CN104010316A - 一种小区级无线网络话务预测方法 - Google Patents

Abstract

本发明公开了一种基于统计模型的小区级网络话务预测方法，通过获取网络话务量的历史数据，制成所需的小区以及用户数据信息表，并根据本发明介绍的基于通信网络中话务特征和移动用户行为的统计模型,计算出全网级用户增长影响因子，各小区的用户增长率等；以及最终通过各小区对全网用户增长的贡献率，将小区分为速增小区，缓增小区，稳定小区，负增长小区；再分别确定这四类小区的修正因子，最后通过乘以修正因子来预测该小区未来的话务量。本发明提高了话务预测的精度，也解决了话务难以预测的问题。

Description

一种小区级无线网络话务预测方法

技术领域

本发明涉及移动通信领域尤其涉及一种话务量小区级的预测方法。

背景技术

移动通讯技术是一个不断进化的过程，UMTS向LTE的转变也将遵从相同的规律。在未来的几年内，就像2G到3G一样，3G也将完成到4G的转变。因此，为了适应这样的变革，移动运营商在考虑潜在的4G需求时，应该分析当前3G网络中的规则并整理出算法，为部署4G网络做铺垫。

无线接入方案是UMTS部署策略中很重要的环节，它直接影响移动运营商的频谱资源。同样，核心网在增强移动管理、服务控制、网络资源利用率、2G/3G到4G的无缝过渡等方面起到至关重要的作用。因此，网络革新需要一个扁平化——结构简单、接口开放的全IP化网络。

在移动运营商规划他们的网络时，例如UMTS甚至是LTE，他们都将试图利用最小成本来承载更多用户。这将带来了一个新的问题，在扁平化、全IP化网络中，如何正确规划和维护UMTS网络，使它在不浪费网络资源的前提下，提供高质量的用户服务。同时，与传统2G网络中GSM和CDMA的电路交换和时分复用(TDM)相比，UMTS/LTE规划算法的设计思想是截然不同的。

为了精确地规划、设计2G/3G/4G LTE网络，本文将提供评估和预测小区级话务的算法。此算法中的数据来源是基于小区级的话务量、吞吐量。它能为移动运营商提供了一个评估和规划网络容量的方案，此方案是一种中立的数学算法，不依赖于任何厂商。

发明内容

考虑运营商用户发展计划因素，对小区级话务评价分析方法如下。

1.利用全网语音/数据业务用户总数月度发展情况表Table of monthlynet subscribers，预测全网用户总数逐月变化情况；

2.利用小区小时级在网用户统计信息表Table of Cell Hourly SubscriberStatistics，分析各小区在过去时间内的在网用户增长变化情况，计算各小区的用户增长对全网用户增长的贡献率；

3.综合考虑运营商用户未来发展计划、各小区的小区级用户增长对全网用户增长的贡献率，计算小区级话务、业务预测结果修正因子f(Cell_i)；

4.利用修正因子f(Cell_i)，修正话务预测结果。

附图说明：

图1全网用户总数预测值N_p与运营商发展规划用户数N_d变化曲线；

图2小区Cell_i平均最大在网用户数选取时间点的曲线图；

图3小区Cell_i在网用户增长对全网用户增长贡献率曲线图；

图4小区cell_i预测修正因子与小区增长倍数关系曲线图。

具体实施方式：

首先通过获取网络话务量的历史数据，建立

1.全网语音、数据业务用户总数月度发展情况表

Table of monthly net subscribers(YearMonth,NumOfVoiceSubscriber,NumOfDataSubscriber,NumOfSubscriber)，即：全网语音、数据业务用户总数月度发展情况表(年份，季度，月份，语音用户数，数据用户数，用户总数)描述不同月份内，语音、数据业务用户的总数。

2.“小区小时级在网用户统计信息表”Table of Cell HourlySubscriber Statistics，描述在1个小区内部，小时级时间尺度上，语音业务在网用户数、数据业务在网用户数：

Table of Cell Hourly Subscriber Statistics(DateTime,RNCID，CellID，CellName,

NumOfVoiceSubscriber,NumOfDataSubscriber,NumOfSubscriber)即：小区小时级在网用户统计信息表(日期，时间，RNCID，CellID，CellName,语音用户数，数据用户数，用户总数)

注：数据在时间上可以是非连续的，某些时间点上有缺失。

3.预测步骤

假设用户给定：

1)历史数据基的起始、结束时间[DataTimeStart,DataTimeEnd]，

2)未来预测时刻FutureDate

3)未来时刻运营商预计达到的数据业务全网用户总数目N_d，如N_d＝340万。

如图1所示，已知前7个月全网用户总数，运营商预计未来3个月内将用户总数发展到N_d＝340万，需要判断、分析运营商发展计划对10月份的小区级、RNC级话务量的影响。

