CN112564954B - 一种网络质量的预测方法及装置 - Google Patents

Abstract

本申请公开了一种网络质量的预测方法及装置，用以预测未来时间段内的网络质量，解决了现有技术中仅对网络的当前服务质量进行预测致使用户用网体验较差的问题。所述方法包括：获取待评估网络的参数信息，所述参数信息用于表征所述待评估网络在至少一个时间段内的网络服务情况；根据所述参数信息确定所述至少一个时间段分别对应的第一评估结果；所述第一评估结果用于表征所述待评估网络在所述第一评估结果对应的时间段的服务质量；根据所述至少一个时间段分别对应的第一评估结果针对所述待评估网络在未来第一时间段的服务质量进行预测得到第二评估结果，所述第二评估结果用于表征所述待评估网络在所述第一时间段的服务质量。

Description

一种网络质量的预测方法及装置

技术领域

本申请涉及通信技术领域，尤其涉及一种网络质量的预测方法及装置。

背景技术

随着互联网的发展，使用无线保真(Wireless Fidelity，WIFI)用户越来越多。而用户所接入的WIFI的质量好坏对于用户来说至关重要。比如在高校，企业，互联网等行业中，视频会议，网络直播非常频繁，较多的用户使用手机，笔记本等终端设备加入视频会议或者进行直播授课等，因此对WIFI服务质量有较高的要求。

目前仅对网络的当前服务质量进行预测，用户无法基于网络的当前服务质量错开用网高峰，体验较差。

发明内容

本申请示例性的实施方式中提供一种网络质量预测的方法，用以实现用户可以提前预知未来网络状况，获得更佳的用网体验。

第一方面，本申请实施例提供了一种网络质量的预测方法，包括获取待评估网络的参数信息，所述参数信息用于表征所述待评估网络在至少一个时间段内的网络服务情况；

根据所述参数信息确定所述至少一个时间段分别对应的第一评估结果；所述第一评估结果用于表征所述待评估网络在所述第一评估结果对应的时间段的服务质量；

根据所述至少一个时间段分别对应的第一评估结果预测所述待评估网络在未来第一时间段的第二评估结果，所述第二评估结果用于表征所述待评估网络在所述未来第一时间段的服务质量。

基于上述方案，根据设定的多个时间段的服务质量来预测未来时间段内的网络的服务质量，从而用户可以根据获得的未来时间的网络的服务质量来合理安排上网时间及上网位置，基于网络的当前服务质量错开用网高峰，提高资源利用率，并且获得更佳的用网体验。

在一种可能的实现方式中，所述参数信息包括如下中的一项或者多项：

接入成功率，所述接入成功率用于表征成功接入所述待评估网络的终端设备的数量与发起接入所述待评估网络的终端设备的数量的比值；

接入耗时，所述接入耗时用于表征至少一个终端设备从发起接入所述待评估网络到完成接入的平均时长；

漫游达标率，所述漫游达标率用于表征终端设备在不同接入点之间切换的成功率；

信号信息，所述信号信息用于表征待评估网络的信号覆盖的范围；

干扰信息，所述干扰信息用于表征不同接入点之间信号相互干扰情况；

容量达标率，所述容量达标率用于表征待评估网络的信道利用率；

空口拥塞达标率，所述空口拥塞达标率用于表征待评估网络中出现信道拥塞接入点占所述待评估网络包括的接入点的比例；

设备在服率，所述设备在服率用于表征所述待评估网络包括的正在提供服务的接入点占所述待评估网络包括的接入点的比例。

上述设计中，可以通过上述8个指标来估计网络的服务质量可以提高评估的准确度，从而提高预测的未来时间的网络服务质量的准确度。

在一种示例性地的实现方式中，根据所述参数信息确定所述至少一个时间段分别对应的第一评估结果，包括：

根据所述参数信息，通过第一神经网络模型，获得所述至少一个时间段分别对应的第一评估结果；所述第一神经网络模型用于实现待评估网络在至少一个时间段的服务质量评估。

上述设计中，通过第一神经网络模型来获得所述至少一个时间段分别对应的第一评估结果，提高预测的网络服务质量的准确度。

在一种示例性地的实现方式中，所述第一神经网络模型基于历史数据样本训练得到；所述历史数据样本包括所述待评估网络在历史时长内的参数信息，以及所述历史时长内所述待评估网络中每个接入点分别对应的用户评价结果，所述用户评价结果用于表征用户对所述用户使用的终端设备所接入的接入点的信号质量的评价结果。

基于上述方案，在训练第一神经网络模型时加入了用户评价结果，使得训练的第一神经网络模型的输出更加准确。

在一种示例性地的实现方式中，根据所述至少一个时间段分别对应的第一评估结果针对所述待评估网络在未来第一时间段的服务质量进行预测得到第二评估结果，包括：

根据所述至少一个时间段分别对应的第一评估结果，通过第二神经网络模型，获得所述待评估网络在未来第一时间段的第二评估结果，所述第二神经网络模式用于实现待评估网络在所述未来第一时间段的服务质量评估。

基于上述方案，采用第二神经网络模型结合第一神经网络模型的输出来育德未来时间的网络服务质量，使得预测到的结果更加贴近实际未来时间的网络服务质量。

在一种示例性地的实现方式中，将所述第二评估结果通知给接入所述待评估网络包括的接入点的终端设备。

上述设计中，使用用户实时接收到未来时间的网络服务质量，可以尽量避开用网高峰期，获得更好的用网体验。

第二方面，基于与第一方面同样的发明构思，本申请实施例提供了一种网络质量的预测装置，所述网络质量预测装置可以包括用于实现上述第一方面任一种可能实现的方式，有益效果可以参见第一方面，此处不再赘述。网络质量预测装置包括：

通信单元，用于获取待评估网络的参数信息，所述参数信息用于表征所述待评估网络在至少一个时间段内的网络服务情况；

所述参数信息包括接入成功率、接入耗时、漫游达标率、信号信息、干扰信息、容量达标率、吞吐达标率或设备在服率中的一项或多项；

处理单元，用于根据所述参数信息确定所述至少一个时间段分别对应的第一评估结果；所述第一评估结果用于表征所述待评估网络在所述第一评估结果对应的时间段的服务质量；

所述处理单元，还用于根据所述至少一个时间段分别对应的第一评估结果预测所述待评估网络在未来第一时间段的第二评估结果，所述第二评估结果用于表征所述待评估网络在所述未来第一时间段的服务质量。

在一种示例性地的实现方式中，处理单元，在根据所述参数信息确定所述至少一个时间段分别对应的第一评估结果时，具体用于：根据所述参数信息，通过第一神经网络模型，获得所述至少一个时间段分别对应的第一评估结果；所述第一神经网络模型用于实现待评估网络在至少一个时间段的服务质量评估。

在一种示例性地的实现方式中，处理单元还用于在根据所述至少一个时间段分别对应的第一评估结果针对所述待评估网络在未来第一时间段的服务质量进行预测得到第二评估结果时，具体用于：根据所述至少一个时间段分别对应的第一评估结果，通过第二神经网络模型，获得所述待评估网络在未来第一时间段的第二评估结果，所述第二神经网络模式用于实现待评估网络在所述未来第一时间段的服务质量评估。

在一种示例性地的实现方式中，通信单元还用于：将所述第二评估结果通知给接入所述待评估网络包括的接入点的终端设备。

第三方面，提供了一种电子设备，所述电子设备包括处理器和存储器。存储器用于存储计算机执行指令，处理器执行存储器中的计算机执行指令以利用控制器中的硬件资源执行第一方面或第一方面任一种可能实现方式中方法的操作步骤。

第四方面，本申请提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述各方面的方法。

另外，第二方面至第四方面的有益效果可以参见如第一方面所述的有益效果，此处不再赘述。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例。

图1为本申请实施例提供的网络架构示意图；

图2为本申请实施例提供的一种可能的实现方式的流程图；

图3为本申请实施例提供的第一神经网络架构示意图；

图4为本申请实施例提供的第二神经网络架构示意图；

图5为本申请实施例提供的一种具有网络质量预测功能的装置；

图6为本申请实施例提供的一种电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请技术方案的一部分实施例，而不是全部的实施例。基于本申请文件中记载的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请技术方案保护的范围。

