CN110880987A - 一种基于时间特征的分组域网络容量预测方法及系统 - Google Patents

一种基于时间特征的分组域网络容量预测方法及系统 Download PDF

Info

Publication number
CN110880987A
CN110880987A CN201911080660.4A CN201911080660A CN110880987A CN 110880987 A CN110880987 A CN 110880987A CN 201911080660 A CN201911080660 A CN 201911080660A CN 110880987 A CN110880987 A CN 110880987A
Authority
CN
China
Prior art keywords
prediction
data
network
module
function
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.)
Pending
Application number
CN201911080660.4A
Other languages
English (en)
Inventor
嵇夏
谢俊涛
刘冬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhong Tong Clothing Consulting And Design Research Institute Co Ltd
Original Assignee
Zhong Tong Clothing Consulting And Design Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhong Tong Clothing Consulting And Design Research Institute Co Ltd filed Critical Zhong Tong Clothing Consulting And Design Research Institute Co Ltd
Priority to CN201911080660.4A priority Critical patent/CN110880987A/zh
Publication of CN110880987A publication Critical patent/CN110880987A/zh
Pending legal-status Critical Current

Links

Images

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于时间特征的分组域网络容量预测方法及系统，所述方法包括如下步骤：步骤1，建立符合移动通信分组域实际情况的时间特征模型；步骤2，对网络容量和用户数进行预测，从而完成网络容量规划。本发明充分考虑分组域容量、用户数预测的时间特征，按照节假日预测、平常时间预测和网络突发事件时间点预测三种情况，这样结合时间特征并使用曲线拟合函数进行拟合预测网络容量、用户数，能很好的符合网络测量规划实践中的实际情况。

