区以外的小区。
[0158]
在第三小区集合中任选一个小区作为目标小区，计算该目标小区与每个聚类中心的相似性。
[0159]
420，将目标小区归属到相似性最大的聚类中心所对应的类簇下。
[0160]
比较该目标小区与k个聚类中心的相似性，将该目标小区与k个聚类中心中相似性最大的聚类中心归为同一个类簇。
[0161]
430，从第三小区集合中删除上述目标小区，得到更新后的第三小区集合。
[0162]
更新后的第三目标小区中的小区是未归属到任一类簇下的小区。
[0163]
440，判断第三小区集合中的小区数量是否为0。
[0164]
若第三小区集合中的小区数量为0，则说明已将第三小区集合中的所有小区归到k个类簇，已得到k个类簇，流程结束；若第三小区集合中的小区数量不为0，则说明未将第三小区集合中的所有小区归到k个类簇，重复上述步骤，直至第三小区集合中的小区数量为0。
[0165]
根据聚类中心以外的多个小区与每个聚类中心的相似性，将多个小区形成了以聚类中心为中心的类簇，也就是说，将多个小区分为了k类，为得到每类小区的关键性能指标提供了依据。
[0166]
前面结合图4阐述了得到k个类簇的方法，下面将结合图5详细阐述步骤140得到每个类簇的关键性能指标的方法。
[0167]
如图5所示的获取每个类簇的关键性能指标的流程示意图，包括以下步骤：
[0168]
510，根据每个类簇下小区的网络性能指标计算每个类簇下的每个网络性能指标的重要度。
[0169]
其中，每个类簇下的小区均有多个网络性能指标，所以需计算多个网络性能指标的重要度。
[0170]
520，将每个类簇下的重要度最高的网络性能指标确定为该类簇的关键网络性能指标。
[0171]
比较步骤510计算得到的每个类簇下的多个网络性能指标的重要度，将每个类簇下重要度最高的网络性能指标作为该类簇的关键网络性能指标。
[0172]
根据图5所示的方法先计算每个类簇下的网络性能指标的重要度，将每个类簇下重要度最高的网络性能指标作为每个类簇的关键性能指标，便于专家结合经验确定每个类簇的小区存在的网络问题，进而指导网络优化人员针对小区存在的网络问题采取相应的优化措施。
[0173]
在本发明的一个实施例中，可以根据极端梯度提升(extreme gradient boosting，xgboost)算法得到每个类簇的关键性能指标。
[0174]
下面结合图6详细阐述根据xgboost算法得到每个类簇的关键性能指标的方法。
[0175]
为便于理解本实施例，下面先阐述xgboost算法的原理。
[0176]
xgboost是一种提升树模型，将许多树模型集成在一起，形成一个很强的分类器。该算法思想就是通过添加树，进行特征分裂来生长一棵树，每次添加一个树，就学习一个新函数，去拟合上次预测的残差。当我们训练完成得m棵树，就可以预测一个样本的分数，也就是说根据这个样本的特征，在每棵树中会落到对应的一个叶子节点，每个叶子节点就对应一个分数，最后只需要将每棵树对应的分数加起来就是该样本的预测值。
[0177]
其目标函数定义公式(6)和(7)所示：
[0178][0179][0180]
目标函数由两部分构成，第一部分用来衡量预测分数和真实分数yi的差距，另一部分是正则化项ω(fk)。正则化项同样包含两部分，t表示叶子结点的个数，w表示叶子节点的分数。γ可以控制叶子结点的个数，在建模过程中自动进行调整，λ可以控制叶子节点的分数，防止叶子结点分数过大而造成过拟合。
[0181]
新生的树是要拟合上次预测的残差，即当生成t棵树后，预测分数可以写成：
[0182][0183]
故目标函数可以改写成：
[0184][0185]
xgboost算法利用其在f
t
(xi)＝0处的泰勒二阶展开近似表示，目标函数近似为：
[0186][0187]
其中，gi为损失函数的一阶导数，hi为二阶导数。
[0188]
由于前t-1棵树的预测分数与y的残差对目标函数的优化不影响，故可以直接去掉。简化后的目标函数为：
[0189][0190]
上式是将每个样本的损失函数加起来，每个样本都最终会落到一个叶子结点中，所以可以将所有同一个叶子结点的样本重组起来，过程如下所示：
[0191][0192]
故对上式的改写，我们可以将目标函数改写成关于叶子结点分数w的一个一元二次函数，求解最优的w和目标函数值就直接使用顶点公式即可。因此，最优的w和目标函数公式为：
[0193]
[0194]
其中gj为所有树的一阶导数的和，hj为所有树的二阶导数的和。然后使用贪婪算法遍历所有特征的所有特征划分点，得到最优的分裂结点，最后将所有结点的分数相加得到各个样本的值。
