[发明专利]基于深度学习和网络参数估计无线接入点吞吐量的方法

权利要求书

1.一种基于深度学习和网络参数估计无线接入点吞吐量的方法，其特征在于，该方法包括如下步骤：

(1)获取无线网络中AP端吞吐量与网络背景环境特征作为样本，对吞吐量数据做预处理，制作数据集X；

(2)根据基于变分自编码器网络(VAE)的异常值检测方法，训练数据集X，获得异常值检测模型；

(3)根据基于变分自编码器网络(VAE)的异常值检测方法，进行全网AP吞吐量数据异常值过滤，制作新的数据集X¹；

(4)根据数据集X¹，基于浅层神经网络进行训练，根据输入无线局域网络背景环境特征的显著度，逐步筛选出重要特征，制作新的数据集X²，具体方法为：

(4.1)初始浅层神经网络输入特征为：无线接入点硬件设施参数，包括AP的工作功率、信道、带宽；无线接入点工作信息，包括AP的信道利用率、重传率、干扰强度、信噪比；无线接入点的使用人员特征，包括人员分布、终端类型；以上组成初始输入特征集合x＝[x₁，x₂，...，x_i，...，x_n]；

(4.2)根据所述数据集X¹与初始网络输入特征集合x，采用浅层神经网络进行预训练，计算每一个初始输入特征x_i的显著度，所述显著度包括与无线接入点实时吞吐量之间的相关系数，对无线接入点实时吞吐量预测的贡献度，对无线接入点实时吞吐量预测的贡献度用预测误差降低来表征，与无线接入点实时吞吐量之间的相关系数的计算公式：

其中y是吞吐量实际值；

预测误差计算公式：

其中是吞吐量预测值；

(4.3)根据步骤(4.2)中计算得到的显著度，逐步筛选、保留显著度较高的特征，丢弃显著度较低的特征；以预测误差降低为例，设原始输入特征x的模型预测误差为e，对于特征x_i，设特征x_i丢弃后的模型预测误差为e_i：若e_i＜e，丢弃特征x_i；若e_i＞e，保留特征x_i；

(4.4)得到最终多层感知机网络输入特征，与吞吐量数据集X¹组合，制作新的数据集X²；

(5)根据数据集X²，基于深度多层感知机网络进行训练，估计出AP端实时吞吐量。

2.根据权利要求1所述的基于深度学习和网络参数估计无线接入点吞吐量的方法，其特征在于，步骤(1)中所述制作数据集X的具体方法包括：

(11)读取含有噪声、异常值的AP吞吐量数据；

(12)对步骤(11)读取的AP吞吐量数据按照时间序列进行数据预处理，取窗，形成若干个以时间窗口为W的AP吞吐量数据时间序列戳；

(13)将AP吞吐量数据时间序列戳以7∶3的比例分为训练集与测试集，训练集与测试集之间无交集。

3.根据权利要求1所述的基于深度学习和网络参数估计无线接入点吞吐量的方法，其特征在于，步骤(2)中所述基于变分自编码器(VAE)的异常值检测方法，采用PyTorch框架，在线性网络中加入常数项，防止方差项较小。

4.根据权利要求1所述的基于深度学习和网络参数估计无线接入点吞吐量的方法，其特征在于，步骤(3)中所述制作新的数据集X¹的具体方法包括：

(31)对一个时间窗口为W的AP吞吐量数据时间序列戳x，通过吞吐量异常检测模型获得新的AP吞吐量数据时间序列戳x′与方差σ_x；

(32)若x∈[x′-λσ_x，x′+λσ_x]，其中λ是正常数，保留x；

(33)若x＜x′-λσ_x，则x＝x′-λσ_x；

(34)若x＞x′+λσ_x，则x＝x′+λσ_x；

(35)制作新的数据集X¹。