CN112738340B - 话务量的预测方法、装置、设备及存储介质 - Google Patents
话务量的预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112738340B CN112738340B CN202011568884.2A CN202011568884A CN112738340B CN 112738340 B CN112738340 B CN 112738340B CN 202011568884 A CN202011568884 A CN 202011568884A CN 112738340 B CN112738340 B CN 112738340B
- Authority
- CN
- China
- Prior art keywords
- traffic
- telephone traffic
- data source
- preset
- historical
- 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 49
- 238000012545 processing Methods 0.000 claims abstract description 29
- 230000002159 abnormal effect Effects 0.000 claims description 41
- 238000004590 computer program Methods 0.000 claims description 11
- 210000004027 cell Anatomy 0.000 description 97
- 238000004891 communication Methods 0.000 description 13
- 238000013461 design Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 230000001174 ascending effect Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000463 material 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
- 210000002325 somatostatin-secreting cell Anatomy 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04M—TELEPHONIC COMMUNICATION
- H04M3/00—Automatic or semi-automatic exchanges
- H04M3/22—Arrangements for supervision, monitoring or testing
- H04M3/36—Statistical metering, e.g. recording occasions when traffic exceeds capacity of trunks
- H04M3/362—Traffic simulation
-
- 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)
- Signal Processing (AREA)
- Telephonic Communication Services (AREA)
- Monitoring And Testing Of Exchanges (AREA)
Abstract
本申请提供一种话务量的预测方法、装置、设备及存储介质。该方法中，通过获取目标小区在预设时段对应的预测数据源，预测数据源中包括至少四个历史话务量，至少四个历史话务量为历史数据中，与当前最接近的四个预设时段的非干扰数据中的话务量，再根据目标小区的预设数据源中的至少四个历史话务量，预测得到目标小区在下一个预设时段对应的话务量。该技术方案中，通过处理历史数据中的干扰数据，再根据处理好的历史话务量，能够更加准确的预测目标小区的话务量。
Description
技术领域
本申请涉及通信技术领域，尤其涉及一种话务量的预测方法、装置、设备及存储介质。
背景技术
话务量的预测是通信业务的前瞻，网络建设规模的发展需要紧跟通信业务发展的规模，才能更好地服务于用户，因此，在通信业务中，话务量的预测为网络建设规模提供了依据。
现有的话务量的预测主要基于先验知识，提出的一种极大重叠离散小波变换的话务量中期预测方法，该方法主要以傅里叶谱分析法极大重叠离散小波变换对话务量序列进行分解来预测话务。
然而，在实际应用中，当话务量序列中出现异常数据时，由于极大重叠离散小波变换采取的是线性方法进行预测，在局部的预测时，针对出现的异常数据的处理并不合理，因此话务量的预测结果并不准确。
发明内容
本申请提供一种话务量的预测方法、装置、设备及存储介质，用以解决现有技术中当历史数据出现异常时，无法准确预测话务量的问题。
第一方面，本申请实施例提供一种话务量的预测方法，包括：
获取目标小区在预设时段对应的预测数据源，所述预测数据源中包括至少四个历史话务量，所述至少四个历史话务量为历史数据中，与当前最接近的四个预设时段的非干扰数据中的话务量；
根据目标小区的所述预设数据源中的所述至少四个历史话务量，预测得到所述目标小区在下一个预设时段对应的话务量。
在第一方面的一种可能设计中，所述获取目标小区在预设时段对应的预测数据源，包括：
从全网的历史数据中获取所述目标小区在所述预设时段的话务量作为预设数据源集合，所述预测数据源集合中包括N个目标时段对应的话务量，N为大于4的正整数；