Description

一种基于时间特征的分组域网络容量预测方法及系统
技术领域
本发明涉及核心网\分组域\网络容量规划技术领域，尤其涉及一种基于时间特征的分组域网络容量预测方法及系统。
背景技术
在当前的分组域网络容量规划领域，通常采用预测用户数+话务模型的方法来确定网络的整体需求(即通过将用户数和话务模型中各参数代入到接口流量计算公式中，计算出最终的接口带宽需求)，其中预测用户数常根据市场部门的推广计划来确定，话务模型通常为统一的、相对固定的模型，通过此方法计算出的网络需求往往与实际需求相差较大。
现有的分组域网络容量预测的方案，存在缺陷如下：现有的分组域容量、用户数预测模型基本都是静态模型通过理论计算获得，不能很好的反映网络和用户情况的动态变化。特别是，没有按照不同情况和时间特征进行分类预测，导致预测的容量、用户数与客观实际中的值存在较大的差异和波动性，不能很好的进行网络容量预测并指导分组域网络的规划、建设，从而造成网络负荷过大或设备资源利用率过低。
发明内容
发明目的：本申请提案要解决的问题：充分考虑分组域容量、用户数预测的时间特征，按照节假日预测、平常时间预测和网络突发事件时间点预测三种情况，这样结合时间特征并使用曲线拟合函数进行拟合预测网络容量、用户数，能很好的符合网络测量规划实践中的实际情况。
本发明提供了一种基于时间特征的分组域网络容量预测方法(时间特征即为采样数据按时间序列排列)，包括如下步骤：
步骤1，建立符合移动通信分组域实际情况的时间特征模型；
步骤2，对网络容量和用户数进行预测，从而完成网络容量规划。
步骤1包括：建立如下符合移动通信分组域实际情况的时间特征模型：
Figure BDA0002263848950000011
其中，函数Pn(x)为拟合函数，当拟合函数为多项式时，称为多项式曲线拟合；(xi,yi)表示给定的数据，(xi,yi)表示给定的数据，即时间点xi对应的采样数值为yi，采样数值可以是分组域相应接口流量值、可以是激活用户数等等，i＝0,1,2,3,…,m，m表示给定的数据总数。
步骤1中，拟合函数Pn(x)满足：
Figure BDA0002263848950000021
其中，
Figure BDA0002263848950000022
为多项式函数类。
步骤2包括：
步骤2-1，根据步骤1的时间特征模型，计算曲线拟合多项式函数；
步骤2-2，根据步骤2-1得到的曲线拟合多项式函数进行曲线拟合，然后进行数据预测。
步骤2-1包括：
步骤2-1-1，建立如下矩阵形式的正规方程组：
Figure BDA0002263848950000023
步骤2-1-2，进行一次曲线拟合：设定一次拟合函数如下：
Y＝a0+a1x+ε，
其中Y是预测对象，x是主要影响因素，a0、a1为回归常数，ε为回归余项(误差项)，对步骤2-1-1的正规方程组化简，得到两个以a0、a1为参数的方程：
Figure BDA0002263848950000024
Figure BDA0002263848950000031
求解上述方程得到回归常数a0、a1，表示如下：
Figure BDA0002263848950000032
Figure BDA0002263848950000033
步骤2-1-3，进行二次曲线拟合：设定二次拟合函数如下：
Y＝a0+a1x+a2x2+ε，
其中Y是预测对象，x是主要影响因素，a0、a1、a2为回归常数；求解二次拟合函数系数的矩阵正规方程组如下：
Figure BDA0002263848950000034
对这个矩阵正规方程进行化简，得到以a0、a1、a2为参数的方程组：
Figure BDA0002263848950000035
Figure BDA0002263848950000036
Figure BDA0002263848950000037
根据(xi,yi)，分别计算求和
Figure BDA0002263848950000041
