(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111575851.5 (22)申请日 2021.12.20 (71)申请人 国网浙江省电力有限公司嘉兴供电 公司 地址 314001 浙江省嘉兴 市南湖区城北路 99号 (72)发明人 郑伟军　陈鼎　方景辉　吴国庆　 唐锦江　王征　胡景博　钱啸　 曾建梁　文科　周浩　俞涯　 姚继明　郭云飞　吴鹏　王玮　 虞跃　 (74)专利代理 机构 杭州杭诚专利事务所有限公 司 33109 专利代理师 尉伟敏(51)Int.Cl. G06K 9/62(2022.01) G06N 20/00(2019.01) G06Q 10/06(2012.01) G06Q 50/32(2012.01) (54)发明名称 一种基于机器学习的5G网络质量自动评估 方法 (57)摘要 本发明公开了一种基于机器学习的5G网络 质量自动评估 方法。 为了克服现有技术固定评估 参数的网络等级评估方法不能满足目前电力业 务众多的5G通信网络的等级评估要求的问题； 本 发明根据通信网络中不同业务对网络需求的差 异化， 引入随机森林算法对到来的业务类型进行 判断， 以精确化后续的网络评估参数， 提高网络 质量评估的针对性； 确定业务类型后， 通过GRU ‑ 注意力模型有针对性的对网络质量进行评估， 模 型中通过叠加GRU网络来拟合网络参数的非线 性 和时间序列特性， 并引入自注 意力机制对评估指 标和其权重进行捕获， 进而 得到具有针对性的网 络质量评估 结果。 本发明能够 有效的评估网络在 不同业务下的质量等级， 为业务传输的链路选择 提供更为精确的参 考。 权利要求书2页 说明书8页 附图1页 CN 114648053 A 2022.06.21 CN 114648053 A 1.一种基于 机器学习的5G网络质量自动评估方法， 其特 征在于， 包括以下步骤： S1： 电力业 务数据到 达， 开始执 行网络质量自动评估流 程； S2： 基于实时性、 可靠性、 传输 速率和覆盖能力的业 务网络需求对业 务类型进行判别； S3： 通过多层GUR网络和自注意力模块级联而成的GRU ‑注意力模型对相应业务下的网 络质量等级进行评估； S4： 根据误差指标判断网络 评估结果是否 达到要求； 输出达 到要求的网络 评估结果。 2.根据权利要求1所述的一种基于机器学习的5G网络质量自动评估方法， 其特征在于， 所述的步骤S2具体包括以下步骤： S201： 构建随机森林模型， 通过随机有放回的方式选取训练数据， 生成k个训练子集， 每 个子集构成一个决策树， 采用平均加权的方式来获取最终的子结果； S202： 采用OB B均方误差来对 模型优异进行评价， 对 模型进行训练、 调整。 3.根据权利要求2所述的一种基于机器学习的5G网络质量自动评估方法， 其特征在于， 决策树第一层依 次包括对应实时性、 可靠性、 传输速率和覆盖能力的四网络业务需求的叶 节点； 各网络业 务需求下对应若干网络 评估指标； 决策树{t(x， θi)， i＝1， 2，…， k} 其中x表示样本数据集； k表示决策树的个数； θi表示第i棵决策树的参数向量。 4.根据权利要求2或3所述的一种基于机器学习的5G网络质量自动评估方法， 其特征在 于， 所述的OB B均方误差的计算公式为： 其中， yi为因变量的实际值； 为预测值； 在训练过程中， 对k 值进行适应性调整， 使得计算结果的OB B均方误差符合预期要求。 5.根据权利要求1所述的一种基于机器学习的5G网络质量自动评估方法， 其特征在于， 所述步骤S3包括以下步骤： S301： 利用GRU网络来拟合输入序列的非线性和时间序列性， 将输入序列X＝[x(0)， x (1)， x(2). ..， x(t)]进行 特征提取； 其中， x(t)中包 含这一时刻通信网络中的评估指标值和到 达业务的类型； S302： 将提取出来的特征输入到自注意力层； 自注意力层对相应业务下所要采用的评 估指标进行选取， 并对选取 的评估指标权重进行计算， 根据得到的权重来对当前网络的质 量等级进行评估， 进 而得到具体的网络质量评估等级； S303： 自注意力层将相关指标通过线性层融合， 得到t+1时刻的输出y(t+1)。 6.根据权利要求1或5所述的一种基于机器学习的5G网络质量自动评估方法， 其特征在 于， GUR网络中包 含重置门和更新门两个门结构； 更新门用于控制前一时刻的状态信息被带入到当前状态中的程度， 更新门越大， 前一 时刻的状态信息被带入得越多；权　利　要　求　书 1/2 页 2 CN 114648053 A 2重置门控制前一状态被写入到当前的候选集 上的信息量， 重置门越小， 前一状态被 写入的信息量越少； t时刻隐藏层的输出ht的计算过程 为： 其中， ht‑1为前一时刻隐藏层的输出； zt用于计算当前时刻需要更新的内容； zt＝σ(W(r)xt+U(r)ht‑1) rt用于计算 候选隐藏层 rt＝σ(W(z)xt+U(z)ht‑1) 激活函数 W(z)， U(z)， W(r)， U(r)， W(h)， U(h)表示对应的权 重系数矩阵， ⊙则表示向量元 素积。 7.根据权利要求1所述的一种基于机器学习的5G网络质量自动评估方法， 其特征在于， 根据误差指标判断网络评估结果是否达到要求， 若误差指标小于预设的阈值， 则输出网络 质量等级的评估结果； 否则重新返回步骤S2， 直到误差指标小于预设的阈值。 8.根据权利要求1后7所述的一种基于机器学习的5G网络质量自动评估方法， 其特征在 于， 使用平均绝对百分比误差和均方根误差作为网络质量评估的误差评价指标； 两者的计 算表达式如下： 其中N是样本数据的总数， yi和 是第i个样点的真实质量 等级与预测质量 等级。权　利　要　求　书 2/2 页 3 CN 114648053 A 3