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 Hourly SubscriberStatistics,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Nd,如Nd=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Nd=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Np。
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Np=320万。
预测结果Np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Np=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Np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fimpact。
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:
Step3.计算最近一段时间内,各小区celli的在网用户增长对全网用户增长的贡献率fcontribution(Celli)。
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。
fcontribution(Celli)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celli,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Celli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Celli最近2个月的平均用户增长率
,计算结果记录在Table of Cell Subscriber Delta中的DeltaSubNum属性中;按照DeltaSubNum值,小区Celli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(Celli)>0)的平均用户增长率:
8)计算小区celli对全网用户增长的贡献率fcontribution(Celli):
说明:如图3所示,fcontribution(Celli)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(Celli)≥DeltaCellMean,fcontribution(Celli)≥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(Celli)<DeltaCellMean,fcontribution(Celli)∈(-1,0)c)维持不变小区:
DeltaSubNum(Celli)=0,
fcontribution(Celli)=-1
d)负增长小区:
DeltaSubNum(Celli)<0,fcontribution(Celli)∈(-∞,-1)。
Step4.对全网各小区celli,按照小区类别,计算各小区的预测修正因子f(Celli):
1.如果celli用户数呈正增长且增长率大于等于全网平均增长率,即
DeltaSubNum(Celli)≥DeltaCellMean>0,
fcontribution(Celli)≥0
,小区celli预测修正因子为:
或:f(Celli)=(1+fcontribution(Celli))*fimpact
显然对速增小区celli,其修正因子f(Celli)比全网用户增长率fimpact和小区自身用户增长率fcontribution(Celli)都要高。
2.如果celli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(Celli)<DeltaCellMean,
-1<fcontribution(Celli)<0,
小区celli预测修正因子为:
其中,“缓增小区扩张倍数Ngrouth”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Ngrouth=2。显然,对缓增小区,其修正因子f(Celli)大于1但低于全网用户增长率fimpact如图4所示。
3.对用户总数最近维持不变小区celli,即:
DeltaSubNum(Celli)=0,fcontribution(Celli)=-1,
小区celli预测修正因子为:
当Ngrouth=1时,
当Ngrouth=2时,
4.对用户数为负增长的小区celli,即
DeltaSubNum(Celli)<0,
fcontribution(Celli)∈(-∞,-1),
小区celli的预测修正因子为:
说明:
1)表示小区celli的用户变化率为0时的预测修正因子;
2)由于因此
3)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fimpact>-(1+fcontribution(Celli)),即全网用户增长率快于小区celli的衰减率,则
fimpact+1+fcontribution(Celli)>0,
此时
Step5.小区Celli的预测话务量为:f(Celli)*Tcell;
其中Tcell为历史数据,f(Celli)为用户增长影响因子。