[0195]
上面阐述了xgboost算法的原理，下面结合图6所示阐述根据xgboost算法得到每个类簇的关键性能指标的方法。
[0196]
610，根据xgboost算法和网络性能指标计算每个类簇下的多个小区的每个网络性能指标的分数。
[0197]
620，计算每个网络性能指标的分数在所有网络性能指标的总分数中的占比。
[0198]
占比表征重要度，网络性能指标的占比越大说明重要度越高。
[0199]
630，将每个类簇下的占比最高的网络性能指标确定为该类簇的关键网络性能指标。
[0200]
比较每个类簇下多个网络性能指标分数在总分数中的占比，将每个类簇下的占比最高的网络性能指标确定为该类簇的关键网络性能指标。
[0201]
如图7所示的一个树函数模型，该树函数模型为计算小区特征数据中的一个网络性能指标的m(m为正整数)棵树中的一颗，首先根据用户在使用网络过程中的掉线率将小区落入叶结0或枝结点，当小区落入叶节点0时，评分小于0.021，当小区落入枝结点时，评分大于或等于0.021；将落入枝结点的小区再根据小区的功率余量报告phr(power headroom report，phr)的数值落入叶节点0或叶节点1，当下去落入叶结点0时，评分小于0.155，当小区落入叶节点1时，评分大于或等于0.155。小区落入三个叶节点的其中一个叶结点时，得到一个对应评分即为该网络性能指标在该树的评分，该网络性能指标的m个树对应的m个评分进行求和记为该网络性能指标的最终评分，计算该网络性能指标的分数在所有网络性能指标的评分总和中的占比，占比表征重要度。
[0202]
在一个实施例中，形成的类簇数量k＝5，根据xgboost算法得到每个类簇下的网络性能指标的重要度柱状图如图8所示，横坐标表示重要度，纵坐标表示部分网络性能指标，其中，重要度最高的网络性能指标为关键网络性能指标。
[0203]
根据xgboost算法得到每个类簇的每个网络性能指标的重要度，将每个类簇的重要度最高的网络性能指标确定为该类簇的关键性能指标，专家可以结合专业知识和每个类簇的关键网络性能指标确定每个类簇存在网络问题，进而指导网络优化人员针对小区存在的网络问题采取相应的优化措施。
[0204]
本发明实施例提供的一种小区网络优化方法，通过获取的小区网络特征数据，基于小区的网络特征数据进行多次处理，逐次得到k个目标小区。分别以k个目标小区为聚类中心，对多个小区进行聚类分析，得到k个类簇。根据每个类簇下的网络性能指标确定每个类簇下的关键网络性能指标。根据每个类簇的关键网络性能指标，对每个类簇采用与关键网络性能指标相对应的小区网络优化策略对每个类簇下的小区的网络进行优化。能够提高小区网络优化的效果，避免了因为对全网的不同小区采用相同的每个性能指标的劣化门限和优化策略，而造成的对部分小区网络优化的效果不佳的问题，提升了小区用户的网络使用体验。
[0205]
基于图1对应实施例提供的小区网络优化方法，本发明实施例还提供了一种小区网络优化装置，如图9所示。
[0206]
图9是本发明实施例提供的一种小区网络优化装置的结构示意图，该小区网络优化装置可以包括获取模块910，处理模块920，分析模块930、确定模块940和优化模块950；其中：
[0207]
获取模块910，用于获取多个小区的网络特征数据，网络特征数据包括至少两个网络性能指标的特征数据；
[0208]
处理模块920，对多个小区的网络特征数据进行多次处理，逐次得到k个目标小区，k大于1且k为整数；
[0209]
分析模块930，用于分别以k个目标小区为聚类中心，对多个小区进行聚类分析，得到k个类簇；
[0210]
确定模块940，用于根据每个类簇下的网络性能指标确定类簇下的关键网络性能指标；
[0211]
优化模块950，用于根据关键网络性能指标，对每个类簇采用与关键网络性能指标相对应的小区网络优化策略对类簇下的小区的网络进行优化；
[0212]
其中，第一目标小区为所述多个小区中的任一小区；第二目标小区为第一小区集合中与第一目标小区之间的相似性最小的小区，第一小区集合中的小区为多个小区中除第一目标小区以外的小区；
[0213]
第i目标小区为第二小区集合中与前i-1个目标小区的相似性均值最小的小区，i大于2，i小于或等于k，第二小区集合中的小区为多个小区中除前i个目标小区以外的小区。
[0214]
