CN115186416A - 容量预测、模型训练方法及装置、设备、计算机程序 - Google Patents

容量预测、模型训练方法及装置、设备、计算机程序 Download PDF

Info

Publication number
CN115186416A
CN115186416A CN202110370566.3A CN202110370566A CN115186416A CN 115186416 A CN115186416 A CN 115186416A CN 202110370566 A CN202110370566 A CN 202110370566A CN 115186416 A CN115186416 A CN 115186416A
Authority
CN
China
Prior art keywords
data
capacity prediction
prediction model
time
capacity
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.)
Pending
Application number
CN202110370566.3A
Other languages
English (en)
Inventor
何蕊馨
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.)
China Mobile Communications Group Co Ltd
China Mobile Group Design Institute Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Group Design Institute 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 China Mobile Communications Group Co Ltd, China Mobile Group Design Institute Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN202110370566.3A priority Critical patent/CN115186416A/zh
Publication of CN115186416A publication Critical patent/CN115186416A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2477—Temporal data queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Remote Sensing (AREA)
  • Pure & Applied Mathematics (AREA)
  • Educational Administration (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Optimization (AREA)
  • Primary Health Care (AREA)
  • Mathematical Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)

Abstract

本发明涉及通信技术领域，公开了一种容量预测、模型训练方法及装置、设备、计算机程序。本发明通过根据采集到的第二用户历史用网数据，获得不同时刻的第二时空容量融合数据集，并将第二时空容量融合数据集输入目标容量预测模型中，获得各个网络节点在预设时刻的容量预测结果，其中目标容量预测模型包括各个网络节点之间的空间特征和时间特征；解决了现有技术中网络容量预测准确性低的问题，获得的目标容量预测模型包括各个网络节点之间的空间特征和时间特征，因此，利用该目标容量预测模型获得的各个网络节点在预设时刻的容量预测结果也是包括各个网络节点之间的空间特征和时间特征，提升了网络容量预测的准确性。

