CN103024762B - 基于业务特征的通信业务预测方法 - Google Patents

Abstract

本发明涉及通信技术领域，公开了一种基于业务特征的通信业务预测方法，包括以下步骤：S1、对待预测的业务量数据进行预处理；S2、对预处理后的业务量数据进行样本构造、样本概化以及样本筛选处理；S3、根据样本的业务特征对经步骤S2处理后的业务量数据进行聚类，得到多个区域类型的业务量数据的预测模型；S4、对每个区域类型的业务量数据分别进行业务预测，估算出业务量数据所处网络区域；S5、估算所述网络区域内所需网络资源；S6、将估算出的网络资源与所述网络区域内现有网络资源进行对比，根据对比的结果进行网络规划优化。本发明通过平滑影响业务量数据的突发性因子，并在预测之后消除所述平滑处理对预测结果的影响，从而提高了预测的准确度。

Description

基于业务特征的通信业务预测方法

技术领域

本发明涉及通信技术领域，特别是涉及一种基于业务特征的通信业务预测方法。

背景技术

目前，大部分运营商采用的无线通信业务预测技术仅限于简单函数的拟合预测，输入参数和预测模型都相对简单，实际上是对一种趋势的粗略的估计，在无线通信业务快速发展和网络快速工程建设中，起到一定的积极作用。而今天，随着用户行为以及网络规模和结构的变化，使得原有简单的预测技术已经不再适合了。

总结起来，当前主要的无线通信业务预测方法包括惯性预测、卡尔曼滤波、话务量OLAP（On-Line Analytical Processing，在线分析处理）分析等。其中惯性预测和卡尔曼滤波相对简单，但是难以满足现阶段话务量的复杂变化方式。

随着时序预测问题的深入研究，其技术手段由原来的概率论、随机过程等纯数学的方法，如采用ARMA（Auto-Regressive and MovingAverage Model，自回归滑动平均模型）预测模型来近似描述时间序列，到引入动力学系统的一些知识抽取时序的系统特征，再到引入神经网络等人工智能领域内的技术和数学手段相结合的方法，综合性越来越强。

ARMA模型被广泛地应用于时间序列的分析和预测，若时间序列是平稳的，可以用自回归模型AR（p）、滑动平均MA模型、自回归移动平均模型ARMA（p，q）来进行分析，ARMA模型能够较好地描述时间序列，但是其前提是时间序列是平稳的，缺点是预测速度慢。

神经网络己经成为预测的一种重要模型，神经网络有多种结构，最常用的是多层BP模型。但是BP预测模型的参数难以选择，难以确定隐含层和隐含层节点的个数。

基于支持向量机（SVM）回归分析的预测模型，由于有较为严格的统计学习理论作保证，应用SVM方法建立的模型具有较好的推广能力。近年来SVM被广泛的应用于人工智能的各个方面，并取得了成功的应用；SVM通过核函数实现到高维空间的非线性映射，所以适合于解决本质上非线性的回归函数估计等问题。话务量数据是一种非线性的时间序列，因此SVM同样适用于建立话务量的预测模型。

业务预测的主要目标是实现对未来业务的精确预测，并进一步指导网络性能的评估以及网络的规划优化。当前业务预测方法普遍存在的不足是：

1、一方面不断引入更新更复杂的算法，例如神经网络、支持向量机；另一方面则忽视了业务特征上的分析，企图以一个模型预测所有可能特征的业务。事实上，业务的区域性、周期性、业务特征的差异化要求同时存在多个业务预测模型，以实现对具有不同特征的业务进行精确预测。

2、当前业务预测试图预测单一站点的业务量；然而，由于蜂窝系统中用户的移动性特点，对单一站点执行业务预测是不合理的，很难达到一个稳定的结果。

3、既有业务预测没有将覆盖盲区作为潜在业务量生成空间共同生成业务的预测结果，使得业务预测结果难以有效地用于指导网络的评估规划以及优化。

4、现有预测方法希望能够将历史数据用于预测未来较长时间的业务量，因此，如果没有捕捉到在这段时间内外界突发因素的影响以及业务量趋势的变化，则难以进行精确的预测。

5、现有预测方案期望根据输入的数据，不断调整预测模型的参数，从而引入了大量的预测模型训练开销和延迟。

综上所述，已有的研究大多是采纳神经网络、支持向量机模型以及演进模型这些复杂的数学工具实现业务预测。但是对于业务特征的研究以及业务样本的构造则鲜有提及或者不够深入。然而，业务的样本特征是预测算法性能的关键影响因子，可以说没有好的样本，就没有好的预测样本，也就难以设计出好的预测算法。因此，利用现代数学中有关估计和预测模型进行移动网络话务模型研究，提高预测的准确度，意义非常重大。

