CN110621026B - 一种基站流量多时刻预测方法 - Google Patents
一种基站流量多时刻预测方法 Download PDFInfo
- Publication number
- CN110621026B CN110621026B CN201910120074.1A CN201910120074A CN110621026B CN 110621026 B CN110621026 B CN 110621026B CN 201910120074 A CN201910120074 A CN 201910120074A CN 110621026 B CN110621026 B CN 110621026B
- Authority
- CN
- China
- Prior art keywords
- base station
- data
- model
- flow
- time
- 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.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明适用于基站流量监控技术领域。本发明公开一种基站流量多时刻预测方法包括从数据中提取基站的时间特征和空间特征提取数据的历史特征步骤;将提取的数据历史特征输入算法系统构的建模型步骤;使用并行计算训练梯度提升算法的训练模型步骤;并行预测长时间结果输出的模型效果评估步骤。由该预测方法通过对基站时间特征和空间特征提取,结合渐进梯度回归树的算法来预测未来24个时刻甚至更多时刻内的基站流量趋势,解决多时刻流量预测精准度低的难题,提高模型的多时刻预测的能力,可以为运营商的基站网络优化提供精准的参考和争取优化时间,具有极大的实用价值。同时基站属性数据预处理方法和数据预测模型本身相互独立,很好的降低了模型的复杂度,可靠性加强。
Description
技术领域
本发明涉及一种基站流量监控技术领域,特别涉及一种基站流量多时刻预测方法。
背景技术
现有的基站流量预测方式主要有两种:
第一种,使用单一的历史的数据,通过统计模型进行未来流量的预测。该方式使用的数据为基站产生流量的历史数据,首先对历史数据做聚类处理,相似表征的数据会聚合在同一类里面。针对聚类的结果,对每一类的数据做特征提取,并且给到每一类一个标签。依据大数定律,当历史数据足够多的时候,全部的类别可以包含所有的数据特征,这也是这类方式的理论依据所在。最终根据历史流量数据和待预测时刻的流量属性对待预测流量值进行预测,本方式最终的预测算法通常采用传统的统计算法。
第二种,对基站与基站之间的空间属性进行建模,构建基站关系有向图模型。该方式将待预测基站对应的节点内流量特征及节点间流量特征输入预先基于基站空间依赖关系建立的流量预测模型,获取输出的待预测基站的流量预测值。本方式充分挖掘出了基站间的流量依赖关系,把用户的流动性考虑进了模型当中,也是一种可靠的基站流量预测方式。该方式最终使用的算法为神经网络模型算法,训练已有无向图基站数据得到神经网络模型,因此来预测其他基站的数据。
但以上两种基站流量预测方法存在以下缺陷:
1、现有算法无法做到多时刻预测。
无论是基于基站空间关系建模的方式,还是以历史数据为基础构建时间序列预测的方式都无法做到多时刻的流量值预测。而对于网络优化或者实际应用来讲,多时刻的预测是十分有必要的,这可以为网络优化提供更多的资源调度时间。
本专利提供的方案依据历史数据、基站时间属性、基站空间属性共同建模,可以实现未来多时刻的预测,并且达到可用精度。
2、现有技术使用的神经网络可解释不强,难以调参。
利用神经网络算法进行流量预测,神经网络作为一种强大的非线性分类器,具有很强的特征提取能力和记忆能力。但神经网络缺乏可解释性和参数众多,因此模型训练阶段难以调节,并且使用过程中维护难度大。
3、训练效率低
聚类方式提取特征,其复杂度为O(kmt)其中k为聚类的类别数,m为聚类的样本数,t为聚类的循环次数。该方式的采用特征提取的方法复杂度较高,当数据量较大的时候仅仅在聚类这一步上花费的时间就会过长,实际工程是难以接受。专利2考虑的站内流量和站间流量建模,建立一个图模型,这种方法固然可以对用户的流动性有较好的捕获,但是其使用的神经网络训练方式前后依赖性较强不利于并行计算,训练效率低。
发明内容
本发明主要解决的技术问题是提供一种基站流量多时刻预测方法,基站流量多时刻预测方法避免多时刻流量预测不准,提高预测精准度,为基站网络优化提供精准的参考和争取优化时间。
为了解决上述问题,本发明提供一种基站流量多时刻预测方法,该基站流量多时刻预测方法包括,
提取数据的历史特征步骤,从基站历史流量数据中提取基站的时间特征和空间特征;
构建模型步骤,将提取的数据历史特征输入算法函数;
训练模型步骤,使用并行计算训练梯度提升算法;
模型效果评估步骤,并行预测多时刻结果输出。
进一步地说,所述提取数据的历史特征步骤包括,将历史流量数据中的流量上行历史数据作为总特征。
