CN112203320A - 一种基于灰色模型预测目标网络参数的方法和装置 - Google Patents
一种基于灰色模型预测目标网络参数的方法和装置 Download PDFInfo
- Publication number
- CN112203320A CN112203320A CN201911013301.7A CN201911013301A CN112203320A CN 112203320 A CN112203320 A CN 112203320A CN 201911013301 A CN201911013301 A CN 201911013301A CN 112203320 A CN112203320 A CN 112203320A
- Authority
- CN
- China
- Prior art keywords
- target
- target network
- parameters
- parameter
- standard value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000009825 accumulation Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000007689 inspection Methods 0.000 claims description 13
- 238000011161 development Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 4
- 210000004027 cell Anatomy 0.000 description 53
- 238000012360 testing method Methods 0.000 description 15
- 238000012937 correction Methods 0.000 description 4
- 101150071746 Pbsn gene Proteins 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 210000003719 b-lymphocyte Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于灰色模型预测目标网络参数的方法和装置,用以解决现有技术中预测网络小区的目标网络参数指标不准确的问题。本申请提供的方案包括:确定目标小区的目标网络参数指标的与目标时刻对应的标准值;获取目标时刻之前的目标小区的目标网络参数指标的多个历史参数;基于多个历史参数和标准值建立目标小区的目标网络参数指标的灰色模型;根据灰色模型预测目标小区在目标时刻的目标网络参数。本方案中目标时刻之前的多个预设时刻的历史参数能体现出目标网络参数指标的参数走势,随后确定的灰色模型符合上述目标网络参数指标的参数走势,进而使预测得到的预测参数符合目标网络参数指标的参数走势,有效提高预测准确性。
Description
技术领域
本发明涉及网络技术领域,尤其涉及一种基于灰色模型预测目标网络参数的参数的方法和装置。
背景技术
现有的移动网络技术发展迅速,网络用户的数量多、数据流量大、通信小区负荷高。为了优化用户的网络使用体验,需要针对符合高的网络小区进行负载均衡控制和容量调度。
但是,现有技术中只能在网络小区已经处于高负荷的状态之后才能进行干预调控,此时高负荷小区中的用户网络体验已经较差,有可能会出现卡顿、断网等情况。现有方案中可以通过技术人员的经验判断网络小区是否即将处于高负荷状态,但这种人为判断方式的主观性较强,判断标准难以统一,预测准确性较差。
如何提高预测网络小区的目标网络参数指标的准确性,是本申请所要解决的技术问题。
发明内容
本申请实施例的目的是提供一种基于灰色模型预测目标网络参数的方法和装置,用以解决现有技术中预测网络小区的目标网络参数指标不准确的问题。
第一方面,提供了一种基于灰色模型预测目标网络参数的方法,包括:
确定目标小区的目标网络参数指标的与目标时刻对应的标准值;
获取所述目标时刻之前的所述目标小区的目标网络参数指标的多个历史参数;
基于所述多个历史参数和所述标准值建立所述目标小区的目标网络参数指标的灰色模型;
根据所述灰色模型预测所述目标小区在所述目标时刻的目标网络参数。
第二方面,提供了一种基于灰色模型预测目标网络参数的装置,包括:
确定模块,确定目标小区的目标网络参数指标的与目标时刻对应的标准值;
