预测视频业务的关键质量指标的方法、装置及存储介质

摘要

本申请公开了一种预测视频业务的KQI的方法、装置及存储介质，属于通信技术领域。所述方法包括：获取目标地理区域的特征标签表，根据目标地理区域的特征标签表，从KQI模型库中查找与目标地理区域的特征标签表匹配的KQI模型，根据查找到的KQI模型预测目标地理区域的视频业务的KQI。也即是，在本申请中，预先构建有KQI模型库，当需要预测目标地理区域的视频业务的KQI时，可以从KQI模型库中查找与目标地理区域的特征标签表匹配的KQI模型，然后根据查找到的模型预测目标地理区域的视频业务的KQI，无需预先针对目标地理区域单独训练一个KQI模型，提高了本申请提供的预测视频业务的KQI的方法的通用性。

说明书

技术领域

本申请涉及通信技术领域，特别涉及一种预测视频业务的关键质量指标(KeyQuality Indicator，KQI)的方法、装置及存储介质。

背景技术

随着视频业务的快速增长，运营商的移动数据流量的增长将主要由视频业务引起。此时，在对某个地理区域进行站址规划时，若只考虑该地理区域的信号覆盖率和容量，那么根据站址规划对该地理区域进行基站布置后，该地理区域内的网络很有可能不满足用户的视频业务需求。因此，在对地理区域进行站址规划时，还需对站址规划后的地理区域的视频业务的KQI进行预测，如果预测的视频业务的KQI不满足用户的视频业务需求，需对站址规划中的相关参数进行调整，以确保实际应用中按照调整后的相关参数进行规划后的网络的视频业务的KQI满足用户的视频业务需求。其中，信号覆盖率是指该地理区域内的所有用户的信号强度中超过信号强度阈值的比例，容量是指能够分配给该地理区域内的用户的物理资源块(physical resource block，PRB)。

发明内容

本申请提供了一种预测视频业务的KQI的方法、装置及存储介质，可以用于在对地理区域进行站址规划时预测该地理区域内的视频业务的KQI，以确保规划基站后的网络的视频业务的KQI满足用户的视频业务需求，所述技术方案如下：

第一方面，提供了一种预测视频业务的KQI的方法，所述方法包括：获取目标地理区域的特征标签表，所述特征标签表包括至少一个特征标签和每个特征标签的标签值，且所述至少一个特征标签用于描述所述目标地理区域的网络中的视频业务；根据所述目标地理区域的特征标签表，从KQI模型库中查找与所述目标地理区域的特征标签表匹配的KQI模型，所述KQI模型库中包括多个KQI模型，每个KQI模型对应一个特征标签表，每个KQI模型用于预测视频业务的KQI；根据查找到的KQI模型预测所述目标地理区域的视频业务的KQI。

在本申请中，获取目标地理区域的特征标签表，根据目标地理区域的特征标签表，从KQI模型库中查找与目标地理区域的特征标签表匹配的KQI模型，根据查找到的KQI模型预测目标地理区域的视频业务的KQI。也即是，在本申请中，预先构建有KQI模型库，当需要预测目标地理区域的视频业务的KQI时，可以从KQI模型库中查找与目标地理区域的特征标签表匹配的KQI模型，然后根据查找到的模型预测目标地理区域的视频业务的KQI，无需预先针对目标地理区域单独训练一个KQI模型，提高了本申请提供的预测视频业务的KQI的方法的通用性。

可选地，所述根据所述目标地理区域的特征标签表，从KQI模型库中查找与所述目标地理区域的特征标签表匹配的KQI模型，包括：从所述KQI模型库中查找与所述目标地理区域的特征标签表中所有特征标签均匹配的KQI模型，并将查找到的KQI模型作为与所述目标地理区域的特征标签表匹配的KQI模型。

由于特征标签表通常包括多个特征标签，因此，查找与目标地理区域的特征标签表匹配的KQI模型，也即是，查找与目标地理区域的特征标签表中的每个特征标签均匹配的KQI模型。

可选地，所述至少一个特征标签包括第一类特征标签和第二类特征标签，所述目标地理区域的特征标签表中每个特征标签包括至少一个标签值，所述KQI模型库中每个KQI模型的特征标签表中每个特征标签包括一个标签值；所述从所述KQI模型库中查找与所述目标地理区域的特征标签表中所有特征标签均匹配的KQI模型，包括：对于所述目标地理区域的特征标签表中任一特征标签A，如果所述目标地理区域中的特征标签A属于第一类特征标签，则从所述KQI模型库中查找KQI模型中的特征标签A标签值与所述目标地理区域的特征标签A的至少一个标签值中任一标签值相同的KQI模型；如果所述目标地理区域中的特征标签A属于第二类特征标签，则从所述KQI模型库中查找KQI模型中的特征标签A的标签值与所述目标地理区域的特征标签A的至少一个标签值中任一标签值之间的相似度大于相似度阈值的KQI模型。

在本申请中，将特征标签分为第一类特征标签和第二类特征标签，第一类特征标签可以采用上述精确匹配的方式进行匹配，第二类特征标签可以采用上述模糊匹配的方式进行匹配，进一步提高了本申请提供的预测视频业务的KQI的方法的通用性。

可选地，所述第一类特征标签包括运营商名称、网络制式、用于记录视频业务的视频单据的数据源、视频分辨率和载波聚合CA特性，所述第二类特征标签包括城市名称、视频业务的数据来源、视频业务的初缓阈值和场景。

示例地，管理人员可以预先通过人工方式分别将上述标签设置为第一类特征标签和第二类特征标签。

可选地，所述目标地理区域预先被划分为多个栅格；所述根据查找到的KQI模型预测所述目标地理区域的视频业务的KQI，包括：确定对所述目标地理区域进行站址规划的仿真参数，所述仿真参数至少包括待部署的基站的数量、所述待部署的基站中每个基站的地址和每个基站的基站工程参数；根据所述仿真参数对所述目标地理区域进行站址规划仿真，并确定仿真之后的每个栅格的至少一个特征变量中每个特征变量的变量值，至少一个特征变量是指对KQI产生影响的变量；根据仿真之后的每个栅格的至少一个特征变量中每个特征变量的变量值和所述查找到的KQI模型确定每个栅格的视频业务的KQI。

在本申请中，可以预先将目标地理区域划分为多个栅格，此时，预测目标地理区域的视频业务的KQI，也即是，预测各个栅格的视频业务的KQI，提高了预测目标地理区域的视频业务的KQI的精确性。