Step1.预测未来时刻全网用户总数

根据历史数据时间范围[开始时间，结束时间]，从Table of monthly netsubscribers表中选取该范围内的全网用户数Number Of Subscriber；

采用合适的时间序列拟合方法，预测未来时刻FutureDate所在月份的全网用户月度总数，得到未来时刻用户总数N_p。

e.g.根据前7个月的用户数历史数据，假设采用ARIMA，预测用户数目的变化趋势，得到第10个月的全网用户总数预测值N_p＝320万。

预测结果N_p代表的是：在过去1～7月份的用户情况、运营商市场营销手段等现有因素影响下，用户数目的未来变化。也就是说，假设未来3个月内，采用与以前基本类似的市场营销等手段，用户数可能会达到N_p＝320万。

但是，如果在未来3个月内，运营商采取新的市场策略，该预测值N_p将与实际情况发生偏差。

Step2.根据未来时刻全网预计用户总数Nd，计算全网修正因子f_impact。

用户输入的未来时刻全网预计用户总数Nd，如Nd＝340万，代表运营商预计达到的用户数目。为达到此数目，在未来3个月内有可能采取新的营销等措施，如全员营销。

假设运营商发展计划对10月份的小区级、RNC级话务量的影响主要是由于发展计划引发用户数量变化，用户数量变化引起话务量变化。则可以计算全网级用户增长影响因子：

$f_{\mathrm{impact}}=\frac{N_d}{N_p}.$

Step3.计算最近一段时间内，各小区cell_i的在网用户增长对全网用户增长的贡献率f_contribution(Cell_i)。

虽然全网用户数不断增长，但各个小区的用户增长情况并不相同，对全网用户增长的贡献也不一样：

a)有的小区用户数增长快，对全网用户数增长贡献率大；

b)有的小区用户数增长慢，对全网用户数增长贡献率小；

c)有的小区用户数甚至可能负增长，对全网用户数增长起负作用。

f_contribution(Cell_i)计算方法如下：

1)在表Table of Cell Hourly Subscriber Statistics(DateTime,RNCID，CellID，CellName,

NumOfVoiceSubscriber,NumOfDataSubscriber,NumOfSubscriber)中，为小区cell_i，按照如下方式选取3个时间段：T₁＝DataEndTime向前连续ΔT天、距T₁＝DataEndTime相距30天的T₂向前连续ΔT天、距DataEndTime相距60天的T₃向前连续ΔT天。提取T₁＝DataEndTime这ΔT天的每天最大数据业务在网用户数NumOfSubscriber。T为可调节的参数，取值范围是1～30之间的正整数。

2)计算这ΔT天的平均最大在网用户数MaxAVG(T1)。

3)类似地，计算T2、T3这3天的平均最大在网用户数MaxAVG(T2)、MaxAVG(T3)。

4)如图2所示为小区Cell_i平均最大在网用户数选取时间点的曲线图。

5)建立小区级用户增长率表Table of Cell Subscriber Delta，记录每个小区在最近2-3个月的语音用户、数据用户、总用户数的平均增长率；

Table of Cell Subscriber Delta(DataEndTime,RNCID，CellID，CellName,DeltNumOfVoiceSubscriber,DeltNumOfDataSubscriber,DeltaSubNum)

即：小区级用户增长率表(数据终止时间，RNCID，CellID，CellName，语音用户增长率，数据用户增长率，总用户增长率)。

6)计算小区Cell_i最近2个月的平均用户增长率

$\begin{array}{c}\mathrm{DeltaSubNum}\left({\mathrm{Cell}}_i\right)\\ =0.5\×(\frac{\mathrm{MaxAVG}\left(T1\right)-\mathrm{MaxAVG}\left(T2\right)}{\mathrm{MaxAVG}\left(T2\right)}+\frac{\mathrm{MaxAVG}\left(T2\right)-\mathrm{MaxAVG}\left(T3\right)}{\mathrm{MaxAVG}\left(T3\right)})\end{array}$

，计算结果记录在Table of Cell Subscriber Delta中的DeltaSubNum属性中；按照DeltaSubNum值，小区Cell_i可以分为：

a)DeltaSubNum大于0，用户数呈正增长；

b)DeltaSubNum等于0，用户数维持不变；

c)DeltaSubNum小于0，用户数呈负增长。

7)计算在最近2个月内全网所有用户数正增长小区(DeltaSubNum(Cell_i)>0)的平均用户增长率：

8)计算小区cell_i对全网用户增长的贡献率f_contribution(Cell_i)：

$f_{\mathrm{contribution}}\left({\mathrm{Cell}}_i\right)=\frac{\mathrm{DeltaSubNum}\left({\mathrm{Cell}}_i\right)-\mathrm{DeltaCellMean}}{\mathrm{DeltaCellMean}}$