进一步地说,所述总特征构造包括流量特征、基站时间特征、基站空间特征和上行/下行流量值,其中总特征为时间序列流量特征和基站的时空特征构成的向量,Label为待预测的上行/下行流量值的标量。
进一步地说,存在缺失值的时间序列流量数据采用牛顿差值法进行填补。
进一步地说,所述牛顿差值法包括,构建所有阶的差商公式:
联立以上的差值多项式f(x)
f(x)=f(x1)-(x-x1)f(x2,x2)+(x-x1)(x-x2)f(x3,x2,x1)+…+(x-x1)(x-x2)…(x-xn-1)f(xn,x3,x2,x1)+(x-x1)(x-x2)…(x-xn)f(xn,x2,x1,x)
=P(x)+R(x)
其中,(x1,y1),(x2,y2),(x3,y3),…,(xn,yn)为已知的n个流量值点对,
P(x)=f(x1)-(x-x1)f(x2,x2)+(x-x1)(x-x2)f(x3,x2,x1)+…+(x-x1)(x-x2)…(x-xn-1)f(xn,x3,x2,x1)
R(x)=(x-x1)(x-x2)…(x-xn)f(xn,x3,x2,x1)
P(x)是牛顿差值逼近函数,R(x)是误差函数,将缺失的函数值对应的流量数据时刻点x代入插值多项式得到缺失值的流量数据近似值f(x)。
进一步地说,当插值补缺操作后部分时间段的基站流量值变化波动,还包括取对数变换对数据做出规范化处理使不具备正态分布的数据变换为具有正态分布的数据。
进一步地说,所述时间特征依据流量时间序列小波变换获得。
进一步地说,所述基站空间特征由相关性分析提取基站的经纬度位置、覆盖场景类型、基站类型、方向角、天线挂高空间属性。
进一步地说,采取小波变换对时间特征分析提取周期特征。
进一步地说,小波变换提取低频带的信号f(t)的二阶小波分解表示为,
f(t)=Aj+∑Dj
其中A是近似信号,为低频信号是周期信息提取的来源;D是细节信号,为高频信号。
进一步地说,本部分流量数据的周期取24和7。
进一步地说,还包括对周期特征做离散化处理。
进一步地说,还包括对所述基站空间特征不同的信息进行编码,其中,基站类型采用One-Hot编码的方式为基站类型赋值,该基站类型包括宏站编码为100、室分站编码为010、微站编码为001;对覆盖场景数据,采用Label-Encoder编码的方式对区域进行编码。
进一步地说,经纬度属性的基站空间特性经纬度属性采用经纬度坐标作为站点的位置属性参与计算,方向角、天线挂高参数直接参与计算。
进一步地说,所述构建模型步骤包括GBRT(渐进梯度回归树)通过多轮迭代,每轮迭代产生一个弱分类器,每个分类器在上一轮分类器的残差基础上进行训练,其中弱分类器采用回归树CART(分类回归树)算法。
进一步地说,所述训练模型步骤包括给定数据集
D(x)={(x1,y1),(x2,y2),…,(xn,yn)}
,其中x表示特征集合,y表示标签并且是连续变量,模型一共训练M轮,最终模型可以表示为,
其中,T(x,θm)表示单棵CART回归树的模型。
进一步地说,所述CART回归树误差采用的评判方式为平方误差,总目标函数为,
Fm-1(x)为当前的模型,L损失函数定义方式是以平方误差之和为总损失值。
本发明一种基站流量多时刻预测方法,包括基站流量多时刻预测方法包括从数据中提取基站的时间特征和空间特征提取数据的历史特征步骤;将提取的数据历史特征输入算法系统构的建模型步骤;使用并行计算训练梯度提升算法的训练模型步骤;并行预测长时间结果输出的模型效果评估步骤。由该预测方法通过对基站时间特征和空间特征提取,结合渐进梯度回归树的算法来预测未来24个时刻甚至更多时刻内的基站流量趋势,解决多时刻流量预测精准度低的难题,提高模型的多时刻预测的能力,可以为运营商的基站网络优化提供精准的参考和争取优化时间,具有极大的实用价值。同时基站属性数据提取和清洗方法和数据预测模型本身相互独立,很好的降低了模型的复杂度,可靠性加强。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单介绍,显而易见地,描述中的附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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他相关的附图。
图1是本发明基站流量多时刻预测方法流程示意图。
图2是特征构造组成示意图。
图3是基站流量值原数据波动效果。
图4是基站流量值取对数变换后数据波动效果。
图5是模型结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了更清楚地说明本发明的技术方案,下面结合具体实施例及图对本发明的权利要求做进一步的详细说明,可以理解的是,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,任何人在本发明权利要求范围内所做的有限次的修改,仍在本发明的权利要求范围之内。