将所述预测数据源集合中的存在异常的话务量剔除，得到处理后的预测数据源集合；
从所述处理后的预测数据源集合中，获取与当前最接近的至少四个预设时段的话务量作为所述预测数据源。
在该种可能的设计中，所述方法还包括：
计算所述预设数据源集合中的话务量的平均值，得到所述目标时段的平均话务量；
根据所述平均话务量，计算获取所述预设数据源集合中的话务量的标准方差；
根据所述预设数据集合中的每个话务量与所述标准方差之间的关系，确定所述预测数据源集合中的异常的话务量。
可选的，所述根据所述预设数据集合中的每个话务量与所述标准方差之间的关系，确定所述预测数据源集合中的异常的话务量，包括：
遍历计算所述预设数据集合中的每个话务量与所述标准方差之间的比值作为偏离系数；
若偏离系数大于130％或者所述偏离系数小于70％，则所述偏离系数对应的话务量为异常话务量。
在第一方面的另一种可能设计中，所述根据目标小区的所述预设数据源中的至少四个历史话务量，预测得到所述目标小区在下一个目标时段对应的话务量，包括：
根据所述至少四个历史话务量的排序，确定排序赋值权重；
根据所述至少四个历史话务量的值，确定完整性因子权重；
根据所述至少四个话务量，所述排序赋值权重以及所述完整性因子权重，预测得到所述目标小区在下一个预设时段对应的话务量。
第二方面，本申请实施例提供一种话务量的预测装置，包括：处理模块和确定模块；
所述处理模块，用于获取目标小区在预设时段对应的预测数据源，所述预测数据源中包括至少四个历史话务量，所述至少四个历史话务量为历史数据中，与当前最接近的四个预设时段的非干扰数据中的话务量；
所述确定模块，用于根据目标小区的所述预设数据源中的所述至少四个历史话务量，预测得到所述目标小区在下一个预设时段对应的话务量。
在第二方面的一种可能设计中，所述处理模块，具体用于：
从全网的历史数据中获取所述目标小区在所述预设时段的话务量作为预设数据源集合，所述预测数据源集合中包括N个目标时段对应的话务量，N为大于4的正整数；
将所述预测数据源集合中的存在异常的话务量剔除，得到处理后的预测数据源集合；
从所述处理后的预测数据源集合中，获取与当前最接近的至少四个预设时段的话务量作为所述预测数据源。
在该种可能的设计中，所述处理模块，还用于：
计算所述预设数据源集合中的话务量的平均值，得到所述目标时段的平均话务量；
根据所述平均话务量，计算获取所述预设数据源集合中的话务量的标准方差；
根据所述预设数据集合中的每个话务量与所述标准方差之间的关系，确定所述预测数据源集合中的异常的话务量。
可选的，所述处理模块，用于所述根据所述预设数据集合中的每个话务量与所述标准方差之间的关系，确定所述预测数据源集合中的异常的话务量，具体为：
所述处理模块，具体用于：
遍历计算所述预设数据集合中的每个话务量与所述标准方差之间的比值作为偏离系数；
若偏离系数大于130％或者所述偏离系数小于70％，则所述偏离系数对应的话务量为异常话务量。
在第二方面的另一种可能设计中，所述确定模块，具体用于：
根据所述至少四个历史话务量的排序，确定排序赋值权重；
根据所述至少四个历史话务量的值，确定完整性因子权重；
根据所述至少四个话务量，所述排序赋值权重以及所述完整性因子权重，预测得到所述目标小区在下一个预设时段对应的话务量。
第三方面，本申请实施例提供一种电子设备，包括处理器、存储器、显示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，所述处理器执行所述程序时实现第一方面以及各可能设计提供的话务量的预测方法。
第四方面，本申请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程序指令，当所述计算机程序指令被处理器执行时用于实现第一方面以及各可能设计提供的话务量的预测方法。
第五方面，本申请实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时用于实现第一方面以及各可能设计提供的话务量的预测方法。
本申请实施例提供了一种话务量的预测方法、装置、设备及存储介质，通过获取目标小区在预设时段对应的预测数据源，预测数据源中包括至少四个历史话务量，至少四个历史话务量为历史数据中，与当前最接近的四个预设时段的非干扰数据中的话务量，再根据目标小区的预设数据源中的至少四个历史话务量，预测得到目标小区在下一个预设时段对应的话务量。该技术方案中，通过处理历史数据中的干扰数据，再根据处理好的历史话务量，实现了更加准确的预测目标小区的话务量。
附图说明
图1为本申请实施例提供的话务量的预测方法实施例一的流程图；
图2为本申请实施例提供的话务量的预测方法实施例二的流程图；
图3为本申请实施例提供的话务量的预测方法实施例三的流程图；
图4为本申请实施例提供的话务量的预测装置的结构示意图；
图5为本申请实施例提供的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
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”、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、方法、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、方法、产品或设备固有的其它步骤或单元。
在介绍本申请的实施例之前，首先对本申请的背景技术进行解释说明。
在移动通信网络中，为了适应通信业务的发展，给予用户更好的通信体验，就需要对通信业务中的话务量进行预测，以确定网络规模的发展，更好的服务用户。
