CN111711957A - 基于流量的站点扩容预测方法、装置及系统 - Google Patents
基于流量的站点扩容预测方法、装置及系统 Download PDFInfo
- Publication number
- CN111711957A CN111711957A CN202010460783.7A CN202010460783A CN111711957A CN 111711957 A CN111711957 A CN 111711957A CN 202010460783 A CN202010460783 A CN 202010460783A CN 111711957 A CN111711957 A CN 111711957A
- Authority
- CN
- China
- Prior art keywords
- site
- capacity expansion
- information
- traffic
- flow
- 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
Images
Classifications
-
- 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
- H04W16/18—Network planning tools
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于流量的站点扩容预测方法、装置及系统,该方法,包括:采集站点资源扩容过程中的站点资源信息,站点包括现有站点和扩容需求站点;根据站点资源信息中的多个关联信息,获取站点资源信息中经纬度信息与流量信息的对应关系,其中至少两项关联信息用来表征站点;根据对应关系、扩容需求站点对应的经纬度信息,得到扩容需求站点的初始预测日流量;根据现有站点的实际日流量、扩容需求站点的初始预测日流量,对扩容需求站点的扩容日流量进行预测。实现了提高站点扩容规划的准确度,同时减少人为参与因素等失误,提高站点扩容规划的有效性。
Description
技术领域
本发明涉及网络通信技术领域,尤其涉及一种基于流量的站点扩容预测方法、装置及系统。
背景技术
随着通信技术的发展,通信网络中的用户越来越多,且由于运营商不限量套餐流量供应的迅猛增长,网络建设需求仍面临较大缺口,故需要通过新建站点来保证用户数据的传输,满足用户需求。
现有技术新建基站的评估过程从覆盖、干扰、网络结构、站址信息、容量、场景等多个维度进行站点评估。
然而利用上述多维度因素评估新建站点的过程,主要通过对网络规划的各个要素进行梳理,基于权重经验公式来进行套用公式计算得到新建站点需求,评估效率低、评估周期长,且准确度不高,故不能完全反应需求站点的情况。
发明内容
本发明提供一种基于流量的站点扩容预测方法、装置及系统,以提高站点扩容规划的准确度,同时减少人为参与因素等失误,提高站点扩容规划的有效性。
第一方面,本发明实施例提供的一种基于流量的站点扩容预测方法,包括:
采集站点资源扩容过程中的站点资源信息,所述站点包括现有站点和扩容需求站点;
根据所述站点资源信息中的多个关联信息,获取所述站点资源信息中经纬度信息与流量信息的对应关系,其中至少两项所述关联信息用来表征所述站点;
根据所述对应关系、所述扩容需求站点对应的经纬度信息,得到所述扩容需求站点的初始预测日流量;
根据现有站点的实际日流量、所述扩容需求站点的初始预测日流量,对所述扩容需求站点的目标扩容日流量进行预测。
在一种可选的实施例中,根据所述站点资源信息中的多个关联信息,获取所述站点资源信息中经纬度信息与流量信息的对应关系,包括:
获取第一时间周期内每日现有资源站点对应的多个关联信息,其中所述关联信息包括4G流量、4G客户数量、4G累计驻留时长、4G无线资源控制RRC用户数量、4G平均每户每月数据流量DOU、4G平均站间距、覆盖范围面积,以及覆盖范围内站点数量;
采用回归cart分析所述多个关联信息,得到现有资源站点经纬度信息与流量信息的对应关系。
在一种可选的实施例中,根据现有站点的实际日流量、所述初始预测日流量,得到扩容需求站点对应的目标扩容日流量,包括:
根据所述第一时间周期内的初始预测日流量,分别设置扩容需求站点周一至周七每日对应的初始日流量标准值;
将初始日流量标准值与需求流量值进行比较,得到修正值;
根据所述修正值,对初始日流量标准值进行修正,得到目标日流量标准值;
将所述目标日流量标准值与所述实际日流量的差值作为原始序列,输入灰度模型中输出扩容需求站点的目标扩容日流量。
在一种可选的实施例中,根据所述修正值,对初始日流量标准值进行修正,得到目标日流量标准值,包括:
根据所述修正值,得到与所述初始日流量标准值对应的指标变化比例值;
若所述指标变化比例值大于0,则将所述初始日流量标准值加上修正步长,得到所述目标日流量标准值;
