CN112312411A - VoLTE业务的业务量预测方法和终端设备 - Google Patents
VoLTE业务的业务量预测方法和终端设备 Download PDFInfo
- Publication number
- CN112312411A CN112312411A CN201910690437.5A CN201910690437A CN112312411A CN 112312411 A CN112312411 A CN 112312411A CN 201910690437 A CN201910690437 A CN 201910690437A CN 112312411 A CN112312411 A CN 112312411A
- Authority
- CN
- China
- Prior art keywords
- model
- traffic
- arima
- distribution data
- volte
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract description 59
- 230000002123 temporal effect Effects 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 39
- 230000015654 memory Effects 0.000 claims abstract description 29
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000010200 validation analysis Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 19
- 230000008569 process Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000005309 stochastic process Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical class 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- H04W16/22—Traffic simulation tools or models
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Telephonic Communication Services (AREA)
Abstract
本发明公开了一种VoLTE业务的业务量预测方法和终端设备,方法包括:确定VoLTE业务的历史业务量的时态分布数据,所述时态分布数据用于表征所述历史业务量在时间维度上的分布情况;基于所述时态分布数据,训练出长短时间记忆网络LSTM模型和整合移动平均自回归ARIMA模型;对所述LSTM模型和所述ARIMA模型进行拟合,得到拟合模型,以基于所述拟合模型,预测目标时间的VoLTE业务量。由此可见,本发明通过基于VoLTE业务的历史业务量的时态分布数据训练出LSTM模型和ARIMA模型,以基于LSTM模型和ARIMA模型拟合后的拟合模型预测目标时间的VoLTE业务量,从而能够达到更准确地进行VoLTE业务的业务量预测的目的。
Description
技术领域
本发明涉及终端领域,尤其涉及一种VoLTE业务的业务量预测方法和终端设备。
背景技术
长期演进语音承载(Voice over Long-Term Evolution,VoLTE)是一个面向手机和数据终端的高速无线通信标准,能够使语音服务(控制和媒体层面)作为数据流在LTE数据承载网络中传输,而不再需维护和依赖传统的电路交换语音网络。
现有的VoLTE业务的业务量预测的方法主要包括根据入网的终端设备的数量进行预测,以及根据以往相同重大节假日的VoLTE业务量和人为经验进行预测;然而通过上述方法对VoLTE业务量进行预测时均存在预测不准确的问题。
因此,亟需一种更可靠的的VoLTE业务的业务量预测方法。
发明内容
本发明实施例的目的是提供一种VoLTE业务的业务量预测方法和终端设备,能够更准确地对VoLTE业务的业务量进行预测。
第一方面,提供了一种VoLTE业务的业务量预测的方法,该方法包括:
确定VoLTE业务的历史业务量的时态分布数据,所述时态分布数据用于表征所述历史业务量在时间维度上的分布情况;
基于所述时态分布数据,训练出长短时间记忆网络LSTM模型和整合移动平均自回归ARIMA模型;
对所述LSTM模型和所述ARIMA模型进行拟合,得到拟合模型,以基于所述拟合模型,预测目标时间的VoLTE业务量。
第二方面,提供了一种终端设备,该终端设备包括:
确定模块,用于确定VoLTE业务的历史业务量的时态分布数据,所述时态分布数据用于表征所述历史业务量在时间维度上的分布情况;