Figure BDA0002263848950000042
将这七个求和值代入上述以a0、a1、a2为参数的方程组，求解出系数a0、a1、a2，并进一步求解二次拟合函数Y＝a0+a1x+a2x2及其相关系数；
步骤2-1-4，根据指定的xi+n，结合步骤2-1-3解出的系数a0、a1、a2，代入步骤2-1-3的二次拟合函数，计算对应的预测值yi+n。
步骤2-1-4包括：根据分组域网络使用情况的时间特征，分三种情况进行预测：如果是节假日则利用往年相同节假日数据进行曲线拟合预测，同时利用当年度的其他节假日做类比预测，即历史节假日数据单独组成时间序列，并计算出节假日相对应的拟合函数；如果是日常工作日并且没有突发事件，则利用日常测量数据进行日常预测；若是日常工作日且存在有突发情况的，则在日常历史数据预测的基础上，引入突发情况强度参数ε，进行突发情况预测(突发时间无法准确预测，引入的突发强度参数通过人工方式指定)，三种情况下使用的曲线拟合函数为公式1)、2)、3)、4)和5)。
本发明还提供了一种基于时间特征的分组域网络容量预测系统，包括数据采集和设置模块、分布式存储模块、数据预处理模块、业务预测模块、计算网络模型模块、网络汇总分析模块和网络容量规划模块；
其中，所述数据采集和设置模块，用于，设置测量参数和采集网络数据，所述设置测量参数包括设置附着用户数、激活用户数、Gn/Gi/GB/IuPS口流量和防火墙会话；
所述分布式存储模块，用于，对采集的网络数据进行分布式存储；
所述数据预处理模块，用于，将测量参数对应的统计数据(xi,yi)分别按时间先后顺序分别组成n个时间序列，并对时间序列进行异常数据、噪点识别消除；(xi,yi)表示给定的数据，即时间点xi对应的统计数据为yi，统计数据可通过上级统一网管系统定时采集或者业务部门提供本城市、省份网络相应的数据，这些数据就是上述xi,yi对应的数据；
所述业务预测模块，用于，根据分组域网络使用情况的时间特征(此处时间特征即为上述拟合结果多项式，因为按时间序列处理，那此结果必然跟时间关联即时间特征)，分三种情况进行预测：如果是节假日则利用往年相同节假日数据进行曲线拟合预测，同时利用当年度的其他节假日做类比预测；如果是日常工作日并且没有突发事件，则利用日常测量数据进行日常预测；若是日常工作日且存在有突发情况的，则在日常历史数据预测的基础上，引入突发情况强度参数ε，进行突发情况预测；
所述计算网络模型模块，用于，以网管统计数据为依据，使用时间序列法随着测量数据的变化而动态循环迭代，得出优化后的网元模型；随着时间的增长，统计数据点不断增多，如定义现在预测2020年1月的数据为A，等到2020年1月真实获取到的数据为B，比较A和B的偏差可后评估模型的准确性，同时随着真实数据数据B加入时间序列，上述拟合函数的参数也会产生变化，即为动态迭代过程，长此以往上述拟合函数(即网元模型)会越来越准确；
所述网络汇总分析模块，用于，根据测量的历史数据(可通过上级统一网管系统定时采集或者业务部门提供等多种方式获取相应数据，这些数据就是上述xi,yi对应的数据)，对MME/SGSN网元、SAEGW/GGSN网元、CG网元和防火墙进行汇总分析；
所述网络容量规划模块，用于，根据业务预测模块、计算网络模型模块、网络汇总分析模块的结果，进行网络容量规划，通过最终拟合得到的多项式，代入规划满足期的时间点X，即可得到相应的Y值，如果此多项式的统计数据是网络接口的流量值，那此处Y值即为规划期的网络接口流量值。
所述业务预测模块进行三种情况的预测时，具体使用如下曲线拟合函数进行业务预测：
Figure BDA0002263848950000051
Figure BDA0002263848950000052
Figure BDA0002263848950000053
Figure BDA0002263848950000054
Figure BDA0002263848950000061