发明内容

（一）要解决的技术问题

本发明要解决的技术问题是：如何提高通信业务预测的准确度。

（二）技术方案

为了解决上述技术问题，本发明提供一种基于业务特征的通信业务预测方法，包括以下步骤：

S1、对待预测的业务量数据进行预处理；

S2、对预处理后的业务量数据进行样本构造、样本概化以及样本筛选处理；

S3、根据样本的业务特征对经步骤S2处理后的业务量数据进行聚类，得到多个区域类型的业务量数据的预测模型；

S4、对每个区域类型的业务量数据分别进行业务预测，估算出业务量数据所处网络区域；

S5、估算所述网络区域内所需网络资源；

S6、将估算出的网络资源与所述网络区域内现有网络资源进行对比，根据对比的结果进行网络规划优化。

优选地，在步骤S4与步骤S5之间包括对预测结果进行修正的步骤，以消除所述预处理的步骤对预测结果的影响。

优选地，步骤S1具体为：平滑影响所述业务量数据的突发性因子，使得业务量数据更具有规律性。

优选地，所述突发性因子包括覆盖因子和季节因子。

优选地，平滑所述覆盖因子的步骤具体为：设历史业务量数据发生时区域覆盖率为c1，当前的区域覆盖率为c2，从而得到历史平滑业务量数据I’=I*c2/c1，I为当前业务量数据。

优选地，通过提取所述季节因子来平滑所述季节因子，提取所述季节因子的步骤具体为：先提取各个季度业务量数据均值，求出比例x1:x2:x3:x4作为本年度季节向量，使得x1+x2+x3+x4=4；再将本年度的季节向量x1:x2:x3:x4与过去两年季节向量求均值，得到季节因子X=[X1,X2,X3,X4]。

优选地，所述样本构造的方法为将业务量数据构造为向量。

优选地，所述样本概化的方法为主成分分析样本概化。

优选地，步骤S4中使用预测模型进行所述业务预测，并在进行业务预测时，在线监控业务特征的变化，对于超出限定的情况实时进行报警，并根据报警信息对所述预测模型进行自适应的调整。

优选地，所述通信业务为蜂窝移动通信业务。

（三）有益效果

上述技术方案具有如下优点：本发明通过平滑影响业务量数据的突发性因子，并在预测之后消除所述平滑处理对预测结果的影响，从而提高了预测的准确度。

附图说明

图1是本发明的方法流程图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

如图1所示，本发明提供了一种基于业务特征的通信业务预测方法，包括以下步骤：

S1、对待预测的业务量数据进行平滑预处理；具体为：平滑影响所述业务量数据的突发性因子，使得业务量数据更具有规律性；突发性因子包括节假日重大事件、覆盖因子和季节因子；

电信网络业务量数据具有区域特征性，这里区域可能是一个MSC区域、一个BSC区域或者一个人为定义的统一地理区域的具有类似业务特征的小区集合；不同类型的区域特征能够产生不同的业务特征。基于区域的业务预测，使得一次性处理的数据量更小，业务规律更明显。但是，在一个区域中，同时存在着某些规律或者不规律的突发因素，阻碍了业务预测的精确执行。此外，可能很多区域都有较为相似的业务特征，但是截然不同的突发因素导致多个区域很难聚类执行同样的业务预测。本步骤能够预先平滑业务量数据中的突发因素，并结合预测之后的修正步骤，共同提升预测的有效性和精确性。

平滑节假日重大事件步骤如下：

从网管数据中提取业务量数据，以及相关的业务历史信息，查看节假日和重大事件发生日（如北京奥运会开幕当天，区域内话务量较前一天有明显下降下，省略为“事件”）归档记录，其中，包含事件发生期间业务突发因子n，描述了对应事件产生的业务量是平常平均业务量的增长系数。

判定业务量发生的事件是否包含在事件发生期间。如果是，则对业务量进行节假日重大事件平滑。具体方法：

1、将业务量除以对应事件的突发因子n，得到平滑业务量；

2、判定平滑后的业务量是否合理：取事件前后各一周的业务量数据均值为基准，基准值的0.8-1.2倍为合理波动范围。

3、如果平滑后的业务量数据不在合理波动范围内，则对事件突发因子进行更新；更新方法是取最近三年事件突发因子的均值，然后，使用新的突发因子平滑原始事件业务量。

平滑覆盖因子具体如下：设历史业务量数据发生时区域覆盖率为c1，当前的区域覆盖率为c2，从而得到历史平滑业务量数据I’=I*c2/c1，I为当前业务量数据。

平滑季节因子具体如下：先提取各个季度业务量数据均值，求出比例x1:x2:x3:x4作为本年度季节向量，使得x1+x2+x3+x4=4；再将本年度的季节向量x1:x2:x3:x4与过去两年季节向量求均值，得到季节因子X=[X1,X2,X3,X4]。

