CN110505635A - 一种终端渗透率预测方法及装置 - Google Patents
一种终端渗透率预测方法及装置 Download PDFInfo
- Publication number
- CN110505635A CN110505635A CN201910640551.7A CN201910640551A CN110505635A CN 110505635 A CN110505635 A CN 110505635A CN 201910640551 A CN201910640551 A CN 201910640551A CN 110505635 A CN110505635 A CN 110505635A
- Authority
- CN
- China
- Prior art keywords
- terminal
- data set
- neural network
- target circulation
- permeability
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种终端渗透率预测方法及装置,涉及通信领域,用于预测预设网络制式的终端渗透率。包括:获取第一数据集,包括:预设网络制式终端在不同时刻的价格、预设网络制式的商用时间、预设网络制式终端的出货时间;获取第二数据集,包括:预设网络制式之外其他网络制式终端的渗透率、终端更换用户数、总用户使用流量、不同价格区间用户终端的换机率;根据第一数据集,生成目标循环神经网络模型的激励函数的输入参数;根据第二数据集,生成目标循环神经网络模型的训练样本集;利用训练样本集,对目标循环神经网络进行训练;利用目标循环神经网络,预测所述预设网络制式的终端渗透率。本申请实施例应用于预测终端渗透率。
Description
技术领域
本发明涉及通信领域,尤其涉及一种终端渗透率预测方法及装置。
背景技术
移动终端渗透率是评估移动通信市场是否饱和以及估算未来发展空间的指标。随着移动通信技术的高速发展,通信时代经历了2G、3G、4G,马上将迎来5G商用。全国运营商都在加快5G网的建设与扩容工程,而网络的建设应从技术和经济两方面综合考虑,既做到技术先进可行,又使整个网络经济适用,要达到良好的经济效益,就需要准确地对移动终端渗透率的发展进行预测,终端渗透率的预测结果是后续网络规划和建设的依据,而预测结果的准确程度决定了整个规划的合理性和科学性。预测未来终端渗透率的发展趋势,对于5G建设规划和5G业务发展策略具有重要意义。
传统终端渗透率预测方法有多种,如人口普及法、类比法、趋势外推法、成长曲线法、瑞利分布多因素法等。人口普及法将人口作为确定移动终端渗透率指标所必需的基础数据,通过对人口总数的预测以及分析人口数量中城乡人员的比例、从业人员的比例、年龄分布的比例等因素,按照各层次人口的普及比率因素,综合得出移动终端渗透率。类比法通过预测与移动通信有一定的相似性和业务互补性的业务比例,来预测移动终端用户数。趋势外推法,根据历年来移动通信的发展情况,以每年的发展数据为基本点,总结规律,获得过去移动电话用户的平均增长率,以此平均增长率作为今后若干年的年增长率的主要参考值,遵照一定的增长规律,得出预测移动用户终端渗透率。曲线拟合法,基于移动用户发展的历史数据,根据其规律推测未来移动用户终端渗透率的发展情况。曲线拟合法是趋势外推法的一种,它反映了市场发展的一种趋势,其预测结果有一定的参考价值,但是也存在一定的局限性。它是建立在市场环境基本不变的基础上,难以反映未来各种变化对市场发展趋势的影响,比较适合于近期预测。瑞利分布多因素法是一种研究潜在用户对终端渗透率的变化趋势影响的预测方法。潜在用户真正转化为实际用户受多种因素影响,如终端价格、移动资费、业务需求等,对这些影响因素进行量化后就可确定实际用户在潜在移动用户终端市场中的渗透率。
传统的终端渗透率预测方法局限性很大,一般基于单个基站进行预测,由于人的流动性较强,因而预测结果不够准确。
发明内容
本申请的实施例提供一种终端渗透率预测方法及装置,用于准确预测预设网络制式的终端渗透率。
为达到上述目的,本申请的实施例采用如下技术方案:
第一方面,提供了一种终端渗透率预测方法,该方法包括:获取第一数据集;第一数据集包括:预设网络制式终端在不同时刻的价格、预设网络制式的商用时间、预设网络制式终端的出货时间;获取第二数据集;第二数据集包括:预设网络制式之外其他网络制式终端的渗透率、终端更换用户数、总用户使用流量、不同价格区间用户终端的换机率;根据第一数据集,生成目标循环神经网络模型的激励函数的输入参数;根据第二数据集,生成目标循环神经网络模型的训练样本集;利用训练样本集,对目标循环神经网络进行训练;利用目标循环神经网络,预测预设网络制式的终端渗透率。
