CN108141773B - 通过预测流量参数来管理无线通信网络的方法 - Google Patents

Abstract

一种用于管理无线网络的方法(100)，包括：‑收集(105)按时间排序的流量数据样本的序列，并且将所收集的数据样本布置在具有至少一个维度的至少一个级别0残余矩阵中，所述级别0残余矩阵的所述维度对应于包括时间单元的有序序列的相应时间标度，时间单元的所述有序序列定义第一时间窗口；通过将计算出的与流量数据样本集对应的泛函应用于时间单元的分区来生成经预测的数据样本，来预测(130)在与第一时间窗口不同的第二时间窗口中的流量数据趋势，所述时间单元的分区包括对应于所述第二时间窗口和所述第一时间窗口中的至少一个时间窗口的时间单元的有序序列；‑使用(140)所预测的流量数据趋势来管理无线网络。

Description

通过预测流量参数来管理无线通信网络的方法

技术领域

本发明一般涉及无线电信网络，诸如蜂窝网络之类。

背景技术

数据和语音流量趋势的表征和预测在蜂窝网络的设计和优化中是至关重要的问题。

具体而言，与蜂窝网络中的节点/小区相关联的流量的固有性质取决于其中这样的节点/小区所位于的空间位置(例如，住宅区、商业区、办公区等等)以及取决于流量本身的时间演变(例如，部署新的技术、当地资源的搬迁/增加等等)具有不同的类型特征。特别地，与位于城市化办公区中的蜂窝网络的节点相关联的流量的类型不同于与位于城市化住宅区或旅游区中的网络节点相关联的流量的类型。随着时间分辨率的增加，即使可以注意到典型的基本流量趋势分量(下文称为“流量趋势的固有分量”，或简称为“固有分量”)，流量数据演变也变得越来越不规则。作为示例，蜂窝流量数据趋势通常在午夜期间最小，其从早晨的前几小时升高直到一天的中间时间稳定下来。一个极其变化的流量分量，或“随机分量”被叠加在这个固有分量上。

在未来时段外推历史数据序列(旨在作为顺序采集到的各种模式下的数据(从采样器输出的原始数据到通过例如过滤操作预处理后的数据)的集合)的行为的能力已经在诸如经济学(例如，股票价格趋势或国家的宏观经济参数的预测)、生物学(例如，流行病的演变)或工程学(例如，材料的老化)之类的各种学科中快速发展。除非存在关于未来动态的进一步信息，否则从过去获取的历史数据序列外推未来时间中的行为通常且隐含地基于所分析的现象是固定的假设。使用了依赖于这种类型的假设的不同的已知预测技术，诸如例如：

·基于“样条”外推的技术，其中导出物(derivative)由外推点维持(参见例如Hyndman，King，Pitrun，Billah，“Local linear forecast using cubic smoothingsplines”，Aust.N.K.Stat.47(1)，2005，第87-99页)；

·基于神经网络的技术，其中每个节点根据过去的行为进行学习(参见例如Crone，Dhawan，“Forecasting seasonal time series with neural networks：asensitivity analysis of architecture parameters”，神经网络国际联合会议(international joint conference on neural networks)的会议论文集，美国佛罗里达州奥兰多市，2007年8月12日至17日，或Gheyas，Smith，“A neural network approach totime series forecasting”，2009年世界工程大会(World Congress on Engineering)的会议论文集，Vol II，WCE 2009，2009年7月1日至3日，英国伦敦)；

·回归技术，其中或多或少的近期过去被存储在权重参数内(参见例如Barford，Kline，Plonka，Ron，“A signal analysis of network traffic anomalies”，IMW'02，2002年11月，Gelper，Fried，Croux，“Robust forecasting with exponential and Holt-Winted smoothing”，Faculty of Economics and management,Katholieke UniversitetLeuven，2007年4月，或者“Single,Double and Triple exponential Smoothing”，NIST，http://www.itl.nist.gov/div898/handbook/pmc/section4)。

一般而言，通过以上提到的预测性技术对数据进行处理需要对实际数据进行采样，即，在离散时刻检测要处理的信号的处理输出作为可以是在两个相继时刻之间的其处理后的版本或采样量的瞬时读取值(例如，在采样间隔内的平均值)的结果数据。固有地，可能受到噪声影响的那些数据可经历过滤处理(例如移动平均)，并且不能完全符合奈奎斯特(Nyquist)定理(即，数据以由相同采样系统建立的频率进行采样，而不对观察到的量进行预分析以便定义带宽并且因此定义采样频率)的要求。

这些技术中的一些最适合应用于由具有预定义特性的历史序列表示的现象(例如，具有季节性趋势的历史序列)。为了应用这些技术，因此有必要对所考虑的现象进行了解或预先分类以便选择最佳方法：例如，一些技术需要在开始预测处理之前通过观察历史数据来确定季节性时段。

在这个框架内，随机分量是要考虑的一个重要的要素，随机分量要在广义上理解为与现象本身的固有分量重叠的现象的统计学变化的集合。

如果固有分量被随机分量隐藏，那么一些预测技术的效率可能会下降；在这些情况下，诸如频谱分析或自/互相关处理之类的技术可以帮助从随机分量中区分出固有分量，以便将前者与后者分开。申请人已经观察到，随机分量可以表示所考虑的现象的重要分量，也用于预测目的。例如，在移动电信中，随机分量表示来自固有分量的由于可预测或不可预测的现场(spot)服务请求的局部变化。不可预测的局部流量增加的示例可以是由于汽车事故而在道路上等待的一排汽车而生成的，而可预测的局部流量增加的示例可以是由于体育赛事而引起的。

美国专利申请US20100030545公开了图案(pattern)形状预测方法，包括：通过模拟来预测与基于图案数据在基板上形成的基板上的图案的图案形状有关的图案图像的强度分布；根据图案图像的强度分布来计算第一图案边缘位置；在包括第一图案边缘位置的预定范围内计算图案图像的强度分布的特征值；使用相关性根据特征值计算第一图案边缘位置的波动量；以及考虑相对于第一图案边缘位置的波动量来预测第二图案边缘位置。

国际专利申请WO00/30385公开了一种在无线通信系统中使网络运营商能够通过将资源与当前的拥塞流量水平和未来的预测流量水平相匹配来适应订户需求的方法和系统。适应可以在小区级别实现，并且适用的资源包括收发器。网络中的给定基站优选地至少在三个场合下记录变量。所述变量包括测量的时间、平均流量水平、繁忙时间TL和TRX的当前数量。然后，可以将这四个变量用在应用于增长方程的非线性优化公式中。为该方程产生三个重要的系数。对于给定小区，可以根据具有重要系数的增长方程来估计未来流量水平以及最大预期的订户总体(population)。可能的繁忙时间TL和预测的未来TL可以用于确定TRX的优化数量。

论文Dorgbefu，Gadze，Anipa，“Short term traffic Volume prediction inUMTS networks using the Kalman Filter Algorithm”，International Journal ofMobile network Communications&Telematics，Vol.3.No.6.2013年12月，描述了通过卡尔曼(Kalman)滤波技术预测UMTS(通用移动电信系统)流量的方法。

发明内容

申请人已经认识到，以上提到的现有技术文献都没有提供能够高效地预测与蜂窝网络的节点/小区相关联的流量趋势的解决方案。

本发明的一个方面提供了一种用于管理无线网络的方法。所述方法包括：收集按时间排序的流量数据样本的序列，并且将所收集的数据样本布置在具有至少一个维度的至少一个级别0残余(residual)矩阵中。所述级别0残余矩阵的所述维度对应于包括时间单元的有序序列的相应时间标度(time scale)，时间单元的所述有序序列定义第一时间窗口。所述方法还包括执行至少一次循环，从n＝0开始，循环的每个第n次迭代包括阶段A)、B)、C)、D)、E)的序列：

A)对于级别(n)残余矩阵的至少一个维度，以如下方式细分(110)对应的时间标度：将其时间单元分组在时间单元的相应级别(n+1)分区中，以便在对应的级别(n+1)流量数据样本集中细分流量数据样本；

B)针对每个级别(n+1)流量数据样本集，计算(115)适合所述级别(n+1)流量数据样本集的对应的泛函；

C)对于每个级别(n+1)流量数据样本集，通过将对应的泛函应用于时间单元的对应的级别(n+1)分区来计算(115)级别(n+1)流量数据样本集的对应近似；

D)将级别(n+1)流量数据样本集的各近似结合在一起(115)以计算级别(n+1)近似矩阵，所述级别(n+1)近似矩阵是级别(n)残余矩阵的近似版本；

E)计算(120)级别(n)残余矩阵和计算出的级别(n+1)近似矩阵之间的差，以便获得级别(n+1)残余矩阵。

所述方法还包括通过将计算出的泛函应用于时间单元的分区来生成经预测的数据样本，来预测在与第一时间窗口不同的第二时间窗口中的流量数据趋势，所述时间单元的分区包括对应于所述第二时间窗口和所述第一时间窗口中的至少一个时间窗口的时间单元的有序序列；以及使用所预测的流量数据趋势来管理无线网络。

根据本发明的实施例，将计算出的泛函应用于包括对应于所述第二时间窗口的时间单元的有序序列的时间单元的分区包括：应用针对与循环的所选择的第n次迭代对应的级别(n+1)流量数据样本集而计算出的泛函。

根据本发明的实施例，所述计算适合级别(n+1)流量数据样本集的泛函包括通过在所述级别(n+1)流量数据样本集的流量数据样本上的范数准则来计算泛函。

根据本发明的实施例，所述计算适合级别(n+1)流量数据样本集的泛函包括内插所述级别(n+1)流量数据样本集的流量数据样本。

根据本发明的实施例，所述泛函是对所述级别(n+1)流量数据样本集的流量数据样本进行线性内插的平面。

根据本发明的实施例，所述生成经预测的数据样本包括将泛函应用于在第一时间窗口外侧扩展的时间单元的分区。

根据本发明的实施例，所述生成经预测的数据样本包括将泛函应用于第一时间窗口内部的时间单元的分区，并且然后将结果移调至在第一时间窗口外侧扩展的时间单元的分区。

根据本发明的实施例，所述生成经预测的数据样本包括通过对级别(n+1)流量数据样本集的流量数据样本应用变换函数来变换级别(n+1)流量数据样本集的流量数据样本。

根据本发明的实施例，所述所述变换级别(n+1)流量数据样本集的流量数据样本包括将级别(n+1)流量数据样本集的每个流量数据样本乘以缩放因子。

根据本发明的实施例，所述流量数据样本包括与由无线网络管理的流量相关联的参数的值。

根据本发明的实施例，其中所述参数包括以下项中的至少一个：

-吞吐量；

-掉话率；

-连接到无线网络的用户的数量，以及

-数据量。

本发明的另一个方面涉及一种用于管理无线网络的系统。所述系统包括：数据获取模块，用于获取流量数据样本；处理器，用于通过执行根据前述权利要求中任一项所述的方法来处理所获取的数据样本以便生成经预测的数据样本；以及终端，用于向无线网络规划器(270)提供所生成的经预测的数据样本。

根据本发明的实施例，所述数据获取模块被配置为从无线网络采样并获取流量数据样本。

根据本发明的实施例，所述系统还包括存储历史流量数据样本的数据库，所述数据获取模块被配置为从所述数据库获取流量数据样本。

附图说明

本发明的这些和其它特征和优点将通过以下对其示例性而非限制性的一些实施例的描述而变得清楚；为了对其更好的理解，应参考附图来阅读以下描述，其中：

图1是根据本发明的实施例的用于管理无线网络的方法的主要阶段的流程图；

图2按照功能块的方式图示了根据本发明的实施例的用于管理无线网络的系统；

图3A-3G以图形的方式按照灰阶图示了在根据本发明的实施例的方法的示例性应用期间生成的各种流量分布；

图4A和图4B以图形的方式按照灰阶图示了使用图3A-3G中所示的流量分布生成的经预测的流量数据趋势。

具体实施方式

图1是根据本发明的实施例的用于通过预测与所述蜂窝网络的节点/小区相关联的未来流量趋势来管理无线网络(例如蜂窝网络)的方法100的主要阶段的流程图。方法100被配置为从直接从蜂窝网络实时采样的流量数据样本DS和/或从历史流量数据样本DS(例如，从数据库中取得)开始预测与蜂窝网络的节点/小区相关联的未来流量趋势。在本说明书中，流量数据样本DS是指与由蜂窝网络(例如，蜂窝网络的一个或多个节点/小区)生成/管理的流量相关联的多个不同参数中的至少一个的值，诸如例如：吞吐量、掉话率、连接的用户的数量以及数据量(例如，以Mbps表示)之类。

本发明的方法100的第一阶段(方框105)提供了接收按时间排序的流量数据样本DS序列，并且将所述接收到的流量数据样本DS布置在对应的k维矩阵中，该矩阵被称为级别0残余矩阵(Residual Matrix)RR(0)。级别0残余矩阵RR(0)的每个维度d(d＝1，...，k)对应于表示时间单元的有序序列的相应时间标度。例如，级别0残余矩阵RR(0)可以是二维矩阵(k＝2)，第一维(d＝1)对应于“天”时间标度，其中每个时间单元对应于一天，并且第二维(d＝2)对应于“四分之一小时”时间标度，其中每个时间单元对应于四分之一小时；在这种情况下，级别0残余矩阵RR(0)的每一列可以对应于多天中的相应一天，并且级别0残余矩阵RR(0)的每一行可以对应于一天中的相应的四分之一小时(类似的考虑也可以通过交换行与列来应用)。

例如，根据本发明的实施例，如果流量数据样本DS序列覆盖对应于一年的时间段，那么级别0残余矩阵RR(0)包括365列(每一列对应于一年中的相应的一天)和96行(每一行对应于一天中的相应四分之一小时)。通常，该序列的流量数据样本DS根据其时间标度布置在级别0残余矩阵RR(0)中。特别地，在一年的第j天的第i个四分之一小时采样的通用流量数据样本DS被放置在与级别0残余矩阵RR(0)的第i行和第j列对应的位置中。

根据本发明的实施例，如果同时考虑至少两个流量数据样本DS序列，每个序列对应于与由蜂窝网络生成的流量相关联的不同参数，那么每个序列被布置在相应的不同的级别0残余矩阵RR(0)中。

根据本发明的实施例的方法100的下一个阶段(方框110)提供了在第一时间划分(下文称为“级别1时间划分”)中细分与级别0残余矩阵RR(0)的k个维度d中的至少一个对应的时间标度。根据本发明的实施例，级别1时间划分提供了以一个或多个相应的级别1标度分区P_d(1)(i)细分k个维度d中的至少一个的时间标度。通过将与维度d对应的所有级别1标度分区P_d(1)(i)(i＝1,2，...)结合在一起，获得这种维度d的原始时间标度。

这个阶段的目的是在对应的流量数据样本DS集DS[P_d＝1(1)(i)×P_d＝2(1)(j)×…×P_d＝k(1)(q)]中细分流量数据样本DS，以便根据期望的预测分析将适当的粒度与流量数据样本DS相关联。应该注意的是，通用流量数据样本集DS[P_d＝1(1)(i)×P_d＝2(1)(j)×…×P_d＝k(1)(q)]包括通过组合维度d＝1的第i级别1标度分区P_d＝1(1)(i)、维度d＝2的第j级别1标度分区P_d＝2(1)(j)、...、维度d＝k的第q级别1标度分区P_d＝k(1)(q)而获得的所有流量数据样本DS。在级别1时间划分之后获得的流量数据样本DS布置被称为“级别1表征(characterization)”。

例如，参考所讨论的示例，其中维度的数量k等于2，级别1时间划分可以提供将365个时间单元的天时间标度(d＝1)分在包括全部365个时间单元的单个级别1标度分区P₁(1)(i＝1)中，并且提供将96个时间单元的四分之一小时时间标度(d＝2)分在每个具有8个四分之一小时的12个级别1标度分区P₂(1)(j)(j＝1,2，...12)中。在所考虑的示例中，流量数据样本DS的级别1表征给予流量数据样本如下表示：所述表示使得对预测分析进行表征，以将焦点集中在针对8个四分之一小时(对应于2小时)的每个分区的年度流量趋势上。

根据本发明的实施例的方法100的下一个阶段(方框115)按以下方式提供对级别1表征的数据样本DS集DS[P_d＝1(1)(i)×P_d＝2(1)(j)×...×P_d＝k(1)(q)]的近似。

对于与级别1分区P₁(1)(i)×P₂(1)(j)×…×P_k(1)(q)对应的每个数据样本DS集DS[P_d＝1(1)(i)×P_d＝2(1)(j)×…×P_d＝k(1)(q)]，确定适合于所述数据样本DS集的对应泛函(即，标量函数)Ψ(1)(i,j,…,q)。泛函Ψ(1)(i,j,…,q)使得，当它应用到分区P(1)时，它给出数据样本集DS[P_d＝1(1)(i)×P_d＝2(1)(j)×…×P_d＝k(1)(q)]的数据样本DS的近似DS’[P_d＝1(1)(i)×P_d＝2(1)(j)×…×P_d＝k(1)(q)]。根据本发明的实施例，这样的泛函Ψ(1)(i,j,…,q)可以通过在数据样本集DS[P_d＝1(1)(i)×P_d＝2(1)(j)×…×P_d＝k(1)(q)]的数据样本DS上的范数准则来确定。泛函Ψ(1)(i,j,…,q)和对应的范数准则可以在分区的基础上定义，即，它们可以是每个分区中不同的泛函。借助于通过将泛函Ψ(1)(i,j,…,q)应用到分区P(1)而生成的所有近似数据样本集DS’[P_d＝1(1)(i)×P_d＝2(1)(j)×…×P_d＝k(1)(q)]结合在一起，获得级别0残余矩阵RR(0)的近似版本，其被称为级别1近似矩阵A(1)。

根据本发明的实施例，泛函Ψ(1)(i,j,…,q)可以是线性内插数据样本集DS[P_d＝1(1)(i)×P_d＝2(1)(j)×…×P_d＝k(1)(q)]的数据样本DS的平面。还可以使用不同类型的泛函，诸如与更高阶内插对应的泛函。参考所讨论的示例，计算了十二个泛函Ψ(1)(i,j)(i＝1；j＝1,2,…12)，每个对应于级别1分区P(1)(i,j)＝P₁(1)(i＝1)×P₂(1)(j＝1,…,12)，所述分区又对应于在一年期间的一天的两个小时的相应时段内采样的流量数据样本DS。然后，使用所述十二个泛函Ψ(1)(i,j)，获得十二个对应的近似数据样本集DS’[P(1)(i,j)]。

根据本发明的实施例的方法100的下一个阶段(方框120)提供计算级别0残余矩阵RR(0)与先前计算出的级别1近似矩阵A(1)之间的差。作为该操作的结果，获得所谓的级别1残余矩阵RR(1)，根据本发明的实施例，其表示与蜂窝网络对应的被剥离了关于级别1表征的信息内容(即，每两个小时的年度流量趋势)的流量信息内容。

然后，可以从先前计算出的级别(n)残余矩阵RR(n)开始重新迭代(方框125的退出分支Y)先前描述的阶段110、115、120，以便：

-根据第(n1)个时间划分(级别(n+1)时间划分)细分与至少一个k维度级别(n)残余矩阵RR(n)对应的时间标度，所述细分是以使得其时间单元在时间单元的相应级别(n+1)分区P₁(n+1)(i)×P₂(n+1)(j)×…×P_k(n+1)(q)中分组，以便在进一步对应的流量数据样本集DS[P₁(n+1)(i)×P₂(n+1)(j)×…×P_k(n+1)(q)]中进一步细分流量数据样本DS(方框110)的方式进行的。

-对于每个分区P₁(n+1)(i)×P₂(n+1)(j)×…×P_k(n+1)(q)，计算对应的泛函Ψ(n+1)(i,j,…q)并使用对应的泛函Ψ(n+1)(i,j,…q)计算对应的近似数据样本集DS’[P₁(n+1)(i)×P₂(n+1)(j)×…×P_k(n+1)(q)]，以便获得被称为级别(n+1)近似矩阵A(n+1)的级别(n)残余矩阵RR(n)的近似版本(方框115)。

-计算级别(n)残余矩阵RR(n)和计算出的级别(n+1)近似矩阵A(n+1)之间的差，以便获得级别(n+1)残余矩阵RR(n+1)。根据本发明的实施例，残余矩阵RR(n+1)表示与蜂窝网络对应的清除了关于级别1、级别2、...、级别(n+1)表征的信息内容的流量信息内容(方框120)。

由于每个级别(n)表征是通过根据指示特定流量趋势的相应第n个时间划分对流量数据样本DS进行分组来获得的，因此对应的泛函Ψ(n)(i,j,…,q)产生能够高效地近似这种特定流量趋势的数学工具。

参考所讨论的示例，在与每两小时的年度流量趋势对应的级别1表征之后，可以采用级别2表征和级别3表征，级别2表征对应于针对关注每两小时的季节性(即，每三个月)流量趋势的预测分析，并且级别3表征对应于针对关注每两小时的月度流量趋势的预测分析。级别2表征是通过将与第一维度(d＝1)对应的天时间标度(天)的365个时间单元分组在4个级别2标度分区P₁(2)(i),(i＝1,2,3,4)中来获得，4个级别2标度分区中的每个包括与三个月对应的多个时间单元(天)，同时对第二维度(d＝2)使用与先前在级别1表征中采用的级别1标度分区P₂(1)(j)(j＝1,2,…,12)相等的12个级别2标度分区P₂(2)(j)(j＝1,2,…,12)。级别3表征替代地通过将与第一维度(d＝1)对应的天时间标度(天)的365个时间单元分组在12个级别3标度分区P₁(1)(i),(i＝1,2,…,12)中来获得，12个级别3标度分区中的每个包括与一个月对应的多个时间单元(天)，同时对第二维度(d＝2)使用与先前在级别1表征中采用的级别1标度分区P₂(1)(j)(j＝1,2,…,12)相等的12个级别-3标度分区P₂(3)(j)(j＝1,2,…,12)。

在最后的第n次迭代完成之后(方框125的退出分支N)，获得n个近似矩阵A(1)、...、A(n)和级别(n)残余矩阵RR(n)。n个近似矩阵A(1)、...、A(n)和级别(n)残余矩阵RR(n)的和等于起始级别0残余矩阵RR(0)。

由于与通用级别(n)表征对应的残余矩阵RR(n)的生成是通过从级别0残余矩阵RR(0)中去除与特定流量趋势(即，每一个级别i表征(i＝1到n)的特定流量趋势)对应的信息内容获得的，并且由于所述特定流量趋势中的每一个主要由固有流量分量组成，因此残余矩阵RR(n)提供包括对还没有在任何先前级别i表征中被提取的信息内容的流量数据样本DS的指示。

根据本发明的实施例的方法100的下一个阶段(方框130)提供预测在流量数据样本DS已经被收集期间的各时段之前的未来时段(即，在残余矩阵的计算中由被用于细分所使用的时间标度的时间单元定义的时间窗口的外侧)中的流量数据趋势。为此目的，针对特定未来流量趋势的时间窗口之外的投影是通过利用已经在与所选择的特定流量趋势对应的所选择级别n表征中计算出的泛函Ψ(n)(i,j,…,q)来进行的。

根据本发明的实施例，未来时段中的流量数据趋势的预测通过基于以下操作中的一个或操作的组合生成与定义域之外(即，在其中定义了各种时间标度的时间窗口之外)的时间窗口对应的经预测的数据样本PDS来执行：

-扩展：一旦泛函Ψ(n)对于定义的域是已知的，就通过将数据样本DS扩展到所述定义的域外侧来生成经预测的数据样本PDS。这是通过将泛函Ψ(n)应用到在定义的域上扩展的分区间隔获得的。参考所讨论的示例，如果期望预测针对每一组八个四分之一小时的年度流量趋势(即，与所讨论的示例的级别1表征对应的流量趋势)，那么沿着天维度的外推可以通过计算针对超过第365天(表示相对于定义的域的未来天)的天维度的第一级别的泛函来执行。通过假设Ψ(1)(i,j)＝α+βq+γd是平面函数，其中q(j＝1:1<＝q<＝8；j＝2:9<＝q<＝16,…；j＝12:89<＝q<＝96)表示四分之一小时，并且d表示年中的天(1<＝d<＝365)，年外推是通过将Ψ应用到与d>365对应的分区来获得的。

-移位：经预测的数据样本PDS是通过将泛函Ψ(n)应用到定义的域内部的分区间隔，并且然后将结果重新定位到定义的域外侧的对应分区间隔来生成的。参考所讨论的示例，对应于与月对应的分区P(n)(i,j,…q)的流量数据样本集DS[P(1)(i,j,…q)]的数据样本DS可以被移位(移调(shift))到定义域外侧的对应分区，使得所考虑的与级别n有关的分区的行为被复制到预测时段的对应分区上。

-泛函变换：经预测的数据样本PDS是通过利用函数修改泛函Ψ(n)来生成的，然后所述修改后的泛函被应用到定义的域内部的分区间隔，并且然后结果被重新定位到定义的域外侧的对应分区间隔。参考所讨论的示例，流量数据样本集DS[P(1)(i，j，...，q)]的数据样本DS可以乘以缩放因子以表示在投影时段上的特定减小或增加效果。

参考所讨论的示例，通过使用以上基本操作的组合，已经执行了在定义DS的时间观察窗口超过三个月的时间段内的流量数据的预测，通过考虑预计的季节性增长(季节性增长因子S)和由于局部流量增加而导致的第二外推月份(月增长因子M)中的额外增加：

1.对于级别1的每个分区P(1)(i,j,…q)，在投影时段：366≤d≤366+3*30天上扩展泛函Ψ(1)。

2.在包括将由Ψ(2)(i＝1,j＝1,…,12)确定的所有数据样本DS集乘以季节性增长因子S的泛函变换操作之后，在外推分区366≤d≤366+3*30上对第一泛函Ψ(2)(i＝1,j＝1,…,12)进行移位。

3.对与外推分区366≤d≤366+30上的泛函Ψ(3)(i＝1,j＝1,…,12)和外推分区366+2*30≤d≤366+3*30上的Ψ(3)(i＝3,j＝1,…,12)有关的数据样本DS集进行移位。在包括将由Ψ(2)(i＝2,j＝1,…,12)确定的所有数据样本DS集乘以月增长因子M的泛函变换操作之后，在外推分区366+30≤d≤366+2*30上对第二泛函Ψ(3)(i＝2,j＝1,…,12)进行移位。

-将在点1至3中确定的样本数据DS集与关于包含流量的随机流量分量的残余矩阵RR(4)的相关分区的样本数据DS集相加。

该方法的下一个阶段(方框140)提供根据在先前阶段中计算出的预测的流量数据趋势(以经预测的数据样本PDS的形式)来适当地管理蜂窝网络。

例如，如果预测的流量数据趋势提供在特定未来时段中连接的用户的数据量和数量的增加，那么蜂窝网络可以按如下方式来管理：使得在所述时段期间向蜂窝网络的小区/节点分配更多的资源。

方法100可以通过利用硬件和软件资源、利用其资源可以位于处理器(诸如计算机之类)上的一组功能、数据、程序指令来执行。例如，参考图2，预测单元200包括与蜂窝网络220的小区/节点耦合以便从中采样和获取流量数据样本DS的数据获取模块210，以及适于通过执行先前针对输出预测未来流量趋势所描述的方法100的各阶段来处理所获取的流量数据样本的处理器230。预测单元200还包括适于接收指示以下中的至少一个的配置命令的配置模块240：

-频率，按照所述频率来获取并存储流量数据样本DS(例如，每周或每月)；

-要监视的蜂窝网络220的部分(例如，小区/节点的列表)；

-预测目标(例如，要预测的流量趋势的类型，诸如每两天的年度流量趋势)；

-其中执行预测的时间窗口。

替代或除了与蜂窝网络220的小区/节点耦合以便从中采样和获取流量数据样本DS之外，数据获取模块210(还)可以与数据库250耦合以获取存储在数据库中的历史流量数据样本DS。

然后，由处理器230输出的预测流量数据趋势被提供给本地或远程终端260，用于由无线网络规划器270进行咨询，使得无线网络规划器可以利用接收到的预测流量数据趋势来规划无线网络的管理。

在以下本文档中，将呈现所提出的方法100的应用示例。

示例：应用于由蜂窝网络生成的流量数据样本和预测

天通过将数字0关联到第一观察天来编码，四分之一小时通过将数字0关联到从00:00至00:15的四分之一小时和通过将数字95关联到从23:45至00:00的四分之一小时来编码。

X＝x∈N；x_i≤x≤x_f:x_i＝0；x_f＝N-1

Y＝y∈N；y_i≤y≤y_f:y_i＝0；y_f＝95

为了突出数据的性质，将采用级别3表征加上初始级别：

1：级别0：原始数据：天轴上的单个分区[{0..N-1}]和四分之一小时轴上的单个分区[{0..95}]。在这种情况下，通过假设例如天数与观察年对应，N＝365(366)。

2：级别1：年度趋势：天轴上的单个分区[{0..N-1}]和四分之一小时轴上的小时对分区，即，96个四分之一小时被分组为八个四分之一小时[{0..7}，{8..15}，...，{88..95}]的各组。在这种情况下，通过假设天的数量与观察年对应，存在X的单个分区和Y的12个分区。

3：级别2：季节趋势：在天轴上与季节性对应的三个月的分区[{0..S₁-1}，[{0..S₂-1}，...，[{0..S₄-1}]，其中S_#可以基于所考虑的三个月假设包括在89和92之间的值。通过四分之一小时轴上的小时对的分区，即，96个四分之一小时被分组为八个四分之一小时[{0..7}，{8..15}，...，{88..95}]的各组。在这种情况下，通过假设天的数量与观察年对应，存在X的4个分区和Y的12个分区。

4：级别3：月度趋势：天轴上的月度分区[{0..M₁-1}，[{0..M₂-1}，...，[{0..M₁₂-1}]，其中基于所考虑的月份，M#可以假设包括在28和31之间的值。通过四分之一小时轴上的小时对的分区，即，96个四分之一小时被分组为八个四分之一小时[{0..7}，{8..15}，...，{88..95}]的各组。在这种情况下，通过假设天数与观察年对应，存在X的12个分区和Y的12个分区。

笛卡儿乘积X×Y的每个元素与表示观察到的量并且是采样处理结果的实数相关联。

在电信领域中，特别是对于蜂窝网络，观察到的量可以表示在坐标Y上定义的时间间隔内的流量类型(例如，按照Erlang的语音流量，或者按照MB的数据流量)。

为每个分区定义泛函

Ψ＝β₀+β_xx+β_yy

这样的泛函Ψ表示平面；系数β₀,β_x和β_y通过范数D来计算的，所述系数根据最小二乘准则使相关分区的点云的距离最小化的。

是通过泛函Ψ对残余矩阵RR的分区的近似并且是整个分区的重构。因此，

表示基于所采用的泛函并基于所采用的范数对于分区的最佳可能近似。

通过将所述方法应用到RR(0)，获得针对近似和残余这两者的较低级别的表征。在这种情况下，通过点2(级别1)的设置，RR(1)由具有长度N＝365并且幅度等于8个四分之一小时的12个平面构成，其中每个可被解释为采样函数在相关分区上的年度趋势。在执行所有的点1至4之后，原始残余矩阵RR(0)可以按展开公式表示为：

RR₀＝A(1)_annual+A(2)_seasonal+A(3)_monthly+RR(3) (7)

图3A-3G是按照指示与所讨论的示例相关的流量分布的灰阶的图形描绘，其中水平轴与天轴对应并且垂直轴与四分之一小时轴对应。更具体而言，图3A示出了年度流量分布的原始表示；图3B对应于第一级别的年度趋势；图3C对应于年度趋势的残余；图3D对应于第二级别的季节趋势；图3E对应于季节趋势的残余；图3F对应于第三级别的月度趋势；图3G对应于月度趋势的残余。

一旦获得了按照近似矩阵A和残余矩阵RR的分解，现在就可以如前所述地在RR(0)的定义域外侧进行传播(propagate)。特别地，在这种情况下，传播是为了预测流量拓扑的未来行为而执行的。

预测将根据以下过程(passage)执行：

1.在X集的K个后续有序点的观察间隔外侧扩展第一较低级别近似矩阵A(1)，(在这个示例中，K表示与月(在所讨论的示例中为三个，并且与传播发生的季节对应)对应的天的数量)。该过程意味着传播的残余矩阵将具有与起始残余矩阵相同的年度趋势。

2.酉(unitary)泛函变换以及随后在扩展的相关时段上移调近似矩阵A(2)_seasonal。该过程意味着传播的残余矩阵将具有与残余矩阵相同的季节趋势。

3.酉泛函变换以及随后在扩展的相关时段上移调近似矩阵A(3)_monthly。该过程意味着传播的残余矩阵将具有与残余矩阵相同的月度趋势。

4.酉泛函变换以及随后在扩展的相关时段上移调级别4残余矩阵。该过程意味着传播的残余矩阵将具有与较低级别残余矩阵(随机分量)相同的趋势。

定义域变为：

X_经传播＝X+X_经扩展＝x∈N；x_i≤x≤x_f:x_i＝0；x_f＝N-1+90

Y＝y∈N；y_i≤y≤y_f:y_i＝0；y_f＝95

图4A-4B是按照指示与所讨论的示例相关的经预测的流量分布的灰阶的图形描绘，其中水平轴对应于天轴并且垂直轴对应于四分之一小时轴。更具体而言，图4A是点1-3的传播的泛函表示图，并且图4B是完整的传播的泛函表示图。

自然地，为了满足局部和特定要求，本领域技术人员可以对上述解决方案应用许多逻辑和/或物理修改和变型。更具体而言，虽然已经参考其优选实施例以一定程度的具体性描述了本发明，但应该理解的是，形式和细节的各种省略、替换和改变以及其它实施例是可能的。特别地，本发明的不同实施例甚至可以在没有前面描述中为了提供对其更透彻的理解而阐述的具体细节的情况下实践；相反，可能已经省略或简化了众所周知的特征，以便不会以不必要的细节来妨碍描述。此外，明确意图的是，作为一般设计选择的问题，结合本发明的任何公开实施例描述的特定元件和/或方法步骤可以并入任何其它实施例中。

Claims (14)

1.一种用于管理无线网络的方法(100)，包括：

-收集(105)按时间排序的流量数据样本的序列，并且将所收集的数据样本布置在具有至少一个维度的至少一个级别(0)残余矩阵中，所述级别(0)残余矩阵的所述维度对应于包括时间单元的有序序列的相应时间标度，时间单元的所述有序序列定义第一时间窗口；

-执行至少一次循环，从n＝0开始，循环的每个第n次迭代包括阶段A)、B)、C)、D)、E)的序列：

A)对于级别(n)残余矩阵的至少一个维度，以如下方式细分(110)对应的时间标度：将其时间单元分组在时间单元的相应级别(n+1)分区中，以便在对应的级别(n+1)流量数据样本集中细分流量数据样本；

B)针对每个级别(n+1)流量数据样本集，计算(115)适合所述级别(n+1)流量数据样本集的对应的泛函；

C)对于每个级别(n+1)流量数据样本集，通过将对应的泛函应用于时间单元的对应的级别(n+1)分区来计算(115)级别(n+1)流量数据样本集的对应近似；

D)将级别(n+1)流量数据样本集的各近似结合在一起(115)以计算级别(n+1)近似矩阵，所述级别(n+1)近似矩阵是级别(n)残余矩阵的近似版本；

E)计算(120)级别(n)残余矩阵和计算出的级别(n+1)近似矩阵之间的差，以便获得级别(n+1)残余矩阵；

-通过将计算出的泛函应用于时间单元的分区来生成经预测的数据样本，来预测(130)在与第一时间窗口不同的第二时间窗口中的流量数据趋势，所述时间单元的分区包括对应于所述第二时间窗口和所述第一时间窗口中的至少一个时间窗口的时间单元的有序序列；

-使用(140)所预测的流量数据趋势来管理无线网络，这包括如果所预测的流量数据趋势提供在特定未来时段中连接到所述无线网络的用户的数据量和数量的增加，那么管理所述无线网络来增加向所述无线网络的小区/节点分配的资源。

2.如权利要求1所述的方法(100)，其中将计算出的泛函应用于包括对应于所述第二时间窗口的时间单元的有序序列的时间单元的分区包括：

-应用针对与循环的所选择的第n次迭代对应的级别(n+1)流量数据样本集而计算出的泛函。

3.如前述权利要求中任一项所述的方法(100)，其中所述计算(115)适合级别(n+1)流量数据样本集的泛函包括通过在所述级别(n+1)流量数据样本集的流量数据样本上的范数准则来计算泛函。

4.如权利要求1或权利要求2所述的方法(100)，其中所述计算(115)适合级别(n+1)流量数据样本集的泛函包括内插所述级别(n+1)流量数据样本集的流量数据样本。

5.如权利要求4所述的方法(100)，其中所述泛函是对所述级别(n+1)流量数据样本集的流量数据样本进行线性内插的平面。

6.如权利要求1或权利要求2所述的方法(100)，其中所述生成经预测的数据样本包括将泛函应用于在第一时间窗口外侧扩展的时间单元的分区。

7.如权利要求1或权利要求2所述的方法(100)，其中所述生成经预测的数据样本包括将泛函应用于第一时间窗口内部的时间单元的分区，并且然后将结果移调至在第一时间窗口外侧扩展的时间单元的分区。

8.如权利要求1或权利要求2所述的方法(100)，其中所述生成经预测的数据样本包括通过对级别(n+1)流量数据样本集的流量数据样本应用变换函数来变换级别(n+1)流量数据样本集的流量数据样本。

9.如权利要求8所述的方法(100)，其中所述变换级别(n+1)流量数据样本集的流量数据样本包括将级别(n+1)流量数据样本集的每个流量数据样本乘以缩放因子。

10.如权利要求1或权利要求2所述的方法(100)，其中所述流量数据样本包括与由无线网络管理的流量相关联的参数的值。

11.如权利要求10所述的方法(100)，其中所述参数包括以下项中的至少一项：

-吞吐量；

-掉话率；

-连接到无线网络的用户的数量，以及

-数据量。

12.一种用于管理无线网络的系统(200，260)，所述系统包括：

-数据获取模块(210)，用于获取流量数据样本；

-处理器(230)，用于通过执行根据前述权利要求中任一项所述的方法来处理所获取的数据样本以便生成经预测的数据样本，以及

-终端(260)，用于向无线网络规划器(270)提供所生成的经预测的数据样本。

13.如权利要求12所述的系统(200，260)，其中所述数据获取模块(210)被配置为从无线网络采样并获取流量数据样本。

14.如权利要求12或权利要求13所述的系统(200，206)，还包括：

-存储历史流量数据样本的数据库(250)，所述数据获取模块(210)被配置为从所述数据库获取流量数据样本。

Images