CN105392154A - 一种资源占用量的预测方法与预测系统 - Google Patents

Abstract

本发明提供了一种资源占用量的预测方法及预测系统，该方法包括获取在历史时间段内的历史业务数据量，以及与历史业务数据量对应的历史资源占用量；根据历史业务数据量、历史资源占用量，确定预测模型；基于历史业务数据量，得到在待预测时间段内的预期业务数据量；根据预期业务数据量，通过预测模型，得到在待预测时间段内的预期资源占用量。本发明通过以上技术方案，解决了现有方式无法分析复杂业务数据对资源的占用情况，从而影响用户使用感受的问题。通过确定业务数据量和资源占用量的函数关系，提高了利用业务数据量预测资源占用量的精度，以此可以更加科学地规划未来LTE网络的数据业务发展比重，对网络资源优化具有极其重要的指导意义。

Description

一种资源占用量的预测方法与预测系统

技术领域

本发明涉及移动通信技术领域，尤其涉及一种资源占用量的预测方法与预测系统。

背景技术

随着4G网络的快速发展，移动网络的数据业务流量迅猛增长，而且不断推出新形式的数据业务，给运营商的网络运营带来了前所未有的冲击。为了提高网络的承载能力，科学地规划未来的数据业务发展方向，需要科学准确地分析各数据业务对无线资源的占用情况。

由于数据业务的多样性、随机性和突发性等特点，对无线资源的占用不能像语音业务一样使用爱尔兰进行衡量和分析，但是如果在进行网络容量规划时不能充分估计数据业务的无线资源占用情况，将会影响用户使用感受。国内外现有方式往往不适用于LTE这种复杂维度数据的处理，不同的数据业务对无线资源的占用情况各不相同，如何更加科学地规划未来的数据业务发展比重，需要探寻业务与无线资源关联规律，从而进行预测和规划。

发明内容

本发明提供了一种资源占用量的预测方法与预测系统，解决了现有方式无法分析复杂业务数据对资源的占用情况，从而影响用户使用感受的问题。

为解决上述技术问题，本发明提供了一种资源占用量的预测方法，包括：

获取在历史时间段内的历史业务数据量，以及与所述历史业务数据量对应的历史资源占用量；

根据所述历史业务数据量、历史资源占用量，确定预测模型；

基于所述历史业务数据量，得到在待预测时间段内的预期业务数据量；

根据所述预期业务数据量，通过所述预测模型，得到在所述待预测时间段内的预期资源占用量。

在本发明的一种实施例中，在根据所述历史业务数据量、历史资源占用量，确定预测模型之前，还包括：

对所述历史业务数据量、历史资源占用量进行筛选，删除不合理的历史业务数据量及对应的历史资源占用量。

在本发明的一种实施例中，根据所述历史业务数据量、历史资源占用量，确定预测模型具体包括：

根据线性回归模型，对所述历史业务数据量、历史资源占用量进行拟合，计算线性回归拟合函数的回归系数；

根据所述回归系数，确定所述线性回归拟合函数，将所述线性回归拟合函数作为预测模型。

在本发明的一种实施例中，设f(x)为因变量，所述因变量为资源占用量，x为自变量，所述自变量为业务数据量，且所述自变量x与所述因变量f(x)之间为线性关系时，所述线性回归模型为：

f(x)＝b₁x+b₂x²+b₃x³+b₄x⁴+b₅x⁵+b₆x⁶+b₀，

其中，b₀为常数项，b₁、b₂、b₃、b₄、b₅、b₆为回归系数。

在本发明的一种实施例中，基于所述历史业务数据量，得到在待预测时间段内的预期业务数据量具体包括：

获取待预测时间段内所有子时间段中的部分子时间段内的业务数据量，所述部分子时间段为k(k＝1,2,3,…)个；

获取与所述待预测时间段对应的至少一个历史时间段内所有子时间段中的部分子时间段内的历史业务数据量，所述部分子时间段为k(k＝1,2,3,…)个；

分别计算相同子时间段内的业务数据量与历史业务数据量之间的欧式距离的平方m²；

根据预测精度，确定阈值j(j＞0)；

判断所述欧式距离的平方m²是否满足若满足，则根据所述欧式距离的平方m²，得到所述至少一个历史时间段中的历史业务数据量，将平均后的历史业务数据量作为在待预测时间段内的预期业务数据量；

