CN113852513B - 网络容量预测方法及装置 - Google Patents

网络容量预测方法及装置 Download PDF

Info

Publication number
CN113852513B
CN113852513B CN202010600339.0A CN202010600339A CN113852513B CN 113852513 B CN113852513 B CN 113852513B CN 202010600339 A CN202010600339 A CN 202010600339A CN 113852513 B CN113852513 B CN 113852513B
Authority
CN
China
Prior art keywords
time granularity
location update
network capacity
position updating
failure times
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
Application number
CN202010600339.0A
Other languages
English (en)
Other versions
CN113852513A (zh
Inventor
冯瑞雪
苏鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing MetarNet Technologies Co Ltd
Original Assignee
Beijing MetarNet Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing MetarNet Technologies Co Ltd filed Critical Beijing MetarNet Technologies Co Ltd
Priority to CN202010600339.0A priority Critical patent/CN113852513B/zh
Publication of CN113852513A publication Critical patent/CN113852513A/zh
Application granted granted Critical
Publication of CN113852513B publication Critical patent/CN113852513B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0876—Network utilisation, e.g. volume of load or congestion level
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Environmental & Geological Engineering (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本发明实施例提供一种网络容量预测方法及装置。其中，方法包括：根据当前连续多个时间粒度的位置更新请求数据，获取每个时间粒度的信令特征；将多个时间粒度的信令特征输入至循环神经网络模型，输出下一时间粒度的位置更新失败次数；根据下一时间粒度的位置更新失败次数和预设的阈值，获取网络容量预测结果；其中，信令特征包括位置更新失败次数；循环神经网络模型是根据历史位置更新请求数据进行训练后获得的。本发明实施例提供的网络容量预测方法及装置，通过将多个时间粒度的信令特征获取下一时间粒度的位置更新失败次数，根据下一时间粒度的位置更新失败次数和预设的阈值，获取网络容量预测结果，能提高网络容量预测的准确率。

Description

网络容量预测方法及装置
技术领域
本发明涉及通信技术领域，更具体地，涉及一种网络容量预测方法及装置。
背景技术
随着通信行业的发展，大量的通信业务导致网络拥塞，影响用户的使用流畅性。预知网络容量，可以让运维人员提前处理网络问题，阻止网络瘫痪，保障用户的通信质量。
现有网络容量预测方法，主要通过小区的性能指标预测网络容量。而小区的性能指标的波动比较大，现有网络容量预测方法的准确率有限。
发明内容
本发明实施例提供一种网络容量预测方法及装置，用以解决或者至少部分地解决现有技术存在的准确率有限的缺陷。
第一方面，本发明实施例提供一种网络容量预测方法，包括：
根据当前连续多个时间粒度的位置更新请求数据，获取每个所述时间粒度的信令特征；
将所述多个时间粒度的信令特征输入至循环神经网络模型，输出下一时间粒度的位置更新失败次数；
根据所述下一时间粒度的位置更新失败次数和预设的阈值，获取网络容量预测结果；
其中，所述信令特征包括位置更新失败次数；所述循环神经网络模型是根据历史位置更新请求数据进行训练后获得的。
优选地，所述循环神经网络模型为长短时记忆网络模型。
优选地，所述根据当前连续多个时间粒度的位置更新请求数据，获取每个所述时间粒度的信令特征之前还包括：
获取所述多个时间粒度的MAP信令数据；
根据每个所述时间粒度的MAP信令数据，获取每个所述时间粒度的位置更新请求数据。
优选地，所述位置更新失败次数为包括漫游不被允许的位置更新失败次数。
优选地，所述位置更新失败次数为不包括漫游不被允许的位置更新失败次数。
优选地，所述位置更新失败次数为超时和不包括漫游不被允许的位置更新失败次数。
优选地，所述根据所述下一时间粒度的位置更新失败次数和预设的阈值，获取网络容量预测结果的具体步骤包括：
若判断获知所述下一时间粒度的位置更新失败次数大于所述阈值，则将所述网络容量预测结果确定为不满足需求；
若判断获知所述下一时间粒度的位置更新失败次数小于或等于所述阈值，则将所述网络容量预测结果确定为满足需求。
第二方面，本发明实施例提供一种网络容量预测装置，包括：
提取模块，用于根据当前连续多个时间粒度的位置更新请求数据，获取每个所述时间粒度的信令特征；
预测模块，用于将所述多个时间粒度的信令特征输入至循环神经网络模型，输出下一时间粒度的位置更新失败次数；
判断模块，用于根据所述下一时间粒度的位置更新失败次数和预设的阈值，获取网络容量预测结果；
其中，所述信令特征包括位置更新失败次数；所述循环神经网络模型是根据历史位置更新请求数据进行训练后获得的。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，执行所述程序时实现如第一方面的各种可能的实现方式中任一种可能的实现方式供的网络容量预测方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面的各种可能的实现方式中任一种可能的实现方式供的网络容量预测方法的步骤。
本发明实施例提供的网络容量预测方法及装置，通过将多个时间粒度的信令特征输入至循环神经网络模型，输出下一时间粒度的位置更新失败次数，根据下一时间粒度的位置更新失败次数和预设的阈值，获取网络容量预测结果，能提高网络容量预测的准确率。
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的前提下，还可以根据这些附图获得其他的附图。
图1为根据本发明实施例提供的网络容量预测方法的流程示意图；
图2为根据本发明实施例提供的网络容量预测装置的结构示意图；
图3为根据本发明实施例提供的电子设备的实体结构示意图。
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。
为了克服现有技术的上述问题，本发明实施例提供一种网络容量预测方法及装置，其发明构思是，针对运营商网络的位置更新的信令数据，通过分析历史数据，预测未来的网络容量，以支持运维人员及时做出扩容、更换设备、修复错误的操作。
图1为根据本发明实施例提供的网络容量预测方法的流程示意图。如图1所示，该方法包括：步骤S101、根据当前连续多个时间粒度的位置更新请求数据，获取每个时间粒度的信令特征。
其中，信令特征包括位置更新失败次数。
需要说明的是，本发明实施例提供的网络容量预测方法，适用于对地区间漫游的网络容量进行定性预测，判断未来的网络容量是否可以满足业务需求。
具体地，连续多个时间粒度的数量为预设的数量。连续多个时间粒度的数量为n(n为正整数)，当前时间粒度为第n个时间粒度，则当前连续多个时间粒度为第1至n个时间粒度，下一时间粒度为第(n+1)个时间粒度。
时间粒度为预设的时间段。时间粒度的时长可以根据实际需要确定，例如5分钟、10分钟、1小时或1天等，本发明实施例对此不作具体限制。
位置更新是一种业务请求消息、当移动设备(例如手机)由一个位置区(例如中国内地)移动到另一个位置区(例如中国香港)时，需要向网络发出请求来更新它的位置信息，才能正常使用通信网络。位置更新请求数据与网络容量的相关性高。
当一个方向的位置更新的请求失败次数大量增加时，表示此网络的容量不足以支撑业务数据，将位置更新的请求失败次数作为容量指标预测，可以提前预知网络容量瓶颈，引导运维人员做出扩容的决策。
因此，信令特征至少包括位置更新失败次数，还可以包括位置更新请求的总次数等。
步骤S102、将多个时间粒度的信令特征输入至循环神经网络模型，输出下一时间粒度的位置更新失败次数。
其中，循环神经网络模型是根据历史位置更新请求数据进行训练后获得的。
具体地，获取第1至n个时间粒度中，每个时间粒度的信令特征之后，将上述n个时间粒度的信令特征输入循环神经网络模型，输出第(n+1)个时间粒度的位置更新失败次数的预测值。
循环神经网络(Recurrent Neural Network，RNN)是一类以序列(sequence)数据为输入，在序列的演进方向进行递归(recursion)且所有节点(循环单元)按链式连接的递归神经网络(recursive neural network)。
步骤S103、根据下一时间粒度的位置更新失败次数和预设的阈值，获取网络容量预测结果。
具体地，可以根据第(n+1)个时间粒度的位置更新失败次数的预测值和预设的阈值，判断对于第(n+1)个时间粒度，网络容量是否满足业务需求(是否足以支撑业务数据)，将判断结果作为网络容量的定性预测结果。
该阈值，为次数。预设的阈值的具体数值，可以根据实际情况确定，本发明实施例对此不作具体限制。
本发明实施例可以采用不同时间粒度不同维度的海量数据进行预测，覆盖了此业务的数据范围，分析结果可靠且全面；结果准确率可以达到95％以上，从而运维人员能够获知网络情况并做出预判，大大提高了网络的使用性。
本发明实施例通过将多个时间粒度的信令特征输入至循环神经网络模型，输出下一时间粒度的位置更新失败次数，根据下一时间粒度的位置更新失败次数和预设的阈值，获取网络容量预测结果，能提高网络容量预测的准确率。
基于上述各实施例的内容，循环神经网络模型为长短时记忆网络模型。
具体地，循环神经网络模型可以采用长短时记忆网络模型。
长短期记忆网络(LSTM，Long Short-Term Memory)是一种时间循环神经网络。
长短期记忆网络的步长，为上述连续多个时间粒度的数量n。
本发明实施例通过长短时记忆网络模型进行网络容量预测，能提高网络容量预测的准确率。
基于上述各实施例的内容，根据当前连续多个时间粒度的位置更新请求数据，获取每个时间粒度的信令特征之前还包括：获取多个时间粒度的MAP信令数据。
具体地，获取每个时间粒度的信令特征之前，先获取每个时间粒度的位置更新请求数据。
每个时间粒度的位置更新请求数据，可以从该时间粒度的MAP信令数据中获取。
对于每个时间粒度，先获取该时间粒度的MAP信令数据。
MAP信令以协议规定的方式实现各实体间的信息交流，绝大多数信令是以一发一收的方式进行交互的。MAP信令通过七号信令网传递，处于MTP、SCCP、TCAP层的上方。
根据每个时间粒度的MAP信令数据，获取每个时间粒度的位置更新请求数据。
具体地，MAP信令中的位置更新请求(location update，LU)消息被发送至移动通信系统平台，因而可以采集MAP信令中的位置更新消息。
MAP信令数据记录了每条经过CMI的位置更新请求信令的信息，其中procedureresult字段表示了一条位置更新请求信令的结果，error cause字段表示LU请求没有成功的原因，包括网络原因与非网络原因。
通过整合原始的位置更新话单数据，可以得到不同方向以及不同时间粒度的位置更新请求数据。
方向指漫游方向，例如中国香港、新加坡等。
本发明实施例通过获取MAP信令数据，根据MAP信令数据获取位置更新请求数据，从而能根据位置更新请求数据进行网络容量预测，能提高网络容量预测的准确率。
基于上述各实施例的内容，位置更新失败次数为包括漫游不被允许的位置更新失败次数。
具体地，位置更新失败次数可以为包括漫游不被允许(Roaming not allowed，RNA)的位置更新失败次数，即含RNA的位置更新失败次数。
因此，信令特征中包括的位置更新失败次数，以及循环神经网络模型输出的下一时间粒度的位置更新失败次数，均为含RNA的位置更新失败次数。
对于每个时间粒度，该时间粒度的信令特征可以仅包括该时间粒度的含RNA的位置更新失败次数，还可以包括该时间粒度的LU总请求次数，或者还包括该时间粒度的LU总请求次数和数据包总数量。
LU总请求次数会影响LU信令错误次数，可以作为预测输入。
网络流量会影响LU请求的信令状态，输入数据(信令特征)中还可以添加流量的相关数据，包括时间粒度内的data packet，即DXC设备上传输的数据包数量，和/或瞬时流量(max in flow)，取时间粒度内的最大值。
本发明实施例通过将含RNA的位置更新失败次数作为循环神经网络模型的输出，能提高网络容量预测的准确率。
基于上述各实施例的内容，位置更新失败次数为不包括漫游不被允许的位置更新失败次数。
具体地，位置更新失败次数可以为不包括漫游不被允许(Roaming not allowed，RNA)的位置更新失败次数，即不含RNA的位置更新失败次数。
因此，信令特征中包括的位置更新失败次数，以及循环神经网络模型输出的下一时间粒度的位置更新失败次数，均为不含RNA的位置更新失败次数。
对于每个时间粒度，该时间粒度的信令特征可以仅包括该时间粒度的不含RNA的位置更新失败次数，还可以包括该时间粒度的LU总请求次数，或者还包括该时间粒度的LU总请求次数和数据包总数量。
本发明实施例通过将不含RNA的位置更新失败次数作为循环神经网络模型的输出，能提高网络容量预测的准确率。
基于上述各实施例的内容，位置更新失败次数为超时和不包括漫游不被允许的位置更新失败次数。
具体地，信令状态除了成功与失败，还有超时状态，可以将其也视为失败次数进行预测。
因此，信令特征中包括的位置更新失败次数，以及循环神经网络模型输出的下一时间粒度的位置更新失败次数，可以均为不含RNA的位置更新失败次数加上超时的次数。
对于每个时间粒度，该时间粒度的信令特征可以仅包括该时间粒度的不含RNA的位置更新失败次数加上超时的次数，还可以包括该时间粒度的LU总请求次数，或者还包括该时间粒度的LU总请求次数和数据包总数量。
可以理解的是，含RNA的位置更新失败次数、不含RNA的位置更新失败次数和超时的次数，均可以根据MAP信令数据中的error cause字段进行统计获得。
本发明实施例通过将超时和不包括漫游不被允许的位置更新失败次数作为循环神经网络模型的输出，能提高网络容量预测的准确率。
基于上述各实施例的内容，根据下一时间粒度的位置更新失败次数和预设的阈值，获取网络容量预测结果的具体步骤包括：若判断获知下一时间粒度的位置更新失败次数大于阈值，则将网络容量预测结果确定为不满足需求。
具体地，将循环神经网络模型输出的下一时间粒度的位置更新失败次数的预测值与预设的阈值进行比较，若下一时间粒度的位置更新失败次数的预测值大于该阈值，说明下一时间粒度的网络容量不足以支撑业务数据，将网络容量预测结果确定为不满足需求。
若判断获知下一时间粒度的位置更新失败次数小于或等于阈值，则将网络容量预测结果确定为满足需求。
具体地，若下一时间粒度的位置更新失败次数的预测值小于或等于该阈值，说明下一时间粒度的网络容量足以支撑业务数据，将网络容量预测结果确定为满足需求。
本发明实施例根据下一时间粒度的位置更新失败次数和预设的阈值，获取网络容量预测结果，能提高网络容量预测的准确率。
可以理解的是，在步骤S101之前，根据历史位置更新请求数据进行训练，获得循环神经网络模型。
对历史位置更新请求数据依次进行数据归一化、划分训练集与测试集，及划分标签的操作。
对于任一历史时间粒度，该历史时间粒度的位置更新失败次数为样本数据对应的标签，样本数据为该历史时间粒度之前n个历史时间粒度的信令特征。
根据循环神经网络模型基于样本数据所输出的结果和样本数据对应的标签的差异，调整循环神经网络模型的隐藏神经元个数、隐藏层个数、迭代次数和每个批次进模型的数据的大小等参数。
将测试集的数据进行数据反归一化之后，评估循环神经网络模型的效果。
可以采用均方根误差(Root Mean Squared Error，RMSE)和平均绝对百分比误差(Mean absolute percentage error，MAPE)来评估循环神经网络模型的效果。
通过上述训练和测试过程，直至获得满足需要的循环神经网络模型。
图2为根据本发明实施例提供的网络容量预测装置的结构示意图。基于上述各实施例的内容，如图2所示，该装置包括提取模块201、预测模块202和判断模块203，其中：
提取模块201，用于根据当前连续多个时间粒度的位置更新请求数据，获取每个时间粒度的信令特征；
预测模块202，用于将多个时间粒度的信令特征输入至循环神经网络模型，输出下一时间粒度的位置更新失败次数；
判断模块203，用于根据下一时间粒度的位置更新失败次数和预设的阈值，获取网络容量预测结果；
其中，信令特征包括位置更新失败次数；循环神经网络模型是根据历史位置更新请求数据进行训练后获得的。
具体地，提取模块201、预测模块202与判断模块203依次电连接。
对于第1至n个时间粒度，提取模块201分别根据每个时间粒度的位置更新请求数据，提取至少包括位置更新失败次数的信令特征。
预测模块202将上述n个时间粒度的信令特征作为循环神经网络模型的输入，输入循环神经网络模型，循环神经网络模型输出第(n+1)个时间粒度的位置更新失败次数的预测值。
判断模块203根据第(n+1)个时间粒度的位置更新失败次数的预测值和预设的阈值，判断对于第(n+1)个时间粒度，网络容量是否满足业务需求(是否足以支撑业务数据)，将判断结果作为网络容量的定性预测结果。
本发明实施例提供的网络容量预测装置，用于执行本发明上述各实施例提供的网络容量预测方法，该网络容量预测装置包括的各模块实现相应功能的具体方法和流程详见上述网络容量预测方法的实施例，此处不再赘述。
该网络容量预测装置用于前述各实施例的网络容量预测方法。因此，在前述各实施例中的网络容量预测方法中的描述和定义，可以用于本发明实施例中各执行模块的理解。
本发明实施例通过将多个时间粒度的信令特征输入至循环神经网络模型，输出下一时间粒度的位置更新失败次数，根据下一时间粒度的位置更新失败次数和预设的阈值，获取网络容量预测结果，能提高网络容量预测的准确率。
图3为根据本发明实施例提供的电子设备的实体结构示意图。基于上述实施例的内容，如图3所示，该电子设备可以包括：处理器(processor)301、存储器(memory)302和总线303；其中，处理器301和存储器302通过总线303完成相互间的通信；处理器301用于调用存储在存储器302中并可在处理器301上运行的计算机程序指令，以执行上述各方法实施例供的网络容量预测方法，例如包括：根据当前连续多个时间粒度的位置更新请求数据，获取每个时间粒度的信令特征；将多个时间粒度的信令特征输入至循环神经网络模型，输出下一时间粒度的位置更新失败次数；根据下一时间粒度的位置更新失败次数和预设的阈值，获取网络容量预测结果；其中，信令特征包括位置更新失败次数；循环神经网络模型是根据历史位置更新请求数据进行训练后获得的。
本发明另一实施例公开一种计算机程序产品，计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令被计算机执行时，计算机能够执行上述各方法实施例供的网络容量预测方法，例如包括：根据当前连续多个时间粒度的位置更新请求数据，获取每个时间粒度的信令特征；将多个时间粒度的信令特征输入至循环神经网络模型，输出下一时间粒度的位置更新失败次数；根据下一时间粒度的位置更新失败次数和预设的阈值，获取网络容量预测结果；其中，信令特征包括位置更新失败次数；循环神经网络模型是根据历史位置更新请求数据进行训练后获得的。
此外，上述的存储器302中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明另一实施例提供一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行上述各方法实施例供的网络容量预测方法，例如包括：根据当前连续多个时间粒度的位置更新请求数据，获取每个时间粒度的信令特征；将多个时间粒度的信令特征输入至循环神经网络模型，输出下一时间粒度的位置更新失败次数；根据下一时间粒度的位置更新失败次数和预设的阈值，获取网络容量预测结果；其中，信令特征包括位置更新失败次数；循环神经网络模型是根据历史位置更新请求数据进行训练后获得的。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元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的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
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各实施方式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。这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行上述各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上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精神和范围。

Claims (10)

1.一种网络容量预测方法，其特征在于，包括：
根据当前连续多个时间粒度的位置更新请求数据，获取每个所述时间粒度的信令特征；
将所述多个时间粒度的信令特征输入至循环神经网络模型，输出下一时间粒度的位置更新失败次数；
根据所述下一时间粒度的位置更新失败次数和预设的阈值，获取网络容量预测结果；
其中，所述信令特征包括位置更新失败次数；所述循环神经网络模型是根据历史位置更新请求数据进行训练后获得的。
2.根据权利要求1所述的网络容量预测方法，其特征在于，所述循环神经网络模型为长短时记忆网络模型。
3.根据权利要求1所述的网络容量预测方法，其特征在于，所述根据当前连续多个时间粒度的位置更新请求数据，获取每个所述时间粒度的信令特征之前还包括：
获取所述多个时间粒度的MAP信令数据；
根据每个所述时间粒度的MAP信令数据，获取每个所述时间粒度的位置更新请求数据。
4.根据权利要求1所述的网络容量预测方法，其特征在于，所述位置更新失败次数为包括漫游不被允许的位置更新失败次数。
5.根据权利要求1所述的网络容量预测方法，其特征在于，所述位置更新失败次数为不包括漫游不被允许的位置更新失败次数。
6.根据权利要求1所述的网络容量预测方法，其特征在于，所述位置更新失败次数为超时和不包括漫游不被允许的位置更新失败次数。
7.根据权利要求1至6任一所述的网络容量预测方法，其特征在于，所述根据所述下一时间粒度的位置更新失败次数和预设的阈值，获取网络容量预测结果的具体步骤包括：
若判断获知所述下一时间粒度的位置更新失败次数大于所述阈值，则将所述网络容量预测结果确定为不满足需求；
若判断获知所述下一时间粒度的位置更新失败次数小于或等于所述阈值，则将所述网络容量预测结果确定为满足需求。
8.一种网络容量预测装置，其特征在于，包括：
提取模块，用于根据当前连续多个时间粒度的位置更新请求数据，获取每个所述时间粒度的信令特征；
预测模块，用于将所述多个时间粒度的信令特征输入至循环神经网络模型，输出下一时间粒度的位置更新失败次数；
判断模块，用于根据所述下一时间粒度的位置更新失败次数和预设的阈值，获取网络容量预测结果；
其中，所述信令特征包括位置更新失败次数；所述循环神经网络模型是根据历史位置更新请求数据进行训练后获得的。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在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权利要求1至7任一项所述的网络容量预测方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述的网络容量预测方法的步骤。
CN202010600339.0A 2020-06-28 2020-06-28 网络容量预测方法及装置 Active CN113852513B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010600339.0A CN113852513B (zh) 2020-06-28 2020-06-28 网络容量预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010600339.0A CN113852513B (zh) 2020-06-28 2020-06-28 网络容量预测方法及装置

Publications (2)

Publication Number Publication Date
CN113852513A CN113852513A (zh) 2021-12-28
CN113852513B true CN113852513B (zh) 2022-11-22

Family

ID=78972719

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010600339.0A Active CN113852513B (zh) 2020-06-28 2020-06-28 网络容量预测方法及装置

Country Status (1)

Country Link
CN (1) CN113852513B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1738477A (zh) * 2004-08-16 2006-02-22 上海华为技术有限公司 移动通信系统负载切换方法
CN103916868A (zh) * 2012-12-31 2014-07-09 中国移动通信集团浙江有限公司 位置区优化方法及系统
CN105871575A (zh) * 2015-01-21 2016-08-17 中国移动通信集团河南有限公司 一种核心网元的负荷预警方法及装置
CN109150564A (zh) * 2017-06-19 2019-01-04 中国移动通信集团广东有限公司 一种用于小区故障告警的预测方法及装置
US10212615B1 (en) * 2017-10-29 2019-02-19 Cisco Technology, Inc. Tracking area optimization
CN109379736A (zh) * 2018-10-26 2019-02-22 北京市天元网络技术股份有限公司 小区网络质量的调整方法及装置
CN110662245A (zh) * 2018-06-28 2020-01-07 中国移动通信集团山东有限公司 基于深度学习的基站负荷预警方法及装置
CN111132190A (zh) * 2019-11-28 2020-05-08 中通服建设有限公司 基站负荷预警方法、装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8880020B2 (en) * 2011-09-27 2014-11-04 Broadcom Corporation Method, and apparatus for attempting an eCALL regardless of response to a location update request

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1738477A (zh) * 2004-08-16 2006-02-22 上海华为技术有限公司 移动通信系统负载切换方法
CN103916868A (zh) * 2012-12-31 2014-07-09 中国移动通信集团浙江有限公司 位置区优化方法及系统
CN105871575A (zh) * 2015-01-21 2016-08-17 中国移动通信集团河南有限公司 一种核心网元的负荷预警方法及装置
CN109150564A (zh) * 2017-06-19 2019-01-04 中国移动通信集团广东有限公司 一种用于小区故障告警的预测方法及装置
US10212615B1 (en) * 2017-10-29 2019-02-19 Cisco Technology, Inc. Tracking area optimization
CN110662245A (zh) * 2018-06-28 2020-01-07 中国移动通信集团山东有限公司 基于深度学习的基站负荷预警方法及装置
CN109379736A (zh) * 2018-10-26 2019-02-22 北京市天元网络技术股份有限公司 小区网络质量的调整方法及装置
CN111132190A (zh) * 2019-11-28 2020-05-08 中通服建设有限公司 基站负荷预警方法、装置

Also Published As

Publication number Publication date
CN113852513A (zh) 2021-12-28

Similar Documents

Publication Publication Date Title
CN109302719B (zh) 一种lte小区容量预测分析方法及装置
EP2894813A1 (en) Technique for creating a knowledge base for alarm management in a communications network
CN113254254B (zh) 系统故障的根因定位方法、装置、存储介质及电子装置
CN109120463B (zh) 流量预测方法及装置
CN102577473B (zh) 用于通信网络中的系统仿真的方法和设备
CN111538873A (zh) 一种基于端对端模型的电信客户流失概率预测方法及系统
CN107147521B (zh) 一种投诉业务预警监控方法
CN109803222B (zh) 无线小区性能指标预测方法及装置
US10085157B2 (en) Reconfiguring a mobile network based on cellular network state information
CN104683182A (zh) Idc机房网络服务质量检测方法及装置
CN111163482A (zh) 数据的处理方法、设备及存储介质
CN107395451A (zh) 上网流量异常的处理方法、装置、设备及存储介质
CN113852513B (zh) 网络容量预测方法及装置
Snow et al. Assessing dependability of wireless networks using neural networks
CN109714793A (zh) 负荷调整方法、装置、设备及存储介质
CN107580329B (zh) 一种网络分析优化方法及装置
CN114266288A (zh) 一种网元检测方法及相关装置
JP6378836B2 (ja) 通信速度制限ユーザ抽出装置、スループット推定装置、通信速度制限ユーザ抽出方法、スループット推定方法、通信速度制限ユーザ抽出プログラム、及びスループット推定プログラム
CN114881180A (zh) 混凝土抗压强度数据的管理方法、装置、设备及存储介质
Suhasini et al. Queueing model with non-homogeneous bulk arrivals having state-dependent service rates
Christian et al. Network Traffic Prediction Of Mobile Backhaul Capacity Using Time Series Forecasting
CN117295071B (zh) 用于ipv6网络的移动节点安全管理方法及系统
CN112738808B (zh) 无线网络中DDoS攻击检测方法、云服务器及移动终端
CN111949473B (zh) 一种集群资源容量预测方法和装置
Odarchenko et al. Advanced Method for QoE Evaluation and Improvement in Modern Cellular 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