CN104254083A - 预测业务热点的方法及装置 - Google Patents
预测业务热点的方法及装置 Download PDFInfo
- Publication number
- CN104254083A CN104254083A CN201310271848.3A CN201310271848A CN104254083A CN 104254083 A CN104254083 A CN 104254083A CN 201310271848 A CN201310271848 A CN 201310271848A CN 104254083 A CN104254083 A CN 104254083A
- Authority
- CN
- China
- Prior art keywords
- sub
- dominant
- data
- cell
- service related
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000005259 measurement Methods 0.000 claims abstract description 56
- 238000004458 analytical method Methods 0.000 claims abstract description 55
- 230000009466 transformation Effects 0.000 claims abstract description 39
- 238000010276 construction Methods 0.000 claims description 27
- 230000002123 temporal effect Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种预测业务热点的方法及装置,属于无线通信技术领域。方法包括:获取小区内的各个用户终端上报的测量参数,并确定小区内的各个用户终端归属的预先划分的子区域;获取每个子区域的历史业务相关数据,对历史业务相关数据进行小波变换和方差分析,得到主导性的数据分量;根据主导性的数据分量构建预测模型,并根据构建的预测模型预测各个子区域的业务热点。本发明通过对获取到的历史业务相关数据进行方差分析,简化了构建模型的数据分量,从而简化了构建模型的复杂度,缩短了业务热点预测的时间。同时对获取到的历史业务相关数据进行小波变换,可以使构建的预测模型以更细粒度进行业务热点预测,从而增加了业务热点预测的准确性。
Description
技术领域
本发明涉及无线通信技术领域,特别涉及一种小区热点的预测方法及装置。
背景技术
业务热点是由于高业务需求在某一区域形成,而业务热点的出现会对网络性能带来冲击,如造成网络掉话率上升、用户服务质量下降等。因此,为了保证网络整体性能,在对现有网络进行动态调整时消除业务热点带来的冲击是考虑的主要因素之一。为此,如何及时准确的预测业务热点,是保证网络整体性能,提高用户体验的关键。
现有技术在预测业务热点时,可以通过两种方法进行预测。第一种预测方法:基于已有数据业务,利用已有的时序分析的积累预测模型和自回归移动平均模型,对未来时刻的业务量进行预测,根据未来时刻的业务量大小确定该时刻是否为业务热点。第二种预测方法:假设业务量呈现kernel(核)的线性叠加形式,采用最小误差-支持向量机算法获得业务量进行建模,得到业务量的表达式,根据业务量的表达式对业务热点进行预测。
在实现本发明的过程中,发明人发现现有技术至少存在以下问题:
对于第一种预测方法,自回归移动平均模型的复杂度比较大,使得预测时间较长,从而不能及时的预测业务热点,导致预测到的信息具有一定的局限性。对于第二种预测方法,获得的业务量表达式不能描述业务量的长期特性、周期特性以及瞬时变化特性,使得当业务量未达到业务热点临界值时,不能以更细粒度预测该时刻是否为业务热点,从而降低了预测业务热点的准确性,致使预测到的信息具有一定的局限性。
发明内容
为了解决现有技术的问题,本发明实施例提供了一种预测业务热点的方法及装置。所述技术方案如下:
第一方面,提供了一种预测业务热点的方法,所述方法包括:
获取小区内的各个用户终端上报的测量参数,所述测量参数至少包括参考信号接收功率RSRP、参考信号接收质量RSRQ和抵达时间TOA中的一种参数;
根据所述小区内的各个用户终端上报的测量参数确定所述小区内的各个用户终端归属的预先划分的子区域,所述小区被划分为预设数目个子区域;
获取每个子区域的历史业务相关数据,对获取到的历史业务相关数据进行小波变换和方差分析,得到主导性的数据分量;
根据得到的主导性的数据分量构建预测模型,并根据构建的预测模型预测各个子区域的业务热点。
结合第一方面,在第一方面的第一种可能的实现方式中,所述根据所述小区内的各个用户终端上报的测量参数确定所述小区内的各个用户终端归属的预先划分的子区域,包括:
通过最小路测算法将所述小区内的各个用户终端上报的测量参数与预设的最小路测数据库中的位置信息进行匹配,得到所述小区内的各个用户终端的位置信息;
根据所述小区内的各个用户终端的位置信息确定所述小区内的各个用户终端归属的预先划分的子区域。
结合第一方面,在第一方面的第二种可能的实现方式中,所述对获取到的历史业务相关数据进行小波变换和方差分析,得到主导性的数据分量,包括:
根据获取到的历史业务相关数据确定小波变换的尺度层数;
获取各个尺度上的近似分量和小波系数;
计算各个细节分量和近似分量的方差;
根据所述各个细节分量和近似分量的方差得到主导性的数据分量。