获取模块,获取所述目标时刻之前的所述目标小区的目标网络参数指标的多个历史参数;
建立模块,基于所述多个历史参数和所述标准值建立所述目标小区的目标网络参数指标的灰色模型;
预测模块,根据所述灰色模型预测所述目标小区在所述目标时刻的目标网络参数。
第三方面,提供了一种服务器,该服务器包括处理器、存储器及存储在该存储器上并可在该处理器上运行的计算机程序,该计算机程序被该处理器执行时实现如第一方面该的方法的步骤。
第四方面,提供了一种计算机可读存储介质,该计算机可读存储介质上存储计算机程序,该计算机程序被处理器执行时实现如第一方面该的方法的步骤。
在本申请实施例中,基于与目标时刻的目标网络参数指标对应的标准值,以及目标时刻之前的多个预设时刻的目标网络参数指标的历史参数建立灰色模型。进而根据灰色模型确定目标时刻的目标网络参数指标的预测参数。本方案中目标时刻之前的多个预设时刻的历史参数能体现出目标网络参数指标的参数走势,随后确定的灰色模型符合上述目标网络参数指标的参数走势,进而使预测得到的预测参数符合目标网络参数指标的参数走势,有效提高预测准确性。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明的一种基于灰色模型预测目标网络参数的方法的流程示意图之一;
图2是本发明的一种基于灰色模型预测目标网络参数的方法的流程示意图之二;
图3是本发明的一种基于灰色模型预测目标网络参数的方法的流程示意图之三;
图4是本发明的一种基于灰色模型预测目标网络参数的方法的流程示意图之四;
图5是本发明的一种基于灰色模型预测目标网络参数的方法的流程示意图之五;
图6是本发明的一种基于灰色模型预测目标网络参数的方法的流程示意图之六;
图7是本发明的一种基于灰色模型预测目标网络参数的方法的流程示意图之七;
图8是本发明的一种基于灰色模型预测目标网络参数的装置结构示意图。
具体实施方式
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。本申请中附图编号仅用于区分方案中的各个步骤,不用于限定各个步骤的执行顺序,具体执行顺序以说明书中描述为准。
本方案提供的方案可以应用于多种网络中,例如3G网络、4G网路、5G网络等。在本申请实施例中,以LTE网络为例进行说明。本方案中所述的网络参数指标可以包括与网络功能相关的软件指标或硬件指标,例如目标小区的PRB平均利用率、目标小区的用户数量、目标小区的资源占用率等。在本申请实施例中,以下行PRB平均利用率进行说明。
为了解决现有技术中存在的问题,本申请提供一种基于灰色模型预测目标网络参数的方法,如图1所示,包括以下步骤:
S11:确定目标小区的目标网络参数指标的与目标时刻对应的标准值;
S12:获取所述目标时刻之前的所述目标小区的目标网络参数指标的多个历史参数;
S13:基于所述多个历史参数和所述标准值建立所述目标小区的目标网络参数指标的灰色模型;
S14:根据所述灰色模型预测所述目标小区在所述目标时刻的目标网络参数。
在执行本申请提供的方案之前,可以预先对目标小区的目标网络参数指标建立标准值体系,该标准值体系可以包括与目标小区在各个时段的目标网络参数相对应的标准值。具体的,可以根据目标小区的目标网络参数的历史参数建立上述标准值体系,也可以根据实际需求由技术人员通过人工设置标准值的方式建立。
通常情况下,目标小区的下行PRB平均利用率的变化与时间关系密切。例如,A小区信号覆盖范围中包括商场,B小区信号覆盖范围中包括办公楼。在工作日中,办公楼中的人数较多,商场中的人数较少,由此使得B小区的下行PRB平均利用率往往较高,A小区的下行PRB平均利用率往往较低。而在休息日中,办公楼中的人数较少,商场中的人数较多,由此使得B小区的下行PRB平均利用率往往较低,A小区的下行PRB平均利用率往往较高。由此可见,对于不同的小区,不同时间段的网络参数通常不同。
本申请中的标准值体系可以根据目标小区在各个时间段的历史目标网络参数建立。对于上述实施例所述的A小区,工作日的标准值可以小于休息日的标准值,而对于B小区,工作日的标准值可以大于休息日的标准值。在建立标准值体系之后,可以根据标准值体系确定目标小区的目标网络参数指标的与目标时刻对应的标准值。
进一步的,为了提高预测的准确性,一周中的七天的下行PRB平均利用率各不相同,可以对周一至周日分别建立七个独立的标准值。再进一步的,可以预先设置时间周期,例如每15分钟为一个时间周期,对于一天中的24小时每隔15分钟建立一个标准值。实际上,标准值体系中的标准值数量越多,预测的准确性越高,但过多的标准值会增大预测过程中的计算量,降低预测速度。因此,标准值体系具体可以根据目标小区的实际情况设置。较优的,标准值体系中的每个标准值都与一个时间点或一段时间对应,且每个时间点仅对应一个标准值。