或者，

根据所述历史业务数据量，通过最小二乘算法，确定所述历史业务数据量与所述历史时间段之间的拟合函数；

根据所述待预测时间段，得到预期业务数据。

在本发明的一种实施例中，在根据所述预期业务数据量，通过所述预测模型，得到在所述待预测时间段内的预期资源占用量之后，还包括：

根据所述预测资源占用量，对网络进行优化。

本发明还提供一种资源占用量的预测系统，包括：

获取模块，用于获取在历史时间段内的历史业务数据量，以及与所述历史业务数据量对应的历史资源占用量；

确定模块，用于根据所述获取模块获取的历史业务数据量、历史资源占用量，确定预测模型；

处理模块，用于基于所述获取模块获取的历史业务数据量，得到在待预测时间段内的预期业务数据量；

预测模块，用于根据所述处理模块得到的预期业务数据量，通过所述确定模块确定的预测模型，得到在所述待预测时间段内的预期资源占用量。

在本发明的一种实施例中，还包括：

预处理模块，用于对所述获取模块获取的历史业务数据量、历史资源占用量进行筛选，删除不合理的历史业务数据量及对应的历史资源占用量。

在本发明的一种实施例中，还包括：

计算模块，用于根据线性回归模型，对所述获取模块获取的历史业务数据量、历史资源占用量进行拟合，计算线性回归拟合函数的回归系数；

所述确定模块具体用于根据所述计算模块得到的回归系数，确定所述线性回归拟合函数，将所述线性回归拟合函数作为预测模型。

在本发明的一种实施例中，所述获取模块还用于获取待预测时间段内所有子时间段中的部分子时间段内的业务数据量，所述部分子时间段为k(k＝1,2,3,…)个；

所述获取模块还用于获取与所述待预测时间段对应的至少一个历史时间段内所有子时间段中的部分子时间段内的历史业务数据量，所述部分子时间段为k(k＝1,2,3,…)个；

所述计算模块还用于分别计算相同子时间段内的业务数据量与历史业务数据量之间的欧式距离的平方m²；

所述确定模块还用于根据预测精度，确定阈值j(j＞0)；

还包括：

判断模块，用于判断所述欧式距离的平方m²是否满足

所述处理模块具体用于若所述判断模块判断满足，则根据所述欧式距离的平方m²，得到所述至少一个历史时间段中的历史业务数据量，将平均后的历史业务数据量作为在待预测时间段内的预期业务数据量；

或者，

所述确定模块还用于根据所述历史业务数据量，通过最小二乘算法，确定所述历史业务数据量与所述历史时间段之间的拟合函数；

所述处理模块具体用于根据所述待预测时间段，得到预期业务数据。

本发明的有益效果：

本发明提供一种资源占用量的预测方法与预测系统，通过确定业务数据量和资源占用量的函数关系，提高了利用业务数据量预测资源占用量的精度，以此可以更加科学地规划未来LTE网络的数据业务发展比重，对网络资源优化具有极其重要的指导意义。通过多元线性回归算法，结合业务和资源占用的正相关性，对数据量和占用量进行了回归拟合，准确地反应了两者之间的关系，为预测提供理论支撑。通过时间维的最小二乘多项式拟合，对时间维的数据变化予以充分考虑，比较直观准确地展现了业务量的变化趋势，与以往方法相比较大地提升了预测的准确性。

附图说明

图1为本发明实施例一提供的资源占用量的预测方法的流程图；

图2为本发明实施例二提供的资源占用量的预测系统的结构示意图；

图3为本发明实施例三提供的业务数据量和资源占用量的预测曲线的示意图；

图4为本发明实施例三提供的业务吞吐量变化趋势的示意图；

图5为本发明实施例四提供的用户数和资源占用量的拟合曲线的示意图；

图6为本发明实施例四提供的不同业务的用户数与资源占用量的拟合曲线的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明中一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面通过具体实施方式结合附图对本发明作进一步详细说明。

实施例一：

如图1为本发明实施例一提供的资源占用量的预测方法的流程图，如图1所示，该资源占用量的预测方法包括：

S101：获取在历史时间段内的历史业务数据量，以及与历史业务数据量对应的历史资源占用量；

具体地，为了提高网络的承载能力，科学地规划未来的数据业务发展方向，需要科学准确地分析各数据业务对无线资源的占用情况，因此，需获取在历史时间段内的历史业务数据量，以及与该历史业务数据量对应的历史资源占用量，即不仅获取某一业务在执行过程中所产生的数据量，而且还获取该业务在执行过程中所需要的资源数。为了使数据具有普遍统计意义，在某一历史时间段内，可以获取多组历史业务数据量、历史资源占用量，从而更好地反映在该历史时间段内的资源占用情况。该历史业务数据量包括但不局限于各个业务在历史时间段内的吞吐量、各个业务在历史时间段内的用户数，历史资源占用量包括但不局限于各个资源在历史时间段内的利用率。

在一些实施例中，优选地，可以获取多个历史时间段内的历史业务数据量、历史资源占用量，形成多组历史数据作为样本数据，样本数据的组数越多，则资源占用量的预测越精确。

S102：根据历史业务数据量、历史资源占用量，确定预测模型；

具体地，当获取到历史业务数据量、历史资源占用量后，可以先得到在待预测时间段内的预期业务数据量，再确定相应的预测模型，也可以先确定相应的预测模型，再得到在待预测时间段内的预期业务数据量，还可以同时进行。

在一些实施例中，在确定预测模型之前，还对该历史业务数据量、历史资源占用量进行筛选，删除不合理的历史业务数据量以及对应的历史资源占用量，使得确定的预测模型更为精确。此外，若获取多个历史时间段内的历史业务数据量、历史资源占用量，数据经过筛选后，还可以对每一个历史时间段内的多组历史业务数据量、历史资源数据量分别进行平均，得到每一个历史时间段内平均历史业务数据量、平均历史资源数据量，从而去除突发随机状况，使数据具有普遍统计意义。

在本实施例中，对于单一业务而言，根据线性回归模型，对历史业务数据量、历史资源占用量进行拟合，计算线性回归拟合函数的回归系数，根据该回归系数，确定线性回归拟合函数，将线性回归拟合函数作为预测模型，其确定方式包括但不局限于以下方式：

设f(x)为因变量，x为自变量，且自变量x与因变量f(x)之间为线性关系时，该线性回归模型为：

f(x)＝b₁x+b₂x²+b₃x³+b₄x⁴+b₅x⁵+b₆x⁶+b₀，

其中，b₀为常数项，b₁、b₂、b₃、b₄、b₅、b₆是回归系数，x为业务数据量，f(x)为资源占用量，则上述线性回归模型为资源占用量—业务数据量之间的函数关系，即预测模型。

将f(x)设定为一个多项式，是因为任何一种函数均可以通过泰勒级数展开为多项式，且阶数越高越接近原函数，但是阶数的增加会增大拟合的难度，而且高次系数的值随着阶数的增大会越来越小，以至于没有必要考虑，因此，优选地，本模型将拟合多项式的最高阶设为六次。

通过线性回归模型，求解出对应常数项b₀和回归系数b₁、b₂、b₃、b₄、b₅、b₆，考虑到当业务数据量为0时，资源占用量也应该是0，因此，常数项b₀可以根据需要设定为0，由此就可以得到资源占用量—业务数据量之间的函数关系。

对于N(N≥2且为正整数)个业务而言，设f(x₁,x₂,…,x_i,…,x_N)为因变量，x_i为自变量，且自变量x_i与因变量f(x₁,x₂,…,x_i,…,x_N)之间为多元线性关系时，该多元线性回归模型为：

f(x₁,x₂,…,x_i,…,x_N)＝f₁(x₁)+f₂(x₂)+…+f_i(x_i)+…+f_N(x_N)

其中，该资源总占用量—不同业务数据量之间的多元线性回归模型即可预测模型，f(x₁,x₂,…,x_i,…,x_N)为资源总占用量，f_i(x_i)第i个业务的资源占用量，该f_i(x_i)表示为：

$f_i\left(x_i\right)=b_{i1}{x}_i+b_{i2}{x}_i^2+b_{i3}{x}_i^3+b_{i4}{x}_i^4+b_{i5}{x}_i^5+b_{i6}{x}_i^6+\frac{b_0}{N}$

其中，b₀为常数项， $B=\left[\begin{array}{cccc}{b}_{11}& b_{12}& ...& b_{16}\\ b_{21}& b_{22}& ...& b_{26}\\ ...& ...& ...& ...\\ b_{i1}& b_{i2}& ...& b_{i6}\\ ...& ...& ...& ...\\ b_{N1}& b_{N2}& ...& b_{N6}\end{array}\right]$ 为回归系数矩阵，N是业务的数目，x_i为第i个业务的业务数据量。

通过上述预测模型，即可对资源占用量进行预测。

S103：基于历史业务数据量，得到在待预测时间段内的预期业务数据量；

具体地，当获取到历史业务数据量后，基于历史业务数据量，即可得到在待预测时间段内的预期业务数据量。

在本实施例中，得到预期业务数据量的方式包括但不局限于以下方式：

方式一、获取待预测时间段内所有子时间段中的部分子时间段内的业务数据量，该部分子时间段为k(k＝1,2,3,…)个，该k个部分子时间段不包括所有子时间段，而是在所有子时间段中，选择k个部分子时间段，获取这k个部分子时间段中的业务数据量，由于是为了得到整个待预测时间段内的业务数据量，因而这k个部分子时间段应为待预测时间段内前k个子时间段内的业务数据量，同样地，获取在与待预测时间段对应的至少一个历史时间段内，所有子时间段中的部分子时间段内的历史业务数据量，该部分子时间段也同样为k(k＝1,2,3,…)个，这k个部分子时间段应为历史时间段内前k个子时间段内的业务数据量，分别计算相同子时间段内的业务数据量与历史业务数据量之间的距离的平方m²，即分别计算待预测时间段中子时间段内的业务数据量与至少一个历史时间段中对应子时间段内的历史业务数据量的欧式距离的平方m²，根据预测精度，确定阈值j(j＞0)，该阈值可以灵活选取，视想要预测的精度而言，理论上想要预测的越精确，越需要越大的数据量和越小的精准预测数据比例，例如，可以选取最大差值的60％作为一个阈值，所有小于这个阈值的数据才会被当做基准预测数据进行平均。计算得到欧式距离的平方m²之后，判断该欧式距离的平方m²是否满足若满足，则根据该欧式距离的平方m²，得到至少一个历史时间段中的历史业务数据量，将平均后的历史业务数据量作为在待预测时间段内的预期业务数据量。

例如，对于想要预测第D+1周第i天的业务吞吐量，获取该第D+1周第i天内前k个小时中每个小时的业务数据量，以及前D周中所有第i天内前k个小时中每个小时的历史业务数据量，分别计算两者之间的欧式距离的平方m²，设阈值为j，判断m²是否满足若满足，则根据欧式距离的平方，在前D周中选择满足条件的当天的业务数据量，将平均后的业务数据量作为预期业务数据量。

方式二、由于业务数据量具有时间维的变化属性，且逼近离散数据的曲线拟合能够较好地反应数据的变化趋势，因此，根据历史业务数据量，通过最小二乘算法，确定历史业务数据量与历史时间段之间的拟合函数，其基本思路为令f(x)＝a₁r₁(x)+a₂r₂(x)+…+a_mr_m(x)，其中，是一组事先选定的线性无关函数，是一组待定系数，寻求系数使得实际值y_i与拟合值f(x)的距离最小，即可得到业务数据量与时间的最小二乘多项式拟合曲线图，根据预测时间段，即可得到预期业务数据。

S104：根据预期业务数据量，通过预测模型，得到在待预测时间段内的预期资源占用量。

具体地，当得到预期业务数据量、预测模型之后，将该预期业务数据量代入预测模型中，即可得到在待预测时间段内的预期资源占用量，当得到该预期资源占用量后，根据该资源占用量，更加科学地规划未来的数据业务发展比重，探寻业务与无线资源关联规律，对未来的业务与无线资源占用提出建议，从而对网络进行优化。

通过确定业务数据量和资源占用量的函数关系，提高了利用业务数据量预测资源占用量的精度，以此可以更加科学地规划未来LTE网络的数据业务发展比重，对网络资源优化具有极其重要的指导意义。通过多元线性回归算法，结合业务和资源占用的正相关性，对数据量和占用量进行了回归拟合，准确地反应了两者之间的关系，为预测提供理论支撑。通过时间维的最小二乘多项式拟合，对时间维的数据变化予以充分考虑，比较直观准确地展现了业务量的变化趋势，与以往方法相比较大地提升了预测的准确性。

实施例二：

如图3为本发明实施例二提供的资源占用量的预测系统的结构示意图，如图3所示，该预测系统包括获取模块1、确定模块2、处理模块3、预测模块4，获取模块1用于获取在历史时间段内的历史业务数据量，以及与历史业务数据量对应的历史资源占用量，确定模块2用于根据获取模块1获取的历史业务数据量、历史资源占用量，确定预测模型，处理模块3用于基于获取模块1获取的历史业务数据量，得到在待预测时间段内的预期业务数据量，预测模块4用于根据处理模块3得到的预期业务数据量，通过确定模块2确定的预测模型，得到在待预测时间段内的预期资源占用量。

优选地，还包括预处理模块5，预处理模块5用于对获取模块1获取的历史业务数据量、历史资源占用量进行筛选，删除不合理的历史业务数据量及对应的历史资源占用量。

优选地，还包括计算模块6，计算模块6用于根据多元线性回归模型，对获取模块1获取的历史业务数据量、历史资源占用量进行拟合，计算多元线性回归拟合函数的回归系数，确定模块2具体用于根据计算模块6得到的回归系数，确定多元线性回归拟合函数，将多元线性回归拟合函数作为预测模型。

优选地，还包括判断模块7，获取模块1还用于获取待预测时间段内所有子时间段中的部分子时间段内的业务数据量，部分子时间段为k(k＝1,2,3,…)个，获取模块1还用于获取与待预测时间段对应的至少一个历史时间段内所有子时间段中的部分子时间段内的历史业务数据量，部分子时间段为k(k＝1,2,3,…)个，计算模块6还用于分别计算相同子时间段内的业务数据量与历史业务数据量之间的欧式距离的平方m²，确定模块2还用于根据预测精度，确定阈值j(j＞0)，判断模块7用于判断欧式距离的平方m²是否满足处理模块3具体用于若判断模块7判断满足，则根据欧式距离的平方m²，得到至少一个历史时间段中的历史业务数据量，将平均后的历史业务数据量作为在待预测时间段内的预期业务数据量；

或者，确定模块2还用于根据历史业务数据量，通过最小二乘算法，确定历史业务数据量与历史时间段之间的拟合函数，处理模块3具体用于根据待预测时间段，得到预期业务数据。

优选地，还包括优化模块8，优化模块8根据处理模块3得到的预测资源占用量，对网络进行优化。

实施例三：

本实例中涉及的资源占用量分别是物理上行共享信道利用率、物理下行共享信道利用率以及物理下行控制信道利用率，涉及的业务分别是QCI(QoSClassIdentifier，包转发行为)为7、8和9时的吞吐量，数据来源是LTE现网中某个地区所有基站统计的数据，其时间颗粒度为15分钟，时间跨度为三周。

获取所需要的QCI分别为7、8和9时的吞吐量、物理上行共享信道利用率、物理下行共享信道利用率以及物理下行控制信道利用率。为了使数据更有意义筛选出QCI为9时吞吐量不为0的数据，对筛选后的数据进行平均，去除突发随机状况，使数据具有普遍统计意义。

本实施例以预测PUSCH(PhysicalUplinkSharedChannel，物理上行共享信道利用率)为例进行说明，对平均后的吞吐量、物理上行共享信道利用率进行多元线性回归拟合，设输入数据有QCI分别为7、8和9时的吞吐量，分别为x₁,x₂,x₃，物理上行共享信道利用率的总占用率为f(x₁,x₂,x₃)，其多元线性回归拟合函数如下：

f(x₁,x₂,x₃)＝f₁(x₁)+f₂(x₂)+f₃(x₃)

$f_1\left(x_1\right)=b_{11}{x}_1+b_{12}{x}_1^2+b_{13}{x}_1^3+b_{14}{x}_1^4+b_{15}{x}_1^5+b_{16}{x}_1^6+\frac{b_0}{3},$

$f_2\left(x_2\right)=b_{21}{x}_2+b_{22}{x}_2^2+b_{23}{x}_2^3+b_{24}{x}_2^4+b_{25}{x}_2^5+b_{26}{x}_2^6+\frac{b_0}{3}$

$f_3\left(x_3\right)=b_{31}{x}_3+b_{32}{x}_3^2+b_{33}{x}_3^3+b_{34}{x}_3^4+b_{35}{x}_3^5+b_{36}{x}_3^6+\frac{b_0}{3}$

其中，b₀为常数项， $B=\left[\begin{array}{cccc}{b}_{11}& b_{12}& ...& b_{16}\\ b_{21}& b_{22}& ...& b_{26}\\ ...& ...& ...& ...\\ b_{i1}& b_{i2}& ...& b_{i6}\\ ...& ...& ...& ...\\ b_{N1}& b_{N2}& ...& b_{N6}\end{array}\right]$ 是回归系数矩阵，x₁,x₂,x₃是对应QCI分别为7、8和9时的吞吐量，f₁(x₁)、f₂(x₂)、f₃(x₃)是对应的QCI分别为7、8和9—物理上行共享信道利用率的拟合函数，考虑到当吞吐量为零的时候，物理上行共享信道利用率应该是零，所以此时b₀置零。

根据上述多元线性回归模型，单一业务吞吐量与物理上行共享信道利用率的拟合函数为：

当QCI＝7时，

$f_1\left(x_1\right)=0.0226030*x_1+0.005127*x_1^2-0.003483*x_1^3+0.00037*x_1^4+0.000018x_1^5;$

当QCI＝8时，

$\begin{array}{c}{f}_2\left(x_2\right)=0.0593308*x_2-0.1854025*x_2^2+0.1657512*x_2^3-0.0108915x_2^4-\\ 0.0256775*x_2^5+0.0057917*x_2^6\end{array};$

当QCI＝9时，

$\begin{array}{c}{f}_3\left(x_3\right)=0.0901870*x_3-0.8837285*x_3^2+3.2271736*x_3^3-5.2644332*x_3^4+\\ 3.9558939*x_3^5-1.1031705*x_3^6\end{array}.$

如图3为本发明实施例三提供的业务数据量和资源占用量的预测曲线的示意图，如图3所示，该预测曲线表示了QCI为7时的吞吐量与物理上行共享信道利用率之间的预测曲线。

对于预期业务吞吐量的预测，其包括但不局限于以下方式：

其一、如图4为本发明实施例三提供的业务吞吐量变化趋势的示意图，如图4所示，对业务吞吐量进行时间维的最小二乘多项式拟合，次数为20次，作出前D周每天的拟合趋势图。根据待预测时间段，即可得到相应的预期业务吞吐量；

其二、对于想要预测第三周周四的吞吐量，用第三周周四中前5个小时的业务吞吐量数据与前两周中每周周四中前5个小时的业务吞吐量求欧式距离的平方m²，取阈值为0.00542(该阈值取值是保证能取到至少所有图的一半数量)，判断m²是否满足在本实施例中，第一周周四的数据满足上述条件，则对第一周周四的业务吞吐量进行平均，并将该平均后的业务吞吐量作为对第3周周四吞吐量的预期业务数据量。

将上述预期业务数据量代入多元线性回归拟合函数，即可预测对应物理上行共享信道利用率的变化情况。

实施例四：

本实例中涉及的资源占用量是反向接入信道时隙利用率，涉及的业务分别是小流量常在线业务、普通业务和其他业务三种。数据来源是CDMA2000EVDO现网中某个地区两个BSC下的所有载扇统计的KPI数据和话筒数据，其时间颗粒度为60分钟，时间跨度为一周。

获取所需要的小流量常在线业务用户数、普通业务用户数、其他业务用户数以及反向接入信道时隙利用率值，对筛选后的数据进行平均，去除突发随机状况，使数据具有普遍统计意义，实现方法依据相同逻辑用户总数的记录条数分为以下两种情况：

(1)当逻辑用户总数小于4时，对三种数据业务对应的用户数均作相同的记录，将相应的资源占用量进行平均；

(2)当逻辑用户总数大于等于4时，对三种数据业务的逻辑用户总数和作相同的数据记录，将其对应的资源占用值和各业务对应的用户数分别进行平均。

对平均后的用户数、反向接入信道时隙利用率进行多元线性回归拟合，设输入数据有三种数据业务小流量业务、普通业务和其他业务对应的用户人数，分别为x₁,x₂,x₃，反向接入信道时隙利用率的总占用率为f(x₁,x₂,x₃)，其多元线性回归拟合函数如下：

f(x₁,x₂,x₃)＝f₁(x₁)+f₂(x₂)+f₃(x₃)

$f_1\left(x_1\right)=b_{11}{x}_1+b_{12}{x}_1^2+b_{13}{x}_1^3+b_{14}{x}_1^4+b_{15}{x}_1^5+b_{16}{x}_1^6+\frac{b_0}{3},$

$f_2\left(x_2\right)=b_{21}{x}_2+b_{22}{x}_2^2+b_{23}{x}_2^3+b_{24}{x}_2^4+b_{25}{x}_2^5+b_{26}{x}_2^6+\frac{b_0}{3}$

$f_3\left(x_3\right)=b_{31}{x}_3+b_{32}{x}_3^2+b_{33}{x}_3^3+b_{34}{x}_3^4+b_{35}{x}_3^5+b_{36}{x}_3^6+\frac{b_0}{3}$

其中，b₀为常数项， $B=\left[\begin{array}{cccc}{b}_{11}& b_{12}& ...& b_{16}\\ b_{21}& b_{22}& ...& b_{26}\\ ...& ...& ...& ...\\ b_{i1}& b_{i2}& ...& b_{i6}\\ ...& ...& ...& ...\\ b_{N1}& b_{N2}& ...& b_{N6}\end{array}\right]$ 是回归系数矩阵，x₁,x₂,x₃是对应的三种业务的用户数，f₁(x₁)、f₂(x₂)、f₃(x₃)是对应的三种业务的用户数—反向接入信道时隙利用率的拟合函数，考虑到当用户数为零的时候，反向接入信道时隙利用率应该是零，所以此时b₀置零。

根据上述多元线性回归模型，单一业务用户数与反向接入信道时隙利用率的拟合函数为：

小流量常在线业务：

$f_1\left(x_1\right)=0.0022367*x_1^2+0.0009432*x_1^3-0.0001051*x_1^4+0.0000037*x_1^5;$

普通业务：

$\begin{array}{c}{f}_2\left(x_2\right)=0.0293519*x_2+0.0133505*x_2^2-0.0005977*x_2^3+0.0000107x_2^4-\\ 0.0000001*x_2^5\end{array};$

其他业务：

$\begin{array}{c}{f}_3\left(x_3\right)=0.1149989*x_3-0.0105260*x_3^2+0.0004505*x_3^3-0.0000082*x_3^4+\\ 0.0000001*x_3^5\end{array}.$

如图5为本发明实施例四提供的用户数和资源占用量的拟合曲线的示意图，如图5所示，该预测曲线表示了小流量常在线业务与反向接入信道时隙利用率之间的预测曲线。

如图6为本发明实施例四提供的不同业务的用户数与资源占用量的拟合曲线的示意图，如图6所示，该预测曲线表示了三种不同业务的用户数与反向接入信道时隙利用率之间的预测曲线。

可以用相关系数r来衡量拟合函数的准确程度，相关系数公式：

$r=\frac{{\mathrm{\Σ}}_{i=1}^N(x_i-\stackrel{\‾}{x})(y_i-\stackrel{\‾}{y})}{\sqrt{{\mathrm{\Σ}}_{i=1}^N{(x_i-\stackrel{\‾}{x})}^2}\sqrt{{\mathrm{\Σ}}_{i=1}^N{(y_i-\stackrel{\‾}{y})}^2}}$

其中，x_i是实际用户人数，y_i是反向接入信道实际时隙利用率，是拟合函数对应点的实际用户人数，是拟合函数上对应点的反向接入信道实际时隙利用率，N为样本数量。

对平均后的业务用户数进行统计，得到三种业务对应用户人数相同的记录数，分别寻找其中相同记录数大于100的对应业务最大用户数，记为maxuser₁、maxuser₂以及maxuser₃，在本例中maxuser₁＝19、maxuser₂＝44、maxuser₃＝42，即将maxuser₁＝19、maxuser₂＝44、maxuser₃＝42分别作为能够较为准确显示拟合后的单个业务对应的资源占用量的截止最大用户数，将上述截止最大用户数代入多元线性回归拟合函数，即可预测对应反向接入信道时隙利用率的变化情况。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种资源占用量的预测方法，其特征在于，包括：

获取在历史时间段内的历史业务数据量，以及与所述历史业务数据量对应的历史资源占用量；

根据所述历史业务数据量、历史资源占用量，确定预测模型；

基于所述历史业务数据量，得到在待预测时间段内的预期业务数据量；

根据所述预期业务数据量，通过所述预测模型，得到在所述待预测时间段内的预期资源占用量。

2.根据权利要求1所述的资源占用量的预测方法，其特征在于，在根据所述历史业务数据量、历史资源占用量，确定预测模型之前，还包括：

对所述历史业务数据量、历史资源占用量进行筛选，删除不合理的历史业务数据量及对应的历史资源占用量。

3.根据权利要求1所述的资源占用量的预测方法，其特征在于，根据所述历史业务数据量、历史资源占用量，确定预测模型具体包括：

根据线性回归模型，对所述历史业务数据量、历史资源占用量进行拟合，计算线性回归拟合函数的回归系数；

根据所述回归系数，确定所述线性回归拟合函数，将所述线性回归拟合函数作为预测模型。

4.根据权利要求3所述的资源占用量的预测方法，其特征在于，设f(x)为因变量，所述因变量为资源占用量，x为自变量，所述自变量为业务数据量，且所述自变量x与所述因变量f(x)之间为线性关系时，所述线性回归模型为：

f(x)＝b₁x+b₂x²+b₃x³+b₄x⁴+b₅x⁵+b₆x⁶+b₀，

其中，b₀为常数项，b₁、b₂、b₃、b₄、b₅、b₆为回归系数。

5.根据权利要求1-4任一项所述的资源占用量的预测方法，其特征在于，基于所述历史业务数据量，得到在待预测时间段内的预期业务数据量具体包括：

获取待预测时间段内所有子时间段中的部分子时间段内的业务数据量，所述部分子时间段为k(k＝1,2,3,…)个；

获取与所述待预测时间段对应的至少一个历史时间段内所有子时间段中的部分子时间段内的历史业务数据量，所述部分子时间段为k(k＝1,2,3,…)个；

分别计算相同子时间段内的业务数据量与历史业务数据量之间的欧式距离的平方m²；

根据预测精度，确定阈值j(j＞0)；

判断所述欧式距离的平方m²是否满足若满足，则根据所述欧式距离的平方m²，得到所述至少一个历史时间段中的历史业务数据量，将平均后的历史业务数据量作为在待预测时间段内的预期业务数据量；

或者，

根据所述历史业务数据量，通过最小二乘算法，确定所述历史业务数据量与所述历史时间段之间的拟合函数；

根据所述待预测时间段，得到预期业务数据。

6.根据权利要求1-4任一项所述的资源占用量的预测方法，其特征在于，在根据所述预期业务数据量，通过所述预测模型，得到在所述待预测时间段内的预期资源占用量之后，还包括：

根据所述预测资源占用量，对网络进行优化。

7.一种资源占用量的预测系统，其特征在于，包括：

获取模块，用于获取在历史时间段内的历史业务数据量，以及与所述历史业务数据量对应的历史资源占用量；

确定模块，用于根据所述获取模块获取的历史业务数据量、历史资源占用量，确定预测模型；

处理模块，用于基于所述获取模块获取的历史业务数据量，得到在待预测时间段内的预期业务数据量；

预测模块，用于根据所述处理模块得到的预期业务数据量，通过所述确定模块确定的预测模型，得到在所述待预测时间段内的预期资源占用量。

8.根据权利要求7所述的资源占用量的预测系统，其特征在于，还包括：

预处理模块，用于对所述获取模块获取的历史业务数据量、历史资源占用量进行筛选，删除不合理的历史业务数据量及对应的历史资源占用量。

9.根据权利要求7或8所述的资源占用量的预测系统，其特征在于，还包括：

计算模块，用于根据线性回归模型，对所述获取模块获取的历史业务数据量、历史资源占用量进行拟合，计算线性回归拟合函数的回归系数；

所述确定模块具体用于根据所述计算模块得到的回归系数，确定所述线性回归拟合函数，将所述线性回归拟合函数作为预测模型。

10.根据权利要求9所述的资源占用量的预测方法，其特征在于，

所述获取模块还用于获取待预测时间段内所有子时间段中的部分子时间段内的业务数据量，所述部分子时间段为k(k＝1,2,3,…)个；

所述获取模块还用于获取与所述待预测时间段对应的至少一个历史时间段内所有子时间段中的部分子时间段内的历史业务数据量，所述部分子时间段为k(k＝1,2,3,…)个；

所述计算模块还用于分别计算相同子时间段内的业务数据量与历史业务数据量之间的欧式距离的平方m²；

所述确定模块还用于根据预测精度，确定阈值j(j＞0)；

还包括：

判断模块，用于判断所述欧式距离的平方m²是否满足

所述处理模块具体用于若所述判断模块判断满足，则根据所述欧式距离的平方m²，得到所述至少一个历史时间段中的历史业务数据量，将平均后的历史业务数据量作为在待预测时间段内的预期业务数据量；

或者，

所述确定模块还用于根据所述历史业务数据量，通过最小二乘算法，确定所述历史业务数据量与所述历史时间段之间的拟合函数；

所述处理模块具体用于根据所述待预测时间段，得到预期业务数据。