结合第一方面或第一方面的第二种可能的实现方式,在第一方面的第三种可能的实现方式中,所述获取每个子区域的历史业务相关数据之后,包括:
将获取到的每个子区域的历史业务相关数据按照时间进行分类,得到每个子区域的历史业务相关时间数据;
将获取到的每个子区域的任一时刻历史业务相关数据按照位置进行分类,得到每个子区域的历史业务相关空间数据;
所述对获取到的历史业务相关数据进行小波变换和方差分析,得到主导性的数据分量,包括:
对历史业务相关时间数据进行小波变换和方差分析,得到主导性的时间数据分量;
对历史业务相关空间数据进行小波变换和方差分析,得到主导性的空间数据分量。
结合第一方面的第三种可能的实现方式,在第一方面的第四种可能的实现方式中,所述主导性的数据分量包括主导性的时间数据分量和主导性的空间数据分量;
所述根据得到的主导性的数据分量构建预测模型,包括:
根据得到的主导性的时间数据分量构建时间预测模型,并根据得到的主导性的空间数据分量构建空间预测模型;
所述根据构建的预测模型预测各个子区域的业务热点,包括:
根据构建的时间预测模型和空间预测模型分别预测各个子区域的业务热点,得到业务热点发生的时间及位置。
第二方面,提供了一种预测业务热点的装置,所述装置包括:
第一获取模块,用于获取小区内的各个用户终端上报的测量参数,所述测量参数至少包括参考信号接收功率RSRP、参考信号接收质量RSRQ和抵达时间TOA中的一种参数;
确定模块,用于根据所述第一获取模块获取到的所述小区内的各个用户终端上报的测量参数确定所述小区内的各个用户终端归属的预先划分的子区域,所述小区被划分为预设数目个子区域;
第二获取模块,用于获取每个子区域的历史业务相关数据;
分析模块,用于对所述第二获取模块获取到的历史业务相关数据进行小波变换和方差分析,得到主导性的数据分量;
构建模块,用于根据所述分析模块得到的主导性的数据分量构建预测模型;
预测模块,用于根据所述构建模块构建的预测模型预测各个子区域的业务热点。
结合第二方面,在第二方面的第一种可能的实现方式中,所述确定模块,用于通过最小路测算法将所述小区内的各个用户终端上报的测量参数与预设的最小路测数据库中的位置信息进行匹配,得到所述小区内的各个用户终端的位置信息;根据所述小区内的各个用户终端的位置信息确定所述小区内的各个用户终端归属的预先划分的子区域。
结合第二方面,在第二方面的第二种可能的实现方式中,所述分析模块,包括:
第一确定单元,用于根据获取到的历史业务相关数据确定小波变换的尺度层数;
获取单元,用于获取各个尺度上的近似分量和小波系数;
计算单元,用于计算各个细节分量和近似分量的方差;
第二确定单元,用于根据所述计算单元得到的所述各个细节分量和近似分量的方差得到主导性的数据分量。
结合第二方面或第二方面的第二种可能的实现方式,在第二方面的第三种可能的实现方式中,所述装置,包括:
第三获取模块,用于将获取到的每个子区域的历史业务相关数据按照时间进行分类,得到每个子区域的历史业务相关时间数据;
第四获取模块,用于将获取到的每个子区域的任一时刻历史业务相关数据按照位置进行分类,得到每个子区域的历史业务相关空间数据;
所述分析模块,包括:
第一分析单元,用于对所述第三获取模块获取到的历史业务相关时间数据进行小波变换和方差分析,得到主导性的时间数据分量;
第二分析单元,用于对所述第四获取模块获取到的历史业务相关空间数据进行小波变换和方差分析,得到主导性的空间数据分量。
结合第二方面的第三种可能的实现方式,在第二方面的第四种可能的实现方式中,所述主导性的数据分量包括主导性的时间数据分量和主导性的空间数据分量;
所述构建模块,包括:
第一构建单元,用于根据得到的主导性的时间数据分量构建时间预测模型;
第二构建单元,用于根据得到的主导性的空间数据分量构建空间预测模型;
所述预测模块,用于根据所述第一构建单元构建的时间预测模型和所述第二构建单元构建的空间预测模型分别预测各个子区域的业务热点,得到业务热点发生的时间及位置。
本发明实施例提供的技术方案带来的有益效果是:
通过对获取到的历史业务相关数据进行方差分析,得到主导性的数据分量,根据主导性的数据分量构建预测模型,简化了构建模型的数据分量,从而简化了构建模型的复杂度,缩短了业务热点预测的时间。同时对获取到的历史业务相关数据进行小波变换,可以使构建的预测模型以更细粒度进行业务热点预测,从而增加了业务热点预测的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例一提供的一种预测业务热点的方法流程图;
图2是本发明实施例二提供的一种预测业务热点的方法流程图;
图3是本发明实施例三提供的第一种预测业务热点的装置结构示意图;
图4是本发明实施例三提供的第一种分析模块的结构示意图;
图5是本发明实施例三提供的第二种预测业务热点的装置结构示意图;
图6是本发明实施例三提供的第二种分析模块的结构示意图;
图7是本发明实施例三提供的一种构建模块的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
实施例一
本实施例提供了一种预测业务热点的方法,参见图1,本实施例提供的方法包括:
101:获取小区内的各个用户终端上报的测量参数,测量参数至少包括RSRP(Reference Signal Received Power,参考信号接收功率)、RSRQ(Reference SignalReceived Quality,参考信号接收质量)和TOA(Time of Arrival,抵达时间)中的一种参数;
102:根据小区内的各个用户终端上报的测量参数确定小区内的各个用户终端归属的预先划分的子区域,小区被划分为预设数目个子区域;
