CN115225518A - 一种基站流量处理方法、装置及网络设备 - Google Patents

一种基站流量处理方法、装置及网络设备 Download PDF

Info

Publication number
CN115225518A
CN115225518A CN202110336654.1A CN202110336654A CN115225518A CN 115225518 A CN115225518 A CN 115225518A CN 202110336654 A CN202110336654 A CN 202110336654A CN 115225518 A CN115225518 A CN 115225518A
Authority
CN
China
Prior art keywords
cell
data
time
target
target cell
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.)
Granted
Application number
CN202110336654.1A
Other languages
English (en)
Other versions
CN115225518B (zh
Inventor
杨慰民
蔡鸿祥
罗卫鸿
万伟雄
郑银云
李祯盛
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 Fujian Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Group Fujian 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 Fujian Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN202110336654.1A priority Critical patent/CN115225518B/zh
Publication of CN115225518A publication Critical patent/CN115225518A/zh
Application granted granted Critical
Publication of CN115225518B publication Critical patent/CN115225518B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/142—Network analysis or design using statistical or mathematical methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L43/00—Arrangements for monitoring or testing data switching networks
    • H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
    • H04L43/0876—Network utilisation, e.g. volume of load or congestion level
    • H04L43/0888—Throughput
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
    • H04W88/08—Access point devices
    • 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)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Optimization (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本说明书提供一种基站流量处理方法、装置及网络设备。方法包括：获取目标基站在预设历史时段的流量相关数据，流量相关数据至少包括业务流量数据和小区工参数据；基于小区工参数据，确定目标小区的最邻近小区以及最邻近小区与目标小区的空间关系；基于目标小区和最邻近小区的业务流量数据，以及最邻近小区与目标小区的空间关系，生成时空特征矩阵；将时空特征矩阵作为预训练的卷积长短时记忆神经网络的输入，得到卷积长短时记忆神经网络输出目标小区在预设未来时段的流量预测结果。由此，可综合考虑小区流量与周围相邻小区在时间上传递关系，以及小区之间的空间关系，采用卷积长短时记忆神经网络精确预测各个小区的流量。