现有的话务量预测主要基于先验知识，提出的一种极大重叠离散小波变换的话务量中期预测方法，该方法主要以傅里叶谱分析法极大重叠离散小波变换对话务量序列进行分解来预测话务。应用于短周期的话务量预测，并作为短周期内话务量峰值预警的依据。
然而，通信业务的话务量作为一种时间序列，具有较强的规律性，在实际应用中，目前这种方案存在以下几个问题：
1、依靠历史数据作为样本，虽然在大多场景和时间段内可以反映出未来话务量的趋势和走向，但往往缺乏对特定场景和特定时间节点的单独处理，如节假日、活动日或工厂等因素。
2、该方法不适用于中长周期的话务量预测，同时由于采取的是线性方法进行预测，在局部的预测效果较差。
3、该方法获取的历史数据中出现异常数据，会降低预测的准确度。
针对上述现有技术存在的问题，本申请提供一种话务量的预测方案，能够实现现有技术中历史数据出现异常、或话务量序列的规律性受到破坏，以及特定的场景或时间节点下，仍准确预测话务量，并且大大提高预测的准确度。
在一种可能的实现中，针对某一特定区域的多个小区，该方法以历史4个星期的某个时段的数据进行处理，预测下一星期相应时段的话务量，其结果显示，预测的话务量与实际的话务量之间的差值在5％之内的小区数量占比高达87％，可知本方案的预测准确性较高。
本申请的技术构思过程如下：在对实际的历史数据进行分析的过程中，发明人发现预测某一时段的话务量，可以基于时间上更接近、场景上更相似的历史数据进行预测，针对历史数据中可能存在的干扰数据，可以将干扰数据提取并进行单独处理，基于处理之后得到的历史数据，以及这些数据之间的关系，便可以更加准确的预测话务量。
下面通过具体实施例对本申请提供的话务量的预测方法的技术方案进行详细说明。需要说明的是，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，对本申请的实施例进行描述。
图1为本申请实施例提供的话务量的预测方法实施例一的流程图。如图1所示，该方法可以包括如下步骤：
步骤11、获取目标小区在预设时段对应的预测数据源。
其中，预测数据源中包括至少四个历史话务量，至少四个历史话务量为历史数据中，与当前最接近的四个预设时段的非干扰数据中的话务量。
在本步骤中，在实现对目标小区预设时段的话务量进行预测的过程中，需要在通信业务中获取历史数据。由于通信业务的变化过程是渐变的，需要获取的历史数据需要距离当前时间接近，才可以使预测结果更加准确，此时可以获取与当前最接近的至少四个预设时段的数据中的话务量作为预测数据源。由于话务量中可能存在干扰数据，需要对干扰数据进行处理，以获得非干扰数据中的话务量。
其中，话务量既表示电信设备承受的负载，也表示用户对通信需求的程度，话务量的大小与用户数量、用户通信的频繁程度、每次用户通信占用的时长及所考察的时长有关。
可选的，目标小区可以是居民小区、学校区域、工厂厂区、景区等区域；预设时段可以是不少于15分钟，且不大于60分钟的时间段。
在一种可能的实现中，若预设时段是星期一的6点(即6点-7点，本申请实施例以一个小时的时间段进行说明)，则至少四个历史话务量可以是与当前时间最接近的至少四个不同星期中星期一的6点对应的历史话务量。
步骤12、根据目标小区的预设数据源中的至少四个历史话务量，预测得到目标小区在下一个预设时段对应的话务量。
在本步骤中，上述步骤由于对干扰数据进行了处理，得到至少四个历史话务量为预设时段的非干扰数据中的话务量，根据这些话务量，预测目标小区在下一个预设时段对应的话务量。
在一种可能的实现中，由于至少四个历史话务量的排序会对预测的话务量产生影响，此时需要确定排序赋值权重；由于对干扰数据进行处理时，可能误将一些数据剔除，此时需要确定完整性因子权重，根据至少四个话务量，排序赋值权重以及完整性因子权重，预测得到目标小区在下一个预设时段对应的话务量。
本申请实施例提供的话务量的预测方法，通过获取目标小区在预设时段对应的预测数据源，预测数据源中包括至少四个历史话务量，至少四个历史话务量为历史数据中，与当前最接近的四个预设时段的非干扰数据中的话务量，再根据目标小区的预设数据源中的至少四个历史话务量，预测得到目标小区在下一个预设时段对应的话务量。该技术方案中，通过处理历史数据中的干扰数据，再根据处理好的历史话务量，能够更加准确的预测目标小区的话务量。
在上述实施例的基础上，图2为本申请实施例提供的话务量的预测方法实施例二的流程图。如图2所示，在步骤11中获取目标小区在预设时段对应的预测数据源，可以包括如下步骤：
步骤21、从全网的历史数据中获取目标小区在预设时段的话务量作为预设数据源集合，预测数据源集合中包括N个目标时段对应的话务量。
其中，N为大于4的正整数。
在本步骤中，从全网各个区域的移动性鲁棒性优化(Mobility RobustOptimization，MRO)数据中获取历史数据，当预测目标小区的预设时段的话务量时，需要从历史数据中获取该目标小区预设时段的历史话务量，并将这些历史话务量，作为预测数据源集合。
具体的，在实际应用中，对于不同的预设时段，其对应的话务量可以通过时间维度进行划分。若目标小区是普通住宅区域，为了获取该区域下周一晚上23点的数据，就需要获取当前最接近的至少4周中各个周一晚上23点的话务量，并将当前最接近的至少4周中各个周一晚上23点的话务量作为预测数据源集合。
此外，为了提高话务量预测的准确性，还需要单独考虑场景维度，即特定时间节点和特定场景，如国家法定节假日、寒暑假的学校区域、春节前的工厂区域等。具体的，若目标小区是节假日的景区，为了获取该景区今年10月1日10点的话务量，就需要获取今年之前的至少4年中同一时间点的话务量，即去年10月1日10点的历史数据、前年10月1日10点的话务量等至少4个历史10月1日10点的话务量作为预测数据源集合。