本发明的一个实施例中，获取模块910获取的网络特征数据包括的网络性能指标可以是kqi中的指标、厂家kpi中的指标或测量报告mr(平台中统计的指标。举例说明，网络特征数据的指标可以是在上述指标中选取的3000个指标，网络特征数据的数据量可以是在全网小区中随机选择12万个小区10天的数据，数据采集的频率可以是每个小区1小时采集一条记录，则数据量为：
[0215]
120000*10*24＝28800000条。
[0216]
在本发明的一个实施例中，小区网络优化装置的处理模块920还包括删除单元，剔除单元和插补单元中的至少一个单元；其中：
[0217]
删除单元，用于对获取模块910获取的网络特征数据中的特殊字符设置为空，并将网络特征数据中量纲不一致的数据归一化处理得到预处理后的网络特征数据；
[0218]
剔除单元，用于剔除所述网络特征数据中的异常值；
[0219]
插补单元，用于删除所述网络特征数据中缺失率高的网络特征数据，插补所述网络特征数据中缺失率低的网络特征数据。
[0220]
在本发明的一个实施例中，删除单元将网络特征数据数据中包含“#n/a”、“#value！”、“nil”以及“/0”等特殊字符设置为空，将网络特征数据中量纲不一致的数据归一化处理，具体地，将网络特征数据进行标准化使量纲统一在0～1之间。
[0221]
在本发明的一个实施例中，剔除单元剔除网络特征数据中的异常值，异常值是指样本中的特殊值,其数值明显偏离所属样本的绝大部分观测值，具体地，利用箱线法异常检测算法来剔除异常值。其基本原理是位于箱子外部的值皆为异常值，其中边界值上限和下限的计算方法的公式如上文中的公式(1)所示。
[0222]
在本发明的一个实施例中，删除单元删除网络特征数据中缺失率高的网络特征数
据，插补网络特征数据中缺失率低的网络特征数据，具体地，对部分高缺失率的(例如缺失率大于80％)特征可考虑删除；当各特征缺失值相对较少时，可以使用均值插补法。
[0223]
在本发明的一个实施例中，处理模块920可以包括第一计算单元、第一比较单元、第一确定单元、第二计算单元、第二比较单元和第二确定单元；其中：
[0224]
第一计算单元，用于计算第一小区集合中的小区与第一目标小区之间的相似性；
[0225]
第一比较单元，用于比较第一计算单元计算得到的第一小区集合中的小区与第一目标小区之间的相似性；
[0226]
第一确定单元，用于将第一小区集合中与第一目标小区的相似性最小的小区确定为第二目标小区；
[0227]
第二计算单元，用于计算第二集合小区中的每个小区分别与前i-1个目标小区的第一相似性，并计算第一相似性的均值，得到第一均值；
[0228]
第二比较单元，用于比较第二计算单元计算得到的每个小区的第一均值；
[0229]
第二确定单元，用于将第一均值最小的小区确定为第i目标小区。
[0230]
举例说明，当k＝4时，得到4个目标小区的方法如下所述。
[0231]
在多个小区中随机选择一个小区作为第一目标小区。
[0232]
根据多个小区中的小区的网络特征数据，第一计算单元计算第一小区集合中的小区与第一目标小区之间的相似性，第一比较单元比较第一小区集合中的小区与第一目标小区之间的相似性，第一确定单元将第一小区集合中与第一目标小区的相似性最小的小区确定为第二目标小区。
[0233]
根据多个小区中的小区的网络特征数据，第二计算单元计算第二小区集合中的每个小区与第一目标小区和第二目标小区之间的相似性，得到了每个小区第一相似性，也就是说，第一相似性包括第二小区集合中任一小区与第一目标小区的相似性以及与第二目标小区的相似性，并计算第二小区集合中每个小区的第一相似性的均值，得到第一均值，第二比较单元比较第二小区集合中每个小区的第一均值，第二确定单元将第一均值最小的小区确定为第三目标小区。
[0234]
得到第三目标小区后，第二小区集合中的小区为除前3个目标小区以外的小区。
[0235]
根据多个小区中的小区的网络特征数据，第二计算单元计算第二小区集合中的每个小区与第一目标小区、第二目标小区和第三目标小区之间的相似性，得到了第一相似性，也就是说，第一相似性包括第二小区集合中任一小区与第一目标小区的相似性、与第二目标小区的相似性以及第三目标小区的相似性，并计算第二小区集合中每个小区的第一相似性的均值，得到第一均值，第二比较单元比较第二小区集合中每个小区的第一均值，第二确定单元将第一均值最小的小区确定为第四目标小区。
[0236]
本发明实施例根据多个小区中的小区的网络特征数据得到了满足预设条件的k个目标小区，为将多个小区分为k个类簇提供了依据。
[0237]