Description

一种基站流量处理方法、装置及网络设备
技术领域
本文件涉及通信技术领域，尤其涉及一种基站流量处理方法、装置及网络设备。
背景技术
电信运营商的运营成本在日益增长，特别是电费，中国移动2018的耗电总量已经达245亿度。在5G时代，电信运营商的电费成本将是4G时代的6-12倍。据统计在基站能耗中，基站主设备能耗占比约为50％，特别是射频模块，网络话务量忙闲时差异大，但是设备持续运行，能耗并未随话务高低动态调整，造成浪费，为此需要配置一些基站节能策略。
目前的基站节能策略，一般是通过每个小区历史同时段话务数据作为此小区下周每个时段的话务量预测，话务量高时开启载频，话务量低时关闭载频，进而达到基站节能目的。但是该基站节能策略只根据每个小区历史同时段话务数据作为此小区下周每个时段的话务量预测，预测准确性不高，导致节能状态并不能最优化。
因此，急需推出一种更加有效的基站流量处理方案。
发明内容
本说明书实施例提供一种基站流量处理方法，用以精确预测各个小区的流量。
本说明书实施例还提供一种基站流量处理方法，包括：
获取目标基站在预设历史时段的流量相关数据，所述流量相关数据至少包括业务流量数据和小区工参数据，其中，所述业务流量数据用于描述所述目标基站对应的目标小区在所述预设历史时段内的各时间单元的流量使用情况；
基于所述小区工参数据，确定所述目标小区的最邻近小区以及所述最邻近小区与所述目标小区的空间关系；
基于所述目标小区和最邻近小区的业务流量数据，以及所述最邻近小区与所述目标小区的空间关系，生成时空特征矩阵；
将所述时空特征矩阵作为预训练的卷积长短时记忆神经网络的输入，得到所述卷积长短时记忆神经网络输出所述目标小区在预设未来时段的流量预测结果。
本说明书实施例还提供一种基站流量处理装置，包括：
获取模块，用于获取目标基站在预设历史时段的流量相关数据，所述流量相关数据至少包括业务流量数据、网管数据和小区工参数据，其中，所述业务流量数据用于描述所述目标基站对应的目标小区在所述预设历史时段内的各时间单元的流量使用情况；
第一处理模块，用于基于所述小区工参数据，确定所述目标小区的最邻近小区以及所述最邻近小区与所述目标小区的空间关系；
第二处理模块，用于基于所述目标小区和最邻近小区的业务流量数据，以及所述最邻近小区与所述目标小区的空间关系，生成时空特征矩阵；
输入模块，用于将所述时空特征矩阵作为预训练的卷积长短时记忆神经网络的输入，得到所述卷积长短时记忆神经网络输出所述目标小区在预设未来时段的流量预测结果。
本说明书实施例还提供一种网络设备，包括：通信接口、处理器和存储器；
所述处理器调用所述存储器中的程序指令，用以执行如下动作：
获取目标基站在预设历史时段的流量相关数据，所述流量相关数据至少包括业务流量数据、网管数据和小区工参数据，其中，所述业务流量数据用于描述所述目标基站对应的目标小区在所述预设历史时段内的各时间单元的流量使用情况；
基于所述小区工参数据，确定所述目标小区的最邻近小区以及所述最邻近小区与所述目标小区的空间关系；
基于所述目标小区和最邻近小区的业务流量数据，以及所述最邻近小区与所述目标小区的空间关系，生成时空特征矩阵；
将所述时空特征矩阵作为预训练的卷积长短时记忆神经网络的输入，得到所述卷积长短时记忆神经网络输出所述目标小区在预设未来时段的流量预测结果。
本说明书实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行如下动作：
获取目标基站在预设历史时段的流量相关数据，所述流量相关数据至少包括业务流量数据、网管数据和小区工参数据，其中，所述业务流量数据用于描述所述目标基站对应的目标小区在所述预设历史时段内的各时间单元的流量使用情况；
基于所述小区工参数据，确定所述目标小区的最邻近小区以及所述最邻近小区与所述目标小区的空间关系；
基于所述目标小区和最邻近小区的业务流量数据，以及所述最邻近小区与所述目标小区的空间关系，生成时空特征矩阵；
将所述时空特征矩阵作为预训练的卷积长短时记忆神经网络的输入，得到所述卷积长短时记忆神经网络输出所述目标小区在预设未来时段的流量预测结果。
本说明书的上述任一实施例，通过引入本小区和邻近小区的业务流量数据和小区工参数据，综合考虑小区流量与周围相邻小区在时间上传递关系，以及本小区和邻近小区之间的空间关系，从而可采用卷积长短时记忆神经网络精确预测各个小区的流量。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书一实施例提供的一种基站流量处理方法的流程示意图；
图2为本说明书一实施例提供的数据预处理步骤的流程示意图；
图3为本说明书一实施例提供的KD-tee构建过程的流程示意图；
图4为本说明书一实施例提供的卷积长短时记忆神经网络的数据流的原理示意图；
图5为本说明书一实施例提供的LSTM网络的原理示意图；
图6为本说明书一实施例提供的LSTM网元的原理示意图；
图7为本说明书一实施例提供的卷积长短时记忆神经网络的应用示意图；
图8为本说明书一实施例提供的卷积长短时记忆神经网络模型的训练流程的示意图；