本申请的说明书和权利要求书及上述附图中的术语“第一”和“第二”是用于区别不同对象，而非用于描述特定顺序。此外，术语“包括”以及它们任何变形，意图在于覆盖不排他的保护。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请中的“多个”可以表示至少两个，例如可以是两个、三个或者更多个，本申请实施例不做限制。

另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，在不做特别说明的情况下，一般表示前后关联对象是一种“或”的关系。

目前，通过网络服务区域内的流量使用情况对当前网络的服务质量进行预测，无法获得未来时间的网络的服务质量，导致用户无法基于网络的当前服务质量错开用网高峰，体验较差。基于此，本申请实施例提供一种网络质量的预测方法及装置，用以对网络在未来时间的服务质量进行评估，使得用户可以错开用网高峰，提高用户体验。具体的，本申请实施例提供了一种利用第一神经网络模型、第二神经网络模型对未来时间的网络质量进行预测，其中第一神经网络用于评估网络的当前服务质量，第二神经网络以第一神经网络的输出作为输入，可以预测出未来时间段内的网络服务质量，可以让用户获得更优质的网络服务体验。

本申请实施例可以用于高校、企业、互联网行业中视频会议，网络直播等应用场景中。

为了便于理解本申请实施例，首先以图1示出的通信网络架构为例进行具体说明。

在图1所示的通信网络架构中，具体包括无线控制器(Wireless Access PointController，AC)101，终端设备102，至少一个无线接入点(Access Point，AP)103，采集服务器104，数据统计平台105。需要说明的是，通信网络架构中可以包括一个或多个AP103，图1中以n为例，n正整数。通信网络架构可以包括一个或者多个终端设备102，图1中仅示出一个。需要说明的是，图1仅作为一种示例，并不对通信网络架构包括的终端设备和AP的数量进行限定。

本申请涉及的AP 103用于为终端设备提供网络服务。例如，AP 103可以包括无线路由器，光网络单元(Optical Network Unit，ONU)等。

本申请涉及的AC 101是一种网络设备，作为无线网络的核心，负责对无线网络中的AP进行管理，对AP的管理可以包括：下发配置、修改相关配置参数、射频智能管理或者接入安全控制等。

本申请涉及的终端设备102，可以是手机(Mobile Phone)、平板电脑、笔记本电脑、掌上电脑、移动互联网设备(Mobile Internet Device，MID)、可穿戴设备等等。可穿戴式设备例如可以包括智能手表或智能眼镜，智能手环等。

本申请涉及的采集服务器104用于接收来自AP和/或AC上报的报文，并对报文进行解析。还用于将解析后的报文通过信息中间件传输到数据统计平台105。

本申请涉及的数据统计平台105用于将所述采集服务器104传输的数据进行清洗过滤，然后进一步根据来自采集服务器104的数据进行未来时间的网络服务质量的预测。

下面结合图1所示的通信网络架构对本申请实施例提供的网络质量的预测方法流程进行详细说明。通信网络架构对应的通信网络可以为待评估网络。

参见图2所示，为一种可能的网络质量的预测方法流程示意图。具体包括：

201，采集服务器从AP或者AC收集统计数据。

所述统计数据包含多项数据。多项数据可以是AC和/或AP的系统日志，AP版本信息，AP上射频端口的速率或者CMD_CLI_MSG报文等信息。统计数据还可以包含AP或AC版本信息，每项数据的统计时间，每项数据对应的AP或AC的位置等。

例如，AP或AC可以周期性收集统计数据，为了便于描述，可以将收集统计数据的周期称为采集周期。例如采集周期可以为10分钟、1小时、12小时或者1天等等。

202，采集服务器将收集到的统计数据上报给数据统计平台。

为了便于描述，可以将上报统计数据的周期称为上报周期，上报周期大于或者等于采集周期。例如，采集周期可以是10分钟，即每隔10分钟进行一次统计数据采集，上报周期可以为1小时，即将1小时内6个采集周期采集的统计数据上报给数据统计平台。