需要理解的是,在本发明的描述中,需要说明的是,术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
如图1所示,本发明提供一种基站流量多时刻预测方法实施例。
该基站流量多时刻预测方法步骤如下:
提取数据的历史特征步骤,从基站历史流量数据和基站工参中提取基站的时间特征和空间特征;
构建和训练模型步骤,将提取的数据历史特征输入算法函数,使用并行计算训练梯度提升算法训练模型;
模型效果评估步骤,并行预测多时刻结果输出。
具体地说,本技术方案采用现有系列函数组合提高流量预测精度是发明重点。
所述多时刻表示本方法预测的未来多个连续时间点。所述基站的时间特征是指通过本算法计算出来的基站流量周期特征,例如周期为7,那么可以将每一周的星期几作为一项特征输入模型,以提高准确性,本方案涉及到的时间特征仅仅指的是周期特性。所述基站的空间特性就是本方案所描述的基站工参,从基站众多工参中提取出来的有效工参信息就是空间特性,比如基站的覆盖区域,站点类型等参数,这些参数在原始工程参数文档里面都有体现。所述基站工参是指基站的工程参数。
具体地说,总特征包括流量特征、时间特征和空间特征历史流量数据处理和基站特征挖掘,其中历史流量数据处理,本方案中涉及到的流量数据分为基站的上行流量数据和下行流量数据,示例数据如下表1所示,该表1表示时间序列流量历史数据:
表1:
Day(时间) | Up(上行流量数据) | Down(下行流量数据) |
2018/8/29 0:00 | 72090.03 | 623826.1 |
2018/8/29 1:00 | 22066.07 | 229515.6 |
2018/8/29 2:00 | 15334.97 | 203533.7 |
2018/8/29 3:00 | 27939.78 | 822045.7 |
2018/8/29 4:00 | 21915.31 | 536574.7 |
2018/8/29 5:00 | 4459.742 | 8345.715 |
2018/8/29 6:00 | 13553.43 | 111066.8 |
以上行流量数据为例,本方案使用流量上行历史数据作为总特征的一部分,具体总特征构造的方案如下图2所示,其中特征(Feature)为时间序列流量特征和基站的时空特征构成的向量,标签(Label)为本方案待预测的上行或下行流量值,为标量。
本发明涉及到的时间序列流量数据存在缺失值null,可能是运营商业务的复杂性和传输存储过程操作不一致会导致的缺失,存在缺失值的时间序列流量数据采用牛顿差值法的方式进行填补。具体过程为,本发明中已知的n个流量值点对(x1,y1),(x2,y2),(x3,y3),…,(xn,yn),构建所有阶的差商公式:
……
联立以上的差值多项式f(x)
f(x)=f(x1)-(x-x1)f(x2,x2)+(x-x1)(x-x2)f(x3,x2,x1)+…+(x-x1)(x-x2)…(x-xn-1)f(xn,x3,x2,x1)+(x-x1)(x-x2)…(x-xn)f(xn,x2,x1,x)
P(x)+R(x)
其中:
P(x)=f(x1)-(x-x1)f(x2,x2)+(x-x1)(x-x2)f(x3,x2,x1)+…+(x-x1)(x-x2)…(x-xn-1)f(xn,x3,x2,x1)
R(x)=(x-x1)(x-x2)…(x-xn)f(xn,x3,x2,x1)
P(x)是牛顿差值逼近函数,R(x)
是误差函数。将缺失的函数值对应的流量数据时刻点x代入插值多项式得到缺失值的流量数据近似值f(x)。
经过插值补缺操作之后,本发明涉及到的部分时间段的基站流量值变化情况如图3所示,可以看出波动的幅度较大,其最高值与最低值相差悬殊。
针对这类情况需要对数据做出规范化处理,本发明采用对流量数据取对数变换,这样处理的好处是将本来不具备正态分布的数据变换为具有正态分布的数据。
如图4所示,经过数据变换以后数据严格分布在区间(0,12)内,实现了数据的有效压缩。
x′=log(x)
4.1.2基站特征挖掘
如图2所展示,本发明利用的基站特征分为时间特征和空间特征。时间特征的提取方式依据流量时间序列小波变换而得来,空间特征经过相关性分析提取出了基站的经纬度位置、覆盖区域类型、基站类型、方向角、天线挂高,五个空间属性。
对时间特征分析得出周期特征对最终的流量值影响较大,本方案采取小波变换的方式提取周期特征。其基本原理是因为小波变换可以提取多尺度空间能量分布,对不同频率的型号提取有利于对信号进行低频带分析,低频带的信号可以很好的分辨出周期信息。信号f(t)的二阶小波分解可以表示为:
f(t)=Aj+ΣDj
其中A是近似信号,一般为低频信号是周期信息提取的来源;D是细节信号,为高频部分。经过分析本部分流量数据的周期取24和7比较合适,这和日常认知的一天24小时,一周七天的规律相似。在本发明提出的方案当中,为防止过拟合对周期特征做离散化处理。
