CN112085282B - 小区流量预测方法及服务器 - Google Patents
小区流量预测方法及服务器 Download PDFInfo
- Publication number
- CN112085282B CN112085282B CN202010956434.4A CN202010956434A CN112085282B CN 112085282 B CN112085282 B CN 112085282B CN 202010956434 A CN202010956434 A CN 202010956434A CN 112085282 B CN112085282 B CN 112085282B
- Authority
- CN
- China
- Prior art keywords
- cell
- service
- packet
- identified
- cells
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims description 26
- 230000015654 memory Effects 0.000 claims description 23
- 239000003550 marker Substances 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 210000004027 cell Anatomy 0.000 description 302
- 238000004891 communication Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 6
- 230000005291 magnetic effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 101150071746 Pbsn gene Proteins 0.000 description 1
- 210000000678 band cell Anatomy 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G06Q50/40—
-
- 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
Abstract
本发明实施例提供一种小区流量预测方法及服务器,该方法包括:按照小区的多个预设属性,确定待识别小区的目标类型;根据目标类型,获取待识别小区对应的训练好的小区物理资源模块PRB利用率与小区流量的关系模型,其中训练好的小区PRB利用率与小区流量的关系模型是根据多个不存在容量瓶颈的目标类型小区的PRB利用率和小区流量训练得到的;将待识别小区的当前PRB利用率输入至关系模型中,获得待识别小区在正常情况下的实际小区流量,使得获得的预测小区流量跟符合待识别小区的实际情况,提高了预测的小区流量的准确性。
Description
技术领域
本发明实施例涉及通信技术领域,尤其涉及一种小区流量预测方法及服务器。
背景技术
无线网的容量是衡量无线网业务支撑能力的一项重要指标,当小区无线资源利用率达到一定的门限时,将会出现容量瓶颈,导致网络延迟或丢包,影响用户的使用体验,此时需要对此类小区进行及时的扩容。为了对小区进行扩容,需要对小区未来一段时间的流量(业务量)进行预测,以保证扩容方案能够满足未来一段时间内用户的使用需求。
目前,现有的对小区流量进行预测方法主要是:采用时间序列的模型,如差分整合移动平均自回归模型(Autoregressive Integrated Moving Average,简称ARIMA)和长短期记忆网络(Long Short-Term Memory,简称LSTM)等,利用小区的历史流量输入模型中对未来的流量进行预测。
然而,发明人发现现有技术存在如下技术问题:在不同的小区,由于业务类型不同,部分小区本身已存在容量瓶颈(即流量被抑制的情况),此时利用现有的历史流量预测的未来流量值,将会存在偏差,进而导致小区扩容后仍无法满足用户的使用需求。
发明内容
本发明实施例提供一种小区流量预测方法及服务器,以克服现有技术中预测小区流量不准确的问题。
第一方面,本发明实施例提供一种小区流量预测方法,包括:
按照小区的多个预设属性,确定待识别小区的目标类型;
根据所述目标类型,获取所述待识别小区对应的训练好的小区物理资源模块PRB利用率与小区流量的关系模型,其中所述训练好的小区PRB利用率与小区流量的关系模型是根据多个不存在容量瓶颈的所述目标类型小区的PRB利用率和小区流量训练得到的;
将所述待识别小区的当前PRB利用率输入至所述关系模型中,得到所述待识别小区的预测小区流量。
在一种可能的设计中,还包括:
根据小区的多个预设属性,将各小区划分为多种类型的小区;