说明：如图3所示，f_contribution(Cell_i)的值可以是正、零、负，据此全网小区可以分为以下4类：

a)速增小区：

小区用户数增长且增长率高于全网平均值，即

DeltaSubNum(Cell_i)≥DeltaCellMean，f_contribution(Cell_i)≥0，

b)缓增小区：

小区用户数增长但增长率低于全网平均值，即

0<DeltaSubNum(Cell_i)<DeltaCellMean，f_contribution(Cell_i)∈(-1,0)c)维持不变小区：

DeltaSubNum(Cell_i)＝0,

f_contribution(Cell_i)＝-1

d)负增长小区：

DeltaSubNum(Cell_i)<0,f_contribution(Cell_i)∈(-∞,-1)。

Step4.对全网各小区cell_i，按照小区类别，计算各小区的预测修正因子f(Cell_i)：

1.如果cell_i用户数呈正增长且增长率大于等于全网平均增长率，即

DeltaSubNum(Cell_i)≥DeltaCellMean＞0,

f_contribution(Cell_i)≥0

，小区celli预测修正因子为： $\begin{array}{c}f\left({\mathrm{Cell}}_i\right)=f_{\mathrm{contribution}}\left({\mathrm{Cell}}_i\right)+f_{\mathrm{impact}}\\ \&GreaterEqual;f_{\mathrm{impact}}\end{array};$

或：f(Cell_i)＝(1+f_contribution(Cell_i))*f_impact

显然对速增小区cell_i，其修正因子f(Cell_i)比全网用户增长率f_impact和小区自身用户增长率f_contribution(Cell_i)都要高。

2.如果cell_i用户数呈正增长但增长率小于全网平均增长率，即属于缓增小区，

0<DeltaSubNum(Cell_i)<DeltaCellMean，

-1<f_contribution(Cell_i)<0,

小区cell_i预测修正因子为：

$\begin{array}{c}f\left({\mathrm{Cell}}_i\right)=1+|f_{\mathrm{impact}}-1|*\frac{2}{1+\exp \{-f_{\mathrm{contribution}}\left({\mathrm{Cell}}_i\right)*N_{\mathrm{grouth}}\}}\\ \&Element;(1,f_{\mathrm{impact}})\end{array};$

其中， $\frac{2}{1+\exp (-f_{\mathrm{contribution}}\left({\mathrm{Cell}}_i\right)*N_{\mathrm{grouth}})}\&Element;\left(\mathrm{0,1}\right),$ “缓增小区扩张倍数N_grouth”是可配置的参数，模型初始化时候设置为2.然后不断优化，得到一个最优化的值，可取N_grouth＝2。显然，对缓增小区，其修正因子f(Cell_i)大于1但低于全网用户增长率f_impact如图4所示。

3.对用户总数最近维持不变小区cell_i，即：

DeltaSubNum(Cell_i)＝0,f_contribution(Cell_i)＝－1,

小区cell_i预测修正因子为：

$\begin{array}{c}f\left({\mathrm{Cell}}_i\right)=1+|f_{\mathrm{impact}}-1|*\frac{2}{1+\exp \{-f_{\mathrm{contribution}}\left({\mathrm{Cell}}_i\right)*N_{\mathrm{grouth}}\}}\\ =1+\frac{2|f_{\mathrm{impact}}-1|}{1+\exp \left(N_{\mathrm{grouth}}\right)}>1\end{array}$

当N_grouth＝1时，

$f\left({\mathrm{Cell}}_i\right)\&ap;1+|f_{\mathrm{impact}}-1|*\frac{2}{1+2.718}=1+|f_{\mathrm{impact}}-1|*0.54$

当N_grouth＝2时，

$f\left({\mathrm{Cell}}_i\right)\&ap;1+|f_{\mathrm{impact}}-1|*\frac{2}{1+2.718^2}=1+|f_{\mathrm{impact}}-1|*0.24.$

4.对用户数为负增长的小区celli，即

DeltaSubNum(Cell_i)<0,

f_contribution(Cell_i)∈(－∞,－1)，

小区cell_i的预测修正因子为：

$f\left({\mathrm{Cell}}_i\right)=[1+\frac{2|f_{\mathrm{impact}}-1|}{1+\exp \left(N_{\mathrm{grouth}}\right)}]\&times;\frac{1}{1+\exp \{-(f_{\mathrm{impact}}+1+f_{\mathrm{contribution}}\left({\mathrm{Cell}}_i\right))\}}$