103:获取每个子区域的历史业务相关数据,对获取到的历史业务相关数据进行小波变换和方差分析,得到主导性的数据分量;
104:根据得到的主导性的数据分量构建预测模型,并根据构建的预测模型预测各个子区域的业务热点。
本发明实施例提供的方法,通过对获取到的历史业务相关数据进行方差分析,得到主导性的数据分量,根据主导性的数据分量构建预测模型,简化了构建模型的数据分量,从而简化了构建模型的复杂度,缩短了业务热点预测的时间。同时对获取到的历史业务相关数据进行小波变换,可以使构建的预测模型以更细粒度进行业务热点预测,从而增加了业务热点预测的准确性。
实施例二
本发明实施例提供了一种预测业务热点的方法,结合上述实施例一的内容。参见图2,本实施例提供的方法流程包括:
201:获取小区内的各个用户终端上报的测量参数;
针对该步骤,本实施例不对小区内的各个用户终端上报的测量参数的具体获取方式进行限定。包括但不限于如果小区内各个用户终端上报的测量参数存储在数据库中,则从数据库中获取存储的各个用户终端上报的测量参数,或者,直接接收由小区内的各个用户终端上报的测量参数。
此外,本实施例也不对获取测量参数的具体内容进行限定,例如,获取测量参数至少包括RSRP、RSRQ和TOA中的一种参数。
本实施例同样不对小区内各个用户终端上报测量参数的具体时间进行限定,例如:各个用户终端可以预先设定上报周期,周期性上报测量参数。关于设定的上报周期的大小,本实施例同样不作具体限定,例如,设定上报周期为10分钟,则每隔10分钟小区内各个用户终端上报测量参数。
202:根据小区内的各个用户终端上报的测量参数确定小区内的各个用户终端归属的预先划分的子区域;
针对该步骤,本实施例不对根据小区内的各个用户终端上报的测量参数确定小区内的各个用户终端归属的预先划分的子区域的具体确定方法进行限定。包括但不限于:通过最小路测算法将小区内的各个用户终端上报的测量参数与预设的最小路测数据库中的位置信息进行匹配,得到小区内的各个用户终端的位置信息;根据小区内的各个用户终端的位置信息确定小区内的各个用户终端归属的预先划分的子区域。
具体的,将各个用户终端上报的测量参数通过最小路测算法得到各个用户终端的具体位置,将得到的各个具体位置与预设的最小路测数据库中的各个子区域的位置信息进行匹配,如果用户终端A的具体位置位于子区域A的区域内,则得到用户终端A归属的预先划分的子区域为子区域A。当然用户终端的具体名称还可以为其它名称,本实施例不对用户终端的具体名称进行限定。预先划分的子区域的具体名称还可以为其它名称,本实施例不对预先划分的子区域的具体名称进行限定。
需要说明的是,在执行该步骤前,小区被预先划分为M(预设数目)个子区域,并将各个子区域的特征信息存放到最小路测数据库中。其中各个子区域的特征信息至少包括各个子区域的位置信息,除此之外,还可以包括其它特征信息,本实施例不对存放到最小路测数据库中的各个子区域的特征信息的具体内容进行限定。
另外,M越大,子区域的划分越精确,使得通过本实施例提供的方法得到的预测模型越精确,然而也会使得确定小区内的各个用户终端归属的预先划分的子区域的复杂度越高。因此,需要根据预测模型的精确度和确定小区内的各个用户终端归属的预先划分的子区域复杂度设置合理的M数值,使得在保证预测模型精度的前提下,减少确定小区内的各个用户终端归属的预先划分的子区域的复杂度,本实施例不对确定M具体数值的方法进行限定。
203:获取每个子区域的历史业务相关数据;
针对该步骤,本实施例不对获取每个子区域的历史业务相关数据的具体获取方法进行限定。例如,将步骤202得到的确定了归属的子区域的各个用户终端上报的测量参数作为每个子区域的历史业务相关数据。
另外,对于任一个子区域,如子区域A,由于子区域A内的历史业务相关数据为子区域A的各个用户终端上报的测量参数,因此,子区域A的历史业务相关数据为当前时间之前的一段时间内位于子区域A的数据,即子区域A的历史业务相关数据具有时间性和空间性。可以将子区域A的历史业务相关数据以距当前时间的长短进行划分。同时,在任一时间点,可以将子区域A的历史业务相关数据位于子区域A中的位置进行划分。因此,在执行步骤203之后,将获取到的每个子区域的历史业务相关数据按照时间进行分类,得到每个子区域的历史业务相关时间数据;将获取到的每个子区域的任一时刻历史业务相关数据按照位置进行分类,得到每个子区域的历史业务相关空间数据。
204:对获取到的历史业务相关数据进行小波变换和方差分析,得到主导性的数据分量;
该步骤在具体实施时,可以采用但不限于如下四个步骤实现:
步骤一:根据获取到的历史业务相关数据确定小波变换的尺度层数;
对于步骤一,本实施例不对根据获取到的历史业务相关数据确定小波变换的尺度层数的具体确定方法进行限定。例如:从获取到的历史业务相关数据中选择连续N个时刻的历史业务相关数据,根据公式p≤log2N确定小波变换的尺度层数p。
步骤二:获取各个尺度上的近似分量和小波系数;
对于步骤二,本实施例不对获取各个尺度上的近似分量和小波系数的具体获取方式进行限定。例如:将连续N个时刻的历史业务相关数据进行小波变换,得到各个尺度上的近似分量cp(t)和小波系数dp(t)。
具体的,将连续N个时刻的历史业务相关数据x(t)进行小波变换,得到定义c0(t)=x(t)且 和小波系数dj(t)=cj-1(t)-cj(t),其中1≤j≤p,h为紧凑支撑的低通滤波器,k∈Z代表时间序号,ap,k为粗尺度下的近似分量,dj,k为第j尺度上的细节分量,所有dj,k的累加为尺度0至p之间的所有细节分量,φp,k(t)和Ψj,k(t)第j尺度上的缩放函数和小波函数。
步骤三:计算各个细节分量和近似分量的方差;
