CN114945187B - 网络流量预测方法、装置、设备和存储介质 - Google Patents
网络流量预测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN114945187B CN114945187B CN202210630511.6A CN202210630511A CN114945187B CN 114945187 B CN114945187 B CN 114945187B CN 202210630511 A CN202210630511 A CN 202210630511A CN 114945187 B CN114945187 B CN 114945187B
- Authority
- CN
- China
- Prior art keywords
- user
- traffic
- data
- predicted
- 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 66
- 238000005516 engineering process Methods 0.000 claims abstract description 36
- 238000010295 mobile communication Methods 0.000 claims abstract description 34
- 230000035699 permeability Effects 0.000 claims description 62
- 238000012549 training Methods 0.000 claims description 35
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000006855 networking Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 230000001419 dependent effect Effects 0.000 claims description 8
- 230000002123 temporal effect Effects 0.000 claims 1
- 238000004891 communication Methods 0.000 abstract description 10
- 230000006870 function Effects 0.000 description 63
- 238000011161 development Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 230000014509 gene expression Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- H04W16/22—Traffic simulation tools or models
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种网络流量预测方法、装置、设备和存储介质，涉及通信领域，该网络流量预测方法，包括：从业务域获取第四代移动通信技术4G用户业务历史数据、第五代移动通信技术5G用户业务历史数据和5G用户驻留比历史数据；根据4G用户业务历史数据、5G用户业务历史数据和5G用户驻留比历史数据分别构建时序预测模型，输出4G用户业务预测数据、5G用户业务预测数据和5G用户驻留比预测数据；根据4G用户业务预测数据、5G用户业务预测数据和5G用户驻留比预测数据计算4G网络预测流量和5G网络预测流量；解决了现有网络流量预测方法预测准确度不高的问题。
Description
技术领域
本申请涉及通信领域，尤其涉及网络流量预测方法、装置、设备和存储介质。
背景技术
第五代移动通信技术(5th Generation Mobile Communication Technology，5G)是具有高速率、低时延和大连接特点的新一代宽带移动通信技术。伴随移动用户由传统通信技术(第二代移动通信技术2G/第三代移动通信技术3G/第四代移动通信技术4G)不断向5G迁转，以及5G新应用的成熟推广，5G网络流量呈现快速增长态势。网络流量预测是移动网规划的重要输入，在指导5G网络建设和保障用户需求发挥着重要作用。
现有网络流量预测方法预测准确度不高。
发明内容
本申请实施例提供网络流量预测方法、装置、设备和存储介质，解决了现有网络流量预测方法预测准确度不高的问题。
为实现上述技术目的，本申请实施例采用如下技术方案：
第一方面，本申请实施例提供一种网络流量预测方法，包括：
从业务域获取第四代移动通信技术4G用户业务历史数据、第五代移动通信技术5G用户业务历史数据和5G用户驻留比历史数据；
根据4G用户业务历史数据、5G用户业务历史数据和5G用户驻留比历史数据分别构建时序预测模型，输出4G用户业务预测数据、5G用户业务预测数据和5G用户驻留比预测数据；
根据4G用户业务预测数据、5G用户业务预测数据和5G用户驻留比预测数据计算4G网络预测流量和5G网络预测流量。
在一种实施例中，4G用户业务预测数据包括4G用户量预测数据和4G用户平均每户每月上网流量DOU预测数据，5G用户业务预测数据包括5G用户量预测数据和5G用户平均每户每月上网流量DOU预测数据；
根据4G用户业务预测数据、5G用户业务预测数据和5G用户驻留比预测数据计算4G网络预测流量和5G网络预测流量，包括：
根据4G用户量预测数据和4G用户DOU预测数据计算4G业务预测流量，以及根据5G用户量预测数据和5G用户DOU预测数据计算5G业务预测流量；
根据5G业务预测流量和5G用户驻留比预测数据计算5G网络预测流量；
根据4G业务预测流量、5G业务预测流量和5G用户驻留比预测数据计算4G网络预测流量。
在一种实施例中，5G用户量预测数据包括独立组网SA用户量预测数据和非独立组网NSA用户量预测数据，5G用户DOU预测数据包括SA用户DOU预测数据和NSA用户DOU预测数据；
根据5G用户量预测数据和5G用户DOU预测数据计算5G业务预测流量，包括：
根据SA用户量预测数据和SA用户DOU预测数据计算SA业务预测流量，以及根据NSA用户量预测数据和NSA用户DOU预测数据计算NSA业务预测流量。
在一种实施例中，5G用户驻留比预测数据包括SA用户驻留比预测数据和NSA用户驻留比预测数据；
根据5G业务预测流量和5G用户驻留比预测数据计算5G网络预测流量，包括：
根据SA业务预测流量和SA用户驻留比预测数据计算SA网络预测流量，以及根据NSA业务预测流量和NSA用户驻留比预测数据计算NSA网络预测流量。
在一种实施例中，4G网络预测流量通过如下算式计算得到：
NET4G＝SER4G+SERSA+SERNSA-NETSA-NETNSA
其中，NET4G为4G网络预测流量，SER4G为4G业务预测流量，SERSA为SA业务预测流量，SERNSA为NSA业务预测流量，NETSA为SA网络预测流量，NETNSA为NSA网络预测流量。
在一种实施例中，根据5G用户驻留比历史数据分别构建时序预测模型输出5G用户驻留比预测数据，包括：
将5G用户驻留比历史数据和预设5G用户驻留比目标数据作为训练集构建时序预测模型，输出5G用户驻留比预测数据。
本申请实施例中，首先从业务域获取第四代移动通信技术4G用户业务历史数据、第五代移动通信技术5G用户业务历史数据和5G用户驻留比历史数据，然后根据4G用户业务历史数据、5G用户业务历史数据和5G用户驻留比历史数据分别构建时序预测模型，输出4G用户业务预测数据、5G用户业务预测数据和5G用户驻留比预测数据，最终根据4G用户业务预测数据、5G用户业务预测数据和5G用户驻留比预测数据计算4G网络预测流量和5G网络预测流量，充分考虑了5G业务流量回落到4G网络的情况，通过预测5G用户驻留比测算4G网络预测流量和5G网络预测流量，提高了4G网络和5G网络流量的预测准确性。
第二方面，本申请实施例提供一种网络流量预测方法，包括：
从业务域获取第四代移动通信技术4G网络和第五代移动通信技术5G网络总用户量历史数据、4G用户平均每户每月上网流量DOU历史数据、5G用户平均每户每月上网流量DOU历史数据、5G用户驻留比历史数据和5G用户渗透率历史数据；
根据总用户量历史数据、4G用户DOU历史数据、5G用户DOU历史数据、5G用户驻留比历史数据和5G用户渗透率历史数据分别构建时序预测模型，输出总用户量预测数据、4G用户DOU预测数据、5G用户DOU预测数据、5G用户驻留比预测数据和5G用户渗透率预测数据；
根据总用户量预测数据、4G用户DOU预测数据、5G用户DOU预测数据、5G用户驻留比预测数据和5G用户渗透率预测数据计算4G网络预测流量和5G网络预测流量。
在一种实施例中，根据总用户量预测数据、4G用户DOU预测数据、5G用户DOU预测数据、5G用户驻留比预测数据和5G用户渗透率预测数据计算4G网络预测流量和5G网络预测流量，包括：