对于每种类型的小区,根据多个评价参数,筛选出不存在容量瓶颈的标杆小区;
根据标杆小区的PRB利用率和小区流量,进行模型训练得到每种类型的训练好的小区PRB利用率与小区流量的关系模型。
在一种可能的设计中,所述多个预设属性包括:业务密集度属性、业务包大小属性;
所述根据小区的多个预设属性,将各小区划分为多种类型的小区,包括:
根据业务密集度属性、业务包大小属性,将各小区划分为:“业务密集,小包业务为主”、“业务密集,中包业务为主”、“业务密集,大包业务为主”、“业务一般,小包业务为主”、“业务一般,中包业务为主”、“业务一般,大包业务为主”、“业务稀疏,大包业务为主”、“业务稀疏,中包业务为主”、“业务稀疏,小包业务为主”九种类型的小区;
其中,大包业务为主指的是大包业务占比最高,中包业务为主指的是中包业务占比最高,小包业务为主指的是小包业务占比最高。
在一种可能的设计中,所述多个预设属性还包括:频段属性、室内外特征属性;
根据所述频段属性、室内外特征属性对所述九种类型的小区进二次分类。
在一种可能的设计中,还包括:
若判定所述待识别小区的实际小区流量小于所述预测小区流量,且差值超过预设阈值,则确定所述待识别小区为异常小区。
在一种可能的设计中,还包括:
若所述异常小区的空口质量CQI指标大于预设门限值,则确定所述异常小区为流量被抑制需要进行扩容的异常小区。
在一种可能的设计中,在所述确定所述异常小区为流量被抑制需要进行扩容的异常小区之后,还包括:
根据所述待识别小区的预测小区流量获得所述待识别小区的流量增量,并根据所述流量增量对所述待识别小区进行扩容。
第二方面,本发明实施例提供一种小区流量预测装置,包括:
确定模块,用于按照小区的多个预设属性,确定待识别小区的目标类型;
获取模块,用于根据所述目标类型,获取所述待识别小区对应的训练好的小区物理资源模块PRB利用率与小区流量的关系模型,其中所述训练好的小区PRB利用率与小区流量的关系模型是根据多个不存在容量瓶颈的所述目标类型小区的PRB利用率和小区流量训练得到的;
输入模块,用于将所述待识别小区的当前PRB利用率输入至所述关系模型中,得到所述待识别小区的预测小区流量。
第三方面,本发明实施例提供一种服务器,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如上第一方面以及第一方面任一项所述的小区流量预测方法。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上第一方面以及第一方面任一项所述的小区流量预测方法。
本发明实施例提供的小区流量预测方法及服务器,按照小区的多个预设属性,确定待识别小区的目标类型;根据目标类型,获取待识别小区对应的训练好的小区物理资源模块PRB利用率与小区流量的关系模型,将待识别小区的当前PRB利用率输入至关系模型中,获得待识别小区在正常情况下的实际小区流量,使得获得的预测小区流量跟符合待识别小区的实际情况,提高了预测的小区流量的准确性。
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为本发明实施例提供的LTE网络系统的结构示意图;
图2为本发明实施例提供的小区流量预测方法的流程示意图一;
图3为本发明实施例提供的小区流量预测方法的流程示意图二;
图4为本发明实施例提供的小区流量预测方法的流程示意图三;
图5为本发明实施例提供的小区流量预测装置的结构示意图;
图6为本发明实施例提供的服务器的硬件结构示意图。
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作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。
图1为本发明实施例提供的LTE网络系统的结构示意图。如图1所示,网络系统中包括多个基站11、多个用户终端12及服务器13。小区是为用户提供无线通信业务的一片区域,是无线网络的基本组成单位,基站11用于管理或者支持一个或者多个小区,通常一个基站对应一个小区,即小区是以基站为中心的一片覆盖区域,服务器13用于分析小区低速率原因。当终端12处于某一个小区提供的无线信号范围内时,与管理该小区的基站建立连接之后,再与核心网建立通信,实现无线通信业务。
随着LTE无线网络规模的逐步扩大,小区内用户终端的数量持续增加,用户使用小区的流量呈现爆发式的增长。当小区无线资源利用率达到一定门限时,将会出现容量瓶颈,严重影响用户使用体验。因此需要对小区未来的业务量进行预测,并对出现容量瓶颈小区进行及时扩容,使得扩容后的小区流量能够满足一段时间的用户发展。