同时，所述业务预测模块进行预测数据的异常评估、修正，随着时间的增长，统计数据点不断增多，如定义现在预测2020年1月的数据为A，等到2020年1月真实获取到的数据为B，比较A和B的偏差可后评估模型的准确性，同时随着真实数据数据B加入时间序列，上述拟合函数的参数也会产生变化，即为动态迭代过程，长此以往上述拟合函数(即网元模型)会越来越准确)。其中，a0、a1、a2为回归常数。
有益效果：通过本发明方法，通过本城市网络数据生成的网络模型(拟合函数)符合本城市网络的时间特征，避免了以往采用的全国统一网络模型带来的地区规划结果与本城市实际业务发展趋势不一致情形，同时本发明实现了终端用户数和网络的解绑，提高了规划结果的准确性。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和/或其他方面的优点将会变得更加清楚。
图1是容量预测计算模型用流程图。
具体实施方式
本申请提案设计的分组域网络容量预测方法，主要包括两个方面的内容：1)建立符合移动通信分组域实际情况的时间特征模型；2)使用多项式曲线拟合算法、时间序列算法、自主设置参数对网络容量/用户数进行预测，从而进行网络容量规划。
本发明将分组域网络容量预测按照时间特征进行划分，分为日常预测、突发事件情况预测和节假日预测三种情况。对日常时间特征的情况，使用网管日常数据进行预测；对突发事件时间特征的情况，根据以往的突发时间经验和历史数据，引入突发情况强度变量进行预测；对于节假日时间特征的情况，一方面，根据往年节假日的历史数据进行预测，另一方面，根据当年其他节假日的数据系列进行类比预测。所使用的预测算法为多项式曲线拟合模型，定义如下。
定义1给定数据点(xi,yi)(i＝0,1,2,3,…,m)(以GSM网络PDP激活次数为例)，存在函数
Figure BDA0002263848950000062
为多项式函数类，使得：
Figure BDA0002263848950000071
则函数Pn(x)为拟合函数；当拟合函数为多项式时，称为多项式曲线拟合。
将曲线拟合引入到移动分组域业务分析预测模型中，并进行业务数据预测。设定有实验数据系列(xi,yi)，计算曲线拟合多项式函数时，可以先写出正规方程组，再求解多项式系数序列(a1,a2,...,an)，从而得出多项式函数。正规方程组用矩阵形式表示如下：
Figure BDA0002263848950000072
根据移动分组域网管系统的实时测量数据，可以从中获取一段时间内(例如1×24小时、7×24小时、1个月甚至1年内)的实验测量数据，记为：(xi,yi)(i＝1,2,3,…,m)，xi、yi表示第i次的实验数据，m为实验次数，即样本容量。数据如表1所示。
表1
时间：x<sub>i</sub> 2G PDP激活次数：y<sub>i</sub>
2018-09-26 00:00:00 303619
2018-09-27 00:00:00 285269
2018-09-28 00:00:00 294512
2018-09-29 00:00:00 293012
利用这些数据，根据曲线拟合的多项式最优解原理，可以计算拟合多项式的系数序列(a0,a1,a2,...,an)。
一次曲线拟合。设定一次拟合函数如下：
Y＝a0+a1x+ε，
其中Y是预测对象，x是主要影响因素，a0、a1为回归常数，ε为回归余项，ε∝N(0,σ2)；对上面的矩阵正规方程进行化简，得到两个以a0、a1为参数的方程：
Figure BDA0002263848950000081
Figure BDA0002263848950000082
求解这个方程组得到回归常数a0、a1，表示如下：
Figure BDA0002263848950000083
Figure BDA0002263848950000084
求解得a0＝299747.49974914,a1＝-2257.79991809
