[发明专利]一种网络资源与环境耦合关系的预测方法

说明书

本发明公开了一种网络资源与环境耦合关系的预测方法，包括步骤如下：通过基于多维模糊映射的缺失值处理方法、服务扩充的方法对原始的不完整参数集进行预处理，得到初步的参数集；通过基于多维环境参数的特征构造方法，对初步得到的参数集进行特征构造，以获得具有更强表征能力的数据；融合前向序列搜索、后向序列搜索、模拟退火算法对步骤S2得到数据的特征进行降维，从而降低各维度的变量空间及多维表征模型训练的复杂度；采用基于决策树的模型训练方法，对数据进行训练学习预测，实现网络资源在复杂环境约束下的精确描述。本发明能快速准确的补全缺失值，能提供预测精度的同时达到提高模型效率的目的。

技术领域

本发明涉及网络通信技术领域，更具体的，涉及一种网络资源与环境耦合关系的预测方法。

背景技术

在实际网络通信过程中，由于设备故障、环境突变等问题，导致环境感知设备采集到不完整或不准确的数据，进而引发网络资源状态的表征结果异常。网络资源状态的表征是否准确，将对网络资源的利用率产生很大影响。

如果不对环境感知设备采集到的不完整或不准确的数据进行填充，那么该数据将会默认以0值输入分析模型，无论是在训练亦或是测试阶段，0值输入都会极大影响模型对正常数据的响应，造成表征结果的不准确。

现有的缺失值的处理方法有均值填充、中值填充、或者直接舍弃。均值填充的优点是便捷、快速，适合处理方差较小的数据。缺点是直接用均值填充，肯定会带来一定的误差。中值填充适合文本类型的字段，因为文本字段没有办法求均值，所以用中值来处理。对于比较关键的字段，为了避免引入太多的误差，不适合使用均值填充。另外，如果比较关键的字段是数值类型的，也不适合中值填充。直接舍弃的做法主要是针对一些不重要的字段，因此不能直接舍弃重要字段。

特征的质量决定模型的效果上限，特征维度的大小及表现能力的强弱，都将导致模型最后的学习效果。通常模型使用原始特征进行建模，构建了特征之后，对数据进行学习。通常的拟合模型有线性回归、逻辑回归等方法。线性回归方法比较简单，但是对于非线性的数据，拟合出来的效果较差。逻辑回归相对于线性回归的表现形式更复杂一些，但是学习能力也有限，对缺失值比较敏感，需要对数据进行归一化。并且逻辑回归只能找到线性分割，不适合非线性的划分。

基于上述分析，现有技术实现对网络资源的预测，其存在以下缺点：

1.由于设备故障、环境突变等问题，可能导致环境感知设备采集到不完整或不准确的数据，缺失数据可能存在内在的联系，然而现有技术并未充分挖掘数据的内在联系，进而对缺失值进行填补。

2.原始数据集中有效特征维度过低，不能很准确地学习网络资源与多维环境的表征关系，现有技术没有考虑到扩充特征维度。

3.由于多维环境对资源的影响呈现非线性的关系，常规的拟合方法对多维非线性函数的预测结果精度较低。

发明内容

本发明为了解决在当前实际网络通信过程中，由于设备故障、环境突变等问题，导致环境感知设备采集到不完整或不准确的数据，而现有技术面对数据缺失的情况，采用直接删除缺失值的方法，或者缺失值用前一行数据或均值填充，这种常规的拟合方法对多维非线性函数的预测结果精度较低的问题，提出了一种网络资源与环境耦合关系的预测方法，其能快速准确的补全缺失值，能提升预测准确度。

为实现上述本发明目的，采用的技术方案如下：一种网络资源与环境耦合关系的预测方法，所述的预测方法包括步骤如下：

S1：通过环境感知设备获取原始数据，采用基于多维模糊映射的缺失值处理方法、服务扩充的方法对原始数据进行预处理，得到初步的参数集；

S2：通过基于多维环境参数的特征构造方法，对初步得到的参数集进行特征构造，以获得具有更强表征能力的数据；

S3：融合前向序列搜索、后向序列搜索、模拟退火算法对步骤S2得到数据的特征进行降维，从而降低各维度的变量空间及多维表征模型训练的复杂度；