可选地，所述查找到的KQI模型包括至少两个KQI模型：所述根据仿真之后的每个栅格的至少一个特征变量中每个特征变量的变量值和所述查找到的KQI模型确定每个栅格的视频业务的KQI，包括：从所述查找到的KQI模型中继续查找与第一栅格匹配的KQI模型，所述第一栅格是所述多个栅格中一个栅格；根据仿真之后的所述第一栅格的至少一个特征变量中每个特征变量的变量值和查找到的与所述第一栅格匹配的KQI模型，确定所述第一栅格的视频业务的KQI。

由于与目标地理区域的特征标签表匹配的KQI模型可能不止一个，因此，在预测各个栅格的视频业务的KQI时，可以先从查找到的KQI模型中继续查找与各个栅格匹配的KQI模型。

可选地，所述方法还包括：获取视频单据数据源和至少一个关联数据源，所述视频单据数据源中包括多条视频单据，每个关联数据源包括多条数据，所述至少一个关联数据源是指与视频业务相关的数据源；对于所述多条视频单据中的任一条视频单据B，确定每个关联数据源中与所述视频单据B关联的数据，并将确定的数据和所述视频单据B组成一条结构化数据，得到多条结构化数据；分析每条结构化数据中包括的KQI和至少一个特征变量中每个特征变量的变量值；确定每条结构化数据的至少一个特征标签，并按照每条结构化数据的至少一个特征标签对所述多条结构化数据进行分类，得到多个数据集合，每个数据集合包括至少一条结构化数据，且每个数据集合对应一个特征标签表，每个数据集合对应的特征标签表是根据对应的数据集合包括的结构化数据的特征标签确定的；对于所述多个数据集合中任一数据集合C，将所述数据集合C中每条结构化数据中包括的KQI作为输出，每条结构化数据中包括的至少一个特征变量中每个特征变量的变量值作为输入，对初始化的算法模型进行训练，得到与所述数据集合C对应的KQI模型，并将得到的与所述多个数据集合一一对应的多个KQI模型作为所述KQI模型库中的模型，将与每个数据集合对应的特征标签表作为对应的KQI模型的特征标签表。

在本申请中，可以预先通过上述方式确定KQI模型库中的各个KQI模型，且各个KQI模型之间是根据特征标签表区分的，以便于后续在预测目标地理区域的视频业务的KQI时，可以根据目标地理区域的特征标签表从KQI模型库中查找与目标地理区域匹配的KQI模型。

可选地，所述至少一个关联数据源包括话统数据源，且所述话统数据源中的每条数据包括一个小区标识和话统统计周期，每条数据用于描述小区标识对应的小区在话统统计周期内的小区网络特征；所述确定每个关联数据源中与所述视频单据B关联的数据，包括：从所述话统数据源中查找小区标识与所述视频单据B中的小区标识相同、且所述视频单据B中的视频开始时间和视频结束时间均在话统统计周期内的数据，将查找到的数据确定为与所述视频单据B关联的数据。

可选地，所述至少一个关联数据源包括测量报告数据源，且所述测量报告数据源中的每条数据包括一个用户终端标识和测量报告的上报时间，每条数据用于描述用户终端标识对应的用户终端在网络连接过程的特征；所述确定每个关联数据源中与所述视频单据B关联的数据，包括：从所述测量报告数据源中查找用户终端标识与所述视频单据B中的用户终端标识相同、且测量报告的上报时间在所述视频单据B对应的视频业务的视频周期内的数据，将查找到的数据确定为与所述视频单据B关联的数据，所述视频周期的开始时间为所述视频单据B中的视频开始时间减去时长阈值，所述视频周期的结束时间为所述视频单据B中的视频结束时间增加时长阈值。

可选地，所述至少一个关联数据源包括小区工参数据源，且所述小区工参数据源中的每条数据包括一个小区标识，每条数据用于描述小区标识对应的小区的物理特征；所述确定每个关联数据源中与所述视频单据B关联的数据，包括：从所述小区工参数据源中查找小区标识与所述视频单据B中的小区标识相同的数据，将查找到的数据确定为与所述视频单据B关联的数据。

在申请中，可以分别通过上述方式确定话统数据源、测量报告数据源和小区工参数据源中与视频单据关联的数据。

可选地，每条结构化数据的至少一个特征标签包括场景，所述场景包括城区、郊区或高速移动中；所述得到多条结构化数据之后，还包括：确定每条结构化数据中的视频话单对应的用户终端的地址位置信息；相应地，所述确定每条结构化数据的至少一个特征标签，包括：根据每条结构化数据中的视频话单对应的用户终端的地址位置信息，确定每条结构化数据的场景。

其中，每条结构化数据的特征标签场景是通过每条结构化数据中的视频话单对应的用户终端的地址位置信息确定的。

可选地，所述确定每条结构化数据中的KQI和至少一个特征变量中每个特征变量的值之前，还包括：获取与视频业务的KQI相关的多个变量；从所述多个变量中剔除与视频业务的KQI之间的相关系数小于第一阈值的变量，和/或，样本分布方差小于第二阈值的变量，和/或，与所述视频业务的KQI之间的重要程度系数小于第三阈值的变量，并将剔除之后的变量作为所述至少一个特征变量。

在本申请中，可以通过上述方式确定对KQI产生影响的的至少一个特征变量。

第二方面，提供了一种预测视频业务的KQI的装置，所述预测视频业务的KQI的装置具有实现上述第一方面中预测视频业务的KQI的方法行为的功能。所述预测视频业务的KQI的装置包括至少一个模块，该至少一个模块用于实现上述第一方面所提供的预测视频业务的KQI的方法。

第三方面，提供了一种预测视频业务的KQI的装置，所述预测视频业务的KQI的装置的结构中包括处理器和存储器，所述存储器用于存储支持预测视频业务的KQI的装置执行上述第一方面所提供的预测视频业务的KQI的方法的程序，以及存储用于实现上述第一方面所提供的预测视频业务的KQI的方法所涉及的数据。所述处理器被配置为用于执行所述存储器中存储的程序。所述存储设备的操作装置还可以包括通信总线，该通信总线用于该处理器与存储器之间建立连接。

第四方面，提供了一种计算机可读存储介质，所述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第一方面所述的预测视频业务的KQI的方法。

第五方面，提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面所述的预测视频业务的KQI的方法。

上述第二方面、第三方面、第四方面和第五方面所获得的技术效果与第一方面中对应的技术手段获得的技术效果近似，在这里不再赘述。

附图说明

图1是本申请实施例提供的一种计算机设备的结构示意图；

图2是本申请实施例提供的一种创建KQI模型库的方法流程图；

图3是本申请实施例提供的一种预测视频业务的KQI的方法流程图；

图4是本申请实施例提供的一种预测视频业务的KQI的装置示意图；

图5是本申请实施例提供的另一种预测视频业务的KQI的装置示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