判定季节平滑后的业务量数据合理性（取事件前后各一周的业务量数据均值为基准，基准值的0.8-1.2倍为合理波动范围），若不合理，则将该业务量数据取值为前后两周对应时间点的均值，并且判定该时间段是否存在某些为归档的节假日或者重大事件，如果有，则进行归档，突发因子n=季节平滑后的业务量数据/取前后两周均值的业务量。

S2、对预处理后的业务量数据进行样本构造、样本概化以及样本筛选处理；

所述样本构造的方法为将业务量数据构造为向量。

所述样本概化的方法为主成分分析样本概化：

业务构造经常容易引入冗余性和属性之间的相关性，主成分分析样本概化可以降低样本的维度，减少冗余，防止大量样本的存在造成预测模型训练集合过于庞大、训练成本太高、训练时延太长。其具体实现方法是：

1、采集p维随机向量X＝[X₁,X₂,...,X_p]^T的n个样本x_i＝[x_i1,x_i2,...,x_ip]^T，整理出样本观测矩阵X＝(x_ij)_n×p；

2、对样本阵中的原始数据进行标准化处理，使得样本集中的不同属性具有可比性，具体地，可以使用如下式子对变量进行标准化处理：

$x_{\mathrm{ij}}^{\′}=\frac{x_{\mathrm{ij}}-{\stackrel{\‾}{x}}_j}{\sqrt{\mathrm{var}\left(x_j\right)}},i=\mathrm{1,2},...,n;j=\mathrm{1,2},...,p{X}^{\′}={\left(x_{\mathrm{ij}}^{\′}\right)}_{n\×p}$

式中，第j个变量的平均值；第j个变量的标准差；

3、基于标准化处理之后的样本观测矩阵，计算样本相关系数矩阵R＝[rij]_p×p；

4、计算样本系数矩阵R的特征方程，得到p个特征值以及对应的p个特征向量P_i,i＝1,2,...,p;

5、计算主成分Y_i＝X'P_i,i＝1,2,...,p；

6、将系数矩阵R的特征值按照从大到小的顺序排列，计算特征值的累积方差贡献率：将E≥85%或者特征值λ≥1时m的最小整数作为m的值。

7、提取前m个主成分Yi,i=1,2,…,m;那么这m个主成分[Y₁,Y₂,...,Y_m]及其对应均值向量和方差向量对应了当前业务数据所属区域的样本空间以及样本特征。

值得注意的是，要求每个地理区域的样本集合可以分开进行主成分分析。这样，允许不同区域处理后的样本空间具有不同的维度；兼容了不同区域样本空间不同的属性特征。每个区域的样本数据都有对应区域标识，或者有不同的样本来源，并且可以分别并行执行主成分分析；这里，不同区域可以共用同一个主成分分析单元，但是各个区域的主成分处理是分开执行的（还原原始输入样本的数据）。

样本筛选处理为：

1、对于新增区域产生的新增样本，根据该区域样本判定该新增区域的典型区域类型，从而确定其可使用的业务预测模型；并且该区域成为典型区域（判定了类型的区域）。

2、对于典型区域的多个新增样本，若作为选中自预测模型测试集，达不到精度要求，即Pr[|h(x_i)|≤ε]不大于一个额定最小值，例如0.85时，则该典型区域的样本不作为其所属典型区域类型的新增样本输入对应的业务预测模型；其余区域的新增样本则作为对应典型区域类型业务预测模型的新增样本。保存样本筛选报告，其中主要包含被筛除样本所属的区域识别。

S3、根据样本的业务特征对经步骤S2处理后的业务量数据进行聚类，得到多个区域类型的业务量数据的预测模型；每个区域聚类均对应一个业务预测模型；

本步骤具体为：

接收输入的新增区域（即非典型区域）预处理后的样本数据、以及多个预测模型fi(X)，i=1,2，...,N（包含参数），N为预测模型的数量。

将输入的样本数据对应的区域类型判定结果输出。

获得新增区域的样本x₁,x₂,...,x_n，提取存储单元存储的业务预测模型；将样本分别输入各个预测模型得到预测结果偏差，h(x_i)＝f(x_i)-y_i。

选择满足指定预测精度概率最大的预测模型，具体为将max{Pr[|h(x_i)|≤ε]}对应的一个预测模型作为该区域候选预测模型（最佳匹配模型），如果该最大值max{Pr[|h(x_i)|≤ε]}大于一个额定最小值，例如0.85，则输出判定所述候选预测模型为该区域的业务预测模型；若所有预测模型都达不到指定的Pr[|h(x_i)|≤ε]最低概率要求，则考察当前预测模型是否超过Nmax（Nmax是典型区域类型的最大数量，典型区域类型与业务预测模型是一一对应的关系，且典型区域类型数不会超过Nmax；通过Nmax的设定可以兼顾业务预测模型的复杂性和精确性），如果超过，则该区域选择最佳匹配模型作为预测模型，同时接受本新增区域样本，对该模型进行重新训练；否则，决策告知业务预测模型，接受该新增区域样本，重新建立一个典型区域预测模型。