对于步骤三,本实施例不对计算各个细节分量和近似分量的方差的具体计算方法进行限定。例如:利用方差分析法得到个细节分量的方差Var={Varj},其中1≤j≤p和近似分量的方差Varres(t)。
步骤四:根据各个细节分量和近似分量的方差得到主导性的时间数据分量。
对于步骤四,本实施例不对根据各个细节分量和近似分量的方差得到主导性的数据分量的具体计算方法进行限定。例如:对于任一时刻t,
1、设置Varregression=Varres;
2、Var′=Varregression+maxjVar;
3、确定Var′是否大于预设门限值Varth,如果大于,则执行4,如果不大于,则执行5;
4、j尺度上的细节分量和近似分量为主导性的时间数据分量;
5、设置Varregression=Varregression+maxjVar,且Var=Var\maxjVar,重新计算Var′=Varregression+maxjVar,并确定Var′是否大于预设门限值Varth,如此循环。
本实施例不对Varth的具体设置方法和具体数值进行限定。
另外,由于上述步骤203中还包括将获取到的历史业务相关数据划分为历史业务相关时间数据和取到的历史业务相关空间数据的步骤,则本步骤在对获取到的历史业务相关数据进行小波变换和方差分析,得到主导性的数据分量时,包括但不限于:对历史业务相关时间数据进行小波变换和方差分析,得到主导性的时间数据分量;对历史业务相关空间数据进行小波变换和方差分析,得到主导性的空间数据分量。
需要说明的是,对历史业务相关时间数据进行小波变换和方差分析,以及对历史业务相关空间数据进行小波变换和方差分析的方式与本步骤中上述步骤一至步骤四的原理相同,此处不再一一赘述。为了便于说明,本步骤及后续步骤仅以获取到的历史业务相关数据分为历史业务相关时间数据为例进行详细说明。对于获取到的历史业务相关数据分为历史业务相关空间数据的情况,与获取到的历史业务相关数据分为历史业务相关时间数据的情况原理相同,不再进行具体限定及说明。
另外,通过小波变换可以获取到历史业务相关数据的各种精度分量,而在各种历史业务相关数据的各种精度分量中占主导作用的分量只有几个,其余精度上的分量针对原信号而言重要性远低于占主导作用的分量。若考虑所有精度上的分量,则在后续模块中需要对每一个分量进行建模,复杂度和工作量较大。因此,利用方差分析技术量化其中各个细节分量在原始信号中所占据的方差,确定出占据主导作用的分量,一方面可以比较近似的模拟实际信号,另一方面,也可以大大的降低算法的复杂度。
205:根据得到的主导性的数据分量构建预测模型;
针对该步骤,本实施例不对根据得到的主导性的数据分量构建预测模型的具体构建方法进行限定,由于上述步骤204得到的主导性的数据分量可以分为主导性的时间数据分量和主导性的空间数据分量,因此,该步骤可以根据主导性的时间数据分量构建时间预测模型,并根据主导性的空间数据分量构建空间预测模型。
例如:根据步骤204中得到的主导性的时间数据分量构建时间预测模型其中m为主导性时间数据分量中细节分量的数量,且m≤p,βs为各个细节分量的系数。本实施例不对βs的具体确定方法进行限定,包括但不限于通过最小误差方法求出βs。
另外,在构建预测模型时还可以根据得到的主导性的数据分量构建真实模型。本实施例不对根据得到的主导性的数据分量构建真实模型的具体构建方法进行限定,例如:根据步骤204中得到的主导性的时间数据分量构建时间真实模型其中e(t)为预测业务量与实际业务量之间的误差。
此外,还可以通过确定系数R2对构建的时间预测模型的预测质量进行评估。其中,
同样,根据步骤204中得到的主导性的空间数据分量构建空间预测模型及空间真实模型,且也可以通过R2对构建的空间预测模型的预测质量进行评估。
206:根据构建的预测模型预测各个子区域的业务热点。
针对该步骤,由于通过步骤201至205是根据每个子区域的历史业务相关数据构建出的预测模型,因此步骤205中构建的预测模型可以用于各个子区域。本实施例不对根据构建的预测模型预测各个子区域的业务热点的具体预测方法进行限定。由于构建的预测模型可以分为时间预测模型和空间预测模型,因而可根据构建的时间预测模型和空间预测模型分别预测各个子区域的业务热点,得到业务热点发生的时间及位置。
具体实施时,包括但不限于:对于任一子区域,根据该子区域内的具体历史业务相关数据确定步骤205中构建的时间预测模型中适合该子区域各个尺度上的具体近似分量和具体小波系数,从而得到未来时刻的业务量,如果得到的该未来时刻的业务量大于业务量门限值,则认为该未来时刻会出现业务热点。本实施例不对业务量门限值的具体设置方式及具体数值进行限定。同样,对于任一子区域,根据该子区域内的具体历史业务相关数据确定步骤205中构建的空间预测模型中适合该子区域各个尺度上的具体近似分量和具体小波系数,从而得到未来时刻的某一位置的业务量,如果得到的该未来时刻某一位置的业务量大于业务量门限值,则认为该未来时刻该位置会出现业务热点。
本实施例提供的方法,通过对获取到的历史业务相关数据进行方差分析,得到主导性的数据分量,根据主导性的数据分量构建预测模型,简化了构建模型的数据分量,从而简化了构建模型的复杂度,缩短了业务热点预测的时间。同时对获取到的历史业务相关数据进行小波变换,可以使构建的预测模型以更细粒度进行业务热点预测,从而增加了业务热点预测的准确性。
实施例三
本发明实施例提供了一种预测业务热点的装置,参见图3,该装置包括:
第一获取模块301,用于获取小区内的各个用户终端上报的测量参数,测量参数至少包括RSRP、RSRQ和TOA中的一种参数;