目前常用的小区容量预测一般采用基于时间序列的模型,如ARIMA及LSTM等,一般都是基于小区历史流量对未来的流量进行预测。然而,在一些场景下,小区的流量受各种因素的影响比较多,比如无线环境的质量,小区的干扰情况以及用户数,业务类型,都会影响小区的整体流量。由于受到这些因素的影响,小区的流量可能会未达到应有的水平,即离用户的预期存在一定差距,即小区本身就存在流量被抑制的情况。在这种情况下如果利用现网的实际历史流量数据建立模型并进行流量预测,将会出现偏差。如果使用这些数据进行未来小区流量的预测,将会与实际的业务需求产生偏差,按照这种预测方式进行预测扩容,将会无法满足用户的实际需求。
为了避免上述技术问题,本发明对于基于上述场景的低速率小区优化方法进行了改进。本发明通过根据不同类型的不存在容量瓶颈小区的流量和PRB利用率进行训练,获得不同类型小区的关系模型。根据待识别小区的目标类型获得对应的关系模型,并根据关系模型获得待识别小区在正常情况下的实际小区流量,从而使预测的小区流量更准确。再利用成熟的算法对预测的小区流量进行小区流量增量的预测,使预测的小区流量增量更加精准,为小区扩容提供精准的预测数据,使得扩容的参数更加合理。
图2为本发明实施例提供的小区流量预测方法的流程示意图一,本实施例的执行主体可以为图1所示实施例中的服务器。如图2所示,该方法包括:
S201:按照小区的多个预设属性,确定待识别小区的目标类型。
在本发明实施例中,用户使用的业务类型和业务密集度影响小区的流量和PRB利用率,因此可以按照需要业务类型和业务密集度对不同特征的小区进行分类。将业务类型和业务密集度进行分类并设置为多个预设属性,根据多个预设属性确定待识别小区的目标类型,即通过预设属性筛选待识别小区的属性以确定待识别小区的目标类型。本发明实施例通过利用聚类对小区分类,使得分类后的小区类型更加合理,更符合小区的实际情况。
S202:根据目标类型,获取待识别小区对应的训练好的小区物理资源模块PRB利用率与小区流量的关系模型,其中训练好的小区PRB利用率与小区流量的关系模型是根据多个不存在容量瓶颈的目标类型小区的PRB利用率和小区流量训练得到的。
在本发明实施例中,待识别小区的目标类型获取关系模型,其中关系模型的类型与待识别小区的目标类型一致,并且关系模型是根据多个不存在容量瓶颈小区的物理资源模块PRB利用率与小区流量进行训练获得的。正常情况下,当小区没有出现流量瓶颈时,小区的流量和PRB利用率之间呈现同步增长的关系,因此可以通过机器学习的算法建立PRB利用率和流量之间的模型。但是由于用户行为的差异、无线环境的差异以及小区自身特性差异,PRB和流量的关系也一定存在差异性。因此,本发明实施例通过对不同类型的小区进行分类,对每个类型的小区通过机器学习的算法建立PRB利用率和流量之间的关系模型。
在本发明实施例中,为了保证获得的关系模型的准确性,对进行训练的小区进行筛选,筛选出不存在容量瓶颈的样本小区,并根据多个预设属性对样本小区进行分类获得多种类型的样本小区,并根据不同类型的样本小区的流量和PRB利用率进行训练,获得不同类型小区的关系模型。在获得了多种不同类型的关系模型之后,根据待识别小区的目标类型获取对应的关系模型。
S203:将待识别小区的当前PRB利用率输入至关系模型中,得到待识别小区的预测小区流量。
在本发明实施例中,在已获得了待识别小区的目标类型对应的关系模型之后,将待识别小区的当前PRB利用率输入至关系模型中,即可根据关系模型获得待识别小区的预测小区流量。由于关系模型是根据不存在容量瓶颈的样本小区的流量和PRB利用率进行训练获得的,因此,获得的预测小区流量为待识别小区在没有出现容量瓶颈时的正常流量,符合正常条件下待识别小区的应获得的实际小区流量。
本发明实施例提供的小区流量预测方法,通过根据不同类型的不存在容量瓶颈小区的流量和PRB利用率进行训练,获得不同类型小区的关系模型。根据待识别小区的目标类型获得对应的关系模型,并根据关系模型获得待识别小区在正常情况下的实际小区流量。通过多个预设属性对小区类型进行分类,并根据待识别小区的类型对应的关系模型进行训练,使得获得的预测小区流量跟符合待识别小区的实际情况,提高了预测的小区流量的准确性。
图3为本发明实施例提供的小区流量预测方法的流程示意图二,本实施例在图2实施例的基础上,对本实施例的小区物理资源模块PRB利用率与小区流量的关系模型的具体训练过程进行了详细说明。如图3所示,该方法包括:
S301:根据小区的多个预设属性,将各小区划分为多种类型的小区。
在本发明实施例中,按照需要业务类型和业务密集度对不同特征的小区进行分类。示例性的,设置多个预设属性包括业务密集度属性以及业务包大小属性。并根据小区的多个预设属性,将各小区划分为多种类型的小区。具体的,根据业务密集度属性、业务包大小属性,将各小区划分为:“业务密集,小包业务为主”、“业务密集,中包业务为主”、“业务密集,大包业务为主”、“业务一般,小包业务为主”、“业务一般,中包业务为主”、“业务一般,大包业务为主”、“业务稀疏,大包业务为主”、“业务稀疏,中包业务为主”、“业务稀疏,小包业务为主”九种类型的小区。