基站特征的挖掘中除了时间特性还有空间特性,对空间特性的使用主要是对不同的信息进行编码的操作。对基站类型数据,基站类型包括宏站、室分、微站,本方案采用0ne-Hot编码的方式为基站类型赋值,宏站编码为100、室分站编码为010、微站编码为001。对覆盖场景数据,运营商一般对覆盖区域的定义明确,本方案采用Label-Encoder编码的方式对区域进行编码。
对于其他的空间特性,如经纬度属性直接使用经纬度坐标作为站点的位置属性参与计算。方向角、天线挂高等参数分布均匀方差较小,本方案将这两项特征直接参与计算。空间数据特征工程完毕后的数据如表2所示:
表2(处理后基站空间特征):
特征决定模型的上限,特征工程的方式十分繁杂,方法多样,但是以上的特征量化方式都是结合基站时间特征和空间特征的表现形式而得来。在特征工程之后,本方案构建GBRT(Gradient BoostRegression Tree,渐进梯度回归树)算法预测未来时刻的基站流量值。
4.2构建模型和训练模型
GBRT(渐进梯度回归树)算法,通过多轮迭代,每轮迭代产生一个弱分类器,每个分类器在上一轮分类器的残差基础上进行训练。对弱分类器的要求一般是足够简单,并且是低方差和高偏差,在本方案中采用的弱分类器为回归树CART(Classification andRegression Trees,分类回归树)算法。
本方案中给定数据集
D(x)={(x1,y1),(x2,y2),…,(xn,yn)}
,其中x表示特征集合,y表示标签并且是连续变量。模型一共训练M轮,于是最终模型可以表示为
其中T(x,θm)表示单棵CART回归树的模型。
本方案CART的误差采用的评判方式为平方误差,故总目标函数为:
Fm-1(x)为当前的模型,可以看出GBRT是通过经验风险极小化来确定下一个弱分类器的参数。如上所述,本方案损失函数定义方式是以平方误差之和为总损失值。
本发明方案提出的模型训练方法是通过梯度下降的方式使得损失值不断减小,这也是GBRT中GB的核心思想。本方案利用平方损失函数的负梯度在当前的模型值的流量残差去拟合下一个CRAT树。因为负梯度能始终沿着损失减小的方向迭代,达到了最终的优化目的,求得最优θm。
4.3模型效果评估
本方案使用的模型-时刻的方式构建模型,模型-时刻预测方式为一个模型预测未来一个时刻。这样做的优势有两点①由于多模型的使用,方便做到多时刻预测;②由于数据之间符合独立同分布,模型之间可以并行实现,这为模型的训练极大的节约了时间,具体的模型应用方案如图5所示。
本发明使用上述方案对未来24个时刻预测基站流量趋势,最终的流量预测结果取其中500条数据展。
模型预测之后需要对流量序列的预测效果评估,本方案使用专业的时间序列拟合评估方法SMAPE评估方法,其表达式为:
SMAPE值的取值区间在(0,2),越接近0说明拟合效果越好,本发明的最终结果为SMAPE=0.374完全达到工业应用级别,在多时刻基站流量预测属于业界领先水平。
本方案技术优点:
1)基于GBRT(渐进梯度回归树)算法思路构建时间序列预测模型,模型属于经典的统计学非线性分类模型。相比于神经网络模型GBRT理论完善,稳定性强,便于后期维护。
2)算法数据特征简单易获取,基站上下行流量历史数据和基站本身的工参便于获取,数据获取的可持续性得以保障。
3)本发明实现多时刻流量时间序列预测,并达到SMAPE指标0.374的精度,完全可以满足运营商应用需求。
4)本发明模型之间符合独立同分布,故可以实现模型的并行训练和预测,
满足模型快速成型和部署。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,而这些修改或替换,并还使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (13)
1.基站流量多时刻预测方法包括,
提取数据的历史特征步骤,从基站历史流量数据和基站工参中提取基站的时间特征和空间特征;
构建和训练模型步骤,将提取的数据历史特征输入算法函数,使用并行计算训练梯度提升算法;
模型效果评估步骤,并行预测多时刻结果输出;其中,
构建模型步骤包括GBRT通过多轮迭代,每轮迭代产生一个弱分类器,每个分类器在上一轮分类器的残差基础上进行训练,其中弱分类器采用回归树CART算法;所述训练模型步骤包括给定数据集D=﹛(x1,y1),(x2,y2),…,(xn,yn)﹜,其中x表示特征集合,y表示标签并且是连续变量,模型一共训练M轮,最终模型可以表示为,
其中,T(x;θm)表示单棵CART回归树的模型;
所述CART回归树误差采用的评判方式为平方误差,总目标函数为,
Fm-1(x)为当前的模型,L损失函数定义方式是以平方误差之和为总损失值。
2.根据权利要求1所述的基站流量多时刻预测方法,其特征在于,所述提取数据的历史特征步骤包括,将历史流量数据中的流量上行历史数据作为总特征。
3.根据权利要求2所述的基站流量多时刻预测方法,其特征在于,所述总特征构造包括流量特征、基站时间特征、基站空间特征和上行/下行流量值,其中总特征为时间序列流量特征和基站的时空特征构成的向量,Label为待预测的上行/下行流量值的标量。