可选的，预测数据源集合中还包括除目标小区之外的至少三个次强邻区的历史数据中的历史话务量。
具体的，在一种可能的实现中，从全网各个区域历史的MRO数据中获取至少四个历史话务量。其中，MRO数据中包含：字段LteScRSRP表示主服务小区的参考信号接收功率(Reference Signal Receiving Power，RSRP)；字段LteNcRSRP表示目标小区的RSRP；字段LteScCgi表示主服务小区的通用网关接口(Common Gateway Interface，CGI)，用于获取主服务小区的历史数据；字段LteFddNcPci表示外设部件互连标准(Peripheral ComponentInterconnect，PCI)，用于判断RSRP值。通过PCI对主服务小区的RSRP进行比较，确定三个次强邻区。进一步地，通过CGI，获取三个次强邻区的历史数据。
其中，目标小区可以用A表示，三个次强邻区可以用B、C、D表示。
步骤22、将预测数据源集合中的存在异常的话务量剔除，得到处理后的预测数据源集合。
在本步骤中，异常的话务量破坏了预测数据源集合的规律性，如果不对异常的话务量进行剔除，预测后的结果将变得不可预知，甚至严重偏离实际情况导致预测结果不准确。因此，在进行预测前，首先需要在预测数据源中对该部分异常数据进行单独处理。
可选的，异常的话务量可以是预测数据源集合中的一个或多个历史数据，将异常的话务量从预测数据源集合中剔除，得到的话务量为预测数据源集合。
其中，异常的话务量可以通过如下步骤获得：
第1步，计算预设数据源集合中的话务量的平均值，得到目标时段的平均话务量。
具体的，将预设数据源集合中的话务量进行分组，例如，目标小区星期一0点的分组预测数据源集合数据可以有N个，分别为A第一周+星期一+0...A第N周+星期一+0，则平均值即目标时段的平均话务量。
可选的，本方案以不考虑场景维度的话务量的预测为例进行说明，在单独考虑场景维度的话务量的预测中，预测数据源集合数据可以通过上述步骤21的方式获得。
第2步、根据平均话务量，计算获取预设数据源集合中的话务量的标准方差。
具体的，平均话务量为则预设数据源集合中的话务量的标准方差σ可以通过如下公式获得：
第3步、根据预设数据集合中的每个话务量与标准方差之间的关系，确定预测数据源集合中的异常的话务量。
具体的，标准方差表示预设数据集合中的话务量的离散程度，每个话务量与标准方差之间的关系，可以判断每个话务量在预测数据源集合中的个体间的离散程度，以此来确定每个话务量是否为异常的话务量。
在一种可能的实现中，遍历计算预设数据集合中的每个话务量与标准方差之间的比值作为偏离系数。
具体的，预设数据集合中的每个话务量的偏离系数可以是每个话务量与标准方差之间的比值，即每个话务量的偏离系数＝A第N周+星期一+0/σ，其中，N的取值为预设数据源集合中的数据的个数。
进一步地，若偏离系数大于130％或者偏离系数小于70％，则偏离系数对应的话务量为异常话务量。
具体的，将每个话务量的偏离系数与130％比较，其中，大于130％的偏离系数对应的话务量为异常的话务量；将每个话务量的偏离系数与70％比较，其中，小于70％的偏离系数对应的话务量为异常的话务量。
可选的，将预设数据集合中异常的话务量的集合设置为A1，其他话务量的集合设置为A2。
进一步地，在预测数据源集合中的A、B、C、D小区中，获取各个小区中A1和A2对应时间段的MRO数据，分别为AA1，BA1，CA1，DA1，AA2，BA2，CA2，DA2。
可选的，根据各个小区的MRO数据，可以对A小区A1对应的时间段的话务量的类型进行判断，可以包括以下几种情况：
第1种，当70％＜＝(AA1+BA1+CA1+DA1)/(AA2+BA2+CA2+DA2)＜＝130％，且A1/A2＜0.7时，表示A小区在A1集合对应的时间段话务量明显低于其他同时段，可能存在故障。
第2种，当70％＜＝(AA1+BA1+CA1+DA1)/(AA2+BA2+CA2+DA2)＜＝130％，且A1/A2＞1.3时，表示A小区在A1集合对应的时间段话务量明显高于其他同时段，可能为突发话务导致。
第3种，当(AA1+BA1+CA1+DA1)/(AA2+BA2+CA2+DA2)＞130％，表示A小区在A1集合对应的时间段内所覆盖的区域话务量明显高于其他同时段，可能为突发话务导致。
第4种，当(AA1+BA1+CA1+DA1)/(AA2+BA2+CA2+DA2)＜＝70％，表示A小区在A1集合对应的时间段内所覆盖的区域话务量明显低于其他同时段，可能区域性大范围故障。
其中，故障包含隐性故障、显性故障、外部干扰等影响用户接入及驻留网络，进而降低用户在该小区进行业务的相关因素。
进一步地，基于上述四种情况，对应的A小区在A1集合中的数据进行剔除处理，可以包括以下步骤：
第1步，若A小区在A1集合对应的时间段内相关数据满足上述第2种情况时，则视该时间段内相关数据为干扰话务量，将该部分话务量从历史数据中剔除。
第2步，若A小区在A1集合对应的时间段内相关数据满足上述第3种情况时，则视该时间段内相关数据为干扰话务量，将该部分话务量从历史数据中剔除，同时B、C、D小区在A1集合对应的时间段内相关数据也为预测干扰话务量，该部分话务量也需要从各自小区的预测数据源集合中剔除。
第3步，若A小区在A1集合对应的时间段内相关数据满足上述第1种或第4种情况时，需要进一步地判断A小区在A1集合对应的时间段内相关数据是否包含最新一周数据，若不包含，则认为该异常情况仅为历史性事件，当前已恢复，相应的执行第4步；若包含，则判断该异常数据是否位于周一至周六，若位于周一至周六，则该异常情况已恢复正常，判定该数据为预测干扰数据，相应的执行第5步。