具体的,当业务包大于或者等于第一预设值时,设置该数据包为大包;当业务包小于于第一预设值时并且大于或者等于第二预设值时,设置该数据包为中包;当业务包小于第二预设值时,设置该数据包为小包。具体的,第一预设值为1MByte,第二预设值为0.2MByte。大包业务为主指的是大包业务占比最高,中包业务为主指的是中包业务占比最高,小包业务为主指的是小包业务占比最高。示例性的,根据演进的无线接入承载(EvolvedRadio Access Bearer,简称E-RAB)的用户密度进行排序划分,将用户密度大于或者第一预设百分比时定义为业务密集,将用户密度小于第一预设百分比且大于或者等于第二预设百分比定义为业务一般,将用户密度小于第二预设百分比定义为业务稀疏。可选的,设置第一预设百分比为20%以及第二预设百分比为50%,则将用户密度大于或者20%时定义为业务密集,将用户密度小于20%且大于或者等于50%时为业务一般,将用户密度小于50%时定义为业务稀疏。可选的,多个预设属性还可能包括:频段属性、室内外特征属性。并根据频段属性、室内外特征属性对九种类型的小区进二次分类。即每种频段小区对应六种分类,N个频段有9*6*2种分类。
S302:对于每种类型的小区,根据多个评价参数,筛选出不存在容量瓶颈的标杆小区。
在本发明实施例中,为了保证训练的模型的准确性,通过设置不同的评价参数,筛选出每种类型中不存在容量瓶颈的标杆小区,且不同的小区类型还可以设定不同的评价参数。示例性的,根据小区的KPI和KQI指标两个层面进行筛选评价参数。具体的,评价参数包含但不局限于用户的平均速率、流媒体卡顿次数、小区的拥塞指标、投诉情况以及PRB利用率。将用户的平均速度大于阈值、流媒体卡顿次数低于门限值,小区的PRB利用率低于一定门限值、投诉次数低于一定门限值、拥塞指标低于门限值的小区设置为标杆小区。
S303:根据标杆小区的PRB利用率和小区流量,进行模型训练得到每种类型的训练好的小区PRB利用率与小区流量的关系模型。
在本发明实施例中,随着用户数和业务量的增加,小区的PRB利用率会增加,即小区的PRB利用率和小区的流量直接关系。因此,通过对不同类型的标杆小区的PRB利用率和小区流量采用回归算法进行训练获得关系模型。示例性的,回归算法可以为线性回归算法、逻辑回归算法或者其他的回归算法等。
本实施例提供的小区流量预测方法,通过对不同类型的标杆小区的PRB利用率和小区流量采用回归算法进行训练获得关系模型,使得关系模型更能准的反映不同类型的标杆小区中小区的PRB利用率和小区流量之间的关系,使得利用关系模型预测的小区流量更符合小区的实际类型与正常的使用情况,提高了预测的小区流量的准确性。
图4为本发明实施例提供的小区流量预测方法的流程示意图三,本实施例在图2实施例的基础上,在得到待识别小区的预测小区流量之后的方法进行了详细说明。如图4所示,该方法包括:
S204:若判定待识别小区的实际小区流量小于预测小区流量,且差值超过预设阈值,则确定待识别小区为异常小区。
在本发明实施例中,在将待识别小区的当前PRB利用率输入至关系模型中、得到待识别小区的预测小区流量之后,根据预测小区流量的进行判断,判断待识别小区是否存在流量被抑制的情况。示例性的,若判定待识别小区的实际小区流量小于预测小区流量,且差值超过预设阈值,则确定待识别小区为异常小区,即待识别小区存在流量被抑制的情况。
可选的,若异常小区的空口质量CQI指标大于预设门限值,则确定异常小区为流量被抑制需要进行扩容的异常小区。小区的CQI影响小区频谱资源的有效利用率,CQI与业务模型共同决定小区的数据速率能力,即决定了小区可承载的用户数。因此,若异常小区的空口质量CQI指标大于预设门限值,则确定异常小区为流量被抑制需要进行扩容的异常小区。
S205:根据待识别小区的预测小区流量获得待识别小区的流量增量,并根据流量增量对待识别小区进行扩容。
在本发明实施例中,若确定待识别小区为异常小区时,说明待识别小区的出现了流量被抑制,需要对待识别小区进行扩容。但是利用待识别小区的实际小区流量预测小区的流量增量时,由于待识别小区本身存在流量被抑制的情况,即待识别小区的实际历史流量不准确,导致预测的流量增量也不准确。因此,可根据S203中利用不同类型的关系模型预测的小区流量进行计算获得待识别小区的流量增量,并根据待识别小区的流量增量对待识别小区进行扩容,使得扩容后的小区流量满足待识别小区的需求,避免出现流量被抑制的情况。
本实施例提供的小区流量预测方法,在判定待识别小区为异常小区时,通过利用成熟的算法对预测的小区流量进行小区流量增量的预测,使预测的小区流量增量更加精准,为小区扩容提供精准的预测数据,使得扩容的参数更加合理。
图5为本发明实施例提供的小区流量预测装置的结构示意图。如图5所示,该小区流量预测装置50包括:确定模块501、获取模块502以及输入模块503。其中,确定模块501,用于按照小区的多个预设属性,确定待识别小区的目标类型;获取模块502,用于根据目标类型,获取待识别小区对应的训练好的小区物理资源模块PRB利用率与小区流量的关系模型,其中训练好的小区PRB利用率与小区流量的关系模型是根据多个不存在容量瓶颈的目标类型小区的PRB利用率和小区流量训练得到的;输入模块503,用于将待识别小区的当前PRB利用率输入至关系模型中,得到待识别小区的预测小区流量。