第二方面,提供了一种终端渗透率预测装置,该装置包括第一获取单元、第二获取单元、处理单元、计算单元;第一获取单元,用于获取第一数据集;第一数据集包括:预设网络制式终端在不同时刻的价格、预设网络制式的商用时间、预设网络制式终端的出货时间;第二获取单元,用于获取第二数据集;第二数据集包括:预设网络制式之外其他网络制式终端的渗透率、终端更换用户数、总用户使用流量、不同价格区间用户终端的换机率;处理单元,用于根据第一数据集,生成目标循环神经网络模型的激励函数的输入参数;处理单元,还用于根据第二数据集,生成目标循环神经网络模型的训练样本集;计算单元,用于利用训练样本集,对目标循环神经网络进行训练;计算单元,还用于利用目标循环神经网络,预测预设网络制式的终端渗透率。
本申请的实施例提供的终端渗透率预测方法及装置,通过利用网络爬虫,从新闻网站以及购物网站中,获取预设网络制式终端的相关信息,以及从运营商处获取用户相关信息,根据上述获取的信息分别生成目标循环神经网络模型的激励函数的输入参数以及目标循环神经网络模型的训练样本集。通过对目标循环神经网络模型进行训练,生成预设网络制式的终端渗透率,方法简单,预测准确,实用性很高。
附图说明
图1为本申请的实施例提供的一种终端渗透率预测方法流程示意图;
图2为本申请的实施例提供的一种循环神经网络单元结构示意图;
图3为本申请的实施例提供的一种终端渗透率预测装置结构示意图;
图4为本申请的实施例提供的又一种终端渗透率预测装置结构示意图;
图5为本申请的实施例提供的又一种终端渗透率预测装置结构示意图。
具体实施方式
下面先对本申请实施例涉及的一些概念进行简单介绍,并将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
在本申请的描述中,除非另有说明,“/”表示“或”的意思,例如,A/B可以表示A或B。本文中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。此外,“至少一个”是指一个或多个,“多个”是指两个或两个以上。“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。
实施例一:
本实施例提供一种终端渗透率预测,应用于终端渗透率预测中,如图1所示,为本发明实施例提供的一种终端渗透率预测方法流程图:
S101、获取第一数据集,并根据第一数据集生成目标循环神经网络模型的激励函数的输入参数;
本申请实施例中用到的第一数据集中的数据包括:预设网络制式终端在不同时刻的价格、所述预设网络制式的商用时间、所述预设网络制式终端的出货时间。
终端渗透率等于预设网络制式终端数除以所有网络制式终端总数。
示例性的,如果要预测5G终端渗透率,那么,第一数据集中的数据包括:某5G终端在不同时期的价格、5G商用时间点、5G终端出货时间。
本申请实施例中第一数据集中的数据利用网络爬虫从各大电商及新闻门户网站上爬取。
根据第一数据集生成目标循环网络模型的激励函数的输入参数具体包括:从第一数据集中选择只对单个时间段的预测结果产生影响的数据以及对后续预设结果持续产生影响的数据;
根据只对单个时间段的预测结果产生影响的数据,生成目标循环网络模型的激励函数的单一刺激点因素数据;
根据对后续预测结果持续产生影响的数据,生成目标循环网络模型的激励函数的持续刺激性因素数据。
将单一刺激点因素数据整合为矩阵T=[T1,T2,T3,T4,…,Tn],其中T1=[0,0,0,…,t1,…,0,0],T1中元素个数为要预测的未来时间点的个数,如要预测未来m个月的终端渗透率,那么T1为m个元素。
t1表示,在某个时间点产生某一刺激因子,t1为正实数。例如,5G商用时间点为2020年1月,则只在2020年1月会产生正想刺激因素t1影响目标循环神经网络的预测结果。
将持续性刺激因素数据整合为矩阵Q=[Q1,Q2,Q3,Q4,…,Qn],表示在某一时间点之后持续变化,并持续对目标神经网络的预测产生影响。例如,某5G终端价格在2019年9月发布,初始售价为8000元,且随着时间推移价格逐步降低,10月售价8000元,11月售价7000元,12月售价6000元,那么Qn=[0,0,…,8000,8000,7000,6000,…]。
S102、获取第二数据集,并根据第二数据集生成目标训话脑神经网络模型的训练样本集。
本申请实施例中用到的第二数据集中的数据包括:预设网络制式之外其他网络制式终端的渗透率、终端更换用户数、总用户使用流量、不同价格区间用户终端的换机率。
第二数据集中的数据通过从获取运营商系统中的用户信息计算得到。用户信息具体包括:用户编号、IMEI(international mobile equipment identity,国际移动设备识别码)、IMSI(international mobile subscriber identification number,国际移动用户识别码)、使用流量总量、通话时长。其中IMEI国际移动设备识别码可用于识别用户使用的终端设备。根据所述运营商系统中的用户信息,确定所述预设网络制式之外其他网络制式终端的渗透率、终端更换用户数、总用户使用流量、不同价格区间用户终端的换机率。
示例性的,如果要预测5G终端渗透率,那么,第二数据集中的数据包括:每月的4G用户数、3G用户数、2G用户数、总用户数、2G终端向4G终端换机用户数、3G终端向4G终端换机用户数、4G终端换4G终端手机用户数、总用户使用流量。5G商用之后,第二数据集还可以包括每月的5G用户数、5G终端换机数。