第4步，若A小区在A1集合对应的时间段内相关数据满足上述第1种情况时，则视该时间段内相关数据为干扰话务量，将该部分话务量从历史数据中剔除；若A小区在A1集合对应的时间段内相关数据满足上述第4种情况时，则视该时间段内相关数据为干扰话务量，将该部分话务量从历史数据中剔除，同时B、C、D小区在A1集合对应的时间段内相关数据也为预测干扰话务量，该部分话务量也需要从各自小区的预测数据源集合中剔除。
第5步，若A小区在A1集合对应的时间段内相关数据满足上述第1种情况时，则视该时间段内相关数据为干扰话务量，将该部分话务量从历史数据中剔除；若A小区在A1集合对应的时间段内相关数据满足上述第4种情况时，则视该时间段内相关数据为干扰话务量，将该部分话务量从历史数据中剔除，同时B、C、D小区在A1集合对应的时间段内相关数据也为预测干扰话务量，该部分话务量也需要从各自小区的预测数据源集合中剔除。
步骤23、从处理后的预测数据源集合中，获取与当前最接近的至少四个预设时段的话务量作为预测数据源。
在本步骤中，根据上述步骤对预测数据源集合进行处理之后，剩余的话务量为规律性、连续的话务量，将该部分话务量作为处理后的预测数据源集合。为了使得话务量的预测更加准确，需要在该测数据源集合中，获取与当前时间段最接近的至少四个预设时段的话务量作为预测数据源。
可选的，预测数据源为可以直接用于话务量预测的数据源，其中预测数据源中与当前最接近的预设时段的话务量的个数可以根据实际情况进行配置。
本申请实施例提供的话务量的预测方法，通过从全网的历史数据中获取目标小区在预设时段的话务量作为预设数据源集合，预测数据源集合中包括N个目标时段对应的话务量，并将预测数据源集合中的存在异常的话务量剔除，得到处理后的预测数据源集合。从处理后的预测数据源集合中，获取与当前最接近的至少四个预设时段的话务量作为预测数据源。该方案中，将预测数据源集合中的存在异常的话务量剔除，确定了预测数据源，为实现更加准确的预测目标小区在下一个预设时段对应的话务量提供了基础。
在上述实施例的基础上，图3为本申请实施例提供的话务量的预测方法实施例四的流程图。如图3所示，在步骤12中根据目标小区的预设数据源中的至少四个历史话务量，预测得到目标小区在下一个目标时段对应的话务量，可以包括如下步骤：
步骤31、根据至少四个历史话务量的排序，确定排序赋值权重。
在本方案中，假设目标小区星期一0点的预测数据源分别来自第一周星期一0点的话务量H、第二周星期一0点的话务量I、第三周星期一0点的话务量J、第四周星期一0点的话务量K，此时需要预测第五周星期一0点的话务量E。
在本步骤中，由于目标小区的话务模型总是跟最接近一周相同时间段的话务模型最为相似，因此可以引入排序赋值权重，定义排序赋值权重为P。
其中，话务模型反映了该目标小区中话务量、拥塞率和利用率的关系，通过话务模型，对H、I、J、K进行排序。
在一种可能的实现中，当H、I、J、K是升序排列时，P＝1.05；当H、I、J、K是降序排列时，P＝0.95；当H、I、J、K既不是升序排列，也不是降序排列时，P＝1。
步骤32、根据至少四个历史话务量的值，确定完整性因子权重。
在本步骤中，由于目标小区星期一0点，第一周到第四周的话务量并非都是规律的满足预测要求，例如，当其中的某一周或者某几周话务量由于偏离标准方差值，该部分话务量会进入异常的话务量剔除处理，从而导致部分话务量缺失，此时需要引入完整性因子权重Q。
在一种可能的实现中，对于Q的取值可以分为以下几种情况：
第1种，当H、I、J、K都>0时，Q＝1；
第2种，当H、I、J、K中有三个>0时，Q＝0.95；
第3种，当H、I、J、K中两个>0时，Q＝0.9；
第4种，当H、I、J、K中一个>0时，Q＝0.85。
步骤33、根据至少四个话务量，排序赋值权重以及完整性因子权重，预测得到目标小区在下一个预设时段对应的话务量。
在本步骤中，根据至少四个话务量、上述步骤获得的排序赋值权重，以及完整性因子权重取值的不同情况，预测目标小区在下一个预设时段对应的话务量，可以分为以下几种不同的情况：
第1种，当H、I、J、K都>0时，即Q＝1时：
具体的，当H、I、J、K是升序排列时，P＝1.05，则第五周星期一0点的话务量E的预测结果是：
E＝(H*0.15+I*0.2+J*0.25+K*0.4)*1.05*1；
具体的，当H、I、J、K是降序排列时，P＝0.95，则第五周星期一0点的话务量E的预测结果是：
E＝(H*0.15+I*0.2+J*0.25+K*0.4)*0.95*1；
具体的，当H、I、J、K既不是升序排列，也不是降序排列时，P＝1，则第五周星期一0点的话务量E的预测结果是：
E＝(H*0.15+I*0.2+J*0.25+K*0.4)*1*1；
第2种，当H、I、J、K中有三个>0，即Q＝0.95时(此处以H>0，I>0，J>0为例说明)：
具体的，当H、I、J是升序排列时，P＝1.05，则第五周星期一0点的话务量E的预测结果是：
E＝(H*0.2+I*0.3+J*0.5)*1.05*0.95
具体的，当H、I、J是降序排列时，P＝0.95，则第五周星期一0点的话务量E的预测结果是：
E＝(H*0.2+I*0.3+J*0.5)*0.95*0.95
具体的，当H、I、J既不是升序排列，也不是降序排列时，P＝1，则第五周星期一0点的话务量E的预测结果是：
E＝(H*0.2+I*0.3+J*0.5)*1*0.95
第3种，当H、I、J、K中有两个>0，即Q＝0.9时(此处以H>0，I>0为例说明)：
具体的，当H>I时，P＝1.05，则第五周星期一0点的话务量E的预测结果是：
E＝(H*0.4+I*0.6)*1.05*0.9
具体的，当H<I时，P＝0.95，则第五周星期一0点的话务量E的预测结果是：
E＝(H*0.4+I*0.6)*0.95*0.9