4.根据权利要求3所述的基站流量多时刻预测方法,其特征在于,存在缺失值的时间序列流量数据采用牛顿差值法进行填补。
5.根据权利要求4所述的基站流量多时刻预测方法,其特征在于,所述牛顿差值法包括,构建所有阶的差商公式:
……
联立以上的差值多项式f(x)
f(x)=f(x1)-(x-x1)f(x2,x1)+(x-x1)(x-x2)f(x3,x2,x1)+…+(x-x1)(x-x2)...(x-xn-1)f(xn,...,x3,x2,x1)+(x-x1)(x-x2)...(x-xn)f(xn,...,x2,x1,x)
=P(x)+R(x)
其中,(x1,y1),(x2,y2),(x3,y3),...,(xn,yn)为已知的n个流量值点对,
P(x)=f(x1)-(x-x1)f(x2,x1)+(x-x1)(x-x2)f(x3,x2,x1)+…+(x-x1)(x-x2)...(x-xn-1)f(xn,...,x3,x2,x1)
R(x)=(x-x1)(x-x2)...(x-xn)f(xn,...,x3,x2,x1)
P(x)为牛顿差值逼近函数,R(x)为误差函数,将缺失的函数值对应的流量数据时刻点x代入插值多项式得到缺失值的流量数据近似值f(x)。
6.根据权利要求5所述的基站流量多时刻预测方法,其特征在于,当插值补缺操作后部分时间段的基站流量值变化波动,还包括对流量数据取对数变换处理,使不具备正态分布的数据变换为具有正态分布的数据。
7.根据权利要求1所述的基站流量多时刻预测方法,其特征在于,所述时间特征依据流量时间序列小波变换获得。
8.根据权利要求7所述的基站流量多时刻预测方法,其特征在于,采取小波变换对时间特征分析提取周期特征。
9.根据权利要求8所述的基站流量多时刻预测方法,其特征在于,小波变换提取低频带的信号f(t)的二阶小波分解表示为,
f(t)=Aj+∑Dj
其中,A是近似信号,为低频信号是周期信息提取的来源;D是细节信号,为高频信号。
10.根据权利要求9所述的基站流量多时刻预测方法,其特征在于,基站流量数据的周期取24和7。
11.根据权利要求10所述的基站流量多时刻预测方法,其特征在于,还包括对周期特征做离散化处理。
12.根据权利要求8所述的基站流量多时刻预测方法,其特征在于,还包括对所述基站空间特征不同的信息进行编码,其中,基站类型采用One-Hot编码的方式为基站类型赋值,该基站类型包括宏站编码为100、室分站编码为010、微站编码为001;对覆盖场景数据,采用Label-Encoder编码的方式对区域进行编码。
13.根据权利要求8所述的基站流量多时刻预测方法,其特征在于,经纬度属性的基站空间特性经纬度属性采用经纬度坐标作为站点的位置属性参与计算,方向角、天线挂高参数直接参与计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910120074.1A CN110621026B (zh) | 2019-02-18 | 2019-02-18 | 一种基站流量多时刻预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910120074.1A CN110621026B (zh) | 2019-02-18 | 2019-02-18 | 一种基站流量多时刻预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110621026A CN110621026A (zh) | 2019-12-27 |
CN110621026B true CN110621026B (zh) | 2023-09-05 |
Family
ID=68921108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910120074.1A Active CN110621026B (zh) | 2019-02-18 | 2019-02-18 | 一种基站流量多时刻预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110621026B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112235152B (zh) * | 2020-09-04 | 2022-05-10 | 北京邮电大学 | 流量大小估算方法和装置 |
CN112801411B (zh) * | 2021-02-26 | 2024-02-09 | 南京工业大学 | 一种基于生成对抗网络的网络流量预测方法 |
CN115225518B (zh) * | 2021-03-29 | 2024-04-12 | 中国移动通信集团福建有限公司 | 一种基站流量处理方法、装置及网络设备 |
CN113964853A (zh) * | 2021-10-14 | 2022-01-21 | 广东电网有限责任公司 | 一种5g宏基站群优化调度方法、装置、介质及终端设备 |