若所述指标变化比例值小于0,则将所述初始日流量标准值减去修正步长,得到所述目标日流量标准值。
在一种可选的实施例中,在得到所述目标扩容日流量之后,还包括:
根据所述灰度模型中相对误差检查指标条件,检测扩容需求站点所述需求流量值与所述目标预测流量是否符合所述相对误差检查指标条件;
若符合所述相对误差检查指标条件,则确定所述扩容需求站点根据所述目标预测流量进行扩容。
在一种可选的实施例中,在采集站点资源扩容过程中的站点资源信息之后,还包括:
对所有站点资源信息进行处理,将故障站点资源信息进行剔除。
第二方面,本发明实施例提供的一种基于流量的站点扩容预测装置,包括:
采集模块,用于采集站点资源扩容过程中的站点资源信息,所述站点包括现有站点和扩容需求站点;
对应模块,用于根据所述站点资源信息中的多个关联信息,获取所述站点资源信息中经纬度信息与流量信息的对应关系,其中至少两项所述关联信息用来表征所述站点;
得到模块,用于根据所述对应关系、所述扩容需求站点对应的经纬度信息,得到所述扩容需求站点的初始预测日流量;
预测模块,用于根据现有站点的实际日流量、所述扩容需求站点的初始预测日流量,对所述扩容需求站点的扩容日流量进行预测。
在一种可选的实施例中,根据所述站点资源信息中的多个关联信息,获取所述站点资源信息中经纬度信息与流量信息的对应关系,包括:
获取第一时间周期内每日现有资源站点对应的多个关联信息,其中所述关联信息包括4G流量、4G客户数量、4G累计驻留时长、4G无线资源控制RRC用户数量、4G平均每户每月数据流量DOU、4G平均站间距、覆盖范围面积,以及覆盖范围内站点数量;
采用回归cart分析所述多个关联信息,得到现有资源站点经纬度信息与流量信息的对应关系。
在一种可选的实施例中,根据现有站点的实际日流量、所述初始预测日流量,得到扩容需求站点对应的目标扩容日流量,包括:
根据所述第一时间周期内的初始预测日流量,分别设置扩容需求站点周一至周七每日对应的初始日流量标准值;
将初始日流量标准值与需求流量值进行比较,得到修正值;
根据所述修正值,对初始日流量标准值进行修正,得到目标日流量标准值;
将所述目标日流量标准值与所述实际日流量的差值作为原始序列,输入灰度模型中输出扩容需求站点的目标扩容日流量。
在一种可选的实施例中,根据所述修正值,对初始日流量标准值进行修正,得到目标日流量标准值,包括:
根据所述修正值,得到与所述初始日流量标准值对应的指标变化比例值;
若所述指标变化比例值大于0,则将所述初始日流量标准值加上修正步长,得到所述目标日流量标准值;
若所述指标变化比例值小于0,则将所述初始日流量标准值减去修正步长,得到所述目标日流量标准值。
在一种可选的实施例中,在得到所述目标扩容日流量之后,还包括:
根据所述灰度模型中相对误差检查指标条件,检测扩容需求站点所述需求流量值与所述目标预测流量是否符合所述相对误差检查指标条件;
若符合所述相对误差检查指标条件,则确定所述扩容需求站点根据所述目标预测流量进行扩容。
在一种可选的实施例中,在采集站点资源扩容过程中的站点资源信息之后,还包括:
对所有站点资源信息进行处理,将故障站点资源信息进行剔除。
第三方面,本发明实施例提供的一种基于流量的站点扩容预测系统,包括:存储器和处理器,存储器中存储有所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行第一方面中任一项所述的基于流量的站点扩容预测方法。
第四方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面任一项所述的基于流量的站点扩容预测方法。
本发明提供一种基于流量的站点扩容预测方法、装置及系统,该方法,包括:采集站点资源扩容过程中的站点资源信息,所述站点包括现有站点和扩容需求站点;根据所述站点资源信息中的多个关联信息,获取所述站点资源信息中经纬度信息与流量信息的对应关系,其中至少两项所述关联信息用来表征所述站点;根据所述对应关系、所述扩容需求站点对应的经纬度信息,得到所述扩容需求站点的初始预测日流量;根据现有站点的实际日流量、所述扩容需求站点的初始预测日流量,对所述扩容需求站点的扩容日流量进行预测。实现了提高站点扩容规划的准确度,同时减少人为参与因素等失误,提高站点扩容规划的有效性。
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一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一典型应用场景图;
图2为本发明实施例提供的一种基于流量的站点扩容预测方法的流程图;
图3为本发明实施例提供的一种基于流量的站点扩容预测装置结构示意图;
图4为本发明实施例提供的一种基于流量的站点扩容预测系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、、产品或设备固有的其它步骤或单元。