确定模块302,用于根据第一获取模块301获取到的小区内的各个用户终端上报的测量参数确定小区内的各个用户终端归属的预先划分的子区域,小区被划分为预设数目个子区域;
第二获取模块303,用于获取每个子区域的历史业务相关数据;
分析模块304,用于对第二获取模块303获取到的历史业务相关数据进行小波变换和方差分析,得到主导性的数据分量;
构建模块305,用于根据分析模块304得到的主导性的数据分量构建预测模型;
预测模块306,用于根据构建模块305构建的预测模型预测各个子区域的业务热点。
其中,确定模块302,用于通过最小路测算法将小区内的各个用户终端上报的测量参数与预设的最小路测数据库中的位置信息进行匹配,得到小区内的各个用户终端的位置信息;根据所述小区内的各个用户终端的位置信息确定所述小区内的各个用户终端归属的预先划分的子区域。
参见图4,分析模块304,包括:
第一确定单元3041,用于根据获取到的历史业务相关数据确定小波变换的尺度层数;
获取单元3042,用于获取各个尺度上的近似分量和小波系数;
计算单元3043,用于计算各个细节分量和近似分量的方差;
第二确定单元3044,用于根据计算单元3043得到的各个细节分量和近似分量的方差得到主导性的数据分量。
参见图5,该装置,包括:
第三获取模块307,用于将获取到的每个子区域的历史业务相关数据按照时间进行分类,得到每个子区域的历史业务相关时间数据;
第四获取模块308,用于将获取到的每个子区域的任一时刻历史业务相关数据按照位置进行分类,得到每个子区域的历史业务相关空间数据;
参见图6,分析模块304,包括:
第一分析单元3045,用于对第三获取模块307获取到的历史业务相关时间数据进行小波变换和方差分析,得到主导性的时间数据分量;
第二分析单元3046,用于对第四获取模块308获取到的历史业务相关空间数据进行小波变换和方差分析,得到主导性的空间数据分量。
参见图7,主导性的数据分量包括主导性的时间数据分量和主导性的空间数据分量;构建模块305,包括:
第一构建单元3051,用于根据得到的主导性的时间数据分量构建时间预测模型;
第二构建单元3052,用于根据得到的主导性的空间数据分量构建空间预测模型;
其中,预测模块306,用于根据第一构建单元构建的时间预测模型和第二构建单元构建的空间预测模型分别预测各个子区域的业务热点,得到业务热点发生的时间及位置。
综上所述,本发明实施例所述装置,通过对获取到的历史业务相关数据进行方差分析,得到主导性的数据分量,根据主导性的数据分量构建预测模型,简化了构建模型的数据分量,从而简化了构建模型的复杂度,缩短了业务热点预测的时间。同时对获取到的历史业务相关数据进行小波变换,可以使构建的预测模型以更细粒度进行业务热点预测,从而增加了业务热点预测的准确性。
实施例四
本实施例提供了一种预测业务热点的设备,该设备包括:处理器;
其中,该处理器,用于获取小区内的各个用户终端上报的测量参数,测量参数至少包括参考信号接收功率RSRP、参考信号接收质量RSRQ和抵达时间TOA中的一种参数;根据小区内的各个用户终端上报的测量参数确定小区内的各个用户终端归属的预先划分的子区域,小区被划分为预设数目个子区域;获取每个子区域的历史业务相关数据,对获取到的历史业务相关数据进行小波变换和方差分析,得到主导性的数据分量;根据得到的主导性的数据分量构建预测模型,并根据构建的预测模型预测各个子区域的业务热点。
进一步地,该处理器,用于通过最小路测算法将小区内的各个用户终端上报的测量参数与预设的最小路测数据库中的位置信息进行匹配,得到小区内的各个用户终端的位置信息;根据小区内的各个用户终端的位置信息确定小区内的各个用户终端归属的预先划分的子区域。
进一步地,该处理器,用于对历史业务相关时间数据进行小波变换和方差分析,得到主导性的时间数据分量;对历史业务相关空间数据进行小波变换和方差分析,得到主导性的空间数据分量。
进一步地,该处理器,用于根据获取到的历史业务相关数据确定小波变换的尺度层数;获取各个尺度上的近似分量和小波系数;计算各个细节分量和近似分量的方差;根据各个细节分量和近似分量的方差得到主导性的数据分量。
进一步地,该处理器,用于将获取到的每个子区域的历史业务相关数据按照时间进行分类,得到每个子区域的历史业务相关时间数据;将获取到的每个子区域的任一时刻历史业务相关数据按照位置进行分类,得到每个子区域的历史业务相关空间数据;
进一步地,主导性的数据分量包括主导性的时间数据分量和主导性的空间数据分量;该处理器,用于根据得到的主导性的时间数据分量构建时间预测模型,并根据得到的主导性的空间数据分量构建空间预测模型;根据构建的预测模型预测各个子区域的业务热点,包括:
根据构建的时间预测模型和空间预测模型分别预测各个子区域的业务热点,得到业务热点发生的时间及位置。
综上所述,本实施例提供的设备,通过对获取到的历史业务相关数据进行方差分析,得到主导性的数据分量,根据主导性的数据分量构建预测模型,简化了构建模型的数据分量,从而简化了构建模型的复杂度,缩短了业务热点预测的时间。同时对获取到的历史业务相关数据进行小波变换,可以使构建的预测模型以更细粒度进行业务热点预测,从而增加了业务热点预测的准确性。
需要说明的是:上述实施例提供的预测业务热点的装置及设备在预测业务热点时,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,即将设备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业务热点的装置及设备与预测业务热点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。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
