基于机器学习的移动客服终端运维状态自主感知方法

在进行终端运维状态自主感知时,大多采用对大量的先验数据统计推理后建立模型,通过数据拟合感知终端运维状态是否存在异常。由于先验数据的可靠性难以保证,导致感知精确度存在局限,感知效率较低。为提高状态感知结果的可靠性,保证终端运维状态感知效果,研究1种基于机器学习的移动客服终端运维状态自主感知方法。利用时间窗对运维状态数据预处理后,使用密度峰值聚类算法(Density Peak Clustering,DPC)与k均值聚类算法(k-means Clustering Algorithm,k-means)识别状态感知兴趣区域。设计多层的感知卷积神经网络(Convolutional Neural Networks,CNN)模型,在双向训练确定参数后,处理感知兴趣区域数据,得到状态感知结果。实验结果表明,应用设计的基于机器学习的方法后感知相对误差减少,感知响应时间大幅缩短,实际应用效果更佳。