S103、利用训练样本集对目标循环神经网络进行训练,激励函数影响训练结果,并输出预设网络制式终端的渗透率。
本申请实施例中使用的循环神经网络模型的计算公式为:
其中,为所述目标循环神经网络模型当前时刻的输入样本;ht为所述目标循环神经网络模型当前时刻输出;ht-1为所述目标循环神经网络模型前一时刻的输出;β为-1到1之间的常数;f1、f2为所述目标循环神经网络模型的激励函数;T为根据所述第一数据集中只在某一时刻影响目标循环神经网络模型训练的参数生成的输入参数;Q为根据所述第一数据集中在某一时刻之后的所有时刻持续影响目标循环神经网络模型训练的参数生成的输入参数;所述目标循环神经网络模型的输出结果为所要预测预设网络制式终端的渗透率。
示例性的,本申请实施例中使用的循环神经网络可以为LSTM神经网络,如图2所示,其主要由输入门、输出门、忘记门控制设备缓存内容信息的存储状态,其中输入门决定了当前时间节点的设备缓存内容值是否应该影响当前的隐藏节点,忘记门决定了前一时刻的神经单元值是否应该影响当前时刻的设备缓存内容信息,输出门决定了当前时刻的神经单元值是否该输出,即当前时刻的设备缓存内容输出值。这三个门共同作用,实现记忆模块的功能。记忆模块内部结构如图2所示。图2中三个门的作用类似阀门,阀门打开和关闭影响着神经元信息的传递,决定着有多少设备缓存内容信息参与到当前神经元的计算以ht及有多少设备缓存内容信息参与到下一个神经元的计算。
本申请实施例中的循环神经网络在LSTM原有的三个门之后加入了单一刺激点因素T和持续刺激点因素Q。循环神经网络t时刻输入门的状态为:
其中σ是激活函数,W项表示权重矩阵,b项是偏置,ht-1为输出调制门t-1时的状态,是t时刻的各类一般特征输入,而输出调制门在t时刻的状态为:
其中是双曲正切函数,ot为输出门,T、Q为步骤四中的单一刺激因素和
持续刺激因素,ct为存储单元(细胞)。ot在t时刻的状态为:
ct在t时刻的状态分别为:
Ct=ft*Ct-1+it*gt
其中,ft为忘记门,gt为输入调制门,ft和gt在t时刻的状态为:
gt在t时刻的状态为:
其中σ、f1、f2为激活函数,一般情况下用的是
tanh函数:
或者sigmoid函数:
或者relu函数:
f(x)=log(1+exp x)
本实施例提供的终端渗透率预测方法,通过将获取的第一数据集和第二数据集生成的目标循环神经网络所需的数据,对目标循环神经网络进行训练,得到预设网络制式终端渗透率,方法简单、准确,不但能够预测未商用的网络制式终端渗透率,还能预测现有网络制式的终端渗透率,因而本申请中的技术方案能够解决提出的问题,产生了有益效果。
实施例二:
本申请实施例可以根据上述方法示例对终端渗透率预测装置进行功能模块或者功能单元的划分,例如,可以对应各个功能划分各个功能模块或者功能单元,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块或者功能单元的形式实现。其中,本申请实施例中对模块或者单元的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
本实施例提供一种终端渗透率预测装置,如图3所示包括:第一获取单元301、第二获取单元302、处理单元303、计算单元304。
第一获取单元301,用于获取第一数据集;第一数据集包括:预设网络制式终端在不同时刻的价格、预设网络制式的商用时间、预设网络制式终端的出货时间。
示例性的,如果要预测5G终端渗透率,那么,第一数据集中的数据包括:某5G终端在不同时期的价格、5G商用时间点、5G终端出货时间。
本申请实施例中第一数据集中的数据利用网络爬虫从各大电商及新闻门户网站上爬取。
终端渗透率等于预设网络制式终端数除以所有网络制式终端总数。
第二获取单元302,用于获取第二数据集;第二数据集包括:预设网络制式之外其他网络制式终端的渗透率、终端更换用户数、总用户使用流量、不同价格区间用户终端的换机率。
本申请实施例中用到的第二数据集中的数据包括:预设网络制式之外其他网络制式终端的渗透率、终端更换用户数、总用户使用流量、不同价格区间用户终端的换机率。
第二数据集中的数据通过从获取运营商系统中的用户信息计算得到。用户信息具体包括:用户编号、IMEI(international mobile equipment identity,国际移动设备识别码)、IMSI(international mobile subscriber identification number,国际移动用户识别码)、使用流量总量、通话时长。其中IMEI国际移动设备识别码可用于识别用户使用的终端设备。根据所述运营商系统中的用户信息,确定所述预设网络制式之外其他网络制式终端的渗透率、终端更换用户数、总用户使用流量、不同价格区间用户终端的换机率。