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。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种预测业务热点的方法,其特征在于,所述方法包括:
获取小区内的各个用户终端上报的测量参数,所述测量参数至少包括参考信号接收功率RSRP、参考信号接收质量RSRQ和抵达时间TOA中的一种参数;
根据所述小区内的各个用户终端上报的测量参数确定所述小区内的各个用户终端归属的预先划分的子区域,所述小区被划分为预设数目个子区域;
获取每个子区域的历史业务相关数据,对获取到的历史业务相关数据进行小波变换和方差分析,得到主导性的数据分量;
根据得到的主导性的数据分量构建预测模型,并根据构建的预测模型预测各个子区域的业务热点。
2.根据权利要求1所述的方法,其特征在于,所述根据所述小区内的各个用户终端上报的测量参数确定所述小区内的各个用户终端归属的预先划分的子区域,包括:
通过最小路测算法将所述小区内的各个用户终端上报的测量参数与预设的最小路测数据库中的位置信息进行匹配,得到所述小区内的各个用户终端的位置信息;
根据所述小区内的各个用户终端的位置信息确定所述小区内的各个用户终端归属的预先划分的子区域。
3.根据权利要求1所述的方法,其特征在于,所述对获取到的历史业务相关数据进行小波变换和方差分析,得到主导性的数据分量,包括:
根据获取到的历史业务相关数据确定小波变换的尺度层数;
获取各个尺度上的近似分量和小波系数;
计算各个细节分量和近似分量的方差;
根据所述各个细节分量和近似分量的方差得到主导性的数据分量。
4.根据权利要求1或3所述的方法,其特征在于,所述获取每个子区域的历史业务相关数据之后,包括:
将获取到的每个子区域的历史业务相关数据按照时间进行分类,得到每个子区域的历史业务相关时间数据;
将获取到的每个子区域的任一时刻历史业务相关数据按照位置进行分类,得到每个子区域的历史业务相关空间数据;
所述对获取到的历史业务相关数据进行小波变换和方差分析,得到主导性的数据分量,包括:
对历史业务相关时间数据进行小波变换和方差分析,得到主导性的时间数据分量;
对历史业务相关空间数据进行小波变换和方差分析,得到主导性的空间数据分量。
5.根据权利要求4所述的方法,其特征在于,所述根据得到的主导性的数据分量构建预测模型,包括:
根据得到的主导性的时间数据分量构建时间预测模型,并根据得到的主导性的空间数据分量构建空间预测模型;
所述根据构建的预测模型预测各个子区域的业务热点,包括:
根据构建的时间预测模型和空间预测模型分别预测各个子区域的业务热点,得到业务热点发生的时间及位置。
6.一种预测业务热点的装置,其特征在于,所述装置包括:
第一获取模块,用于获取小区内的各个用户终端上报的测量参数,所述测量参数至少包括参考信号接收功率RSRP、参考信号接收质量RSRQ和抵达时间TOA中的一种参数;
确定模块,用于根据所述第一获取模块获取到的所述小区内的各个用户终端上报的测量参数确定所述小区内的各个用户终端归属的预先划分的子区域,所述小区被划分为预设数目个子区域;
第二获取模块,用于获取每个子区域的历史业务相关数据;
分析模块,用于对所述第二获取模块获取到的历史业务相关数据进行小波变换和方差分析,得到主导性的数据分量;
构建模块,用于根据所述分析模块得到的主导性的数据分量构建预测模型;
预测模块,用于根据所述构建模块构建的预测模型预测各个子区域的业务热点。
7.根据权利要求6所述的装置,其特征在于,所述确定模块,用于通过最小路测算法将所述小区内的各个用户终端上报的测量参数与预设的最小路测数据库中的位置信息进行匹配,得到所述小区内的各个用户终端的位置信息;根据所述小区内的各个用户终端的位置信息确定所述小区内的各个用户终端归属的预先划分的子区域。
8.根据权利要求6所述的装置,其特征在于,所述分析模块,包括:
第一确定单元,用于根据获取到的历史业务相关数据确定小波变换的尺度层数;
获取单元,用于获取各个尺度上的近似分量和小波系数;
计算单元,用于计算各个细节分量和近似分量的方差;
第二确定单元,用于根据所述计算单元得到的所述各个细节分量和近似分量的方差得到主导性的数据分量。
9.根据权利要求6或8所述的装置,其特征在于,所述装置,包括:
第三获取模块,用于将获取到的每个子区域的历史业务相关数据按照时间进行分类,得到每个子区域的历史业务相关时间数据;
第四获取模块,用于将获取到的每个子区域的任一时刻历史业务相关数据按照位置进行分类,得到每个子区域的历史业务相关空间数据;
所述分析模块,包括:
第一分析单元,用于对所述第三获取模块获取到的历史业务相关时间数据进行小波变换和方差分析,得到主导性的时间数据分量;
第二分析单元,用于对所述第四获取模块获取到的历史业务相关空间数据进行小波变换和方差分析,得到主导性的空间数据分量。
10.根据权利要求9所述的装置,其特征在于,所述主导性的数据分量包括主导性的时间数据分量和主导性的空间数据分量;
所述构建模块,包括:
第一构建单元,用于根据得到的主导性的时间数据分量构建时间预测模型;
第二构建单元,用于根据得到的主导性的空间数据分量构建空间预测模型;