训练模块,用于基于所述时态分布数据,训练出长短时间记忆网络LSTM模型和整合移动平均自回归ARIMA模型;
拟合模块,用于对所述LSTM模型和所述ARIMA模型进行拟合,得到拟合模型,以基于所述拟合模型,预测目标时间的VoLTE业务量。
第三方面,提供了一种终端设备,所述终端设备包括:处理器、存储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第一方面所述的方法的步骤。
第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的方法的步骤。
在本发明实施例中,通过基于VoLTE业务的历史业务量的时态分布数据训练出LSTM模型和ARIMA模型,以基于LSTM模型和ARIMA模型拟合后的拟合模型预测目标时间的VoLTE业务量,从而能够更准确地对目标时间的VoLTE业务量进行预测。
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是本发明的一个实施例提供的一种VoLTE业务的业务量预测方法的流程示意图;
图2是本发明的一个实施例提供的一种LSTM模型的内部节点示意图;
图3是本发明的一个实施例提供的一种训练集样本和测试集样本的示意图;
图4是本发明的一个实施例提供的一种实际VoLTE业务量和基于LSTM模型预测出的VoLTE业务量的对比图;
图5是本发明的一个实施例提供的一种非平稳时间序列和平稳时间序列的示意图;
图6是本发明的一个实施例提供的一种基于LSTM模型预测出的目标时间的VoLTE业务量;
图7a是本发明的一个实施例提供的一种VoLTE业务容量检测预警系统架构示意图;
图7是本发明的一个实施例提供的一种终端设备的结构示意图;
图8是本发明的另一个实施例提供的一种终端设备的结构示意图。
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。
图1是本发明的一个实施例提供的一种VoLTE业务的业务量预测方法的流程示意图,参见图1,该方法具体可以包括如下步骤:
步骤102:确定VoLTE业务的历史业务量的时态分布数据,所述时态分布数据用于表征所述历史业务量在时间维度上的分布情况。
需要说明的是,步骤102的一种实现方式可以为:
步骤S1:获取所述VoLTE业务的历史业务量;
其中,所述历史业务量包括历史语音话务量、历史视频话务量和历史会话边界控制器(Session Border Controller,SBC)用户数中的至少一种。
基于此,能够使得获取到的历史业务量更具多样化。
步骤S2:对所述历史业务量进行统计分析,得到所述历史业务量的时态分布数据。
其中,历史业务量的时态分布数据可以每小时、每天、每周或每月等时间维度的历史业务量;表1为获取到的历史语音话务量和历史视频话务量的时态分布数据,参见表1,爱尔兰(Erlang,erl)为表示语音话务量强度和视频话务量强度的单位;表2为获取到的SBC用户数的时态分布数据。
表1
表2
基于此,通过对获取到的VoLTE业务的历史业务量进行统计分析,从而得到历史业务量的时态分布数据,能够使得时态分布数据的确定更加便捷和准确。
步骤104:基于所述时态分布数据,训练出长短时间记忆网络LSTM模型和整合移动平均自回归ARIMA模型。
需要说明的是,步骤104的一种实现方式可以为:
步骤S3:对所述时态分布数据进行特征提取,得到第一特征集和标签集,并对所述第一特征集进行特征清洗得到第二特征集;
步骤S4:基于所述第二特征集和所述标签集生成历史业务量样本集;
步骤S5:基于所述历史业务量样本集,训练出长短时间记忆网络LSTM模型和整合移动平均自回归ARIMA模型。
其中,标签集中的标签可以为某一历史时间内,语音话务量、视频话务量或SBC用户数的多少;特征清洗用于去除掉第一特征集中的异常特征;LSTM(Long Short TermMemory Networks),即长短时间记忆网络,是循环神经网络(Recurrent Neural Network,RNN)的一个变种,LSTM通过对循环层的刻意设计来避免长期依赖和梯度消失,爆炸等问题。长期信息的记忆在LSTM中是默认行为,而无需付出代价就能获得此能力。
从网络主题上来看,RNN和LSTM是相似的,都具有一种循环神经网络的链式形式。在标准的RNN中,这个循环节点只有一个非常简单的结构,如一个tanh层。LSTM的内部要复杂得多,在循环的阶段内部拥有更多的复杂的结构,即4个不同的层来控制来控制信息的交互。
参见图2,LSTM模型通过一种叫做门(gates)的结构来实现信息的添加或者删除,LSTM模型的具体原理如下所示:
门可以实现选择性地让信息通过,主要是通过一个sigmoid的神经层和一个逐点相乘的操作来实现的。sigmoid层输出(是一个向量)的每个元素都是一个在0和1之间的实数,表示让对应信息通过的权重(或者占比)。比如,0表示“不让任何信息通过”,1表示“让所有信息通过”。
LSTM通过三个这样的门结构来实现信息的保护和控制。这三个门分别为输入门、遗忘门和输出门。
(1)遗忘门
首先,决定从细胞状态中丢弃什么信息。这个决策是通过一个称为“遗忘门”的层来完成的。该门会读取ht-1和xt,使用sigmoid函数输出一个在0-1之间的数值,输出给在状态Ct-1中每个细胞的数值,参见下式:
ft=σ(Wf·[ht-1,xt]+bf);其中,σ为sigmoid函数;Wf为权重矩阵;[ht-1,Xt]表示把向量ht-1和向量Xt连接成一个更长的向量;bf为偏置项。
(2)输入门
下一步是决定让多少新的信息加入到cell状态中来。实现这个需要包括两个步骤:首先,一个叫做“input gate layer”的sigmoid层决定哪些信息需要更新;一个tanh层生成一个向量,也就是备选的用来更新的内容,在下一步,把这两部分联合起来,对cell的状态进行一个更新,参见下式:it=σ(Wi·[ht-1,xt]+bi),其中,Wi和WC为权重矩阵;tanh为双曲正切函数;bi和bC为偏置项。
接着进行更新旧细胞状态,Ct-1更新为Ct。前面的步骤已经决定了将会做什么,现在就是实际去完成。
(3)输出门
最终,需要确定输出什么值。这个输出将会基于我们的细胞状态,但是也是一个过滤后的版本。首先,运行一个sigmoid层来确定细胞状态的哪个部分将输出出去。接着,把细胞状态通过tanh进行处理(得到一个在-1到1之间的值)并将它和sigmoid门的输出相乘,最终仅仅会输出已经确定输出的那部分。
ot=σ(Wo·[ht-1,xt]+bo),ht=ot*tanh(Ct);其中,Wo为权重矩阵,bo为偏置项。
整合移动平均自回归(ARIMA,Autoregressive Integrated Moving AverageModel)。也记作ARIMA(p,d,q),是统计模型(statistic model)中最常见的一种用来进行时间序列预测的模型,ARIMA模型的基本原理如下所示:
ARIMA模型可以用来处理‘随机过程的特征随着时间变化而非固定’且‘导致时间序列非平稳的原因是随机而非确定’的问题。不过,如果是从一个非平稳时间序列开始,首先需要做差分,直到得到一个平稳时间序列。
ARIMA模型的思想就是从历史的数据中学习到随时间变化的规律,并应用此规律去预测未来的数据,参见图6,可以用获取到的VoLTE业务的历史业务量去预测目标时间的VoLTE业务量。
时间序列,就是按时间顺序排列的,随时间变化的数据序列。例如可以是销售额,顾客数,访问量,股价,油价,GDP,气温等。
随机过程的特征有均值、方差、协方差等。如果随机过程的特征随着时间变化,则此过程是非平稳的;相反,如果随机过程的特征不随时间而变化,就称此过程是平稳的。参见图5,左边为非平稳时间序列,右边为平稳时间序列。
非平稳时间序列分析时,若导致非平稳的原因是确定的,可以用的方法主要有趋势拟合模型、季节调整模型、移动平均、指数平滑等方法。若导致非平稳的原因是随机的,方法主要有ARIMA及自回归条件异方差模型等。
ARIMA(p,d,q)模型,其中d是差分的阶数,用来得到平稳序列。
AR是自回归,p为相应的自回归项。
MA为移动平均,q为相应的移动平均项数。
差分(difference)又名差分函数或差分运算,差分的结果反映了离散量之间的一种变化,是研究离散数学的一种工具。它将原函数f(x)映射到f(x+a)-f(x+b)。
ARIMA(p,d,q)模型可以表示为:
ARIMA模型的输入为历史数据,输出为未来时间的预测数据。
其中,L为滞后算子;φi和θi为自回归参数;Xt为P阶自回归过程;εt为误差。
基于此,通过对时态分布数据进行特征提取和特征清洗,以生成历史业务量样本集,并基于所述历史业务量样本集对LSTM模型和ARIMA模型进行训练,从而使得训练出的LSTM模型和ARIMA模型能够更可靠、更准确地预测出目标时间的VoLTE业务量。
进一步地,步骤S5的一种实现方式可以为:
步骤S51:将所述历史业务量样本集中的样本分为训练集样本和验证集样本;
步骤S52:基于所述训练集样本训练所述LSTM模型和所述ARIMA模型;
步骤S53:基于所述验证集样本调整所述LSTM模型和所述ARIMA模型的参数。
其中,下表3为LSTM模型输出的调整后的部分参数,可在模型的参数确定后,对目标时间的VoLTE业务量进行预测。
表3
基于此,通过将历史业务量样本集中的样本分为训练集样本和验证集样本,能够在训练模型的过程中,不断对模型的参数进行调节,从而优化训练出的模型,并基于优化完成的模型预测目标时间的VoLTE业务量。
进一步地,参见图3,步骤S5的另一种实现方式可以为:
步骤S51’:将所述历史业务量样本集中的样本分为训练集样本、验证集样本和测试集样本;
步骤S52’:基于所述训练集样本训练所述LSTM模型和所述ARIMA模型;
步骤S53’:基于所述验证集样本调整所述LSTM模型和所述ARIMA模型的参数。
步骤S54’:基于所述测试集样本检验所述LSTM模型和所述ARIMA模型的性能。
步骤106:对所述LSTM模型和所述ARIMA模型进行拟合,得到拟合模型,以基于所述拟合模型,预测目标时间的VoLTE业务量。
由于每种模型均有一定的优缺点,因此可采用LSTM模型与ARIMA模型相结合的模式进行拟合,科学有效的结合两者的优点,进一步提升模型预测的泛化能力,提高预测准确率。
模型拟合算法如下:
g(x)=Wj1*f(x)+Wj2*k(x)
其中g(x)为拟合后的模型函数,f(x)为LSTM循环神经网络模型函数,k(x)为ARIMA模型函数,(Wj1,Wj2)为模型拟合权重集。
需要说明的是,参见图4,在步骤106之后,还包括准确率对比步骤,该步骤的一种实现方式可以为:
将预测出的目标时间的VoLTE业务量与目标时间的实际VoLTE业务量进行对比,以更新所述拟合模型。
基于此,通过不断将预测的VoLTE业务量和实际的VoLTE业务量进行对比,以更新所述拟合模型,从而能够提升拟合模型对目标时间的VoLTE业务量的预测准确率。
需要说明的是,在步骤106后,还包括扩充步骤,该步骤的一种实现方式可以为:
步骤S6:获取所述VoLTE业务的业务容量,所述业务容量用于表征VoLTE网络允许的最大业务量;
步骤S7:若预测出的所述目标时间的VoLTE业务量与所述业务容量的比值大于预设阈值,则扩充所述业务容量。
下表4为目标时间的话务量的预测结果、话务量对应的业务容量以及两者的比值(话务利用率),参见下表4,获取到的话务量对应的业务容量为60188Erl,假设目标时间为time5,第一预设阈值为70%,则步骤S6和步骤S7的一种实现方式可以为:
由于预测出的time5的话务量为43205,43205与60188的比值大于70%,因此可将话务量对应的业务容量由60188Erl扩充至120378Erl。
表4
下表5为目标时间的SBC用户数的预测结果以及SBC用户数和SBC用户数对应的业务容量的比值(SBC容量利用率),参见下表5,假设目标时间为time4,第二预设阈值为55%,则步骤S6和步骤S7的另一种实现方式可以为:
由于预测出的time4的SBC用户数为305万,SBC容量利用率为55.45%,超出55%,而此时SBC用户数对应的业务容量550万,因此可将SBC用户数对应的业务容量扩充至733万,此时预测出的time5的SBC用户数与SBC用户数对应的业务容量的比值为38.20%,小于第二预设阈值55%,符合要求。
表5
基于此,通过预测目标时间(尤其是节假日期间)的VoLTE业务量并向节假日保障小组提供科学有效的容量预测结果,以使节假日保障小组在预测出的目标时间的VoLTE业务量与业务容量的比值大于预设阈值时,能够更及时对业务容量进行扩充。
本实施例中,通过基于VoLTE业务的历史业务量的时态分布数据训练出LSTM模型和ARIMA模型,以基于LSTM模型和ARIMA模型拟合后的拟合模型预测目标时间的VoLTE业务量,从而能够更准确地对目标时间的VoLTE业务量进行预测。
图7a是本发明的一个实施例提供的一种VoLTE业务容量检测预警系统架构示意图,参见图7a,该系统具体可以包括:原始数据处理模块、模型算法运算模块和VoLTE业务容量预警模块,其中:
原始数据处理模块,用于确定VoLTE业务的历史业务量的时态分布数据,所述时态分布数据用于表征所述历史业务量在时间维度上的分布情况;
模型算法运算模块,用于基于所述时态分布数据,训练出长短时间记忆网络LSTM模型和整合移动平均自回归ARIMA模型,并对所述LSTM模型和所述ARIMA模型进行拟合,得到拟合模型;
VoLTE业务容量预警模块,用于获取所述VoLTE业务的业务容量,所述业务容量用于表征VoLTE网络允许的最大业务量;
若预测出的所述目标时间的VoLTE业务量与所述业务容量的比值大于预设阈值,则进行业务容量预警并扩充所述业务容量。
可见,本实施例通过基于VoLTE业务的历史业务量的时态分布数据训练出LSTM模型和ARIMA模型,以基于LSTM模型和ARIMA模型拟合后的拟合模型预测目标时间的VoLTE业务量,从而能够更准确地对目标时间的VoLTE业务量进行预测。
图7是本发明的一个实施例提供的一种终端设备的结构示意图,参见图7,该终端设备具体可以包括:确定模块702、训练模块704和拟合模块706,其中:
确定模块702,用于确定VoLTE业务的历史业务量的时态分布数据,所述时态分布数据用于表征所述历史业务量在时间维度上的分布情况;
训练模块704,用于基于所述时态分布数据,训练出长短时间记忆网络LSTM模型和整合移动平均自回归ARIMA模型;
拟合模块706,用于对所述LSTM模型和所述ARIMA模型进行拟合,得到拟合模型,以基于所述拟合模型,预测目标时间的VoLTE业务量。
可选的,确定模块702包括:
确定单元,用于获取所述VoLTE业务的历史业务量;
对所述历史业务量进行统计分析,得到所述历史业务量的时态分布数据。
可选的,训练模块704包括:
训练单元,用于对所述时态分布数据进行特征提取,得到第一特征集和标签集,并对所述第一特征集进行特征清洗得到第二特征集;
基于所述第二特征集和所述标签集生成历史业务量样本集;
基于所述历史业务量样本集,训练出长短时间记忆网络LSTM模型和整合移动平均自回归ARIMA模型。
可选的,训练单元包括:
训练子单元,用于将所述历史业务量样本集中的样本分为训练集样本和验证集样本;
基于所述训练集样本训练所述LSTM模型和所述ARIMA模型;
基于所述验证集样本调整所述LSTM模型和所述ARIMA模型的参数。
可选的,终端设备还包括:
扩充模块,用于获取所述VoLTE业务的业务容量,所述业务容量用于表征VoLTE网络允许的最大业务量;
若预测出的所述目标时间的VoLTE业务量与所述业务容量的比值大于预设阈值,则扩充所述业务容量。
可选的,所述历史业务量包括历史语音话务量、历史视频话务量和历史会话边界控制器SBC用户数中的至少一种。
可见,本实施例通过基于VoLTE业务的历史业务量的时态分布数据训练出LSTM模型和ARIMA模型,以基于LSTM模型和ARIMA模型拟合后的拟合模型预测目标时间的VoLTE业务量,从而能够更准确地对目标时间的VoLTE业务量进行预测。
本发明实施例提供的装置能够实现图1至图6的方法实施例中装置实现的各个过程,为避免重复,这里不再赘述。而且,应当注意的是,在本发明的装置的各个部件中,根据其要实现的功能而对其中的部件进行了逻辑划分,但是,本发明不受限于此,可以根据需要对各个部件进行重新划分或者组合。
图8为实现本发明各个实施例的一种移动终端的硬件结构示意图,
该移动终端800包括但不限于:射频单元801、网络模块802、音频输出单元803、输入单元804、传感器805、显示单元806、用户输入单元807、接口单元808、存储器809、处理器810、以及电源811等部件。本领域技术人员可以理解,图8中示出的移动终端结构并不构成对移动终端的限定,移动终端可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。在本发明实施例中,移动终端包括但不限于手机、平板电脑、笔记本电脑、掌上电脑、车载终端、可穿戴设备、以及计步器等。
其中,处理器810,确定VoLTE业务的历史业务量的时态分布数据,所述时态分布数据用于表征所述历史业务量在时间维度上的分布情况;
基于所述时态分布数据,训练出长短时间记忆网络LSTM模型和整合移动平均自回归ARIMA模型;
对所述LSTM模型和所述ARIMA模型进行拟合,得到拟合模型,以基于所述拟合模型,预测目标时间的VoLTE业务量。
通过基于VoLTE业务的历史业务量的时态分布数据训练出LSTM模型和ARIMA模型,以基于LSTM模型和ARIMA模型拟合后的拟合模型预测目标时间的VoLTE业务量,从而能够更准确地对目标时间的VoLTE业务量进行预测。
应理解的是,本发明实施例中,射频单元801可用于收发信息或通话过程中,信号的接收和发送,具体的,将来自基站的下行数据接收后,给处理器810处理;另外,将上行的数据发送给基站。通常,射频单元801包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外,射频单元801还可以通过无线通信系统与网络和其他设备通信。
移动终端通过网络模块802为用户提供了无线的宽带互联网访问,如帮助用户收发电子邮件、浏览网页和访问流式媒体等。
音频输出单元803可以将射频单元801或网络模块802接收的或者在存储器809中存储的音频数据转换成音频信号并且输出为声音。而且,音频输出单元803还可以提供与移动终端800执行的特定功能相关的音频输出(例如,呼叫信号接收声音、消息接收声音等等)。音频输出单元803包括扬声器、蜂鸣器以及受话器等。
输入单元804用于接收音频或视频信号。输入单元804可以包括图形处理器(Graphics Processing Unit,GPU)8041和麦克风8042,图形处理器8041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元806上。经图形处理器8041处理后的图像帧可以存储在存储器809(或其它存储介质)中或者经由射频单元801或网络模块802进行发送。麦克风8042可以接收声音,并且能够将这样的声音处理为音频数据。处理后的音频数据可以在电话通话模式的情况下转换为可经由射频单元801发送到移动通信基站的格式输出。
移动终端800还包括至少一种传感器805,比如光传感器、运动传感器以及其他传感器。具体地,光传感器包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板8061的亮度,接近传感器可在移动终端800移动到耳边时,关闭显示面板8061和/或背光。作为运动传感器的一种,加速计传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别移动终端姿态(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;传感器805还可以包括指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等,在此不再赘述。
显示单元806用于显示由用户输入的信息或提供给用户的信息。显示单元806可包括显示面板8061,可以采用液晶显示器(Liquid Crystal Display,LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板8061。
用户输入单元807可用于接收输入的数字或字符信息,以及产生与移动终端的用户设置以及功能控制有关的键信号输入。具体地,用户输入单元807包括触控面板8071以及其他输入设备8072。触控面板8071,也称为触摸屏,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板8071上或在触控面板8071附近的操作)。触控面板8071可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器810,接收处理器810发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板8071。除了触控面板8071,用户输入单元807还可以包括其他输入设备8072。具体地,其他输入设备8072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆,在此不再赘述。
进一步的,触控面板8071可覆盖在显示面板8061上,当触控面板8071检测到在其上或附近的触摸操作后,传送给处理器810以确定触摸事件的类型,随后处理器810根据触摸事件的类型在显示面板8061上提供相应的视觉输出。虽然在图8中,触控面板8071与显示面板8061是作为两个独立的部件来实现移动终端的输入和输出功能,但是在某些实施例中,可以将触控面板8071与显示面板8061集成而实现移动终端的输入和输出功能,具体此处不做限定。
接口单元808为外部装置与移动终端800连接的接口。例如,外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元808可以用于接收来自外部装置的输入(例如,数据信息、电力等等)并且将接收到的输入传输到移动终端800内的一个或多个元件或者可以用于在移动终端800和外部装置之间传输数据。
存储器809可用于存储软件程序以及各种数据。存储器809可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器809可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器810是移动终端的控制中心,利用各种接口和线路连接整个移动终端的各个部分,通过运行或执行存储在存储器809内的软件程序和/或模块,以及调用存储在存储器809内的数据,执行移动终端的各种功能和处理数据,从而对移动终端进行整体监控。处理器810可包括一个或多个处理单元;优选的,处理器810可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器810中。
移动终端800还可以包括给各个部件供电的电源811(比如电池),优选的,电源811可以通过电源管理系统与处理器810逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
另外,移动终端800包括一些未示出的功能模块,在此不再赘述。
优选的,本发明实施例还提供一种终端设备,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VoLTE业务的业务量预测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VoLTE业务的业务量预测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 AccessMemory,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VoLTE业务的业务量预测方法,其特征在于,包括:
确定VoLTE业务的历史业务量的时态分布数据,所述时态分布数据用于表征所述历史业务量在时间维度上的分布情况;
基于所述时态分布数据,训练出长短时间记忆网络LSTM模型和整合移动平均自回归ARIMA模型;
对所述LSTM模型和所述ARIMA模型进行拟合,得到拟合模型,以基于所述拟合模型,预测目标时间的VoLTE业务量。
2.根据权利要求1所述的方法,其特征在于,所述确定VoLTE业务的历史业务量的时态分布数据,包括:
获取所述VoLTE业务的历史业务量;
对所述历史业务量进行统计分析,得到所述历史业务量的时态分布数据。
3.根据权利要求1所述的方法,其特征在于,所述基于所述时态分布数据,训练出长短时间记忆网络LSTM模型和整合移动平均自回归ARIMA模型,包括:
对所述时态分布数据进行特征提取,得到第一特征集和标签集,并对所述第一特征集进行特征清洗得到第二特征集;
基于所述第二特征集和所述标签集生成历史业务量样本集;
基于所述历史业务量样本集,训练出长短时间记忆网络LSTM模型和整合移动平均自回归ARIMA模型。
4.根据权利要求3所述的方法,其特征在于,所述基于所述历史业务量样本集,训练出长短时间记忆网络LSTM模型和整合移动平均自回归ARIMA模型,包括:
