技术摘要：
本发明公开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，该方法包括如下步骤：(1)获取无线局域网络中AP端的吞吐量作为样本，对吞吐量数据做预处理，制作数据集X；(2)根据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VAE的异常值检测方法  全部
背景技术：
： 随着通信技术的进一步发展，无线网络已经覆盖到了人类生活的每个角落。现阶 段，在公司、学校、商场各个角落都有着自己的无线网络，人们对于无线网络的依赖与日倍 增。此外，随着5G技术的蓬勃发展，无线网络对于无人驾驶、无人机、智慧医疗、工业互联网 等领域的发展也有着重大的促进作用，工业界对于无线网络通信的实时性、可靠性也提出 了更高的要求。然而无线通信信道资源是有限的，随着无线接入点(AP)数量的增加，AP之间 的相互干扰也日益严重，这极大地影响了用户体验，对工业界的影响更加严重。因此很多大 型互联网公司或IT设备服务提供商会采用优化无线网络参数配置的方法来提升网络性能 与终端用户体验。 传统无线网络调优算法大部分是基于AP之间的干扰强度进行频谱资源分配与调 节，通过调节、分配网络参数来降低无线网络干扰。在频谱分配过程中，较少的考虑无线局 域网络环境实际工作状态，无线频谱资源利用率较低。若能够通过建立数学模型，根据网络 环境参数估计当前时刻的网络运行状态，在此基础上进行频谱资源分配，即可以极大提升 无线网络性能，提高无线频谱资源的利用率。无线局域网络AP端实时吞吐量是反应当前时 刻网络运行状态的重要组成部分。 AP端实时吞吐量预测，本质上是一种参数拟合问题，可以根据无线局域网络硬件 参数、实际人员分布等背景环境特征来预测当前时刻AP端的实时吞吐量。神经网络可以利 用矩阵的线性变换与非线性变化来有效提取无线局域网络环境特征，预测当前时刻无线局 域网络AP端吞吐量。因为无线局域网络采用的是载波监听冲突避免(CSMA/CA)协议，且吞吐 量样本也会存在缺失、0值等统计问题，所以吞吐量样本中常含有异常值，这对无线网络AP 吞吐量的预测带来了极大的挑战。
技术实现要素：
： 本发明的目的是克服现有技术不足，本发明的目的在于设计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，通过变分自编码器进行吞吐量异常值检测、过滤 与替换，在此基础上采用深度多层感知机网络进行网络背景特征提取与预测，提高AP端吞 吐量预测的准确率和效率。 上述目的通过以下技术方案来实现： 基于深度学习和网络参数估计无线接入点吞吐量的方法，该方法包括如下步骤： (1)获取无线网络中AP端的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 4 CN 111553463 A 说　明　书 2/6 页 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，...，xi，...，xn]； (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xi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，对无线接入点吞吐量预测的贡献度，对无线接入点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xi，设特征xi丢弃后的模型预测误差为ei：若ei＜e，丢弃特征xi；若ei＞e，保留特征xi； (4.4)得到最终多层感知机神经网络输入特征，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。 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，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。 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，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。 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，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 5 CN 111553463 A 说　明　书 3/6 页 获得新的AP吞吐量数据时间序列戳x′与方差σx； (32)若x∈[x′-λσx，x′ λσx]，其中λ是正常数，保留x； (33)若x＜x′-λσx，则x＝x′-λσx； (34)若x＞x′ λσx，则x＝x′ λσx； (35)制作新的数据集X1。 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，步骤(5)中，所述 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端实时吞吐量的具体方法是： (5.1)对于数据集X2，将数据集X2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； (5.2)采用深度多层感知机网络进行训练，从而得到多层感知机模型网络参数； (5.3)根据网络背景环境特征，预测当前AP端的实时吞吐量。 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，步骤(1)中获取 无线局域网络中AP端的吞吐量与网络背景环境特征作为样本的时候过滤周末节假日数据。 有益效果： 本发明能够实现无线接入点(AP)吞吐量的准确预测。根据无线局域网络背景环境 参数预测出AP吞吐量，进一步反应出无线局域网络的实时工作状态信息。在此基础上进行 无线局域网络频谱资源分配，改善无线局域网络环境，提升无线局域网络资源利用率。 附图说明： 图1为本发明实施例吞吐量预测方法流程图； 图2为本发明实施例制作吞吐量异常检测数据的流程图； 图3为本发明实施例吞吐量异常检测流程图。 图4为本发明实施例异常检测网络流程图。 图5为本发明实施例制作吞吐量训练与预测数据流程图。 图6为本发明实施例吞吐量预测流程图。