在对本申请实施例提供的预测视频业务的KQI的方法之前，先对本申请实施例的应用场景进行简单介绍。站址规划是指：规划目标地理区域内的基站，以使规划基站后的目标地理区域内的网络能够满足一定条件，比如，满足目标信号覆盖率和目标容量。目前，随着视频业务的增长，用户对网络的需求主要来自对视频业务的需求，因此，在对目标地理区域进行站址规划时，需先对规划基站后的网络的视频业务的KQI进行预测，以确保实际规划基站后的网络的视频业务的KQI满足用户的视频业务需求。也即是，本申请实施例提供的预测视频业务的KQI的方法应用于对目标地理区域进行站址规划的场景中。当然，本申请实施例提供的预测视频业务的KQI的方法也可以应用于其他需要进行网络调整的场景中，比如，对目标地理区域进行小区规划中。其中，站址规划可以是精准站址规划(Accurate SitePlanning，ASP)，小区规划可以是精准小区规划(AccurateCell Planning，ACP)。

图1是本申请实施例提供的一种计算机设备的结构示意图。参见图1，该计算机设备包括至少一个处理器101，通信总线102、存储器103以及至少一个通信接口104。

处理器101可以是一个通用中央处理器(Central Processing Unit，CPU)、微处理器、特定应用集成电路(application-specific integrated circuit，ASIC)或一个或多个用于控制本申请方案程序执行的集成电路。

通信总线102可包括一通路，在上述组件之间传送信息。

存储器103可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其它类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其它类型的动态存储设备，也可以是电可擦可编程只读存储器(ElectricallyErasable Programmable Read-Only Memory，EEPROM)、只读光盘(Compact Disc Read-Only Memory，CD-ROM)或其它光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其它磁存储设备、或者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它介质，但不限于此。存储器103可以是独立存在，通过通信总线102与处理器101相连接。存储器103也可以和处理器101集成在一起。

通信接口104，使用任何收发器一类的装置，用于与其它设备或通信网络通信，如以太网，无线接入网(RAN)，无线局域网(Wireless Local Area Networks，WLAN)等。

在具体实现中，作为一种实施例，计算机设备可以包括多个处理器，例如图1中所示的处理器101和处理器105。这些处理器中的每一个可以是一个单核(single-CPU)处理器，也可以是一个多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。

在具体实现中，作为一种实施例，计算机设备还可以包括输出设备106和输入设备107。输出设备106和处理器101通信，可以以多种方式来显示信息。例如，输出设备106可以是液晶显示器(liquid crystal display，LCD)、发光二级管(light emitting diode，LED)显示设备、阴极射线管(cathode ray tube，CRT)显示设备或投影仪(projector)等。输入设备107和处理器101通信，可以以多种方式接收用户的输入。例如，输入设备107可以是鼠标、键盘、触摸屏设备或传感设备等。

上述的计算机设备可以是一个通用计算机设备或者是一个专用计算机设备。在具体实现中，计算机设备可以是台式机、便携式电脑、网络服务器、掌上电脑(PersonalDigital Assistant，PDA)、移动手机、平板电脑、无线终端设备、通信设备或者嵌入式设备。本申请实施例不限定计算机设备的类型。

其中，存储器103用于存储执行本申请方案的程序代码，并由处理器101来控制执行。处理器101用于执行存储器103中存储的程序代码。程序代码中可以包括一个或多个软件模块。

接下来对本申请实施例提供的预测视频业务的KQI的方法进行详细解释说明。需要说明的是，在本申请实施例中，为了便于能够快速预测视频业务的KQI，预先创建有KQI模型库，KQI模型库中包括多个KQI模型。这样的话，后续当需要对站址规划后的目标地理区域的视频业务的KQI进行预测时，可以从KQI模型库中查找与目标地理区域匹配的KQI模型，然后根据查找到的KQI模型预测目标地理区域的网络中的视频业务的KQI。也即是，本申请实施例提供的预测视频业务的KQI的方法将包括两部分的内容，第一部分为创建KQI模型库，第二部分为根据KQI模型库对目标地理区域的视频业务的KQI进行预测。下述两个实施例将分别针对这两部分内容展开说明。

图2是本申请实施例提供的一种创建KQI模型库的方法流程图，如图2所示，该方法包括如下步骤：

步骤201：获取视频单据数据源和至少一个关联数据源，视频单据数据源中包括多条视频单据，每个关联数据源包括多条数据，至少一个关联数据源是指与视频业务相关的数据源。

其中，视频单据数据源包括多条视频单据，每条视频单据用于记录一个视频业务的相关信息。比如，视频单据中可以包括视频业务的KQI、视频下载速率、视频清晰度、视频缓冲时间、视频播放时间、视频卡顿停顿时长以及视频大小等信息。其中，视频单据数据源中的视频单据可以为人工方式采集得到，也可以为部署在网元中的探针自动采集得到。

另外，视频业务的KQI有很多种表现形式，示例地，视频业务的KQI可以为视频业务的视频平均意见分(Mean Opnion Score for video，vMOS)，其中，vMOS是一种评价视频业务质量的体系，采用1～5分的方式评价每个视频业务的质量，比如，视频业务1的vMOS为4分，视频业务2的vMOS为4.2分，那么视频业务2的质量将高于视频业务1的质量。

另外，至少一个关联数据源是指与视频业务相关的数据源，在本申请中，至少一个关联数据源可以包括话统数据源、测量报告数据源和小区工参数据源等数据源。

其中，在基站工作的过程中，基站将每隔一定时长统计各个小区的小区网络特征信息，得到与每个小区对应的一条话统数据，因此，话统数据源中包括的数据为话统数据，每条话统数据对应一个小区，且每条话统数据用于描述对应的小区在一定时长内的小区网络特征信息，该小区网络特征信息包括激活用户数以及小区吞吐率等信息。也即是，话统数据源中的每条数据包括一个小区标识和话统统计周期，每条数据用于描述小区标识对应的小区在话统统计周期内的小区网络特征。

在用户终端与网络连接的过程中，用户终端向基站上报测量报告，该测量报告包括用户终端检测到的服务小区的电平强度、信道质量以及已使用资源块(，ResourseBlock_Used，RB_Used)等信息，因此，测量报告数据源包括的数据为测量报告，每条测量报告对应一个用户终端。也即是，测量报告数据源中的每条数据包括一个用户终端标识和测量报告的上报时间，每条数据用于描述用户终端标识对应的用户终端在网络连接过程的特征。

另外，小区工参数据源中包括的数据为小区工参数据，每条小区工参数据对应一个小区，且每条小区工参数据用于描述对应的小区的物理特征，该物理特征包括小区发射功率、小区频段以及小区带宽等信息。也即是，小区工参数据源中的每条数据包括一个小区标识，每条数据用于描述小区标识对应的小区的物理特征。

