CN114760637B - 小区扩容方法和装置 - Google Patents
小区扩容方法和装置 Download PDFInfo
- Publication number
- CN114760637B CN114760637B CN202011568882.3A CN202011568882A CN114760637B CN 114760637 B CN114760637 B CN 114760637B CN 202011568882 A CN202011568882 A CN 202011568882A CN 114760637 B CN114760637 B CN 114760637B
- Authority
- CN
- China
- Prior art keywords
- capacity
- cell
- target area
- activity
- data index
- 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 58
- 230000000694 effects Effects 0.000 claims abstract description 125
- 238000004891 communication Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 40
- 238000012544 monitoring process Methods 0.000 claims description 16
- 238000013515 script Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 230000010261 cell growth Effects 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 8
- 238000011157 data evaluation Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 230000009977 dual effect Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002060 circadian Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013479 data entry Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 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
- H04W16/18—Network planning tools
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请实施例提供一种小区扩容方法和装置，应用于通信技术领域。所述方法包括：确定第一活动所占据的目标区域，以及第一活动的活动时间段；获取覆盖目标区域的小区的数据指标特征；将数据指标特征和第一时刻输入预先训练的小区容量预测模型，得到目标区域的小区在第二时刻的预测容量；在预测容量小于大于或等于容量参考值的情况下，对目标区域的小区扩容。本申请实施例可以预测第一活动所在的小区的小区容量，进而可以基于小区容量对小区扩容，使得小区容量可以满足第一活动的需求，避免第一活动中小区产生网络拥塞的问题。
Description
技术领域
本申请涉及通信技术领域，尤其涉及一种小区扩容方法和装置。
背景技术
随着经济数字化的快速发展，各类大型活动需要进行通信网络保障。例如，活动前可以人力查找以往活动数据，根据人们的经验预测该活动的人流量，若预期人流量较多，可以对活动所覆盖的小区进行提前扩容。
但是，上述方式中，对大型活动的通信网络保障实现时，需要耗费大量的人力和物力，效率较低，且人的经验参差不齐，无法较好的进行网络保障。
发明内容
第一方面，本申请实施例提供一种小区扩容方法，其特征在于，包括：
确定第一活动所占据的目标区域，以及所述第一活动的活动时间段；
获取覆盖所述目标区域的小区的数据指标特征；所述数据指标特征包括下述的一种或多种：业务量、用户接入情况、物理资源块PRB利用率或时间段；
将所述数据指标特征和第一时刻输入预先训练的小区容量预测模型，得到所述目标区域的小区在第二时刻的预测容量；其中，所述第一时刻和所述第二时刻均属于所述活动时间段，所述第一时刻早于所述第二时刻；所述小区容量预测模型是基于对各活动场景的聚类和回归训练得到的；
在所述预测容量小于大于或等于容量参考值的情况下，对所述目标区域的小区扩容。
可能的实现方式中，还包括：
根据所述目标区域的小区的所述数据指标特征，在场景库中匹配得到目标细分场景；
根据所述目标细分场景，得到所述容量参考值；
其中，所述场景库中包括多个所述细分场景，所述细分场景是基于样本小区的所述数据指标特征聚类得到的，一个所述细分场景为一个聚类簇，每个所述细分场景包括某类型的活动所对应的所述数据指标特征和所述某类型的活动的所述容量参考值。
可能的实现方式中，还包括：
利用K均值算法K-means以及所述样本小区的所述数据指标特征进行聚类，得到所述细分场景；
将所述细分场景存储在所述场景库中。
可能的实现方式中，还包括：
根据所述样本小区的所述数据指标特征以及所述样本小区的当前容量c(t)，构建{X1，X2，...，Xm}，Xm＝(xm1，xm2，...，xmn)，其中，X为所述样本小区，m为所述样本小区的数量，x为各所述样本小区的所述数据指标特征，n为各所述样本小区的所述数据指标特征的数量；