二次曲线拟合：设定有实验数据系列(xi,yi)(i＝1,2,3,…,m)，采用二次函数拟合：
Y＝a0+a1x+a2x2+ε，
其中Y是预测对象，x是主要影响因素，a0、a1、a2为回归常数，ε为回归余项，ε∝N(0,σ2)。
计算二次拟合函数时，先写出其正规方程组，再求解系数序列(a1,a2,...,an)，从而得出拟合函数。求解二次拟合函数系数的矩阵正规方程组如下：
Figure BDA0002263848950000091
对这个矩阵正规方程进行化简，得到以a0、a1、a2为参数的方程组：
Figure BDA0002263848950000092
Figure BDA0002263848950000093
Figure BDA0002263848950000094
根据实验数据系列(xi,yi)，分别计算求和
Figure BDA0002263848950000095
Figure BDA0002263848950000096
将这七个求和值代入上面的方程组，求解出系数a0、a1、a2，(a0＝320809.99761447,a1＝-23320.2973255,a2＝4212.49942657)并进一步求解二次拟合函数Y＝a0+a1x+a2x2及其相关系数。然后可以根据所求函数进行曲线拟合，并进行数据分析预测，例如，根据指定的xi+1＝2018-09-30 00:00:00，代入上述多项式计算对应的预测值Y＝309520等。
在拟合过程中，拟合的多项式曲线不可能全部通过每个实验数据点(xi,yi)，可以用相关系数、统计量、剩余标准偏差来判断函数式的好坏，其中，相关系数表示如下:
Figure BDA0002263848950000097
具体的容量预测计算模型用流程图表示如图1所示。根据上述流程图，系统实现包括下面的主要步骤：
步骤1：进行测量参数设置，采集网络数据。包括附着用户数、激活用户数、Gn/Gi/GB/IuPS口流量、防火墙会话数等分组域系统运行的关键参数，通常以小时为粒度；
步骤2：对采集的原始、海量数据进行分布式存储；
步骤3：对数据清洗、分类等预处理。将各关键参数对应的统计数据分别按时间先后顺序分别组成n个时间序列Z(t)＝{z(t1),z(t2)…,z(ti)}(ti表示第i个时间点)，并对时间序列进行异常数据、噪点识别消除。
步骤4：进行容量/用户数业务预测。根据分组域网络使用情况的时间特征，分三种情况进行预测。如果是节假日则利用往年相同节假日数据进行曲线拟合预测，同时利用当年度的其他节假日做类比预测；如果是日常工作日并且没有突发事件，则利用日常测量数据进行日常预测；若是日常工作日且存在有突发情况的，则在日常历史数据预测的基础上，引入突发情况强度参数ε(可以由管理员设置强度大小)，进行突发情况预测。预测使用的曲线拟合函数系数计算见上面的公式1)、2)、3)、4)、5)。根据求出的拟合函数进行业务预测；同时进行预测数据的异常评估、修正。
步骤5：计算网络模型。以网管统计数据为依据，随着时间的推移，统计时间段随之延长，使用时间序列法随着测量数据的变化而动态循环迭代，得出优化后的网元模型。
步骤6：进行网络汇总分析。主要是根据测量的历史数据，对MME/SGSN网元、SAEGW/GGSN网元、CG网元和防火墙等进行汇总分析，包括不限于：忙时平均每附着用户附着次数、CSFB用户比例、忙时平均每附着用户TAU总次数、忙时平均每附着用户TAU次数(LTE内)、忙时平均每附着用户TAU次数(系统间)、忙时平均每附着用户去附着次数、忙时平均每附着用户业务请求总次数等。
步骤7：进行网络容量规划。根据上面步骤4)进行的容量/用户数预测、步骤5)进行的核心网网元模型计算、步骤6)进行的网络分析汇总结果，进行网络容量规划。
本发明提供了一种基于时间特征的分组域网络容量预测方法及系统，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (8)