在确定与目标时刻对应的标准值之后,获取目标时刻之前的目标小区的目标网络参数指标的多个历史参数。获取的每个历史参数通常对应于一个时刻,较优的,获取的多个历史参数中,每两个基于时间相邻的历史参数的时间差相等。例如,获取3个历史参数分别为12:00、12:15、12:30这三个时刻的参数,每两个相邻的历史参数的时间差均为15分钟。
另外,获取的历史参数数量越多、历史参数的时间跨度越长,则生成的灰色模型越接近于目标网络参数指标的实际情况,有利于提高预测准确性。
随后,基于多个历史参数和标准值建立目标小区的目标网络参数指标的灰色模型。灰色模型(Grey Model,GM)是一种能体现参数发展规律的模型,可以对既含有已知信息又含有不确定信息的系统进行的预测。虽然参数中包含不确定的信息,但是参数是有序的、有界的,通过灰色模型能够体现出数据具备的潜在规律。在本方案中应用的灰色模型为1阶的包含1个变量的微分方程模型,这种灰色模型可以表示为GM(1,1)。建立的灰色模型能够体现出目标网络参数的变化规律,进而可以通过灰色模型预测未来某一时刻的目标网络参数。
在本申请实施例中,基于与目标时刻的目标网络参数指标对应的标准值,以及目标时刻之前的多个预设时刻的目标网络参数指标的历史参数建立灰色模型。进而根据灰色模型确定目标时刻的目标网络参数指标的预测参数。本方案中目标时刻之前的多个预设时刻的历史参数能体现出目标网络参数指标的参数走势,随后确定的灰色模型符合上述目标网络参数指标的参数走势,进而使预测得到的预测参数符合目标网络参数指标的参数走势,有效提高预测准确性。
基于上述实施例提供的方案,较优的,如图2是,上述步骤S11,包括以下步骤:
S111:确定所述目标时刻的日期属性;
S112:将所述目标小区的目标网络参数指标的与所述日期属性对应的标准值,确定为所述目标小区的目标网络参数指标的与目标时刻对应的标准值。
具体的,可以根据预先设定的分类标准确定目标时刻的日期属性。例如,基于日期预先分为“周一”至“周日”共七类属性,如果需要预测周一12:00的目标网络参数指标,则本方案中确定目标时刻的日期属性为“周一”。随后,确定与日期属性相对应的标准值。进而根据确定的标准值创建的灰色模型具有与目标时刻相对应的日期相对应的特征,例如,确定的日期属性为“周一”,则根据“周一”相对应的标准值生成的灰色模型则具有每周一目标网络参数指标走势的特征。进而通过建立的灰色模型能更准确地预测未来周一的目标网络参数。
基于上述实施例提供的方案,较优的,如图3所示,在上述步骤S13之前,还包括:
S15:根据所述多个历史参数修正所述标准值,得到经过修正的标准值;
其中,上述步骤S13,包括:
S130:基于所述多个历史参数和所述经过修正的标准值建立所述目标小区的目标网络参数指标的灰色模型。
本申请提供的方案能对标准值进行调整,使标准值适应于历史参数,使得生成的灰色模型更接近于目标网络参数的实际走势。首先,对每种分类的标准值预先设置修正步长,基于目标网络参数指标的历史参数与标准值的相差值,对标准值进行修正,得到经过修正的标准值。
具体的,本方案先比较历史参数与原标准值的大小,如果历史参数与原标准值相等,则表明原标准值符合目标网络参数指标的实际走势,无需修正。当历史参数与原标准值不相等时,可以分为以下两种情况对标准值进行修正:
情况一:历史参数>原标准值
此时表明目标网络参数实际数值高于标准值,若使标准值接近于目标网络参数的实际走势,则需要调高标准值。此时先对标准值执行预修正,预修正标准值满足以下关系:
预修正标准值=原标准值+修正步长
通过上述方案得到的预修正标准值可以作为最终的经过修正的标准值。另外,为了避免对标准值的过度调整,本方案还可以进一步判断预修正的标准值与历史参数的大小关系,当预修正的标准值大于历史参数时,则表明预修正的调整幅度过大,最终确定的经过修正的标准值可以为上述历史参数,避免经过修正的标准值超过历史参数。如果预修正的标准值未大于历史参数,则可以将预修正的标准值确定为经过修正的标标准值。
情况二:实际值<原标准值
此时表明目标网络参数实际数值低于标准值,若使标准值接近于目标网络参数的实际走势,则需要调低标准值。此时先对标准值执行预修正,预修正标准值满足以下关系:
预修正标准值=原标准值-修正步长