Description

容量预测、模型训练方法及装置、设备、计算机程序
技术领域
本发明涉及通信技术领域，尤其涉及一种容量预测方法、容量预测模型训练方法、容量预测装置、容量预测模型训练装置、容量预测设备、容量预测模型训练设备以及计算机程序。
背景技术
目前，无线网络流量需求快速增长、组网结构日趋复杂，实现区域或覆盖站点网络容量需求准确预测可有效调度资源，提升客户感知、避免投资浪费。
现有技术中在容量预测时，会由于诸多因素导致容量预测准确性低；因此，如何提升网络容量预测的准确性是亟待解决的问题。
发明内容
本发明的主要目的在于提供容量预测、模型训练方法及装置、设备、计算机程序，旨在提升网络容量预测的准确性。
为实现上述目的，本发明提供一种容量预测方法，所述容量预测方法包括以下步骤：
根据采集到的第二用户历史用网数据，获得不同时刻的第二时空容量融合数据集；
将所述第二时空容量融合数据集输入目标容量预测模型中，获得各个网络节点在预设时刻的容量预测结果；其中，所述目标容量预测模型包括各个网络节点之间的空间特征和时间特征。
可选的，所述根据采集到的第二用户历史用网数据，获得不同时刻的第二时空容量融合数据集的步骤之前，所述容量预测方法还包括：
根据采集到的第一用户历史用网数据，获得不同时刻各个网络节点之间多种类型的节点与边的关联关系；
根据所述关联关系，构建容量预测模型；其中，所述容量预测模型包括各个网络节点之间的空间特征和时间特征；
根据所述第一用户历史用网数据，对所述容量预测模型进行训练，获得目标容量预测模型。
可选的，所述根据采集到的第一用户历史用网数据，获得不同时刻各个网络节点之间多种类型的节点与边的关联关系的步骤，包括：
根据采集到的第一用户历史用网数据，获得不同时刻的第一时空容量融合数据集；
根据所述第一时空容量融合数据集，获得不同时刻各个网络节点之间多种类型的节点与边的关联关系。
可选的，所述根据采集到的第一用户历史用网数据，获得不同时刻的第一时空容量融合数据集的步骤之前，所述容量预测方法还包括：
采集所述第一用户历史用网数据；其中，所述第一用户历史用网数据包括最小化路测数据、软采数据、用户检测和响应平台数据、工程参数数据和地理化数据中的至少一种。
可选的，所述根据采集到的第一用户历史用网数据，获得不同时刻的第一时空容量融合数据集的步骤，包括：
若所述第一用户历史用网数据包括最小化路测数据、软采数据、用户检测和响应平台数据、工程参数数据和地理化数据中的至少两种，则对各个数据对应的异常数据分别进行清洗，得到清洗后的各个数据；
根据关键字段，对所述各个数据进行融合，获得第一时空容量融合数据集。
可选的，所述根据所述第一时空容量融合数据集，获得不同时刻各个网络节点之间多种类型的节点与边的关联关系的步骤，包括：
从所述第一时空容量融合数据集中，获得不同时刻各个网络节点之间多种类型的节点与边的关联数据；
将所述关联数据，转换为不同时刻的关联关系Ak(i,j)；其中，Ak(i,j)≠0表示节点i到节点j之间存在第k类型的边；
根据所述关联关系Ak(i,j)，获得不同时刻不同类型的邻接矩阵
Figure BDA0003009121970000031
其中，所述邻接矩阵为整合属于同一类型的关联关系获得，K表示类型总数量，k表示类型标识，N表示矩阵阶数，R表示实数集；
所述根据所述关联关系，构建容量预测模型的步骤，包括：
根据所述不同时刻不同类型的邻接矩阵
Figure BDA0003009121970000032
构建容量预测模型。
可选的，所述类型包括地理位置相邻、拓扑相邻、场景相关和路线连通；
所述将所述关联数据，转换为关联关系Ak(i,j)的步骤，包括：
将地理位置相邻的关联数据，转换为关联关系A1(i,j)＝1；其中，A1(i,j)＝1表示节点i与节点j之间地理位置相邻；
将拓扑相邻的关联数据，转换为关联关系A2(i,j)＝1；其中，A2(i,j)＝1表示节点i与节点j之间物理拓扑相邻；
将场景相关的关联数据，转换为关联关系A3(i,j)＝EJ(si,sj)∈[0,1]；其中，A3(i,j)＝EJ(si,sj)∈[0,1]表示节点i与节点j之间场景相关；EJ(.)表示Tanimoto算子，si与sj分别表示节点i与节点j的场景特征向量；
将路线连通的关联数据，转换为A4(i,j)＝max{0,I(vi,vj)-A1(i,j)}∈{0,1}；其中，A4(i,j)＝max{0,I(vi,vj)-A1(i,j)}∈{0,1}表示节点i与节点j之间地理位置不相邻但存在连通路线；I(.)表示indicator算子，v表示节点。
可选的，所述根据所述不同时刻不同类型的邻接矩阵
Figure BDA0003009121970000033
构建容量预测模型的步骤，包括：
将同一时刻不同类型的邻接矩阵
Figure BDA0003009121970000034
进行拼接，获得不同时刻各个网络节点之间的空间特征；
对所述不同时刻各个网络节点之间的空间特征进行时空加权转换处理，获得不同时刻各个网络节点之间的时间特征；
对所述各个网络节点之间的时间特征进行融合，构建容量预测模型。
可选的，所述将同一时刻不同类型的邻接矩阵
Figure BDA0003009121970000041
进行拼接，获得不同时刻各个网络节点之间的空间特征的步骤，包括：
根据所述邻接矩阵
Figure BDA0003009121970000042
利用公式一，获得相应路径的邻接矩阵；
所述公式一为：
Figure BDA0003009121970000043
其中，l表示节点i最多经过l步可到达节点j，c表示不同长度的路径种类，λ(l)为Ak(k＝1,…,K)，表示各类型边在l层对应的权重，o表示点积运算,
Figure BDA0003009121970000044
Figure BDA0003009121970000045
表示
Figure BDA0003009121970000046
的度矩阵；
根据所述相应路径的邻接矩阵
Figure BDA0003009121970000047
利用公式二，获得所述各个网络节点之间的空间特征；
所述公式二为：
Figure BDA0003009121970000048
其中，
Figure BDA0003009121970000049
Figure BDA00030091219700000410
表示
Figure BDA00030091219700000411
的度矩阵，
Figure BDA00030091219700000412
W表示权重矩阵，X表示输入的节点特征矩阵，σ(.)表示sigmoid函数；C表示通道数量。
可选的，所述对所述不同时刻各个网络节点之间的空间特征进行时空加权转换处理，获得不同时刻各个网络节点之间的时间特征的步骤，包括：
根据不同时刻各个网络节点之间的空间特征，利用公式三，获得池化结果；
所述公式三为：
Figure BDA00030091219700000413
其中，t表示当前时刻，t'表示历史不同时刻，T表示设定时刻，v表示节点，V表示节点的集合，fpool表示池化函数；
根据所述池化结果p(t')，利用公式四，获得第一加权结果；
所述公式四为：
q＝σ(W2δ(W1p)),p(t')∈p
其中，W1与W2表示权重矩阵，δ(.)表示ReLU函数，p表示全部节点池化后的不同时刻集合；
根据所述第一加权结果q，利用公式五，获得历史不同时刻的第二加权结果；
所述公式五为：
Figure BDA0003009121970000051
其中，
Figure BDA0003009121970000052
为历史不同时刻的第二加权结果。
为实现上述目的，本发明提供一种容量预测模型训练方法，所述容量预测模型训练方法包括以下步骤：
根据采集到的第一用户历史用网数据，获得不同时刻各个网络节点之间多种类型的节点与边的关联关系；
根据所述关联关系，构建容量预测模型；其中，所述容量预测模型包括各个网络节点之间的空间特征和时间特征；
根据所述第一用户历史用网数据，对所述容量预测模型进行训练，获得目标容量预测模型。
可选的，所述根据采集到的第一用户历史用网数据，获得不同时刻各个网络节点之间多种类型的节点与边的关联关系的步骤，包括：
根据采集到的第一用户历史用网数据，获得不同时刻的第一时空容量融合数据集；
根据所述第一时空容量融合数据集，获得不同时刻各个网络节点之间多种类型的节点与边的关联关系。
可选的，所述根据采集到的第一用户历史用网数据，获得不同时刻的第一时空容量融合数据集的步骤之前，所述容量预测方法还包括：
采集所述第一用户历史用网数据；其中，所述第一用户历史用网数据包括最小化路测数据、软采数据、用户检测和响应平台数据、工程参数数据和地理化数据中的至少一种。
可选的，所述根据采集到的第一用户历史用网数据，获得不同时刻的第一时空容量融合数据集的步骤，包括：
若所述第一用户历史用网数据包括最小化路测数据、软采数据、用户检测和响应平台数据、工程参数数据和地理化数据中的至少两种，则对各个数据对应的异常数据分别进行清洗，得到清洗后的各个数据；
根据关键字段，对所述各个数据进行融合，获得第一时空容量融合数据集。
可选的，所述根据所述第一时空容量融合数据集，获得不同时刻各个网络节点之间多种类型的节点与边的关联关系的步骤，包括：
从所述第一时空容量融合数据集中，获得不同时刻各个网络节点之间多种类型的节点与边的关联数据；
将所述关联数据，转换为不同时刻的关联关系Ak(i,j)；其中，Ak(i,j)≠0表示节点i到节点j之间存在第k类型的边；
根据所述关联关系Ak(i,j)，获得不同时刻不同类型的邻接矩阵
Figure BDA0003009121970000061
其中，所述邻接矩阵为整合属于同一类型的关联关系获得，K表示类型总数量，k表示类型标识，N表示矩阵阶数，R表示实数集；
所述根据所述关联关系，构建容量预测模型的步骤，包括：
根据所述不同时刻不同类型的邻接矩阵
Figure BDA0003009121970000062
构建容量预测模型。
可选的，所述类型包括地理位置相邻、拓扑相邻、场景相关和路线连通；
所述将所述关联数据，转换为关联关系Ak(i,j)的步骤，包括：
将地理位置相邻的关联数据，转换为关联关系A1(i,j)＝1；其中，A1(i,j)＝1表示节点i与节点j之间地理位置相邻；
将拓扑相邻的关联数据，转换为关联关系A2(i,j)＝1；其中，A2(i,j)＝1表示节点i与节点j之间物理拓扑相邻；
将场景相关的关联数据，转换为关联关系A3(i,j)＝EJ(si,sj)∈[0,1]；其中，A3(i,j)＝EJ(si,sj)∈[0,1]表示节点i与节点j之间场景相关；EJ(.)表示Tanimoto算子，si与sj分别表示节点i与节点j的场景特征向量；
将路线连通的关联数据，转换为A4(i,j)＝max{0,I(vi,vj)-A1(i,j)}∈{0,1}；其中，A4(i,j)＝max{0,I(vi,vj)-A1(i,j)}∈{0,1}表示节点i与节点j之间地理位置不相邻但存在连通路线；I(.)表示indicator算子，v表示节点。
可选的，所述根据所述不同时刻不同类型的邻接矩阵
Figure BDA0003009121970000071
构建容量预测模型的步骤，包括：
将同一时刻不同类型的邻接矩阵
Figure BDA0003009121970000072
进行拼接，获得不同时刻各个网络节点之间的空间特征；
对所述不同时刻各个网络节点之间的空间特征进行时空加权转换处理，获得不同时刻各个网络节点之间的时间特征；
对所述各个网络节点之间的时间特征进行融合，构建容量预测模型。
可选的，所述将同一时刻不同类型的邻接矩阵
Figure BDA0003009121970000073
进行拼接，获得不同时刻各个网络节点之间的空间特征的步骤，包括：
根据所述邻接矩阵
Figure BDA0003009121970000074
利用公式一，获得相应路径的邻接矩阵；所述公式一为：
Figure BDA0003009121970000075
其中，l表示节点i最多经过l步可到达节点j，c表示不同长度的路径种类，λ(l)为Ak(k＝1,…,K)，表示各类型边在l层对应的权重，o表示点积运算,
Figure BDA0003009121970000076
Figure BDA0003009121970000077
表示
Figure BDA0003009121970000078
的度矩阵；
根据所述相应路径的邻接矩阵
Figure BDA0003009121970000079
利用公式二，获得所述各个网络节点之间的空间特征；
所述公式二为：
Figure BDA00030091219700000710
其中，
Figure BDA00030091219700000711
Figure BDA00030091219700000712
表示
Figure BDA00030091219700000713
的度矩阵，
Figure BDA00030091219700000714
W表示权重矩阵，X表示输入的节点特征矩阵，σ(.)表示sigmoid函数；C表示通道数量。
可选的，所述对所述不同时刻各个网络节点之间的空间特征进行时空加权转换处理，获得不同时刻各个网络节点之间的时间特征的步骤，包括：
根据不同时刻各个网络节点之间的空间特征，利用公式三，获得池化结果；
所述公式三为：
Figure BDA0003009121970000081
其中，t表示当前时刻，t'表示历史不同时刻，T表示设定时刻，v表示节点，V表示节点的集合，fpool表示池化函数；
根据所述池化结果p(t')，利用公式四，获得第一加权结果；
所述公式四为：
q＝σ(W2δ(W1p)),p(t')∈p
其中，W1与W2表示权重矩阵，δ(.)表示ReLU函数，p表示全部节点池化后的不同时刻集合；
根据所述第一加权结果q，利用公式五，获得历史不同时刻的第二加权结果；
所述公式五为：
Figure BDA0003009121970000082
其中，
Figure BDA0003009121970000083
为历史不同时刻的第二加权结果。
此外，为实现上述目的，本发明还提供一种容量预测装置，所述容量预测装置包括：
第二获取模块，用于根据采集到的第二用户历史用网数据，获得不同时刻的第二时空容量融合数据集；
第三获取模块，用于将所述第二时空容量融合数据集输入目标容量预测模型中，获得各个网络节点在预设时刻的容量预测结果；其中，所述目标容量预测模型包括各个网络节点之间的空间特征和时间特征。
此外，为实现上述目的，本发明还提供一种容量预测模型训练装置，所述容量预测模型训练装置包括：
第一获取模块，用于根据采集到的第一用户历史用网数据，获得不同时刻各个网络节点之间多种类型的节点与边的关联关系；
构建模块，用于根据所述关联关系，构建容量预测模型；其中，所述容量预测模型包括各个网络节点之间的空间特征和时间特征；
训练模块，用于根据所述第一用户历史用网数据，对所述容量预测模型进行训练，获得目标容量预测模型。
此外，为实现上述目的，本发明还提供一种容量预测设备，所述容量预测设备包括：存储器、处理器及存储在所述存储器上并在所述处理器上运行容量预测程序，所述容量预测程序被所述处理器执行时实现如上文的容量预测方法的步骤。
此外，为实现上述目的，本发明还提供一种容量预测模型训练设备，所述容量预测模型训练设备包括：存储器、处理器及存储在所述存储器上并在所述处理器上运行容量预测模型训练程序，所述容量预测模型训练程序被所述处理器执行时实现如上文的容量预测模型训练方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机程序，所述计算机程序上存储有容量预测程序，所述容量预测程序被处理器执行时实现如上文的容量预测方法的步骤；
或，所述计算机程序上存储有容量预测模型训练程序，所述容量预测模型训练程序被处理器执行时实现如上文的容量预测模型训练方法的步骤。
本发明提供的技术方案，通过根据采集到的第二用户历史用网数据，获得不同时刻的第二时空容量融合数据集；将第二时空容量融合数据集输入目标容量预测模型中，获得各个网络节点在预设时刻的容量预测结果；其中，目标容量预测模型包括各个网络节点之间的空间特征和时间特征；解决了现有技术中网络容量预测准确性低的问题。
也即，本发明提供的技术方案，获得的目标容量预测模型包括各个网络节点之间的空间特征和时间特征；因此，利用该目标容量预测模型获得的各个网络节点在预设时刻的容量预测结果也是包括各个网络节点之间的空间特征和时间特征，这样考虑了各个网络节点之间的空间依赖关系和时间依赖关系，从而能够避免现有技术中远距离各网络节点以及各个网络节点的历史观测结果对容量预测造成的不同影响，在极大程度上提升了网络容量预测的准确性。
本发明提供的技术方案，通过根据采集到的第一用户历史用网数据，获得不同时刻各个网络节点之间多种类型的节点与边的关联关系；进而根据关联关系，构建容量预测模型；其中，容量预测模型包括各个网络节点之间的空间特征和时间特征；再根据第一用户历史用网数据，对容量预测模型进行训练，获得目标容量预测模型；解决了现有技术中网络容量预测模型训练准确性低的问题。
也即，本发明提供的技术方案，获得的目标容量预测模型包括各个网络节点之间的空间特征和时间特征；即在容量预测模型训练过程中考虑了各个网络节点之间的空间依赖关系和时间依赖关系，在极大程度上提升了网络容量预测模型训练的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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示出的结构获得其他的附图。
图1是本发明实施例方案涉及的硬件运行环境的设备结构示意图；
图2为本发明容量预测方法第一实施例的流程示意图；
图3为本发明容量预测方法第二实施例的流程示意图；
图4为本发明容量预测方法第一实施例构建容量预测模型的网络结构的示意图一；
图5为本发明容量预测方法第一实施例构建容量预测模型的网络结构的示意图二；
图6为本发明容量预测模型训练方法第一实施例的流程示意图；
图7为本发明容量预测装置第一实施例的结构框图；
图8为本发明容量预测模型训练装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请参见图1所示，图1为本发明实施例方案涉及的硬件运行环境的设备结构示意图。
其中，设备可以为容量预测设备或容量预测模型的训练设备。
当设备为容量预测设备时，容量预测设备包括：至少一个处理器101、存储器102以及存储在存储器上并可在处理器上运行的容量预测程序，容量预测程序配置为实现如下任一实施例的容量预测方法的步骤。
当设备为容量预测模型的训练设备时，容量预测模型的训练设备包括：至少一个处理器101、存储器102以及存储在存储器上并可在处理器上运行的容量预测模型训练程序，容量预测模型训练程序配置为实现如下任一实施例的容量预测模型训练方法的步骤。