步骤202：对于多条视频单据中的任一条视频单据B，确定每个关联数据源中与视频单据B关联的数据，并将确定的数据和视频单据B组成一条结构化数据，得到多条结构化数据。

由于至少一个关联数据源包括话统数据源、测量报告数据源和小区工参数据源等数据源，因此，确定每个关联数据源中与视频单据B关联的数据可以分以下几种情况说明：

(1)当至少一个关联数据源包括话统数据源时，确定话统数据源中与视频单据B关联的数据。

由于话统数据源中的每条数据包括一个小区标识和话统统计周期，因此，示例地，可以从话统数据源中查找小区标识与视频单据B中的小区标识相同、且视频单据B中的视频开始时间和视频结束时间均在话统统计周期内的数据，将查找到的数据确定为与视频单据B关联的数据。

(2)当至少一个关联数据源包括测量报告数据源时，确定测量报告数据源中与视频单据B关联的数据。

由于测量报告数据源中的每条数据包括一个用户终端标识和测量报告的上报时间，因此，示例地，可以从测量报告数据源中查找用户终端标识与视频单据B中的用户终端标识相同、且测量报告的上报时间在视频单据B对应的视频业务的视频周期内的数据，将查找到的数据确定为与视频单据B关联的数据。

其中，视频周期的开始时间为视频单据B中的视频开始时间减去时长阈值，视频周期的结束时间为视频单据B中的视频结束时间增加时长阈值。时长阈值为设置的冗余时长，该时长阈值可以为2秒或5秒等。

(3)当至少一个关联数据源包括小区工参数据源时，确定小区工参数据源中与视频单据B关联的数据。

由于小区工参数据源中的每条数据包括一个小区标识，因此，示例地，可以从小区工参数据源中查找小区标识与视频单据B中的小区标识相同的数据，将查找到的数据确定为与视频单据B关联的数据。

在分别确定出话统数据源中与视频单据B关联的数据、测量报告数据源中与视频单据B关联的数据以及小区工参数据源中与视频单据B关联的数据之后，可以将确定出的关联数据与视频单据B进行组合，得到与视频单据B对应的一条结构化数据。当对视频单据数据源中每条视频单据执行上述操作时，可以得到与每条视频单据对应的一条结构化数据，也即是，得到多条结构化数据。

在通过步骤202得到多条结构化数据之后，可以根据下述步骤203至步骤205确定KQI模型库中各个KQI模型。进一步地，为了提高本申请实施例提供的KQI模型的精度，在得到多条结构化数据之后，可以对多条结构化数据进行数据清洗，以删除多条结构化数据中噪声较大的结构化数据和错误的结构化数据。

示例地，删除多条结构化数据中噪声较大的结构化数据的实现方式可以为：对多条结构化数据进行聚类，得到多个集合，每个集合对应一个中心点，对于任一集合，删除该集合中距离中心点较远的数据。其中，距离中心点较远的数据即为噪声较大的数据。

示例地，删除多条结构化数据中错误的结构化数据的实现方式可以为：删除多条结构化数据中的空值数据，空值数据是指结构化数据中某个变量对应的变量值为空值的数据，如果某条结构化数据中某个变量对应的变量值为空值，该结构化数据很有可能是错误的结构化数据，因此需要删除该条结构化数据。

示例地，删除多条结构化数据中错误的结构化数据的实现方式还可以为：删除多条结构化数据中的某个变量对应的数值不在指定范围内的数据，指定范围是指该变量的实际取值范围。比如，该变量为信号强度，信号强度的实际取值通常在-130到-45之间，如果某条结构化数据中的信号强度的值不在该范围之内，该结构化数据很有可能是错误的结构化数据，因此需要删除该条结构化数据。

另外，在本申请实施例中，在得到多条结构化数据之后，由于每条结构化数据中的视频业务的用户终端的地理位置是已知的，因此，可以将多条结构化数据应映射到地理位置坐标系中，以便于后续可以根据映射到地理位置坐标系中的结构化数据进行其他操作。

示例地，对于任一条结构化数据，通过测量报告定位技术获取该结构化数据中的视频业务的用户终端的经纬度信息，并将获取的经纬度信息作为该结构化数据的经纬度信息。按照每条结构化数据的经纬度信息将每条结构化数据映射到地理位置坐标系中，得到地理位置坐标系中的多个点，每个点对应一条结构化数据，可以在地理位置坐标系中标记每个点对应的结构化数据中的视频业务的KQI的数值，以便于管理人员可以通过该地理位置坐标系了解各个区域内的视频业务的KQI的分布情况。

另外，还可以采用不同的颜色代表不同的KQI的数值，然后根据各个点对应的结构化数据中的视频业务的KQI的数值，采用对应的颜色在地理位置坐标系中标记该点，以便于管理人员通过地理位置坐标系中的颜色分布情况即可快速了解到各个区域内的视频业务的KQI的分布情况。

另外，在申请实施例中，由于目标地理区域包括的各个区域内的网络分布可能不同，致使各个区域内的视频业务的KQI也可能不同，因此，在后续预测目标地理区域的视频业务的KQI时，预先将目标地理区域划分为多个栅格，然后预测每个栅格的视频业务的KQI，以实现对目标地理区域内的视频业务的KQI的精准预测。因此，在将多条结构化数据映射到地理位置坐标系的过程中，也可以预先将地理位置坐标系中划分为多个栅格，每个栅格的大小相同，比如，每个栅格的大小为50*50米。为每个栅格分配一个标识，且每个栅格的经纬度信息可以采用该栅格内的某个点的经纬度信息表示，比如，采用该栅格左上角位置处的经纬度信息表示。这样的话，后续管理人员在预测出某个栅格内的视频业务的KQI时，可以根据该栅格内已有的视频业务的KQI的分布情况对预测出的KQI进行比较。为了后续便于说明，将上述过程称为数据栅格化。

步骤203：分析每条结构化数据中包括的KQI和至少一个特征变量中每个特征变量的变量值。

其中，至少一个特征变量是指对KQI产生影响的变量，由于每条结构化数据中包括的信息比较多，但是在本申请实施例中，只有其中对KQI产生影响的信息是有用的，因此，需要通过步骤203分析每条结构化数据中包括的KQI和至少一个特征变量中每个特征变量的变量值。