通过上述方案得到的预修正标准值可以作为最终的经过修正的标准值。另外,为了避免对标准值的过度调整,本方案还可以进一步判断预修正的标准值与历史参数的大小关系,当预修正的标准值小于历史参数时,则表明预修正的调整幅度过大,最终确定的经过修正的标准值可以为上述历史参数,避免经过修正的标准值超过历史参数。如果预修正的标准值未小于历史参数,则可以将预修正的标准值确定为经过修正的标标准值。
本方案上述提供的方案基于历史参数与原标准值的大小关系对原标准值进行修正。除了上述提供的方案以外,还可以根据历史参数与原标准值的变化比例对原标准值进行修正。首先,根据历史参数和原标准值计算指标变化比例,可以通过下式计算指标变化比例:
指标变化比例=(历史参数-原标准值)/原标准值
如果得到的指标变化比例为0,则表明原标准值与历史参数相等,当前标准值已经符合目标网络参数指标的实际走势,原标准值无需修正。如果得到的指标变化比例不为0,则表明原标准值需要修正,具体包含以下两种情况:
情况A:指标变化比例>0
此时表明目标网络参数实际数值高于标准值,可以采用上述情况一的方案对原标准值进行调整,此处不再赘述。
情况B:指标变化比例<0
此时表明目标网络参数实际数值低于标准值,可以采用上述情况二的方案对原标准值进行调整,此处不再赘述。
在本方案中,根据多个历史参数修正标准值可以得到多个经过修正的标准值。较优的,记录每个历史参数与经过该历史参数修正得到的标准值的对应关系,可以通过列表的形式存储上述多个历史参数与相对应的修正后的标准值,得到的列表中历史参数与修正后的标准值一一对应。随后,可以根据列表中的多个历史参数和多个修正后的标准值建立灰色模型。
通过上述方案可以得到符合目标网络参数走势的经过调整的标准值,随后,基于历史参数和经过修正的标准值建立所述目标小区的目标网络参数指标的灰色模型,使建立的灰色模型符合目标网络参数走势,进而提高预测目标时刻的目标网络参数的准确性。
基于上述实施例提供的方案,较优的,如图4所示,上述步骤S130,包括:
S131:根据每个所述历史参数与所述经过修正的标准值的差值,生成参数序列;
S132:对所述参数序列执行一次累加,得到一次累加序列;
S133:根据所述参数序列和所述一次累加序列确定发展灰度a;
S134:基于所述一次累加序列和所述发展灰度a建立所述目标小区的目标网络参数指标的灰色模型。
具体的,本实施例中历史参数与经过修正的标准值如下表:
本方案基于上述历史参数和标准值计算差值,生成参数序列X(0)如下:
X(0)={X(0)(1),X(0)(2),X(0)(3),...,X(0)(20)}
={0.0091,0.019,0.02,0.0335,0.0535,0.0785,0.10,
0.1227,0.1365,0.1487,0.1456,0.1452,0.1364,
0.1443,0.143,0.172,0.167,0.164,0.1591,0.169}
随后,参照下式对上述参数序列X(0)执行一次累加(1—AGO,AcumulatedGenerating Operator):
经过一次累加得到一次累加序列X(1)如下:
X(1)={X(1)(1),X(1)(2),X(1)(3),...}
={0.0091,0.0281,0.0481,0.0816,0.1351,0.2136,
0.3136,0.4363,0.5728,0.7215,0.8671,1.0123,
1.1487,1.2930,1.4360,1.6080,1.7750,1.939,
2.0981}
对上述一次累加序列X(1)可建立下述微分方程:
其中,a为发展灰度,可用下式求解:
基于上述实施例提供的方案,较优的,如图5所示,上述步骤S133,包括以下步骤:
S1331:根据所述一次累加序列建立参数矩阵B;
S1332:根据所述参数序列建立序列参数Yn;
S1333:根据所述参数矩阵B和所述序列参数Yn确定发展灰度a。
其中,B满足下式:
其中,Yn满足下式:
Yn=(X(0)(2),X(0)(3),...,X(0)(n))T
通过以上公式可以得到上述微分方程的解如下:
上述微分方程的解可表示为:
或者,
通过以上方案可以计算得到的发展灰度a如下:
随后,建立的灰色模型如下:
基于上述实施例提供的方案,较优的,如图6所示,上述步骤S14,包括以下步骤:
S141:根据所述灰色模型确定所述目标时刻的所述目标小区的目标网络参数指标的预测误差值;
S142:对所述预测误差值进行还原,得到经过还原的预测误差值;
S143:根据所述经过还原的预测误差值和所述经过修正的标准值,预测所述目标小区在所述目标时刻的目标网络参数。
本申请提供的方案中,建立的灰色模型能展现目标网络参数指标的走势,具体可以通过曲线图等形式展现。基于上述灰色模型,首先确定目标时刻的目标小区的目标网络参数指标的预测误差值。由于建立灰色模型的过程中对原参数序列执行了一次累加,所以随后对得到的预测误差值进行还原,具体可以通过以下公式以累减的方式进行还原:
得到经过还原的预测误差值如下:
在计算得到经过还原的预测误差值之后,根据经过还原的预测误差值和经过修正的标准值,预测所述目标小区在目标时刻的目标网络参数。具体的,将经过还原的预测误差值和经过修正的标准值的和确定为目标小区在目标时刻的目标网络参数。
基于上述实施例提供的方案,较优的,如图7所示,在上述步骤S14之前,还包括以下步骤:
S16:基于预设检验模型确定所述灰色模型的检验参数;
S17:判断所述检验参数是否符合预设检验标准;
其中,上述步骤S14,包括:
S144:在所述检验参数符合预设检验标准时,根据所述灰色模型预测所述目标小区在所述目标时刻的目标网络参数。
本申请提供的方案对建立的灰色模型进行检验,检验结果可以体现出灰色模型预测的准确性。具体的,可以通过以下方式对灰色模型执行检验:
方式一:检验灰色模型的残差
基于所述参数序列X(0)建立检验模型残差序列ε(0)。
根据所述参数序列X(0)和所述检验模型残差序列ε(0)建立检验模型相对误差序列Δ。
具体的,上述参数序列为:X(0)={X(0)(1),X(0)(2),...,X(0)(n)}。
建立的检验模型残差序列为:
建立检验模型相对误差序列为:
方式二:检验灰色模型的误差概率
具体的,上述参数序列为:X(0)={X(0)(1),X(0)(2),...,X(0)(n)}。
建立的检验模型残差序列为:
本申请提供的方案可以对灰色模型进行检验,检验结果可以体现出灰色模型预测的准确性。本方案上述实施例提供了两种检验灰色模型的方法,分别是残差检验法和小误差概率检验法,除此之外,还可以对灰色模型的相对误差、关联度、均方差比例等其他参数进行检验。也可以结合多个参数对灰色模型进行多重检验,在实际应用过程中,可以根据实际需求选择检验灰色模型的参数。
为了解决现有技术中存在的上述问题,如图8所示,本申请还提供一种基于灰色模型预测目标网络参数的装置80,包括:
确定模块81,确定目标小区的目标网络参数指标的与目标时刻对应的标准值;
获取模块82,获取所述目标时刻之前的所述目标小区的目标网络参数指标的多个历史参数;
建立模块83,基于所述多个历史参数和所述标准值建立所述目标小区的目标网络参数指标的灰色模型;
预测模块84,根据所述灰色模型预测所述目标小区在所述目标时刻的目标网络参数。
在本申请实施例中,基于与目标时刻的目标网络参数指标对应的标准值,以及目标时刻之前的多个预设时刻的目标网络参数指标的历史参数建立灰色模型。进而根据灰色模型确定目标时刻的目标网络参数指标的预测参数。本方案中目标时刻之前的多个预设时刻的历史参数能体现出目标网络参数指标的参数走势,随后确定的灰色模型符合上述目标网络参数指标的参数走势,进而使预测得到的预测参数符合目标网络参数指标的参数走势,有效提高预测准确性。
优选的,本发明实施例还提供一种服务器,包括处理器,存储器,存储在存储器上并可在所述处理器上运行的计算机程序,该计算机程序被处理器执行时实现上述一种基于灰色模型预测目标网络参数的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本发明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上存储有计算机程序,该计算机程序被处理器执行时实现上述一种基于灰色模型预测目标网络参数的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本发明的保护之内。
Claims (10)
1.一种基于灰色模型预测目标网络参数的方法,其特征在于,包括:
确定目标小区的目标网络参数指标的与目标时刻对应的标准值;
获取所述目标时刻之前的所述目标小区的目标网络参数指标的多个历史参数;
基于所述多个历史参数和所述标准值建立所述目标小区的目标网络参数指标的灰色模型;
根据所述灰色模型预测所述目标小区在所述目标时刻的目标网络参数。
2.如权利要求1所述的方法,其特征在于,所述确定目标小区的目标网络参数指标的与目标时刻对应的标准值,包括:
确定所述目标时刻的日期属性;
将所述目标小区的目标网络参数指标的与所述日期属性对应的标准值,确定为所述目标小区的目标网络参数指标的与目标时刻对应的标准值。
3.如权利要求2所述的方法,其特征在于,在基于所述多个历史参数和所述标准值建立所述目标小区的目标网络参数指标的灰色模型之前,还包括:
根据所述多个历史参数修正所述标准值,得到经过修正的标准值;
其中,所述基于所述多个历史参数和所述标准值建立所述目标小区的目标网络参数指标的灰色模型,包括:
基于所述多个历史参数和所述经过修正的标准值建立所述目标小区的目标网络参数指标的灰色模型。
4.如权利要求3所述的方法,其特征在于,所述基于所述多个历史参数和所述经过修正的标准值建立所述目标小区的目标网络参数指标的灰色模型,包括:
根据每个所述历史参数与所述经过修正的标准值的差值,生成参数序列X(0);
对所述参数序列X(0)执行一次累加,得到一次累加序列X(1);
根据所述参数序列X(0)和所述一次累加序列X(1)确定发展灰度a;
基于所述一次累加序列X(1)和所述发展灰度a建立所述目标小区的目标网络参数指标的灰色模型。
5.如权利要求4所述的方法,其特征在于,所述根据所述参数序列X(0)和所述一次累加序列X(1)确定发展灰度a,包括:
根据所述一次累加序列X(1)建立参数矩阵B;
根据所述参数序列X(0)建立序列参数Yn;
根据所述参数矩阵B和所述序列参数Yn确定发展灰度a。
6.如权利要求3~5任一项所述的方法,其特征在于,所述根据所述灰色模型预测所述目标小区在所述目标时刻的目标网络参数,包括:
根据所述灰色模型确定所述目标时刻的所述目标小区的目标网络参数指标的预测误差值;
对所述预测误差值进行还原,得到经过还原的预测误差值;
根据所述经过还原的预测误差值和所述经过修正的标准值,预测所述目标小区在所述目标时刻的目标网络参数。
7.如权利要求1~5任一项所述的方法,其特征在于,在根据所述灰色模型预测所述目标小区在所述目标时刻的目标网络参数之前,还包括:
基于预设检验模型确定所述灰色模型的检验参数;
判断所述检验参数是否符合预设检验标准;
其中,所述根据所述灰色模型预测所述目标小区在所述目标时刻的目标网络参数,包括:
在所述检验参数符合预设检验标准时,根据所述灰色模型预测所述目标小区在所述目标时刻的目标网络参数。
8.一种基于灰色模型预测目标网络参数的装置,其特征在于,包括:
确定模块,确定目标小区的目标网络参数指标的与目标时刻对应的标准值;
获取模块,获取所述目标时刻之前的所述目标小区的目标网络参数指标的多个历史参数;
建立模块,基于所述多个历史参数和所述标准值建立所述目标小区的目标网络参数指标的灰色模型;
预测模块,根据所述灰色模型预测所述目标小区在所述目标时刻的目标网络参数。
9.一种服务器,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的方法的步骤。
10.一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上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法的步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910609735 | 2019-07-08 | ||
CN2019106097357 | 2019-07-08 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112203320A true CN112203320A (zh) | 2021-01-08 |
CN112203320B CN112203320B (zh) | 2023-04-28 |
Family
ID=74004699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911013301.7A Active CN112203320B (zh) | 2019-07-08 | 2019-10-23 | 一种基于灰色模型预测目标网络参数的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112203320B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1264526A (zh) * | 1997-05-22 | 2000-08-23 | 艾利森电话股份有限公司 | 基于无线电链路参数的移动电信网络中的语音质量测量 |
WO2013010404A1 (zh) * | 2011-07-18 | 2013-01-24 | 中兴通讯股份有限公司 | 设备性能预测处理方法及装置 |
CN103780445A (zh) * | 2012-10-22 | 2014-05-07 | 北京临近空间飞行器系统工程研究所 | 一种阈值自适应修正的网络流量监控系统及方法 |
US20160034823A1 (en) * | 2014-07-31 | 2016-02-04 | Collision Communications, Inc. | Methods, Systems, And Computer Program Products For Optimizing A Predictive Model For Mobile Network Communications Based On Historical Context Information |
US20160050571A1 (en) * | 2013-05-02 | 2016-02-18 | Huawei Technologies Co., Ltd. | Network optimization method, and network optimization device |
JP2017220732A (ja) * | 2016-06-03 | 2017-12-14 | 日本電信電話株式会社 | ネットワークパラメータ推定装置、ネットワークパラメータ推定方法およびプログラム |
JP2018019376A (ja) * | 2016-07-29 | 2018-02-01 | 富士通株式会社 | 無線通信システム、基地局及び閾値制御方法 |
CN108599976A (zh) * | 2018-02-13 | 2018-09-28 | 广东省电信规划设计院有限公司 | 网络质量评估模型构建方法、装置及计算机设备 |
CN109302719A (zh) * | 2018-11-05 | 2019-02-01 | 北京市天元网络技术股份有限公司 | 一种lte小区容量预测分析方法及装置 |
CN109587713A (zh) * | 2018-12-05 | 2019-04-05 | 广州数锐智能科技有限公司 | 一种基于arima模型的网络指标预测方法、装置及存储介质 |
CN109640340A (zh) * | 2018-12-25 | 2019-04-16 | 中国联合网络通信集团有限公司 | 基站数据处理方法、装置、设备及计算机可读存储介质 |
CN109688589A (zh) * | 2017-10-19 | 2019-04-26 | 中国电信股份有限公司 | 无线网络容量规划方法和装置 |
CN109814938A (zh) * | 2017-11-20 | 2019-05-28 | 广东欧珀移动通信有限公司 | 应用程序预测模型建立、预加载方法、装置、介质及终端 |
-
2019
- 2019-10-23 CN CN201911013301.7A patent/CN112203320B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1264526A (zh) * | 1997-05-22 | 2000-08-23 | 艾利森电话股份有限公司 | 基于无线电链路参数的移动电信网络中的语音质量测量 |
WO2013010404A1 (zh) * | 2011-07-18 | 2013-01-24 | 中兴通讯股份有限公司 | 设备性能预测处理方法及装置 |
CN103780445A (zh) * | 2012-10-22 | 2014-05-07 | 北京临近空间飞行器系统工程研究所 | 一种阈值自适应修正的网络流量监控系统及方法 |
US20160050571A1 (en) * | 2013-05-02 | 2016-02-18 | Huawei Technologies Co., Ltd. | Network optimization method, and network optimization device |
US20160034823A1 (en) * | 2014-07-31 | 2016-02-04 | Collision Communications, Inc. | Methods, Systems, And Computer Program Products For Optimizing A Predictive Model For Mobile Network Communications Based On Historical Context Information |
JP2017220732A (ja) * | 2016-06-03 | 2017-12-14 | 日本電信電話株式会社 | ネットワークパラメータ推定装置、ネットワークパラメータ推定方法およびプログラム |
JP2018019376A (ja) * | 2016-07-29 | 2018-02-01 | 富士通株式会社 | 無線通信システム、基地局及び閾値制御方法 |
CN109688589A (zh) * | 2017-10-19 | 2019-04-26 | 中国电信股份有限公司 | 无线网络容量规划方法和装置 |
CN109814938A (zh) * | 2017-11-20 | 2019-05-28 | 广东欧珀移动通信有限公司 | 应用程序预测模型建立、预加载方法、装置、介质及终端 |
CN108599976A (zh) * | 2018-02-13 | 2018-09-28 | 广东省电信规划设计院有限公司 | 网络质量评估模型构建方法、装置及计算机设备 |
CN109302719A (zh) * | 2018-11-05 | 2019-02-01 | 北京市天元网络技术股份有限公司 | 一种lte小区容量预测分析方法及装置 |
CN109587713A (zh) * | 2018-12-05 | 2019-04-05 | 广州数锐智能科技有限公司 | 一种基于arima模型的网络指标预测方法、装置及存储介质 |
CN109640340A (zh) * | 2018-12-25 | 2019-04-16 | 中国联合网络通信集团有限公司 | 基站数据处理方法、装置、设备及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
吴沐阳等: "基于指标相关性的网络运维质量评估模型", 《计算机应用》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112203320B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109983798B (zh) | 蜂窝网络中的性能指标的预测 | |
CN110880984A (zh) | 基于模型的流量异常监测方法、装置、设备及存储介质 | |
CN109362084B (zh) | 通信业务质量优化的方法、装置、设备和介质 | |
CN112702194B (zh) | 室分小区故障定位方法、装置及电子设备 | |
CN112256553A (zh) | 一种应用软件测试方法、装置及电子设备 | |
JP2018500798A (ja) | セル間干渉を処理するための方法、機器、制御装置及び基地局 | |
CN110380982B (zh) | 一种流量控制方法及相关装置 | |
CN110619408B (zh) | 一种信息获取方法、设备和计算机存储介质 | |
CN111596222B (zh) | 一种获得车辆电池的健康状态的方法和相关装置 | |
CN112203320A (zh) | 一种基于灰色模型预测目标网络参数的方法和装置 | |
CN108599976B (zh) | 网络质量评估模型构建方法、装置及计算机设备 | |
CN111130933B (zh) | 页面流量的预估方法、装置及计算机可读存储介质 | |
CN115051384B (zh) | 一种调频性能评估方法、装置、设备及介质 | |
CN108521435B (zh) | 一种用户网络行为画像的方法及系统 | |
CN113051526A (zh) | 一种量化评估方法及装置 | |
CN113220552B (zh) | 车载信息娱乐系统中限制应用运行数量的方法和电子设备 | |
CN115150901B (zh) | 确定通信网络中的质差小区的方法、装置及存储介质 | |
CN111582628A (zh) | 质量评估方法及装置 | |
CN114419033A (zh) | 缺陷识别方法、装置、电子装置及可读存储介质 | |
CN114021302A (zh) | 输电线路的寿命评估方法、装置、系统及存储介质 | |
CN113128794A (zh) | 一种量化评估方法及装置 | |
CN111711957A (zh) | 基于流量的站点扩容预测方法、装置及系统 | |
CN112580908A (zh) | 一种无线性能指标评估方法及装置 | |
CN111246515B (zh) | 确定干扰源小区的上行干扰贡献度的方法和装置 | |
CN114076609A (zh) | 车辆里程确定方法、装置、车辆及存储介质 |
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 |