图9为本说明书另一实施例提供的一种基站流量处理方法的流程示意图；
图10为本说明书一实施例提供的一种基站流量处理装置的结构示意图；
图11为本说明书一实施例提供的一种网络设备的结构示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本文件保护的范围。
结合背景技术部分陈述的，不法分子通过伪装成SP并通过伪基站向终端用户大量推送营销消息甚至诈骗短信，严重侵害了终端用户的利益，而终端用户则无法准确判断业务消息来源的合法性。基于此，本说明书提供了一种业务消息处理方法，通过将终端用户预设置的签名信息和业务消息进行合并之后再发出，从而可帮助用户准确识别业务消息来源合法性。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书一实施例提供的一种基站流量处理方法的流程示意图，参见图1，所述方法具体可以包括如下步骤：
步骤102、获取目标基站在预设历史时段的流量相关数据，所述流量相关数据至少包括业务流量数据和小区工参数据，其中，所述业务流量数据用于描述所述目标基站对应的目标小区在所述预设历史时段内的各时间单元的流量使用情况；
其中，业务流量数据包括通过DPI信令计算出的数据，如4G上下行流量、用户数、浏览业务占比、视频业务流量等；小区工参数据包括小区经纬度天线电子下倾角等。
另外，考虑到由于网管的调整或升级等一些常规的操作，可能会直接影响数据质量，而数据质量的好坏会影响后端算法的训练和预测精度，因此需要对步骤102获取的数据进行质量分析及其预处理，并对信令及网管数据缺失值进行填补(KNN)、数据归一化和异常值处理-消除白噪声等操作。具体处理流程如图2所示：
步骤202、获取特征属性列及数据类型；
其中，数据类型是指数据所属类型，如前述的业务流量数据和小区工参数据两类；特征属性是指数据的取值，如4G上下行流量、用户数、浏览业务占比、视频业务流量的具体数值；特征属性列是指将步骤102中的数据整理成表格之后得到的一列列数据。
步骤204、是否存在缺失值属性列；
通过遍历属性列，即可获知其中是否存在数据取值为空的列，若是，则执行步骤206，否则流程结束。
步骤206、确定含有缺失值属性列；
步骤208、数据预处理；
步骤210、遍历特征属性列；
步骤212、筛选数据；
对于缺失值数据，执行步骤214；对于无缺失值数据，执行步骤218；
步骤214、作为验证集；
步骤216、选择目标函数；
步骤218、作为训练集；
步骤220、循环模型参数K；
其中，KNN模型包括：KNN模型(k＝m)、KNN模型(k＝m+1)、KNN模型(k＝n)等；
步骤222、KNN模型簇获取模型集的预测集；
步骤224、根据目标函数选取最佳模型，记为KNN模型(k＝i)；
步骤226、根据模型填补缺失值；
步骤228、数据复原处理；
步骤230、缺失值属性列是否完成缺失值填补；
若是，则流程结束。
基于此，本实施例通过对步骤102获取的原始数据进行质量分析及其预处理，以为后续模型训练提供高质量的数据，从而有效提高模型训练和预测的精确度。
步骤104、基于所述小区工参数据，确定所述目标小区的最邻近小区以及所述最邻近小区与所述目标小区的空间关系；
需要说明的是，由于流量负载存在空间相关性，相邻小区之间的负载接近，因此，此处引入邻区负载特征，可以提升模型预测精度，使用小区工参配置表中的小区经纬度等地理信息，利用KD-tree算法可以高效计算每个小区相邻的N个小区。具体地：
确定位于所述目标小区预设范围内的小区列表；基于所述目标小区和所述小区列表中各小区的小区经纬度，采用KD-tree算法进行最邻近搜索，得到所述目标小区的最相邻小区。
其中，最邻近搜索是一个在尺度空间中寻找最近点的优化问题。问题描述如下：在尺度空间M中给定一个点集S和一个目标点q∈M，在S中找到距离q最近的点。
下面对采用KD-tree算法进行最邻近搜索的步骤进行详细说明：
首先，参见图3，KD-tree的构建过程如下：
步骤302、获取特征点数据；
其中，特征点数据记为前文获取的小区经纬度信息。
步骤304、展开kd-tree；
步骤306、最大方差的维数ki；
其中，ki是指目标小区预设范围内的小区的数量。
步骤308、选取ki维中值kv作为阈值；
步骤310、分割数据；
步骤312、左子树特征点数据；
步骤314、展开左子树；
步骤316、右子树特征点数据；
步骤318、展开右子树。
对应的，KD-tree的最邻近搜索过程如下：
S31、从根节点开始递归往下移。
与KD-tree构建过程类似，比较待查询节点和分裂节点的分裂维的值，小于等于就进入左子树分支，等于就进入右子树分支直到叶子结点。
S32、如果移动到叶子节点，将该节点当作“当前最佳点”。
S33、回溯搜索路径，在递归过程中，对每个经过的节点如果当前所在点比当前最佳点更靠近输入点，则将其变为当前最佳点，否则检查另一边子树有没有更近的点，如果有则从该节点往下找。
S34、当根节点搜索完毕后完成最邻近搜索。
基于此，本实施例利用KD-tree算法可以高效计算每个小区相邻的N个小区。