1.一种基于时间特征的分组域网络容量预测方法，其特征在于，包括如下步骤：
步骤1，建立符合移动通信分组域实际情况的时间特征模型；
步骤2，对网络容量和用户数进行预测，从而完成网络容量规划。
2.根据权利要求1所述的方法，其特征在于，步骤1包括：建立如下符合移动通信分组域实际情况的时间特征模型：
Figure RE-FDA0002348831720000011
其中，函数Pn(x)为拟合函数，当拟合函数为多项式时，称为多项式曲线拟合；ak表示可调整参数；(xi,yi)表示给定的数据，即时间点xi对应的采样数值为yi，i＝0,1,2,3,…,m，m表示给定的数据总数。
3.根据权利要求2所述的方法，其特征在于，步骤1中，拟合函数Pn(x)满足：
Figure RE-FDA0002348831720000012
其中，
Figure RE-FDA0002348831720000013
为多项式函数类。
4.根据权利要求3所述的方法，其特征在于，步骤2包括：
步骤2-1，根据步骤1的时间特征模型，计算曲线拟合多项式函数；
步骤2-2，根据步骤2-1得到的曲线拟合多项式函数进行曲线拟合，然后进行数据预测。
5.根据权利要求4所述的方法，其特征在于，步骤2-1包括：
步骤2-1-1，建立如下矩阵形式的正规方程组：
Figure RE-FDA0002348831720000014
步骤2-1-2，进行一次曲线拟合：设定一次拟合函数如下：
Y＝a0+a1x+ε，
其中Y是预测对象，x是主要影响因素，a0、a1为回归常数，ε为回归余项，对步骤2-1-1的正规方程组化简，得到两个以a0、a1为参数的方程：
Figure RE-FDA0002348831720000021
Figure RE-FDA0002348831720000022
求解上述方程得到回归常数a0、a1，表示如下：
Figure RE-FDA0002348831720000023
Figure RE-FDA0002348831720000024
步骤2-1-3，进行二次曲线拟合：设定二次拟合函数如下：
Y＝a0+a1x+a2x2+ε，
其中Y是预测对象，x是主要影响因素，a0、a1、a2为回归常数；
求解二次拟合函数系数的矩阵正规方程组如下：
Figure RE-FDA0002348831720000025
对这个矩阵正规方程进行化简，得到以a0、a1、a2为参数的方程组：
Figure RE-FDA0002348831720000031
Figure RE-FDA0002348831720000032
Figure RE-FDA0002348831720000033
根据(xi,yi)，分别计算求和
Figure RE-FDA0002348831720000034
Figure RE-FDA0002348831720000035
将这七个求和值代入上述以a0、a1、a2为参数的方程组，求解出系数a0、a1、a2，并进一步求解二次拟合函数Y＝a0+a1x+a2x2及其相关系数；
步骤2-1-4，根据指定的xi+n，结合步骤2-1-3解出的系数a0、a1、a2，代入步骤2-1-3的二次拟合函数，计算对应的预测值yi+n。
6.根据权利要求5所述的方法，其特征在于，步骤2-1-4包括：根据分组域网络使用情况的时间特征，分三种情况进行预测：如果是节假日则利用往年相同节假日数据进行曲线拟合预测，同时利用当年度的其他节假日做类比预测，即历史节假日数据单独组成时间序列，并计算出节假日相对应的拟合函数；如果是日常工作日并且没有突发事件，则利用日常测量数据进行日常预测；若是日常工作日且存在有突发情况的，则在日常历史数据预测的基础上，引入突发情况强度参数ε，进行突发情况预测，三种情况下使用的曲线拟合函数为公式1)、2)、3)、4)和5)。
7.一种基于时间特征的分组域网络容量预测系统，其特征在于，包括数据采集和设置模块、分布式存储模块、数据预处理模块、业务预测模块、计算网络模型模块、网络汇总分析模块和网络容量规划模块；
其中，所述数据采集和设置模块，用于，设置测量参数和采集网络数据，所述设置测量参数包括设置附着用户数、激活用户数、Gn/Gi/GB/IuPS口流量和防火墙会话；
所述分布式存储模块，用于，对采集的网络数据进行分布式存储；
所述数据预处理模块，用于，将测量参数对应的统计数据(xi,yi)分别按时间先后顺序分别组成n个时间序列，并对时间序列进行异常数据、噪点识别消除；(xi,yi)表示给定的数据，即时间点xi对应的统计数据为yi，，i＝0,1,2,3,…,m，m表示给定的数据总数；
所述业务预测模块，用于，根据分组域网络使用情况的时间特征，分三种情况进行预测：如果是节假日则利用往年相同节假日数据进行曲线拟合预测，同时利用当年度的其他节假日做类比预测；如果是日常工作日并且没有突发事件，则利用日常测量数据进行日常预测；若是日常工作日且存在有突发情况的，则在日常历史数据预测的基础上，引入突发情况强度参数ε，进行突发情况预测；
所述计算网络模型模块，用于，以网管统计数据为依据，使用时间序列法随着测量数据的变化而动态循环迭代，得出优化后的网元模型；
所述网络汇总分析模块，用于，根据测量的历史数据，对MME/SGSN网元、SAEGW/GGSN网元、CG网元和防火墙进行汇总分析；
所述网络容量规划模块，用于，根据业务预测模块、计算网络模型模块、网络汇总分析模块的结果，进行网络容量规划。
8.根据权利要求7所述的系统，其特征在于，所述业务预测模块进行三种情况的预测时，具体使用如下曲线拟合函数进行业务预测：
Figure RE-FDA0002348831720000041
Figure RE-FDA0002348831720000042
Figure RE-FDA0002348831720000043
Figure RE-FDA0002348831720000044
Figure RE-FDA0002348831720000045
同时，所述业务预测模块进行预测数据的异常评估、修正；其中，a0、a1、a2为回归常数。
CN201911080660.4A 2019-11-07 2019-11-07 一种基于时间特征的分组域网络容量预测方法及系统 Pending CN110880987A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911080660.4A CN110880987A (zh) 2019-11-07 2019-11-07 一种基于时间特征的分组域网络容量预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911080660.4A CN110880987A (zh) 2019-11-07 2019-11-07 一种基于时间特征的分组域网络容量预测方法及系统