下面以具体地实施例对本发明的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本发明的实施例进行描述。
随着通信技术的发展,通信网络中的用户越来越多,且由于运营商不限量套餐流量供应的迅猛增长,网络建设需求仍面临较大缺口,故需要通过新建站点来保证用户数据的传输,满足用户需求。然而利用多维度因素评估新建站点的过程,主要通过对网络规划的各个要素进行梳理,基于权重经验公式来进行套用计算得到新建站点预测,评估效率低、评估周期长,且准确度不高,故不能完全反应需求站点的情况。
图1为本发明一典型应用场景图,如图1所示,由于运营商不限量套餐流量供应的迅猛增长,网络建设需求仍面临较大缺口,例如现有站点11因不能满足用户流量需求,例如该站点不能满足用户下载视频、音乐等流量要求,故需在该现有站点11就近建立扩容式站点12,以保证用户流量的需求。故需要本发明基于流量的站点扩容预测方法,对扩容需求站点进行预测提高站点扩容规划的准确性、有效性。其中站点类型不仅限于图1的示例,所有站点类型均适用于本发明的实施。
图2为本发明实施例提供的一种基于流量的站点扩容预测方法的流程图,如图2所示,本实施例中基于流量的站点扩容预测方法可以包括:
S201、采集站点资源扩容过程中的站点资源信息,站点包括现有站点和扩容需求站点。
具体的,扩容需求站点可以包括现有站点中不能满足用户需求的流量,例如该站点不能满足用户下载视频、音乐等流量要求,故需要在该站点附近进行扩容需求站点的建立。
本实施例中首先采集站点资源扩容过程中的站点资源信息,其中站点可以包括现有站点和扩容需求站点,可以通过打通与无线网络相关的系统接口,自动采集性能、MR(Measurement Report,测量报告)、信令、测试、经分数据,得到现有站点资源信息;可以通过采集市、区县等地理信息、基站名称、逻辑站名、需求站点编号、经度、纬度、甚至包括需求站点投资成本数据。
S202、根据站点资源信息中的多个关联信息,获取站点资源信息中经纬度信息与流量信息的对应关系,其中至少两项关联信息用来表征站点。
具体的,关联信息包括4G流量、4G客户数量、4G累计驻留时长、4G无线资源控制RRC用户数量、4G平均每户每月数据流量DOU、4G平均站间距、覆盖范围面积,以及覆盖范围内站点数量。例如4G流量与4G客户数量之间没有直接的线性相关性。但参考下表1,如表1中列出站点资源信息中的关联信息,通过对关联信息进行归一处理可以得到至少两项关联信息用来表征站点,且可以获得站点资源信息中经纬度信息与流量信息的对应关系,从而可以根据该两项来表征、研究扩容需求站点,进一步实现扩容式预测规划。
具体的,获取第一时间周期内每日现有资源站点对应的多个关联信息,其中关联信息包括4G流量、4G客户数量、4G累计驻留时长、4G无线资源控制RRC用户数量、4G平均每户每月数据流量DOU、4G平均站间距、覆盖范围面积,以及覆盖范围内站点数量;采用回归cart分析多个关联信息,得到现有资源站点经纬度信息与流量信息的对应关系。
例如采用表1中显示的第一时间周期:8月14日-9月13日,每日现有站点对应的多个关联信息,采用回归cart分析这些关联信息,通过适当的数学运算得到现有站点经纬度信息与流量信息的对应关系,例如参考下表2,即通过站点经纬度信息可以得到流量信息,或者可以通过流量信息得到经纬度信息。在一种可选的实施例中,现有站点可以优选能够满足用户需求的站点,从而提高规划的准确性,以及缩短规划的时间,减少规划成本。本实施例通过采用cart分析关联信息相较其他算法具有更高的准确性,例如采用最小距离的基尼指数估计函数,将当前的关联特征样本集分为两个子样本集,使得生成的的每个非叶子关联节点都有两个分支,预测值即为叶节点目标关联信息的加权均值。
表2
S203、根据对应关系,扩容需求站点对应的经纬度信息,得到扩容站点的初始预测日流量。
结合上述实施例,根据站点资源信息的关联信息可以获得经纬度信息与流量信息的对应关系,且用这两项来表征站点。故本实施例中,根据上述对应关系,以及扩容需求站点对应的经纬度信息,得到扩容需求站点的初始预测日流量,以使后续可以根据扩容需求站点的初始预测日流量对扩容需求站点的扩容流量进行预测。
S204、根据现有站点的实际日流量、扩容需求站点的初始预测日流量,对扩容需求站点的扩容日流量进行预测。
本实施例中可以采用灰度模型根据现有站点的实际日流量,以及扩容需求站点的初始预测日流量,对扩容需求站点的扩容日流量进行预测,以实现扩容需求站点的精准规划,从而弥补现有站点容量不能满足用户需求等情形。
本实施例中通过采集站点资源扩容过程中的站点资源信息,站点包括现有站点和扩容需求站点;根据站点资源信息中的多个关联信息,获取站点资源信息中经纬度信息与流量信息的对应关系,其中至少两项关联信息用来表征站点;根据对应关系、扩容需求站点对应的经纬度信息,得到扩容需求站点的初始预测日流量;根据现有站点的实际日流量、扩容需求站点的初始预测日流量,对扩容需求站点的扩容日流量进行预测。实现了提高站点扩容规划的准确度,同时减少人为参与因素等失误,提高站点扩容规划的有效性。