利用回归模型拟合，直到所述当前容量c(t)与利用待训练模型预测出的预测容量的距离最小，得到所述小区容量预测模型；
其中，所述回归模型为：
其中，所述ε为误差，所述ε服从正态分布，所述δ2为方差；所述β0，...，βn为常数，所述α为常数。
可能的实现方式中，所述获取覆盖所述目标区域的小区的数据指标特征，包括：
定时检测所述目标区域的小区的网络指标；
在所述网络指标处于波动状态，获取覆盖所述目标区域的小区的数据指标特征。
可能的实现方式中，所述在所述预测容量小于容量参考值的情况下，对所述目标区域的小区扩容，包括：
使用脚本定期将所述目标区域的小区的当前时间与所述活动时间段对比，如果所述当前时间不在所述活动时间段内，且所述预测容量小于大于或等于所述容量参考值，调取扩容脚本对所述目标区域的小区自动扩容。
可能的实现方式中，还包括：
如果所述当前时间不在所述活动时间段内，持续监控所述目标区域的小区的容量，直到所述目标区域的小区的容量小于所述容量参考值，回退所述目标区域的小区的扩容容量；或者，
如果所述当前时间不在所述活动时间段内，回退所述目标区域的小区的扩容容量。
第二方面，本申请实施例提供一种小区扩容装置，所述装置包括通信单元和处理单元：
所述处理单元，用于确定第一活动所占据的目标区域，以及所述第一活动的活动时间段；
所述通信单元，用于获取覆盖所述目标区域的小区的数据指标特征；所述数据指标特征包括下述的一种或多种：业务量、用户接入情况、物理资源块PRB利用率或时间段；
所述处理单元，用于将所述数据指标特征和第一时刻输入预先训练的小区容量预测模型，得到所述目标区域的小区在第二时刻的预测容量；其中，所述第一时刻和所述第二时刻均属于所述活动时间段，所述第一时刻早于所述第二时刻；所述小区容量预测模型是基于对各活动场景的聚类和回归训练得到的；
所述处理单元，用于在所述预测容量大于或等于容量参考值的情况下，对所述目标区域的小区扩容。
可能的实现方式中，
所述处理单元，具体用于：根据所述目标区域的小区的所述数据指标特征，在场景库中匹配得到目标细分场景；
所述处理单元，具体用于：根据所述目标细分场景，得到所述容量参考值；
其中，所述场景库中包括多个所述细分场景，所述细分场景是基于样本小区的所述数据指标特征聚类得到的，一个所述细分场景为一个聚类簇，每个所述细分场景包括某类型的活动所对应的所述数据指标特征和所述某类型的活动的所述容量参考值。
可能的实现方式中，
所述处理单元，具体用于：利用K均值算法K-means以及所述样本小区的所述数据指标特征进行聚类，得到所述细分场景；
所述处理单元，具体用于：将所述细分场景存储在所述场景库中。
可能的实现方式中，
所述处理单元，具体用于：根据所述样本小区的所述数据指标特征以及所述样本小区的当前容量c(t)，构建{X1，X2，...，Xm}，Xm＝(xm1，xm2，...，xmn)，其中，X为所述样本小区，m为所述样本小区的数量，x为各所述样本小区的所述数据指标特征，n为各所述样本小区的所述数据指标特征的数量；
所述处理单元，具体用于：利用回归模型拟合，直到所述当前容量c(t)与利用待训练模型预测出的预测容量的距离最小，得到所述小区容量预测模型；
其中，所述回归模型为：
其中，所述ε为误差，所述ε服从正态分布，所述δ2为方差；所述β0，...，βn为常数，所述α为常数。
可能的实现方式中，
所述处理单元，具体用于：定时检测所述目标区域的小区的网络指标；
所述通信单元，具体用于：在所述网络指标处于波动状态，获取覆盖所述目标区域的小区的数据指标特征。
可能的实现方式中，
所述处理单元，具体用于：使用脚本定期将所述目标区域的小区的当前时间与所述活动时间段对比，如果所述当前时间不在所述活动时间段内，且所述预测容量小于大于或等于所述容量参考值，调取扩容脚本对所述目标区域的小区自动扩容。
可能的实现方式中，
所述处理单元，具体用于：如果所述当前时间不在所述活动时间段内，持续监控所述目标区域的小区的容量，直到所述目标区域的小区的容量小于所述容量参考值，回退所述目标区域的小区的扩容容量；或者，
所述处理单元，具体用于：如果所述当前时间不在所述活动时间段内，回退所述目标区域的小区的扩容容量。
第三方面，本申请实施例提供一种电子设备，包括：
存储器，用于存储程序指令；
处理器，用于调用并执行所述存储器中的程序指令，执行如第一方面及第一方面中任一项所描述的方法。
第四方面，本申请实施例提供一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如第一方面及第一方面中任一项中所描述的方法。
应当理解的是，本申请的第二方面至第四方面与本申请的第一方面的技术方案相对应，各方面及对应的可行实施方式所取得的有益效果相似，不再赘述。
本申请实施例提供一种小区扩容方法和装置，应用于通信技术领域，方法包括：确定第一活动所占据的目标区域，以及第一活动的活动时间段；获取覆盖目标区域的小区的数据指标特征；将数据指标特征和第一时刻输入预先训练的小区容量预测模型，得到目标区域的小区在第二时刻的预测容量；在预测容量小于大于或等于容量参考值的情况下，对目标区域的小区扩容。这样，不需要耗费大量的人力和物力提前对第一活动进行评估和分析，而是实时地根据第一活动所占据的目标区域的小区的容量参考值和预测容量，对小区进行扩容，处理效率高，而且扩容后的小区容量可以满足第一活动的需求，避免第一活动中小区产生网络拥塞的问题。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1为本申请实施例提供的一种网络活动保障流程的示意图；
图2为本申请实施例提供的一种网络扩容流程的示意图；
图3为本申请实施例提供的一种小区扩容装置的示意图；
图4为本申请实施例提供的一种小区扩容方法的流程示意图；