处理器101可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器101可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(Field－Programmable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器101也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(CentralProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器101可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。处理器101还可以包括AI(Artificial Intelligence，人工智能)处理器，该AI处理器用于处理有关容量预测模型训练方法操作，使得容量预测模型训练方法模型可以自主训练学习，提高效率和准确度。
存储器102可以包括一个或多个计算机程序，该计算机程序可以是非暂态的。存储器102还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器102中的非暂态的计算机程序用于存储至少一个指令，该至少一个指令用于被处理器101所执行以实现本申请中方法实施例提供的容量预测模型训练方法。
在一些示例中，设备还可选包括有：通信接口103和至少一个外围设备。处理器101、存储器102和通信接口103之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与通信接口103相连。具体地，外围设备包括：射频电路104、显示屏105和电源106中的至少一种。
通信接口103可被用于将I/O(Input/Output，输入/输出)相关的至少一个外围设备连接到处理器101和存储器102。在一些实施例中，处理器101、存储器102和通信接口103被集成在同一芯片或电路板上；在一些其他实施例中，处理器101、存储器102和通信接口103中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
射频电路104用于接收和发射RF(Radio Frequency，射频)信号，也称电磁信号。射频电路104通过电磁信号与通信网络以及其他通信设备进行通信。射频电路104将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路104包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路104可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity，无线保真)网络。在一些实施例中，射频电路104还可以包括NFC(Near Field Communication，近距离无线通信)有关的电路，本申请对此不加以限定。
显示屏105用于显示UI(User Interface，用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏105是触摸显示屏时，显示屏105还具有采集在显示屏105的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器101进行处理。此时，显示屏105还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏105可以为一个，设备的前面板；在另一些实施例中，显示屏105可以为至少两个，分别设置在设备的不同表面或呈折叠设计；在一些实施例中，显示屏105可以是柔性显示屏，设置在设备的弯曲表面上或折叠面上。甚至，显示屏105还可以设置成非矩形的不规则图形，也即异形屏。显示屏105可以采用LCD(LiquidCrystal Display，液晶显示屏)、OLED(Organic Light-Emitting Diode，有机发光二极管)等材质制备。
电源106用于为设备中的各个组件进行供电。电源106可以是交流电、直流电、一次性电池或可充电电池。当电源106包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
本领域技术人员可以理解，图1中示出的结构并不构成对设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
基于上述硬件结构，提出本发明的各实施例。
请参见图2所示，图2为本发明容量预测方法第一实施例的流程示意图，容量预测方法包括以下步骤：
步骤S201：根据采集到的第二用户历史用网数据，获得不同时刻的第二时空容量融合数据集。
需要说明的是，本实施例中介绍的是如何利用已训练得到的目标容量预测模型对各个网络节点在预设时刻的容量预测的过程，后续实施例将介绍如何构建并训练得到目标容量预测模型的过程。其中，容量预测过程和容量预测模型的训练过程中均涉及到用户历史用网数据、时空容量融合数据集等，为了不累赘说明，请参见后续实施例。
应当明确的是，本实施例中利用目标容量预测模型对各个网络节点在预设时刻的容量预测的过程所需的数据是第二用户历史用网数据，获得的是第二时空容量融合数据集；后续实施例中构建并训练得到目标容量预测模型的过程所需的数据是第一用户历史用网数据，获得的是第一时空容量融合数据集。其中，第二用户历史用网数据和第一用户历史用网数据可以相同，也可以不同，或者部分相同；相应地，第二时空容量融合数据集和第一时空容量融合数据集可以相同，也可以不同，或者部分相同；在实际应用中，可以根据具体应用场景进行灵活调整。
步骤S202：将第二时空容量融合数据集输入目标容量预测模型中，获得各个网络节点在预设时刻的容量预测结果；其中，目标容量预测模型包括各个网络节点之间的空间特征和时间特征。
相应地，本实施例中根据采集到的第二用户历史用网数据，获得不同时刻的第二时空容量融合数据集之后，需要将不同时刻的第二时空容量融合数据集输入目标容量预测模型中，以获得各个网络节点在预设时刻的容量预测结果。
举例说明：例如第二用户历史用网数据为用户在2020-05-01至2020-05-03这一时间段的历史用网数据；因此，将不同时刻的第二用户历史用网数据输入至目标容量预测模型中，以获得各个网络节点在2021-05-01至2021-05-03这一预设时刻的容量预测结果。
本实施例中，由于获得的目标容量预测模型包括各个网络节点之间的空间特征和时间特征；因此，利用该目标容量预测模型获得的各个网络节点在预设时刻的容量预测结果也是包括各个网络节点之间的空间特征和时间特征，这样考虑了各个网络节点之间的空间依赖关系和时间依赖关系，从而能够避免现有技术中远距离各网络节点以及各个网络节点的历史观测结果对容量预测造成的不同影响，在极大程度上提升了网络容量预测的准确性。进一步地，本实施例中可以更加准确高效定位容量异常及高负荷区域(站点)，提前发现未来容量需求，也有助于预知人员或车辆流动聚集状态等，为网络优化、规划建设、网络质量保障、社会聚集事件预测等工作提供有力支撑，有利于树立差异化品牌优势。
请参见图3所示，图3为本发明容量预测方法第二实施例的流程示意图，在本实施例中，步骤S201根据采集到的第二用户历史用网数据，获得不同时刻的第二时空容量融合数据集之前，容量预测方法还可以包括以下步骤：
步骤S301：根据采集到的第一用户历史用网数据，获得不同时刻各个网络节点之间多种类型的节点与边的关联关系。
需要说明的是，本实施例中步骤S301-步骤S303和第一实施例中的步骤S201还可以并行执行。
本实施例中的第一用户历史用网数据指的是用户在过去一段时间内的用网数据。
本实施例中的第一用户历史用网数据包括但不限于最小化路测数据、软采数据、用户检测和响应平台数据、工程参数数据和地理化数据。其中，最小化路测(MinimizationDrive Test，MDT)数据是基于商用终端的测量报告优化网络；软采数据是在操作维护中心(OMC)侧通过软件对信令信息进行分析统计生成测量报告(Measurement Report，MR)文件；用户检测和响应平台(XDR)数据指的是从网络传感器、端点传感器和云传感器中检索到的相应数据；工程参数数据是构建工程相关的参数数据；地理化数据是地理位置相关的数据。值得注意的是，这里所列举的只是几种第一用户用网历史数据，在实际应用中，可以根据具体应用场景进行灵活调整。
在本实施例中，步骤S301根据采集到的第一用户历史用网数据，获得不同时刻各个网络节点之间多种类型的节点与边的关联关系，可以包括以下步骤：
首先，根据采集到的第一用户历史用网数据，获得不同时刻的第一时空容量融合数据集；
然后，根据第一时空容量融合数据集，获得不同时刻各个网络节点之间多种类型的节点与边的关联关系。
也即，本实施例中根据采集到的第一用户历史用网数据，获得不同时刻各个网络节点之间多种类型的节点与边的关联关系，具体可以是通过根据采集到的第一用户历史用网数据，获得不同时刻的第一时空容量融合数据集，然后根据第一时空容量融合数据集，获得不同时刻各个网络节点之间多种类型的节点与边的关联关系实现。这样以时刻对第一用户历史用网数据进行划分，获得对应时刻的第一时空容量融合数据集，并获得不同时刻各个网络节点之间多种类型的节点与边的关联关系，使得后续过程中构建的容量预测模型包括时间特征。
在本实施例中，根据采集到的第一用户历史用网数据，获得不同时刻的第一时空容量融合数据集之前，容量预测方法还可以包括：
采集第一用户历史用网数据。
也即，本实施例中先采集得到第一用户历史用网数据，进而根据采集到的第一用户历史用网数据，获得不同时刻的第一时空容量融合数据集。其中，第一用户历史用网数据包括的数据来自多个平台，并涉及到不同类型；由此使得获取的不同时刻的第一时空容量融合数据集更加全面。
本实施例中采集的第一用户历史用网数据为MDT数据时，需要采集的主要字段包括但不限于：时间戳(TimeStamp)、MME组标识(MME Group ID)、国际移动用户识别码(International Mobile Subscriber Identification Number，IMSI)、移动设备国际身份码(International Mobile Equipment Identity，IMEI)、用户(User Experience，UE)在MME侧S1接口上的唯一标识(MME UE S1AP ID)、经度(Longitude)、纬度(Latitude)、分组数据汇聚协议(Packet Data Convergence Protocol，PDCP)层上行数据流量、PDCP层下行数据流量等。
本实施例中采集的第一用户历史用网数据为软采数据时，需要采集的主要字段包括但不限于：MME UE S1AP ID、空口上行业务字节数、空口下行业务字节数、上行正交相移键控(Quadrature Phase Shift Keying，QPSK)调制方式的太字节(Terabyte，TB)数量、下行QPSK调制方式的TB数量、上行16正交幅度调制(Quadrature Amplitude Modulation，QAM)调制方式的TB数量、下行16QAM调制方式的TB数量、上行64QAM调制方式的TB数量、下行64QAM调制方式的TB数量、同时在线用户数等。
本实施例中采集的第一用户历史用网数据为用户XDR数据时，主要采集S1-U/S11/Gn口数据流，需要采集的主要字段包括但不限于：所属省份(Owner Province)、所属城市(Owner City)、IMSI、IMEI、业务开始时间(Procedure Start Time)、业务结束时间(Procedure End Time)、longitude、latitude、坐标系(Coordinate system)、应用类型(App Type)、应用子类型(App Sub-type)、应用内容(App Content)、上行字节(UL Data)、下行字节(DL Data)等。
本实施例中采集的第一用户历史用网数据为工程参数数据时，需要采集的主要字段包括但不限于：省份、地市、区域、场景类型、场景名称、基站名称、小区名称、演进型-通用移动通信系统陆地无线接入网小区全局标识符(E-UTRAN Cell Global Identifier，ECGI)、站点经度、站点纬度、机房位置、柜号、框号、槽号等。
本实施例中采集的第一用户历史用网数据为地理化数据时，需采集的主要字段包括但不限于：城市(city)、公交信息(BusInfo)、兴趣点(Point of Interest，POI)信息、公交路线信息(BusLineResult)、骑车路线信息(BikingRouteResult)、驾车路线信息(DrivingRouteResult)、longitude、latitude等。
在本实施例中，若第一用户历史用网数据包括最小化路测数据、软采数据、用户XDR数据、工程参数数据和地理化数据中的至少两种，根据采集到的第一用户历史用网数据，获得不同时刻的第一时空容量融合数据集，可以包括以下步骤：
首先，对各个数据对应的异常数据分别进行清洗，得到清洗后的各个数据；
然后，根据关键字段，对各个数据进行融合，获得第一时空容量融合数据集。
也即，本实施例中根据采集到的第一用户历史用网数据，获得不同时刻的第一时空容量融合数据集，具体可以是通过对各个数据对应的异常数据分别进行清洗，得到清洗后的各个数据，然后根据关键字段，对各个数据进行融合，获得第一时空容量融合数据集实现。
本实施例中的异常数据指的是包含有异常值、缺失值等非正常数据，其属于不能够作为对容量预测模型进行训练的数据。
本实施例中的清洗指的是对异常数据进行过滤、去除，从而获得正常的数据。可以理解的是，由于第一用户历史用网数据来自于不同的平台；因此，本实施例中的清洗还指的是对各个平台物理意义相同字段统一命名格式，以及统一采集时间粒度等，从而使得不同平台的相同字段、采集时间粒度统一，以便于后续融合。
本实施例中的根据关键字段，对各个数据进行融合，获得第一时空容量融合数据集，具体可以是通过TimeStamp、MME UE S1AP ID关联所获取的MDT数据集与软采数据集，形成融合数据集1；进一步通过IMSI/IMEI关联融合数据集1与用户XDR数据，形成融合数据集2；进一步通过经纬度匹配，将融合数据集2与工程参数数据以及地理化数据进行融合，得到最终的融合数据集。由于最终的融合数据集是由各种第一用户历史用网数据得到，其包含了时间戳、地理信息(经纬度、兴趣点信息、场景标签、道路信息等)、无线网络容量信息(空口业务字节数、用户数、应用类型等)、覆盖站点信息；因此，本实施例中将最终的融合数据集称之为时空融合数据集。
在本实施例中，根据第一时空容量融合数据集，获得不同时刻各个网络节点之间多种类型的节点与边的关联关系，可以包括以下步骤：
首先，从第一时空容量融合数据集中，获得不同时刻各个网络节点之间多种类型的节点与边的关联数据；
然后，将关联数据，转换为不同时刻的关联关系Ak(i,j)；其中，Ak(i,j)≠0表示节点i到节点j之间存在第k类型的边；
进而，根据关联关系Ak(i,j)，获得不同时刻不同类型的邻接矩阵
Figure BDA0003009121970000191
其中，邻接矩阵为整合属于同一类型的关联关系获得，K表示类型总数量，k表示类型标识，N表示矩阵阶数，R表示实数集；
也即，本实施例中根据第一时空容量融合数据集，获得不同时刻各个网络节点之间多种类型的节点与边的关联关系，具体可以是通过从第一时空容量融合数据集中，获得不同时刻各个网络节点之间多种类型的节点与边的关联数据，然后将关联数据，转换为不同时刻的关联关系Ak(i,j)，再根据关联关系Ak(i,j)，获得不同时刻不同类型的邻接矩阵
Figure BDA0003009121970000192
实现。
在本实施例中，类型包括但不限于地理位置相邻、拓扑相邻、场景相关和路线连通等；
其中，将关联数据，转换为不同时刻的关联关系的步骤，可以包括以下几种情况：
情况一：将地理位置相邻的关联数据，转换为关联关系A1(i,j)＝1；其中，A1(i,j)＝1表示节点i与节点j之间地理位置相邻；
情况二：将拓扑相邻的关联数据，转换为关联关系A2(i,j)＝1；其中，A2(i,j)＝1表示节点i与节点j之间物理拓扑相邻；
情况三：将场景相关的关联数据，转换为关联关系A3(i,j)＝EJ(si,sj)∈[0,1]；其中，A3(i,j)＝EJ(si,sj)∈[0,1]表示节点i与节点j之间场景相关；EJ(.)表示Tanimoto算子，si与sj分别表示节点i与节点j的场景特征向量；
情况四：将路线连通的关联数据，转换为A4(i,j)＝max{0,I(vi,vj)-A1(i,j)}∈{0,1}；其中，A4(i,j)＝max{0,I(vi,vj)-A1(i,j)}∈{0,1}表示节点i与节点j之间地理位置不相邻但存在连通路线；I(.)表示indicator算子，v表示节点。
其中，根据关联关系Ak(i,j)，获得不同时刻不同类型的邻接矩阵
Figure BDA0003009121970000201
的步骤，具体可以是通过将同一时刻同一类型的关联关系进行整合实现。
举例说明：
请参见下表一所示，为从第一时空容量融合数据集中，获得不同时刻各个网络节点之间多种类型的节点与边的关联数据。
表一
Figure BDA0003009121970000202
请参见下表二所示，为将关联数据，转换为不同时刻的关联关系Ak(i,j)。
表二
Figure BDA0003009121970000203
Figure BDA0003009121970000211
值得注意的是，本实施例中所列举的只是四种类型的关联关系，在实际应用中，可以根据具体应用场景进行灵活调整。
请参见下表三所示，为获得的不同时刻各个网络节点之间四种类型的邻接矩阵。
表三
Figure BDA0003009121970000212
可以理解的是，在上述表三中，针对时刻1，是将地理位置相邻的各个A1进行整合得到邻接矩阵
Figure BDA0003009121970000213
将拓扑相邻的各个A2进行整合得到邻接矩阵
Figure BDA0003009121970000214
将场景相关的各个A3进行整合得到邻接矩阵
Figure BDA0003009121970000215
将路线连通的各个A4进行整合得到邻接矩阵
Figure BDA0003009121970000216
同理可得，针对时刻2的四种类型的邻接矩阵，这里不再赘述。
步骤S302：根据关联关系，构建容量预测模型；其中，容量预测模型包括各个网络节点之间的空间特征和时间特征。
相应地，根据第一时空容量融合数据集，获得不同时刻各个网络节点之间多种类型的节点与边的关联关系之后，需要根据关联关系，构建容量预测模型。
在本实施例中，步骤S22根据关联关系，构建容量预测模型，可以包括：
根据不同时刻不同类型的邻接矩阵
Figure BDA0003009121970000221
构建容量预测模型。
在本实施例中，根据不同时刻不同类型的邻接矩阵
Figure BDA0003009121970000222
构建容量预测模型的步骤，可以包括以下步骤：
首先，将同一时刻不同类型的邻接矩阵
Figure BDA0003009121970000223
进行拼接，获得不同时刻各个网络节点之间的空间特征；
然后，对不同时刻各个网络节点之间的空间特征进行时空加权转换处理，获得不同时刻各个网络节点之间的时间特征；
进而，对各个网络节点之间的时间特征进行融合，构建容量预测模型。
也即，本实施例中根据不同时刻不同类型的邻接矩阵
Figure BDA0003009121970000224
构建容量预测模型，具体可以是通过将同一时刻不同类型的邻接矩阵
Figure BDA0003009121970000225
进行拼接，获得不同时刻各个网络节点之间的空间特征，然后对不同时刻各个网络节点之间的空间特征进行时空加权转换处理，获得不同时刻各个网络节点之间的时间特征，再对各个网络节点之间的时间特征进行融合，构建容量预测模型实现。
举例说明：请参见图4所示，为根据不同时刻不同类型的邻接矩阵
Figure BDA0003009121970000226
构建容量预测模型的网络结构示意图。其中，网络结构包括多类型空间图变换网络(Spatial Transformer Networks，S-GTN)层、时空加权转换网络层(Temporal Weightedcorrelatin modeling with Transformer network，TWCTN)。具体实现中，首先经过S-GTN层，获得不同时刻各个网络节点之间的空间特征，然后经过TWCTN层，获得不同时刻各个网络节点之间的时间特征，再将不同时刻各个网络节点之间的时间特征进行融合，获得预估结果，从而构建容量预测模型。
在本实施例中，将同一时刻不同类型的邻接矩阵
Figure BDA0003009121970000227
进行拼接，获得不同时刻各个网络节点之间的空间特征的步骤，可以包括以下步骤：
首先，根据邻接矩阵
Figure BDA0003009121970000228
利用公式一，获得相应路径的邻接矩阵；
公式一为：
Figure BDA0003009121970000231
其中，l表示节点i最多经过l步可到达节点j，c表示不同长度的路径种类，λ(l)为Ak(k＝1,…,K)，表示各类型边在l层对应的权重，o表示点积运算,
Figure BDA0003009121970000232
Figure BDA0003009121970000233
表示
Figure BDA0003009121970000234
的度矩阵；
然后，根据相应路径的邻接矩阵
Figure BDA0003009121970000235
利用公式二，获得各个网络节点之间的空间特征；
所述公式二为：
Figure BDA0003009121970000236
其中，
Figure BDA0003009121970000237
Figure BDA0003009121970000238
表示
Figure BDA0003009121970000239
的度矩阵，
Figure BDA00030091219700002310
W表示权重矩阵，X表示输入的节点特征矩阵，σ(.)表示s igmoid函数；C表示通道数量。
也即，本实施例中将同一时刻不同类型的邻接矩阵
Figure BDA00030091219700002311
输入至S-GTN层，获得不同时刻各个网络节点之间的空间特征，即在S-GTN层完成同一时刻不同类型的邻接矩阵
Figure BDA00030091219700002312
的拼接。
举例说明：请参见表四所示，为获得的不同时刻各个网络节点之间不同类型的邻接矩阵进行拼接后的拼接矩阵(即空间特征)。
表四
时刻 拼接矩阵
时刻1 H
时刻2 H
…… ……
在本实施例中，对不同时刻各个网络节点之间的空间特征进行时空加权转换处理，获得不同时刻各个网络节点之间的时间特征的步骤，可以包括以下步骤：
首先，根据不同时刻各个网络节点之间的空间特征，利用公式三，获得池化结果；
公式三为：
Figure BDA0003009121970000241
其中，t表示当前时刻，t'表示历史不同时刻，T表示设定时刻，v表示节点，V表示节点的集合，fpool表示池化函数；
然后，根据池化结果p(t')，利用公式四，获得第一加权结果；
公式四为：
q＝σ(W2δ(W1p)),p(t')∈p
其中，W1与W2表示权重矩阵，δ(.)表示ReLU函数，p表示全部节点池化后的不同时刻集合；
进而，根据第一加权结果q，利用公式五，获得历史不同时刻的第二加权结果；
公式五为：
Figure BDA0003009121970000242
其中，
Figure BDA0003009121970000243
为历史不同时刻的第二加权结果。
也即，本实施例中将不同时刻各个网络节点之间的空间特征输入至TWCTN层，获得不同时刻各个网络节点之间的时间特征，即在S-GTN层完成不同时刻各个网络节点之间的空间特征的时空转换。
举例说明：请参见表五所示，为获得的不同时刻各个网络节点之间的时间特征。
表五
Figure BDA0003009121970000244
进一步地，本实施例中对各个网络节点之间的时间特征进行融合，构建容量预测模型；例如请参见图5所示，对获得的不同时刻各个网络节点之间的时间特征
Figure BDA0003009121970000245
进行融合，通过转换(Transformer)层融合成一张图H(t)予以输出，其中H(t)即为构建所得的容量预测模型。
步骤S303：根据第一用户历史用网数据，对容量预测模型进行训练，获得目标容量预测模型。
相应地，本实施例中根据关联关系，构建容量预测模型之后，需要根据第一用户历史用网数据，对容量预测模型进行训练；具体可以是通过不同时刻的第一时空容量融合数据集，对容量预测模型进行训练，以获得目标容量预测模型。
本实施例中，获得的目标容量预测模型包括各个网络节点之间的空间特征和时间特征；即在容量预测模型训练过程中考虑了各个网络节点之间的空间依赖关系和时间依赖关系，在极大程度上提升了网络容量预测模型训练的准确性。
此外，本实施例在上述容量预测方法的基础上，还提出一种容量预测模型训练方法，请参见图6所示，图6为本发明容量预测模型训练方法第二实施例的流程示意图，容量预测模型训练方法包括以下步骤：
步骤S601：根据采集到的第一用户历史用网数据，获得不同时刻各个网络节点之间多种类型的节点与边的关联关系；
步骤S602：根据关联关系，构建容量预测模型；其中，容量预测模型包括各个网络节点之间的空间特征和时间特征；
步骤S603：根据第一用户历史用网数据，对容量预测模型进行训练，获得目标容量预测模型。
本发明容量预测方法采用了上述第二实施例的全部技术方案，因此至少具有上述第二实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
此外，请参见图7所示，本发明实施例在上述容量预测方法的基础上，还提出一种容量预测装置，容量预测装置包括：
第二获取模块701，用于根据采集到的第二用户历史用网数据，获得不同时刻的第二时空容量融合数据集；
第三获取模块702，用于将第二时空容量融合数据集输入目标容量预测模型中，获得各个网络节点在预设时刻的容量预测结果；其中，目标容量预测模型包括各个网络节点之间的空间特征和时间特征。
本发明的容量预测装置采用了上述容量预测方法第一/二实施例的全部技术方案，因此至少具有上述容量预测方法第一/二实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
此外，请参见图8所示，本发明实施例在上述容量预测模型训练方法的基础上，还提出一种容量预测模型训练装置，容量预测模型训练装置包括：
第一获取模块801，用于根据采集到的第一用户历史用网数据，获得不同时刻各个网络节点之间多种类型的节点与边的关联关系；
构建模块802，用于根据关联关系，构建容量预测模型；其中，容量预测模型包括各个网络节点之间的空间特征和时间特征；
训练模块803，用于根据第一用户历史用网数据，对容量预测模型进行训练，获得目标容量预测模型。
本发明的容量预测模型训练装置采用了上述容量预测模型训练方法第一实施例的全部技术方案，因此至少具有上述容量预测模型训练方法第一实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
此外，本实施例还提出一种计算机程序，计算机程序上存储有容量预测程序，容量预测程序被处理器执行时实现如上述的容量预测方法；或计算机程序上存储有容量预测模型训练程序，容量预测模型训练程序被处理器执行时实现如上述的容量预测模型训练方法的步骤。
该计算机程序包括在用于存储信息(诸如计算机可读指令、数据结构、计算机程序模块或其他数据)的任何方法或技术中实施的易失性或非易失性、可移除或不可移除的介质。计算机程序包括但不限于RAM(Random Access Memory，随机存取存储器)，ROM(Read-Only Memory，只读存储器),EEPROM(Electrically Eraable Programmable read onlymemory，带电可擦可编程只读存储器)、闪存或其他存储器技术、CD-ROM(Compact DiscRead-OnlyMemory，光盘只读存储器)，数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。
可见，本领域的技术人员应该明白，上文中所公开方法中全部或某些步骤、系统、集成灶中功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (24)

1.一种容量预测方法，其特征在于，所述容量预测方法包括以下步骤：
根据采集到的第二用户历史用网数据，获得不同时刻的第二时空容量融合数据集；
将所述第二时空容量融合数据集输入目标容量预测模型中，获得各个网络节点在预设时刻的容量预测结果；其中，所述目标容量预测模型包括各个网络节点之间的空间特征和时间特征。
2.如权利要求1所述的容量预测方法，其特征在于，所述根据采集到的第二用户历史用网数据，获得不同时刻的第二时空容量融合数据集的步骤之前，所述容量预测方法还包括：
根据采集到的第一用户历史用网数据，获得不同时刻各个网络节点之间多种类型的节点与边的关联关系；
根据所述关联关系，构建容量预测模型；其中，所述容量预测模型包括各个网络节点之间的空间特征和时间特征；
根据所述第一用户历史用网数据，对所述容量预测模型进行训练，获得目标容量预测模型。
3.如权利要求2所述的容量预测方法，其特征在于，所述根据采集到的第一用户历史用网数据，获得不同时刻各个网络节点之间多种类型的节点与边的关联关系的步骤，包括：
根据采集到的第一用户历史用网数据，获得不同时刻的第一时空容量融合数据集；
根据所述第一时空容量融合数据集，获得不同时刻各个网络节点之间多种类型的节点与边的关联关系。
4.如权利要求3所述的容量预测方法，其特征在于，所述根据采集到的第一用户历史用网数据，获得不同时刻的第一时空容量融合数据集的步骤之前，所述容量预测方法还包括：
采集所述第一用户历史用网数据；其中，所述第一用户历史用网数据包括最小化路测数据、软采数据、用户检测和响应平台数据、工程参数数据和地理化数据中的至少一种。
5.如权利要求4所述的容量预测方法，其特征在于，所述根据采集到的第一用户历史用网数据，获得不同时刻的第一时空容量融合数据集的步骤，包括：
若所述第一用户历史用网数据包括最小化路测数据、软采数据、用户检测和响应平台数据、工程参数数据和地理化数据中的至少两种，则对各个数据对应的异常数据分别进行清洗，得到清洗后的各个数据；
根据关键字段，对所述各个数据进行融合，获得第一时空容量融合数据集。
6.如权利要求3所述的容量预测方法，其特征在于，所述根据所述第一时空容量融合数据集，获得不同时刻各个网络节点之间多种类型的节点与边的关联关系的步骤，包括：
从所述第一时空容量融合数据集中，获得不同时刻各个网络节点之间多种类型的节点与边的关联数据；
将所述关联数据，转换为不同时刻的关联关系Ak(i,j)；其中，Ak(i,j)≠0表示节点i到节点j之间存在第k类型的边；
根据所述关联关系Ak(i,j)，获得不同时刻不同类型的邻接矩阵
Figure FDA0003009121960000021
其中，所述邻接矩阵为整合属于同一类型的关联关系获得，K表示类型总数量，k表示类型标识，N表示矩阵阶数，R表示实数集；
所述根据所述关联关系，构建容量预测模型的步骤，包括：
根据所述不同时刻不同类型的邻接矩阵
Figure FDA0003009121960000031
构建容量预测模型。
7.如权利要求6所述的容量预测方法，其特征在于，所述类型包括地理位置相邻、拓扑相邻、场景相关和路线连通；
所述将所述关联数据，转换为关联关系Ak(i,j)的步骤，包括：
将地理位置相邻的关联数据，转换为关联关系A1(i,j)＝1；其中，A1(i,j)＝1表示节点i与节点j之间地理位置相邻；
将拓扑相邻的关联数据，转换为关联关系A2(i,j)＝1；其中，A2(i,j)＝1表示节点i与节点j之间物理拓扑相邻；
将场景相关的关联数据，转换为关联关系A3(i,j)＝EJ(si,sj)∈[0,1]；其中，A3(i,j)＝EJ(si,sj)∈[0,1]表示节点i与节点j之间场景相关；EJ(.)表示Tanimoto算子，si与sj分别表示节点i与节点j的场景特征向量；
将路线连通的关联数据，转换为A4(i,j)＝max{0,I(vi,vj)-A1(i,j)}∈{0,1}；其中，A4(i,j)＝max{0,I(vi,vj)-A1(i,j)}∈{0,1}表示节点i与节点j之间地理位置不相邻但存在连通路线；I(.)表示indicator算子，v表示节点。
8.如权利要求6所述的容量预测方法，其特征在于，所述根据所述不同时刻不同类型的邻接矩阵
Figure FDA0003009121960000032
构建容量预测模型的步骤，包括：
将同一时刻不同类型的邻接矩阵
Figure FDA0003009121960000033
进行拼接，获得不同时刻各个网络节点之间的空间特征；
对所述不同时刻各个网络节点之间的空间特征进行时空加权转换处理，获得不同时刻各个网络节点之间的时间特征；
对所述各个网络节点之间的时间特征进行融合，构建容量预测模型。
9.如权利要求8所述的容量预测方法，其特征在于，所述将同一时刻不同类型的邻接矩阵
Figure FDA0003009121960000034
进行拼接，获得不同时刻各个网络节点之间的空间特征的步骤，包括：
根据所述邻接矩阵
Figure FDA0003009121960000041
利用公式一，获得相应路径的邻接矩阵；
所述公式一为：
Figure FDA0003009121960000042
其中，l表示节点i最多经过l步可到达节点j，c表示不同长度的路径种类，λ(l)为Ak(k＝1,…,K)，表示各类型边在l层对应的权重，o表示点积运算,
Figure FDA0003009121960000043
Figure FDA0003009121960000044
表示
Figure FDA0003009121960000045
的度矩阵；
根据所述相应路径的邻接矩阵
Figure FDA0003009121960000046
利用公式二，获得所述各个网络节点之间的空间特征；
所述公式二为：
Figure FDA0003009121960000047
其中，
Figure FDA0003009121960000048
Figure FDA0003009121960000049
表示
Figure FDA00030091219600000410
的度矩阵，
Figure FDA00030091219600000411
W表示权重矩阵，X表示输入的节点特征矩阵，σ(.)表示sigmoid函数；C表示通道数量。
10.如权利要求8所述的容量预测方法，其特征在于，所述对所述不同时刻各个网络节点之间的空间特征进行时空加权转换处理，获得不同时刻各个网络节点之间的时间特征的步骤，包括：
根据不同时刻各个网络节点之间的空间特征，利用公式三，获得池化结果；
所述公式三为：
Figure FDA00030091219600000412
其中，t表示当前时刻，t'表示历史不同时刻，T表示设定时刻，v表示节点，V表示节点的集合，fpool表示池化函数；
根据所述池化结果p(t')，利用公式四，获得第一加权结果；
所述公式四为：
q＝σ(W2δ(W1p)),p(t')∈p
其中，W1与W2表示权重矩阵，δ(.)表示ReLU函数，p表示全部节点池化后的不同时刻集合；
根据所述第一加权结果q，利用公式五，获得历史不同时刻的第二加权结果；
所述公式五为：
Figure FDA0003009121960000051
其中，
Figure FDA0003009121960000052
为历史不同时刻的第二加权结果。
11.一种容量预测模型训练方法，其特征在于，所述容量预测模型训练方法包括以下步骤：
根据采集到的第一用户历史用网数据，获得不同时刻各个网络节点之间多种类型的节点与边的关联关系；
根据所述关联关系，构建容量预测模型；其中，所述容量预测模型包括各个网络节点之间的空间特征和时间特征；
根据所述第一用户历史用网数据，对所述容量预测模型进行训练，获得目标容量预测模型。
12.如权利要求11所述的容量预测模型训练方法，其特征在于，所述根据采集到的第一用户历史用网数据，获得不同时刻各个网络节点之间多种类型的节点与边的关联关系的步骤，包括：
根据采集到的第一用户历史用网数据，获得不同时刻的第一时空容量融合数据集；
根据所述第一时空容量融合数据集，获得不同时刻各个网络节点之间多种类型的节点与边的关联关系。
13.如权利要求12所述的容量预测模型训练方法，其特征在于，所述根据采集到的第一用户历史用网数据，获得不同时刻的第一时空容量融合数据集的步骤之前，所述容量预测模型训练方法还包括：
采集所述第一用户历史用网数据；其中，所述第一用户历史用网数据包括最小化路测数据、软采数据、用户检测和响应平台数据、工程参数数据和地理化数据中的至少一种。
14.如权利要求13所述的容量预测模型训练方法，其特征在于，所述根据采集到的第一用户历史用网数据，获得不同时刻的第一时空容量融合数据集的步骤，包括：
若所述第一用户历史用网数据包括最小化路测数据、软采数据、用户检测和响应平台数据、工程参数数据和地理化数据中的至少两种，则对各个数据对应的异常数据分别进行清洗，得到清洗后的各个数据；
根据关键字段，对所述各个数据进行融合，获得第一时空容量融合数据集。
15.如权利要求12所述的容量预测模型训练方法，其特征在于，所述根据所述第一时空容量融合数据集，获得不同时刻各个网络节点之间多种类型的节点与边的关联关系的步骤，包括：
从所述第一时空容量融合数据集中，获得不同时刻各个网络节点之间多种类型的节点与边的关联数据；
将所述关联数据，转换为不同时刻的关联关系Ak(i,j)；其中，Ak(i,j)≠0表示节点i到节点j之间存在第k类型的边；
根据所述关联关系Ak(i,j)，获得不同时刻不同类型的邻接矩阵
Figure FDA0003009121960000061
其中，所述邻接矩阵为整合属于同一类型的关联关系获得，K表示类型总数量，k表示类型标识，N表示矩阵阶数，R表示实数集；
所述根据所述关联关系，构建容量预测模型的步骤，包括：
根据所述不同时刻不同类型的邻接矩阵
Figure FDA0003009121960000062
构建容量预测模型。
16.如权利要求15所述的容量预测模型训练方法，其特征在于，所述类型包括地理位置相邻、拓扑相邻、场景相关和路线连通；
所述将所述关联数据，转换为关联关系Ak(i,j)的步骤，包括：
将地理位置相邻的关联数据，转换为关联关系A1(i,j)＝1；其中，A1(i,j)＝1表示节点i与节点j之间地理位置相邻；
将拓扑相邻的关联数据，转换为关联关系A2(i,j)＝1；其中，A2(i,j)＝1表示节点i与节点j之间物理拓扑相邻；
将场景相关的关联数据，转换为关联关系A3(i,j)＝EJ(si,sj)∈[0,1]；其中，A3(i,j)＝EJ(si,sj)∈[0,1]表示节点i与节点j之间场景相关；EJ(.)表示Tanimoto算子，si与sj分别表示节点i与节点j的场景特征向量；
将路线连通的关联数据，转换为A4(i,j)＝max{0,I(vi,vj)-A1(i,j)}∈{0,1}；其中，A4(i,j)＝max{0,I(vi,vj)-A1(i,j)}∈{0,1}表示节点i与节点j之间地理位置不相邻但存在连通路线；I(.)表示indicator算子，v表示节点。
17.如权利要求15所述的容量预测模型训练方法，其特征在于，所述根据所述不同时刻不同类型的邻接矩阵
Figure FDA0003009121960000071
构建容量预测模型的步骤，包括：
将同一时刻不同类型的邻接矩阵
Figure FDA0003009121960000072
进行拼接，获得不同时刻各个网络节点之间的空间特征；
对所述不同时刻各个网络节点之间的空间特征进行时空加权转换处理，获得不同时刻各个网络节点之间的时间特征；
对所述各个网络节点之间的时间特征进行融合，构建容量预测模型。
18.如权利要求17所述的容量预测模型训练方法，其特征在于，所述将同一时刻不同类型的邻接矩阵
Figure FDA0003009121960000073
进行拼接，获得不同时刻各个网络节点之间的空间特征的步骤，包括：
根据所述邻接矩阵
Figure FDA0003009121960000074
利用公式一，获得相应路径的邻接矩阵；
所述公式一为：
Figure FDA0003009121960000075
其中，l表示节点i最多经过l步可到达节点j，c表示不同长度的路径种类，λ(l)为Ak(k＝1,…,K)，表示各类型边在l层对应的权重，o表示点积运算,
Figure FDA0003009121960000081
Figure FDA0003009121960000082
表示
Figure FDA0003009121960000083
的度矩阵；
根据所述相应路径的邻接矩阵
Figure FDA0003009121960000084
利用公式二，获得所述各个网络节点之间的空间特征；
所述公式二为：
Figure FDA0003009121960000085
其中，
Figure FDA0003009121960000086
Figure FDA0003009121960000087
表示
Figure FDA0003009121960000088
的度矩阵，
Figure FDA0003009121960000089
W表示权重矩阵，X表示输入的节点特征矩阵，σ(.)表示sigmoid函数；C表示通道数量。
19.如权利要求17所述的容量预测模型训练方法，其特征在于，所述对所述不同时刻各个网络节点之间的空间特征进行时空加权转换处理，获得不同时刻各个网络节点之间的时间特征的步骤，包括：
根据不同时刻各个网络节点之间的空间特征，利用公式三，获得池化结果；
所述公式三为：
Figure FDA00030091219600000810
其中，t表示当前时刻，t'表示历史不同时刻，T表示设定时刻，v表示节点，V表示节点的集合，fpool表示池化函数；
根据所述池化结果p(t')，利用公式四，获得第一加权结果；
所述公式四为：
q＝σ(W2δ(W1p)),p(t')∈p
其中，W1与W2表示权重矩阵，δ(.)表示ReLU函数，p表示全部节点池化后的不同时刻集合；
根据所述第一加权结果q，利用公式五，获得历史不同时刻的第二加权结果；
所述公式五为：
Figure FDA0003009121960000091
其中，
Figure FDA0003009121960000092
为历史不同时刻的第二加权结果。
20.一种容量预测装置，其特征在于，所述容量预测装置包括：
第二获取模块，用于根据采集到的第二用户历史用网数据，获得不同时刻的第二时空容量融合数据集；
第三获取模块，用于将所述第二时空容量融合数据集输入目标容量预测模型中，获得各个网络节点在预设时刻的容量预测结果；其中，所述目标容量预测模型包括各个网络节点之间的空间特征和时间特征。
21.一种容量预测模型的训练装置，其特征在于，所述容量预测模型的训练装置包括：
第一获取模块，用于根据采集到的第一用户历史用网数据，获得不同时刻各个网络节点之间多种类型的节点与边的关联关系；
构建模块，用于根据所述关联关系，构建容量预测模型；其中，所述容量预测模型包括各个网络节点之间的空间特征和时间特征；
训练模块，用于根据所述第一用户历史用网数据，对所述容量预测模型进行训练，获得目标容量预测模型。
22.一种容量预测设备，其特征在于，所述容量预测设备包括：存储器、处理器及存储在所述存储器上并在所述处理器上运行容量预测程序，所述容量预测程序被所述处理器执行时实现如权利要求1-10中任一项所述的容量预测方法的步骤。
23.一种容量预测模型的训练设备，其特征在于，所述容量预测设备包括：存储器、处理器及存储在所述存储器上并在所述处理器上运行容量预测模型的训练程序，所述容量预测模型的训练程序被所述处理器执行时实现如权利要求11-19中任一项所述的容量预测模型训练方法的步骤。
24.一种计算机程序，其特征在于，所述计算机程序上存储有容量预测程序，所述容量预测程序被处理器执行时实现如权利要求1-10中任一项所述的容量预测方法的步骤；或所述计算机程序上存储有容量预测模型训练程序，所述容量预测模型训练程序被处理器执行时实现如权利要求11-19中任一项所述的容量预测模型训练方法的步骤。
CN202110370566.3A 2021-04-07 2021-04-07 容量预测、模型训练方法及装置、设备、计算机程序 Pending CN115186416A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110370566.3A CN115186416A (zh) 2021-04-07 2021-04-07 容量预测、模型训练方法及装置、设备、计算机程序

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110370566.3A CN115186416A (zh) 2021-04-07 2021-04-07 容量预测、模型训练方法及装置、设备、计算机程序

Publications (1)

Publication Number Publication Date
CN115186416A true CN115186416A (zh) 2022-10-14

Family

ID=83512522

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110370566.3A Pending CN115186416A (zh) 2021-04-07 2021-04-07 容量预测、模型训练方法及装置、设备、计算机程序

Country Status (1)

Country Link
CN (1) CN115186416A (zh)

Similar Documents

Publication Publication Date Title
US10484265B2 (en) Dynamic update of virtual network topology
US11451452B2 (en) Model update method and apparatus, and system
CN103747522B (zh) 一种位置信息采集方法和设备
EP3968683A1 (en) Method and device for grading network system
JP2017534192A (ja) 無線スペクトル使用情報の提示
WO2011068583A1 (en) Coverage hole detector
CN104349366A (zh) 一种基于gis的无线网络问题关联分析方法
CN106535234A (zh) 测量报告与用户关联和上网问题的定位方法和装置
EP4027686A1 (en) Method and apparatus for remote sensing of antenna configuration parameters
CN108718254B (zh) 地铁室内分布系统故障定位方法及系统
CN105474743B (zh) 接入点之间接口的建立方法和装置
CN102362517A (zh) 无线电波状态测量系统、无线电波状态测量方法及存储无线电波状态测量程序的存储介质
CN114513850B (zh) 定位方法、装置、计算机设备及介质
CN105227373A (zh) 基于云控制器的多层级网络拓扑自动发现系统及方法
JP2022502945A (ja) データ伝送方法および装置
CN111212130B (zh) 智慧室分区块链存储方法、系统、节点设备和定位方法
CN103828431B (zh) 更改机器到机器(m2m)装置的m2m群组
CN115186416A (zh) 容量预测、模型训练方法及装置、设备、计算机程序
US10721707B2 (en) Characterization of a geographical location in a wireless network
WO2023109950A1 (zh) 一种跟踪区边界信息的处理方法、装置、电子设备和可读介质
CN110460456B (zh) 一种管理信息库mib同步生成网络拓扑的方法及装置
CN110346754A (zh) 一种定位时刻获取方法及装置
KR20120017496A (ko) 신호세기 가중 평균을 이용한 ａｐ 위치 추정 방법과 그를 위한 장치 및 컴퓨터로 읽을 수 있는 기록매체
US11431581B2 (en) Realistic simulation of an internet-of-things system
CN202340308U (zh) 一种无线网络自动测试系统

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