步骤106、基于所述目标小区和最邻近小区的业务流量数据，以及所述最邻近小区与所述目标小区的空间关系，生成时空特征矩阵；
其中，空间关系是指是指各实体空间之间的关系，包括拓扑空间关系，顺序空间关系和度量空间关系。
步骤106的一种实现方式可以为：
基于所述最邻近小区与所述目标小区的空间关系，得到空间维度的特征数据；基于所述目标小区和最邻近小区的业务流量数据，得到时间维度的特征数据；将所述空间维度的特征数据和所述时间维度的特征数据转换为二维特征矩阵，所述二维特征矩阵的纵向数据为基于与所述目标小区之间的距离排布的最邻近小区序列，所述二维特征矩阵的横向为按时序排布的时间单元和各时间单元对应的小区流量。
对于该实现方式，需要说明的是，一个小区的流量通常不仅和它的自身的历史流量数据有关，还和其相邻位置的小区流量有关，将输入数据转换成一张带数据的地图，并采用CNN模型(卷积神经网络)提取图中局部特征，将其转化为一组矩阵式数据，结合时间信息，构建一种包含了时间信息和空间信息的二维特征矩阵，特征矩阵的横向时按时间先后排序的小区流量及时间数据，纵向代表小区地理位置的先后顺序。
基于此，本实施例考虑流量负载存在空间相关性，相邻小区之间的负载接近，引入邻区负载特征，可以提升模型预测精度。
另外，考虑到特定时间点以及外部环境导致的用户流动性，如对于商务区，工作时间段一般人数较多、非工作时间段一般人数较少且人数差别明显。由此，本实施例还引入了相关数据，即所述流量相关数据还包括：外部环境数据和闲忙时间数据，所述忙闲时间数据用于区分忙闲时段和节假日时段；
则步骤106的另一种实现方式可以为：
基于所述目标小区和最邻近小区的业务流量数据、所述最邻近小区与所述目标小区的空间关系、以及外部环境数据和闲忙时间数据，生成时空特征矩阵。
其中，时空特征矩阵具体可如下所示：
Figure BDA0002997911390000091
其中，N为步骤4通过KD-tree算法计算得到N个相邻小区，si(t-n)是小区i在t-n时刻流量情况，是Si＝[si(t-n)si(t-(n+1))...si(t-1)]小区i在前n时刻的历史流量情况，H为小时、W为星期，用于区分忙闲时及节假日场景情况，T为气温等外部因素。
基于此，本实施例还考虑了忙闲时和节假日以及外部环境对小区流量的影响，可进一步地提高模型的训练和预测精确度。
步骤108、将所述时空特征矩阵作为预训练的卷积长短时记忆神经网络的输入，得到所述卷积长短时记忆神经网络输出所述目标小区在预设未来时段的流量预测结果。具体地：
首先，参见图4，对卷积长短时记忆神经网络的数据流进行说明：
LSTM是一种时间递归神经网络(RNN)，继承了RNN优点的同时，解决了梯度反传过程由于逐步缩减而产生的梯度消失问题。由于LSTM的独特结构，可以捕捉相当长的相关信息，适用时间序列预测等场景。
LSTM网络是有LSTM每个单元所串接而成的，如图5所示，LSTM主要有遗忘门(Forget Gate)、输入门(Input Gate)和输出门(Output Gate)的组成。LSTM网元结构如图6所示。其中Ct-1代表上一时刻的记忆信息，Ct代表当前时刻的记忆信息。ht-1是前一刻的输出，ht是LSTM单元的输出。遗忘门ft决定了前一时刻的记忆信息多少会被记住，1为保留，0为舍弃。用Sigmoid函数主要原因是得到有个0～1之间的数，作为遗忘门的控制信号。输入门决定当前的输入有多少被保留下来，由两部分决定，输入门的结果(Sigmoid)和新的候选向量(Tanh)。前一刻的记忆信息Ct-1通过遗忘门ft,当前时刻的输入
Figure BDA0002997911390000101
通过输入门it加起来得到当前的记忆信息。LSTM的输出是由输出门和当前记忆信息共同决定的：ht＝ot*tanh(Ct)。
其次，参见图5，对上述卷积长短时记忆神经网络的应用过程进行详细说明：
对经过上述步骤获取的时空特征矩阵，卷积层中使用若干个滤波器对输入数据的空间信息进行卷积，然后数据再被输入到LSTM层中，最后通过一层全连接层出来，输出下一个时刻的每个小区流量，如图7所示，然后如图8对整个模型进行训练后应用于生产环境。
由此可知，本实施例通过引入本小区和邻近小区的业务流量数据和小区工参数据，综合考虑小区流量与周围相邻小区在时间上传递关系，以及本小区和邻近小区之间的空间关系，从而可采用卷积长短时记忆神经网络精确预测各个小区的流量。
图9为本说明书另一实施例提供的一种基站流量处理方法的流程示意图，参见图9，所述方法具体可以包括如下步骤：
步骤902、获取目标基站在预设历史时段的流量相关数据，所述流量相关数据至少包括业务流量数据和小区工参数据，其中，所述业务流量数据用于描述所述目标基站对应的目标小区在所述预设历史时段内的各时间单元的流量使用情况；
步骤904、基于所述小区工参数据，确定所述目标小区的最邻近小区以及所述最邻近小区与所述目标小区的空间关系；
步骤906、基于所述目标小区和最邻近小区的业务流量数据，以及所述最邻近小区与所述目标小区的空间关系，生成时空特征矩阵；