示例地，至少一个特征变量包括端到端环回时间(End To End Round Trip Time，E2E_RTT)、信噪比(Signal to Interference plus Noise Ratio，SINR)、参考信号接收功率(Reference Signal Receiving Power，RSRP)、RB_Used和信道质量指示(ChannelQuality Indicator，CQI)等信息。比如，当至少一个特征变量为E2E_RTT、SINR、RSRP、RB_Used以及CQI时，对于每条结构化数据，需要分析该结构化数据中的KQI对应的值、特征变量E2E_RTT对应的值、特征变量SINR对应的值、特征变量RSRP对应的值、特征变量RB_Used对应的值以及特征变量CQI对应的值。

另外，至少一个特征变量是预先确定的，在一种可能的实现方式中，确定至少一个特征变量可以为：获取与视频业务的KQI相关的多个变量；从多个变量中剔除与视频业务的KQI之间的相关系数小于第一阈值的变量，和/或，样本分布方差小于第二阈值的变量，和/或，与视频业务的KQI之间的重要程度系数小于第三阈值的变量，将剔除之后的变量作为至少一个特征变量。也即是，在获取与视频业务的KQI相关的多个变量之后，从多个变量中执行以上三个剔除操作中的至少一者，然后将剔除之后的变量作为至少一个特征变量。下面以执行以上三个剔除操作为例说明如何从多个变量中确定出至少一个特征变量：

(1)从多个变量中剔除与视频业务的KQI之间的相关系数小于第一阈值的变量。

从多个变量中剔除与视频业务的KQI之间的相关系数小于第一阈值的变量的实现方式可以为：通过皮尔逊相关系数法分析每个变量与视频业务的KQI之间的相关系数，然后再剔除相关系数小于第一阈值的变量。其中，第一阈值为预先设置的数值。当然，还可以通过其他相关系数分析方法分析每个变量与视频业务的KQI之间的相关系数，本申请实施例在此不做具体限定。

另外，通过皮尔逊相关系数法分析每个变量与视频业务的KQI之间的相关系数时，需要参考与视频业务相关的数据，在本申请实施例中，可以直接参考步骤202中确定出的结构化数据，当然，还可以参考其他与视频业务相关的数据，对此不做具体限定。

(3)从第一次剔除之后的变量中继续剔除样本分布方差小于第二阈值的变量。

对于第一次剔除之后的变量中的任一个变量，根据预先统计的样本数据，确定样本数据中出现的针对该变量的所有变量值，根据确定的所有变量值确定该变量的样本分布方差，然后剔除样本分布方差小于第二阈值的变量即可。

其中，第二阈值为预先设置的数值。另外，预先统计的样本数据可以为步骤202中确定出的多条结构化数据，也可以为通过其他途径采集的样本数据，本申请实施例在此不做具体限定。

(4)从第二次剔除之后的变量中继续剔除与视频业务的KQI之间的重要程度系数小于第三阈值的变量，将第三次剔除之后的变量确定为至少一个特征变量。

示例地，对于第二次剔除之后的变量中的每个变量，可以通过梯度提升决策树(Gradient Boosting Decision Tree，GBDT)算法分析该变量与视频业务的KQI之间的重要程度系数，然后剔除重要程度系数小于第三阈值的变量即可。其中，第三阈值为预先设置的数值。

同样地，通过GBDT算法分析每个变量与视频业务的KQI之间的相关系数时，需要参考与视频业务相关的数据，在本申请实施例中，可以直接参考步骤202中确定出的结构化数据，当然，还可以参考其他与视频业务相关的数据，对此不做具体限定。

当对步骤(1)中的多个变量执行上述步骤(2)至步骤(4)中的三次剔除之后，剩下的变量即为至少一个特征变量。比如，多个变量为50个变量，至少一个特征变量为E2E_RTT,SINR,RSRP,RB_Used,CQI，相当于从50个变量中选择出这5个变量作为至少一个特征变量。

需要说明的是，上述三次剔除的过程仅仅一种可能的实现方式，示例地，可以根据需求调整上述三次剔除的顺序，也即是，上述三次剔除过程并没有严格的先后顺序。并且实际应用中，还可以仅仅执行上述剔除操作中的一者或二者，在此不再详细阐述。

另外，获取与视频业务的KQI相关的多个变量的实现方式可以为：人工采集可能与视频业务的KQI相关的所有变量，将采集到的所有变量确定为该多个变量。可选地，获取与视频业务的KQI相关的多个变量的实现方式还可以为：查找步骤203中确定出结构化数据中出现的所有变量，将查找的所有变量确定为该多个变量。

步骤204：确定每条结构化数据的至少一个特征标签，并按照每条结构化数据的至少一个特征标签对多条结构化数据进行分类，得到多个数据集合，每个数据集合包括至少一条结构化数据，且每个数据集合对应一个特征标签表，每个数据集合对应的特征标签表是根据对应的数据集合包括的结构化数据的特征标签确定的。

在本申请实施例中，是采用特征标签表来区分KQI模型库中的各个KQI模型，也即是，每个KQI模型对应一个特征标签表。因此，在确定出多条结构化数据之后，需要通过步骤204对确定出的结构化数据按照至少一个特征标签进行分类，以便于后续根据分类之后的数据集合来确定KQI模型。其中，每个数据集合对应的特征标签表是将每个数据集合中包括的结构化数据的至少一个标签进行合并得到。

示例地，至少一个标签可以包括运营商名称、网络制式、用于记录视频业务的视频单据的数据源、视频分辨率和载波聚合(Carrier Aggregation，CA)特性、城市名称、视频业务的数据来源、视频业务的初缓阈值和场景等。在本申请实施例中，至少一个标签是人工设置的，实际应用中，根据需求至少一个标签也可以包括其他信息，在此不做具体限定。

相应地，每个数据集合对应的特征标签表中也可以包括运营商名称、网络制式、用于记录视频业务的视频单据的数据源、视频分辨率和CA特性、城市名称、视频业务的数据来源、视频业务的初缓阈值和场景等特征标签。表1是本申请实施例提供的一种特征标签表，如表1所示，特征标签表中包括的特征标签分别为：运营商名称、网络制式、用于记录视频业务的视频单据的数据源、视频分辨率和CA特性、城市名称、视频业务的数据来源、视频业务的初缓阈值和场景。特征标签表中还包括每个特征标签对应的标签值，在表1中并未列举每个特征标签的标签值具体是什么，仅是以“×××”代替，并不构成对本申请实施例的限定。

另外，由于至少一个标签中某些标签是用于描述结构化数据中的关键特征，而某些标签是用于描述结构化数据中的非关键特征。因此，在一种可能的实现方式中，至少一个标签包括第一类特征标签和第二类特征标签，其中，第一类特征标签是指用于描述结构化数据中的关键特征的标签，第二类特征标签是指用于描述结构化数据中的非关键特征的标签。此时，对于第一类特征标签，在对多条结构化数据进行分类时，需要分类之后的每个数据集合中包括的结构化数据的硬标签相同。而对于第二类特征标签，只需要分类之后的每个数据集合中包括的结构化数据的第二类特征标签相似即可。其中，第一类特征标签和第二类便签是管理人员根据需求设置的。