第4种，当H、I、J、K中只有一个>0，即Q＝0.85时(此处以H>0为例说明)：
具体的，P＝1.05，则第五周星期一0点的话务量E的预测结果是：
E＝H*1*1.05*0.85
可选的，在本步骤中存在一种特殊情况，即在上述实施例中，若A小区在A1集合对应的时间段内相关数据满足上述步骤22中第1种或第4种情况时，且A小区在A1集合对应的时间段内相关数据包含最新一周数据，该异常数据不位于周一至周六时，即话务量预测的时间段位于周日时，可通过如下方式进行话务量的预测。
具体的，假设目标小区周日的7点和8点的历史话务量中存在干扰数据，即可以认为7点和8点是故障状态下的故障时段，目标小区正常时0点到23点的话务量为N0、N2、…N23，则通过以下公式计算出故障状态下目标小区在k点(k∈[0,23])的话务预测结果：
Vk＝Vn -1*(Nn/Nk)
其中，Vk表示预测目标小区在k点的话务量；Vn -1表示目标小区在周日的故障时段(n点)的话务量；Nn表示目标小区在正常时对应n点的话务量；
Nk表示目标小区在正常时对应k点的话务量。
本申请实施例提供的话务量的预测方法，通过根据至少四个历史话务量的排序，确定排序赋值权重，再根据至少四个历史话务量的值，确定完整性因子权重，最后根据至少四个话务量，排序赋值权重以及完整性因子权重，预测得到目标小区在下一个预设时段对应的话务量。该技术方案中，基于排序赋值权重、完整性因子权重，利用至少四个历史话务量的值，实现了更加准确的对目标小区话务量的预测。
图4为本申请实施例提供的话务量的预测装置的结构示意图。如图4所示，该装置包括：处理模块41和确定模块42。
处理模块41，用于获取目标小区在预设时段对应的预测数据源，预测数据源中包括至少四个历史话务量，至少四个历史话务量为历史数据中，与当前最接近的四个预设时段的非干扰数据中的话务量；
确定模块42，用于根据目标小区的预设数据源中的至少四个历史话务量，预测得到目标小区在下一个预设时段对应的话务量。
在本申请实施例一种可能设计中，处理模块41，具体用于：
从全网的历史数据中获取目标小区在预设时段的话务量作为预设数据源集合，预测数据源集合中包括N个目标时段对应的话务量，N为大于4的正整数；
将预测数据源集合中的存在异常的话务量剔除，得到处理后的预测数据源集合；
从处理后的预测数据源集合中，获取与当前最接近的至少四个预设时段的话务量作为预测数据源。
在该种可能的设计中，处理模块41，还用于：
计算预设数据源集合中的话务量的平均值，得到目标时段的平均话务量；
根据平均话务量，计算获取预设数据源集合中的话务量的标准方差；
根据预设数据集合中的每个话务量与标准方差之间的关系，确定预测数据源集合中的异常的话务量。
可选的，处理模块41，用于根据预设数据集合中的每个话务量与标准方差之间的关系，确定预测数据源集合中的异常的话务量，具体为：
处理模块41，具体用于：
遍历计算预设数据集合中的每个话务量与标准方差之间的比值作为偏离系数；
若偏离系数大于130％或者偏离系数小于70％，则偏离系数对应的话务量为异常话务量。
在本申请实施例另一种可能的设计中，确定模块42，具体用于：
根据至少四个历史话务量的排序，确定排序赋值权重；
根据至少四个历史话务量的值，确定完整性因子权重；
根据至少四个话务量，排序赋值权重以及完整性因子权重，预测得到目标小区在下一个预设时段对应的话务量。
本申请实施例提供的话务量的预测装置，可用于执行上述实施例中的方案，其实现原理和技术效果类似，在此不再赘述。
需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现；也可以全部以硬件的形式实现；还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，确定模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上确定模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
图5为本申请实施例提供的电子设备的结构示意图。如图5所示，该终端设备可以包括：处理器51、存储器52以及显示器53。
处理器51执行存储器存储的计算机执行指令，使得处理器51执行上述实施例中的方案。处理器51可以是通用处理器，包括中央处理器CPU、网络处理器(network processor，NP)等；还可以是数字信号处理器DSP、专用集成电路ASIC、现场可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
存储器52和显示器53通过系统总线与处理器51连接并完成相互间的通信，存储器52用于存储计算机程序指令。存储器52可能包含随机存取存储器(random access memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
显示器53用于显示处理器51的预测结果。可选的，显示器53可以是电子设备的前面板；在一些实施例中，显示器53可以是柔性显示屏，设置在终端设备的弯曲表面上或折叠面上。甚至，显示器53还可以设置成非矩形的不规则图形的显示屏，也即异形屏。显示器53可以采用液晶显示屏(Liquid Crystal Display，LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等材质制备。
系统总线可以是外设部件互连标准(peripheral component interconnect，PCI)总线或扩展工业标准结构(extended industry standard architecture，EISA)总线等。系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