本实施例提供的设备,可用于执行上述图2实施例的技术方案,其实现原理和技术效果类似,本实施例此处不再赘述。
在一种可能的实现方式中,所述装置还包括训练模块,用于根据小区的多个预设属性,将各小区划分为多种类型的小区;对于每种类型的小区,根据多个评价参数,筛选出不存在容量瓶颈的标杆小区;根据标杆小区的PRB利用率和小区流量,进行模型训练得到每种类型的训练好的小区PRB利用率与小区流量的关系模型。
在一种可能的实现方式中,所述装置还包括判定模块,用于若判定所述待识别小区的实际小区流量小于所述预测小区流量,且差值超过预设阈值,则确定所述待识别小区为异常小区。
在一种可能的实现方式中,所述判定模块还用于若所述异常小区的空口质量CQI指标大于预设门限值,则确定所述异常小区为流量被抑制需要进行扩容的异常小区。
在一种可能的实现方式中,所述装置还包括扩容模块,用于根据所述待识别小区的预测小区流量获得所述待识别小区的流量增量,并根据所述流量增量对所述待识别小区进行扩容。
图6为本发明实施例提供的服务器的硬件结构示意图。如图6所示,本实施例的服务器60包括:处理器601以及存储器602;其中
存储器602,用于存储计算机执行指令;
处理器601,用于执行存储器存储的计算机执行指令,以实现上述实施例中服务器所执行的各个步骤。具体可以参见前述方法实施例中的相关描述。
可选地,存储器602既可以是独立的,也可以跟处理器601集成在一起。
当存储器602独立设置时,该服务器还包括总线603,用于连接所述存储器602和处理器601。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如上所述的小区流量预测方法。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,所述模块的划分,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,例如多个模块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。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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模块来实现本实施例方案。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个单元中。上述模块成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能模块的形式实现的集成的模块,可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器执行本申请各个实施例所述方法的部分步骤。
应理解,上述处理器可以是中央处理单元(Central Processing Unit,简称CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器,也可能还包括非易失性存储NVM,例如至少一个磁盘存储器,还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
总线可以是工业标准体系结构(Industry Standard Architecture,简称ISA)总线、外部设备互连(Peripheral Component Interconnect,简称PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,简称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,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。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处理器,从而使处理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,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits,简称ASIC)中。当然,处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