示例地，第一类特征标签包括运营商名称、网络制式、用于记录视频业务的视频单据的数据源、视频分辨率和CA特性等标签。第二类特征标签包括城市名称、视频业务的数据来源、视频业务的初缓阈值和场景等标签。

其中，运营商名称是指结构化数据中的视频业务所在的网络的运营商的名称。网络制式是指结构化数据中的视频业务所在的网络所采用的网络制式，比如，网络制式可以为全球移动通信系统(Global System for Mobile Communications、GSM)网络、通用移动通信系统(Universal Mobile Telecommunications System，UMTS)网络、码分多址(CodeDivision Multiple Access，CDMA)网络以及长期演进技术(Long Term EvolutionLTE)网络等。用于记录视频业务的视频单据的数据源包括路测数据源或探针数据源，路测数据源是指结构化数据中的视频单据是采用人工方式采集，探针数据源是指结构化数据中的视频单据是采用部署在网元中的探针自动采集。CA特性是指结构化数据中的视频业务所在的网络所采集的载波聚合方式，其中，载波聚合是指将不同频段的载波进行聚合，以提高网络的带宽。城市名称是指结构化数据中的视频业务对应的网络所在的城市的名称。视频业务的数据来源是指结构化数据中的视频业务的视频数据的来源，比如，视频业务的数据来源可以为具体的视频网站。视频业务的初缓阈值是指结构化数据中视频业务对应的视频能够播放时的最小缓冲量，比如视频业务的初缓阈值为10％，表明只有在视频缓冲量达到10％时，终端才会播放该视频业务对应的视频。场景是指结构化数据中的视频业务所在的区域的类型，比如，场景可以包括城区或郊区等。

其中，当至少一个特征标签包括场景时，可以根据步骤202中确定出的每条结构化数据的经纬度信息确定每条结构化数据的场景，在此不再详细阐述。

表1

特征标签标签值运营商×××网络制式×××用于记录视频业务的视频单据的数据源×××视频分辨率×××CA特性×××城市名称×××视频业务的数据来源×××视频业务的初缓阈值×××场景×××

步骤205：对于多个数据集合中任一数据集合C，将数据集合C中每条结构化数据中包括的KQI作为输出，每条结构化数据中包括的至少一个特征变量中每个特征变量的变量值作为输入，对初始化的算法模型进行训练，得到与数据集合C对应的KQI模型，并将得到的与多个数据集合一一对应的多个KQI模型作为KQI模型库中的模型，将与每个数据集合对应的特征标签表作为对应的KQI模型的特征标签表。

对于多个数据集合中任一数据集合C，由于是将该数据集合C中每条结构化数据的KQI作为输出，每条结构化数据的至少一个特征变量中每个特征变量的变量值作为输入，对初始化的算法模型进行训练，因此，训练之后的KQI模型可以用于预测视频业务的KQI。另外，由于每个数据集合对应一个特征标签表，因此，当得到与每个数据集合对应的KQI模型时，该KQI模型对应的特征标签表即为该数据集合对应的特征标签表。

其中，初始化的算法模型是预先选择的算法模型，在本申请实施例中，选择该初始化的算法模型的实现方式可以为：确定多个算法模型；从多个数据集合中选择一个数据集合，将选择的数据集合中的结构化数据划分为两类，第一类用于训练模型，第二类用于评价模型；通过第一类结构化数据对每个算法模型进行训练，然后通过第二类结构化数据对训练之后的每个算法进行评价，得到训练之后的算法模型的评价指标；从训练之后的多个算法模型中确定评价指标最好的算法模型，将得到的算法模型确定为步骤205中的初始化的算法模型。示例地，在本申请实施例中，经过上述操作之后，预先选择的算法模型为随机森林算法。

其中，评价指标可以为模型判定系数，模型判定系数越接近1，表明对应的算法模型确定出的预测值和真实值越接近。评价指标还可以为预测值与真实值的均方根误差，该均方根误差越小，表明对应的模型的可用性越高。评价指标还可以为fn_cdf0.3，fn_cdf0.3是指在模型偏差范围保持在0.3以内时该模型的预测准确率，通常fn_cdf0.3大于0.7即可认为该模型的可用性较高。

另外，在构建KQI模型库之后，为了进一步提高KQI模型库中各个KQI模型在预测视频业务的KQI上的精度，还需对KQI模型库进行更新。其中，对KQI模型库进行更新包括数据更新、模型删除或模型合并等操作。

其中，数据更新是指：获取新的数据源，采用新的数据源重新训练KQI模型。模型删除是指：通过人工方式删除KQI模型库中某些KQI模型。模型合并是指：如果两个KQI模型的特征标签表之间的相似度比较高，可以将训练这两个KQI模型的数据合并，并采用合并之后的数据重新训练得到一个KQI模型。

在本申请实施例中，可以根据获取的视频单据数据源和至少一个关联数据源，构建KQI模型库，以便于后续可以直接从模型库中查找与目标地理区域匹配的KQI模型，以提高预测目标地理区域内的视频业务的KQI的效率。

上述图2所示的实施例用于解释说明创建KQI模型库的具体过程，下述实施例用于解释说明如何根据创建的KQI模型库预测目标地理区域的KQI。

图3是本申请实施例提供的一种预测视频业务的KQI的方法流程图，如图3所示，该方法包括如下步骤：

步骤301：获取目标地理区域的特征标签表，特征标签表包括至少一个特征标签和每个特征标签的标签值，且至少一个特征标签用于描述目标地理区域的网络中的视频业务。

由于KQI模型库中的KQI模型是采用特征标签表区分的，因此，当需要预测目标地理区域内的视频业务的KQI时，需先确定目标地理区域特征标签表，以便于可以根据目标地理区域特征标签表从KQI模型库中查找到与目标地理区域匹配的KQI模型。

其中，特征标签表中包括的特征标签，可以是KQI模型库中各个KQI模型的特征标签表中的特征标签，比如，特征标签表中的特征标签是图2实施例中的表1中的特征标签，此时，当需要预测目标地理区域的视频业务的KQI时，确定目标地理区域在表1中的每个特征标签上的标签值，得到目标地理区域的特征标签表。在图2所示的实施例中已经对至少一个标签进行了详细解释说明，在此不再展开阐述。

另外，对于某个特征标签，目标地理区域中不同区域针对该特征标签可能具有不同的标签值，这种情况下，在目标地理区域的特征标签表中，该特征标签的标签值包括目标地理区域内所有可能的标签值。因此，在目标地理区域的特征标签表中，每个特征标签包括至少一个标签值。比如，目标地理区域内的不同区域中的视频业务的视频分辨率可能不同，因此目标地理区域的特征标签表中针对特征标签视频分辨率，可能具有多个数值，比如针对特征标签视频分辨率的标签值分别为视频分辨率1、视频分辨率2和视频分辨率3。

步骤302：根据目标地理区域的特征标签表，从KQI模型库中查找与目标地理区域的特征标签表匹配的KQI模型。

由于特征标签表中包括至少一个特征标签，在一种可能的实现方式中，步骤302可以为：从KQI模型库中查找与目标地理区域的特征标签表中所有特征标签均匹配的KQI模型，并将查找到的KQI模型作为与目标地理区域的特征标签表匹配的KQI模型。比如，对于目标地理区域的特征标签表中的任一特征标签A，从KQI模型库中查找与特征标签A匹配的KQI模型，将与目标地理区域的特征标签表中的每个特征标签均匹配的KQI模型确定为与目标地理区域的特征标签表匹配的KQI模型。也即是，查找到的KQI模型需要目标地理区域的特征标签表中的每个特征标签匹配。

由图2所示的实施例可知，至少一个特征标签包括第一类特征标签和第二类特征标签，且第一类特征标签用于描述关键特征，因此，对于任一第一类特征标签，查找到的KQI模型中该第一类特征标签的标签值需要与目标地理区域的特征标签中该第一类特征标签的某个标签值相同。而第二类特征标签用于描述非关键特征，因此，对于任一第二类特征标签，查找到的KQI模型中该软标签的标签值需要与目标地理区域的特征标签中该软标签的某个标签值相似即可。

另外，KQI模型库中每个KQI模型的特征标签表中每个特征标签包括一个标签值，因此，从KQI模型库中查找与特征标签A匹配的KQI模型的实现方式可以为：如果目标地理区域的特征标签A属于第一类特征标签，则从KQI模型库中查找KQI模型中的特征标签A的标签值与目标地理区域的特征标签A的至少一个标签值中任一标签值相同的KQI模型；如果目标地理区域的特征标签A属于第二类特征标签，则从KQI模型中查找KQI模型中的特征标签A的标签值与目标地理区域的特征标签A的至少一个标签值中任一标签值相似的KQI模型。在本申请实施例中，可以将对第一类特征标签进行匹配的方式称为精确匹配方式，将对第二类特征标签进行匹配的方式称为模糊匹配方式。

由于标签对应的标签值可能是数值型，也可能是枚举型。对于数值型的标签值，两个标签值之间相似可以为两个标签值之间的相似度比较大，也即是，两个标签值之间的差值较小。对于枚举型的标签值，两个标签值之间相似可以为一个标签值中的元素包括另一个标签值中的元素。

步骤303：根据查找到的KQI模型预测目标地理区域的视频业务的KQI。

由于在本申请实施例中，预测目标地理区域的视频业务的KQI是指预测站址规划后的目标地理区域内的视频业务的KQI，因此，在一种可能的实现方式中，步骤303可以为：确定对目标地理区域进行站址规划的仿真参数，仿真参数至少包括待部署的基站的数量、待部署的基站中每个基站的地址和每个基站的基站工程参数；根据仿真参数对目标地理区域进行站址规划仿真，预先将目标地理区域划分为多个栅格，确定仿真之后的每个栅格的至少一个特征变量中每个特征变量的变量值；根据仿真之后的每个栅格的至少一个特征变量中每个特征变量的变量值和查找到的KQI模型确定每个栅格的视频业务的KQI。

如果查找到的KQI模型只有一个，那么可以直接根据查找到的KQI模型预测每个栅格的视频业务的KQI。但是，由于目标地理区域的特征标签表中的特征标签可能包括多个标签值，因此，查找到的KQI模型可能也是多个，这样的话，根据仿真之后的每个栅格的至少一个特征变量中每个特征变量的变量值和查找到的KQI模型确定每个栅格的视频业务的KQI的实现方式可以为：从查找到的KQI模型中继续查找与第一栅格匹配的KQI模型，第一栅格是多个栅格中一个栅格；根据仿真之后的第一栅格的至少一个特征变量中每个特征变量的变量值和查找到的与第一栅格匹配的KQI模型，确定第一栅格的视频业务的KQI。也即是，如果查找到的KQI模型是多个时，还需从查找到的多个KQI模型中继续查找与各个栅格匹配的KQI模型，得到与各个栅格一一对应的KQI模型。

其中，从查找到的KQI模型中继续查找与第一栅格匹配的KQI模型的实现方式可以为：确定第一栅格的特征标签表，从查找到的KQI模型中查找与第一栅格的特征标签表匹配的KQI模型。从查找到的KQI模型中查找与第一栅格的特征标签表匹配的KQI模型可以参考从KQI模型库中查找与目标地理区域的特征标签表匹配的KQI模型，在此不再详细阐述。

通过步骤302可以预测目标地理区域内的各个栅格的视频业务的KQI，由于本申请提供的预测视频业务的KQI方法用于确保规划基站后的网络的视频业务的KQI满足用户的视频业务需求，因此，对于目标地理区域内任一栅格，如果确定的KQI没有达到KQI阈值，则调整仿真参数，并根据调整之后的仿真参数，重新对目标地理区域进行站址规划仿真。确定重新仿真之后的该栅格的至少一个特征变量中每个特征变量的变量值，并根据重新仿真之后的每个栅格的至少一个特征变量中每个特征变量的变量值和查找到的与该栅格匹配的KQI模型确定该栅格的视频业务的KQI，继续判断预测的视频业务的KQI是否达到KQI阈值，重复上述操作，直至确定出该栅格的视频业务的KQI达到KQI阈值。此时，最后一次调整之后的仿真参数可以作为对目标地理区域进行站址规划的参考。

另外，在本申请实施例中，目标地理区域内的各个栅格的视频业务的KQI达到KQI阈值可以是指：一定比例的栅格的视频业务的KQI达到KQI阈值。无需要求所有的栅格的视频业务的KQI达到KQI阈值，这样可以提高确定目标地理区域的站址规划参数的效率。

其中，KQI阈值可以是针对整个目标地理区域设置的阈值。可选地，可以预先将目标地理区域内的栅格进行分类，针对每一类栅格设置一个阈值，以提高预测的视频业务的KQI的精准性。另外，如果目标地理区域中的某个栅格是图2所示的实施例中步骤202中数据栅格化之后的栅格，此时的KQI阈值可以是该栅格在数据栅格化之后落入该栅格内的结构化数据中的KQI值的平均值。

