网络性能数据的预测方法、装置、存储介质及设备与流程

1.本发明涉及数据处理技术领域，尤其涉及一种网络性能数据的预测方法、装置、存储介质及设备。


背景技术：

2.信号与干扰加噪声比(signal to interference plus noise ratio，sinr)是一个非常重要的网络性能指标。在长期演进(long term evolution，lte)网络中，信干噪比是指终端设备接收到的有用信号的强度与接收到的干扰信号的强度的比值，即信号与噪声干扰的功率比。
3.信干噪比可以分为上行信干噪比和下行信干噪比，其中下行信干噪比直接决定了无线传输的调制编码阶数和传输块的大小，从而决定了数据传输速率和长期演进语音承载业务(voice over long term evolution，volte)质量。因此，下行信干噪比数据的获取对于网络质量的优化和评估具有重要意义。
4.现有技术中，主要通过路测的方法采集下行信干噪比数据。例如，专业测试人员驾驶车辆经过目标路线，通过路测设备实地测试，以采集包括下行信干噪比的路测数据。然而，由于现场路测过程对测试人员的技能要求高，且路测数据的采集需要配备专门的路测设备和车辆等。因此，现有的路测方法难以高效地获取下行信干噪比数据。


技术实现要素：

5.本技术提供一种网络性能数据的预测方法、装置、存储介质及设备，以解决现有技术中难以高效地获取下行信干噪比数据的技术问题。
6.第一方面，本技术提供一种网络性能数据的预测方法，所述方法包括：
7.获取终端设备发送的待检测小区的至少一组测量报告数据；
8.将所述至少一组测量报告数据输入训练后的决策树模型，并获取所述训练后的决策树模型输出的预测结果，所述训练后的决策树模型是通过历史网络性能数据和历史测量报告数据训练生成的，所述决策树模型用于通过循环迭代输出回归的预测结果，所述预测结果包括所述至少一组测量报告数据分别对应的网络性能数据的预测值。
9.一种可选的实施方式中，所述网络性能数据包括信号与干扰加噪声比。
10.一种可选的实施方式中，在所述将所述测量报告数据输入训练后的决策树模型之前，所述方法还包括：
11.获取历史网络性能数据和历史测量报告数据；
12.根据所述历史网络性能数据和所述历史测量报告数据，对所述决策树模型进行训练。
13.一种可选的实施方式中，所述对所述决策树模型进行训练，包括：
14.从所述历史测量报告数据中确定出特征数据；
15.从所述历史网络性能数据中确定出所述特征数据对应的标签数据；
16.将所述特征数据及所述特征数据对应的标签数据组成样本集数据，对所述决策树模型进行训练。
17.一种可选的实施方式中，所述从所述历史网络性能数据中确定出所述特征数据对应的标签数据，包括：
18.根据所述特征数据的时间戳，从所述历史网络性能数据中确定出至少一个目标历史网络性能数据，所述至少一个目标历史网络性能数据的时间戳与所述特征数据的时间戳之间的时间间隔均小于预设的时间间隔；
19.根据所述至少一个目标历史网络性能数据，确定所述特征数据对应的标签数据。
20.一种可选的实施方式中，所述确定所述特征数据对应的标签数据，包括：
21.从所述至少一个目标历史网络性能数据中确定出一个与所述特征数据相关的关联历史网络性能数据；
22.将所述关联历史网络性能数据确定为所述特征数据对应的标签数据。
23.一种可选的实施方式中，所述关联历史网络性能数据的时间戳与所述特征数据的时间戳之间的时间间隔最小。
24.一种可选的实施方式中，所述确定所述特征数据对应的标签数据，包括：
25.将所述至少一个目标历史网络性能数据的平均值确定为所述特征数据对应的标签数据。
26.一种可选的实施方式中，在所述从所述至少一个目标历史网络性能数据中确定出一个与所述特征数据相关的关联历史网络性能数据之后，所述方法还包括：
27.根据所述至少一个目标历史网络性能数据的平均值和所述关联历史网络性能数据，确定所述特征数据对应的标签数据。
28.第二方面，本技术提供一种网络性能数据的预测装置，所述装置包括：
29.获取模块，用于获取终端设备发送的待检测小区的至少一组测量报告数据；
30.预测模块，用于将所述至少一组测量报告数据输入训练后的决策树模型，并获取所述训练后的决策树模型输出的预测结果，所述训练后的决策树模型是通过历史网络性能数据和历史测量报告数据训练生成的，所述决策树模型用于通过循环迭代输出回归的预测结果，所述预测结果包括所述至少一组测量报告数据分别对应的网络性能数据的预测值。
31.一种可选的实施方式中，所述网络性能数据包括信号与干扰加噪声比。
32.一种可选的实施方式中，所述预测模块，还用于获取历史网络性能数据和历史测量报告数据；根据所述历史网络性能数据和所述历史测量报告数据，对所述决策树模型进行训练。
33.一种可选的实施方式中，所述预测模块，具体用于从所述历史测量报告数据中确定出特征数据；从所述历史网络性能数据中确定出所述特征数据对应的标签数据；将所述特征数据及所述特征数据对应的标签数据组成样本集数据，对所述决策树模型进行训练。
34.一种可选的实施方式中，所述预测模块，具体用于根据所述特征数据的时间戳，从所述历史网络性能数据中确定出至少一个目标历史网络性能数据，所述至少一个目标历史网络性能数据的时间戳与所述特征数据的时间戳之间的时间间隔均小于预设的时间间隔；根据所述至少一个目标历史网络性能数据，确定所述特征数据对应的标签数据。
35.一种可选的实施方式中，所述预测模块，具体用于从所述至少一个目标历史网络
性能数据中确定出一个与所述特征数据相关的关联历史网络性能数据；将所述关联历史网络性能数据确定为所述特征数据对应的标签数据。
36.一种可选的实施方式中，所述关联历史网络性能数据的时间戳与所述特征数据的时间戳之间的时间间隔最小。
37.一种可选的实施方式中，所述预测模块，具体用于将所述至少一个目标历史网络性能数据的平均值确定为所述特征数据对应的标签数据。
38.一种可选的实施方式中，在所述从所述至少一个目标历史网络性能数据中确定出一个与所述特征数据相关的关联历史网络性能数据之后，所述预测模块，还用于根据所述至少一个目标历史网络性能数据的平均值和所述关联历史网络性能数据，确定所述特征数据对应的标签数据。
39.第三方面，本技术还提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面任意一项所述的方法。
40.第四方面，本发明还提供一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如第一方面任意一项所述的方法。
41.第五方面，本技术还提供一种电子设备，包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行如第一方面任意一项所述的方法。
42.本技术提供的一种网络性能数据的预测方法、装置、存储介质及设备，首先获取终端设备发送的待检测小区的至少一组测量报告数据；然后，将至少一组测量报告数据输入训练后的决策树模型，并获取训练后的决策树模型输出的预测结果，训练后的决策树模型是通过历史网络性能数据和历史测量报告数据训练生成的，决策树模型用于通过循环迭代输出回归的预测结果，预测结果包括至少一组测量报告数据分别对应的网络性能数据的预测值。通过该方式，由于可以根据终端设备发送的测量报告数据及训练后的决策树模型，获取终端设备对应的下行信干噪比数据的预测值，从而有效地提高了下行信干噪比数据的获取效率。
附图说明
43.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
44.图1为本技术实施例提供的一种网络性能数据的预测方法的应用场景示意图；
45.图2为本技术实施例提供的一种网络性能数据的预测方法的流程示意图；
46.图3为本技术实施例提供的一种指定区域a中存在网络质量问题的问题区域的分布示意图；
47.图4为本技术实施例提供的一种决策树模型的训练方法的流程示意图；
48.图5为本技术实施例提供的另一种决策树模型的训练方法的流程示意图；
49.图6为本技术实施例提供的一种网络性能数据的预测装置的结构示意图；
50.图7为本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
51.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本技术保护的范围。
52.随着移动网络通信技术的发展，在第五代移动通信技术(5th generation mobile communication technology，5g)从大规模建设向网络专业化运营转变的关键阶段，对语音业务和数据业务的质量优化也变得越来越重要。现阶段，由于5g语音业务(voice over new radio，vonr)还处于试点阶段，5g网络的语音业务主要通过第四代移动通信网络(4th generation mobile communication technology，4g)的语音业务(voice over long term evolution，volte)来承载。此外，由于5g网络的覆盖深度还存在欠缺等原因，4g网络仍然是当前承载语音业务和数据业务的重要网络。
53.在4g网络的质量优化和评估过程中，信号与干扰加噪声比(signal to interference plus noise ratio，sinr)是一个非常重要的网络性能指标。作为lte网络下行链路进行自适应编码和调制映射的关键参数，信干噪比可以用于评判网络质量。在长期演进技术(long term evolution，lte)网络中，信干噪比是指终端设备接收到的有用信号的强度与接收到的干扰信号的强度的比值，即信号与噪声干扰的功率比。信干噪比可以分为上行信干噪比和下行信干噪比。其中，下行信干噪比直接决定了无线传输的传输块的大小和调制编码阶数，从而决定了volte语音业务质量和数据传输速率。
54.现有技术中，主要通过路测的方法采集下行信干噪比数据。例如，专业测试人员驾驶车辆经过目标路线，通过路测设备实地测试，以采集包括下行信干噪比的路测数据。然而，由于现场路测过程对测试人员的技能要求高，且路测数据的采集需要配备专门的路测设备和车辆。因此，现有的路测方法难以高效地获取下行信干噪比数据。
55.为解决上述技术问题，本技术实施例提供一种网络性能数据的预测方法、装置、存储介质及设备，通过根据终端设备发送的测量报告数据及训练后的决策树模型，获取终端设备对应的下行信干噪比数据的预测值，从而有效地提高了下行信干噪比数据的获取效率。
56.下面首先对测量报告(measurement report，mr)数据进行说明。mr数据包括基于周期上表数据(mesurement report original，mro)等，终端设备在使用移动网络的过程中，会不断地将采集到的mro数据主动地上报给mro服务器。mro数据中包含的数据类型有：时间点，时间戳，国际移动用户识别码(international mobile subscriber identification number，imsi)，经度，纬度，采样点数，服务小区的标识(e-utran cell identifier，eci)、频点号(e-utra absolute radio frequency channel number，earfcn)、物理标识(physical-layer cell identity，pci)、电平强度(reference signal receiving power，rsrp)、信号质量(reference signal receiving quality，rsrq)、功率余量(power headroom report，phr)、时间提前量(timing advance，ta)、上行信干噪比、上行共享信道物理资源块(physical resource block，prb)数量、下行共享信道prb数量、信道质量标识(channel quality indication，cqi)、下行参考信号发射功率、噪声功率、与邻区电平强度平均差值、与邻区电平强度最大差值、与邻区电平强度最小差值、小区mr重叠数
量、电平强度差值在6分贝(db)以内邻区数量、模三数量、邻区平均电平强度、异频邻区数量、邻区数量，以及服务小区的第1个邻区至第n个邻区的邻区号码、频点号、物理标识、电平强度、电平质量等。
57.下面对于本技术涉及的一种网络性能数据的预测方法的应用场景进行说明。
58.图1为本技术实施例提供的一种网络性能数据的预测方法的应用场景示意图。如图1所示，包括有终端设备101及服务器102。首先，终端设备101可以将mro数据主动上报给服务器102；然后，服务器102根据获取到的mro数据和训练好的决策树模型，输出终端设备101对应的网络性能数据的预测值。在一些实施例中，上述网络性能数据包括下行信号与干扰加噪声比数据。
59.其中，上述终端设备可以为手机(mobile phone)、平板电脑(pad)、带无线收发功能的电脑、虚拟现实(virtual reality，vr)终端设备、增强现实(augmented reality，ar)终端设备、无人驾驶(self driving)中的无线终端、远程手术(remote medical surgery)中的无线终端、智能电网(smart grid)中的无线终端、智慧家庭(smart home)中的无线终端等。本技术实施例中，用于实现终端的功能的装置可以是终端，也可以是能够支持终端实现该功能的装置，例如芯片系统，该装置可以被安装在终端中。本技术实施例中，芯片系统可以由芯片构成，也可以包括芯片和其它分立器件。
60.上述服务器可以是但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算的由大量计算机或网络服务器构成的云。
61.应理解，本技术技术方案的应用场景可以是图1中的网络性能数据的预测场景，但不限于此，还可以应用于其它需要对网络性能数据进行处理的场景中。
62.可以理解，上述网络性能数据的预测方法可以通过本技术实施例提供的网络性能数据的预测装置实现，网络性能数据的预测装置可以是某个设备的部分或全部，例如服务器或服务器中的相关数据分析模型。
63.下面以集成或安装有相关执行代码的服务器为例，以具体的实施例对本技术实施例的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
64.图2为本技术实施例提供的一种网络性能数据的预测方法的流程示意图，本实施例涉及的是对网络性能数据进行预测的过程。如图2所示，该方法包括：
65.s201、获取终端设备发送的待检测小区的至少一组测量报告数据。
66.在本技术实施例中，服务器可以首先获取至少一组测量报告数据，然后根据获取到的测量报告数据，获取网络性能数据的预测值。
67.其中，小区可以包括任意基站小区，测量报告数据可以包括mro数据，网络性能数据可以包括下行信号与干扰加噪声比，本技术实施例对此不做限制。
68.本技术实施例对于如何确定待检测小区不做限制。在一些实施例中，待检测小区可以根据需要获取下行信干噪比数据或需要进行网络质量优化和评估的区域范围进行确定。示例性地，若需要对目标区域a进行网络质量优化和评估，进一步地需要获取目标区域a内的下行信干噪比数据，此时，目标区域a中的任意基站小区均可以为上述待检测小区。
69.本技术实施例对于至少一组测量报告数据的划分方法不做限制。在一些实施例中，可以根据测量报告数据的时间戳，对所有符合时间范围要求内的测量报告数据进行划
分。其中，上述时间戳可以根据测量报告数据的采集时间或上报时间等进行确定。需要说明的是，终端设备会以一定的时间间隔向服务器上报测量报告数据，上报周期可以通过基站开启的测量报告数据的接收定时器进行控制。示例性地，终端设备可以以10秒为周期向服务器上报采集的mro数据。
70.s202、将至少一组测量报告数据输入训练后的决策树模型，并获取训练后的决策树模型输出的预测结果，训练后的决策树模型是通过历史网络性能数据和历史测量报告数据训练生成的，决策树模型用于通过循环迭代输出回归的预测结果，预测结果包括至少一组测量报告数据分别对应的网络性能数据的预测值。
71.在本步骤中，当获取至少一组测量报告数据后，服务器可以将至少一组测量报告数据输入训练后的决策树模型，并获取训练后的决策树模型输出的预测结果。
72.本技术实施例对于决策树模型的类型不做限制。在一些实施例中，可以通过极端梯度提升算法(extreme gradient boosting，xgboost)建立上述决策树模型。
73.可以理解的是，现有技术中，主要通过现场路测方法，利用专门的路测设备对指定区域a中目标路线上的下行信干噪比数据进行采集，然后根据采集到的下行信干噪比数据，对该指定区域a中可能存在网络质量问题的问题区域进行定位。在本技术实施例中，可以通过训练后的决策树模型，根据指定区域a中的任意终端设备上报的测量报告数据，对指定区域a的下行信干噪比数据进行预测，然后根据预测到的下行信干噪比数据，对该指定区域a中可能存在网络质量问题的问题区域进行定位。
74.示例性地，图3为本技术实施例提供的一种指定区域a中存在网络质量问题的问题区域的分布示意图。如图3所示，指定区域a中存在多条道路。应理解，路测设备可以沿这些道路通过现场路测方法采集下行信干噪比数据，并将采集到的下行信干噪比数据结合指定区域a中的多条道路的位置，确定存在网络质量问题的问题区域。同理地，服务器也可以获取上述多条道路上的终端设备发送的测试报告数据，然后预测这些道路上的下行信干噪比数据，并将预测到的下行信干噪比数据结合这些道路的位置，确定存在网络质量问题的问题区域。如图3所示，指定区域a中存在网络质量问题的问题区域包括4个问题区域“1”和4个问题区域“2”。其中，4个问题区域“1”是根据现场路测方法采集的下行sinr数据确定的；4个问题区域“1”和4个问题区域“2”是根据训练后的决策树模型预测的下行sinr数据确定的。
75.进一步地，通过现场路测方法和本技术实施例提供的网络性能数据的预测方法，在指定区域a中可以发现一致的网络质量问题区域，即图3中的4个问题区域“1”。由于本技术提供的网络性能数据的预测方法可利用的数据更多，数据所覆盖道路更广，因此可以发现更多的网络质量问题区域，即图3中的4个问题区域“2”。由上述分析结果可知，本技术提供的网络性能数据的预测方法对于网络质量问题的诊断维度多于现场路测方法。
76.此外，除现场路测方法之外，现有技术中还存在虚拟路测方法。虚拟路测方法主要为：服务器通过海量终端设备上报的mro数据等，对指定区域a中的网络质量问题进行分析和定位。但是，由于mro数据中不包含下行信干噪比数据，虚拟路测方法也无法通过下行信干噪比这一指标对网络质量问题进行分析和定位。通过本技术提供的网络性能数据的预测方法，虚拟路测方法则可以结合训练后的决策树模型直接地根据mro数据获取下行信干噪比的预测值，从而大幅地减少工程师通过现场路测过程采集路测数据的工作量，并有效地节省了项目成本。
77.示例性地，通过现场路测方法得到指定区域a中“10米路段下行sinr大于-3db”的比例为93.76％；通过虚拟路测方法结合本技术提供的网络性能数据的预测方法，得到指定区域a中“10米路段下行sinr大于-3db”的比例为98.73％。两种方法得到的“10米路段sinr大于-3db”这一指标的比例相差4.97％，从上述分析结果可以看出，基于虚拟路测预测结合本技术提供的网络性能数据的预测方法得到的下行信干噪比数据的可靠性接近于现场路测方法。
78.本技术提供的一种网络性能数据的预测方法，首先获取终端设备发送的待检测小区的至少一组测量报告数据；然后，将至少一组测量报告数据输入训练后的决策树模型，并获取训练后的决策树模型输出的预测结果，训练后的决策树模型是通过历史网络性能数据和历史测量报告数据训练生成的，决策树模型用于通过循环迭代输出回归的预测结果，预测结果包括至少一组测量报告数据分别对应的网络性能数据的预测值。通过该方式，由于可以根据终端设备发送的测量报告数据及训练后的决策树模型，获取终端设备对应的下行信干噪比数据的预测值，从而有效地提高了下行信干噪比数据的获取效率。
79.在上述实施例的基础上，下面对于如何获取训练后的决策树模型进行说明。图4为本技术实施例提供的一种决策树模型的训练方法的流程示意图，如图4所示，该方法包括：
80.s401、获取历史网络性能数据和历史测量报告数据。
81.在本技术实施例中，服务器可以首先获取历史网络性能数据和历史测量报告数据。
82.本技术实施例对于如何获取历史网络性能数据不做限制。在一些实施例中，可以通过现场路测方法获取历史网络性能数据。示例性地，路测设备通过道路测试采集目标区域b内的路测数据，路测数据中包含下行信干噪比数据。服务器可以根据路测设备的号码或标识，从前台路测软件中获取上述路测设备采集的下行信干噪比数据作为历史下行信干噪比数据。
83.需要说明的是，路测数据中可以包含路测设备的移动用户国际号码(mobile subscriber international isdn number，msisdn)及imsi标识，上报采样点时间，上报采样点经纬度，上报采样点归属主控小区的eci、下行质量sinr、频点号、物理标识、电平强度、接收带宽总功率(received signal strength indication，rssi)、信号质量，以及主控小区第1邻区至第n邻区的频点号、物理标识、电平强度、信号质量等数据。
84.本技术实施例对于如何获取历史测量报告数据不做限制。在一些实施例中，可以在获取历史网络性能数据的同时，获取路测设备上报的历史测量报告数据。示例性地，路测设备在道路测试的过程中，也会主动向服务器上报mro数据，因此可以根据路测设备的号码或标识，获取路测设备上报的mro数据作为历史测量报告数据。
85.s402、根据历史网络性能数据和历史测量报告数据，对决策树模型进行训练。
86.在本步骤中，当获取到历史网络性能数据和历史测量报告数据后，服务器可以根据获取到的数据，对决策树模型进行训练。
87.本技术实施例对于如何对决策树模型进行训练不做限制。在一些实施例中，服务器可以首先从历史测量报告数据中确定出特征数据；随后，从历史网络性能数据中确定出特征数据对应的标签数据；然后，将特征数据及特征数据对应的标签数据组成样本集数据，对决策树模型进行训练。
88.可以理解，历史测量报告数据包含多种类型的数据，特征数据可以是与历史网络性能数据关联度较高的至少一种类型的数据。本技术实施例对于如何确定特征数据不做限制。在一些实施例中，可以根据路测设备的号码或标识、数据生成或上报时间等，对获取到的历史网络性能数据与历史测量报告数据进行关联；随后，分别评估历史网络性能数据与历史测量报告数据中的多种类型数据之间的相关性；然后，根据相关性的高低从历史测量报告数据中确定特征数据。示例性地，当历史网络性能数据为下行信干噪比数据时，特征数据可以包括主控服务小区的电平强度、信号质量、物理标识、功率余量、时间提前量、邻区数量、与邻区的电平强度平均差值、小区mr重叠数量、模三数量。
89.在另一些实施例中，还可以对筛选出的特征数据进行数据清洗等处理。示例性地，具体的处理方式可以包括缺失值填充、异常值处理、归一化、独热编码、特征融合与拆解等，本技术实施例对此不做限制。
90.本技术实施例对于如何确定特征数据对应的标签数据不做限制。在一些实施例中，服务器可以根据特征数据的时间戳，从历史网络性能数据中确定出至少一个目标历史网络性能数据；然后，根据至少一个目标历史网络性能数据，确定特征数据对应的标签数据。其中，上述时间戳可以为采集时间或上报时间等，至少一个目标历史网络性能数据的时间戳与特征数据的时间戳之间的时间间隔均小于预设的时间间隔。预设时间间隔可以为1秒或0.1秒等，本技术实施例对此也不做限制。
91.下面对于如何从至少一个目标历史网络性能数据中确定特征数据对应的标签数据进行详细地介绍。
92.示例性地，表1为本技术实施例提供的一种路测设备a采集的路测数据列表。表1中包含了路测设备a采集路测数据的时间、地点、采样点主控小区及第1、第2邻小区的频点号等数据。可以理解，表1中包含的数据只是路测设备a采集的路测数据中的一部分数据。需要说明的是，路测设备a在1秒内会采集多次数据，基本在100毫秒左右会采集1次路测数据，采集频次与路测设备a的芯片性能相关。如表1所示，在时间“10:50:30”这1s内采集了8个下行信干噪比数据。
93.表1
94.[0095][0096]
示例性地，表2为本技术实施例提供的一种路测设备a采集的历史测量报告数据列表。表2中包含了路测设备a采集历史测量报告数据的时间，路测设备a的国际移动用户识别码，以及主控小区“nc1”和第1邻小区“nc2”、第2邻小区“nc3”的频点号、物理小区标识、电平强度等数据。可以理解，表2中包含的数据只是历史测量报告数据中的一部分数据，其中未采集到的数据表现为空值。需要说明的是，表1与表2中的数据的采集时间为同一日。如表2所示，路测设备a以10秒为周期采集上报历史测量报告数据，在时间“10:50:30”这1s内只有1组历史测量报告数据。
[0097]
表2
[0098]
[0099][0100]
基于表1和表2，本技术实施例提供3种特征数据对应的标签数据的确定方法。第一种方法为：从至少一个目标历史网络性能数据中确定出一个与特征数据相关的关联历史网络性能数据，将关联历史网络性能数据确定为特征数据对应的标签数据。在一些实施例中，关联历史网络性能数据的时间戳与特征数据的时间戳之间的时间间隔最小。示例性地，首先，依据表1中的“ue time”字段和表2中的“obj_timestamp”字段，匹配最接近的时间戳。例如，通过表1和表2中的时间字段，可以匹配到1个临近的时间戳为“10:50:30”。在表1中，“10:50:30”这1秒内总共采集了8次路测数据；在表2中，“10:50:30”这1秒内只采集了1次历史mro数据。随后，通过主控及邻区近似匹配的方法，从8次路测数据对应的8个下行信干燥比数据中确定出1个关联下行信干燥比数据，作为“10:50:30”这一秒的特征数据对应的标签数据。其中，主控及邻区近似匹配方法可以为：对于每次采集的路测数据，依据主服务小区的电平强度a、第1邻区的电平强度b
…
第n邻区的电平强度n，可以构成路测数据的场强向量(a，b，
…
，n)；对于每次采集的历史测量报告数据，依据主服务小区的电平强度a’、第1邻区的电平强度b
’…
第n邻区的电平强度n’，可以构成历史测量报告数据的场强向量(a’，b’，
…
，n’)。当匹配最近的时间戳后，可以计算该时间戳对应的路测数据的场强向量和历史测量报告数据的场强向量之间的欧式距离d，若欧式距离d的值最小，则两组数据为最关联匹配。通过该方法，可以从表1“10:50:30”总共采集的8次路测数据中，确定出1个关联下行信干噪比数据s1，并将s1作为时间戳为“10:50:30”的特征数据对应的标签数据。其中，用于构建向量的电平强度也可以换做其它类型的数据，本技术实施例对此不做限制。
[0101]
第二种方法为：将至少一个目标历史网络性能数据的平均值确定为特征数据对应的标签数据。示例性地，首先依据表1中的“ue time”字段和表2中的“obj_timestamp”字段，匹配最接近的时间戳。例如，可以匹配到1个临近的时间戳为“10:50:30”。然后，将表1“10:50:30”总共采集的8次路测数据中的8个下行信干噪比数据的平均值s2，作为时间戳为“10:50:30”的特征数据对应的标签数据。可以理解，表1中的下行信干噪比的数据值存在跳变波动，例如下行信干噪比的数据值出现了0.3，与邻近几个下行信干噪比的数据值偏离较大。为了避免第一种方法中，可能将跳变波动较大的数据值确定为标签数据而引起误差，通过
对多个下行信干噪比数据做均值处理可以减小误差。
[0102]
第三种方法为：根据至少一个目标历史网络性能数据的平均值和关联历史网络性能数据，确定特征数据对应的标签数据。示例性地，首先依据表1中的“ue time”字段和表2中的“obj_timestamp”字段，匹配最接近的时间戳；随后，根据该时间戳，通过主控及邻区近似匹配的方法从表1中确定出1个关联下行信干噪比数据s1；然后，从表1中确定出该时间戳对应的至少一组路测数据中的下行信干噪比数据的平均值s2；最后，将s1和s2的平均值作为该时间戳对应的特征数据的标签数据。
[0103]
进一步地，在分别确定各组特征数据对应的标签数据之后，可以将特征数据以及与特征数据对应的标签数据组成样本集数据；然后，按照预设的划分比例将样本集数据划分为训练集数据与测试集数据；之后，根据训练集数据与测试集数据分别对决策树模型进行训练。其中，预设的划分比例可以为7:3，本技术实施例对此不做限制。
[0104]
示例性地，表3为本技术实施例提供的一种决策树模型训练及验证结果列表。
[0105]
表3
[0106][0107][0108]
其中，“r^2”可以用于反应因变量的全部变异能通过回归关系被自变量解释的比例，这一比例越大，说明模型越精确，回归效果越显著。如表3所示，分别采取3种不同的标签数据的确定方法对决策树模型进行训练，其中第三种方法所训练的决策树模型的精确度最高。
[0109]
s401-s402的技术名词、技术效果、技术特征，以及可选实施方式，可参照图2所示的s201-s202理解，对于重复的内容，在此不再累述。
[0110]
在上述实施例的基础上，下面对于如何确定特征数据对应的标签数据进行说明。图5为本技术实施例提供的另一种决策树模型的训练方法的流程示意图，如图5所示，该方法包括：
[0111]
s501、获取历史网络性能数据和历史测量报告数据。
[0112]
s502、从历史测量报告数据中确定出特征数据。
[0113]
s503、根据特征数据的时间戳，从历史网络性能数据中确定出至少一个目标历史网络性能数据。
[0114]
s504、根据至少一个目标历史网络性能数据，确定特征数据对应的标签数据。
[0115]
s505、将特征数据及特征数据对应的标签数据组成样本集数据，对决策树模型进行训练。
[0116]
s501-s505的技术名词、技术效果、技术特征，以及可选实施方式，可参照图2所示的s201-s202理解，对于重复的内容，在此不再累述。
[0117]
本技术提供的一种网络性能数据的预测方法，首先获取终端设备发送的待检测小区的至少一组测量报告数据；然后，将至少一组测量报告数据输入训练后的决策树模型，并
获取训练后的决策树模型输出的预测结果，训练后的决策树模型是通过历史网络性能数据和历史测量报告数据训练生成的，决策树模型用于通过循环迭代输出回归的预测结果，预测结果包括至少一组测量报告数据分别对应的网络性能数据的预测值。通过该方式，由于可以根据终端设备发送的测量报告数据及训练后的决策树模型，获取终端设备对应的下行信干噪比数据的预测值，从而有效地提高了下行信干噪比数据的获取效率。
[0118]
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
[0119]
图6为本技术实施例提供的一种网络性能数据的预测装置的结构示意图。该网络性能数据的预测装置可以通过软件、硬件或者两者的结合实现，可例如上述实施例中的服务器，以执行上述实施例中的网络性能数据的预测方法。如图6所示，该网络性能数据的预测装置600包括：
[0120]
获取模块601，用于获取终端设备发送的待检测小区的至少一组测量报告数据；
[0121]
预测模块602，用于将至少一组测量报告数据输入训练后的决策树模型，并获取训练后的决策树模型输出的预测结果，训练后的决策树模型是通过历史网络性能数据和历史测量报告数据训练生成的，决策树模型用于通过循环迭代输出回归的预测结果，预测结果包括至少一组测量报告数据分别对应的网络性能数据的预测值。
[0122]
一种可选的实施方式中，网络性能数据包括信号与干扰加噪声比。
[0123]
一种可选的实施方式中，预测模块602，还用于获取历史网络性能数据和历史测量报告数据；根据历史网络性能数据和历史测量报告数据，对决策树模型进行训练。
[0124]
一种可选的实施方式中，预测模块602，具体用于从历史测量报告数据中确定出特征数据；从历史网络性能数据中确定出特征数据对应的标签数据；将特征数据及特征数据对应的标签数据组成样本集数据，对决策树模型进行训练。
[0125]
一种可选的实施方式中，预测模块602，具体用于根据特征数据的时间戳，从历史网络性能数据中确定出至少一个目标历史网络性能数据，至少一个目标历史网络性能数据的时间戳与特征数据的时间戳之间的时间间隔均小于预设的时间间隔；根据至少一个目标历史网络性能数据，确定特征数据对应的标签数据。
[0126]
一种可选的实施方式中，预测模块602，具体用于从至少一个目标历史网络性能数据中确定出一个与特征数据相关的关联历史网络性能数据；将关联历史网络性能数据确定为特征数据对应的标签数据。
[0127]
一种可选的实施方式中，关联历史网络性能数据的时间戳与特征数据的时间戳之间的时间间隔最小。
[0128]
一种可选的实施方式中，预测模块602，具体用于将至少一个目标历史网络性能数据的平均值确定为特征数据对应的标签数据。
[0129]
一种可选的实施方式中，在从至少一个目标历史网络性能数据中确定出一个与特征数据相关的关联历史网络性能数据之后，预测模块602，还用于根据至少一个目标历史网络性能数据的平均值和关联历史网络性能数据，确定特征数据对应的标签数据。
[0130]
需要说明的，图6所示实施例提供的网络性能数据的预测装置，可用于执行上述任
意实施例所提供的网络性能数据的预测方法，具体实现方式和技术效果类似，这里不再进行赘述。
[0131]
图7为本技术实施例提供的一种电子设备的结构示意图。如图7所示，该电子设备700可以包括：至少一个处理器701和存储器702。图7示出的是以一个处理器为例的电子设备。
[0132]
存储器702，用于存放程序。具体地，程序可以包括程序代码，程序代码包括计算机操作指令。
[0133]
存储器702可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0134]
处理器701用于执行存储器702存储的计算机执行指令，以实现上述网络性能数据的预测方法；其中，处理器701可能是一个中央处理器(central processing unit，cpu)，或者是特定集成电路(application specific integrated circuit，asic)，或者是被配置成实施本技术实施例的一个或多个集成电路。
[0135]
可选的，在具体实现上，如果通信接口、存储器702和处理器701独立实现，则通信接口、存储器702和处理器701可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(industry standard architecture，isa)总线、外部设备互连(peripheral component interconnect，pci)总线或扩展工业标准体系结构(extended industry standard architecture，eisa)总线等。总线可以分为地址总线、数据总线、控制总线等，但并不表示仅有一根总线或一种类型的总线。
[0136]
可选的，在具体实现上，如果通信接口、存储器702和处理器701集成在一块芯片上实现，则通信接口、存储器702和处理器701可以通过内部接口完成通信。
[0137]
本技术实施例还提供了一种芯片，包括处理器和接口。其中接口用于输入输出处理器所处理的数据或指令。处理器用于执行以上方法实施例中提供的方法。该芯片可以应用于网络性能数据的预测装置中。
[0138]
本技术实施例还提供一种程序，该程序在被处理器执行时用于执行以上方法实施例提供的网络性能数据的预测方法。
[0139]
本技术实施例还提供一种程序产品，例如计算机可读存储介质，该程序产品中存储有指令，当其在计算机上运行时，使得计算机执行上述方法实施例提供的网络性能数据的预测方法。
[0140]
本技术还提供了一种计算机可读存储介质，该计算机可读存储介质可以包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁盘或者光盘等各种可以存储程序代码的介质。具体地，该计算机可读存储介质中存储有程序信息，程序信息用于上述网络性能数据的预测方法。
[0141]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本发明实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、
计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如，固态硬盘(solid state disk，ssd))等。
[0142]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。