本领域普通技术人员可以理解:实现上述各方法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,执行包括上述各方法实施例的步骤;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 (8)
1.一种小区流量预测方法,其特征在于,包括:
按照小区的多个预设属性,确定待识别小区的目标类型;
根据所述目标类型,获取所述待识别小区对应的训练好的小区物理资源模块PRB利用率与小区流量的关系模型,其中所述训练好的小区PRB利用率与小区流量的关系模型是根据多个不存在容量瓶颈的所述目标类型小区的PRB利用率和小区流量训练得到的;
将所述待识别小区的当前PRB利用率输入至所述关系模型中,得到所述待识别小区的预测小区流量;
还包括:
根据小区的多个预设属性,将各小区划分为多种类型的小区;
对于每种类型的小区,根据多个评价参数,筛选出不存在容量瓶颈的标杆小区;
根据标杆小区的PRB利用率和小区流量,进行模型训练得到每种类型的训练好的小区PRB利用率与小区流量的关系模型;
通过对不同类型的标杆小区的PRB利用率和小区流量采用回归算法进行训练获得关系模型;
所述多个预设属性包括:业务密集度属性、业务包大小属性;
所述根据小区的多个预设属性,将各小区划分为多种类型的小区,包括:
根据业务密集度属性、业务包大小属性,将各小区划分为:“业务密集,小包业务为主”、“业务密集,中包业务为主”、“业务密集,大包业务为主”、“业务一般,小包业务为主”、“业务一般,中包业务为主”、“业务一般,大包业务为主”、“业务稀疏,大包业务为主”、“业务稀疏,中包业务为主”、“业务稀疏,小包业务为主”九种类型的小区;
其中,当业务包大于或者等于第一预设值时,设置数据包为大包;当所述业务包小于第一预设值时并且大于或者等于第二预设值时,设置该数据包为中包;当所述业务包小于第二预设值时,设置该数据包为小包;
大包业务为主指的是大包业务占比最高,中包业务为主指的是中包业务占比最高,小包业务为主指的是小包业务占比最高;
将用户密度大于或者第一预设百分比时定义为业务密集,将用户密度小于第一预设百分比且大于或者等于第二预设百分比定义为业务一般,将用户密度小于第二预设百分比定义为业务稀疏。
2.根据权利要求1所述的方法,其特征在于,所述多个预设属性还包括:频段属性、室内外特征属性;
根据所述频段属性、室内外特征属性对所述九种类型的小区进二次分类。
3.根据权利要求1所述的方法,其特征在于,还包括:
若判定所述待识别小区的实际小区流量小于所述预测小区流量,且差值超过预设阈值,则确定所述待识别小区为异常小区。
4.根据权利要求3所述的方法,其特征在于,还包括:
若所述异常小区的空口质量CQI指标大于预设门限值,则确定所述异常小区为流量被抑制需要进行扩容的异常小区。
5.根据权利要求4所述的方法,其特征在于,在所述确定所述异常小区为流量被抑制需要进行扩容的异常小区之后,还包括:
根据所述待识别小区的预测小区流量获得所述待识别小区的流量增量,并根据所述流量增量对所述待识别小区的进行扩容。
6.一种小区流量预测装置,其特征在于,包括:
确定模块,用于按照小区的多个预设属性,确定待识别小区的目标类型;
获取模块,用于根据所述目标类型,获取所述待识别小区对应的训练好的小区物理资源模块PRB利用率与小区流量的关系模型,其中所述训练好的小区PRB利用率与小区流量的关系模型是根据多个不存在容量瓶颈的所述目标类型小区的PRB利用率和小区流量训练得到的;
输入模块,用于将所述待识别小区的当前PRB利用率输入至所述关系模型中,得到所述待识别小区的预测小区流量;
所述装置还包括训练模块,用于根据小区的多个预设属性,将各小区划分为多种类型的小区;对于每种类型的小区,根据多个评价参数,筛选出不存在容量瓶颈的标杆小区;根据标杆小区的PRB利用率和小区流量,进行模型训练得到每种类型的训练好的小区PRB利用率与小区流量的关系模型;通过对不同类型的标杆小区的PRB利用率和小区流量采用回归算法进行训练获得关系模型;
所述多个预设属性包括:业务密集度属性、业务包大小属性;
所述根据小区的多个预设属性,将各小区划分为多种类型的小区,包括:
根据业务密集度属性、业务包大小属性,将各小区划分为:“业务密集,小包业务为主”、“业务密集,中包业务为主”、“业务密集,大包业务为主”、“业务一般,小包业务为主”、“业务一般,中包业务为主”、“业务一般,大包业务为主”、“业务稀疏,大包业务为主”、“业务稀疏,中包业务为主”、“业务稀疏,小包业务为主”九种类型的小区;
其中,当业务包大于或者等于第一预设值时,设置数据包为大包;当所述业务包小于第一预设值时并且大于或者等于第二预设值时,设置该数据包为中包;当所述业务包小于第二预设值时,设置该数据包为小包;
大包业务为主指的是大包业务占比最高,中包业务为主指的是中包业务占比最高,小包业务为主指的是小包业务占比最高;
将用户密度大于或者第一预设百分比时定义为业务密集,将用户密度小于第一预设百分比且大于或者等于第二预设百分比定义为业务一般,将用户密度小于第二预设百分比定义为业务稀疏。
7.一种服务器,其特征在于,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如权利要求1至5任一项所述的小区流量预测方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,当处理器执行所述计算机执行指令时,实现如权利要求1至5任一项所述的小区流量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010956434.4A CN112085282B (zh) | 2020-09-11 | 2020-09-11 | 小区流量预测方法及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010956434.4A CN112085282B (zh) | 2020-09-11 | 2020-09-11 | 小区流量预测方法及服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112085282A CN112085282A (zh) | 2020-12-15 |
CN112085282B true CN112085282B (zh) | 2023-08-04 |
Family
ID=73737613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010956434.4A Active CN112085282B (zh) | 2020-09-11 | 2020-09-11 | 小区流量预测方法及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112085282B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105407494A (zh) * | 2015-10-23 | 2016-03-16 | 中国联合网络通信集团有限公司 | 网络扩容方法及装置 |
CN109005556A (zh) * | 2018-07-24 | 2018-12-14 | 武汉虹信技术服务有限责任公司 | 一种基于用户话单的4g网络质量优化方法与系统 |
CN109711865A (zh) * | 2018-12-07 | 2019-05-03 | 恒安嘉新(北京)科技股份公司 | 一种基于用户行为挖掘的移动通信网流量精细化预测的方法 |
CN110380881A (zh) * | 2018-04-13 | 2019-10-25 | 中国移动通信有限公司研究院 | 一种网络扩容预测方法及装置 |
CN111159243A (zh) * | 2019-12-30 | 2020-05-15 | 中国移动通信集团江苏有限公司 | 用户类型识别方法、装置、设备及存储介质 |
CN111200531A (zh) * | 2020-01-02 | 2020-05-26 | 国网冀北电力有限公司信息通信分公司 | 一种通信网流量预测方法、装置与电子设备 |
-
2020
- 2020-09-11 CN CN202010956434.4A patent/CN112085282B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105407494A (zh) * | 2015-10-23 | 2016-03-16 | 中国联合网络通信集团有限公司 | 网络扩容方法及装置 |
CN110380881A (zh) * | 2018-04-13 | 2019-10-25 | 中国移动通信有限公司研究院 | 一种网络扩容预测方法及装置 |
CN109005556A (zh) * | 2018-07-24 | 2018-12-14 | 武汉虹信技术服务有限责任公司 | 一种基于用户话单的4g网络质量优化方法与系统 |
CN109711865A (zh) * | 2018-12-07 | 2019-05-03 | 恒安嘉新(北京)科技股份公司 | 一种基于用户行为挖掘的移动通信网流量精细化预测的方法 |
CN111159243A (zh) * | 2019-12-30 | 2020-05-15 | 中国移动通信集团江苏有限公司 | 用户类型识别方法、装置、设备及存储介质 |
CN111200531A (zh) * | 2020-01-02 | 2020-05-26 | 国网冀北电力有限公司信息通信分公司 | 一种通信网流量预测方法、装置与电子设备 |
Non-Patent Citations (6)
Title |
---|