本申请实施例提供的电子设备，可用于执行上述实施例中的方案，其实现原理和技术效果类似，在此不再赘述。
本申请实施例还提供一种运行指令的芯片，该芯片用于执行上述实施例中的方案。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机指令，当该计算机指令在计算机上运行时，使得计算机执行上述实施例的方案。
本申请实施例还提供一种计算机程序产品，该计算机程序产品包括计算机程序，其存储在计算机可读存储介质中，至少一个处理器可以从计算机可读存储介质读取计算机程序，至少一个处理器执行计算机程序时可实现上述实施例中的方案。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求书来限制。
Claims (5)
1.一种话务量的预测方法，其特征在于，包括：
从全网的历史数据中获取目标小区在预设时段的话务量以及除所述目标小区之外的至少三个次强邻区的话务量作为预设数据源集合，所述预设数据源集合中包括N个预设时段对应的话务量，N为大于4的正整数；
计算所述预设数据源集合中的话务量的平均值，得到所述预设时段的平均话务量；
根据所述平均话务量，计算获取所述预设数据源集合中的话务量的标准方差；
遍历计算所述预设数据源集合中的每个话务量与所述标准方差之间的比值作为偏离系数；
若偏离系数大于130%或者所述偏离系数小于70%，则所述偏离系数对应的话务量为异常话务量；
将所述预设数据源集合中的异常话务量剔除，得到处理后的预设数据源集合；
从所述处理后的预设数据源集合中，获取与当前最接近的至少四个预设时段的话务量作为预测数据源；
根据目标小区的所述预测数据源中的至少四个历史话务量，预测得到所述目标小区在下一个预设时段对应的话务量；所述至少四个历史话务量为历史数据中，与当前最接近的四个预设时段的非干扰数据中的话务量。
2.根据权利要求1所述的方法，其特征在于，所述根据目标小区的所述预测数据源中的至少四个历史话务量，预测得到所述目标小区在下一个预设时段对应的话务量，包括：
根据所述至少四个历史话务量的排序，确定排序赋值权重；
根据所述至少四个历史话务量的值，确定完整性因子权重；
根据所述至少四个历史话务量，所述排序赋值权重以及所述完整性因子权重，预测得到所述目标小区在下一个预设时段对应的话务量。
3.一种话务量的预测装置，其特征在于，包括：处理模块和确定模块；
所述处理模块，用于从全网的历史数据中获取目标小区在预设时段的话务量以及除所述目标小区之外的至少三个次强邻区的话务量作为预设数据源集合，所述预设数据源集合中包括N个预设时段对应的话务量，N为大于4的正整数；
计算所述预设数据源集合中的话务量的平均值，得到所述预设时段的平均话务量；
根据所述平均话务量，计算获取所述预设数据源集合中的话务量的标准方差；
遍历计算所述预设数据源集合中的每个话务量与所述标准方差之间的比值作为偏离系数；
若偏离系数大于130%或者所述偏离系数小于70%，则所述偏离系数对应的话务量为异常话务量；
将所述预设数据源集合中的异常话务量剔除，得到处理后的预设数据源集合；
从所述处理后的预设数据源集合中，获取与当前最接近的至少四个预设时段的话务量作为预测数据源；
所述确定模块，用于根据目标小区的所述预测数据源中的至少四个历史话务量，预测得到所述目标小区在下一个预设时段对应的话务量；所述至少四个历史话务量为历史数据中，与当前最接近的四个预设时段的非干扰数据中的话务量。
4.一种电子设备，其特征在于，包括处理器、存储器、显示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，其特征在于，所述处理器执行所述程序时实现如上述权利要求1至2任一项所述的方法。
5.一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，所述计算机执行指令被处理器执行时用于实现如权利要求1至2任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011568884.2A CN112738340B (zh) | 2020-12-25 | 2020-12-25 | 话务量的预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011568884.2A CN112738340B (zh) | 2020-12-25 | 2020-12-25 | 话务量的预测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112738340A CN112738340A (zh) | 2021-04-30 |
| CN112738340B true CN112738340B (zh) | 2023-10-31 |
Family
ID=75616769
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011568884.2A Active CN112738340B (zh) | 2020-12-25 | 2020-12-25 | 话务量的预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112738340B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113128787A (zh) * | 2021-05-10 | 2021-07-16 | 携程旅游网络技术（上海）有限公司 | 话务量预测方法、系统、设备及介质 |