所述预测模块,用于根据所述第一构建单元构建的时间预测模型和所述第二构建单元构建的空间预测模型分别预测各个子区域的业务热点,得到业务热点发生的时间及位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310271848.3A CN104254083B (zh) | 2013-06-28 | 2013-06-28 | 预测业务热点的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310271848.3A CN104254083B (zh) | 2013-06-28 | 2013-06-28 | 预测业务热点的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104254083A true CN104254083A (zh) | 2014-12-31 |
CN104254083B CN104254083B (zh) | 2017-12-22 |
Family
ID=52188535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310271848.3A Active CN104254083B (zh) | 2013-06-28 | 2013-06-28 | 预测业务热点的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104254083B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106376032A (zh) * | 2016-08-31 | 2017-02-01 | 鲁向东 | 热点区域自动识别方法和装置 |
CN109120541A (zh) * | 2018-08-01 | 2019-01-01 | Oppo(重庆)智能科技有限公司 | 限制网速的方法、装置、终端设备和存储介质 |
CN110954105A (zh) * | 2019-11-26 | 2020-04-03 | 东软集团股份有限公司 | 车辆位置预测方法、装置、存储介质及电子设备 |
TWI697863B (zh) * | 2018-12-14 | 2020-07-01 | 中華電信股份有限公司 | 站台布建順序之系統與方法 |
CN111833079A (zh) * | 2019-04-15 | 2020-10-27 | 北京三快在线科技有限公司 | 一种热点区域预测方法和装置 |
CN113056005A (zh) * | 2019-12-26 | 2021-06-29 | 北京三星通信技术研究有限公司 | 波束确定方法、装置、电子设备及计算机可读存储介质 |
CN116383598A (zh) * | 2023-06-07 | 2023-07-04 | 中网联合(北京)能源服务有限公司 | 基于自回归算法的电力用户用能稳定性分析方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101304590A (zh) * | 2008-04-14 | 2008-11-12 | 中国网络通信集团公司 | 移动通信网络的无线网络容量确定装置及方法 |
CN101453747A (zh) * | 2008-10-31 | 2009-06-10 | 中国移动通信集团北京有限公司 | 一种话务量预测方法及装置 |
CN101778400A (zh) * | 2010-01-08 | 2010-07-14 | 哈尔滨工业大学 | 基于数据库的话务量分析与预测系统及使用该系统的话务量预测方法 |
US20110310772A1 (en) * | 2009-07-16 | 2011-12-22 | Comcast Cable Communications, Llc | Concurrency Method for Forecasting Impact of Speed Tiers on Consumption |
CN103024762A (zh) * | 2012-12-26 | 2013-04-03 | 北京邮电大学 | 基于业务特征的通信业务预测方法 |
-
2013
- 2013-06-28 CN CN201310271848.3A patent/CN104254083B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101304590A (zh) * | 2008-04-14 | 2008-11-12 | 中国网络通信集团公司 | 移动通信网络的无线网络容量确定装置及方法 |
CN101453747A (zh) * | 2008-10-31 | 2009-06-10 | 中国移动通信集团北京有限公司 | 一种话务量预测方法及装置 |
US20110310772A1 (en) * | 2009-07-16 | 2011-12-22 | Comcast Cable Communications, Llc | Concurrency Method for Forecasting Impact of Speed Tiers on Consumption |
CN101778400A (zh) * | 2010-01-08 | 2010-07-14 | 哈尔滨工业大学 | 基于数据库的话务量分析与预测系统及使用该系统的话务量预测方法 |
CN103024762A (zh) * | 2012-12-26 | 2013-04-03 | 北京邮电大学 | 基于业务特征的通信业务预测方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106376032A (zh) * | 2016-08-31 | 2017-02-01 | 鲁向东 | 热点区域自动识别方法和装置 |
CN109120541A (zh) * | 2018-08-01 | 2019-01-01 | Oppo(重庆)智能科技有限公司 | 限制网速的方法、装置、终端设备和存储介质 |
TWI697863B (zh) * | 2018-12-14 | 2020-07-01 | 中華電信股份有限公司 | 站台布建順序之系統與方法 |
CN111833079A (zh) * | 2019-04-15 | 2020-10-27 | 北京三快在线科技有限公司 | 一种热点区域预测方法和装置 |
CN110954105A (zh) * | 2019-11-26 | 2020-04-03 | 东软集团股份有限公司 | 车辆位置预测方法、装置、存储介质及电子设备 |
CN110954105B (zh) * | 2019-11-26 | 2021-11-19 | 东软集团股份有限公司 | 车辆位置预测方法、装置、存储介质及电子设备 |
CN113056005A (zh) * | 2019-12-26 | 2021-06-29 | 北京三星通信技术研究有限公司 | 波束确定方法、装置、电子设备及计算机可读存储介质 |
CN116383598A (zh) * | 2023-06-07 | 2023-07-04 | 中网联合(北京)能源服务有限公司 | 基于自回归算法的电力用户用能稳定性分析方法 |
CN116383598B (zh) * | 2023-06-07 | 2023-09-05 | 中网联合(北京)能源服务有限公司 | 基于自回归算法的电力用户用能稳定性分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104254083B (zh) | 2017-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104254083B (zh) | 预测业务热点的方法及装置 | |
CN107171848B (zh) | 一种流量预测方法和装置 | |
KR102097426B1 (ko) | 피셀 알고리즘을 이용하여 실시간 유동 인구 데이터의 제공이 가능한 유동인구 정보 분석 방법 | |
CN105898762B (zh) | 基站优化及部署方法和装置 | |
Yu et al. | STEP: A spatio-temporal fine-granular user traffic prediction system for cellular networks | |
CN107171831B (zh) | 网络部署方法和装置 | |
EP3644581B1 (en) | Edge-cloud collaboration system for analyzing internet of things data and operating method thereof | |
CN107547154B (zh) | 一种建立视频流量预测模型的方法及装置 | |
CN111867049A (zh) | 定位方法、装置及存储介质 | |
CN105376089A (zh) | 一种网络规划方法及装置 | |
CN108243435B (zh) | 一种lte小区场景划分中的参数优化方法及装置 | |
CN111465025B (zh) | 一种基于新型容量预测模型的旅游城市5g网络组网方法 | |
CN108293193A (zh) | 一种用于完成路测数据的高效计算方法 | |
TWI572179B (zh) | Mobile network base station communication prediction and resource scheduling automation analysis system and method | |
CN110348717B (zh) | 基于栅格粒度的基站价值评分方法和装置 | |
CN111800807A (zh) | 一种基站用户数量告警的方法及装置 | |
WO2020215282A1 (en) | Method and apparatus for evaluate data traffic depressed by radio issues | |
CN116756522B (zh) | 概率预报方法、装置、存储介质及电子设备 | |
CN109618281A (zh) | 一种高铁小区的识别方法及装置 | |
CN109995549A (zh) | 一种评估流量价值的方法及装置 | |
CN117056709A (zh) | 时序预测模型的训练方法、装置和存储介质及电子设备 | |
Yi et al. | Spatial traffic prediction for wireless cellular system based on base stations social network | |
Jiewu et al. | User traffic collection and prediction in cellular networks: Architecture, platform and case study | |
CN116227929A (zh) | 通信数据的分析方法、装置、设备及存储介质 | |
Zhang et al. | Cellular QoE prediction for video service based on causal structure learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |