CN112423327B - 一种容量预测方法及设备、存储介质 - Google Patents
一种容量预测方法及设备、存储介质 Download PDFInfo
- Publication number
- CN112423327B CN112423327B CN201910778542.4A CN201910778542A CN112423327B CN 112423327 B CN112423327 B CN 112423327B CN 201910778542 A CN201910778542 A CN 201910778542A CN 112423327 B CN112423327 B CN 112423327B
- Authority
- CN
- China
- Prior art keywords
- seasonal
- component
- prediction
- time sequence
- capacity prediction
- 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 60
- 230000001932 seasonal effect Effects 0.000 claims abstract description 71
- 239000000654 additive Substances 0.000 claims abstract description 26
- 230000000996 additive effect Effects 0.000 claims abstract description 26
- 230000006870 function Effects 0.000 claims description 20
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000007774 longterm Effects 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 4
- 238000010295 mobile communication Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 1
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Classifications
-
- 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种容量预测方法及设备、存储介质，该容量预测方法包括：确定时间序列是否具有季节性；根据所述时间序列是否具有季节性和预设加性回归模型，对所述时间序列进行容量预测。本实施例中，采用加性回归方法，可以提高容量预测的准确率，特别是长期预测的准确率。
Description
技术领域
本发明实施例涉及但不限于一种容量预测方法及设备、存储介质。
背景技术
随着移动通信技术的不断发展、用户量的不断增加、不限量套餐的推广、视频等业务的激增，无线流量呈现飞速增长趋势。如何快速准确地预测KPI(Key PerformanceIndicator，关键性能指标)的长期变化，对于精准地指导小区扩容、小区规划，提升网络质量和用户体验，起着至关重要的作用。
传统的容量预测方法，如ARIMA(Autoregressive Integrated Moving Averagemodel，差分整合移动平均自回归)模型和指数平滑模型等，往往都是短期预测，仅适用于预测未来一个点或几个点。在预测未来几十个点或几百个点时，传统预测方法准确率往往很低。
发明内容
本发明至少一实施例提供了一种容量预测方法及设备、存储介质。
本发明至少一实施例提供一种容量预测方法，包括：确定时间序列是否具有季节性；根据所述时间序列是否具有季节性和预设加性回归模型，对所述时间序列进行容量预测。
本发明至少一实施例提供一种容量预测设备，包括存储器和处理器，所述存储器存储有程序，所述程序在被所述处理器读取执行时，实现任一实施例所述的容量预测方法。
本发明至少一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存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现任一实施例所述的容量预测方法。
与相关技术相比，本发明至少一实施例中，提供一种容量预测方法，包括：确定时间序列是否具有季节性；根据所述时间序列是否具有季节性和预设加性回归模型，对所述时间序列进行容量预测。本实施例中，识别季节性之后再进行容量预测，避免人为设定时间序列特点，实现海量大数据下的容量预测。另外，基于加性回归模型进行预测，可以提高容量预测的准确率，特别是长期预测的准确率。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本发明的技术方案，并不构成对本发明技术方案的限制。
图1是本发明一实施例提供的容量预测方法流程图。
图2是本发明另一实施例提供的容量预测方法流程图；
图3是本发明一实施例提供的容量预测设备流程图；
图4是本发明一实施例提供的计算机可读存储介质框图；
图5是本发明一实施例提供的容量预测装置框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下文中将结合附图对本发明的实施例进行详细说明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。
在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
传统的容量预测方法往往需要人为设定容量时间序列的特点，如是否具有季节性，在同时处理数百万时间序列的时候，这种方法往往失效。
传统的容量预测方法往往受缺失值的影响而不能正确地预测或严重影响预测准确率。
本发明实施例提供了一种容量预测方法：对任意一条时间序列，确定时间序列是否具有季节性；根据所述时间序列是否具有季节性和预设加性回归模型，对所述时间序列进行容量预测。
如图1所示，本发明一实施例提供一种容量预测方法，包括以下步骤：
步骤101，确定时间序列是否具有季节性；
步骤102，根据所述时间序列是否具有季节性和预设加性回归模型，对所述时间序列进行容量预测。
本实施例中，采用季节识别方法，可以解决相关技术中人为设定时间序列特点，不能自动化应用于海量大数据场景中的难题。另外，基于加性回归模型进行预测，可以提高容量预测的准确率，特别是长期预测的准确率。
在一实施例中，所述时间序列的数据来自于小区内的KPI数据，基站的KPI数据，或者目标区域内所有小区的KPI数据。
在一实施例中，时间序列的数据可以来自于承载网或核心网或数据中心的KPI数据。
在一实施例中，KPI数据包含且不限于：用户数、流量、RRC(Radio ResourceControl，无线资源控制)连接建立完成次数、E-RAB(Evolved Radio Access Bearer，演进的无线接入承载)建立成功次数、E-RAB流量、上/下行流量、上/下行利用率。
在一实施例中，KPI数据的时间粒度可以是秒级粒度、分钟级粒度、小时级粒度、天粒度和周粒度等。
在一实施例中，所述确定时间序列是否具有季节性包括：
进行小区容量时间序列分解：Yt＝St+Tt+Rt，其中St是季节分量、Tt是趋势分量、Rt是残差分量；Yt为时间序列。
计算季节强度：Fs＝max(0,1-Var(Rt)/Var(St+Rt))，其中Var(·)是计算方差，max(·)是计算最大值；
如果Fs≥TF1，则该时间序列Yt为季节时间序列，即具备季节性；如果Fs＜TF1,，则该时间序列Yt为非季节时间序列，即不具备季节性，其中TF1为季节强度法判别阈值，0≤TF1≤1。
在一实施例中，所述确定时间序列是否具有季节性包括：
计算所述时间序列在预设周期处的自相关系数corr；其中，时间序列的数据的时间粒度可以是秒级粒度、分钟级粒度、小时级粒度、天粒度和周粒度，当粒度为小时级时，预设周期可以是24小时，此时，计算该时间序列的第24个数据的自相关系数；当粒度为天粒度时，预设周期可以是7天，此时，计算该时间序列的第7个数据的自相关系数，以此类推。如果|corr|≥TF2，则该时间序列为季节时间序列，即具备季节性；如果|corr|＜TF2，则该时间序列为非季节时间序列，即不具备季节性，其中TF2为自相关系数法判别阈值，0≤TF2≤1。其中，|corr|为季节强度：|·|是绝对值函数。
在一实施例中，
所述根据所述时间序列是否具有季节性和预设加性回归模型，对所述时间序列进行容量预测包括：
当所述时间序列不具备季节性时，将所述时间序列输入所述预设加性回归模型中，生成预测结果。
本实施例提供的方案，采用加性回归模型，可以解决传统技术长期预测不准确、准确率受缺失值影响的难题。相比传统预测方法，本实施例提供的方案可以有效提高长期预测的准确率。
在一实施例中，所述根据所述时间序列是否具有季节性以及所述时间序列进行容量预测包括：
所述根据所述时间序列是否具有季节性和预设加性回归模型，对所述时间序列进行容量预测包括：
当所述时间序列具备季节性时，将所述时间序列分解为季节分量和非季节分量，根据季节分量使用季节预测算法生成季节预测分量，将非季节分量输入所述预设加性回归模型中，输出去季节性预测分量，将所述季节预测分量和去季节性预测分量合并生成预测结果。
在一实施例中，所述季节预测算法包括但不限于季节随机游走算法。
在一实施例中，所述将所述时间序列分解为季节分量和非季节分量包括：
采用时间序列分解方法将所述时间序列Yt分解为：Yt＝St+Tt+Rt；
其中，St是季节分量，Tt是趋势分量，Rt是残差分量，Tt+Rt为非季节分量。
在一实施例中，所述时间序列分解方法为STL(Seasonal and Trenddecomposition using Loess)方法。需要说明的是，STL方法仅为示例，可以采用其他时间序列分解方法。
在一实施例中，所述预设加性回归模型如下：
初始化f0(t)；
对m＝1至M，执行如下操作：
求取使得Loss(∑(Yt,fm-1(t)+bm(t)))最小的bm(t)；
计算fm(t)＝fm-1(t)+γmbm(t)；
其中，M为预设迭代次数，γm为自适应衰减因子，γm可以预先设定，也可以在迭代过程中发生改变，比如，根据Loss(·)的结果进行改变，Loss(·)为损失函数。fM(t)即为输出的预测结果。
在一实施例中，损失函数Loss(·)采用均方误差(Mean Square Error，MSE)函数。
在一实施例中，损失函数Loss(·)采用平均绝对误差(Mean Absolute Error，MAE)函数。
在一实施例中，损失函数Loss(·)采用平均绝对百分比误差(Mean AbsolutePercentage Error，MAPE)函数。
在一实施例中，损失函数Loss(·)采用对称平均绝对百分比误差(SymmetricMean Absolute Percentage Error，SMAPE)函数。
本发明实施例提供的基于加性回归模型的容量预测方法，通过计算时间序列的周期强度将时间序列分为季节序列和非季节序列。季节序列采用季节预测方法和加性回归模型，非季节序列采用加性回归模型。加性回归模型采用前向分步算法，自动地降低早期观察点的影响和自动地计算衰减权重来达到提高长期预测的准确率。基本流程参考图2所示，包括：
步骤201，判断时间序列Yt是否具有季节性，如果具有季节性，执行步骤202，如果不具有季节性(即为非季节性时间序列)，执行步骤205；
步骤202，将时间序列Yt分解为季节分量和非季节分量；
具体的，采用时间序列分解方法分解Yt＝St+Tt+Rt，其中St是季节分量、Tt是趋势分量、Rt是残差分量。趋势分量和残差分量相加，得到非季节分量Yt′(也可称为去季节性序列)。
在一实施例中，非季节分量Yt′可以是：Yt′＝Tt+Rt＝Yt-St。
步骤203，将季节分量St输入季节预测算法中，输出季节预测分量将非季节分量Yt′输入加性回归模型中，输出去季节性预测分量/>
步骤204，将去季节性预测分量与季节预测分量/>合并得到最终预测结果/>执行步骤206；
其中，和/>合并是指/>和/>中相同时刻的值相加。
步骤205，对于非季节性时间序列Yt，将时间序列Yt输入加性回归模型中，得到最终预测结果
步骤206，输出最终预测结果
在一实施例中，加性回归模型如下介绍所示：
初始化f0(t)＝0；
m＝1到M，执行下述步骤：
(a)min[Loss(∑(Yt,fm-1(t)+bm(t)))]，即求取使得Loss(∑(Yt,fm-1(t)+bm(t)))最小的bm(t)；
(b)fm(t)＝fm-1(t)+γmbm(t)
其中，Loss(·)是损失函数；bm(t)是基函数；γm是自适应衰减因子，fm(t)为加性回归预测函数，M为迭代次数，M可以根据需要设置。需要说明的是，在其他实施例中，f0(t)也可以为其他值。
在一实施例中，上述实施例中得到的KPI预测结果可以用于指导小区或基站的扩容规划。通过本发明实施例提供的方法得到小区或基站或区域未来几十天或几个月的KPI预测结果后，将该结果与运营商扩容标准进行对比，输出待扩容的小区列表和优先级列表。运营商可以根据所述待扩容的小区列表和优先级列表进行扩容规划，使扩容速度跟上用户对流量的需求，提升网络质量，提高用户满意度。
在一实施例中，上述实施例得到的KPI预测结果可以用于无线网络的站点规划建设，如4G(第四代移动通信技术)网络、5G(第五代移动通信技术)网络、6G(第六代移动通信技术)网络的站点规划建设等。具体的，通过本发明实施例提供的方法得到小区或基站或区域未来几个月的KPI预测结果后，将该结果用于指导运营商的无线网络的站点规划建设，输出待规划的区域列表和优先级列表。运营商根据该待规划的区域列表和优先级列表进行无线网络建设规划，优先在热点和重点区域建设无线网络基站，提升网络质量，提高用户满意度。
在一实施例中，本发明实施例提供的KPI预测结果可以用于基站智能节能。具体的，通过本发明实施例提供的方法得到小区或基站未来几分钟或几十分钟的KPI预测结果后，根据该结果指导小区或基站射频单元的开关操作，在保证用户体验不变的情况下，降低基站能耗，达到基站智能节能的目的。
在一实施例中，本发明实施例提供的KPI预测结果可以用于移动负荷均衡。具体的，通过本发明实施例提供的方法得到小区或基站未来几分钟或几十分钟的KPI预测结果后，根据该结果指导提前将过载小区的负荷分配到邻近轻载小区，提高整个网络的无线资源利用效率。
如图3所示，本发明一实施例提供一种容量预测设备30，包括存储器310和处理器320，所述存储器310存储有程序，所述程序在被所述处理器320读取执行时，实现任一实施例所述的容量预测方法。
如图4所示，本发明一实施例提供一种计算机可读存储介质40，所述计算机可读存储介质40存储有一个或者多个程序410，所述一个或者多个程序410可被一个或者多个处理器执行，以实现任一实施例所述的容量预测方法。
如图5所示，本发明一实施例提供一种容量预测装置50，包括：
识别单元510，用于确定时间序列是否具有季节性；
容量预测单元520，用于根据所述时间序列是否具有季节性以及所述时间序列进行容量预测。
其中，识别单元510和容量预测单元520的实现细节可参考方法实施例，此处不再赘述。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器，如数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
Claims (9)
1.一种容量预测方法，包括：
确定时间序列是否具有季节性；
当所述时间序列具备季节性时，将所述时间序列分解为季节分量和非季节分量，根据所述季节分量使用季节预测算法生成季节预测分量，将所述非季节分量输入预设加性回归模型中，输出去季节性预测分量，将所述季节预测分量和所述去季节性预测分量合并生成预测结果。
2.根据权利要求1所述的容量预测方法，其特征在于，所述确定时间序列是否具有季节性包括：
计算所述时间序列在预设周期处的自相关系数corr；
如果|corr|≥TF2，则该时间序列具备季节性；如果|corr|<TF2，则该时间序列不具备季节性，0≤TF2≤1。
3.根据权利要求1所述的容量预测方法，其特征在于，所述方法还包括：
当所述时间序列不具备季节性时，将所述时间序列输入所述预设加性回归模型中，生成预测结果。
4.根据权利要求1所述的容量预测方法，其特征在于，所述将所述时间序列分解为季节分量和非季节分量包括：
采用时间序列分解方法将所述时间序列Yt分解为：Yt＝St+Tt+Rt；
其中，St是季节分量，Tt是趋势分量，Rt是残差分量，Tt+Rt为非季节分量。
5.根据权利要求4所述的容量预测方法，其特征在于，所述时间序列分解方法为Seasonal and Trend decomposition using Loess(STL)方法。
6.根据权利要求1至5任一所述的容量预测方法，其特征在于，所述预设加性回归模型如下：
初始化f0(t)；
对m＝1至M，执行如下操作：
求取使得Loss(∑(Yt,fm-1(t)+bm(t)))最小的bm(t)；
计算fm(t)＝fm-1(t)+γmbm(t)；
其中，M为预设迭代次数，γm为自适应衰减因子，Loss(·)为损失函数，fm(t)为加性回归预测函数，bm(t)为基函数。
7.根据权利要求6所述的容量预测方法，其特征在于，所述损失函数Loss(·)为均方误差函数、平均绝对误差函数、平均绝对百分比误差函数或者对称平均绝对百分比误差函数。
8.一种容量预测设备，其特征在于，包括存储器和处理器，所述存储器存储有程序，所述程序在被所述处理器读取执行时，实现如权利要求1至7任一所述的容量预测方法。
9.一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存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1至7任一所述的容量预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910778542.4A CN112423327B (zh) | 2019-08-22 | 2019-08-22 | 一种容量预测方法及设备、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910778542.4A CN112423327B (zh) | 2019-08-22 | 2019-08-22 | 一种容量预测方法及设备、存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112423327A CN112423327A (zh) | 2021-02-26 |
| CN112423327B true CN112423327B (zh) | 2024-02-09 |
Family
ID=74780258
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910778542.4A Active CN112423327B (zh) | 2019-08-22 | 2019-08-22 | 一种容量预测方法及设备、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112423327B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112819386A (zh) * | 2021-03-05 | 2021-05-18 | 中国人民解放军国防科技大学 | 带有异常的时间序列数据生成方法、系统及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6745150B1 (en) * | 2000-09-25 | 2004-06-01 | Group 1 Software, Inc. | Time series analysis and forecasting program |
| WO2016177941A1 (en) * | 2015-05-07 | 2016-11-10 | Db Pro Oy | Capacity forecast engine and method |
| CN107248094A (zh) * | 2017-06-30 | 2017-10-13 | 联想(北京)有限公司 | 一种电子产品激活量预测方法及一种服务器集群 |
| CN107798871A (zh) * | 2017-10-27 | 2018-03-13 | 云南大学 | 一种高速公路收费站交通流量预测方法及系统 |
| CN109327844A (zh) * | 2018-11-27 | 2019-02-12 | 中国联合网络通信集团有限公司 | 一种小区扩容方法及装置 |
| CN109376953A (zh) * | 2018-11-21 | 2019-02-22 | 国网冀北电力有限公司 | 一种中长期电量预测方法及系统 |
| CN109741082A (zh) * | 2018-11-29 | 2019-05-10 | 杭州览众数据科技有限公司 | 一种基于时间序列分解的季节性商品需求预测方法 |
| CN110136841A (zh) * | 2019-03-27 | 2019-08-16 | 平安科技（深圳）有限公司 | 疾病发病预测方法、装置及计算机可读存储介质 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040102937A1 (en) * | 2002-11-21 | 2004-05-27 | Honeywell International Inc. | Energy forecasting using model parameter estimation |
| US7676521B2 (en) * | 2006-03-31 | 2010-03-09 | Microsoft Corporation | Keyword search volume seasonality forecasting engine |
| US8200454B2 (en) * | 2007-07-09 | 2012-06-12 | International Business Machines Corporation | Method, data processing program and computer program product for time series analysis |
| US20110153385A1 (en) * | 2009-12-21 | 2011-06-23 | Arash Bateni | Determination of demand uplift values for causal factors with seasonal patterns in a causal product demand forecasting system |
| US20110160927A1 (en) * | 2009-12-30 | 2011-06-30 | Wilson Kevin W | Method for Prediction for Nonlinear Seasonal Time Series |
| US10169720B2 (en) * | 2014-04-17 | 2019-01-01 | Sas Institute Inc. | Systems and methods for machine learning using classifying, clustering, and grouping time series data |
| US10515308B2 (en) * | 2015-10-30 | 2019-12-24 | Global Design Corporation Ltd. | System, method and cloud-based platform for predicting energy consumption |
| FI20155792A (fi) * | 2015-11-02 | 2017-05-03 | Db Pro Oy | Kapasiteettisuunnittelumenetelmä |
| US10915830B2 (en) * | 2017-02-24 | 2021-02-09 | Oracle International Corporation | Multiscale method for predictive alerting |
| US10628435B2 (en) * | 2017-11-06 | 2020-04-21 | Adobe Inc. | Extracting seasonal, level, and spike components from a time series of metrics data |
-
2019
- 2019-08-22 CN CN201910778542.4A patent/CN112423327B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6745150B1 (en) * | 2000-09-25 | 2004-06-01 | Group 1 Software, Inc. | Time series analysis and forecasting program |
| WO2016177941A1 (en) * | 2015-05-07 | 2016-11-10 | Db Pro Oy | Capacity forecast engine and method |
| CN107248094A (zh) * | 2017-06-30 | 2017-10-13 | 联想(北京)有限公司 | 一种电子产品激活量预测方法及一种服务器集群 |
| CN107798871A (zh) * | 2017-10-27 | 2018-03-13 | 云南大学 | 一种高速公路收费站交通流量预测方法及系统 |
| CN109376953A (zh) * | 2018-11-21 | 2019-02-22 | 国网冀北电力有限公司 | 一种中长期电量预测方法及系统 |
| CN109327844A (zh) * | 2018-11-27 | 2019-02-12 | 中国联合网络通信集团有限公司 | 一种小区扩容方法及装置 |
| CN109741082A (zh) * | 2018-11-29 | 2019-05-10 | 杭州览众数据科技有限公司 | 一种基于时间序列分解的季节性商品需求预测方法 |
| CN110136841A (zh) * | 2019-03-27 | 2019-08-16 | 平安科技（深圳）有限公司 | 疾病发病预测方法、装置及计算机可读存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 农产品价格时间序列几种预测模型的研究;吴敬婷;;黑龙江科技信息(第31期);全文 * |
| 基于regARIMA模型的月度负荷预测效果研究;苏振宇;龙勇;赵丽艳;;中国电力(05);全文 * |
| 季节性差分自回归滑动平均模型在上海市道路交通伤害预测中的应用;喻彦;侯心一;苏慧佳;任宏;;环境与职业医学(第09期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112423327A (zh) | 2021-02-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021129086A1 (zh) | 流量预测方法、装置以及存储介质 | |
| US20180255470A1 (en) | Network Event Prediction Method and Apparatus and Method and Apparatus for Establishing Network-Event Prediction Model | |
| CN107547154B (zh) | 一种建立视频流量预测模型的方法及装置 | |
| CN110380881B (zh) | 一种网络扩容预测方法及装置 | |
| CN113469325B (zh) | 一种边缘聚合间隔自适应控制的分层联邦学习方法、计算机设备、存储介质 | |
| CN109362084B (zh) | 通信业务质量优化的方法、装置、设备和介质 | |
| CN113382477B (zh) | 应用于无线网络用户间上行干扰建模的方法 | |
| CN111163482B (zh) | 数据的处理方法、设备及存储介质 | |
| CN110674924B (zh) | 一种深度学习推理自动量化方法和装置 | |
| CN112423327B (zh) | 一种容量预测方法及设备、存储介质 | |
| CN115564193A (zh) | 智能配电网多维度综合效益评估方法及系统、存储介质 | |
| CN113705707B (zh) | 基站小区节电状态的确定方法、装置及电子设备 | |
| CN115720341A (zh) | 一种用于5g通道关断的方法、介质及装置 | |
| CN114880363A (zh) | 一种数据中心流量预测系统及训练方法、预测方法 | |
| JP2021197701A (ja) | 情報処理装置、通信管理システム、プログラム、及び、情報処理方法 | |
| CN115941433A (zh) | 网络切片的性能优化保障方法及系统、存储介质、电子设备 | |
| WO2020148773A1 (en) | Predicting network behaviour | |
| CN115473821B (zh) | 网络容量预测方法、装置、电子设备及存储介质 | |
| CN114449550A (zh) | 基站节能系统的参数优化方法和装置 | |
| Tiwana et al. | A novel framework of automated RRM for LTE son using data mining: Application to LTE mobility | |
| WO2024078076A1 (zh) | 基站节能方法、设备及存储介质 | |
| US20240056983A1 (en) | Power Control Method and Communication Device Thereof | |
| CN111132209B (zh) | 基于变分自编码器估计无线局域网络接入点吞吐量的方法 | |
| KR102466482B1 (ko) | 적응적 배치 선택 전략을 이용한 딥 뉴럴 네트워크 학습 가속 시스템 및 방법 | |
| EP4270884A1 (en) | Channel estimation using neural networks |
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 |