203，数据统计平台接收统计数据，对统计数据进行处理得到参数信息。

具体的，对统计数据进行处理可以包括解析统计数据包括的每项数据。然后，针对每项数据进行清洗过滤。清洗过滤可以包括对存在丢失或者杂乱的脏数据进行过滤。

存在丢失是指因终端设备或AC或AP软硬件升级等问题，导致该项数据中会存在某些字段缺失，比如时间缺失，则将该项数据过滤掉。

杂乱的脏数据是指：正常AC或AP产生的报文满足一定的格式要求，以便于解析，但是AP或AC或终端设备升级后可能导致产生的报文不满足格式要求，导致数据解析错误。若针对一项数据进行解析得到不满足格式要求的数据，则将该项数据过滤掉。比如，一项数据中的开关字段的值应该为0或1，当解析到某项数据中的开关字段的值不为0且不为1，则该项数据被过滤掉。

数据统计平台针对统计数据进行处理后，可以针对经过处理后的统计数据进行进一步地计算等处理，获得用于对待评估网络进行评估的参数信息。参数信息包括接入成功率、接入耗时、漫游达标率、信号信息、干扰信息、容量达标率、吞吐达标率或设备在服率中的一项或者多项。

接入成功率用于表征成功接入所述待评估网络的终端设备的数量与发起接入所述待评估网络的终端设备的数量的比值。数据统计平台可以根据统计数据中AC或AP的系统日志来确定接入成功率。

由于不同的AP具有不同的SSID(Service Set Identifier，服务集标识符)，因此，终端设备在接入待评估网络的过程中，可以通过待评估网络中AP的服务集标识符(ServiceSet Identifier)来接入待评估网络中的某个AP。AC可以捕获终端设备执行的接入某个AP的动作，通过捕获的终端设备执行的接入某个AP的动作来判断终端设备接入该AP是否出现异常，并产生用于指示接入该AP是否出现异常的系统日志。进一步地，AC可以将用于指示终端设备接入AP是否出现异常的系统日志上报给采集服务器。从而数据统计平台根据系统日志来确定终端设备接入某个AP成功的数量以及未成功的数量。

本申请实施例中接入成功率可以反应用户接入待评估网络的成功率，如果接入成功率比较高可以反应网络服务质量较好。例如，如果接入成功率低，会存在用户常常连接不上网络的情况从而说明网络服务质量较差。

接入耗时用于表征终端设备从发起接入所述待评估网络到完成接入的时长。在一个时间段内，可能存在多个终端设备接入该待评估网络，接入耗时可以是多个终端设备接入到待评估网络的接入耗时的平均值。

作为一种举例，数据统计平台可以根据统计数据中的CMD_CLI_MSG报文获得接入耗时。数据统计平台通过CMD_CLI_MSG报文可以直接解析得到关联/认证/动态主机配置协议(Dynamic Host Configuration Protocol，DHCP)时发送报文的时间和收到结束报文的时间，从而可以将收到结束报文的时间与发送方报文的时间差作为接入耗时。

本申请中漫游达标率用于表征终端设备在不同接入点之间切换的成功率。数据统计平台可以通过统计数据中的CMD_CLI_MSG报文获得漫游达标率。数据统计平台可以解析CMD_CLI_MSG报文，从而确定终端设备从一个AP切换到另一个AP是否成功。应当理解的是，在一个时间段内可以存在多个终端设备在待评估网络包括的多个AP之间进行切换。有些终端设备切换成功，有些终端设备切换失败，通过CMD_CLI_MSG报文确定切换成功的数量以及执行切换的总数量来获得漫游达标率。

本申请中的信号信息与干扰信息：信号信息用于表征待评估网络的信号覆盖范围，所述覆盖范围可以通过面积或者扇形区域的角度以及半径来表示。数据统计平台可以通过统计数据中的CMD_CLI_MSG报文直接获得信号覆盖的范围；干扰信息用于表征不同接入点之间信号相互干扰的情况，数据统计平台可以解析统计数据中的CMD_CLI_MSG报文，得到不同AP的信道之间重叠部分的信号强度(Received Signal Strength Indicator，RSSI)。根据AP的信道之间重叠部分的信号强度确定AP的信道之间是否存在干扰，比如信号强度低于设定阈值，则确定存在干扰。进一步地，统计存在干扰的信道数量占待评估网络包括的总信道数量的比例。将该比例作为干扰信息。

本申请中的容量达标率用于表征待评估网络的信道利用率。待评估网络中的AP上存在多个信道，终端设备在接入AP后，通过AP上的信道进行数据收发。信道利用率是指待评估网络中AP包括的所有信道中被占用的信道的比例。

本申请中的空口拥塞达标率用于表征待评估网络中出现信道拥塞接入点占所述待评估网络包括的接入点的比例。数据统计平台可以根据统计数据中的CMD_CLI_MSG报文获得空口拥塞达标率。AP出现信道拥塞可以是：AP中被占用的信道的数量占用AP的总信道数量的比例达到预设阈值。预设阈值大于50％且小于100％。例如预设阈值为93％。

本申请中的设备在服率用于表征所述待评估网络包括的正在提供服务的接入点占所述待评估网络包括的接入点的比例。例如，数据统计平台可以根据统计数据中AC或AP的系统日志获得设备在服率。数据统计平台解析系统日志可以得到某段时间内正常工作的AP，异常工作(比如出现故障或者离线等)的AP。然后进一步计算正常工作的AP的数量与待评估网络中所有AP的数量的比值得到设备在服率。

204，数据统计平台利用上述参数信息对待评估网络在至少一个时间段的服务质量进行评估得到第一评估结果。

可选地，对待评估网络的服务质量进行评估时，使用的参数信息需要包括8个指标，分别为接入成功率、接入耗时、漫游达标率、信号信息、干扰信息、容量达标率、吞吐达标率和设备在服率。

数据统计平台针对一个时间段的统计数据进行处理获得参数信息时，可能仅获得8个指标或者少于8个指标的信息，则针对该时间段获得的参数信息存在缺陷，则将该时间段获得的参数信息过滤掉。

在一种可能的实施方式中，数据统计平台利用上述参数信息对待评估网络在至少一个时间段的服务质量进行评估得到第一评估结果时，可以通过如下方式实现：

根据所述参数信息，通过第一神经网络模型，获得所述至少一个时间段分别对应的第一评估结果；所述第一神经网络模型用于实现对待评估网络在至少一个时间段的服务质量的评估。

可选地，所述第一神经网络模型基于历史数据样本训练得到；所述历史数据样本包括所述待评估网络在历史时长内的参数信息，以及所述历史时长内所述待评估网络中每个接入点分别对应的用户评价结果，所述用户评价结果用于表征用户对所述用户使用的终端设备所接入的接入点的信号质量的评价结果。

作为一种举例，用户评价结果可以通过以下方式获得：

例如，数据统计平台向终端设备发送一个指令，该指令用于指示用户对当前网络的服务质量进行评价。终端设备接收到该指令后，可以显示选择信息，选择信息可以用于选择当前网络的服务质量，比如，包括优、良、中、差。从而用户可以对当前网络质量进行评价，选择优、良、中、差中的一个。进一步地，终端设备响应于用户选择优、良、中、差中的一个的操作，向数据统计平台发送用户评价结果。

下面针对第一神经网络模型的训练过程进行详细描述。训练过程如下：

A1，数据统计平台建立初始第一神经网络模型，并获得历史数据样本。

历史数据样本可以包括所述待评估网络在历史时长内的参数信息，以及所述历史时长内所述待评估网络中每个接入点分别对应的用户评价结果。

这里所说的历史时长，可以是启动训练之前的一段时间。

A2，数据统计平台输入历史数据样本对第一神经网络模型进行训练。

作为一种举例，第一神经网络模型可以包含输入层、输出层、隐藏层，具体结构见图3；训练输入x(x1，x2，x3，x4，x5，x6，x7，x8)为一个8*1的向量，其中x中的每一个特征均表示参数信息中的一项参数；y＝y(x)表示输入层中x对应的期望输出，即用户评价结果；为了使第一神经网络的期待输出y(x)能够与所有的训练输入x对应，定义一个代价函数：

w表示权重，b表示偏置，n表示历史数据样本包括的样本数量，a表示历史数据样本中用户评价结果。符号||v||是指向量v的模。该第一神经网络模型的工作原理是，取得适当的w和b，使得代价函数C(w，b)≈0。

在一种可能的实施方式中，数据统计平台可以周期性地对第一神经网络模型进行修订。

比如，每间隔一周或者一个月对第一神经网络模型进行修订。以一周为例，在当前周期对第一神经网络模型进行修订时，可以采用上一周采集得到的参数信息以及，上一周用户对待评估网络的用户评价结果来构成历史数据样本，来对第一神经网络模型进行修订。

205，数据统计平台根据所述至少一个时间段分别对应的第一评估结果预测所述待评估网络在未来第一时间段的第二评估结果。

在一种可能的实施方式中，数据统计平台利用第一评估结果预测出未来第一时间段对应的第二评估结果时，可以通过如下方式实现：

根据所述第一评估结果，通过第二神经网络模型，获得所述未来第一时间段的服务质量进行预测得到第二评估结果，所述第二评估结果用于表征所述待评估网络在所述第一时间段的服务质量。

可选地，所述第二神经网络模型基于第一评估结果训练得到。

所述第二神经网络模型训练过程可以包括：

B1，数据统计平台建立初始第二神经网络模型，并获得历史训练样本。

历史训练样本可以包括所述第一神经网络模型在历史时长内输出的评估结果和由无线接入点采集到的时间、位置，以及在时间段1内所述待评估网络中每个接入点分别对应的用户评价结果。

这里所说的历史时长和时间段1，可以是启动训练之前的一段时间。其中，时间段1在所述历史时长之后。例如，所述历史时长可以是启动训练上一个月的1日-7日，那么所述时间段1就可以是启动训练上一个月的8日。

这里所说的时间可以是数据统计平台获取历史训练样本的时间，位置可以是待评估网络所处的位置。

B2，数据统计平台输入历史训练样本对第二神经网络模型进行训练。

如图4，数据统计平台采用递归神经网络对第二神经网络模型进行训练。

在一种可能的实施方式中，数据统计平台可以周期性地对第二神经网络模型进行修订。

比如，每间隔一周或者一个月对第二神经网络模型进行修订。以一周为例，在当前周期对第二神经网络模型进行修订时，可以采用上一周预测得到的第二评估结果以及当前周期实际的用户评价结果来对第一神经网络模型进行修订。

206，数据统计平台将第二评估结果发送给终端设备。

例如，数据统计平台可以通过应用(application，APP)将第二评估结果发送到终端设备。使用户了解未来的网络服务质量情况，由此来避开用网高峰期或更换到网络质量更佳的位置，获得更好的用网体验。

基于与上述网络服务质量预测方法的同一构思，如图5所示，提供了一种具有网络质量预测功能的装置500。装置500能够执行上述方法中数据统计平台执行的各个步骤，为了避免重复，此处不再详述。装置500包括：通信单元501、处理单元502。

通信单元501，用于获取待评估网络的参数信息，所述参数信息用于表征所述待评估网络在至少一个时间段内的网络服务情况；

处理单元502，用于根据所述参数信息确定所述至少一个时间段分别对应的第一评估结果；所述第一评估结果用于表征所述待评估网络在所述第一评估结果对应的时间段的服务质量；

所述处理单元502，还用于根据所述至少一个时间段分别对应的第一评估结果针对所述待评估网络在未来第一时间段的服务质量进行预测得到第二评估结果，所述第二评估结果用于表征所述待评估网络在所述第一时间段的服务质量。

在一种可能的实施方式中：

处理单元502，在根据所述参数信息确定所述至少一个时间段分别对应的第一评估结果时，具体用于：根据所述参数信息，通过第一神经网络模型，获得所述至少一个时间段分别对应的第一评估结果；所述第一神经网络模型用于实现待评估网络在至少一个时间段的服务质量评估。

在一种可能的实施方式中，处理单元502，在根据所述至少一个时间段分别对应的第一评估结果针对所述待评估网络在未来第一时间段的服务质量进行预测得到第二评估结果时，具体用于：根据所述至少一个时间段分别对应的第一评估结果，通过第二神经网络模型，获得所述待评估网络在未来第一时间段的第二评估结果，所述第二神经网络模式用于实现待评估网络在所述未来第一时间段的服务质量评估。

在一种可能的实施方式中，通信单元501还用于：将所述第二评估结果通知给接入所述待评估网络包括的接入点的终端设备。

示例性的，所述装置500执行上述方法中的各个步骤时，所述处理单元502可以采用所述通信单元501获取的数据对第一神经网络模型和第二神经网络模型进行训练。具体训练过程的描述可以参见步骤204-步骤205所述的方法实施例中的相关描述。

图6示出了本发明实施例提供的数据统计平台对应的电子设备结构示意图。本申请实施例中的电子设备还可以包括通信接口603，该通信接口603例如是网口，电子设备可以通过该通信接口603传输数据，例如接收采集服务器的统计数据。

在本申请实施例中，存储器602存储有可被至少一个处理器601执行的指令，至少一个处理器601通过执行存储器602存储的指令，可以用于执行前述数据网络平台所执行的步骤。

其中，处理器601是电子设备的控制中心，可以利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器602内的指令以及调用存储在存储器602内的数据。可选的，处理器601可包括一个或多个处理单元，处理器601可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器601中。在一些实施例中，处理器601和存储器602可以在同一芯片上实现，在一些实施例中，它们也可以在独立的芯片上分别实现。

处理器601可以是通用处理器，例如中央处理器(CPU)、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件，可以实现或者执行本申请实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者任何常规的处理器等。结合本申请实施例所公开的数据统计平台所执行的步骤可以直接由硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。

存储器602作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块。存储器602可以包括至少一种类型的存储介质，例如可以包括闪存、硬盘、多媒体卡、卡型存储器、随机访问存储器(Random AccessMemory，RAM)、静态随机访问存储器(Static Random Access Memory，SRAM)、可编程只读存储器(Programmable Read Only Memory，PROM)、只读存储器(Read Only Memory，ROM)、带电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性存储器、磁盘、光盘等等。存储器602是能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。本申请实施例中的存储器602还可以是电路或者其它任意能够实现存储功能的装置，用于存储程序指令和/或数据。

通过对处理器601进行设计编程，例如，可以将前述实施例中介绍的神经网络模型的训练方法所对应的代码固化到芯片内，从而使芯片在运行时能够执行前述的神经网络模型训练方法的步骤，如何对处理器601进行设计编程为本领域技术人员所公知的技术，这里不再赘述。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其它可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其它可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其它可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其它可编程数据处理设备上，使得在计算机或其它可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其它可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (13)

1.一种网络质量的预测方法，其特征在于，包括：

获取待评估网络的参数信息，所述参数信息用于表征所述待评估网络在至少一个时间段内的网络服务情况；

根据所述参数信息确定所述至少一个时间段分别对应的第一评估结果；所述第一评估结果用于表征所述待评估网络在所述第一评估结果对应的时间段的服务质量；

根据所述至少一个时间段分别对应的第一评估结果预测所述待评估网络在未来第一时间段的第二评估结果，所述第二评估结果用于表征所述待评估网络在所述未来第一时间段的服务质量；

其中，根据所述至少一个时间段分别对应的第一评估结果预测所述待评估网络在未来第一时间段的第二评估结果，包括：

根据所述至少一个时间段分别对应的第一评估结果，通过第二神经网络模型，获得所述待评估网络在未来第一时间段的第二评估结果，所述第二神经网络模型基于第一评估结果训练得到，用于实现待评估网络在所述未来第一时间段的服务质量评估。

2.如权利要求1所述的方法，其特征在于，所述参数信息包括如下中的一项或者多项：

接入成功率，所述接入成功率用于表征成功接入所述待评估网络的终端设备的数量与发起接入所述待评估网络的终端设备的数量的比值；

接入耗时，所述接入耗时用于表征至少一个终端设备从发起接入所述待评估网络到完成接入的平均时长；

漫游达标率，所述漫游达标率用于表征终端设备在不同接入点之间切换的成功率；

信号信息，所述信号信息用于表征待评估网络的信号覆盖的范围；

干扰信息，所述干扰信息用于表征不同接入点之间信号相互干扰情况；

容量达标率，所述容量达标率用于表征待评估网络的信道利用率；

空口拥塞达标率，所述空口拥塞达标率用于表征待评估网络中出现信道拥塞接入点占所述待评估网络包括的接入点的比例；

设备在服率，所述设备在服率用于表征所述待评估网络包括的正在提供服务的接入点占所述待评估网络包括的接入点的比例。

3.如权利要求1所述的方法，其特征在于，根据所述参数信息确定所述至少一个时间段分别对应的第一评估结果，包括：

根据所述参数信息，通过第一神经网络模型，获得所述至少一个时间段分别对应的第一评估结果；所述第一神经网络模型用于实现待评估网络在至少一个时间段的服务质量评估。

4.如权利要求3所述的方法，其特征在于，所述第一神经网络模型基于历史数据样本训练得到；所述历史数据样本包括所述待评估网络在历史时长内的参数信息，以及所述历史时长内所述待评估网络中每个接入点分别对应的用户评价结果，所述用户评价结果用于表征用户对所述用户使用的终端设备所接入的接入点的信号质量的评价结果。