在图2所示实施例的基础上,根据现有站点的实际日流量、初始预测日流量,得到扩容需求站点对应的目标扩容日流量,可以进一步采用以下方式实现,具体的根据第一时间周期内的初始预测日流量,分别设置扩容需求站点周一至周七每日对应的初始日流量标准值;将初始日流量标准值与需求流量值进行比较,得到修正值;根据修正值,对初始日流量标准值进行修正,得到目标日流量标准值;将目标日流量标准值与实际日流量的差值作为原始序列,输入灰度模型中输出扩容需求站点的目标扩容日流量。
本实施例利用流量具有的周期性特征,将流量信息划分成7类:周一、周二、周三、周四、周五、周六、周日。对每个类型都建立一套独立完整的调整标准,针对流量信息每个分类每个小区每天都有独立的标准值。在一种可选的实施例中,首次建立标准时可以采用表2中将扩容需求站点(经度:112.91819,纬度:28.24359)输入得到流量信息,并采用表2的流量信息分别设置扩容需求站点周一至周七每日对应的初始日流量标准值,在经历一定周期后,周一至周七每个时间点都具备标准值,从而建立了完整的规划预测模型,提高站点扩容规划的准确度和有效性。
将初始日流量标准值与需求流量值(在一种可选的实施例中,需求流量值根据运行良好且满足容量要求的就近现有站点获得,该现有站点在规模上比如用户数量等等适当相近)进行比较,得到修正值。根据该修正值,对初始日流量标准值进行修正,得到目标流量标准值。进而将目标流量标准值与就近现有站点的实际日流量作差得到原始序列,将该原始序列输入灰度模型中输出扩容需求站点的目标扩容日流量。例如参考下表3得到原始序列。
表3
其中,灰度模型利用一阶微分的GM(1,1)模型,基于随机的原始时间序列,按时间累加后所形成新的时间序列呈现的规律,可用一阶线性微分方程的解来逼近。
具体的设有变量X(0)={X(0)(i),i=1,2,...,n}为某一个预测对象的非负原始序列,为建立灰色度预测模型:首先对X(0)进行一次累加(1—AGO,Acumulated GeneratingOperator)生成一次累加序列:
X(1)={X(1)(k),i=1,2,...,n}
对X(1)可建立下述微分方程:
式子中a可用下式求解:
其中
Yn=(X(0)(2),X(0)(3),...,X(0)(n))T
上述微分方程的解可表示为:
或
ε(0)={ε(1),ε(2),...,ε(n)}={x0(1)-x0(1),x0(2)-x0(2),...,x0(n)-x0(n)}
相对误差序列为:
若X(0)为原始序列,为相应的模拟误差序列,ε(0)为残差序列。为X(0)的均值,为X(0)的方差,为残差均值,为残差方差;此时,称为小误差概率,对于给定的p0>0,当p>p0时,称模型为小误差概率合格模型。
参考如下精度检测对照表4:
表4
本实施例中将表3中的标准值与实际值的差值作为原始序列,输入灰度模型中,经过如下计算。
X(0)={X(0)(1),X(0)(2),X(0)(3),...,X(0)(30)}={0.0091,0.019,0.02,...,0.169}
对X(0)进行一次累加(1—AGO),生成数列X(1)(k)、B、Yn如下:
即
X(0)={X(0)(1),X(0)(2),X(0)(3),...,X(0)(30)}={0.0091,0.0281,0.0481,...,2.0981}
最终得出灰度模型GM(1,1)为:
并以30天(一个月)为第一时间周期,依次使用灰色模型GM(1,1)计算得到未来30天的扩容日流量,如下表5:
表5
在一种可选的实施例中,在对扩容需求站点的目标扩容日流量进行预测之后,还包括:根据灰度模型中相对误差检查指标条件,检测扩容需求站点需求流量值与目标扩容日流量是否符合相对误差检查指标条件;若符合相对误差检查指标条件,则确定扩容需求站点根据目标扩容日流量进行扩容。
本实施例中采用灰度模型中相对误差检查指标条件,例如1%,检测扩容需求站点对应的需求流量与该目标扩容日流量的误差是否符合1%;若符合该相对误差指标条件,则确定扩容需求站点根据目标扩容日流量进行扩容。
结合上述实施例,根据修正值,对初始日流量标准值进行修正,得到目标日流量标准值,具体包括根据修正值,得到与初始日流量标准值对应的指标变化比例值;若指标变化比例值大于0,则将初始日流量标准值加上修正步长,得到目标日流量标准值;若指标变化比例值小于0,则将初始日流量标准值减去修正步长,得到目标日流量标准值。
本实施例通过调整初始日流量标准值得到对应的目标日流量标准值,且周一至周日分类都设置独立的修正步长,根据当前日流量标准值与初始日流量标准值的指标变化比例,对初始日流量标准值进行修正,生成目标日流量标准值。具体的指标变化比例值=(当前日流量标准值-初始日流量标准值)/初始日流量标准值。