说明：

1)表示小区cell_i的用户变化率为0时的预测修正因子；

2)由于 $\frac{1}{1+\exp \{-(f_{\mathrm{impact}}+1+f_{\mathrm{contribution}}\left({\mathrm{Cell}}_i\right))\}}\&Element;\left(\mathrm{0,1}\right),$ 因此

$f\left({\mathrm{Cell}}_i\right)<1+\frac{2|f_{\mathrm{impact}}-1|}{1+\exp \left(N_{\mathrm{grouth}}\right)}$

3) $1+f_{\mathrm{contribution}}\left({\mathrm{Cell}}_i\right)=\frac{\mathrm{DeltaSubNum}\left({\mathrm{Cell}}_i\right)}{\mathrm{DeltaCellMean}}<0,$ 表示了小区用户减少的比例与全网用户增长率之间的比值；

4)如果f_impact>-(1+f_contribution(Cell_i))，即全网用户增长率快于小区cell_i的衰减率，则

f_impact+1+f_contribution(Cell_i)>0,

$\frac{1}{1+\exp \{-(f_{\mathrm{impact}}+1+f_{\mathrm{contribution}}\left({\mathrm{Cell}}_i\right))\}}\&Element;\left(\mathrm{0.5,1}\right),$

此时 $f\left({\mathrm{Cell}}_i\right)>0.5*\{1+\frac{2|f_{\mathrm{impact}}-1|}{1+\exp \left(N_{\mathrm{grouth}}\right)}\}.$

Step5.小区Cell_i的预测话务量为：f(Cell_i)*T_cell；

其中T_cell为历史数据，f(Cell_i)为用户增长影响因子。

Claims (4)

1.一种小区级无线网络话务预测方法，其特征在于包括如下步骤： 

S1：获取网络话务量的历史数据，将所需的信息按年份，季度，月份，三个粒度的语音用户数，数据用户数，用户总数导出制作全网语音、数据业务用户总数基于以上时间粒度的发展情况表；将各小区在小时级的时间尺度上的日期，时间，RNCID，CellID，CellName,语音用户数，数据用户数，用户总数导出建立小区小时级在网用户统计信息表； 

S2：根据全网语音、数据业务用户总数月度发展情况表，选取月度范围并采用一种时间序列拟合算法，得出全网用户总数预测值N_p，再获取运营商预计的用户数N_d，得到全网级用户增长影响因子

S3：利用小区小时粒度在网用户统计信息表，选取时间段，计算该时间段内该小区的用户增长率，记为：DeltaSubNum(Cell_i)，并计算出所有小区在该时间段的用户增长率，同时建立小区级用户增长率表包括：数据终止时间，RNCID，CellID，CellName，语音用户增长率，数据用户增长率，总用户增长率；根据总用户增长率为正、负或零，将小区划分为用户数正增长小区、用户数负增长小区，用户数稳定小区； 

S4：计算该时间段内全网所有用户数正增长小区的平均用户增长率： 

S5：计算各小区对全网用户增长的贡献率f_contribution(Cell_i): 

并根据f_contribution(Cell_i)的值将小区分为四大类别： 

a)速增小区：f_contribution(Cell_i)≥0 

即小区用户数增长且增长率高于全网平均值， 

b)缓增小区：f_contribution(Cell_i)∈(-1,0) 

即小区用户数增长但增长率低于全网平均值， 

c)稳定小区：f_contribution(Cell_i)＝－1 

即小区用户数不变， 

d)负增长小区：f_contribution(Cell_i)∈(-∞,-1) 

即小区用户数减少； 

S6：根据各小区celli确定小区的修正因子f(Cell_i): 

a)速增小区修正因子为：或f(Cell_i)＝(1+f_contribution(Cell_i))*f_impact； 

b)缓增小区修正因子为：c)稳定小区修正因子为： 

d)负增长小区修正因子为： 

S7：小区Cell_i的预测话务量为：f(Cell_i)*T_cell。

2.根据权利要求1所述的一种小区级无线网络话务预测方法，其特征在于：步骤S2中所述的一种时间序列拟合算法，可以是ARIMA算法。 

3.根据权利要求1所述的一种小区级无线网络话务预测方法，其特征在于：步骤S3中所述小区的用户增长率的计算方法是将所选取的时间段的终止时间的平均最 大在网用户数减去起始时间的平均最大在网用户数与起始时间的平均最大在网用户数之比。 

4.根据权利要求3所述的一种小区级无线网络话务预测方法，其特征在于：终止时间的平均最大在网用户数是指从终止时间点开始往前连续ΔT天内的每天最大数据业务在网用户数的平均值；起始时间的平均最大在网用户数是指从起始时间点开始往前连续ΔT天内的每天最大数据业务在网用户数的平均值；T的取值范围是1～30之间的正整数。