将所述历史业务量样本集中的样本分为训练集样本和验证集样本;
基于所述训练集样本训练所述LSTM模型和所述ARIMA模型;
基于所述验证集样本调整所述LSTM模型和所述ARIMA模型的参数。
5.根据权利要求1所述的方法,其特征在于,在所述得到拟合模型之后,还包括:
获取所述VoLTE业务的业务容量,所述业务容量用于表征VoLTE网络允许的最大业务量;
若预测出的所述目标时间的VoLTE业务量与所述业务容量的比值大于预设阈值,则扩充所述业务容量。
6.根据权利要求1所述的方法,其特征在于,所述历史业务量包括历史语音话务量、历史视频话务量和历史会话边界控制器SBC用户数中的至少一种。
7.一种终端设备,其特征在于,包括:
确定模块,用于确定VoLTE业务的历史业务量的时态分布数据,所述时态分布数据用于表征所述历史业务量在时间维度上的分布情况;
训练模块,用于基于所述时态分布数据,训练出长短时间记忆网络LSTM模型和整合移动平均自回归ARIMA模型;
拟合模块,用于对所述LSTM模型和所述ARIMA模型进行拟合,得到拟合模型,以基于所述拟合模型,预测目标时间的VoLTE业务量。
8.根据权利要求7所述的终端设备,其特征在于,所述训练模块包括:
训练单元,用于对所述时态分布数据进行特征提取,得到第一特征集和标签集,并对所述第一特征集进行特征清洗得到第二特征集;
基于所述第二特征集和所述标签集生成历史业务量样本集;
基于所述历史业务量样本集,训练出长短时间记忆网络LSTM模型和整合移动平均自回归ARIMA模型。
9.一种终端设备,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6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6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910690437.5A CN112312411A (zh) | 2019-07-29 | 2019-07-29 | VoLTE业务的业务量预测方法和终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910690437.5A CN112312411A (zh) | 2019-07-29 | 2019-07-29 | VoLTE业务的业务量预测方法和终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112312411A true CN112312411A (zh) | 2021-02-02 |
Family
ID=74328885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910690437.5A Pending CN112312411A (zh) | 2019-07-29 | 2019-07-29 | VoLTE业务的业务量预测方法和终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112312411A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112866130A (zh) * | 2021-03-31 | 2021-05-28 | 中国工商银行股份有限公司 | 报文组包间隔调整方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107481048A (zh) * | 2017-08-08 | 2017-12-15 | 哈尔滨工业大学深圳研究生院 | 一种基于混合模型的金融品种价格预测方法及系统 |
CN108271184A (zh) * | 2016-12-31 | 2018-07-10 | 中国移动通信集团湖北有限公司 | VoLTE业务处理方法及装置 |
CN108596399A (zh) * | 2018-05-04 | 2018-09-28 | 国家邮政局邮政业安全中心 | 快递业务量预测的方法、装置、电子设备及存储介质 |
CN109472110A (zh) * | 2018-11-29 | 2019-03-15 | 南京航空航天大学 | 一种基于lstm网络和arima模型的航空发动机剩余使用寿命预测方法 |
CN109583645A (zh) * | 2018-11-28 | 2019-04-05 | 上海电力学院 | 一种公共楼宇短期负荷预测方法 |
CN109656793A (zh) * | 2018-11-22 | 2019-04-19 | 安徽继远软件有限公司 | 一种基于多源异构数据融合的信息系统性能立体监测方法 |
CN109657831A (zh) * | 2017-10-11 | 2019-04-19 | 顺丰科技有限公司 | 一种业务量预测方法、装置、设备、存储介质 |
-