图5为本申请实施例提供的一种小区扩容方法的流程示意图；
图6为本申请实施例提供的一种电子设备的结构示意图。
通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
近年来，全球经济发展迅猛，全球移动网络用户增长迅速，使得数字化经济的发展进程也逐渐加快。例如，2019年到2020年，移动业务发展迅速，移动流量也呈现高增长的趋势，使得第四代移动通信技术(the 4th generation mobile communication technology，4G)基站数量也逐年增加；其中，基站包括小基站。
可能的情况中，节假日期间，会议中心、会展中心等重要场所每日都有开展活动和召开会议，使得会议中心、会展中心等场所每日人流量较多；节假日期间，体育场、商场、旅游景点、交通运输等场所人流量也增多。因为各种场所举办的活动而带来网络用户量突增，覆盖该场所的基站经常面临用户突增情况，使得运营商平均每日需要保障的大型活动及重要场所的个数可能达到百余个，从而使得运营商的4G网络压力不断加大，4G网络扩容的进程仍在加速推进中；未来随着多行业应用和应用设备的接入，第五代移动通信技术(5thgeneration mobile networks，5G)也会同样面临巨大的容量压力。
可能的方式中，大型活动开始前，运营商会查询以往活动保障方案，运营商通过评估以往活动保障方案中的覆盖情况、容量情况、故障情况等，从而运营商可以知晓以往的活动保障方案是否满足本次活动的网络需求。
可能的方式中，运营商根据活动前容量的评估情况，运营商可以通过人工对覆盖该活动场所的小区进行扩容处理；其中，扩容前需要查询小区的当前扩容进程，从而执行小区是否为合并小区，以及小区是否有扩容空间。
可能的方式中，运营商的后台监控分保障前期、保障期间以及保障结束三个阶段。例如，保障前期，运营商在网管上下发脚本；保障期间，人工定时查看网络情况，并通报业务指标；保障结束，人工执行回退数据操作。
示例性的，图1为本申请实施例提供的一种网络活动保障流程的示意图，如图1所示，网络活动保障流程可以包括方案评估、扩容需求以及后台监控。
可能的方式中，方案评估包括覆盖评估、容量评估、设备能力评估或动力评估。
可能的方式中，扩容需求包括新增资源扩容或无需扩容。其中，基站对小区进行新增资源扩容时，小区进入考虑扩容小区清单中；基站可以通过载波负载均衡策略、准备负载均衡许可(license)、修复设备故障告警或实时监控网元状态，从而基站无需对小区进行扩容。
可能的方式中，后台监控包括保障前期、保障期间以及保障结束三个阶段。其中，保障前期的工作为网络健康检查以及应急脚本制作，保障期间的工作为监控网元状态以及通报业务指标，保障结束的工作为执行回退数据操作。
示例性的，图2为本申请实施例提供的一种网络扩容流程的示意图，如图2所示，对于进入考虑扩容的小区，基站需要判断该扩容小区是否是合并小区，若小区是合并小区，需要解除该小区和其他小区的合并关系；若小区不是合并小区，基站需对小区载波进行分析，从而基站可以知晓小区载波的情况。
可能的方式中，基站知晓小区载波是双载波，其中一个载波满足扩容需求，且另一个载波的负荷轻，基站可以通过调整参数的方式来均衡负载。
可能的方式中，基站知晓小区载波是双载波，其中一个载波不满足扩容需求，且另一个载波不满足负荷轻的特点，基站可以通过扩载波、加微站、建基站的方法来对小区进行扩容；或者，基站知晓小区载波是单载波，单载波满足扩容门限，基站可以通过扩载波、加微站、建基站的方法来对小区进行扩容。
可能的方式中，基站优先扩2.1G频段的载波，若小区的网络拥塞的问题没有解决，基站可以通过可以通过新建基站、扩容1.8G载波和900M载波的方式来解决小区的网络拥塞问题。
若新建基站后的效果没有解决小区的网络拥塞问题，需要检查新建基站状态，如果基站网络故障，可以通过运维来解决网络故障；如果小区的网络扩容策略有问题，技术部可以调整网络策略。
若新建基站状态良好、扩容1.8G载波和900M载波，均未能解决小区容量不足的问题，可以继续对小区进行扩容，若基站扩容后依然不能解决小区的网络拥堵问题，运营商可以通过继续新建站点来解决小区的网络拥堵问题。
但是，上述所描述的传统的网络活动保障流程和网络扩容流程还存在以下问题：网络活动保障流程和网络扩容流程的过程复杂，运营商需要耗费大量的人力、物力进行测试、分析和监控，且可应用到移动网络的频谱资源有限，且价格昂贵，处理时间较长，对于突发性活动来不及评估，无法较好的进行活动保障，存在扩容资源没有充分利用和部分活动由于人流量突增来不及扩容的情况；网络活动保障流程和网络扩容流程无法根据活动中网络的实时变化，做出资源调整的快速反应；活动前期准备的时间和方案分析的时间较长，没有可以直接调用的数据库，需要通过人工查找以往的活动保障方案中的数据；活动结束后，无法输出完整的活动数据分析经验来预估未来相同类型的活动的容量情况。
基于此，本申请实施例提供一种小区扩容方法，该方法可以有效提高网络临时活动保障的方案完整性、自动化以及智能化。例如，确定第一活动所占据的目标区域，以及第一活动的活动时间段；获取覆盖目标区域的小区的数据指标特征；将数据指标特征和第一时刻输入预先训练的小区容量预测模型，得到目标区域的小区在第二时刻的预测容量；在预测容量小于大于或等于容量参考值的情况下，对目标区域的小区扩容。这样，不需要耗费大量的人力和物力提前对第一活动进行评估和分析，而是实时地根据第一活动所占据的目标区域的小区的容量参考值和预测容量，对小区进行扩容，处理效率高，而且扩容后的小区容量可以满足第一活动的需求，避免第一活动中小区产生网络拥塞的问题。
示例性的，图3为本申请实施例提供的一种小区扩容装置的示意图，如图3所示，该装置包括数据评估模块、指标监控模块以及智能扩容模块。
可能的方式中，数据评估模块包括：活动类型样本库、活动数据曲线拟合、样本库数据调取、数据处理与优化以及新活动数据入口。
示例性的，数据评估模块可以记录每次活动数据以形成样本库。
示例性的，数据评估模块可以通过算法对样本库中的活动数据进行分析，从而节省活动前网络评估时间，降低人力和物力的成本，灵活性强，可更好地应对突发活动保障。
示例性的，数据评估模块可以实时拟合业务量变化曲线，做出保障方案的快速响应。
可能的方式中，指标监控模块包括：网络设备性能监控、用户数实时监控以及网络容量监控。
示例性的，指标监控模块可以预估未来网络拥塞情况，可自动衡量覆盖场所区域内的小区的容量情况，从而进行精准扩容。
可能的方式中，智能扩容模块包括：小区是否合并、扩容脚本下发、负载均衡操作、小区载波分析、扩容数据回退以及容量充足无操作。
示例性的，智能扩容模块可保留活动数据样本，方便给未来相同类型的活动提供参考数据。
示例性的，智能扩容模块可以在保障活动结束后，执行回退机制，使得资源调度更加灵活。
图4为本申请实施例提供的一种小区扩容方法的流程示意图，如图4所示，可以包括以下步骤：
S401：确定第一活动所占据的目标区域，以及第一活动的活动时间段。
本申请实施例中，电子设备可以用来确定第一活动所占据的目标区域，以及第一活动的活动时间段。其中，电子设备可以包括终端设备或网络设备。
可能的方式中，在确定第一活动的经纬度以及第一活动的覆盖范围的情况下，电子设备可以根据经纬度以及覆盖范围来确定第一活动所占据的区域，以及第一活动的活动时间段。可以理解，电子设备确定第一活动所占据的目标区域以及第一活动的活动时间段的具体实现方式，可以根据实际应用场景设定，本申请实施例对此不作具体限定。
S402：获取覆盖目标区域的小区的数据指标特征。
本申请实施例中，数据指标特征可以包括下述的一种或多种：业务量、用户接入情况、物理资源块(physical resource block，PRB)利用率或时间段。其中，时间段包括活动时间段。可以理解，数据指标特征的具体内容，也可以根据实际应用场景设定，本申请实施例对此不作具体限定。
本申请实施例中，电子设备可以周期性地监控小区的数据指标特征，或者，小区可以向电子设备周期性的上报自己的数据指标特征。可以理解，电子设备获取覆盖目标区域的小区的数据指标特征，也可以根据实际应用场景设定，本申请实施例对比不作具体限定。
S403：将数据指标特征和第一时刻输入预先训练的小区容量预测模型，得到目标区域的小区在第二时刻的预测容量。
本申请实施例中，第一时刻和第二时刻均属于活动时间段，第一时刻早于第二时刻。可以理解，第一时刻和第二时刻的具体值，可以根据实际应用场景设定，本申请实施例对此不作具体限定。
本申请实施例中，小区容量预测模型是基于对各活动场景的聚类和回归训练得到的，电子设备可以基于小区容量预测模型得到目标区域的小区的第二时刻的预测容量。
例如，电子设备在小区容量预测模型中输入目标区域的小区的数据指标特征和活动时间段内的第一时刻，小区容量预测模型输出目标区域的小区的活动时间段内的第二时刻的预测容量，从而电子设备可以得到目标区域的小区在第二时刻的预测容量。其中，在不同的活动时间段，小区的终端数量不一致，小区容量预测模型输出的目标区域的小区的预测容量也会有所不同。
S404：在预测容量大于或等于容量参考值的情况下，对目标区域的小区扩容。
本申请实施例中，电子设备确定预测容量大于或等于容量参考值，电子设备可以对目标区域的小区进行扩容。例如，电子设备可以将小区加入考虑扩容的清单，从而使得小区可以进行扩容，从而保证小区网络的正常使用。可以理解，小区进行扩容的具体实现方式，可以根据实际应用场景设备，本申请实施例对此不作具体限定。
可以理解的是，结合图3，本申请实施例的S401可以由图3的指标监控模块来执行，S402和S403可以由图3的数据评估模块来执行，S404可以由图3的智能监控模块来执行。
综上所述，电子设备确定第一活动所占据的目标区域，以及第一活动的活动时间段，从而电子设备可以根据目标区域以及活动时间段，获取覆盖目标区域的小区的数据指标特征，电子设备将数据指标特征和活动时间段内的第一时刻输入预先训练的小区容量预测模型，得到目标区域的小区在第二时刻的预测容量，在预测容量小于容量参考值的情况下，电子设备对目标区域的小区进行扩容。这样，不需要耗费大量的人力和物力提前对第一活动进行评估和分析，而是实时地根据第一活动所占据的目标区域的小区的容量参考值和预测容量，对小区进行扩容，处理效率高，而且扩容后的小区容量可以满足第一活动的需求，避免第一活动中小区产生网络拥塞的问题。
在图4对应的实施例的基础上，示例性的，图5为本申请实施例提供的一种小区扩容方法的流程示意图，可以包括以下步骤：
S501：利用K均值算法K-means以及样本小区的数据指标特征进行聚类，得到细分场景。
本申请实施例中，电子设备可以把某城市按区域和微网格划分，电子设备利用网络地图的兴趣点(point ofinterest，poi)检索，可以得到校园、商业区、住宅、活动场所等大场景；进一步地，电子设备根据第一指标将大场景进一步细分为赛事类、会议类、室内、室外、上行、下行、跨年等细分场景。其中，第一指标可以包括下述的一种或多种：地点、节假日、日期、时间点、昼夜情况或平均业务量。可以理解，第一指标的具体内容可以根据实际应用场景设定，本申请实施例对此不作具体限定。
本申请实施例中，电子设备可以利用K均值(K-means)算法以及样本小区的数据指标特征进行聚类，从而电子设备可以得到细分场景。
示例性的，电子设备从网管小区点集合P＝{P1，P2，...，PM}中，随机选择每个大场景具有代表性的簇中心(质心)网管小区；电子设备根据样本小区的数据指标特征，形成n个特征，得到特征数据；电子设备对特征数据标准化后得到：Xi＝{xi1，xi2，...，xin}，Xi∈P；不同大场景的质心点特征为：Mj＝{mj1，mj2，...，mjn}，其中，Mj∈{M1，M2，...，Mk}，K个聚类中心。进一步地，电子设备计算小区到各个质心点的欧式距离：
每个小区选取距离最近的质心点与之合并形成一个场景簇，簇内的网管小区均属于同一个细分场景。
更新所有簇点的均值作为质心，计算K-means每个样本点到质心的误差平方和，误差平方和满足以下公式：
若SSE小于第一阈值，迭代结束，从而电子设备可以得到细分场景。其中，Ci是第i个簇，X是Ci的样本点，Mi是Ci的质心。可以理解，第一阈值的具体值，可以根据实际应用场景设定，本申请实施例对此不作具体限定。
S502：将细分场景存储在场景库中。
本申请实施例中，电子设备将细分场景存储在场景库中的具体实现方式，可以根据实际应用场景设定，本申请实施例对此不作具体限定。
S503：根据样本小区的数据指标特征以及样本小区的当前容量c(t)，构建{X1，X2，...，Xm}，Xm＝(xm1，xm2，...，xmn)。
本申请实施例中，X为样本小区，m为样本小区的数量，x为各样本小区的数据指标特征，n为各样本小区的数据指标特征的数量。
可以理解，电子设备构建{X1，X2，...，Xm}，Xm＝(xm1，xm2，...，xmn)的具体实现方式，可以根据实际应用场景设定，本申请实施例对此不作具体限定。
S504：利用回归模型拟合，直到当前容量c(t)与利用待训练模型预测出的预测容量的距离最小，从而电子设备可以得到小区容量预测模型。
本申请实施例中，电子设备可以将样本小区的数据指标特征以及样本小区的当前容量c(t)，输入回归模型进行拟合，直到当前容量c(t)与利用待训练模型预测出的预测容量的距离最小，从而电子设备可以得到小区容量预测模型。其中，回归模型满足下述公式：
其中，ε为误差项，ε服从正态分布；β0，...，βn为常数，α为常数。可以理解，β0，...，βn的具体值以及α的具体值，可以根据实际应用场景设定，本申请实施例对此不作具体限定。
可以理解，电子设备得到小区容量预测模型的具体实现方式，也可以根据实际应用场景设定，本申请实施例对此不作具体限定。
S505：确定第一活动所占据的目标区域，以及第一活动的活动时间段。
S506：获取覆盖目标区域的小区的数据指标特征。
本申请实施例中，电子设备可以检测目标区域的小区的网络指标，在小区的网络指标处于波动状态时，电子设备可以获取覆盖目标区域的小区的数据指标特征。其中，网络指标可以包括：覆盖情况、容量情况、故障情况、设备能力情况或动力情况。可以理解，网络指标的具体内容，也可以根据实际应用场景设定，本申请实施例对此不作具体限定。
S507：根据目标区域的小区的数据指标特征，在场景库中匹配得到目标细分场景。
本申请实施例中，场景库中包括多个细分场景，细分场景是基于样本小区的数据指标特征聚类得到的，一个细分场景为一个聚类簇，每个细分场景包括某类型的活动所对应的数据指标特征和某类型的活动的容量参考值。可以理解，每个细分场景的具体内容，也可以根据实际应用场景设定，本申请实施例对此不作具体限定。
S508：根据目标细分场景，得到容量参考值。
本申请实施例中，一个目标细分场景为一个聚类簇，一个聚类簇中有覆盖目标区域的多个小区，电子设备可以统计多个小区的容量情况，从而可以得到容量参考值。可以理解，电子设备根据目标细分场景，得到容量参考值的具体实现方式，也可以根据实际应用场景设定，本申请实施例对此不作具体限定。
本申请实施例中，电子设备可以将容量参考值存储起来，从而为后续相同类型的活动提供容量参考数据。
S509：将数据指标特征和第一时刻输入预先训练的小区容量预测模型，得到目标区域的小区在第二时刻的预测容量。
本申请实施例中，电子设备可以将目标区域的小区在第二时刻的预测容量保存起来，从而为后续相同类型的活动提供容量数据参考。
S510：在预测容量大于或等于容量参考值的情况下，对目标区域的小区扩容。
本申请实施例中，电子设备使用脚本定期将目标区域的小区的当前时间与活动时间段对比，如果当前时间在活动时间段内，且预测容量大于或等于容量参考值，电子设备可以调取扩容脚本对目标区域的小区自动扩容。
本申请实施例中，电子设备使用脚本定期将目标区域的小区的当前时间与活动时间段对比，如果当前时间不在活动时间段内，电子设备持续监控目标区域的小区的容量，直到目标区域的小区的容量小于容量参考值，使得目标区域的小区的扩容容量回退到扩容前状态或者原始状态。
本申请实施例中，电子设备使用脚本定期将目标区域的小区的当前时间与活动时间段对比，如果当前时间不在活动时间段内，使得目标区域的小区的扩容容量回退到扩容前状态或者原始状态。
可以理解的是，结合图3，本申请实施例的S501-S504、S507和S508可以由图3的数据评估模块来执行。
需要说明的是，本申请实施例的S501-S504、S507和S508是可选步骤，可以根据实际应用场景设置可选步骤的一个或多个，本申请实施例各步骤之间的先后顺序也可以根据实际应用场景进行调整，本申请实施例对此不作具体限定。
综上所述，在确定第一活动所占据的目标区域，以及第一活动的活动时间段的情况下，电子设备获取覆盖目标区域的小区的数据指标特征，电子设备根据目标区域的小区的数据指标特征，在场景库中匹配得到目标细分场景，从而电子设备根据目标细分场景，得到容量参考值；电子设备将数据指标特征和第一时刻输入预先训练的小区容量预测模型，得到目标区域的小区在第二时刻的预测容量，从而在预测容量小于容量参考值的情况下，电子设备对目标区域的小区扩容。这样，基于场景库中的目标细分场景得到目标区域小区的容量参考值，以及，基于小区容量预测模型得到目标区域小区的预测容量，可以节省人力和物力，使得电子设备不需要提前对第一活动进行评估和分析，处理效率高，而且扩容后的小区容量可以满足第一活动的需求，避免第一活动中小区产生网络拥塞的问题。
根据本申请实施例的一个方面，本申请实施例还提供了一种电子设备，包括：存储器，处理器；
存储器用于存储处理器可执行指令的存储器；
处理器，用于调用并执行所述存储器中的程序指令，执行本申请实施例中任一项所描述的方法。
示例性的，图6为本申请实施例提供的一种电子设备的结构示意图，如图6所示，该电子设备60包括存储器640和处理器610，该电子设备还可以包括通信接口630和总线620。其中，处理器610、通信接口630和存储器640通过总线620连接，总线620可以分为地址总线、数据总线、控制总线等，处理器610用于执行存储器640中存储的可执行模块，例如计算机程序。
存储器640可能包含高速随机存取存储器(random access memory，RAM)，也可能还包括非不稳定的存储器(non-volatile memory)，并向处理器610提供操作指令和数据。
其中，存储器用于存储程序，处理器在接收到执行指令后，执行程序，前述本申请实施例任一实施例揭示的方法可以应用于处理器中，或者由处理器实现。
处理器610可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(central processing unit，CPU)、网络处理器(network processor，NP)等；还可以是数字信号处理器(digital signal processing，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现成可编程门阵列(field-programmable gate array，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。
进一步地，结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
根据本申请实施例的另一个方面，本申请实施例还提供了一种计算机可读存储介质，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上任一实施例中所描述的方法。
读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“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、结构或者特点包含于本申请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必针对的是相同的实施例或示例。而且，描述的具体特征、结构或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示例性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
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单元来实现本申请实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以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，本申请的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或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)执行本申请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(read-only memory，ROM)、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
还应理解，在本申请各实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
以上，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种小区扩容方法，其特征在于，包括：
确定第一活动所占据的目标区域，以及所述第一活动的活动时间段；
获取覆盖所述目标区域的小区的数据指标特征；所述数据指标特征包括下述的一种或多种：业务量、用户接入情况、物理资源块PRB利用率或时间段；
将所述数据指标特征和第一时刻输入预先训练的小区容量预测模型，得到所述目标区域的小区在第二时刻的预测容量；其中，所述第一时刻和所述第二时刻均属于所述活动时间段，所述第一时刻早于所述第二时刻；所述小区容量预测模型是基于对各活动场景的聚类和回归训练得到的；
在所述预测容量大于或等于容量参考值的情况下，对所述目标区域的小区扩容；
还包括：
根据所述目标区域的小区的所述数据指标特征，在场景库中匹配得到目标细分场景；
根据所述目标细分场景，得到所述容量参考值；
其中，所述场景库中包括多个所述细分场景，所述细分场景是基于样本小区的所述数据指标特征聚类得到的，一个所述细分场景为一个聚类簇，每个所述细分场景包括某类型的活动所对应的所述数据指标特征和所述某类型的活动的所述容量参考值；
还包括：
根据所述样本小区的所述数据指标特征以及所述样本小区的当前容量c(t)，构建{X1,X2,…,Xm}，Xm＝(xm1,xm2,…,xmn)，其中，X为所述样本小区，m为所述样本小区的数量，x为各所述样本小区的所述数据指标特征，n为各所述样本小区的所述数据指标特征的数量；
利用回归模型拟合，直到所述当前容量c(t)与利用待训练模型预测出的预测容量的距离最小，得到所述小区容量预测模型。
2.根据权利要求1所述的方法，其特征在于，还包括：
利用K均值算法K-means以及所述样本小区的所述数据指标特征进行聚类，得到所述细分场景；
将所述细分场景存储在所述场景库中。
3.根据权利要求1所述的方法，其特征在于，所述回归模型为：
其中，所述ε为误差，所述ε服从正态分布，所述δ2为方差；所述β0,…,βn为常数，所述α为常数。
4.根据权利要求1所述的方法，其特征在于，所述获取覆盖所述目标区域的小区的数据指标特征，包括：
定时检测所述目标区域的小区的网络指标；
在所述网络指标处于波动状态，获取覆盖所述目标区域的小区的数据指标特征。
5.根据权利要求1所述的方法，其特征在于，所述在所述预测容量小于容量参考值的情况下，对所述目标区域的小区扩容，包括：
使用脚本定期将所述目标区域的小区的当前时间与所述活动时间段对比，如果所述当前时间在所述活动时间段内，且所述预测容量大于或等于所述容量参考值，调取扩容脚本对所述目标区域的小区自动扩容。
6.根据权利要求1-5任一项所述的方法，其特征在于，还包括：
如果所述当前时间不在所述活动时间段内，持续监控所述目标区域的小区的容量，直到所述目标区域的小区的容量小于所述容量参考值，回退所述目标区域的小区的扩容容量；或者，
如果所述当前时间不在所述活动时间段内，回退所述目标区域的小区的扩容容量。
7.一种小区扩容装置，其特征在于，所述装置包括通信单元和处理单元：
所述处理单元，用于确定第一活动所占据的目标区域，以及所述第一活动的活动时间段；
所述通信单元，用于获取覆盖所述目标区域的小区的数据指标特征；所述数据指标特征包括下述的一种或多种：业务量、用户接入情况、物理资源块PRB利用率或时间段；
所述处理单元，用于将所述数据指标特征和第一时刻输入预先训练的小区容量预测模型，得到所述目标区域的小区在第二时刻的预测容量；其中，所述第一时刻和所述第二时刻均属于所述活动时间段，所述第一时刻早于所述第二时刻；所述小区容量预测模型是基于对各活动场景的聚类和回归训练得到的；
所述处理单元，用于在所述预测容量大于或等于容量参考值的情况下，对所述目标区域的小区扩容；
所述处理单元，具体用于：根据所述目标区域的小区的所述数据指标特征，在场景库中匹配得到目标细分场景；
所述处理单元，具体用于：根据所述目标细分场景，得到所述容量参考值；
其中，所述场景库中包括多个所述细分场景，所述细分场景是基于样本小区的所述数据指标特征聚类得到的，一个所述细分场景为一个聚类簇，每个所述细分场景包括某类型的活动所对应的所述数据指标特征和所述某类型的活动的所述容量参考值；
所述处理单元，具体用于：根据所述样本小区的所述数据指标特征以及所述样本小区的当前容量c(t)，构建{X1,X2,…,Xm}，Xm＝(xm1,xm2,…,xmn)，其中，X为所述样本小区，m为所述样本小区的数量，x为各所述样本小区的所述数据指标特征，n为各所述样本小区的所述数据指标特征的数量；
所述处理单元，具体用于：利用回归模型拟合，直到所述当前容量c(t)与利用待训练模型预测出的预测容量的距离最小，得到所述小区容量预测模型。
8.一种电子设备，其特征在于，包括：
存储器，用于存储程序指令；
处理器，用于调用并执行所述存储器中的程序指令，执行如权利要求1-6中任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求1-6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011568882.3A CN114760637B (zh) | 2020-12-25 | 2020-12-25 | 小区扩容方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011568882.3A CN114760637B (zh) | 2020-12-25 | 2020-12-25 | 小区扩容方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114760637A CN114760637A (zh) | 2022-07-15 |
| CN114760637B true CN114760637B (zh) | 2023-06-06 |
Family
ID=82324673
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011568882.3A Active CN114760637B (zh) | 2020-12-25 | 2020-12-25 | 小区扩容方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114760637B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105376089A (zh) * | 2015-10-23 | 2016-03-02 | 上海华为技术有限公司 | 一种网络规划方法及装置 |
| CN109302719A (zh) * | 2018-11-05 | 2019-02-01 | 北京市天元网络技术股份有限公司 | 一种lte小区容量预测分析方法及装置 |
| 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 |
| CN110674999A (zh) * | 2019-10-08 | 2020-01-10 | 国网河南省电力公司电力科学研究院 | 基于改进聚类和长短期记忆深度学习的小区负荷预测方法 |
| CN111385821A (zh) * | 2018-12-29 | 2020-07-07 | 北京亿阳信通科技有限公司 | 一种lte载波需求数量预测的方法和装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8538435B2 (en) * | 2009-02-25 | 2013-09-17 | Eden Rock Communications, Llc | Systems and methods for autonomously determining network capacity and load balancing amongst multiple network cells |
| US10217060B2 (en) * | 2016-06-09 | 2019-02-26 | The Regents Of The University Of California | Capacity augmentation of 3G cellular networks: a deep learning approach |
-
2020
- 2020-12-25 CN CN202011568882.3A patent/CN114760637B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105376089A (zh) * | 2015-10-23 | 2016-03-02 | 上海华为技术有限公司 | 一种网络规划方法及装置 |
| CN109302719A (zh) * | 2018-11-05 | 2019-02-01 | 北京市天元网络技术股份有限公司 | 一种lte小区容量预测分析方法及装置 |
| 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 |
| CN111385821A (zh) * | 2018-12-29 | 2020-07-07 | 北京亿阳信通科技有限公司 | 一种lte载波需求数量预测的方法和装置 |
| CN110674999A (zh) * | 2019-10-08 | 2020-01-10 | 国网河南省电力公司电力科学研究院 | 基于改进聚类和长短期记忆深度学习的小区负荷预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于指标预测与压力测试的WCDMA容量规划研究;李维佳;戴鹏;陈柱;朱佳佳;杨津;;邮电设计技术(第11期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114760637A (zh) | 2022-07-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111867049B (zh) | 定位方法、装置及存储介质 | |
| CN105744553B (zh) | 一种网络关联分析方法及装置 | |
| US9189738B2 (en) | Automatic event analysis | |
| CN111356147B (zh) | 一种室分小区故障定位方法及装置 | |
| CN112291844B (zh) | 基于mr和mdt的定位方法和装置 | |
| CN112867147B (zh) | 定位方法和定位装置 | |
| CN111741427A (zh) | 业务投诉的处理方法、装置及设备 | |
| CN109963288A (zh) | 基站的评估方法及装置 | |
| CN114363946B (zh) | 室分小区网络质量监测方法、装置、设备及存储介质 | |
| US11223566B2 (en) | Cellular network management based on automatic social-data acquisition | |
| CN111800807A (zh) | 一种基站用户数量告警的方法及装置 | |
| CN110913172A (zh) | 一种视频分析设备的管理方法及装置 | |
| CN114760637B (zh) | 小区扩容方法和装置 | |
| CN112887910B (zh) | 异常覆盖区域的确定方法、装置和计算机可读存储介质 | |
| CN110807014B (zh) | 一种基于交叉验证的台区数据异常甄别方法和装置 | |
| CN115379479B (zh) | 小区覆盖类型确定方法、装置、设备及存储介质 | |
| CN114615693B (zh) | 网络容量预测方法、装置、电子设备及计算机存储介质 | |
| CN109788501B (zh) | 2g+4g移动网络语音质量联合评估方法及装置 | |
| CN114630359B (zh) | 确定网络覆盖的方法、装置、电子设备、计算机存储介质 | |
| CN114745289A (zh) | 网络性能数据的预测方法、装置、存储介质及设备 | |
| US20210337430A1 (en) | Forecasting Traffic Demand Experienced by Wireless Communication System with Application to Channel Allocation | |
| CN113301585A (zh) | 信息处理方法、装置、电子设备及存储介质 | |
| CN112020087A (zh) | 隧道故障监控方法、装置及计算设备 | |
| CN115396908B (zh) | 网络评估方法、装置及存储介质 | |
| CN116541252B (zh) | 一种机房故障日志数据处理方法及装置 |
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 |