示例性的,如果要预测5G终端渗透率,那么,第二数据集中的数据包括:每月的4G用户数、3G用户数、2G用户数、总用户数、2G终端向4G终端换机用户数、3G终端向4G终端换机用户数、4G终端换4G终端手机用户数、总用户使用流量。5G商用之后,第二数据集还可以包括每月的5G用户数、5G终端换机数。
处理单元303,用于根据第一数据集,生成目标循环神经网络模型的激励函数的输入参数。
根据第一数据集生成目标循环网络模型的激励函数的输入参数具体包括:从第一数据集中选择只对单个时间段的预测结果产生影响的数据以及对后续预设结果持续产生影响的数据;
根据只对单个时间段的预测结果产生影响的数据,生成目标循环网络模型的激励函数的单一刺激点因素数据;
根据对后续预测结果持续产生影响的数据,生成目标循环网络模型的激励函数的持续刺激性因素数据。
将单一刺激点因素数据整合为矩阵T=[T1,T2,T3,T4,…,Tn],其中T1=[0,0,0,…,t1,…,0,0],T1中元素个数为要预测的未来时间点的个数,如要预测未来m个月的终端渗透率,那么T1为m个元素。
t1表示,在某个时间点产生某一刺激因子,t1为正实数。例如,5G商用时间点为2020年1月,则只在2020年1月会产生正想刺激因素t1影响目标循环神经网络的预测结果。
将持续性刺激因素数据整合为矩阵Q=[Q1,Q2,Q3,Q4,…,Qn],表示在某一时间点之后持续变化,并持续对目标神经网络的预测产生影响。例如,某5G终端价格在2019年9月发布,初始售价为8000元,且随着时间推移价格逐步降低,10月售价8000元,11月售价7000元,12月售价6000元,那么Qn=[0,0,…,8000,8000,7000,6000,…]。
处理单元303,还用于根据第二数据集,生成目标循环神经网络模型的训练样本集。
计算单元304,用于利用所述训练样本集,对目标循环神经网络进行训练。
计算单元304,还用于利用目标循环神经网络,预测预设网络制式的终端渗透率。
本申请使用的循环神经网络计算公式为:
其中,为目标循环神经网络模型当前时刻的输入样本;ht为目标循环神经网络模型当前时刻输出;ht-1为目标循环神经网络模型前一时刻的输出;β为-1到1之间的常数;f1、f2为目标循环神经网络模型的激励函数;T为根据第一数据集中只在某一时刻影响目标循环神经网络模型训练的参数生成的输入参数;Q为根据所述第一数据集中在某一时刻之后的所有时刻持续影响目标循环神经网络模型训练的参数生成的输入参数;目标循环神经网络模型的输出结果为所要预测预设网络制式的终端渗透率。
示例性的,本申请实施例中使用的循环神经网络可以为LSTM神经网络,如图2所示,其主要由输入门、输出门、忘记门控制设备缓存内容信息的存储状态,其中输入门决定了当前时间节点的设备缓存内容值是否应该影响当前的隐藏节点,忘记门决定了前一时刻的神经单元值是否应该影响当前时刻的设备缓存内容信息,输出门决定了当前时刻的神经单元值是否该输出,即当前时刻的设备缓存内容输出值。这三个门共同作用,实现记忆模块的功能。记忆模块内部结构如图2所示。图2中三个门的作用类似阀门,阀门打开和关闭影响着神经元信息的传递,决定着有多少设备缓存内容信息参与到当前神经元的计算以ht及有多少设备缓存内容信息参与到下一个神经元的计算。
本申请实施例中的循环神经网络在LSTM原有的三个门之后加入了单一刺激点因素T和持续刺激点因素Q。循环神经网络t时刻输入门的状态为:
其中σ是激活函数,W项表示权重矩阵,b项是偏置,ht-1为输出调制门t-1
时的状态,是t时刻的各类一般特征输入,而输出调制门在t时刻的状态为:
其中是双曲正切函数,ot为输出门,T、Q为步骤四中的单一刺激因素和持续刺激因素,ct为存储单元(细胞)。ot在t时刻的状态为:
ct在t时刻的状态分别为:
Ct=ft*Ct-1+it*gt
其中,ft为忘记门,gt为输入调制门,ft和gt在t时刻的状态为:
gt在t时刻的状态为:
其中σ、f1、f2为激活函数,一般情况下用的是
tanh函数:
或者sigmoid函数:
或者relu函数:
f(x)=log(1+exp x)
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能单元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单元完成,即将装置的内部结构划分成不同的功能单元,以完成以上描述的全部或者部分功能。上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
本发明实施例中提供的终端渗透率预测装置中各模块所的功能以及所产生的效果可以参照上述实施例一终端渗透率预测方法中的对应的描述内容,在此不再赘述。
需要说明的是,本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
在采用集成的单元的情况下,图4示出了上述实施例中所涉及的终端渗透率预测装置的一种可能的结构示意图。终端渗透率预测装置40包括:处理模块401、通信模块402和存储模块403。处理模块401用于对终端渗透率预测装置40的动作进行控制管理,例如,处理模块401终端渗透率预测装置40执行图1中的过程S101-S103。通信模块402用于支持终端渗透率预测装置40与其他实体的通信。存储模块403用于存储终端渗透率预测装置的程序代码和数据。
其中,处理模块401可以是处理器或控制器,例如可以是中央处理器(centralprocessing unit,CPU),通用处理器,数字信号处理器(digital signal processor,DSP),专用集成电路(application-specific integrated circuit,ASIC),现场可编程门阵列(field programmable gate array,FPGA)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本发明公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等等。通信模块402可以是收发器、收发电路或通信接口等。存储模块403可以是存储器。
当处理模块401为如图5所示的处理器502,通信模块402为图5的通信接口503,存储模块403为图5的存储器501时,本发明实施例所涉及的终端渗透率预测装置可以为如下的终端渗透率预测装置50。
参照图5所示,该终端渗透率预测装置50包括:存储器501、处理器502、通信接口503和总线504。
其中,存储器501、处理器502、通信接口503通过总线504相互连接;总线504可以是外设部件互连标准(peripheral component interconnect,PCI)总线或扩展工业标准结构(extended industry standard architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器502可以是一个通用中央处理器(Central Processing Unit,CPU),微处理器,特定应用集成电路(Application-Specific Integrated Circuit,ASIC),或一个或多个用于控制本发明方案程序执行的集成电路。
存储器501可以是只读存储器(Read-Only Memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(Random Access Memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(ElectricallyErasable Programmable Read-only Memory,EEPROM)、只读光盘(Compact Disc Read-Only Memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器501用于存储执行本发明方案的应用程序代码,并由处理器502来控制执行。通信接口503用于接收外部设备输入的内容,处理器502用于执行存储器501中存储的应用程序代码,从而实现本发明实施例中提供的一种终端渗透率预测方法。
应理解,在本发明的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时,可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户终端线(Digital Subscriber Line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带),光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种终端渗透率预测方法,其特征在于,包括:
获取第一数据集;所述第一数据集包括:预设网络制式终端在不同时刻的价格、所述预设网络制式的商用时间、所述预设网络制式终端的出货时间;
获取第二数据集;所述第二数据集包括:所述预设网络制式之外其他网络制式终端的渗透率、终端更换用户数、总用户使用流量、不同价格区间用户终端的换机率;
根据所述第一数据集,生成目标循环神经网络模型的激励函数的输入参数;
根据所述第二数据集,生成所述目标循环神经网络模型的训练样本集;
利用所述训练样本集,对所述目标循环神经网络进行训练;
利用所述目标循环神经网络,预测所述预设网络制式的终端渗透率。
2.根据权利要求1所述的终端渗透率预测方法,其特征在于,所述目标循环神经网络模型的计算公式为:
其中,为所述目标循环神经网络模型当前时刻的输入样本;ht为所述目标循环神经网络模型当前时刻输出;ht-1为所述目标循环神经网络模型前一时刻的输出;β为-1到1之间的常数;f1、f2为所述目标循环神经网络模型的激励函数;T为根据所述第一数据集中只在某一时刻影响目标循环神经网络模型训练的参数生成的输入参数;Q为根据所述第一数据集中在某一时刻之后的所有时刻持续影响目标循环神经网络模型训练的参数生成的输入参数;所述目标循环神经网络模型的输出结果为所要预测预设网络制式终端的渗透率。
3.根据权利要求1所述的终端渗透率预测方法,其特征在于,所述获取第一数据集,具体包括:
利用网络爬虫,从新闻网站以及购物网站中,获取第一数据集。
4.根据权利要求1所述的终端渗透率预测方法,其特征在于,所述获取第二数据集,包括:获取运营商系统中的用户信息;
所述用户信息具体包括:
用户编号、IMEI国际移动设备识别码、IMSI国际移动用户识别码、使用流量总量、通话时长;根据所述用户信息,生成所述第二数据集;
根据所述运营商系统中的用户信息,确定所述预设网络制式之外其他网络制式终端的渗透率、终端更换用户数、总用户使用流量、不同价格区间用户终端的换机率。
5.一种终端渗透率预测装置,其特征在于,所述装置包括:第一获取单元、第二获取单元、处理单元、计算单元;
所述第一获取单元,用于获取第一数据集;所述第一数据集包括:预设网络制式终端在不同时刻的价格、所述预设网络制式的商用时间、所述预设网络制式终端的出货时间;
所述第二获取单元,用于获取第二数据集;所述第二数据集包括:所述预设网络制式之外其他网络制式终端的渗透率、终端更换用户数、总用户使用流量、不同价格区间用户终端的换机率;
所述处理单元,用于根据所述第一数据集,生成目标循环神经网络模型的激励函数的输入参数;
所述处理单元,还用于根据所述第二数据集,生成所述目标循环神经网络模型的训练样本集;
所述计算单元,用于利用所述训练样本集,对所述目标循环神经网络进行训练;
所述计算单元,还用于利用所述目标循环神经网络,预测所述预设网络制式的终端渗透率。
6.根据权利要求5所述的终端渗透率预测装置,其特征在于,所述目标循环神经网络模型的计算公式为:
其中,为所述目标循环神经网络模型当前时刻的输入样本;ht为所述目标循环神经网络模型当前时刻输出;ht-1为所述目标循环神经网络模型前一时刻的输出;β为-1到1之间的常数;f1、f2为所述目标循环神经网络模型的激励函数;T为根据所述第一数据集中只在某一时刻影响目标循环神经网络模型训练的参数生成的输入参数;Q为根据所述第一数据集中在某一时刻之后的所有时刻持续影响目标循环神经网络模型训练的参数生成的输入参数;所述目标循环神经网络模型的输出结果为所要预测预设网络制式的终端渗透率。
7.根据权利要求5所述的终端渗透率预测装置,其特征在于,所述第一获取单元获取所述第一数据集,具体包括:
利用网络爬虫,从新闻网站以及购物网站中,获取第一数据集。
8.根据权利要求5所述的终端渗透率预测装置,其特征在于,所述第二获取单元获取第二数据集,包括:获取运营商系统中的用户信息;
所述用户信息具体包括:
用户编号、IMEI国际移动设备识别码、IMSI国际移动用户识别码、使用流量总量、通话时长;根据所述用户信息,生成所述第二数据集;
根据所述运营商系统中的用户信息,确定所述预设网络制式之外其他网络制式终端的渗透率、终端更换用户数、总用户使用流量、不同价格区间用户终端的换机率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910640551.7A CN110505635B (zh) | 2019-07-16 | 2019-07-16 | 一种终端渗透率预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910640551.7A CN110505635B (zh) | 2019-07-16 | 2019-07-16 | 一种终端渗透率预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110505635A true CN110505635A (zh) | 2019-11-26 |
CN110505635B CN110505635B (zh) | 2022-05-13 |
Family
ID=68586035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910640551.7A Active CN110505635B (zh) | 2019-07-16 | 2019-07-16 | 一种终端渗透率预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110505635B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113115301A (zh) * | 2021-03-15 | 2021-07-13 | 中国联合网络通信集团有限公司 | 一种确定方法、设备以及可读存储介质 |
CN114945187A (zh) * | 2022-06-06 | 2022-08-26 | 中国联合网络通信集团有限公司 | 网络流量预测方法、装置、设备和存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150696A (zh) * | 2011-12-06 | 2013-06-12 | 中兴通讯股份有限公司 | 选择目标增值业务潜在客户的方法及装置 |
US20130184008A1 (en) * | 2011-02-10 | 2013-07-18 | Ntt Docomo Inc. | Terminal number estimation device and terminal number estimation method |
CN103338461A (zh) * | 2013-06-18 | 2013-10-02 | 中国联合网络通信集团有限公司 | 基于业务量预测的网络规划方法及装置 |
CN105427138A (zh) * | 2015-12-30 | 2016-03-23 | 芜湖乐锐思信息咨询有限公司 | 基于神经网络模型的产品市场占有率分析方法及系统 |
WO2017200234A1 (ko) * | 2016-05-17 | 2017-11-23 | 김명락 | 유동인구 패턴정보 기반의 미래입점객수 예측방법 및 장치 |
CN107833073A (zh) * | 2017-11-08 | 2018-03-23 | 吉浦斯信息咨询(深圳)有限公司 | 应用潜力评估方法、系统 |
US20180137412A1 (en) * | 2016-11-16 | 2018-05-17 | Cisco Technology, Inc. | Network traffic prediction using long short term memory neural networks |
CN108053080A (zh) * | 2017-12-30 | 2018-05-18 | 中国移动通信集团江苏有限公司 | 区域用户数量统计值预测方法、装置、设备及介质 |
CN109544197A (zh) * | 2017-09-22 | 2019-03-29 | 中兴通讯股份有限公司 | 一种用户流失预测方法和装置 |
-
2019
- 2019-07-16 CN CN201910640551.7A patent/CN110505635B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130184008A1 (en) * | 2011-02-10 | 2013-07-18 | Ntt Docomo Inc. | Terminal number estimation device and terminal number estimation method |
CN103150696A (zh) * | 2011-12-06 | 2013-06-12 | 中兴通讯股份有限公司 | 选择目标增值业务潜在客户的方法及装置 |
CN103338461A (zh) * | 2013-06-18 | 2013-10-02 | 中国联合网络通信集团有限公司 | 基于业务量预测的网络规划方法及装置 |
CN105427138A (zh) * | 2015-12-30 | 2016-03-23 | 芜湖乐锐思信息咨询有限公司 | 基于神经网络模型的产品市场占有率分析方法及系统 |
WO2017200234A1 (ko) * | 2016-05-17 | 2017-11-23 | 김명락 | 유동인구 패턴정보 기반의 미래입점객수 예측방법 및 장치 |
US20180137412A1 (en) * | 2016-11-16 | 2018-05-17 | Cisco Technology, Inc. | Network traffic prediction using long short term memory neural networks |
CN109544197A (zh) * | 2017-09-22 | 2019-03-29 | 中兴通讯股份有限公司 | 一种用户流失预测方法和装置 |
CN107833073A (zh) * | 2017-11-08 | 2018-03-23 | 吉浦斯信息咨询(深圳)有限公司 | 应用潜力评估方法、系统 |
CN108053080A (zh) * | 2017-12-30 | 2018-05-18 | 中国移动通信集团江苏有限公司 | 区域用户数量统计值预测方法、装置、设备及介质 |
Non-Patent Citations (5)
Title |
---|
VICTOR C. LIANG: ""Mercury: Metro density prediction with recurrent neural network on streaming CDR data"", 《2016 IEEE 32ND INTERNATIONAL CONFERENCE ON DATA ENGINEERING (ICDE)》 * |
刘春波: ""基于人工神经网络的移动通信市场用户规模预测研究"", 《中国优秀博硕士学位论文全文数据库(硕士) 经济与管理科学辑》 * |
司秀丽等: ""基于混合算法的通信用户规模预测方法研究"", 《计算机工程与科学》 * |
张冰: ""用户预测在无线网络规划中的方法研究"", 《科技创新导报》 * |
王思远: ""深度学习在移动业务预测中的研究与应用"", 《中国优秀博硕士学位论文全文数据库(硕士) 经济与管理科学辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113115301A (zh) * | 2021-03-15 | 2021-07-13 | 中国联合网络通信集团有限公司 | 一种确定方法、设备以及可读存储介质 |
CN113115301B (zh) * | 2021-03-15 | 2022-11-22 | 中国联合网络通信集团有限公司 | 一种确定方法、设备以及可读存储介质 |
CN114945187A (zh) * | 2022-06-06 | 2022-08-26 | 中国联合网络通信集团有限公司 | 网络流量预测方法、装置、设备和存储介质 |
CN114945187B (zh) * | 2022-06-06 | 2024-02-06 | 中国联合网络通信集团有限公司 | 网络流量预测方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110505635B (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Imteaj et al. | Federated learning for resource-constrained iot devices: Panoramas and state of the art | |
CN107730087A (zh) | 预测模型训练方法、数据监控方法、装置、设备及介质 | |
CN106453608B (zh) | 一种基于云端的移动应用的后台请求自适应调度算法 | |
CN103632212A (zh) | 一种时变用户均衡动态网络演化客流预测系统和方法 | |
CN109788489A (zh) | 一种基站规划方法及装置 | |
CN110764714B (zh) | 一种数据处理方法、装置、设备及可读存储介质 | |
CN113256022B (zh) | 一种台区用电负荷预测方法及系统 | |
CN107632697A (zh) | 应用程序的处理方法、装置、存储介质及电子设备 | |
CN108091166A (zh) | 可用停车位数目变化的预测方法、装置、设备及存储介质 | |
Dong et al. | Queueing models for patient-flow dynamics in inpatient wards | |
CN110474808A (zh) | 一种流量预测方法及装置 | |
CN109327844A (zh) | 一种小区扩容方法及装置 | |
CN110505635A (zh) | 一种终端渗透率预测方法及装置 | |
CN110472798A (zh) | 时间序列数据的预测方法、装置及计算机可读存储介质 | |
CN112329997A (zh) | 电力需求负荷预测方法及系统、电子设备和存储介质 | |
CN109753275A (zh) | 应用编程接口的推荐方法、装置、存储介质和电子设备 | |
CN109978241B (zh) | 一种电动汽车充电负荷的确定方法及装置 | |
Jiang et al. | Admission control of hospitalization with patient gender by using Markov decision process | |
Qian et al. | Short-term demand forecasting for on-demand mobility service | |
Haliem et al. | AdaPool: An adaptive model-free ride-sharing approach for dispatching using deep reinforcement learning | |
Nakıp et al. | Dynamic automatic forecaster selection via artificial neural network based emulation to enable massive access for the Internet of Things | |
CN113837383A (zh) | 模型训练方法、装置、电子设备及存储介质 | |
CN107728772A (zh) | 应用程序的处理方法、装置、存储介质及电子设备 | |
Tao et al. | Understanding self-organized regularities in healthcare services based on autonomy oriented modeling | |
CN112418508B (zh) | 基于物理空间与社交网络空间交互的人口分布预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |