CN114362858B - 基于图卷积的窄带物联网基站负载预测方法、系统和介质 - Google Patents

Abstract

本发明公开了一种基于图卷积的窄带物联网基站负载预测方法、系统和介质，可应用于物联网技术领域。本发明通过采用图拓扑方式在第一预设时间窗口内对待分析基站状态和邻接关系进行建模后，对得到的图拓扑模型进行图卷积，得到各个待分析基站对应节点的空间特征向量，接着将空间特征向量转换为表征当前网络负载状态的第一网络嵌入值，并根据第一网络嵌入值和位于第一预设时间窗口之前的若干个第二预设时间窗口的第二网络嵌入值生成时间序列，根据第一相似度对时间序列进行编码，以缩短注意力分析序列长度，接着将得到的行程序列输入自注意力编解码器，得到预测网络嵌入值，以实现跨度较大的时序依赖性分析，从而及时发现网络服务质量的变化。

Description

基于图卷积的窄带物联网基站负载预测方法、系统和介质

技术领域

本发明涉及物联网技术领域，尤其是一种基于图卷积的窄带物联网基站负载预测方法、系统和介质。

背景技术

随着基于蜂窝的窄带物联网(NB-IoT)网络业务的持续增长，日益庞大的连接数量与其有限的网络容量与信道资源形成了一对尖锐的矛盾。日益多元化的应用场景对NB-IoT网络的质量保障提出了更高要求。有限的基站建设成本以及客户终端侧庞大的连接数量、频次不可控的终端网络使用模式以及日趋移动化的业务模式，使得网络拥塞、数据丢失、基站负载饱和等问题日益突出，且缺乏感知网络质量变化的主动发现手段，给NB-IoT网络服务质量保障带来了显著的压力。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于图卷积的窄带物联网基站负载预测方法、系统和介质，能够及时发现网络质量的变化。

一方面，本发明实施例提供了一种基于图卷积的窄带物联网基站负载预测方法，包括以下步骤：

在第一预设时间窗口内，采用图拓扑方式对待分析基站状态和邻接关系进行建模，得到图拓扑模型；

对所述图拓扑模型进行图卷积，得到各个待分析基站对应节点的空间特征向量；

将所述空间特征向量转换为第一网络嵌入值，所述第一网络嵌入值用于表征当前网络负载状态；

将所述第一网络嵌入值和第二网络嵌入值组成时间序列，所述第二网络嵌入值包括位于所述第一预设时间窗口之前的若干个第二预设时间窗口的网络嵌入值；

根据第一相似度对所述时间序列进行编码，得到行程序列；

将所述行程序列输入自注意力编解码器，预测得到位于所述第一预设时间窗口之后的预测网络嵌入值；

根据所述预测网络嵌入值确定各个所述待分析基站对应负载指标的回归预测结果。

在一些实施例中，所述根据所述预测网络嵌入值确定各个所述待分析基站对应负载指标的回归预测结果，包括：

根据所述预测网络嵌入值映射得到预测网络特征值，所述预测网络特征值与所述第一网络特征值位于同一空间维度；

根据预测网络特征值，通过多层全连接层确定各个所述待分析基站对应负载指标的回归预测结果。

在一些实施例中，所述在第一预设时间窗口内，采用图拓扑方式对待分析基站状态和邻接关系进行建模，包括：

获取待分析基站上的窄带物联网活跃终端的附着切换轨迹；

根据所述附着切换轨迹进行基站邻接性建模，得到图拓扑方式上的所述待分析基站的邻接关系图；

获取第一预设时间窗口内的待分析基站状态；

确定所述待分析基站状态在所述邻接关系图上的聚合指标向量；

根据所述聚合指标向量进行节点建模。

在一些实施例中，所述对所述图拓扑模型进行图卷积，得到各个待分析基站对应节点的空间特征向量，包括：

对所述图拓扑模型进行图卷积，得到各个所述待分析基站的特征表述值；

将所述特征表述值进行堆叠，得到各个待分析基站对应节点在第一预设时间窗口内的空间特征向量。

在一些实施例中，所述将所述空间特征向量转换为第一网络嵌入值，包括：

通过多重全连接层将所述空间特征向量转换为低维且稠密的第一网络嵌入值。

在一些实施例中，所述根据第一相似度对所述时间序列进行编码，包括：

根据第一相似度对所述时间序列中相似的连续子序列进行合并；

对合并后的所述时间序列进行编码。

在一些实施例中，所述将所述行程序列输入自注意力编解码器，预测得到位于所述第一预设时间窗口之后的预测网络嵌入值，包括：

在所述行程序列上添加预设序列编码，得到语义特征值，所述语义特征值用于表征所述行程序列的上下文特征；

将所述行程序列和所述语义特征值输入自注意力编解码器，预测得到位于所述第一预设时间窗口之后的预测网络嵌入值。

在一些实施例中，所述方法还包括以下步骤：

确定所述预测网络嵌入值和所述第一网络嵌入值的第二相似度；

根据所述第二相似度生成所述待分析基站对应网络的风险提示信息。

另一方面，本发明实施例提供了一种基于图卷积的窄带物联网基站负载预测系统，包括：

至少一个存储器，用于存储程序；

至少一个处理器，用于加载所述程序以执行所述的基于图卷积的窄带物联网基站负载预测方法。

另一方面，本发明实施例提供了一种存储介质，其中存储有计算机可执行的程序，所述计算机可执行的程序被处理器执行时用于实现所述的基于图卷积的窄带物联网基站负载预测方法。

本发明实施例提供的一种基于图卷积的窄带物联网基站负载预测方法，具有如下有益效果：

本实施例通过采用图拓扑方式在第一预设时间窗口内对待分析基站状态和邻接关系进行建模后得到图拓扑模型，并对图拓扑模型进行图卷积，得到各个待分析基站对应节点的空间特征向量，以充分考虑临近地域窄带物联网基站负载分担的影响，接着将空间特征向量转换为表征当前网络负载状态的第一网络嵌入值，并根据第一网络嵌入值和位于第一预设时间窗口之前的若干个第二预设时间窗口的第二网络嵌入值生成时间序列，然后根据第一相似度对时间序列进行编码，以合并冗余的网络状态，缩短注意力分析序列长度，接着将得到的行程序列输入自注意力编解码器，预测得到位于第一预设时间窗口之后的预测网络嵌入值，以实现跨度较大的时序依赖性分析，进而提高待分析基站对应负载指标预测结果的准确度，以及时发现网络服务质量的变化，从而可以更好的改善网络质量等问题。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

下面结合附图和实施例对本发明做进一步的说明，其中：

图1为本发明实施例的一种基于图卷积的窄带物联网基站负载预测方法的流程图；

图2为本发明实施例的一种应用过程的数据处理流程图；

图3为本发明实施例的一种应用过程的网络结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，若干的含义是一个以上，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。

本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。

本发明的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

目前，对于NB-IoT网络存在的问题，常见的网络负载预测方式包括：

第一、基于时间序列的网络负载预测：即将网络负载或流量以平稳时间序列方式进行建模，如AR、ARMA、ARIMA模型等。但这种分析方式依赖于时间序列的平稳性假设，对分析对象的统计性假设相对严格，因而对非平稳的随机负载指标预测效果不佳。

第二、基于机器学习方法的网络负载预测：这种网络预测方式多使用回归模型，如非线性回归、决策树、随机森林、GBDT、XGBoost等。上述机器学习算法技术在非线性的负载预测回归场合下，效果较时间序列预测更佳，泛化能力更好。但其高度依赖于人为的特征分析，对于使用者提出了较高的要求，特征工程难度高、人工工作量大、需要领域专家直接介入，同时多数更为适合于中小规模的分析预测场景，且算法形式多样，针对大规模网络预测分析的工程实现成本相对较高。其是目前在网络运维、优化领域使用的主流实践方式。

第三、基于深度学习的网络负载预测：，基于神经网络的深度学习回归预测算法在网络负载预测领域也不断涌现，如CNN、LSTM、GRU、Attention、Transformer等。其突出优势在于端对端预测模型的建立，通过不同的网络结构组合，具备时空域的依赖性自动分析与自动特征组合能力，对领域专家和人工特征工程的要求相对较低；且网络算法架构规范，使得超大规模预测分析的工程实现方案成为可能。目前基于深度学习算法的网络负载预测技术已成为业界主流发展趋势。

基于此，本发明实施例提供了一种基于图卷积的窄带物联网基站负载预测方法、系统和介质。本实施例使用图拓扑的方式对NB-IoT网络基站状态和邻接关系进行建模，其中的节点即为基站指标向量，而边则为终端侧的跨基站切换关系；在图拓扑基础上进行图卷积操作，抽取出各基站节点的空间特征向量，再将空间特征向量映射转换为低维、稠密的网络嵌入值，以表征当前网络负载状态。进而将连续多个时间窗口的网络嵌入特征值组成时间序列，使用相似度比较的方式，对该序列进行行程编码。再将压缩编码之后的序列输入自注意力编解码器，执行序列预测操作，得到针对下一时间窗口的预测网络嵌入值。再将预测网络嵌入值映射还原为预测网络特征值，最终由经多层全连接层转换为对各基站负载指标的回归预测结果。本实施例利用图卷积来生成基站或网络状态特征表述的方法，来充分考虑临近地域NB-IoT基站负载分担的影响，体现网络负载的空间地域相关性，可保障空间预测的准确性。同时还提出采用自注意力编解码机制来预测NB-IoT网络负载，可实现跨度较大的时序依赖性分析，进而实现较大时间范围内的NB-IoT基站状态时域相关性预测，实现更为准确的时间预测。此外，基于相似度的网络特征时间序列压缩机制，以行程编码方式合并冗余的网络状态，缩短注意力分析序列长度，从而大幅度提升序列预测效率。

下面结合附图对本发明实施例进行具体的阐述：

参照图1，本发明实施例提供了一种基于图卷积的窄带物联网基站负载预测方法，包括以下步骤：

S11、在第一预设时间窗口内，采用图拓扑方式对待分析基站状态和邻接关系进行建模，得到图拓扑模型。

在本实施例中，第一预设时间窗口可以包括当前时间点对应的时间窗口，也可以是指定的时间窗口。在实施过程中，可以通过先获取待分析基站上的窄带物联网活跃终端的附着切换轨迹，根据附着切换轨迹进行基站邻接性建模后，得到图拓扑方式上的待分析基站的邻接关系图，然后获取第一预设时间窗口内的待分析基站状态，并确定待分析基站状态在邻接关系图上的聚合指标向量，再根据聚合指标向量进行节点建模。

S12、对图拓扑模型进行图卷积，得到各个待分析基站对应节点的空间特征向量。

在本实施例中，可以通过对图拓扑模型进行图卷积后，得到各个待分析基站的特征表述值，然后将特征表述值进行堆叠，得到各个待分析基站对应节点在第一预设时间窗口内的空间特征向量。

S13、将空间特征向量转换为第一网络嵌入值，其中，第一网络嵌入值用于表征当前网络负载状态。具体地，可以通过多重全连接层将空间特征向量转换为低维且稠密的第一网络嵌入值。

S14、将第一网络嵌入值和第二网络嵌入值组成时间序列，其中，第二网络嵌入值包括位于第一预设时间窗口之前的若干个第二预设时间窗口的网络嵌入值。

S15、根据第一相似度对时间序列进行编码，得到行程序列。

在本实施例中，可以根据第一相似度对时间序列中相似的连续子序列进行合并，然后对合并后的时间序列进行编码。例如，时间序列包括“AAAABBBCCCC”，则根据第一相似度对时间序列“AAAABBBCCCC”中相似的连续子序列合并后，可以得到“4A3B4C”，从而大大压缩时间序列的长度。

S16、将行程序列输入自注意力编解码器，预测得到位于第一预设时间窗口之后的预测网络嵌入值。

在本实施例中，可以通过在行程序列上添加预设序列编码后得到语义特征值，其中，语义特征值用于表征行程序列的上下文特征。然后将行程序列和语义特征值输入自注意力编解码器，以通过自注意力编解码器预测得到位于第一预设时间窗口之后的预测网络嵌入值。

S17、根据预测网络嵌入值确定各个待分析基站对应负载指标的回归预测结果。

在一些实施例中，可以根据预测网络嵌入值映射得到预测网络特征值，然后根据预测网络特征值，通过多层全连接层确定各个待分析基站对应负载指标的回归预测结果。其中，预测网络特征值与第一网络特征值位于同一空间维度。

在一些实施例中，在得到待分析基站对应负载指标的回归预测结果后，还可以通过确定预测网络嵌入值和第一网络嵌入值的第二相似度，然后根据第二相似度生成待分析基站对应网络的风险提示信息。在本实施例中的第二相似度可以采用余弦相似度。此外，还可以根据上一轮各基站负载的回归预测值与实际基站负载指标进行分析，生成基站级网络服务质差的告警信息。

在一些实施例中，如图2和图3所示，上述实施例在应用过程中可以包括但不限于以下步骤：

S21、对待分析基站网络，统计NB-IoT活跃终端的基站附着切换轨迹，进行基站邻接性建模，建立拓扑含义上的基站邻接关系，该邻接关系不是物理距离邻接关系。当终端发生附着切换，即可认为前后两基站信号覆盖范围临近，二者之间有可能发生通信负载迁徙。一个基站周边其他基站越多，则其与其他基站分担通信负载的能力越强，信道资源越丰富，发生信道拥堵的可能性越小。基站切换关系即图拓扑中的对应节点邻接关系；基站间发生的切换次数越多，负载迁徙关联度越强，故边的权重越高。

S22、采集第一预设时间窗口Ti以内的基站状态相关信息，形成聚合指标向量，进行节点建模。其聚合指标包括上行子载波利用率、下行子载波利用率、附着活跃终端数量、寻呼拥塞率、无线资源控制(RRC)建立请求次数、RRC会话建链失败数量等质量相关指标，形成多维向量形式。每个基站均对应着图拓扑当中的一个节点。

S23、形成网络图拓扑后，采用GCN网络进行图卷积操作，获得所有待分析基站对应的特征表述值，将特征表述值堆叠，组成T_i时间窗口所对应的空间特征向量。使用多重全连接网络M1，将网络特征值转换为低维、稠密的第一网络嵌入值(Embedding)。网络负载异常检测流程转步骤S29至步骤S210。

S24、将T_i时间窗口所对应的第一网络嵌入值，与前期N个时间窗口(T_i-1,T_i-2,T_i-3…)的第二网络嵌入值构成一个连续的时间序列。基于余弦相似度，对其中相似的连续子序列进行合并后实施行程编码。例如，将时间序列(A,A,A,A,B,B,B,C,C,D,D,E,E)编码为(4A,3B,2C,2D,2E)，其中的A、B、C等是指相似度超过指定阈值的连续网络嵌入值子序列；将其中的行程计数作为1个标量与网络嵌入值向量的均值拼接(如AAAA，先计算得到连续4个A的平均嵌入值A’，然后再将行程计数4拼接进A’向量)，构成压缩之后的行程序列。

S25、对压缩后的行程序列，叠加标准的预设序列编码，使用标准的Transformer自注意力编码器进行编码，获得一个可表征整个序列时序特征的序列上下文特征值作为语义特征值。

S26、将压缩后的行程序列，连同序列上下文的语义特征值，输入标准Transformer自注意力解码器进行解码，得到行程编码形式的后继序列预测网络嵌入值，例如3F。

S27、对序列预测得到的预测网络嵌入值进行行程解压缩，使用多重全连通网络M2，将预测网络嵌入值转换回预测网络特征值。

S28、使用多重前馈网络M3，将预测网络嵌入值，转换成各基站预测负载指标向量的堆叠，得到下一时间窗口范围内的各基站负载指标预测回归值。至此，一轮基站负载预测结束。

S29、根据上一轮网络预测嵌入值与本轮实际采集指标所得到的网络嵌入值的余弦相似度，输出整体网络级风险告警。

S210、根据上一轮各基站负载的回归预测值与实际基站负载指标，采用三倍标准差的统计原则进行显著性分析，输出基站级网络服务质差告警。

在另一些实施例中，上述实施例在应用过程中可以包括但不限于以下步骤：

步骤一、使用离线网络、终端采集数据，结合预训练得到的网络嵌入值模型，以端对端方式训练自注意力编解码器；

步骤二、在每一个负载预测窗口中，首先采集基站聚合指标，构建当前网络状态的图拓扑，然后执行图卷积，抽取各基站节点特征向量，组成网络特征向量；

步骤三、将网络特征向量降维映射为网络嵌入值，并与前继时间窗口构成网络嵌入值时间序列，并针对该序列进行行程压缩；

步骤四、将行程压缩之后的嵌入值序列，由经自注意力编解码器，获得下一时间窗口的行程编码形式的预测网络嵌入值，并且行程解压缩；

步骤五、将解压得到的预测网络嵌入值逆向映射为网络特征值，然后由经多重全连接网络最终转换为对每个基站预测回归指标向量的堆叠形式；

步骤六、使用当前时间窗口的实际采集网络状态计算网络状态嵌入值，与预测网络状态嵌入值进行相似度比对，输出网络负载状态模式风险告警；

步骤七、使用当前时间窗口实际采集的各基站指标与回归预测的各基站指标对比，输出基站级网络质差风险告警。

基于上述实施过程可知，本实施例基于图卷积的NB-IoT网络图拓扑建模方式简洁易行，充分考虑了负载的地域相关性，可实施性强；通过网络嵌入特征方式来表述网络负载状态，网络波动异常检测计算效率更高，泛化能力更强；通过使用自注意力编解码器来进行状态预测，可检测到时间跨度更大的网络负载时序依赖性；通过自注意力相结合的、基于网络状态压缩的时序预测方式，可以更好地适应NB-IoT网络静止终端与游牧终端并存的运行现状，以更低资源实现更为准确的网络负载预测。

本发明实施例提供了一种基于图卷积的窄带物联网基站负载预测系统，包括：

至少一个存储器，用于存储程序；

至少一个处理器，用于加载所述程序以执行图1所示的基于图卷积的窄带物联网基站负载预测方法。

本发明方法实施例的内容均适用于本系统实施例，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。

本发明实施例提供了一种存储介质，其中存储有计算机可执行的程序，所述计算机可执行的程序被处理器执行时用于实现图1所示的基于图卷积的窄带物联网基站负载预测方法。

本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的基于图卷积的窄带物联网基站负载预测方法。

上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。此外，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。

Claims (9)

1.一种基于图卷积的窄带物联网基站负载预测方法，其特征在于，包括以下步骤：

在第一预设时间窗口内，采用图拓扑方式对待分析基站状态和邻接关系进行建模，得到图拓扑模型；

对所述图拓扑模型进行图卷积，得到各个待分析基站对应节点的空间特征向量；

将所述空间特征向量转换为第一网络嵌入值，所述第一网络嵌入值用于表征当前网络负载状态；

将所述第一网络嵌入值和第二网络嵌入值组成时间序列，所述第二网络嵌入值包括位于所述第一预设时间窗口之前的若干个第二预设时间窗口的网络嵌入值；

根据第一相似度对所述时间序列进行编码，得到行程序列；

将所述行程序列输入自注意力编解码器，预测得到位于所述第一预设时间窗口之后的预测网络嵌入值；

根据所述预测网络嵌入值确定各个所述待分析基站对应负载指标的回归预测结果；

其中，所述在第一预设时间窗口内，采用图拓扑方式对待分析基站状态和邻接关系进行建模，得到图拓扑模型，包括：

获取待分析基站上的窄带物联网活跃终端的附着切换轨迹；

根据所述附着切换轨迹进行基站邻接性建模，得到图拓扑方式上的所述待分析基站的邻接关系图；

获取第一预设时间窗口内的待分析基站状态；

确定所述待分析基站状态在所述邻接关系图上的聚合指标向量；

根据所述聚合指标向量进行节点建模，得到图拓扑模型。

2.根据权利要求1所述的一种基于图卷积的窄带物联网基站负载预测方法，其特征在于，所述根据所述预测网络嵌入值确定各个所述待分析基站对应负载指标的回归预测结果，包括：

根据所述预测网络嵌入值映射得到预测网络特征值，所述预测网络特征值与第一网络特征值位于同一空间维度；

根据预测网络特征值，通过多层全连接层确定各个所述待分析基站对应负载指标的回归预测结果。

3.根据权利要求1所述的一种基于图卷积的窄带物联网基站负载预测方法，其特征在于，所述对所述图拓扑模型进行图卷积，得到各个待分析基站对应节点的空间特征向量，包括：

对所述图拓扑模型进行图卷积，得到各个所述待分析基站的特征表述值；

将所述特征表述值进行堆叠，得到各个待分析基站对应节点在第一预设时间窗口内的空间特征向量。

4.根据权利要求1所述的一种基于图卷积的窄带物联网基站负载预测方法，其特征在于，所述将所述空间特征向量转换为第一网络嵌入值，包括：

通过多重全连接层将所述空间特征向量转换为低维且稠密的第一网络嵌入值。

5.根据权利要求1所述的一种基于图卷积的窄带物联网基站负载预测方法，其特征在于，所述根据第一相似度对所述时间序列进行编码，包括：

根据第一相似度对所述时间序列中相似的连续子序列进行合并；

对合并后的所述时间序列进行编码。

6.根据权利要求1所述的一种基于图卷积的窄带物联网基站负载预测方法，其特征在于，所述将所述行程序列输入自注意力编解码器，预测得到位于所述第一预设时间窗口之后的预测网络嵌入值，包括：

在所述行程序列上添加预设序列编码，得到语义特征值，所述语义特征值用于表征所述行程序列的上下文特征；

将所述行程序列和所述语义特征值输入自注意力编解码器，预测得到位于所述第一预设时间窗口之后的预测网络嵌入值。

7.根据权利要求1所述的一种基于图卷积的窄带物联网基站负载预测方法，其特征在于，所述方法还包括以下步骤：

确定所述预测网络嵌入值和所述第一网络嵌入值的第二相似度；

根据所述第二相似度生成所述待分析基站对应网络的风险提示信息。

8.一种基于图卷积的窄带物联网基站负载预测系统，其特征在于，包括：

至少一个存储器，用于存储程序；

至少一个处理器，用于加载所述程序以执行如权利要求1-7任一项所述的基于图卷积的窄带物联网基站负载预测方法。

9.一种存储介质，其特征在于，其中存储有计算机可执行的程序，所述计算机可执行的程序被处理器执行时用于实现如权利要求1-7任一项所述的基于图卷积的窄带物联网基站负载预测方法。