5.如权利要求3或4所述的方法，其特征在于，所述第二神经网络模型基于历史训练样本得到；所述历史训练样本包括所述第一神经网络模型在历史时长内输出的评估结果。

6.如权利要求1-4任一项所述的方法，其特征在于，还包括：

将所述第二评估结果通知给接入所述待评估网络包括的接入点的终端设备。

7.一种网络质量的预测装置，其特征在于，包括：

通信单元，用于获取待评估网络的参数信息，所述参数信息用于表征所述待评估网络在至少一个时间段内的网络服务情况；

处理单元，用于根据所述参数信息确定所述至少一个时间段分别对应的第一评估结果；所述第一评估结果用于表征所述待评估网络在所述第一评估结果对应的时间段的服务质量；

所述处理单元，还用于根据所述至少一个时间段分别对应的第一评估结果预测所述待评估网络在未来第一时间段的第二评估结果，所述第二评估结果用于表征所述待评估网络在所述未来第一时间段的服务质量；

其中，所述处理单元，在根据所述至少一个时间段分别对应的第一评估结果预测所述待评估网络在未来第一时间段的第二评估结果时，具体用于：

根据所述至少一个时间段分别对应的第一评估结果，通过第二神经网络模型，获得所述待评估网络在未来第一时间段的第二评估结果，所述第二神经网络模型基于第一评估结果训练得到，用于实现待评估网络在所述未来第一时间段的服务质量评估。

8.如权利要求7所述的装置，其特征在于，所述参数信息包括如下中的一项或者多项：

接入成功率，所述接入成功率用于表征成功接入所述待评估网络的终端设备的数量与发起接入所述待评估网络的终端设备的数量的比值；

接入耗时，所述接入耗时用于表征至少一个终端设备从发起接入所述待评估网络到完成接入的平均时长；

漫游达标率，所述漫游达标率用于表征终端设备在不同接入点之间切换的成功率；

信号信息，所述信号信息用于表征待评估网络的信号覆盖的范围；

干扰信息，所述干扰信息用于表征不同接入点之间信号相互干扰情况；

容量达标率，所述容量达标率用于表征待评估网络的信道利用率；

空口拥塞达标率，所述空口拥塞达标率用于表征待评估网络中出现信道拥塞接入点占所述待评估网络包括的接入点的比例；

设备在服率，所述设备在服率用于表征所述待评估网络包括的正在提供服务的接入点占所述待评估网络包括的接入点的比例。

9.如权利要求7所述的装置，其特征在于，所述处理单元，在根据所述参数信息确定所述至少一个时间段分别对应的第一评估结果时，具体用于：

根据所述参数信息，通过第一神经网络模型，获得所述至少一个时间段分别对应的第一评估结果；所述第一神经网络模型用于实现待评估网络在至少一个时间段的服务质量评估。

10.如权利要求9所述的装置，其特征在于，所述第一神经网络模型基于历史数据样本训练得到；所述历史数据样本包括所述待评估网络在历史时长内的参数信息，以及所述历史时长内所述待评估网络中每个接入点分别对应的用户评价结果，所述用户评价结果用于表征用户对所述用户使用的终端设备所接入的接入点的信号质量的评价结果。

11.如权利要求9或10所述的装置，其特征在于，所述第二神经网络模型基于历史训练样本得到；所述历史训练样本包括所述第一神经网络模型在历史时长内输出的评估结果。

12.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，

所述存储器，用于存储计算机程序或指令；

所述处理器，用于执行存储器中的计算机程序或指令，使得权利要求1-6中任一项所述的方法被执行。

13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令在被计算机调用时，使所述计算机执行如权利要求1-6任一项所述的方法。

Images