Publications (1)

Publication Number Publication Date
CN110880987A true CN110880987A (zh) 2020-03-13

Family

ID=69728902

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911080660.4A Pending CN110880987A (zh) 2019-11-07 2019-11-07 一种基于时间特征的分组域网络容量预测方法及系统

Country Status (1)

Country Link
CN (1) CN110880987A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112688821A (zh) * 2021-01-28 2021-04-20 中国铁塔股份有限公司 网络容量预测方法、装置及电子设备
CN113938869A (zh) * 2020-07-14 2022-01-14 中国联合网络通信集团有限公司 应急通信方法、装置及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150172157A1 (en) * 2013-12-12 2015-06-18 Huawei Technologies Co., Ltd. Method and apparatus for determining data flow rate on service access port
CN105656709A (zh) * 2014-11-21 2016-06-08 中国移动通信集团广东有限公司 分组域网络容量的预测方法及装置
CN105871575A (zh) * 2015-01-21 2016-08-17 中国移动通信集团河南有限公司 一种核心网元的负荷预警方法及装置
CN109495318A (zh) * 2018-12-17 2019-03-19 广东宜通世纪科技股份有限公司 一种移动通信网络流量预测方法、装置及可读存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150172157A1 (en) * 2013-12-12 2015-06-18 Huawei Technologies Co., Ltd. Method and apparatus for determining data flow rate on service access port
CN105656709A (zh) * 2014-11-21 2016-06-08 中国移动通信集团广东有限公司 分组域网络容量的预测方法及装置
CN105871575A (zh) * 2015-01-21 2016-08-17 中国移动通信集团河南有限公司 一种核心网元的负荷预警方法及装置
CN109495318A (zh) * 2018-12-17 2019-03-19 广东宜通世纪科技股份有限公司 一种移动通信网络流量预测方法、装置及可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
嵇夏: "基于大数据的分组域容量分析系统设计与实现", 《电信快报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113938869A (zh) * 2020-07-14 2022-01-14 中国联合网络通信集团有限公司 应急通信方法、装置及存储介质
CN113938869B (zh) * 2020-07-14 2023-06-20 中国联合网络通信集团有限公司 应急通信方法、装置及存储介质
CN112688821A (zh) * 2021-01-28 2021-04-20 中国铁塔股份有限公司 网络容量预测方法、装置及电子设备

Similar Documents

Publication Publication Date Title
CN107220732B (zh) 一种基于梯度提升树的停电投诉风险预测方法
CN107844848B (zh) 一种区域人流量预测方法及系统
CN108520357B (zh) 一种线损异常原因的判别方法、装置及服务器
Babel et al. A multivariate econometric approach for domestic water demand modeling: an application to Kathmandu, Nepal
CN106685674B (zh) 网络事件预测以及建立网络事件预测模型的方法和装置
CN108573323B (zh) 能源互联网用户用电量预测方法、系统、设备及存储介质
CN106803799B (zh) 一种性能测试方法和装置
CN111582568B (zh) 基于电力数据的春节期间企业复工预测方法
CN111199018A (zh) 异常数据检测方法、装置、存储介质及电子设备
TWI505667B (zh) 完成有關於通訊網路節點之預測分析的方法與系統
CN112101692B (zh) 移动互联网质差用户的识别方法及装置
CN110880987A (zh) 一种基于时间特征的分组域网络容量预测方法及系统
CN104254083B (zh) 预测业务热点的方法及装置
CN104866922A (zh) 一种用户离网的预测方法及装置
CN112200375A (zh) 预测模型生成方法、预测模型生成装置和计算机可读介质
CN112883062A (zh) 一种不基于规则的自定义规则稽查方法
CN111800807A (zh) 一种基站用户数量告警的方法及装置
JP2004023114A (ja) 通信トラヒック予測方法およびその装置
CN101324939A (zh) 基于数据挖掘的新业务市场预测系统及其方法
CN116401601B (zh) 基于逻辑回归模型的停电敏感用户处置方法
CN102737284A (zh) 基于sas系统的多元线性回归法在客流预测的运用
CN114548620A (zh) 物流准时保业务推荐方法、装置、计算机设备和存储介质
CN104978604A (zh) 一种基于业务能力模型的模拟仿真方法和装置
CN104734898A (zh) 一种基于社交网络分析的业务推荐方法和系统
CN104809584A (zh) 变电站巡维方法和系统

Legal Events

Date Code Title Description
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200313

RJ01 Rejection of invention patent application after publication