| CN114071636A (zh) * | 2021-10-28 | 2022-02-18 | 浪潮通信信息系统有限公司 | 链路分配方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101132447A (zh) * | 2007-08-13 | 2008-02-27 | 中国移动通信集团安徽有限公司 | 一种大型呼叫中心的热线来话预测方法 |
| CN103987056A (zh) * | 2014-05-30 | 2014-08-13 | 南京华苏科技有限公司 | 基于大数据统计模型的无线网络话务量预测方法 |
| CN110245778A (zh) * | 2019-05-07 | 2019-09-17 | 阿里巴巴集团控股有限公司 | 分摊数据检测方法以及装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2006044569A2 (en) * | 2004-10-13 | 2006-04-27 | Site Inspections, Llc | Method for managing property inspection reports |
| US9218395B2 (en) * | 2013-03-20 | 2015-12-22 | International Business Machines Corporation | Managing attributes in stream processing |
-
2020
- 2020-12-25 CN CN202011568884.2A patent/CN112738340B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101132447A (zh) * | 2007-08-13 | 2008-02-27 | 中国移动通信集团安徽有限公司 | 一种大型呼叫中心的热线来话预测方法 |
| CN103987056A (zh) * | 2014-05-30 | 2014-08-13 | 南京华苏科技有限公司 | 基于大数据统计模型的无线网络话务量预测方法 |
| CN110245778A (zh) * | 2019-05-07 | 2019-09-17 | 阿里巴巴集团控股有限公司 | 分摊数据检测方法以及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112738340A (zh) | 2021-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112738340B (zh) | 话务量的预测方法、装置、设备及存储介质 | |
| CN110209560B (zh) | 数据异常检测方法及检测装置 | |
| CN110782659B (zh) | 路况确定方法、装置、服务器及存储介质 | |
| CN101442762B (zh) | 网络性能分析以及网络故障定位方法和装置 | |
| CN106971545A (zh) | 一种公交车到站时间预测方法 | |
| WO2017202226A1 (zh) | 人群流量的确定方法及装置 | |
| US20150206428A1 (en) | Estimation of hourly traffic flow profiles using speed data and annual average daily traffic data | |
| CN110718057B (zh) | 路网运行状态评价方法、装置、电子设备及介质 | |
| JP5003566B2 (ja) | ネットワーク性能予測システム、ネットワーク性能予測方法およびプログラム | |
| CN111045820A (zh) | 一种基于时序预测的容器调度方法 | |
| CN114444827B (zh) | 一种集群性能的评估方法和装置 | |
| CN113537563B (zh) | 污染应急管控效果评估方法及装置 | |
| CN112671337B (zh) | 一种用于确定光伏板是否需要清洗的方法和装置 | |
| CN113393058A (zh) | 污染物管控方法、预测管控方法、实时管控方法及装置 | |
| CN108775914B (zh) | 一种交通设备检测方法及检测设备 | |
| CN114786190A (zh) | 一种流量的预测方法、装置及存储介质 | |
| CN111800807A (zh) | 一种基站用户数量告警的方法及装置 | |
| CN109922212B (zh) | 一种时段话务量占比的预测方法及装置 | |
| CN110443451B (zh) | 事件定级方法、装置、计算机设备和存储介质 | |
| CN111127247A (zh) | 电量数据采集方法、装置、计算机设备和存储介质 | |
| CN113838303A (zh) | 停车场推荐方法、装置、电子设备及存储介质 | |
| JP6628700B2 (ja) | 気象情報予測装置および電力需要予測装置 | |
| CN116186017B (zh) | 一种大数据协同监管方法及平台 | |
| CN116227929B (zh) | 通信数据的分析方法、装置、设备及存储介质 | |
| CN110399537B (zh) | 一种基于人工智能技术的警情时空预测方法 |
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 |