2019
- 2019-07-29 CN CN201910690437.5A patent/CN112312411A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108271184A (zh) * | 2016-12-31 | 2018-07-10 | 中国移动通信集团湖北有限公司 | VoLTE业务处理方法及装置 |
CN107481048A (zh) * | 2017-08-08 | 2017-12-15 | 哈尔滨工业大学深圳研究生院 | 一种基于混合模型的金融品种价格预测方法及系统 |
CN109657831A (zh) * | 2017-10-11 | 2019-04-19 | 顺丰科技有限公司 | 一种业务量预测方法、装置、设备、存储介质 |
CN108596399A (zh) * | 2018-05-04 | 2018-09-28 | 国家邮政局邮政业安全中心 | 快递业务量预测的方法、装置、电子设备及存储介质 |
CN109656793A (zh) * | 2018-11-22 | 2019-04-19 | 安徽继远软件有限公司 | 一种基于多源异构数据融合的信息系统性能立体监测方法 |
CN109583645A (zh) * | 2018-11-28 | 2019-04-05 | 上海电力学院 | 一种公共楼宇短期负荷预测方法 |
CN109472110A (zh) * | 2018-11-29 | 2019-03-15 | 南京航空航天大学 | 一种基于lstm网络和arima模型的航空发动机剩余使用寿命预测方法 |
Non-Patent Citations (1)
Title |
---|
叶燕霞: "基于LSTM和ARIMA的组合模型对入境游客人次的预测", 《旅游研究》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112866130A (zh) * | 2021-03-31 | 2021-05-28 | 中国工商银行股份有限公司 | 报文组包间隔调整方法及装置 |
CN112866130B (zh) * | 2021-03-31 | 2023-03-21 | 中国工商银行股份有限公司 | 报文组包间隔调整方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472145B (zh) | 一种内容推荐方法和电子设备 | |
CN111260665B (zh) | 图像分割模型训练方法和装置 | |
CN108304758B (zh) | 人脸特征点跟踪方法及装置 | |
CN106919918B (zh) | 一种人脸跟踪方法和装置 | |
CN107273011A (zh) | 应用程序快速切换方法及移动终端 | |
CN111816162B (zh) | 一种语音变化信息检测方法、模型训练方法以及相关装置 | |
CN109558512A (zh) | 一种基于音频的个性化推荐方法、装置和移动终端 | |
CN110798718B (zh) | 一种视频推荐方法以及装置 | |
CN110570840B (zh) | 一种基于人工智能的智能设备唤醒方法和装置 | |
CN110162603B (zh) | 一种智能对话方法、动态存储方法和装置 | |
CN112001741A (zh) | 多任务处理模型的构建方法、装置、电子设备及存储介质 | |
CN109256151B (zh) | 通话语音调控方法、装置、移动终端及可读存储介质 | |
CN109545221B (zh) | 参数调整方法、移动终端及计算机可读存储介质 | |
CN111477243A (zh) | 音频信号处理方法及电子设备 | |
CN107765954B (zh) | 一种应用程序图标更新方法、移动终端及服务器 | |
CN113822460A (zh) | 一种交通流量预测方法、装置、电子设备和存储介质 | |
WO2019062404A1 (zh) | 应用程序的处理方法、装置、存储介质及电子设备 | |
CN110022235B (zh) | 信息处理方法、终端和服务器 | |
CN110956265A (zh) | 一种模型训练方法和相关装置 | |
CN114091611A (zh) | 设备负载重量获取方法、装置、存储介质及电子设备 | |
CN112312411A (zh) | VoLTE业务的业务量预测方法和终端设备 | |
CN112351441B (zh) | 一种数据处理方法、装置及电子设备 | |
CN110069320B (zh) | 一种应用程序的分类校正方法、终端、系统及存储介质 | |
CN109684006B (zh) | 一种终端控制方法及装置 | |
CN107894958B (zh) | 垃圾信息清理方法、终端、服务器及计算机可读存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210202 |