CN114422059B (zh) * | 2022-01-24 | 2023-01-24 | 清华大学 | 信道预测方法、装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2632223A1 (en) * | 2012-02-24 | 2013-08-28 | NTT DoCoMo, Inc. | Apparatus and method for scheduling transmission resources to users served by a base station using a prediction of rate regions |
CN105471631A (zh) * | 2015-11-17 | 2016-04-06 | 重庆大学 | 基于流量趋势的网络流量预测方法 |
WO2017000557A1 (zh) * | 2015-06-30 | 2017-01-05 | 东南大学 | 一种异构网络中基于流量预测的基站休眠方法 |
WO2017202226A1 (zh) * | 2016-05-23 | 2017-11-30 | 中兴通讯股份有限公司 | 人群流量的确定方法及装置 |
CN108495341A (zh) * | 2018-02-08 | 2018-09-04 | 西安电子科技大学 | 一种基于流向预测的资源预留方法及系统、移动通信系统 |
CN108848520A (zh) * | 2018-05-28 | 2018-11-20 | 西安交通大学 | 一种基于流量预测与基站状态的基站休眠方法 |
CN108901033A (zh) * | 2018-06-20 | 2018-11-27 | 南京邮电大学 | 基于回声状态网络的基站流量预测方法 |
WO2018214060A1 (zh) * | 2017-05-24 | 2018-11-29 | 北京质享科技有限公司 | 一种城市小尺度空气质量指数预测方法与系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9204319B2 (en) * | 2014-04-08 | 2015-12-01 | Cellco Partnership | Estimating long term evolution network capacity and performance |
CN107360048A (zh) * | 2016-05-09 | 2017-11-17 | 富士通株式会社 | 节点性能评估方法、装置和系统 |
-
2019
- 2019-02-18 CN CN201910120074.1A patent/CN110621026B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2632223A1 (en) * | 2012-02-24 | 2013-08-28 | NTT DoCoMo, Inc. | Apparatus and method for scheduling transmission resources to users served by a base station using a prediction of rate regions |
WO2017000557A1 (zh) * | 2015-06-30 | 2017-01-05 | 东南大学 | 一种异构网络中基于流量预测的基站休眠方法 |
CN105471631A (zh) * | 2015-11-17 | 2016-04-06 | 重庆大学 | 基于流量趋势的网络流量预测方法 |
WO2017202226A1 (zh) * | 2016-05-23 | 2017-11-30 | 中兴通讯股份有限公司 | 人群流量的确定方法及装置 |
WO2018214060A1 (zh) * | 2017-05-24 | 2018-11-29 | 北京质享科技有限公司 | 一种城市小尺度空气质量指数预测方法与系统 |
CN108495341A (zh) * | 2018-02-08 | 2018-09-04 | 西安电子科技大学 | 一种基于流向预测的资源预留方法及系统、移动通信系统 |
CN108848520A (zh) * | 2018-05-28 | 2018-11-20 | 西安交通大学 | 一种基于流量预测与基站状态的基站休眠方法 |
CN108901033A (zh) * | 2018-06-20 | 2018-11-27 | 南京邮电大学 | 基于回声状态网络的基站流量预测方法 |
Non-Patent Citations (1)
Title |
---|