在本发明的一个实施例中，处理模块920，还用于根据ug-kmeans算法对多个小区的网络特征数据进行多次处理，逐次得到k个目标小区；处理模块920可以包括第一计算单元、第一比较单元、第一确定单元、第二计算单元、第二比较单元和第二确定单元；其中：
[0238]
第一计算单元，用于根据ug-kmeans算法计算第一小区集合中的小区与第一目标小区之间的相似性；
[0239]
第一比较单元，用于比较第一计算单元计算得到的第一小区集合中的小区与第一目标小区之间的相似性；
[0240]
第一确定单元，用于将第一小区集合中与第一目标小区的相似性最小的小区确定为第二目标小区；
[0241]
第二计算单元，用于根据ug-kmeans算法计算第二集合小区中的每个小区分别与前i-1个目标小区的第一相似性，并计算第一相似性的均值，得到第一均值；
[0242]
第二比较单元，用于比较第二计算单元计算得到的每个小区的第一均值；
[0243]
第二确定单元，用于将第一均值最小的小区确定为第i目标小区。
[0244]
举例说明，当k＝4时，根据ug-kmeans算法得到4个目标小区的方法如下所述。
[0245]
在多个小区中随机选择一个小区作为第一目标小区。
[0246]
根据多个小区中的小区的网络特征数据，第一计算单元利用ug-kmeans算法计算第一小区集合中的小区与第一目标小区之间的相似性，第一比较单元比较第一小区集合中的小区与第一目标小区之间的相似性，第一确定单元将第一小区集合中与第一目标小区的相似性最小的小区确定为第二目标小区。
[0247]
根据多个小区中的小区的网络特征数据，第二计算单元计算利用ug-kmeans算法第二小区集合中的每个小区与第一目标小区和第二目标小区之间的相似性，得到了每个小区第一相似性，也就是说，第一相似性包括第二小区集合中任一小区与第一目标小区的相似性以及与第二目标小区的相似性，并计算第二小区集合中每个小区的第一相似性的均值，得到第一均值，第二比较单元比较第二小区集合中每个小区的第一均值，第二确定单元将第一均值最小的小区确定为第三目标小区。
[0248]
得到第三目标小区后，第二小区集合中的小区为除前3个目标小区以外的小区。
[0249]
根据多个小区中的小区的网络特征数据，第二计算单元利用ug-kmeans算法计算第二小区集合中的每个小区与第一目标小区、第二目标小区和第三目标小区之间的相似性，得到了第一相似性，也就是说，第一相似性包括第二小区集合中任一小区与第一目标小区的相似性、与第二目标小区的相似性以及第三目标小区的相似性，并计算第二小区集合中每个小区的第一相似性的均值，得到第一均值，第二比较单元比较第二小区集合中每个小区的第一均值，第二确定单元将第一均值最小的小区确定为第四目标小区。
[0250]
本发明实施例根据ug-kmeans算法得到了k个目标小区，为将多个小区分为k个类簇提供了依据。
[0251]
在本发明的一个实施例中，分析模块930可以包括计算单元、比较单元、分类单元、更新单元和判断单元；其中：
[0252]
计算单元，用于计算第三小区集合中的目标小区与每个聚类中心的相似性；第三小区集合是多个小区中除k个目标小区以外的小区，在第三小区集合中任选一个小区作为目标小区，计算该目标小区与每个聚类中心的相似性；
[0253]
比较单元，用于比较第三小区集合中的目标小区与每个聚类中心的相似性；
[0254]
分类单元，用于将目标小区归属到相似性最大的聚类中心所对应的类簇下；
[0255]
更新单元，用于从第三小区集合中删除上述目标小区，得到更新后的第三小区集合；更新后的第三目标小区中的小区是未归属到任意一类簇下的小区；
[0256]
判断单元，用于判断第三小区集合中的小区数量是否为0；
[0257]
若第三小区集合中的小区数量为0，则说明已将第三小区集合中的所有小区归到k个类簇，已得到k个类簇，流程结束；若第三小区集合中的小区数量不为0，则说明未将第三小区集合中的所有小区归到k个类簇，重复上述步骤，直至第三小区集合中的小区数量为0。
[0258]
根据聚类中心以外的多个小区与每个聚类中心的相似性，将多个小区形成了以聚类中心为中心的类簇，也就是说，将多个小区分为了k类，为得到每类小区的关键性能指标提供了依据。
[0259]
在本发明的一个实施例中，确定模块940，可以包括计算单元，比较单元和确定单元；其中：
[0260]
计算单元，用于根据每个类簇下小区的网络性能指标计算每个类簇下的网络性能指标的重要度；其中，每个类簇下的小区均有多个网络性能指标，所以需计算多个网络性能指标的重要度；
[0261]
