CN109462853B - 一种基于神经网络模型的网络容量预测方法 - Google Patents

Abstract

本发明属于无线通信网络容量预测技术领域，公开了一种基于神经网络模型的网络容量预测方法，根据预设的规则提取小区原始数据；采用判别函数根据小区原始数据获取小区分类数据；对小区分类数据进行预处理，获得神经网络模型的输入样本集；利用输入样本集对神经网络模型进行训练和测试，获得容量预测模型；将拟预测的小区数据输入训练好的容量预测模型，获得容量预测结果；本发明提供的这种网络容量预测方法，根据类别分类的结果提取小区数据并通过BP神经网络预测模型可以将同类型小区的发展规律量化并利用小区数据对容量预测模型进行训练和测试，利用训练好的容量预测模型实现小区容量的滚动预测；通过提取现网小区数据验证，验证结果表明预测所获得的预测结果与实际容量较为接近，可用于指导网络规划或网络优化。

Description

一种基于神经网络模型的网络容量预测方法

技术领域

本发明属于无线通信网络容量预测技术领域，更具体地，涉及一种基于基于神经网络模型的网络容量预测方法。

背景技术

随着无线通信网络的大规模发展，已经从对覆盖的需求转移到对容量的需求，因此对容量预测技术方面具有迫切的需求，以便有效指导网络扩容和网优优化的开展。

现有的网络容量预测方法譬如采用多元非线性回归函数进行拟合预测，但只能进行整网形式的容量预测，不可以进行小区级别的容量预测；采用常规的函数预测，预测精度不够高且预测时间周期较短。

而规划阶段的容量预测均是针对全网形式的预测，可以提供全局性的规划参考，但对于具体小区的容量无法做到有效预测；而在实际应用中若小区容量预测存在偏差，会很大程度上导致用户感知受损或者盲目的扩容操作。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于神经网络模型的网络容量预测方法，先对小区进行分类，再通过BP神经网络预测模型获取将同类小区发展规律的量化值，实现小区容量的滚动预测。

为实现上述目的，按照本发明的一个方面，提供了一种基于神经网络模型的网络容量预测方法，包括如下步骤：

(1)根据预设的规则提取小区原始数据；

(2)采用判别函数根据小区原始数据获取小区分类数据；

(3)对小区分类数据进行预处理，获得神经网络模型的输入样本集；

(4)利用输入样本集对神经网络模型进行训练和测试，获得容量预测模型；

(5)将拟预测的小区数据输入训练好的容量预测模型，获得容量预测结果。

优选地，上述基于神经网络模型的网络容量预测方法，小区原始数据包括PRB(Physical Resource Block，物理资源块)利用率、RRC(Radio Resource Control，无线资源控制)连接平均用户数、小区吞吐量。

优选地，上述基于神经网络模型的网络容量预测方法，其步骤(2)具体所采用的判别函数为：

利用判别函数D(x)得到计算值，将计算值与判别门限的比对，确定小区网络类型；其中N＝3，x_i、θ_i、w_i分别代表PRB利用率、RRC连接平均用户数、小区吞吐量这三个变量的指标数值、指标门限、运算系数；

当x_i-θ_i≥0，d(x_i-θ_i)函数输出为1；当x_i-θ_i<0，d(x_i-θ_i)函数输出为0。

优选地，上述基于神经网络模型的网络容量预测方法，步骤(3)进行预处理的方法，具体如下：

(3.1)以月份维度，将当月的同类小区的数据进行平均处理，每个月都得到一个8*3的矩阵数据集合

其中，Avg(P)、Avg(U)、Avg(V)分别代表PRB利用率、RRC连接平均用户数、小区吞吐量进行平均处理后的值；m＝1～8；

(3.2)根据所确定的小区类别，将每个月的8*3矩阵数据集合重新进行划分，每个类别得到一个12*3的矩阵数据集合，

其中，n＝1～12；类别是指步骤(2)所确定的小区类型；每个类别的12*3矩阵是从所有月份(12个月)的8*3矩阵中整合得来；将本步骤获得的数据样本作为神经网络模型的输入样本集。

优选地，上述基于神经网络模型的网络容量预测方法，步骤(4)具体为：

由并列的、用于滚动预测PRC连接平均用户数的第一预测模块、用于滚动预测小区吞吐量的第二预测模块、用于滚动预测PRB利用率的第三预测模块构成初始预测模型；

初始预测模型采用BP神经网络，包括输入层、隐含层和输出层，采用网络结构增长型方法，先设置较少的节点数，对网络进行训练并测试学习误差，然后逐渐增加节点数，直到学习误差不再明显减少为止；隐含层的传递函数为Sigmoid函数，输出层为线性传递函数；

将上述数据样本集随机划分为训练集(P_tain,T_train)和测试集(P_test,T_test)；训练集样本数大于测试集样本数；

采用各个类型所对应的数据样本集对所构建的容量预测模型进行训练和测试，获得训练好的容量预测模型。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

本发明提供的基于神经网络模型的网络容量预测方法，首先对小区分类，根据类别分类提取小区数据并通过BP神经网络预测模型可以将同类型小区的发展规律量化，最终利用容量预测模型实现小区容量的滚动预测，预测结果可以有效指导网络规划和优化。

附图说明

图1是本发明提供的基于神经网络模型的网络容量预测方法的流程示意图。

图2是本发明实施例中所采用的BP神经网络结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明提供的基于神经网络模型的网络容量预测方法，参照图1，包括如下步骤：

(1)根据预设的规则提取小区原始数据；在其优选实施例中，小区原始数据包括PRB(Physical Resource Block，物理资源块)利用率、RRC(Radio Resource Control，无线资源控制)连接平均用户数、小区吞吐量；

(2)采用判别函数根据小区原始数据获取小区分类数据；在一个优选实施例中，该步骤所采用的判别函数为：

利用判别函数D(x)得到计算值，将计算值与判别门限的比对，确定小区网络类型；其中N＝3，x_i、θ_i、w_i分别代表PRB利用率、RRC连接平均用户数、小区吞吐量这三个变量的指标数值、指标门限、运算系数；

当x_i-θ_i≥0，d(x_i-θ_i)函数输出为1；当x_i-θ_i<0，d(x_i-θ_i)函数输出为0。

采用实施例的方法对某地网络提取数据并利用判别函数判别归类，得到如下表1所示的数据：

表1小区原始数据及类别列表

对上述8种类型对应的网络情况说明如下：

类型1表示网络资源不足，用户感知极差；类型2、3表示物理资源块的承载效率偏低，网络资源没有得到有效利用；类型4、5表示用户量高但主要为小包业务，与用户行为有关；类型6表示网络能够正常承载用户；类型7、8表示网络资源充足甚至存在闲置的情况。

(3)对小区分类数据进行预处理，获得神经网络模型的输入样本集；在一个优选实施例中，进行预处理的方法，具体如下：

(3.1)以月份维度，将当月的同类小区的数据进行平均处理，每个月都得到一个8*3的矩阵数据集合

其中，Avg(P)、Avg(U)、Avg(V)分别代表PRB利用率、RRC连接平均用户数、小区吞吐量进行平均处理后的值；m＝1～8；

(3.2)根据所确定的小区类别，将每个月的8*3矩阵数据集合重新进行划分，每个类别得到一个12*3的矩阵数据集合，

其中，n＝1～12；类别是指步骤(2)所确定的小区类型；每个类别的12*3矩阵是从所有月份(12个月)的8*3矩阵中整合得来；将本步骤获得的数据样本作为神经网络模型的输入样本集。

以第1类数据为例(n＝1)，该12*3的矩阵数据为第1类数据的12个月的典型值，得到的矩阵数据为：

(4)利用输入样本集对神经网络模型进行训练和测试，获得容量预测模型；

在一个优选实施例中，由并列的、用于滚动预测PRC连接平均用户数的第一预测模块、用于滚动预测小区吞吐量的第二预测模块、用于滚动预测PRB利用率的第三预测模块构成初始预测模型；

参照图2，初始预测模型采用BP神经网络，包括输入层、隐含层和输出层，采用网络结构增长型方法，先设置较少的节点数，对网络进行训练并测试学习误差，然后逐渐增加节点数，直到学习误差不再明显减少为止；隐含层的传递函数为Sigmoid函数，输出层为线性传递函数；

将上述数据样本集随机划分为训练集(P_tain,T_train)和测试集(P_test,T_test)；训练集样本数大于测试集样本数；采用各个类型所对应的数据样本集对所构建的容量预测模型进行训练和测试，获得训练好的容量预测模型。

在一个实例中，提起类型1的小区的PRB利用率样本集数据，随机划分训练集和测试集，数据如表2所示；

表2类型1小区的训练集和测试集

样本用途	样本组别	输入一	输入二	输入三	输出
						训练集	1	50.34％	51.87％	53.42％	53.69％
测试集(Test)	2	51.87％	53.42％	53.69％	55.31％
						训练集	3	53.42％	53.69％	55.31％	57.32％
测试集(Test)	4	53.69％	55.31％	57.32％	58.62％
						训练集	5	55.31％	57.32％	58.62％	61.66％
训练集	6	57.32％	58.62％	61.66％	63.84％
						训练集	7	58.62％	61.66％	63.84％	64.38％
测试集(Test)	8	61.66％	63.84％	64.38％	64.51％
						训练集	9	63.84％	64.38％	64.51％	66.32％

实施例中，采用Matlab工具函数搭建神经网络预测模型，搭建后采用训练集对网络进行训练，然后利用测试集对网络进行仿真测试并执行性能评价，直到误差满足设定要求。

上述实例中，3个测试集输出的预测结果为T_sim＝[54.03％,59.25％,64.97％]，实际结果为T_test＝[55.31％,58.62％,64.51％]，相对误差为[0.023,0.011,0.007]，检测结果显示相对误差较小，达到了预测效果，可将训练好的网络用于预测。

将RRC连接平均用户数和小区吞吐量同步进行对应预测模块的神经网络训练及测试，确定最终的网络容量预测模型。

(5)将拟预测的小区数据输入训练好的容量预测模型，获得容量预测结果。

利用训练好的神经网络预测模型，Y＝sim(net，P)，对现网的小区进行容量预测。

其中P1＝[1月的小区PRB利用率,2月的小区PRB利用率,3月的小区PRB利用率]，得到Y1＝4月的小区PRB利用率；

P2＝[2月的小区PRB利用率,3月的小区PRB利用率,4月的小区PRB利用率]，代入4月份的预测结果，得到Y2＝5月份的小区PRB利用率；

P3＝[3月的小区PRB利用率,4月的小区PRB利用率,5月的小区PRB利用率]，代入5月份的预测结果，得到Y3＝6月的小区PRB利用率，依此实现连续滚动预测。通过提取现网小区数据验证预测的准确性，实例中，从现网小区中随机提取100个进行验证，预测结果的准确率达到90.37％；表明预测结果与实际值接近。

将通过本方法预测得到的小区容量预测结果与运营商扩容的标准进行比对，输出各个小区的容量评估结果(根据拥塞风险划分优先级)，运营商可以提前部署扩容计划，以便扩容进度与网络发展速度匹配，实现指导扩容工作的意义，可避免发生拥塞再扩容带来的用户感知差以及收益损失等问题。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于神经网络模型的网络容量预测方法，其特征在于，包括如下步骤：

(1)根据预设规则提取小区原始数据；

(2)采用判别函数根据小区原始数据获取小区分类数据，具体所采用的判别函数为：

其中，D(x)为判别函数，N＝3，x_i、θ_i、w_i分别是指PRB利用率、RRC连接平均用户数、小区吞吐量这三个变量的指标数值、指标门限、运算系数；

当x_i-θ_i≥0，d(x_i-θ_i)函数输出为1；当x_i-θ_i＜0，d(x_i-θ_i)函数输出为0；

(3)对小区分类数据进行预处理，获得神经网络模型的输入样本集；

(4)利用输入样本集对神经网络模型进行训练和测试，获得容量预测模型；

(5)将拟预测的小区数据输入训练好的容量预测模型，获得容量预测结果。

2.如权利要求1所述的网络容量预测方法，其特征在于，小区原始数据包括PRB利用率、RRC连接平均用户数和/或小区吞吐量。

3.如权利要求1或2所述的网络容量预测方法，其特征在于，步骤(2)中利用判别函数得到计算值，将计算值与预设判别门限的比对，根据比对结果确定小区网络类型。

4.如权利要求1或2所述的网络容量预测方法，其特征在于，步骤(3)进行预处理的方法，具体如下：

(3.1)将当月的同类小区的数据进行平均处理，每个月都得到一个8*3的矩阵数据集合

其中，Avg(P)、Avg(U)、Avg(V)分别代表PRB利用率、RRC连接平均用户数、小区吞吐量进行平均处理后的值；m＝1～8；

(3.2)根据所确定的小区类别，将每个月的8*3矩阵数据集合重新进行划分，每个类别得到一个12*3的矩阵数据集合，

其中，n＝1～12；类别是指步骤(2)所确定的小区类型；每个类别的12*3矩阵是从所有8*3矩阵中整合得来。

5.如权利要求1或2所述的网络容量预测方法，其特征在于，步骤(4)具体为：

由并列的、用于滚动预测PRC连接平均用户数的第一预测模块、用于滚动预测小区吞吐量的第二预测模块、用于滚动预测PRB利用率的第三预测模块构成初始预测模型；

初始预测模型采用BP神经网络，包括输入层、隐含层和输出层，采用网络结构增长型方法，先设置较少的节点数，对网络进行训练并测试学习误差，然后逐渐增加节点数，直到学习误差不再明显减少为止；隐含层的传递函数为Sigmoid函数，输出层为线性传递函数；

将上述数据样本集随机划分为训练集(P_tain，T_train)和测试集(P_test，T_test)；训练集样本数大于测试集样本数；

采用各个类型所对应的数据样本集对所构建的容量预测模型进行训练和测试，获得训练好的容量预测模型。

Images