Real time peripheral arterial flow and wall properties derived by pulse waveform analysis and B-mode ultrasound imaging;D.f.moore;《 Proceedings 14th IEEE Symposium on Computer-Based Medical Systems. CBMS 2001》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110621026A (zh) | 2019-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110621026B (zh) | 一种基站流量多时刻预测方法 | |
Sun et al. | A novel wavelet-SVM short-time passenger flow prediction in Beijing subway system | |
Nikravesh et al. | Mobile network traffic prediction using MLP, MLPWD, and SVM | |
CN110647900B (zh) | 基于深度神经网络的安全态势智能预测方法、装置及系统 | |
CN107992447A (zh) | 一种应用于河流水位预测数据的特征选择分解方法 | |
CN112512069B (zh) | 基于信道波束图样的网络智能优化方法及装置 | |
CN109376906B (zh) | 基于多维度轨迹的出行时间预测方法、系统及电子设备 | |
CN111435463A (zh) | 数据处理方法及相关设备、系统 | |
CN110909928B (zh) | 能源负荷短期预测方法、装置、计算机设备及存储介质 | |
CN103020459A (zh) | 一种多维度用电行为的感知方法及系统 | |
CN112613657B (zh) | 风电场短期风速预测方法 | |
CN116307291B (zh) | 一种基于小波分解的分布式光伏发电预测方法及预测终端 | |
CN115906954A (zh) | 一种基于图神经网络的多变量时间序列预测方法及装置 | |
Nourani et al. | A new hybrid algorithm for rainfall–runoff process modeling based on the wavelet transform and genetic fuzzy system | |
CN112396231A (zh) | 针对时空数据的建模方法、装置、电子设备及可读介质 | |
CN116451553A (zh) | 一种改进的变分模态分解与BiGRU融合的水质预测方法 | |
Wang et al. | Improved prediction method of PV output power based on optimised chaotic phase space reconstruction | |
CN115915364A (zh) | 通信基站的节能方法、装置、计算机可读介质及设备 | |
Duan et al. | Base station traffic prediction based on STL-LSTM networks | |
Kosana et al. | Hybrid wind speed prediction framework using data pre-processing strategy based autoencoder network | |
Li et al. | Electricity consumption behaviour analysis based on adaptive weighted‐feature K‐means‐AP clustering | |
Kosana et al. | A novel hybrid framework for wind speed forecasting using autoencoder‐based convolutional long short‐term memory network | |
CN110020739A (zh) | 用于数据处理的方法、装置、电子设备及计算机可读介质 | |
Fan et al. | Long‐term intuitionistic fuzzy time series forecasting model based on vector quantisation and curve similarity measure | |
Baddour et al. | Spectrum occupancy prediction for land mobile radio bands using a recommender system |
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 |