如果指标变化比例值>0,目标日流量标准值=初始日流量标准值+修正步长,如果目标日流量标准值>当前日流量标准值,则目标日流量标准值即为在初始日流量标准值基础上叠加修正步长得到的目标日流量标注值。如果目标日流量标准值<当前日流量标准值,则目标日流量标准值即为当前日流量标准值,在一种可选的实施例中当前日流量标准值等于初始预测日流量。
如果指标变化比例值<0,目标日流量标准值=初始日流量标准值-修正步长,如果目标日流量标准值<当前日流量标准值,则目标日流量标准值即为在初始日流量标准值得基础上减去修正步长得到的目标日流量标准值。如果目标日流量标准值>当前日流量标准值,则目标日流量标准值即为当前日流量标准值,在一种可选的实施例中当前日流量标准值等于初始预测日流量。在一种可选的实施例中,修正步长可以采用0.0001等,本实施例不作具体限定,根据具体实际情况进行详细限定,已达到更好地实现效果。
在一种可选的实施例中,在采集站点资源扩容过程中的站点资源信息之后,还包括:对所有站点资源信息进行处理,将故障站点资源信息进行剔除。
本实施例对因站点资源故障或者临时进行关闭站点等原因产生的异常数据信息进行删除,以提高规划的准确性。
在一种可选的实施例中,进而根据扩容需求站点的目标扩容日流量可以实现站点月收益计算,例如可以根据当前流量的单价乘以目标扩容日流量得到月收益,然后再通过对月收益进行累加直到月收益累加值超过投资成本,即可以实现该扩容需求站点的盈利。
图3为本发明实施例提供的一种基于流量的站点扩容预测装置结构示意图,如图3所示,本实施例中基于流量的站点扩容预测装置可以包括:
采集模块31,用于采集站点资源扩容过程中的站点资源信息,站点包括现有站点和扩容需求站点;
对应模块32,用于根据站点资源信息中的多个关联信息,获取站点资源信息中经纬度信息与流量信息的对应关系,其中至少两项关联信息用来表征站点;
得到模块33,用于根据对应关系、扩容需求站点对应的经纬度信息,得到扩容需求站点的初始预测日流量;
预测模块34,用于根据现有站点的实际日流量、扩容需求站点的初始预测日流量,对扩容需求站点的扩容日流量进行预测。
在一种可选的实施例中,根据站点资源信息中的多个关联信息,获取站点资源信息中经纬度信息与流量信息的对应关系,包括:
获取第一时间周期内每日现有资源站点对应的多个关联信息,其中关联信息包括4G流量、4G客户数量、4G累计驻留时长、4G无线资源控制RRC用户数量、4G平均每户每月数据流量DOU、4G平均站间距、覆盖范围面积,以及覆盖范围内站点数量;
采用回归cart分析多个关联信息,得到现有资源站点经纬度信息与流量信息的对应关系。
在一种可选的实施例中,根据现有站点的实际日流量、初始预测日流量,得到扩容需求站点对应的目标扩容日流量,包括:
根据第一时间周期内的初始预测日流量,分别设置扩容需求站点周一至周七每日对应的初始日流量标准值;
将初始日流量标准值与需求流量值进行比较,得到修正值;
根据修正值,对初始日流量标准值进行修正,得到目标日流量标准值;
将目标日流量标准值与实际日流量的差值作为原始序列,输入灰度模型中输出扩容需求站点的目标扩容日流量。
在一种可选的实施例中,根据修正值,对初始日流量标准值进行修正,得到目标日流量标准值,包括:
根据修正值,得到与初始日流量标准值对应的指标变化比例值;
若指标变化比例值大于0,则将初始日流量标准值加上修正步长,得到目标日流量标准值;
若指标变化比例值小于0,则将初始日流量标准值减去修正步长,得到目标日流量标准值。
在一种可选的实施例中,在得到目标扩容日流量之后,还包括:
根据灰度模型中相对误差检查指标条件,检测扩容需求站点需求流量值与目标预测流量是否符合相对误差检查指标条件;
若符合相对误差检查指标条件,则确定扩容需求站点根据目标预测流量进行扩容。
在一种可选的实施例中,在采集站点资源扩容过程中的站点资源信息之后,还包括:
对所有站点资源信息进行处理,将故障站点资源信息进行剔除。
本实施例的基于流量的站点扩容预测装置,可以执行图2所示方法中的技术方案,其具体实现过程和技术原理参见图2所示方法中的相关描述,此处不再赘述。
图4为本发明实施例提供的一种基于流量的站点扩容预测系统的结构示意图,如图4所示,本实施例的基于流量的站点扩容预测系统40可以包括:处理器41和存储器42。
存储器42,用于存储计算机程序(如实现上述基于流量的站点扩容预测方法的应用程序、功能模块等)、计算机指令等;
上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器42中。并且上述的计算机程序、计算机指令、数据等可以被处理器41调用。
处理器41,用于执行存储器42存储的计算机程序,以实现上述实施例涉及的方法中的各个步骤。
具体可以参见前面方法实施例中的相关描述。
处理器41和存储器42可以是独立结构,也可以是集成在一起的集成结构。当处理器41和存储器42是独立结构时,存储器42、处理器41可以通过总线43耦合连接。
本实施例的服务器可以执行图2所示方法中的技术方案,其具体实现过程和技术原理参见图2所示方法中的相关描述,此处不再赘述。
此外,本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,当用户设备的至少一个器执行该计算机执行指令时,用户设备执行上述各种可能的。
其中,计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。一种示例性的存储介质耦合至器,从而使器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是器的组成部分。器和存储介质可以位于ASIC中。另外,该ASIC可以位于用户设备中。当然,器和存储介质也可以作为分立组件存在于通信设备中。
本领域普通技术人员可以理解:实现上述各实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种基于流量的站点扩容预测方法,其特征在于,包括:
采集站点资源扩容过程中的站点资源信息,所述站点包括现有站点和扩容需求站点;
根据所述站点资源信息中的多个关联信息,获取所述站点资源信息中经纬度信息与流量信息的对应关系,其中至少两项所述关联信息用来表征所述站点;
根据所述对应关系、所述扩容需求站点对应的经纬度信息,得到所述扩容需求站点的初始预测日流量;
根据现有站点的实际日流量、所述扩容需求站点的初始预测日流量,对所述扩容需求站点的目标扩容日流量进行预测。
2.根据权利要求1所述的方法,其特征在于,根据所述站点资源信息中的多个关联信息,获取所述站点资源信息中经纬度信息与流量信息的对应关系,包括:
获取第一时间周期内每日现有站点对应的多个关联信息,其中所述关联信息包括4G流量、4G客户数量、4G累计驻留时长、4G无线资源控制RRC用户数量、4G平均每户每月数据流量DOU、4G平均站间距、覆盖范围面积,以及覆盖范围内站点数量;
采用回归cart分析所述多个关联信息,得到现有站点经纬度信息与流量信息的对应关系。
3.根据权利要求2所述的方法,其特征在于,根据现有站点的实际日流量、所述初始预测日流量,对所述扩容需求站点的目标扩容日流量进行预测,包括:
根据所述第一时间周期内的初始预测日流量,分别设置扩容需求站点周一至周七每日对应的初始日流量标准值;
将所述初始日流量标准值与需求流量值进行比较,得到修正值;
根据所述修正值,对初始日流量标准值进行修正,得到目标日流量标准值;
将所述目标日流量标准值与所述实际日流量的差值作为原始序列,输入灰度模型中输出扩容需求站点的目标扩容日流量。
4.根据权利要求3所述的方法,其特征在于,根据所述修正值,对初始日流量标准值进行修正,得到目标日流量标准值,包括:
根据所述修正值,得到与所述初始日流量标准值对应的指标变化比例值;
若所述指标变化比例值大于0,则将所述初始日流量标准值加上修正步长,得到所述目标日流量标准值;
若所述指标变化比例值小于0,则将所述初始日流量标准值减去修正步长,得到所述目标日流量标准值。
5.根据权利要求4所述的方法,其特征在于,在对所述扩容需求站点的目标扩容日流量进行预测之后,还包括:
根据所述灰度模型中相对误差检查指标条件,检测扩容需求站点所述需求流量值与所述目标预测流量是否符合所述相对误差检查指标条件;
若符合所述相对误差检查指标条件,则确定所述扩容需求站点根据所述目标预测流量进行扩容。
6.根据权利要求1-5中任一项所述的方法,其特征在于,在采集站点资源扩容过程中的站点资源信息之后,还包括:
对所有站点资源信息进行处理,将故障站点资源信息进行剔除。
7.一种基于流量的站点扩容预测装置,其特征在于,包括:
采集模块,用于采集站点资源扩容过程中的站点资源信息,所述站点包括现有站点和扩容需求站点;
对应模块,用于根据所述站点资源信息中的多个关联信息,获取所述站点资源信息中经纬度信息与流量信息的对应关系,所述关联信息中的至少两项用来表征所述站点资源信息;
得到模块,用于根据所述对应关系、所述扩容需求站点对应的经纬度信息,得到所述扩容需求站点的初始预测日流量;
预测模块,用于根据现有站点的实际日流量、所述扩容需求站点的初始预测日流量,对所述扩容需求站点的扩容日流量进行预测。
8.根据权利要求7所述的装置,其特征在于,根据所述站点资源信息中的多个关联信息,获取所述站点资源信息中经纬度信息与流量信息的对应关系,包括:
获取第一时间周期内每日现有资源站点对应的多个关联信息,其中所述关联信息包括4G流量、4G客户数量、4G累计驻留时长、4G无线资源控制RRC用户数量、4G平均每户每月数据流量DOU、4G平均站间距、覆盖范围面积,以及覆盖范围内站点数量;
采用回归cart分析所述多个关联信息,得到现有资源站点经纬度信息与流量信息的对应关系。