根据总用户量预测数据和5G用户渗透率预测数据计算4G用户量预测数据和5G用户量预测数据；
根据4G用户量预测数据和4G用户DOU预测数据计算4G业务预测流量，以及根据5G用户量预测数据和5G用户DOU预测数据计算5G业务预测流量；
根据5G业务预测流量和5G用户驻留比预测数据计算5G网络预测流量；
根据4G业务预测流量、5G业务预测流量和5G用户驻留比预测数据计算4G网络预测流量。
本申请实施例中，考虑到现网总用户数已经趋于平稳发展，以总用户数的平稳发展为约束，将4G和5G用户量绝对值的预测，转换为相对渗透率的预测，做到4G和5G用户联动分析，以提高预测准确性。
进一步地，首先从业务域获取4G网络和5G网络总用户量历史数据、4G用户平均每户每月上网流量DOU历史数据、5G用户平均每户每月上网流量DOU历史数据、5G用户驻留比历史数据和5G用户渗透率历史数据，然后根据总用户量历史数据、4G用户DOU历史数据、5G用户DOU历史数据、5G用户驻留比历史数据和5G用户渗透率历史数据分别构建时序预测模型，输出总用户量预测数据、4G用户DOU预测数据、5G用户DOU预测数据、5G用户驻留比预测数据和5G用户渗透率预测数据，最后根据总用户量预测数据、4G用户DOU预测数据、5G用户DOU预测数据、5G用户驻留比预测数据和5G用户渗透率预测数据计算4G网络预测流量和5G网络预测流量，充分考虑了5G业务流量回落到4G网络的情况，通过预测5G用户驻留比测算4G网络预测流量和5G网络预测流量，提高了4G网络和5G网络流量的预测准确性。
第三方面，本申请实施例提供一种网络流量预测装置，包括：
获取模块，用于从业务域获取第四代移动通信技术4G用户业务历史数据、第五代移动通信技术5G用户业务历史数据和5G用户驻留比历史数据；
训练模块，用于根据4G用户业务历史数据、5G用户业务历史数据和5G用户驻留比历史数据分别构建时序预测模型，输出4G用户业务预测数据、5G用户业务预测数据和5G用户驻留比预测数据；
计算模块，用于根据4G用户业务预测数据、5G用户业务预测数据和5G用户驻留比预测数据计算4G网络预测流量和5G网络预测流量。
在一种实施例中，4G用户业务预测数据包括4G用户量预测数据和4G用户平均每户每月上网流量DOU预测数据，5G用户业务预测数据包括5G用户量预测数据和5G用户平均每户每月上网流量DOU预测数据；
计算模块，包括第一计算单元、第二计算单元和第三计算单元；
第一计算单元，用于根据4G用户量预测数据和4G用户DOU预测数据计算4G业务预测流量，以及根据5G用户量预测数据和5G用户DOU预测数据计算5G业务预测流量；
第二计算单元，用于根据5G业务预测流量和5G用户驻留比预测数据计算5G网络预测流量；
第三计算单元，用于根据4G业务预测流量、5G业务预测流量和5G用户驻留比预测数据计算4G网络预测流量。
在一种实施例中，5G用户量预测数据包括独立组网SA用户量预测数据和非独立组网NSA用户量预测数据，5G用户DOU预测数据包括SA用户DOU预测数据和NSA用户DOU预测数据；
第一计算单元，具体用于：
根据SA用户量预测数据和SA用户DOU预测数据计算SA业务预测流量，以及根据NSA用户量预测数据和NSA用户DOU预测数据计算NSA业务预测流量。
在一种实施例中，5G用户驻留比预测数据包括SA用户驻留比预测数据和NSA用户驻留比预测数据；
第二计算单元，具体用于：
根据SA业务预测流量和SA用户驻留比预测数据计算SA网络预测流量，以及根据NSA业务预测流量和NSA用户驻留比预测数据计算NSA网络预测流量。
在一种实施例中，4G网络预测流量通过如下算式计算得到：
NET4G＝SER4G+SERSA+SERNSA-NETSA-NETNSA
其中，NET4G为4G网络预测流量，SER4G为4G业务预测流量，SERSA为SA业务预测流量，SERNSA为NSA业务预测流量，NETSA为SA网络预测流量，NETNSA为NSA网络预测流量。
在一种实施例中，训练模块，具体用于：
将5G用户驻留比历史数据和预设5G用户驻留比目标数据作为训练集构建时序预测模型，输出5G用户驻留比预测数据。
第四方面，本申请实施例提供一种网络流量预测装置，包括：
获取模块，用于从业务域获取第四代移动通信技术4G网络和第五代移动通信技术5G网络总用户量历史数据、4G用户平均每户每月上网流量DOU历史数据、5G用户平均每户每月上网流量DOU历史数据、5G用户驻留比历史数据和5G用户渗透率历史数据；
训练模块，用于根据总用户量历史数据、4G用户DOU历史数据、5G用户DOU历史数据、5G用户驻留比历史数据和5G用户渗透率历史数据分别构建时序预测模型，输出总用户量预测数据、4G用户DOU预测数据、5G用户DOU预测数据、5G用户驻留比预测数据和5G用户渗透率预测数据；
计算模块，用于根据总用户量预测数据、4G用户DOU预测数据、5G用户DOU预测数据、5G用户驻留比预测数据和5G用户渗透率预测数据计算4G网络预测流量和5G网络预测流量。
在一种实施例中，计算模块，具体用于：
根据总用户量预测数据和5G用户渗透率预测数据计算4G用户量预测数据和5G用户量预测数据；
根据4G用户量预测数据和4G用户DOU预测数据计算4G业务预测流量，以及根据5G用户量预测数据和5G用户DOU预测数据计算5G业务预测流量；
根据5G业务预测流量和5G用户驻留比预测数据计算5G网络预测流量；
根据4G业务预测流量、5G业务预测流量和5G用户驻留比预测数据计算4G网络预测流量。
第五方面，本申请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，计算机程序被处理器执行时实现如第一方面的网络流量预测方法。
第六方面，本申请实施例提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如第一方面的网络流量预测方法。
本申请中第二方面、第三方面、第四方面、第五方面和第六方面描述的有益效果，可以参考第一方面的有益效果分析，此处不再赘述。
附图说明
图1为本申请实施例提供的一种网络流量预测方法的流程示意图；
图2为本申请实施例提供的一种计算4G网络预测流量和5G网络预测流量的流程示意图；
图3为本申请实施例提供的一种5G网络预测流量和4G网络预测流量的计算原理示意图；
图4为本申请实施例提供的一种计算5G业务预测流量的流程示意图；
图5为本申请实施例提供的一种计算5G网络预测流量的流程示意图；
图6为本申请实施例提供的一种5G网络预测流量的计算原理示意图；
图7为本申请实施例提供的一种网络流量预测结果示意图；
图8为本申请实施例提供的另一种网络流量预测方法的流程示意图；
图9为本申请实施例提供的一种计算4G网络预测流量和5G网络预测流量的流程示意图；
图10为本申请实施例提供的一种网络流量预测装置的结构示意图；
图11为本申请实施例提供的另一种网络流量预测装置的结构示意图；
图12为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本申请，并不被配置为限定本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序；也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。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
现有5G网络流量预测方法分为两种，一种是依靠5G网络流量历史数据进行趋势预测，在5G网络开通时间较短、缺乏历史数据的情况下，预测准确性不高；另一种是建立用户业务模型，根据业务流量＝用户数×平均每户每月上网流量DOU(Dataflow of usage，DOU)这一关系，进行5G业务流量预测，并将5G业务流量作为5G网络流量，但是实际上在用户实际应用5G业务时会存在回落到4G网络办理5G业务的情况，也就是说，实际上5G业务流量大于5G网络流量，将5G业务流量作为5G网络流量并不准确。可见，现有网络流量预测方法预测准确度不高。
为了解决上述技术问题，本申请实施例提供一种网络流量预测方法，该网络流量预测方法的执行主体可以是计算机、服务器等具有数据处理能力的电子设备。其中，服务器可以是单独的一个服务器，或者，也可以是由多个服务器构成的服务器集群。部分实施方式中，服务器集群还可以是分布式集群。本申请对该网络流量预测方法的执行主体不作限制。
图1示出了本申请一个实施例提供的网络流量预测方法的流程示意图。
如图1所示，该方法可以包括以下步骤：
S110，从业务域获取第四代移动通信技术4G用户业务历史数据、第五代移动通信技术5G用户业务历史数据和5G用户驻留比历史数据。
其中，业务域(business support system，B域)是属于运营商的数据域，存储有用户数据和业务数据，比如用户的消费习惯、终端信息、业务内容，业务受众人群等。包括了4G用户业务历史数据、5G用户业务历史数据和5G用户驻留比历史数据，从业务域能够获取到上述三类信息。
S120，根据4G用户业务历史数据、5G用户业务历史数据和5G用户驻留比历史数据分别构建时序预测模型，输出4G用户业务预测数据、5G用户业务预测数据和5G用户驻留比预测数据。
其中，时序预测模型采用时间序列预测法，时间序列预测法其实是一种回归预测方法，属于定量预测，其基本原理是：一方面承认事物发展的延续性，运用过去的时间序列数据进行统计分析，推测出事物的发展趋势；另一方面充分考虑到由于偶然因素影响而产生的随机性，为了消除随机波动产生的影响，利用历史数据进行统计分析，并对数据进行适当处理，进行趋势预测。基于时序预测模型能，输出的4G用户业务预测数据、5G用户业务预测数据和5G用户驻留比预测数据准确性较高。
进一步地，时间序列可以用字母t表示，以t＝n时刻作为现状，[n-j,n]为历史时间窗，[n+1,n+2,…,n+i]为预测时间窗，时间计量单位可以是“日/周/月/季/年”。
S130，根据4G用户业务预测数据、5G用户业务预测数据和5G用户驻留比预测数据计算4G网络预测流量和5G网络预测流量。
其中，由于现网中部分5G业务会通过4G网络办理，5G业务流量会有一部分回落到4G网络流量中，这就使得5G网络流量小于5G业务流量，4G网络流量大于4G业务流量。5G用户驻留比作为5G网络的一种关键指标，能够基于5G业务流量确定5G网络流量。基于5G用户驻留比预测数据，能够根据4G用户业务预测数据、5G用户业务预测数据计算得到4G网络预测流量和5G网络预测流量。
本申请实施例，首先从业务域获取第四代移动通信技术4G用户业务历史数据、第五代移动通信技术5G用户业务历史数据和5G用户驻留比历史数据，然后根据4G用户业务历史数据、5G用户业务历史数据和5G用户驻留比历史数据分别构建时序预测模型，输出4G用户业务预测数据、5G用户业务预测数据和5G用户驻留比预测数据，最终根据4G用户业务预测数据、5G用户业务预测数据和5G用户驻留比预测数据计算4G网络预测流量和5G网络预测流量，充分考虑了5G业务流量回落到4G网络的情况，通过预测5G用户驻留比测算4G网络预测流量和5G网络预测流量，提高了4G网络和5G网络流量的预测准确性。
在一种实施例中，4G用户业务历史数据包括4G用户量历史数据和4G用户平均每户每月上网流量DOU历史数据，5G用户业务历史数据包括5G用户量历史数据和5G用户平均每户每月上网流量DOU历史数据。
基于上述各历史数据根据时序预测模型能够预测得到：4G用户量预测数据和4G用户平均每户每月上网流量DOU预测数据，5G用户量预测数据和5G用户平均每户每月上网流量DOU预测数据。
4G用户量历史数据可以表示为：X＝{xn-j,…,xn-2,xn-1,xn}。
5G用户量历史数据可以表示为：Y＝{yn-k,…,yn-2,yn-1,yn}。
4G用户DOU历史数据可以表示为：O＝{on-j,…,on-2,on-1,on}。
5G用户DOU历史数据可以表示为：P＝{pn-k,…,pn-2,pn-1,pn}。
5G用户驻留比历史数据可以表示为：Q＝Q’+Q”。
其中，考虑到因5G网络在部分区域尚未覆盖或覆盖不完善，以及5G用户使用4G终端等因素，导致5G用户发起的业务中，有一部分回落到4G网络，因此引入5G驻留比因子，表征5G网络实际承载流量占5G业务流量的比例。需采集5G流量驻留比历史数据集Q’＝{qn-l,…,qn-2,qn-1,qn}。
考虑到5G网络运行初期，可采集到的有效历史数据有限，为此，可以引入驻留比目标数据，帮助提高预测模型的准确性。根据网络规划过程中设定的网络覆盖策略和目标，收集在关键时间点的驻留比目标数据，记为Q”,Q”＝{qm1,qm2,…}。历史数据和目标数据，共同构成5G驻留比的训练集Q,Q＝Q’+Q”。
示例性的，基于上述四类数据，下面对S120中构建时序预测模型的过程分别进行介绍：
首先介绍以4G用户量历史数据和5G用户量历史数据作为训练集构建时序预测模型：
对于4G用户量历史数据，采用参数集为β1的函数f1(t；β1)拟合4G用户量x与时间序列t之间的函数关系：x＝f1(t；β1)+ε1，其中ε1为误差项。将历史数据集X，优化目标输入函数拟合工具，获得函数参数的最佳估计值β′1，随之确定4G用户量x的发展趋势拟合函数：x′t＝f1(t；β′1)。
类似的，对于5G用户量历史数据，采用参数集为β2的函数f2(t；β2)拟合5G用户量y与时间序列t之间的函数关系：y＝f2(t；β2)+ε2，其中ε2为误差项。将历史数据集Y，优化目标输入函数拟合工具，获得函数参数的最佳估计值β′2，随之确定5G用户量y的发展趋势拟合函数：y′t＝f2(t；β′2)。
其次介绍以4G用户DOU历史数据和5G用户DOU历史数据作为训练集构建时序预测模型：
在建立时序预测模型时，考虑到每个用户使用流量的多少受到以下方面限制：一是受到运营商套餐限制；二是受到用户每天可上网时间的限制；三是受到应用类型的限制，例如视频类应用，其消耗流量与视频清晰度直接相关。因此，每个用户在有限时间段内能够消费的流量是有限的，将4G用户的上限值设为Ω4G，5G用户的上限值设为Ω5G，作为约束条件可以提高预测模型的合理性。
对于4G用户DOU历史数据，采用参数集为β3的函数f3(t；β3)拟合4GDOU与时间序列t之间的函数关系：o＝f3(t；β3)+ε3，其中ε3为误差项。将历史数据集O，优化目标约束条件max{f3(t,β3),t∈[n-k,n+i]}≤Ω4G输入函数拟合工具，获得函数参数的最佳估计值β′3，随之确定出4G用户DOU的发展趋势拟合函数：o′t＝f3(t；β′3)。
对于5G用户DOU历史数据，采用参数集为β4的函数f4(t；β4)拟合5GDOU与时间序列t之间的函数关系：p＝f4(t；β4)+ε4，其中ε4为误差项。将历史数据集P，优化目标约束条件max{f4(t,β4),t∈[n-k,n+i]}≤Ω5G输入函数拟合工具，获得函数参数的最佳估计值β′4，随之确定5G用户DOU的发展趋势拟合函数：p′t＝f4(t；β′4)。
再次，对以5G用户驻留比历史数据作为训练集构建时序预测模型进行介绍：
采用参数集为β5的函数f5(t；β5)拟合5G流量驻留比q与时间序列t之间的函数关系：q＝f5(t；β5)+ε5，其中ε5为误差项。将训练数据集Q、优化目标约束条件max{f5(t；β5),t∈[n-l,n+i]}≤1输入函数拟合工具，获得函数参数的最佳估计值β′5，随之确定5G流量驻留比q的发展趋势拟合函数：q′t＝f5(t；β′5)。
本申请实施例中，在各时序预测模型训练过程中充分考虑了训练数据的特性，相应设置优化目标、约束条件进行训练，并将预设5G用户驻留比目标数据加入训练集，确保了训练得到的时序预测模型精度较高，输出的4G用户业务预测数据、5G用户业务预测数据和5G用户驻留比预测数据准确性较高。
进一步地，如图2所示，S130：根据4G用户业务预测数据、5G用户业务预测数据和5G用户驻留比预测数据计算4G网络预测流量和5G网络预测流量，可以包括：
S1301，根据4G用户量预测数据和4G用户DOU预测数据计算4G业务预测流量，以及根据5G用户量预测数据和5G用户DOU预测数据计算5G业务预测流量。
其中，4G业务预测流量＝4G用户量预测数据×4G用户DOU预测数据；5G业务预测流量＝5G用户量预测数据×5G用户DOU预测数据。
S1302，根据5G业务预测流量和5G用户驻留比预测数据计算5G网络预测流量。
其中，5G网络预测流量＝5G业务预测流量×5G用户驻留比预测数据。
S1303，根据4G业务预测流量、5G业务预测流量和5G用户驻留比预测数据计算4G网络预测流量。
其中，4G网络预测流量＝5G业务预测流量×(1-5G用户驻留比预测数据)+4G业务预测流量。
进一步的，基于上面对S120中训练各时序预测模型的过程介绍，可以得出：
4G用户量预测数据可以表示为：x′t＝f1(t；β′1),t∈[n+1,n+i]。
5G用户量预测数据可以表示为：y′t＝f2(t；β′2),t∈[n+1,n+i]。
4G用户DOU预测数据可以表示为：o′t＝f3(t；β′3),t∈[n+1,n+i]。
5G用户DOU预测数据可以表示为：p′t＝f4(t；β′4),t∈[n+1,n+i]。
5G用户驻留比历史数据可以表示为：q′t＝f5(t；β′5),t∈[n+1,n+i]。
相应的，将4G、5G网络流量分别用字母u、v表示，其在时间窗[t+1,t+i]上的预测值用u’、v’表示。结合如图3所示的5G网络预测流量和4G网络预测流量的计算原理，综合各数据表达式，可以得出5G网络预测流量和4G网络预测流量的计算公式：
时刻t的5G网络预测流量：v′t＝f(β′2,t)f(β′4,t)f(β′5,t),t∈[n+1,n+i]；
时刻t的4G网络预测流量：u′t＝f(β′1,t)f(β′3,t)+f(β′2,t)f(β′4,t)[1-f(β′5,t)],t∈[n+1,n+i]。
本申请实施例中，充分考虑了5G业务流量回落到4G网络的情况，构建时序预测模型，通过预测5G用户驻留比测算4G网络预测流量和5G网络预测流量，提高了4G网络和5G网络流量的预测准确性。
在一种实施例中，5G用户量历史数据包括独立组网SA用户量历史数据和非独立组网NSA用户量历史数据，5G用户DOU历史数据包括SA用户DOU历史数据和NSA用户DOU历史数据。
相应的，5G用户量预测数据包括独立组网SA用户量预测数据和非独立组网NSA用户量预测数据，5G用户DOU预测数据包括SA用户DOU预测数据和NSA用户DOU预测数据。
进一步地，如图4所示，S1301：根据5G用户量预测数据和5G用户DOU预测数据计算5G业务预测流量，可以包括：
S13011，根据SA用户量预测数据和SA用户DOU预测数据计算SA业务预测流量，以及根据NSA用户量预测数据和NSA用户DOU预测数据计算NSA业务预测流量。
其中，考虑到5G网络架构分为独立组网(Standalone,SA)和非独立组网(Non-Standalone,NSA)，SA终端用户的驻留比随网络建设完善而持续增长，然而，NSA终端因为功耗大，终端的节电功能，导致难以在5G网络稳定驻留，NSA用户的驻留比无明显提升。考虑到SA用户和NSA用户在业务体验以及5G网络驻留上存在的差异性，特此，将5G用户进一步区分为SA用户和NSA用户，分别计算SA业务预测流量和NSA业务预测流量。
在一种实施例中，5G用户驻留比预测数据包括SA用户驻留比预测数据和NSA用户驻留比预测数据。
进一步地，如图5所示，S1302：根据5G业务预测流量和5G用户驻留比预测数据计算5G网络预测流量，可以包括：
S13021，根据SA业务预测流量和SA用户驻留比预测数据计算SA网络预测流量，以及根据NSA业务预测流量和NSA用户驻留比预测数据计算NSA网络预测流量。
其中，考虑到SA用户和NSA用户在业务体验以及5G网络驻留上存在的差异性，特此，将5G用户驻留比预测数据分为SA用户驻留比预测数据和NSA用户驻留比预测数据，在相应分别计算SA网络预测流量和NSA网络预测流量。
本申请实施例中，考虑到SA用户和NSA用户在业务体验以及5G网络驻留上存在的差异性，将上述几类历史维度的5G网络数据细分为SA用户数据和NSA用户数据，再根据细分后的历史维度的数据分别进行未来维度的SA网络预测流量和NSA网络预测流量计算，进一步地提升了5G网络流量的预测准确性。
在一种实施例中，4G网络预测流量通过如下算式计算得到：
NET4G＝SER4G+SERSA+SERNSA-NETSA-NETNSA
其中，NET4G为4G网络预测流量，SER4G为4G业务预测流量，SERSA为SA业务预测流量，SERNSA为NSA业务预测流量，NETSA为SA网络预测流量，NETNSA为NSA网络预测流量。
为了帮助理解，下面将结合算式对将5G用户量历史数据细分为独立组网SA用户量历史数据和非独立组网NSA用户量历史数据，以及将5G用户DOU历史数据细分为SA用户DOU历史数据和NSA用户DOU历史数据后，进行4G网络预测流量、SA网络预测流量和NSA网络预测流量的预测进行说明：
关于4G用户量历史数据、4G用户DOU历史数据、4G用户量预测数据和4G用户DOU预测数据的表达式可参考上面实施例。
SA用户量历史数据可以表示为：Y1＝{y1n-k,…,y1n-2,y1n-1,y1n}。
NSA用户量历史数据可以表示为：Y2＝{y2n-k,…,y2n-2,y2n-1,y2n}。
SA用户DOU历史数据可以表示为：P1＝{p1n-k,…,p1n-2,p1n-1,p1n}。
NSA用户DOU历史数据可以表示为：P2＝{p2n-k,…,p2n-2,p2n-1,p2n}。
首先，分别训练SA用户量和NSA用户量的时序预测模型：
采用参数集为β8的函数f8(t；β8)拟合SA用户量y1与时间序列t之间的函数关系：y1＝f8(t；β8)+ε8，其中ε8为误差项。将历史数据集Y1，优化目标输入函数拟合工具，获得函数参数的最佳估计值β′8，随之确定SA用户量y1的发展趋势拟合函数：y1′t＝f8(t；β′8)。
采用参数集为β9的函数f9(t；β9)拟合NSA用户量y2与时间序列t之间的函数关系：y2＝f9(t；β9)+ε9，其中ε9为误差项。将历史数据集Y2，优化目标输入函数拟合工具，获得函数参数的最佳估计值β′9，随之确定NSA用户量y2的发展趋势拟合函数：y2′t＝f9(t；β′9)。
其次，分别训练SA用户DOU、NSA用户DOU的时序预测模型：
参考上面实施例的说明，将每个SA用户及NSA用户消费流量的上限值设为Ω5G，作为约束条件可以提高预测模型的合理性。
采用参数集为β10的函数f10(t；β10)拟合SA用户DOU与时间序列t之间的函数关系：p1＝f10(t；β10)+ε10，其中ε10为误差项。将历史数据集P1，优化目标约束条件max{f10(t,β10),t∈[n-k,n+i]}≤Ω5G输入函数拟合工具，获得函数参数的最佳估计值β′10，随之确定SA用户DOU的发展趋势拟合函数：p1′t＝f10(t；β′10)。
采用参数集为β11的函数f11(t；β11)拟合NSA用户DOU与时间序列t之间的函数关系：p2＝f11(t；β11)+ε11，其中ε11为误差项。将历史数据集P2，优化目标约束条件max{f11(t,β11),t∈[n-k,n+i]}≤Ω5G输入函数拟合工具，获得函数参数的最佳估计值β′11，随之确定NSA用户DOU的发展趋势拟合函数：p2′t＝f11(t；β′11)。
再次，采集SA用户驻留比的历史数据和关键时间点目标数据，作为训练集Q1；采集NSA用户驻留比的历史数据和关键时间点目标数据，作为训练集Q2。分别训练SA用户驻留比预测数据和NSA用户驻留比预测数据的时序预测模型：
采用参数集为β12的函数f12(t；β12)拟合5G SA流量驻留比q1与时间序列t之间的函数关系：q1＝f12(t；β12)+ε12，其中ε12为误差项。将训练数据集Q1、优化目标约束条件max{f12(t；β12),t∈[n-k,n+i]}≤1输入函数拟合工具，获得函数参数的最佳估计值β′12，随之确定5G SA流量驻留比q1的发展趋势拟合函数：q′t＝f12(t；β′12)。
采用参数集为β13的函数f13(t；β13)拟合5G SA流量驻留比q2与时间序列t之间的函数关系：q2＝f13(t；β13)+ε13，其中ε13为误差项。将历史数据集Q2、优化目标约束条件max{f13(t；β13),t∈[n-k,n+i]}≤1输入函数拟合工具，获得函数参数的最佳估计值β′13，随之确定5G SA流量驻留比q2的发展趋势拟合函数：q′t＝f13(t；β′13)。
基于上述介绍，能够得出各预测量表达式：
SA流量驻留比预测值：q1′t＝f12(t；β′12),t∈[n+1,n+i。
NSA流量驻留比预测值：q2′t＝f13(t；β′13),t∈[n+1,n+i。
SA用户量预测：y1′t＝f8(t；β′8),t∈[n+1,n+i]。
NSA用户量预测：y2′t＝f9(t；β′9),t∈[n+1,n+i]。
SA用户DOU的预测：p1′t＝f10(t；β′10),t∈[n+1,n+i]。
NSA用户DOU的预测：p2′t＝f11(t；β′11),t∈[n+1,n+i]。
相应的，结合图6所示5G网络预测流量的计算原理，t时刻5G网络预测流量的表达式为：
v′n＝f(β′8,n)f(β′10,n)f(β′12,n)+f(β′9,n)f(β′11,n)f(β′11,n),n∈[t+1,t+i]。
t时刻4G网络预测流量的表达式为：
u′n＝f(β′1,n)f(β′3,n)+f(β′8,n)f(β′10,n)[1-f(β′12,n)]+f(β′9,n)f(β′11,n)[1-f(β′13,n)],n∈[t+1,t+i]。
进一步地，基于上述两表达式，本申请实施还提供了某一地市的网络流量预测结果图，如图7所示，可直观显示4G和5G网络流量增长情况、4/5G分流占比等信息，同时可直接示出4G网络流量增长空间和发展拐点。
本申请实施例的预测结果能够指导5G和4G协同规划，为频率资源配置、扩容保障方案提供决策依据。
本申请实施例中，考虑到SA用户和NSA用户在业务体验以及5G网络驻留上存在的差异性，通过计算得到的SA网络预测流量和NSA网络预测流量计算4G网络预测流量，进一步地提升了4G网络流量的预测准确性。
在一种实施例中，S120：根据5G用户驻留比历史数据分别构建时序预测模型输出5G用户驻留比预测数据，可以包括：
将5G用户驻留比历史数据和预设5G用户驻留比目标数据作为训练集构建时序预测模型，输出5G用户驻留比预测数据。
本申请实施例考虑到5G网络运行初期，可采集到的有效历史数据有限，为此，可以引入驻留比目标数据，帮助提高预测模型的准确性。根据网络规划过程中设定的网络覆盖策略和目标，收集在关键时间点的驻留比目标数据，用户驻留比历史数据和驻留比目标数据共同构成5G驻留比时序预测模型的训练集，提升了时序预测模型训练精度，能够保证5G用户驻留比预测数据的准确性。
本申请实施例中，首先从业务域获取第四代移动通信技术4G用户业务历史数据、第五代移动通信技术5G用户业务历史数据和5G用户驻留比历史数据，然后根据4G用户业务历史数据、5G用户业务历史数据和5G用户驻留比历史数据分别构建时序预测模型，输出4G用户业务预测数据、5G用户业务预测数据和5G用户驻留比预测数据，最终根据4G用户业务预测数据、5G用户业务预测数据和5G用户驻留比预测数据计算4G网络预测流量和5G网络预测流量，充分考虑了5G业务流量回落到4G网络的情况，通过预测5G用户驻留比测算4G网络预测流量和5G网络预测流量，提高了4G网络和5G网络流量的预测准确性。
上面介绍了直接采集4G用户量历史数据和5G用户量历史数据以计算4G网络预测流量和5G网络预测流量的网络流量预测方法。考虑到现网总用户已进入发展平稳期，5G用户的增长主要来自于4G用户的转化。因此，本申请实施例还提供一种应用4G和5G的总用户量历史数据和5G用户渗透率历史数据来计算4G网络预测流量和5G网络预测流量的网络流量预测方法，以总用户数的平稳发展为约束，将4G和5G用户量绝对值的预测，转换为相对渗透率的预测，做到4G和5G用户联动分析，以提高预测准确性，如图8所示，该方法包括：
S810，从业务域获取4G网络和5G网络的总用户量历史数据、4G用户平均每户每月上网流量DOU历史数据、5G用户平均每户每月上网流量DOU历史数据、5G用户驻留比历史数据和5G用户渗透率历史数据。
S820，根据总用户量历史数据、4G用户DOU历史数据、5G用户DOU历史数据、5G用户驻留比历史数据和5G用户渗透率历史数据分别构建时序预测模型，输出总用户量预测数据、4G用户DOU预测数据、5G用户DOU预测数据、5G用户驻留比预测数据和5G用户渗透率预测数据。
S830，根据总用户量预测数据、4G用户DOU预测数据、5G用户DOU预测数据、5G用户驻留比预测数据和5G用户渗透率预测数据计算4G网络预测流量和5G网络预测流量。
其中，相较于上述实施例直接采集4G用户量历史数据和5G用户量历史数据以计算4G网络预测流量和5G网络预测流量的网络流量预测方法，区别仅在于：本申请实施例无法直接根据4G用户量历史数据和5G用户量历史数据分别预测4G用户量预测数据和5G用户量预测数据，而是需要根据总用户量历史数据预测总用户量预测数据，以及根据5G用户渗透率历史数据预测5G用户渗透率预测数据，再根据总用户量预测数据和5G用户渗透率预测数据计算4G用户量预测数据和5G用户量预测数据。
进一步的，关于根据4G用户DOU历史数据、5G用户DOU历史数据、5G用户驻留比历史数据分别训练相应时序预测模型的原理与上述实施例直接采集4G用户量历史数据和5G用户量历史数据以计算4G网络预测流量和5G网络预测流量的网络流量预测方法相同，不再赘述。
示例性的，下面对总用户量预测数据和5G用户渗透率预测数据的预测进行说明：
总用户量历史数据可以表示为：Z＝{/zn-k,…,zt-2,zn-1,zn}。
5G用户渗透率历史数据可以表示为：
首先，训练总用户量预测数据的时序预测模型：
采用参数集为β6的函数f6(t；β6)拟合总用户量z与时间序列t之间的函数关系：z＝f6(t；β6)+ε6，其中ε6为误差项。将历史数据集Z，优化目标输入函数拟合工具，获得函数参数的最佳估计值β′6，随之确定总用户量量z的发展趋势拟合函数：x′t＝f6(t；β′6)。
然后，训练5G用户渗透率预测数据的时序预测模型：
采用参数集为β7的函数f7(t；β7)拟合5G用户渗透率与时间序列t之间的函数关系：其中ε7为误差项。将历史数据集优化目标约束条件max{f7(t,β7),t∈[n-k,n+i]}≤1输入函数拟合工具，获得函数参数的最佳估计值β′7，随之确定5G用户渗透率的发展趋势拟合函数：
本申请实施例中，考虑到现网总用户数已经趋于平稳发展，以总用户数的平稳发展为约束，将4G和5G用户量绝对值的预测，转换为相对渗透率的预测，做到4G和5G用户联动分析，以提高预测准确性，充分考虑了5G业务流量回落到4G网络的情况，通过预测5G用户驻留比测算4G网络预测流量和5G网络预测流量，提高了4G网络和5G网络流量的预测准确性。
在一种实施例中，如图9所示，S830：根据总用户量预测数据、4G用户DOU预测数据、5G用户DOU预测数据、5G用户驻留比预测数据和5G用户渗透率预测数据计算4G网络预测流量和5G网络预测流量，可以包括：
S8301，根据总用户量预测数据和5G用户渗透率预测数据计算4G用户量预测数据和5G用户量预测数据。
S8302，根据4G用户量预测数据和4G用户DOU预测数据计算4G业务预测流量，以及根据5G用户量预测数据和5G用户DOU预测数据计算5G业务预测流量。
S8303，根据5G业务预测流量和5G用户驻留比预测数据计算5G网络预测流量。
S8304，根据4G业务预测流量、5G业务预测流量和5G用户驻留比预测数据计算4G网络预测流量。
其中，基于上述总用户量预测数据的时序预测模型和5G用户渗透率预测数据的时序预测模型的函数表达式，即可得出：
总用户量预测数据：z′t＝f6(t；β′6),t∈[n+1,n+i]。
5G用户渗透率预测数据：
5G用户量预测数据：
4G用户量预测数据：
预测出4G用户量预测数据和5G用户量预测数据后，之后计算4G网络预测流量和5G网络预测流量的步骤与上述实施例介绍的直接采集4G用户量历史数据和5G用户量历史数据以计算4G网络预测流量和5G网络预测流量的网络流量预测方法步骤相同，不再赘述。
本申请实施例中，考虑到现网总用户数已经趋于平稳发展，以总用户数的平稳发展为约束，将4G和5G用户量绝对值的预测，转换为相对渗透率的预测，做到4G和5G用户联动分析，以提高预测准确性。
进一步地，首先从业务域获取4G网络和5G网络总用户量历史数据、4G用户平均每户每月上网流量DOU历史数据、5G用户平均每户每月上网流量DOU历史数据、5G用户驻留比历史数据和5G用户渗透率历史数据，然后根据总用户量历史数据、4G用户DOU历史数据、5G用户DOU历史数据、5G用户驻留比历史数据和5G用户渗透率历史数据分别构建时序预测模型，输出总用户量预测数据、4G用户DOU预测数据、5G用户DOU预测数据、5G用户驻留比预测数据和5G用户渗透率预测数据，最后根据总用户量预测数据、4G用户DOU预测数据、5G用户DOU预测数据、5G用户驻留比预测数据和5G用户渗透率预测数据计算4G网络预测流量和5G网络预测流量，充分考虑了5G业务流量回落到4G网络的情况，通过预测5G用户驻留比测算4G网络预测流量和5G网络预测流量，提高了4G网络和5G网络流量的预测准确性。
图1-图9描述了网络流量预测方法，下面结合图10-图12描述本申请实施例提供的装置。为了实现上述功能，网络流量预测装置包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的算法步骤，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法，示例性的对网络流量预测装置进行功能模块的划分。网络流量预测装置可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本申请实施例中对模块的划分是示意性的，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。
图10示出了本申请一个实施例提供的网络流量预测装置的结构示意图，图10所示装置中各模块具有实现图1中各个步骤的功能，并能达到其相应技术效果。如图10所示，该装置可以包括：
获取模块1001，用于从业务域获取第四代移动通信技术4G用户业务历史数据、第五代移动通信技术5G用户业务历史数据和5G用户驻留比历史数据；
训练模块1002，用于根据4G用户业务历史数据、5G用户业务历史数据和5G用户驻留比历史数据分别构建时序预测模型，输出4G用户业务预测数据、5G用户业务预测数据和5G用户驻留比预测数据；
计算模块1003，用于根据4G用户业务预测数据、5G用户业务预测数据和5G用户驻留比预测数据计算4G网络预测流量和5G网络预测流量。
在一种实施例中，4G用户业务预测数据包括4G用户量预测数据和4G用户平均每户每月上网流量DOU预测数据，5G用户业务预测数据包括5G用户量预测数据和5G用户平均每户每月上网流量DOU预测数据；
计算模块1003，包括第一计算单元、第二计算单元和第三计算单元；
第一计算单元，用于根据4G用户量预测数据和4G用户DOU预测数据计算4G业务预测流量，以及根据5G用户量预测数据和5G用户DOU预测数据计算5G业务预测流量；
第二计算单元，用于根据5G业务预测流量和5G用户驻留比预测数据计算5G网络预测流量；
第三计算单元，用于根据4G业务预测流量、5G业务预测流量和5G用户驻留比预测数据计算4G网络预测流量。
在一种实施例中，5G用户量预测数据包括独立组网SA用户量预测数据和非独立组网NSA用户量预测数据，5G用户DOU预测数据包括SA用户DOU预测数据和NSA用户DOU预测数据；
第一计算单元，具体用于：
根据SA用户量预测数据和SA用户DOU预测数据计算SA业务预测流量，以及根据NSA用户量预测数据和NSA用户DOU预测数据计算NSA业务预测流量。
在一种实施例中，5G用户驻留比预测数据包括SA用户驻留比预测数据和NSA用户驻留比预测数据；
第二计算单元，具体用于：
根据SA业务预测流量和SA用户驻留比预测数据计算SA网络预测流量，以及根据NSA业务预测流量和NSA用户驻留比预测数据计算NSA网络预测流量。
在一种实施例中，4G网络预测流量通过如下算式计算得到：
NET4G＝SER4G+SERSA+SERNSA-NETSA-NETNSA
其中，NET4G为4G网络预测流量，SER4G为4G业务预测流量，SERSA为SA业务预测流量，SERNSA为NSA业务预测流量，NETSA为SA网络预测流量，NETNSA为NSA网络预测流量。
在一种实施例中，训练模块1002，具体用于：
将5G用户驻留比历史数据和预设5G用户驻留比目标数据作为训练集构建时序预测模型，输出5G用户驻留比预测数据。
本申请实施例中，首先从业务域获取第四代移动通信技术4G用户业务历史数据、第五代移动通信技术5G用户业务历史数据和5G用户驻留比历史数据，然后根据4G用户业务历史数据、5G用户业务历史数据和5G用户驻留比历史数据分别构建时序预测模型，输出4G用户业务预测数据、5G用户业务预测数据和5G用户驻留比预测数据，最终根据4G用户业务预测数据、5G用户业务预测数据和5G用户驻留比预测数据计算4G网络预测流量和5G网络预测流量，充分考虑了5G业务流量回落到4G网络的情况，通过预测5G用户驻留比测算4G网络预测流量和5G网络预测流量，提高了4G网络和5G网络流量的预测准确性。
图11示出了本申请一个实施例提供的网络流量预测装置的结构示意图，图11所示装置中各模块具有实现图8中各个步骤的功能，并能达到其相应技术效果。如图11所示，该装置可以包括：
获取模块1101，用于从业务域获取第四代移动通信技术4G网络和第五代移动通信技术5G网络总用户量历史数据、4G用户平均每户每月上网流量DOU历史数据、5G用户平均每户每月上网流量DOU历史数据、5G用户驻留比历史数据和5G用户渗透率历史数据；
训练模块1102，用于根据总用户量历史数据、4G用户DOU历史数据、5G用户DOU历史数据、5G用户驻留比历史数据和5G用户渗透率历史数据分别构建时序预测模型，输出总用户量预测数据、4G用户DOU预测数据、5G用户DOU预测数据、5G用户驻留比预测数据和5G用户渗透率预测数据；
计算模块1103，用于根据总用户量预测数据、4G用户DOU预测数据、5G用户DOU预测数据、5G用户驻留比预测数据和5G用户渗透率预测数据计算4G网络预测流量和5G网络预测流量。
在一种实施例中，计算模块1103，具体用于：
根据总用户量预测数据和5G用户渗透率预测数据计算4G用户量预测数据和5G用户量预测数据；
根据4G用户量预测数据和4G用户DOU预测数据计算4G业务预测流量，以及根据5G用户量预测数据和5G用户DOU预测数据计算5G业务预测流量；
根据5G业务预测流量和5G用户驻留比预测数据计算5G网络预测流量；
根据4G业务预测流量、5G业务预测流量和5G用户驻留比预测数据计算4G网络预测流量。
本申请实施例中，考虑到现网总用户数已经趋于平稳发展，以总用户数的平稳发展为约束，将4G和5G用户量绝对值的预测，转换为相对渗透率的预测，做到4G和5G用户联动分析，以提高预测准确性。
进一步地，首先从业务域获取4G网络和5G网络总用户量历史数据、4G用户平均每户每月上网流量DOU历史数据、5G用户平均每户每月上网流量DOU历史数据、5G用户驻留比历史数据和5G用户渗透率历史数据，然后根据总用户量历史数据、4G用户DOU历史数据、5G用户DOU历史数据、5G用户驻留比历史数据和5G用户渗透率历史数据分别构建时序预测模型，输出总用户量预测数据、4G用户DOU预测数据、5G用户DOU预测数据、5G用户驻留比预测数据和5G用户渗透率预测数据，最后根据总用户量预测数据、4G用户DOU预测数据、5G用户DOU预测数据、5G用户驻留比预测数据和5G用户渗透率预测数据计算4G网络预测流量和5G网络预测流量，充分考虑了5G业务流量回落到4G网络的情况，通过预测5G用户驻留比测算4G网络预测流量和5G网络预测流量，提高了4G网络和5G网络流量的预测准确性。
图12示出了本申请一个实施例提供的电子设备的结构示意图。如图12所示，该设备可以包括处理器1201以及存储有计算机程序指令的存储器1202。
具体地，上述处理器1201可以包括中央处理器(Central Processing Unit，CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器1202可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器1202可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在一个实例中，存储器1202可以包括可移除或不可移除(或固定)的介质，或者存储器1202是非易失性固态存储器。存储器1202可在综合网关容灾设备的内部或外部。
在一个实例中，存储器1202可以是只读存储器(Read Only Memory，ROM)。在一个实例中，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
处理器1201通过读取并执行存储器1202中存储的计算机程序指令，以实现图1和图8所示实施例中的方法，并达到图1和图8所示实例执行其方法达到的相应技术效果，为简洁描述在此不再赘述。
在一个示例中，该电子设备还可包括通信接口1203和总线1210。其中，如图12所示，处理器1201、存储器1202、通信接口1203通过总线1210连接并完成相互间的通信。
通信接口1203，主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线1210包括硬件、软件或两者，将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(Accelerated Graphics Port，AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture，EISA)总线、前端总线(Front Side Bus，FSB)、超传输(Hyper Transport，HT)互连、工业标准架构(Industry Standard Architecture，ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线1210可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
该电子设备可以执行本申请实施例中的网络流量预测方法，从而实现图1和图8描述的网络流量预测方法的相应技术效果。
另外，结合上述实施例中的网络流量预测方法，本申请实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种网络流量预测方法。
在示例性的实施例中，本申请实施例还提供了一种计算机程序产品，当计算机程序产品在计算机上运行时，使得计算机实现上述实施例中的网络流量预测方法。
通过以上实施方式的描述，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
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意性的，例如，模块或单元的划分，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装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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一个物理单元或多个物理单元，即可以位于一个地方，或者也可以分布到多个不同地方。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，可以存储在一个可读取存储介质中。基于这样的理解，本申请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全部或部分可以以软件产品的形式体现出来，该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个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例所述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、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上内容，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，任何在本申请揭露的技术范围内的变化或替换，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所述权利要求的保护范围为准。
Claims (12)
1.一种网络流量预测方法，其特征在于，包括：
从业务域获取第四代移动通信技术4G用户业务历史数据、第五代移动通信技术5G用户业务历史数据和5G用户驻留比历史数据；
根据所述4G用户业务历史数据、所述5G用户业务历史数据和所述5G用户驻留比历史数据分别构建时序预测模型，输出4G用户业务预测数据、5G用户业务预测数据和5G用户驻留比预测数据；
根据所述4G用户业务预测数据、所述5G用户业务预测数据和所述5G用户驻留比预测数据计算4G网络预测流量和5G网络预测流量；其中，所述4G用户业务预测数据包括4G用户量预测数据和4G用户平均每户每月上网流量DOU预测数据，所述5G用户业务预测数据包括5G用户量预测数据和5G用户平均每户每月上网流量DOU预测数据；
所述5G网络预测流量具备如下关系：
5G网络预测流量＝5G业务预测流量×5G用户驻留比预测数据；
5G业务预测流量＝5G用户量预测数据×5G用户DOU预测数据；
所述4G网络预测流量具备如下关系：
4G网络预测流量＝5G业务预测流量-5G业务预测流量×5G用户驻留比预测数据+4G业务预测流量；
4G业务预测流量＝4G用户量预测数据×4G用户DOU预测数据。
2.如权利要求1所述的网络流量预测方法，其特征在于，所述5G用户量预测数据包括独立组网SA用户量预测数据和非独立组网NSA用户量预测数据，所述5G用户DOU预测数据包括SA用户DOU预测数据和NSA用户DOU预测数据；所述5G业务预测流量包括SA业务预测流量以及NSA业务预测流量；
所述SA业务预测流量根据所述SA用户量预测数据和所述SA用户DOU预测数据计算得到；所述NSA业务预测流量根据所述NSA用户量预测数据和所述NSA用户DOU预测数据计算得到。
3.如权利要求2所述的网络流量预测方法，其特征在于，所述5G用户驻留比预测数据包括SA用户驻留比预测数据和NSA用户驻留比预测数据；所述5G网络预测流量包括SA网络预测流量以及NSA网络预测流量；
其中，所述SA网络预测流量具备如下关系：
SA网络预测流量＝SA业务预测流量×SA用户驻留比预测数据；
所述NSA网络预测流量具备如下关系：
NSA网络预测流量＝NSA业务预测流量×NSA用户驻留比预测数据；
所述4G网络预测流量具备如下关系：
4G网络预测流量＝4G业务预测流量+SA业务预测流量+NSA业务预测流量-SA网络预测流量-NSA网络预测流量。
4.如权利要求1-3任一项所述的网络流量预测方法，其特征在于，根据5G用户驻留比历史数据构建时序预测模型输出5G用户驻留比预测数据，包括：
将5G用户驻留比历史数据和预设5G用户驻留比目标数据作为训练集构建时序预测模型，输出5G用户驻留比预测数据。
5.一种网络流量预测方法，其特征在于，包括：
从业务域获取第四代移动通信技术4G网络和第五代移动通信技术5G网络总用户量历史数据、4G用户平均每户每月上网流量DOU历史数据、5G用户平均每户每月上网流量DOU历史数据、5G用户驻留比历史数据和5G用户渗透率历史数据；
根据所述总用户量历史数据、所述4G用户DOU历史数据、所述5G用户DOU历史数据、所述5G用户驻留比历史数据和所述5G用户渗透率历史数据分别构建时序预测模型，输出总用户量预测数据、4G用户DOU预测数据、5G用户DOU预测数据、5G用户驻留比预测数据和5G用户渗透率预测数据；
根据所述总用户量预测数据、所述4G用户DOU预测数据、所述5G用户DOU预测数据、所述5G用户驻留比预测数据和所述5G用户渗透率预测数据计算4G网络预测流量和5G网络预测流量；
其中，所述5G网络预测流量具备如下关系：
5G网络预测流量＝5G业务预测流量×5G用户驻留比预测数据；
5G业务预测流量＝5G用户量预测数据×5G用户DOU预测数据；
5G用户量预测数据＝总用户量预测数据×5G用户渗透率预测数据；
所述4G网络预测流量具备如下关系：
4G网络预测流量＝5G业务预测流量-5G业务预测流量×5G用户驻留比预测数据+4G业务预测流量；
4G业务预测流量＝4G用户量预测数据×4G用户DOU预测数据；
4G用户量预测数据＝总用户量预测数据-总用户量预测数据×5G用户渗透率预测数据。
6.一种网络流量预测装置，其特征在于，包括：
获取模块，用于从业务域获取第四代移动通信技术4G用户业务历史数据、第五代移动通信技术5G用户业务历史数据和5G用户驻留比历史数据；
训练模块，用于根据所述4G用户业务历史数据、所述5G用户业务历史数据和所述5G用户驻留比历史数据分别构建时序预测模型，输出4G用户业务预测数据、5G用户业务预测数据和5G用户驻留比预测数据；
计算模块，用于根据所述4G用户业务预测数据、所述5G用户业务预测数据和所述5G用户驻留比预测数据计算4G网络预测流量和5G网络预测流量；其中，所述4G用户业务预测数据包括4G用户量预测数据和4G用户平均每户每月上网流量DOU预测数据，所述5G用户业务预测数据包括5G用户量预测数据和5G用户平均每户每月上网流量DOU预测数据；
所述5G网络预测流量具备如下关系：
5G网络预测流量＝5G业务预测流量×5G用户驻留比预测数据；
5G业务预测流量＝5G用户量预测数据×5G用户DOU预测数据；
所述4G网络预测流量具备如下关系：
4G网络预测流量＝5G业务预测流量-5G业务预测流量×5G用户驻留比预测数据+4G业务预测流量；
4G业务预测流量＝4G用户量预测数据×4G用户DOU预测数据。
7.如权利要求6所述的网络流量预测装置，其特征在于，所述5G用户量预测数据包括独立组网SA用户量预测数据和非独立组网NSA用户量预测数据，所述5G用户DOU预测数据包括SA用户DOU预测数据和NSA用户DOU预测数据；所述5G业务预测流量包括SA业务预测流量以及NSA业务预测流量；
所述SA业务预测流量根据所述SA用户量预测数据和所述SA用户DOU预测数据计算得到；所述NSA业务预测流量根据所述NSA用户量预测数据和所述NSA用户DOU预测数据计算得到。
8.如权利要求7所述的网络流量预测装置，其特征在于，所述5G用户驻留比预测数据包括SA用户驻留比预测数据和NSA用户驻留比预测数据；所述5G网络预测流量包括SA网络预测流量以及NSA网络预测流量；
其中，所述SA网络预测流量具备如下关系：
SA网络预测流量＝SA业务预测流量×SA用户驻留比预测数据；
所述NSA网络预测流量具备如下关系：
NSA网络预测流量＝NSA业务预测流量×NSA用户驻留比预测数据；4G网络预测流量具备如下关系：
4G网络预测流量＝4G业务预测流量+SA业务预测流量+NSA业务预测流量-SA网络预测流量-NSA网络预测流量。
9.如权利要求6-8任一项所述的网络流量预测装置，其特征在于，所述训练模块，具体用于：
将5G用户驻留比历史数据和预设5G用户驻留比目标数据作为训练集构建时序预测模型，输出5G用户驻留比预测数据。
10.一种网络流量预测装置，其特征在于，包括：
获取模块，用于从业务域获取第四代移动通信技术4G网络和第五代移动通信技术5G网络总用户量历史数据、4G用户平均每户每月上网流量DOU历史数据、5G用户平均每户每月上网流量DOU历史数据、5G用户驻留比历史数据和5G用户渗透率历史数据；
训练模块，用于根据所述总用户量历史数据、所述4G用户DOU历史数据、所述5G用户DOU历史数据、所述5G用户驻留比历史数据和所述5G用户渗透率历史数据分别构建时序预测模型，输出总用户量预测数据、4G用户DOU预测数据、5G用户DOU预测数据、5G用户驻留比预测数据和5G用户渗透率预测数据；
计算模块，用于根据所述总用户量预测数据、所述4G用户DOU预测数据、所述5G用户DOU预测数据、所述5G用户驻留比预测数据和所述5G用户渗透率预测数据计算4G网络预测流量和5G网络预测流量；
其中，所述5G网络预测流量具备如下关系：
5G网络预测流量＝5G业务预测流量×5G用户驻留比预测数据；
5G业务预测流量＝5G用户量预测数据×5G用户DOU预测数据；
5G用户量预测数据＝总用户量预测数据×5G用户渗透率预测数据；
所述4G网络预测流量具备如下关系：
4G网络预测流量＝5G业务预测流量-5G业务预测流量×5G用户驻留比预测数据+4G业务预测流量；
4G业务预测流量＝4G用户量预测数据×4G用户DOU预测数据；
4G用户量预测数据＝总用户量预测数据-总用户量预测数据×5G用户渗透率预测数据。
11.一种电子设备，其特征在于，包括：存储器，处理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，所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的网络流量预测方法。
12.一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上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的网络流量预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210630511.6A CN114945187B (zh) | 2022-06-06 | 2022-06-06 | 网络流量预测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210630511.6A CN114945187B (zh) | 2022-06-06 | 2022-06-06 | 网络流量预测方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114945187A CN114945187A (zh) | 2022-08-26 |
| CN114945187B true CN114945187B (zh) | 2024-02-06 |
Family
ID=82909938
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210630511.6A Active CN114945187B (zh) | 2022-06-06 | 2022-06-06 | 网络流量预测方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114945187B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110505635A (zh) * | 2019-07-16 | 2019-11-26 | 中国联合网络通信集团有限公司 | 一种终端渗透率预测方法及装置 |
| CN111200531A (zh) * | 2020-01-02 | 2020-05-26 | 国网冀北电力有限公司信息通信分公司 | 一种通信网流量预测方法、装置与电子设备 |
| US10848988B1 (en) * | 2019-05-24 | 2020-11-24 | At&T Intellectual Property I, L.P. | Dynamic cloudlet fog node deployment architecture |
| CN112566100A (zh) * | 2020-12-08 | 2021-03-26 | 中国联合网络通信集团有限公司 | 一种数据处理方法及装置 |
| US10993140B1 (en) * | 2019-11-14 | 2021-04-27 | Verizon Patent And Licensing Inc. | Systems and methods for closed looped tuning of dynamic spectrum sharing in networks |
-
2022
- 2022-06-06 CN CN202210630511.6A patent/CN114945187B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10848988B1 (en) * | 2019-05-24 | 2020-11-24 | At&T Intellectual Property I, L.P. | Dynamic cloudlet fog node deployment architecture |
| CN110505635A (zh) * | 2019-07-16 | 2019-11-26 | 中国联合网络通信集团有限公司 | 一种终端渗透率预测方法及装置 |
| US10993140B1 (en) * | 2019-11-14 | 2021-04-27 | Verizon Patent And Licensing Inc. | Systems and methods for closed looped tuning of dynamic spectrum sharing in networks |
| CN111200531A (zh) * | 2020-01-02 | 2020-05-26 | 国网冀北电力有限公司信息通信分公司 | 一种通信网流量预测方法、装置与电子设备 |
| CN112566100A (zh) * | 2020-12-08 | 2021-03-26 | 中国联合网络通信集团有限公司 | 一种数据处理方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 基于流量测算的5G承载网建设方式;刘润哲;王京飞;;信息系统工程(第07期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114945187A (zh) | 2022-08-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Singh et al. | Deep sparse coding for non–intrusive load monitoring | |
| US20180239852A1 (en) | Efficient forecasting for hierarchical energy systems | |
| CN105069122B (zh) | 一种基于用户行为的个性化推荐方法及其推荐装置 | |
| CN107135230B (zh) | 一种基于infigarch模型的网络流量异常检测方法及设备 | |
| CN112434848A (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
| CN113780548B (zh) | 用于训练模型的方法、装置、设备以及存储介质 | |
| EP3048566B1 (en) | Information processing device and information processing method | |
| CN109065176A (zh) | 一种血糖预测方法、装置、终端和存储介质 | |
| CN110598181A (zh) | 一种基于最大熵的极端水文事件风险分析方法和系统 | |
| CN114945187B (zh) | 网络流量预测方法、装置、设备和存储介质 | |
| CN110969238A (zh) | 一种校准用电数据的方法及装置 | |
| CN115169089A (zh) | 基于核密度估计和copula的风电功率概率预测方法和装置 | |
| CN111191113A (zh) | 一种基于边缘计算环境的数据资源需求预测和调整方法 | |
| CN112508260B (zh) | 基于对比学习的配电变压器中长期负荷预测方法及装置 | |
| CN117332897A (zh) | 人工智能驱动的新能源小时间尺度功率插值集成预测方法 | |
| CN110852322B (zh) | 感兴趣区域的确定方法及装置 | |
| Majidpour | Time series prediction for electric vehicle charging load and solar power generation in the context of smart grid | |
| Hashem-Nazari et al. | Non-equidistant “Basic Form”-focused Grey Verhulst Models (NBFGVMs) for ill-structured socio-economic forecasting problems | |
| CN115130788A (zh) | 基于大数据分析的用电预测系统 | |
| CN108846057A (zh) | 一种基于带状时变模糊信息粒的时间序列长期预测方法 | |
| US20140288861A1 (en) | Sampling methodology for measuring power consumption for a population of power-consuming devices | |
| CN115018212A (zh) | 发电用水量预测分析方法、系统及云平台 | |
| CN111027680B (zh) | 基于变分自编码器的监控量不确定性预测方法及系统 | |
| CN113409115A (zh) | 一种基于大数据分析的线上会员管理方法、系统及计算机存储介质 | |
| CN110322063A (zh) | 一种耗电功率仿真预测方法及存储介质 |
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 |