步骤908、将所述时空特征矩阵作为预训练的卷积长短时记忆神经网络的输入，得到所述卷积长短时记忆神经网络输出所述目标小区在预设未来时段的流量预测结果；
步骤910、基于所述目标小区在预设未来时段的流量预测结果，调整所述目标基站在预设未来时段的载频。
对于步骤902至步骤908，由于其分别与图1对应实施例中的步骤102-步骤108对应相似，其实现方式也对应相似，故，此处不再展开说明。
对于步骤910，需要说明的是，其一种实现方式可以为；
S91、获取所述目标小区的用户数和用户访问的各类业务占比；
其中，各类业务占比是指用户使用的消耗流量的各类业务的占比。
S92、基于所述用户数、所述各类业务占比以及所述流量预测结果，调整所述目标基站在预设未来时段的载频。具体地：
获取预设的用于调整基站载频的多个调整规则，所述调整规则包括调整动作及其触发条件，所述触发条件用于限制流量预测结果、用户数、高消耗型业务占比；将所述用户数、所述各类业务占比以及所述流量预测结果与各调整规则的触发条件进行匹配，得到相匹配的目标调整规则；若确定满足所述目标调整规则对应的执行条件，则在所述预设未来时段执行所述目标调整规则的调整动作。
需要说明的是，不同调整规则对应的执行条件，此处不做一一列举，仅示例如下：
当所述目标调整规则的调整动作为将用户业务迁移至覆盖所述目标小区的其他基站时，获取所述其他基站的网管数据；基于所述网管数据，判断所述其他基站的剩余负荷容量能否承担所述目标小区的用户业务；若是，则确定满足所述目标调整规则对应的执行条件。
基于此，本实现方式通过引入网管数据，并将其作为用户数、所述各类业务占比以及所述流量预测结果的辅助数据，以帮助精确调整基站载频，从而有效提高基站载频的调整有效性。
进一步地，本实施例提供了多个调整规则，至少包括：第一调整规则、第二调整规则和第三调整规则，其中：
第一调整规则的调整动作为关闭所述目标基站的载频，约束条件为流量预测结果和用户数均为零，执行条件为空；
第二调整规则的调整动作为关闭所述目标基站的载频并将用户业务迁移至其他基站，约束条件为流量预测结果和用户数不为零，且流量预测结果处于预设低流量范围或用户数处于预设低数量范围，大流量业务的占比处于预设低占比范围，所述大流量业务至少包括视频业务；所述执行条件为存在其他覆盖所述目标小区的其他基站且所述其他基站的剩余负荷容量支持所述用户业务；
第三调整规则的调整动作为维持开启所述目标基站的载频，约束条件为流量预测结果处于预设高流量范围或用户数处于预设高数量范围，大流量业务的占比处于预设高占比范围。
由此可见，本实施例在图1对应的实施例的基础上，根据各个基站覆盖情况及其步骤5预测的流量、用户数及其用户访问业务行为进行综合判断，并进行智能小区关断，从而能够达到节能的目的。而且，在异频重叠覆盖场景或者4/5G重叠覆盖情况下，当本载频上的用户数较少时，将用户迁移到负荷允许的目标基础载频上，然后关掉本载频，以节省基站能耗。
图10为本说明书一实施例提供的一种基站流量处理装置的结构示意图，参见图10，所述装置具体可以包括：
获取模块1001，用于获取目标基站在预设历史时段的流量相关数据，所述流量相关数据至少包括业务流量数据、网管数据和小区工参数据，其中，所述业务流量数据用于描述所述目标基站对应的目标小区在所述预设历史时段内的各时间单元的流量使用情况；
第一处理模块1002，用于基于所述小区工参数据，确定所述目标小区的最邻近小区以及所述最邻近小区与所述目标小区的空间关系；
第二处理模块1003，用于基于所述目标小区和最邻近小区的业务流量数据，以及所述最邻近小区与所述目标小区的空间关系，生成时空特征矩阵；
输入模块1004，用于将所述时空特征矩阵作为预训练的卷积长短时记忆神经网络的输入，得到所述卷积长短时记忆神经网络输出所述目标小区在预设未来时段的流量预测结果。
可选的，所述小区工参数据包括小区经纬度，所述第一处理模块1002，具体用于：
确定位于所述目标小区预设范围内的小区列表；基于所述目标小区和所述小区列表中各小区的小区经纬度，采用KD-tree算法进行最邻近搜索，得到所述目标小区的最相邻小区。
可选的，第二处理模块1003，具体用于：
基于所述最邻近小区与所述目标小区的空间关系，得到空间维度的特征数据；基于所述目标小区和最邻近小区的业务流量数据，得到时间维度的特征数据；将所述空间维度的特征数据和所述时间维度的特征数据转换为二维特征矩阵，所述二维特征矩阵的纵向数据为基于与所述目标小区之间的距离排布的最邻近小区序列，所述二维特征矩阵的横向为按时序排布的时间单元和各时间单元对应的小区流量。
可选的，所述流量相关数据还包括：外部环境数据和闲忙时间数据，所述忙闲时间数据用于区分忙闲时段和节假日时段；第二处理模块1003，具体用于：
基于所述目标小区和最邻近小区的业务流量数据、所述最邻近小区与所述目标小区的空间关系、以及外部环境数据和闲忙时间数据，生成时空特征矩阵。
可选的，装置还包括：
调整模块，用于获取所述目标小区的用户数和用户访问的各类业务占比；基于所述用户数、所述各类业务占比以及所述流量预测结果，调整所述目标基站在预设未来时段的载频。
可选的，调整模块，具体用于：
获取预设的用于调整基站载频的多个调整规则，所述调整规则包括调整动作及其触发条件，所述触发条件用于限制流量预测结果、用户数、高消耗型业务占比；将所述用户数、所述各类业务占比以及所述流量预测结果与各调整规则的触发条件进行匹配，得到相匹配的目标调整规则；若确定满足所述目标调整规则对应的执行条件，则在所述预设未来时段执行所述目标调整规则的调整动作。
可选的，所述调整模块，具体用于：
当所述目标调整规则的调整动作为将用户业务迁移至覆盖所述目标小区的其他基站时，获取所述其他基站的网管数据；基于所述网管数据，判断所述其他基站的剩余负荷容量能否承担所述目标小区的用户业务；若是，则确定满足所述目标调整规则对应的执行条件。
可选的，所述业务流量数据为通过DPI信令计算获得；其中，所述业务流量数据至少包括：上下行流量、用户数、各类业务占比。
由此可见，本实施例通过引入本小区和邻近小区的业务流量数据和小区工参数据，综合考虑小区流量与周围相邻小区在时间上传递关系，以及本小区和邻近小区之间的空间关系，从而可采用卷积长短时记忆神经网络精确预测各个小区的流量。
另外，对于上述装置实施方式而言，由于其与方法实施方式基本相似，所以描述的比较简单，相关之处参见方法实施方式的部分说明即可。应当注意的是，在本说明书的装置的各个部件中，根据其要实现的功能而对其中的部件进行了逻辑划分，但是，本说明书不受限于此，可以根据需要对各个部件进行重新划分或者组合。
图11为本说明书一实施例提供的一种网络设备的结构示意图，参见图11，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成基站流量处理装置。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
网络接口、处理器和存储器可以通过总线系统相互连接。总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图11中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器可能包含高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器。
处理器，用于执行所述存储器存放的程序，并具体执行：
获取目标基站在预设历史时段的流量相关数据，所述流量相关数据至少包括业务流量数据和小区工参数据，其中，所述业务流量数据用于描述所述目标基站对应的目标小区在所述预设历史时段内的各时间单元的流量使用情况；
基于所述小区工参数据，确定所述目标小区的最邻近小区以及所述最邻近小区与所述目标小区的空间关系；
基于所述目标小区和最邻近小区的业务流量数据，以及所述最邻近小区与所述目标小区的空间关系，生成时空特征矩阵；
将所述时空特征矩阵作为预训练的卷积长短时记忆神经网络的输入，得到所述卷积长短时记忆神经网络输出所述目标小区在预设未来时段的流量预测结果。
或者，
获取目标基站在预设历史时段的流量相关数据，所述流量相关数据至少包括业务流量数据和小区工参数据，其中，所述业务流量数据用于描述所述目标基站对应的目标小区在所述预设历史时段内的各时间单元的流量使用情况；
基于所述小区工参数据，确定所述目标小区的最邻近小区以及所述最邻近小区与所述目标小区的空间关系；
基于所述目标小区和最邻近小区的业务流量数据，以及所述最邻近小区与所述目标小区的空间关系，生成时空特征矩阵；
将所述时空特征矩阵作为预训练的卷积长短时记忆神经网络的输入，得到所述卷积长短时记忆神经网络输出所述目标小区在预设未来时段的流量预测结果；
基于所述目标小区在预设未来时段的流量预测结果，调整所述目标基站在预设未来时段的载频。
上述如本说明书图10所示实施例揭示的基站流量处理装置或管理者(Master)节点执行的方法可以应用于处理器中，或者由处理器实现。处理器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 Processor，DSP)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现场可编程门阵列(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。可以实现或者执行本说明书实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本说明书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。
基站流量处理装置还可执行图1-9的方法，并实现管理者节点执行的方法。
基于相同的发明创造，本说明书实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行图1-9对应的实施例提供的基站流量处理方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。