9.一种基于流量的站点扩容预测系统,其特征在于,包括:存储器和处理器,存储器中存储有所述处理器的可执行指令;其中,所述处理器配置为经由执行所述可执行指令来执行权利要求1-6中任一项所述的基于流量的站点扩容预测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-6中任一项所述的基于流量的站点扩容预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010460783.7A CN111711957B (zh) | 2020-05-27 | 2020-05-27 | 基于流量的站点扩容预测方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010460783.7A CN111711957B (zh) | 2020-05-27 | 2020-05-27 | 基于流量的站点扩容预测方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111711957A true CN111711957A (zh) | 2020-09-25 |
CN111711957B CN111711957B (zh) | 2022-08-05 |
Family
ID=72538721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010460783.7A Active CN111711957B (zh) | 2020-05-27 | 2020-05-27 | 基于流量的站点扩容预测方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111711957B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113762421A (zh) * | 2021-10-22 | 2021-12-07 | 中国联合网络通信集团有限公司 | 分类模型的训练方法、流量分析方法、装置及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104581779A (zh) * | 2014-12-11 | 2015-04-29 | 华为技术有限公司 | 一种业务处理方法以及装置 |
JP2018525859A (ja) * | 2015-10-23 | 2018-09-06 | チャイナ ユナイテッド ネットワーク コミュニケーションズ グループ カンパニー リミテッドChina United Network Communications Group Company Limited | ネットワーク容量拡大のための方法および装置 |
CN109600757A (zh) * | 2018-11-29 | 2019-04-09 | 南京亚信软件有限公司 | 基站扩容的预测方法、装置、计算机设备和存储介质 |
CN109640351A (zh) * | 2019-01-25 | 2019-04-16 | 南京邮电大学 | 一种基站流量的联合预测方法 |
CN109862585A (zh) * | 2019-01-31 | 2019-06-07 | 湖北工业大学 | 一种基于深度时空神经网络的动态异构网络流量预测方法 |
-
2020
- 2020-05-27 CN CN202010460783.7A patent/CN111711957B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104581779A (zh) * | 2014-12-11 | 2015-04-29 | 华为技术有限公司 | 一种业务处理方法以及装置 |
JP2018525859A (ja) * | 2015-10-23 | 2018-09-06 | チャイナ ユナイテッド ネットワーク コミュニケーションズ グループ カンパニー リミテッドChina United Network Communications Group Company Limited | ネットワーク容量拡大のための方法および装置 |
CN109600757A (zh) * | 2018-11-29 | 2019-04-09 | 南京亚信软件有限公司 | 基站扩容的预测方法、装置、计算机设备和存储介质 |
CN109640351A (zh) * | 2019-01-25 | 2019-04-16 | 南京邮电大学 | 一种基站流量的联合预测方法 |
CN109862585A (zh) * | 2019-01-31 | 2019-06-07 | 湖北工业大学 | 一种基于深度时空神经网络的动态异构网络流量预测方法 |
Non-Patent Citations (2)
Title |
---|
向伟等: "基于AI流量预测的容量动态管控", 《数字通信世界》 * |