High-Accuracy Wireless Traffic Prediction: A GP-Based Machine Learning Approach;Yue Xu等;《GLOBECOM 2017 - 2017 IEEE Global Communications Conference》;第1-6页,全文 * |
Prediction model of biocrude yield and nitrogen heterocyclic compounds analysis by hydrothermal liquefaction of microalgae with model compounds;LIli Sheng等;《Bioresource Technology》;第247卷;第14-20页,全文 * |
Wireless Traffic Prediction With Scalable Gaussian Process: Framework, Algorithms, and Verification;Yue Xu等;《IEEE Journal on Selected Areas in Communications》;第37卷(第06期);第1291 - 1306页,全文 * |
一种基于机器学习的流量预测方法;康珺等;《信息通信》;第231-233页,全文 * |
基于内三角形质心算法的超宽带室内定位;张会猛等;《计算机应用》;第37卷(第01期);第289-298页,全文 * |
基于深度学习的LTE小区趋势预测研究;钱兵等;《信息通信技术与政策》(第06期);第1-7页,全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112085282A (zh) | 2020-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111817868B (zh) | 一种网络质量异常的定位方法与装置 | |
CN103491556A (zh) | 一种网络调整的方法及装置 | |
CN111147395B (zh) | 一种网络资源调整方法及装置 | |
US20230146912A1 (en) | Method, Apparatus, and Computing Device for Constructing Prediction Model, and Storage Medium | |
JP2017034619A (ja) | 通信管理装置、無線端末及びプログラム | |
CN111163482B (zh) | 数据的处理方法、设备及存储介质 | |
CN112308345A (zh) | 通信网络负荷预测方法、装置及服务器 | |
CN112085282B (zh) | 小区流量预测方法及服务器 | |
CN112203322A (zh) | 一种信道资源利用率的统计方法和装置 | |
WO2020215282A1 (en) | Method and apparatus for evaluate data traffic depressed by radio issues | |
CN113891336B (zh) | 通信网络减频退网方法、装置、计算机设备和存储介质 | |
WO2017213065A1 (ja) | サービス管理システム、サービス管理方法、および、記録媒体 | |
CN112637904B (zh) | 负载均衡方法、装置及计算设备 | |
CN114844791A (zh) | 基于大数据的云服务自动管理分配方法、系统及存储介质 | |
CN113766523B (zh) | 服务小区的网络资源利用率预测方法、装置及电子设备 | |
CN109951329B (zh) | 一种网络资源调度方法及装置 | |
CN113015218A (zh) | 移动通信信息的处理方法和装置 | |
CN116261147A (zh) | 网络扩容方法、装置、电子设备及计算机可读存储介质 | |
CN116739440B (zh) | 自智网络的评价方法、装置、电子设备及存储介质 | |
CN113784376B (zh) | 通信系统处理方法、服务器和存储介质 | |
CN114071481B (zh) | 网络锚点部署方法、装置、服务器及计算机可读存储介质 | |
CN113438718B (zh) | 一种基站节能方法、装置、设备及存储介质 | |
CN110895588A (zh) | 一种数据处理方法及设备 | |
CN112449369B (zh) | 识别问题小区的方法、装置、设备及计算机存储介质 | |
KR102441775B1 (ko) | 네트워크 데이터 분석 기능 장치의 최적화 방법 |
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 |