Claims (10)

1.一种基站流量处理方法，其特征在于，包括：
获取目标基站在预设历史时段的流量相关数据，所述流量相关数据至少包括业务流量数据和小区工参数据，其中，所述业务流量数据用于描述所述目标基站对应的目标小区在所述预设历史时段内的各时间单元的流量使用情况；
基于所述小区工参数据，确定所述目标小区的最邻近小区以及所述最邻近小区与所述目标小区的空间关系；
基于所述目标小区和最邻近小区的业务流量数据，以及所述最邻近小区与所述目标小区的空间关系，生成时空特征矩阵；
将所述时空特征矩阵作为预训练的卷积长短时记忆神经网络的输入，得到所述卷积长短时记忆神经网络输出所述目标小区在预设未来时段的流量预测结果。
2.根据权利要求1所述的方法，其特征在于，所述小区工参数据包括小区经纬度，所述基于所述小区工参数据，确定所述目标小区的最邻近小区，包括：
确定位于所述目标小区预设范围内的小区列表；
基于所述目标小区和所述小区列表中各小区的小区经纬度，采用KD-tree算法进行最邻近搜索，得到所述目标小区的最相邻小区。
3.根据权利要求1所述的方法，其特征在于，所述基于所述目标小区和最邻近小区的业务流量数据，以及所述最邻近小区与所述目标小区的空间关系，生成时空特征矩阵，包括：
基于所述最邻近小区与所述目标小区的空间关系，得到空间维度的特征数据；
基于所述目标小区和最邻近小区的业务流量数据，得到时间维度的特征数据；
将所述空间维度的特征数据和所述时间维度的特征数据转换为二维特征矩阵，所述二维特征矩阵的纵向数据为基于与所述目标小区之间的距离排布的最邻近小区序列，所述二维特征矩阵的横向为按时序排布的时间单元和各时间单元对应的小区流量。
4.根据权利要求1所述的方法，其特征在于，所述流量相关数据还包括：外部环境数据和闲忙时间数据，所述忙闲时间数据用于区分忙闲时段和节假日时段；
其中，所述基于所述目标小区和最邻近小区的业务流量数据，以及所述最邻近小区与所述目标小区的空间关系，生成时空特征矩阵，包括：
基于所述目标小区和最邻近小区的业务流量数据、所述最邻近小区与所述目标小区的空间关系、以及外部环境数据和闲忙时间数据，生成时空特征矩阵。
5.根据权利要求1所述的方法，其特征在于，还包括：
获取所述目标小区的用户数和用户访问的各类业务占比；
基于所述用户数、所述各类业务占比以及所述流量预测结果，调整所述目标基站在预设未来时段的载频。
6.根据权利要求5所述的方法，其特征在于，所述基于所述用户数、所述各类业务占比以及所述流量预测结果，调整所述目标基站在预设未来时段的载频，包括：
获取预设的用于调整基站载频的多个调整规则，所述调整规则包括调整动作及其触发条件，所述触发条件用于限制流量预测结果、用户数、高消耗型业务占比；
将所述用户数、所述各类业务占比以及所述流量预测结果与各调整规则的触发条件进行匹配，得到相匹配的目标调整规则；
若确定满足所述目标调整规则对应的执行条件，则在所述预设未来时段执行所述目标调整规则的调整动作。
7.根据权利要求6所述的方法，其特征在于，所述确定满足所述目标调整规则对应的执行条件，包括：
当所述目标调整规则的调整动作为将用户业务迁移至覆盖所述目标小区的其他基站时，获取所述其他基站的网管数据；
基于所述网管数据，判断所述其他基站的剩余负荷容量能否承担所述目标小区的用户业务；
若是，则确定满足所述目标调整规则对应的执行条件。
8.根据权利要求1所述的方法，其特征在于，
所述业务流量数据为通过DPI信令计算获得；
其中，所述业务流量数据至少包括：上下行流量、用户数、各类业务占比。
9.一种基站流量处理装置，其特征在于，包括：
获取模块，用于获取目标基站在预设历史时段的流量相关数据，所述流量相关数据至少包括业务流量数据、网管数据和小区工参数据，其中，所述业务流量数据用于描述所述目标基站对应的目标小区在所述预设历史时段内的各时间单元的流量使用情况；
第一处理模块，用于基于所述小区工参数据，确定所述目标小区的最邻近小区以及所述最邻近小区与所述目标小区的空间关系；
第二处理模块，用于基于所述目标小区和最邻近小区的业务流量数据，以及所述最邻近小区与所述目标小区的空间关系，生成时空特征矩阵；
输入模块，用于将所述时空特征矩阵作为预训练的卷积长短时记忆神经网络的输入，得到所述卷积长短时记忆神经网络输出所述目标小区在预设未来时段的流量预测结果。
10.一种网络设备，其特征在于，包括：通信接口、处理器和存储器；
所述处理器调用所述存储器中的程序指令，用以执行如下动作：
获取目标基站在预设历史时段的流量相关数据，所述流量相关数据至少包括业务流量数据、网管数据和小区工参数据，其中，所述业务流量数据用于描述所述目标基站对应的目标小区在所述预设历史时段内的各时间单元的流量使用情况；
基于所述小区工参数据，确定所述目标小区的最邻近小区以及所述最邻近小区与所述目标小区的空间关系；
基于所述目标小区和最邻近小区的业务流量数据，以及所述最邻近小区与所述目标小区的空间关系，生成时空特征矩阵；
将所述时空特征矩阵作为预训练的卷积长短时记忆神经网络的输入，得到所述卷积长短时记忆神经网络输出所述目标小区在预设未来时段的流量预测结果。
CN202110336654.1A 2021-03-29 2021-03-29 一种基站流量处理方法、装置及网络设备 Active CN115225518B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110336654.1A CN115225518B (zh) 2021-03-29 2021-03-29 一种基站流量处理方法、装置及网络设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110336654.1A CN115225518B (zh) 2021-03-29 2021-03-29 一种基站流量处理方法、装置及网络设备

Publications (2)

Publication Number Publication Date
CN115225518A true CN115225518A (zh) 2022-10-21
CN115225518B CN115225518B (zh) 2024-04-12

Family

ID=83604561

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110336654.1A Active CN115225518B (zh) 2021-03-29 2021-03-29 一种基站流量处理方法、装置及网络设备

Country Status (1)

Country Link
CN (1) CN115225518B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110621026A (zh) * 2019-02-18 2019-12-27 北京航空航天大学 一种基站流量多时刻预测方法
CN110798365A (zh) * 2020-01-06 2020-02-14 支付宝(杭州)信息技术有限公司 基于神经网络的流量预测方法及装置
WO2020043473A1 (en) * 2018-08-31 2020-03-05 International Business Machines Corporation Data prediction
US20200086879A1 (en) * 2018-09-14 2020-03-19 Honda Motor Co., Ltd. Scene classification prediction
US20200204571A1 (en) * 2018-12-19 2020-06-25 AVAST Software s.r.o. Malware detection in network traffic time series
CN111696535A (zh) * 2020-05-22 2020-09-22 百度在线网络技术（北京）有限公司 基于语音交互的信息核实方法、装置、设备和计算机存储介质
CN111798066A (zh) * 2020-07-17 2020-10-20 山东协和学院 一种城市尺度下小区流量多维度预测方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020043473A1 (en) * 2018-08-31 2020-03-05 International Business Machines Corporation Data prediction
US20200086879A1 (en) * 2018-09-14 2020-03-19 Honda Motor Co., Ltd. Scene classification prediction
US20200204571A1 (en) * 2018-12-19 2020-06-25 AVAST Software s.r.o. Malware detection in network traffic time series
CN110621026A (zh) * 2019-02-18 2019-12-27 北京航空航天大学 一种基站流量多时刻预测方法
CN110798365A (zh) * 2020-01-06 2020-02-14 支付宝(杭州)信息技术有限公司 基于神经网络的流量预测方法及装置
CN111696535A (zh) * 2020-05-22 2020-09-22 百度在线网络技术（北京）有限公司 基于语音交互的信息核实方法、装置、设备和计算机存储介质
CN111798066A (zh) * 2020-07-17 2020-10-20 山东协和学院 一种城市尺度下小区流量多维度预测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
胡博;赵兰奇;张丹;: "基于大数据和机器算法的规划需求价值评估研究", 电信工程技术与标准化, no. 04, 15 April 2018 (2018-04-15) *

Also Published As

Publication number Publication date
CN115225518B (zh) 2024-04-12

Similar Documents

Publication Publication Date Title
CN109936525B (zh) 一种基于图结构模型的异常账号防控方法、装置以及设备
CN110996377B (zh) 一种基站节能方法、系统、装置和存储介质
CN110417607B (zh) 一种流量预测方法、装置及设备
CN101442762A (zh) 网络性能分析以及网络故障定位方法和装置
Caceres et al. Inferring origin–destination trip matrices from aggregate volumes on groups of links: a case study using volumes inferred from mobile phone data
US9998876B2 (en) Inferring user equipment location data based on sector transition
CN112836911A (zh) 小区节能参数的确定方法、装置、电子设备及存储介质
CN114118748B (zh) 一种服务质量预测方法、装置、电子设备及存储介质
CN114071525B (zh) 基站优化次序确定方法、装置及存储介质
CN115225518A (zh) 一种基站流量处理方法、装置及网络设备
CN111935772A (zh) 一种确定业务区域的价值的方法和装置
Ma et al. Cellular traffic prediction via deep state space models with attention mechanism
Ma et al. Cellular Network Traffic Prediction Based on Correlation ConvLSTM and Self-Attention Network
CN113766523B (zh) 服务小区的网络资源利用率预测方法、装置及电子设备
Huang et al. Fine-grained spatio-temporal distribution prediction of mobile content delivery in 5G ultra-dense networks
CN113762485B (zh) 一种基于注意力机制的多数据集联合预测方法
CN113541993A (zh) 网络评估方法及装置、网络指标处理方法、设备和介质
CN113657635A (zh) 一种预测通信用户流失的方法及电子设备
Chen et al. Meta-NWDAF: A Meta-Learning based Network Data Analytic Function for Internet Traffic Prediction
CN112118581B (zh) 多载波处理方法、装置、系统和计算机可读存储介质
CN115801952B (zh) 一种天线系统的控制方法和系统
CN115908574B (zh) 基于无人机监测的河堤侵占定位推送方法及系统
Suleykin et al. THE SIMULATION-BASED SMART MANAGEMENT APPROACH FOR CELLULAR NETWORK OPERATION AND PLANNING.
Fang Data mining and spatiotemporal analysis of modern mobile data
Wang et al. Adaptive Spatial-Temporal Inception Graph Convolutional Networks for Multi-step Spatial-Temporal Network Data Forecasting

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