李维佳等: "基于指标分析与容量消耗测试的WCDMA无线网络扩容方法探讨", 《电信科学》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113762421A (zh) * | 2021-10-22 | 2021-12-07 | 中国联合网络通信集团有限公司 | 分类模型的训练方法、流量分析方法、装置及设备 |
CN113762421B (zh) * | 2021-10-22 | 2024-03-15 | 中国联合网络通信集团有限公司 | 分类模型的训练方法、流量分析方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111711957B (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CA2983495C (en) | Improving performance of communication network based on end to end performance observation and evaluation | |
US8942724B2 (en) | Number of terminal estimation device and number of terminal estimation method | |
CN106685750B (zh) | 系统异常检测方法和装置 | |
Terada et al. | Population estimation technology for mobile spatial statistics | |
KR20130052014A (ko) | 단말기 수 추계 장치 및 단말기 수 추계 방법 | |
US20130176433A1 (en) | Unique-terminal-count estimation device and unique-terminal-count estimation method | |
CN108632047B (zh) | 一种资费数据的确定方法及装置 | |
CN110766232B (zh) | 动态预测方法及其系统 | |
CN111711957B (zh) | 基于流量的站点扩容预测方法、装置及系统 | |
CN114290960A (zh) | 获取动力电池的电池健康度的方法、装置和车辆 | |
CN111127247A (zh) | 电量数据采集方法、装置、计算机设备和存储介质 | |
CN112738340B (zh) | 话务量的预测方法、装置、设备及存储介质 | |
JP2012054921A (ja) | 移動機分布算出システム及び移動機分布算出方法 | |
US7890473B1 (en) | Method and system for evaluating performance of a computer system | |
CN110443451B (zh) | 事件定级方法、装置、计算机设备和存储介质 | |
Bernards et al. | Statistical modelling of load profiles incorporating correlations using Copula | |
CN112016856A (zh) | 综合倍率异常识别方法、装置、计量系统和存储介质 | |
CN111428197A (zh) | 数据处理方法、装置及设备 | |
CN108271183B (zh) | 一种基于原始测量报告的邻区优化方法及装置 | |
US11671874B2 (en) | Communication band calculation device, communication band calculation method, and medium | |
US11234164B2 (en) | Forecasting traffic demand experienced by wireless communication system with application to channel allocation | |
JP4606972B2 (ja) | トラヒック量予測システムおよびトラヒック量予測方法 | |
US9706414B2 (en) | Method and apparatus for determining data flow rate on service access port | |
CN113919873A (zh) | 市场容量的确定方法、装置、设备及存储介质 | |
US20130157689A1 (en) | Terminal-count estimation device and terminal-count estimation method |
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 |