在本申请中，获取目标地理区域的特征标签表，根据目标地理区域的特征标签表，从KQI模型库中查找与目标地理区域的特征标签表匹配的KQI模型，根据查找到的KQI模型预测目标地理区域的视频业务的KQI。也即是，在本申请中，预先构建有KQI模型库，当需要预测目标地理区域的视频业务的KQI时，可以从KQI模型库中查找与目标地理区域的特征标签表匹配的KQI模型，然后根据查找到的模型预测目标地理区域的视频业务的KQI，无需预先针对目标地理区域单独训练一个KQI模型，提高了本申请提供的预测视频业务的KQI的方法的通用性。

参见图4，本申请实施例提供了一种预测视频业务的KQI的装置，该装置包括：

第一获取模块401，用于执行图3实施例中的步骤301；

查找模块402，用于执行图3实施例中的步骤302；

预测模块403，用于执行图3实施例中的步骤303。

可选地，查找模块402包括：

查找单元，用于从KQI模型库中查找与目标地理区域的特征标签表中所有特征标签均匹配的KQI模型，并查找到的KQI模型作为与目标地理区域的特征标签表匹配的KQI模型。

可选地，至少一个特征标签包括第一类特征标签和第二类特征标签，目标地理区域的特征标签表中每个特征标签包括至少一个标签值，KQI模型库中每个KQI模型的特征标签表中每个特征标签包括一个标签值；

查找单元，具体用于：

对于目标地理区域的特征标签表中任一特征标签A，如果目标地理区域的特征标签A属于第一类特征标签，则从KQI模型库中查找KQI模型中的特征标签A标签值与目标地理区域的特征标签A的至少一个标签值中任一标签值相同的KQI模型；

如果目标地理区域的特征标签A属于第二类特征标签，则从KQI模型中查找KQI模型中的特征标签A的标签值与目标地理区域的特征标签A的至少一个标签值中任一标签值相似的KQI模型。

可选地，第一类特征标签包括运营商名称、网络制式、用于记录视频业务的视频单据的数据源、视频分辨率和载波聚合CA特性，第二类特征标签包括城市名称、视频业务的数据来源、视频业务的初缓阈值和场景。

可选地，目标地理区域预先被划分为多个栅格；

预测模块403包括：

第一确定单元，用于确定对目标地理区域进行站址规划的仿真参数，仿真参数包括待部署的基站的数量、待部署的基站中每个基站的地址和每个基站的基站工程参数；

第二确定单元，用于根据仿真参数对目标地理区域进行站址规划仿真，并确定仿真之后的每个栅格的至少一个特征变量中每个特征变量的变量值，至少一个特征变量是指对KQI产生影响的变量；

第三确定单元，用于根据仿真之后的每个栅格的至少一个特征变量中每个特征变量的变量值和查找到的KQI模型确定每个栅格的视频业务的KQI。

可选地，查找到的KQI模型包括至少两个KQI模型：

第三确定单元，具体用于：

从所述查找到的KQI模型中继续查找与第一栅格匹配的KQI模型，所述第一栅格是所述多个栅格中一个栅格；

根据仿真之后的所述第一栅格的至少一个特征变量中每个特征变量的变量值和查找到的与所述第一栅格匹配的KQI模型，确定所述第一栅格的视频业务的KQI。

可选地，参见图5，装置400还包括：

第二获取模块404，用于执行图2实施例中的步骤201；

第一确定模块405，用于执行图2实施例中的步骤202；

分析模块406，用于执行图2实施例中的步骤203；

第二确定模块407，用于执行图2实施例中的步骤204；

训练模块408，用于执行图2实施例中的步骤205。

可选地，至少一个关联数据源包括话统数据源，且话统数据源中的每条数据包括一个小区标识和话统统计周期，每条数据用于描述小区标识对应的小区在话统统计周期内的小区网络特征；

第一确定模块405，具体用于：

从话统数据源中查找小区标识与视频单据B中的小区标识相同、且视频单据B中的视频开始时间和视频结束时间均在话统统计周期内的数据，将查找到的数据确定为与视频单据B关联的数据。

可选地，至少一个关联数据源包括测量报告数据源，且测量报告数据源中的每条数据包括一个用户终端标识和测量报告的上报时间，每条数据用于描述用户终端标识对应的用户终端在网络连接过程的特征；

第一确定模块405，具体用于：

从测量报告数据源中查找用户终端标识与视频单据B中的用户终端标识相同、且测量报告的上报时间在视频单据B对应的视频业务的视频周期内的数据，将查找到的数据确定为与视频单据B关联的数据，视频周期的开始时间为视频单据B中的视频开始时间减去时长阈值，视频周期的结束时间为视频单据B中的视频结束时间增加时长阈值。

可选地，至少一个关联数据源包括小区工参数据源，且小区工参数据源中的每条数据包括一个小区标识，每条数据用于描述小区标识对应的小区的物理特征；

第一确定模块405，具体用于：

从小区工参数据源中查找小区标识与视频单据B中的小区标识相同的数据，将查找到的数据确定为与视频单据B关联的数据。

可选地，装置400还包括：

第三获取模块，用于获取与视频业务的KQI相关的多个变量；

剔除模块，用于从多个变量中剔除与视频业务的KQI之间的相关系数小于第一阈值，或者，样本分布方差小于第二阈值的变量，或者，与视频业务的KQI之间的重要程度系数小于第三阈值的变量，并将剔除之后的变量作为至少一个特征变量。

在本申请中，获取目标地理区域的特征标签表，根据目标地理区域的特征标签表，从KQI模型库中查找与目标地理区域的特征标签表匹配的KQI模型，根据查找到的KQI模型预测目标地理区域的视频业务的KQI。也即是，在本申请中，预先构建有KQI模型库，当需要预测目标地理区域的视频业务的KQI时，可以从KQI模型库中查找与目标地理区域的特征标签表匹配的KQI模型，然后根据查找到的模型预测目标地理区域的视频业务的KQI，无需预先针对目标地理区域单独训练一个KQI模型，提高了本申请提供的预测视频业务的KQI的方法的通用性。

需要说明的是：上述实施例提供的预测视频业务的KQI的装置在预测视频业务的KQI时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将预测视频业务的KQI的装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的预测视频业务的KQI的装置与预测视频业务的KQI的方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意结合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如：同轴电缆、光纤、数据用户线(Digital Subscriber Line，DSL))或无线(例如：红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如：软盘、硬盘、磁带)、光介质(例如：数字通用光盘(Digital Versatile Disc，DVD))、或者半导体介质(例如：固态硬盘(Solid State Disk，SSD))等。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述为本申请提供的实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。