S4、对每个区域类型的业务量数据分别进行业务预测，估算出业务量数据所处网络区域；本步骤中进行预测的步骤为现有技术，然而，在进行业务预测时，在线监控业务特征的变化，对于超出限定的情况实时进行报警，并根据报警信息对所述预测模型进行自适应的调整为本发明的创新，可以提高预测的准确度。

进行业务预测之后对预测结果进行修正，以消除所述预处理的步骤对预测结果的影响：

区域业务具有季节性变化特征；季节因子用于描述一年四季业务量的差异性；在数据平滑处理单元中，利用向量Y=1/X=[1/X1,1/X2,1/X3,1/X4]分别对各个季度的业务量进行加权，平滑一年四季业务量的差异性；季节修正单元要求对业务预测结果进行修正，以还原业务量的季节性特征，具体方法为：各个季度对应的预测业务量分别与X中的4个季节权值X1,X2,X3,X4相乘，得到修正的业务量。

在季节因子修正的基础上，对重大事件或者节假日的时间段内的全网预测话务量再做一次修正；修正的方法是根据案例或者往年相应时间段的业务同期增幅n，预测该年该时间段的业务量T’=n*T。

基于覆盖因子的修正方法：基于用户投诉数据，考察投诉处理后潜在的覆盖率提升；设计区域覆盖因子，描述覆盖程度的提升。设定k为投诉处理后，区域覆盖率较原覆盖率的提升比率。相同区域内假定具有相同的业务分布水平，那么可将预测结果T修正得到T’=(1+k)*T。

S5、估算所述网络区域内所需网络资源；

S6、将估算出的网络资源与所述网络区域内现有网络资源进行对比，根据对比的结果进行网络规划优化。

由以上实施例可以看出，本发明通过平滑影响业务量数据的突发性因子，并在预测之后消除所述平滑处理对预测结果的影响，从而提高了预测的准确度。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。

Claims (5)

1.一种基于业务特征的通信业务预测方法，其特征在于，包括以下步骤：

S1、对待预测的业务量数据进行预处理；

S2、对预处理后的业务量数据进行样本构造、样本概化以及样本筛选处理；

S3、根据样本的业务特征对经步骤S2处理后的业务量数据进行聚类，得到多个区域类型的业务量数据的预测模型；

S4、对每个区域类型的业务量数据分别进行业务预测，估算出业务量数据所处网络区域；

S5、估算所述网络区域内所需网络资源；

S6、将估算出的网络资源与所述网络区域内现有网络资源进行对比，根据对比的结果进行网络规划优化；

在步骤S4与步骤S5之间包括对预测结果进行修正的步骤，以消除所述预处理的步骤对预测结果的影响；

步骤S1具体为：平滑影响所述业务量数据的突发性因子，使得业务量数据更具有规律性；

所述突发性因子包括覆盖因子和季节因子；

平滑所述覆盖因子的步骤具体为：设历史业务量数据发生时区域覆盖率为c1，当前的区域覆盖率为c2，从而得到历史平滑业务量数据I’＝I*c2/c1，I为当前业务量数据；

通过提取所述季节因子来平滑所述季节因子，提取所述季节因子的步骤具体为：先提取各个季度业务量数据均值，求出比例x1:x2:x3:x4作为本年度季节向量，使得x1+x2+x3+x4＝4；再将本年度的季节向量x1:x2:x3:x4与过去两年季节向量求均值，得到季节因子X＝[X1,X2,X3,X4]。

2.如权利要求1所述的方法，其特征在于，所述样本构造的方法为将业务量数据构造为向量。

3.如权利要求1所述的方法，其特征在于，所述样本概化的方法为主成分分析样本概化。

4.如权利要求1所述的方法，其特征在于，步骤S4中使用预测模型进行所述业务预测，并在进行业务预测时，在线监控业务特征的变化，对于超出限定的情况实时进行报警，并根据报警信息对所述预测模型进行自适应的调整。

5.如权利要求1～4中任一项所述的方法，其特征在于，所述通信业务为蜂窝移动通信业务。