比较单元，用于比较步骤计算单元计算得到的每个类簇下的多个网络性能指标的重要度；
[0262]
确定单元，将每个类簇下的重要度最高的网络性能指标确定为该类簇的关键网络性能指标。
[0263]
本实施例先计算每个类簇下的网络性能指标的重要度，将每个类簇下重要度最高的网络性能指标作为每个类簇的关键性能指标，便于专家结合经验确定每个类簇的小区存在的网络问题，进而指导网络优化人员针对小区存在的网络问题采取相应的优化措施。
[0264]
在本发明的一个实施例中，确定模块940，还可以用于根据xgboost算法得到每个类簇的关键性能指标，确定模块940可以包括计算单元，比较单元和确定单元；其中：
[0265]
计算单元，用于根据每个类簇下小区的网络性能指标利用xgboost算法计算每个类簇下的网络性能指标的重要度；其中，每个类簇下的小区均有多个网络性能指标，所以需计算多个网络性能指标的重要度；
[0266]
比较单元，用于比较步骤计算单元计算得到的每个类簇下的多个网络性能指标的重要度；
[0267]
确定单元，将每个类簇下的重要度最高的网络性能指标确定为该类簇的关键网络性能指标。
[0268]
本实施例先根据xgboost算法计算每个类簇下的网络性能指标的重要度，将每个类簇下重要度最高的网络性能指标作为每个类簇的关键性能指标，便于专家确定每个类簇的小区存在的网络问题，进而指导网络优化人员针对小区存在的网络问题采取相应的优化措施。
[0269]
优化模块950根据确定模块940确定的关键网络性能指标，专家根据关键网络性能指标确定每个类簇的小区存在的网络问题，指导网络优化人员针对小区存在的网络问题采取相应的优化措施。
[0270]
本发明实施例提供的小区网络优化装置，获取模块，用于获取多个小区的网络特征数据，所述网络特征数据包括至少两个网络性能指标的特征数据；处理模块，对所述多个小区的网络特征数据进行多次处理，逐次得到k个目标小区，k大于1且k为整数；分析模块，用于分别以k个目标小区为聚类中心，对所述多个小区进行聚类分析，得到k个类簇；确定模块，用于根据每个类簇下的网络性能指标确定所述类簇下的关键网络性能指标；优化模块，
用于据所述关键网络性能指标，对所述每个类簇采用与所述关键网络性能指标相对应的小区网络优化策略对所述类簇下的小区的网络进行优化。能够提高小区网络优化的效果，避免了因为对全网的不同小区采用相同的每个性能指标的劣化门限和优化策略，而造成的对部分小区网络优化的效果不佳的问题，提升了小区用户的网络使用体验。
[0271]
图10示出了本发明实施例提供的一种小区网络优化设备的硬件结构示意图。
[0272]
在小区网络优化设备可以包括处理器1001以及存储有计算机程序指令的存储器1002。
[0273]
具体地，上述处理器1001可以包括中央处理器(central processing unit，cpu)，或者特定集成电路(application specific integrated circuit，asic)，或者可以被配置成实施本发明实施例的一个或多个集成电路。
[0274]
存储器1002可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器1002可包括硬盘驱动器(hard disk drive，hdd)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(universal serial bus，usb)驱动器或者两个或更多个以上这些的组合。在一个实例中，存储器302可以包括可移除或不可移除(或固定)的介质，或者存储器302是非易失性固态存储器。存储器1002可在综合网关容灾设备的内部或外部。
[0275]
在一个实例中，存储器1002可以是只读存储器(read only memory，rom)。在一个实例中，该rom可以是掩模编程的rom、可编程rom(prom)、可擦除prom(eprom)、电可擦除prom(eeprom)、电可改写rom(earom)或闪存或者两个或更多个以上这些的组合。
[0276]
存储器1002可以包括只读存储器(rom)，随机存取存储器(ram)，磁盘存储介质设备，光存储介质设备，闪存设备，电气、光学或其他物理/有形的存储器存储设备。因此，通常，存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如，存储器设备)，并且当该软件被执行(例如，由一个或多个处理器)时，其可操作来执行参考根据本公开的一方面的方法所描述的操作。
[0277]
处理器1001通过读取并执行存储器1002中存储的计算机程序指令，以执行以下步骤：
[0278]
获取多个小区的网络特征数据，网络特征数据包括至少两个网络性能指标的特征数据；
[0279]
对多个小区的网络特征数据进行多次处理，逐次得到k个目标小区，k大于1且k为整数；
[0280]
分别以k个目标小区为聚类中心，对多个小区进行聚类分析，得到k个类簇；
[0281]
针对每个类簇分别执行以下步骤：根据类簇下的网络性能指标确定类簇下的关键网络性能指标；根据所述关键网络性能指标，对类簇采用与关键网络性能指标相对应的小区网络优化策略对类簇下的小区的网络进行优化；
[0282]
其中，第一目标小区为所述多个小区中的任一小区；第二目标小区为第一小区集合中与第一目标小区之间的相似性最小的小区，第一小区集合中的小区为所述多个小区中除所述第一目标小区以外的小区；
[0283]
第i目标小区为第二小区集合中与前i-1个目标小区的相似性均值最小的小区，i大于2，i小于或等于k，所述第二小区集合中的小区为所述多个小区中除所述前i个目标小区以外的小区。
[0284]
在一个实施例中，小区网络优化设备还可以包括通信接口1003和总线1010。其中，如图10所示，处理器1001、存储器1002、通信接口1003通过总线1010连接并完成相互间的通信。
[0285]
通信接口1003，主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
[0286]
总线1010包括硬件、软件或两者，将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(accelerated graphics port，agp)或其他图形总线、增强工业标准架构(extended industry standard architecture，eisa)总线、前端总线(front side bus，fsb)、超传输(hyper transport，ht)互连、工业标准架构(industry standard architecture，isa)总线、无限带宽互连、低引脚数(lpc)总线、存储器总线、微信道架构(mca)总线、外围组件互连(pci)总线、pci-express(pci-x)总线、串行高级技术附件(sata)总线、视频电子标准协会局部(vlb)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线1010可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。
[0287]
该小区网络优化设备可以基于多个小区的网络特征数据执行本发明实施例中的小区网络优化方法，从而实现结合图1和图9描述的小区网络优化方法和装置。
[0288]
另外，结合上述实施例中的小区网络优化方法，本发明实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种小区网络优化方法。
[0289]
需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
[0290]
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(application specific integrated circuit，asic)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、rom、闪存、可擦除rom(erom)、软盘、cd-rom、光盘、硬盘、光纤介质、射频(radio frequency，rf)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
[0291]
还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
[0292]
上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经
由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
[0293]
以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。