CN115422260A - 基站活跃度分析方法、装置、电子设备及可读存储介质 - Google Patents
基站活跃度分析方法、装置、电子设备及可读存储介质 Download PDFInfo
- Publication number
- CN115422260A CN115422260A CN202211085695.9A CN202211085695A CN115422260A CN 115422260 A CN115422260 A CN 115422260A CN 202211085695 A CN202211085695 A CN 202211085695A CN 115422260 A CN115422260 A CN 115422260A
- Authority
- CN
- China
- Prior art keywords
- base station
- activity
- data
- target time
- time window
- 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
Links
- 230000000694 effects Effects 0.000 title claims abstract description 277
- 238000004458 analytical method Methods 0.000 title description 10
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims description 12
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F16/2462—Approximate or statistical 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Fuzzy Systems (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Remote Sensing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请提供一种基站活跃度分析方法、装置、电子设备及可读存储介质。该方法包括:获取目标时间窗口内的各基站的活跃度基础数据;计算各所述基站的活跃度基础数据在所述目标时间窗口内的统计特征,以获得目标时间窗口内的各基站的活跃度时序数据;根据各所述基站的活跃度时序数据和预测模型,输出获得各基站在目标时刻的活跃度,所述目标时刻是所述目标时间窗口的结束时刻的下一时刻。本申请的方法,可以提前确定基站目标时刻的运行情况,从而有利于及时对基站做出节能措施。
Description
技术领域
本申请涉及基站技术,尤其涉及一种基站活跃度分析方法、装置、电子设备及可读存储介质。
背景技术
基站作为为用户提供服务的基础单位,其运行状态关系着整个网路服务的质量。对基站运行状态及其活跃度进行实时评估,建立基站活跃度分析系统,可供运营商全面掌握全国基站实际资源使用情况,也为后续基站节能、基站选址等提供指导。
目前,基站评估分析系统或者基站健康度分析系统,一般采集单站频率带宽数据或动环、功耗数据,对基站运行状态,以对基站的历史运行状态或当前的运行状态进行评估。尚无针对基站的历史运行情况,对基站将来的运行情况进行预测,不利于及时对基站做出节能措施。
发明内容
本申请提供一种基站活跃度分析方法、装置、电子设备及可读存储介质,用以解决现有技术中,不利于及时对基站做出节能措施的技术问题。
第一方面,本申请提供一种基站活跃度分析方法,所述方法包括:
获取目标时间窗口内的各基站的活跃度基础数据,各所述基站的活跃度基础数据是表征基站的活跃程度的基础性数据;
计算各所述基站的活跃度基础数据在所述目标时间窗口内的统计特征,以获得目标时间窗口内的各基站的活跃度时序数据;
根据各所述基站的活跃度时序数据和预测模型,输出获得各基站在目标时刻的活跃度,所述目标时刻是所述目标时间窗口的结束时刻的下一时刻。
在一个实施例中,各所述基站的活跃度基础数据,包括:基站的运行指标数据、功耗数据、用户面数据和基站覆盖数据。
在一个实施例中,所述计算各所述基站的活跃度基础数据在所述目标时间窗口内的统计特征,以获得目标时间窗口内的各基站的活跃度时序数据,包括:
计算各所述基站的活跃度基础数据在所述目标时间窗口内的统计特征,以获得各基站的活跃度基础数据的统计特征;
将各所述基站的活跃度基础数据的统计特征与对应基站的地理位置进行关联,以获得目标时间窗口内的各基站的活跃度时序数据;
其中,所述统计特征包括最大值、最小值、平均值、中位数、标准差、同比和环比。
在一个实施例中,所述计算各所述基站的活跃度基础数据在所述目标时间窗口内的统计特征,以获得目标时间窗口内的各基站的活跃度时序数据之前,还包括:
对各所述基站的活跃度基础数据进行缺失值填充,以获得各基站填充后的活跃度基础数据;
所述计算各所述基站的活跃度基础数据在所述目标时间窗口内的统计特征,以获得目标时间窗口内的各基站的活跃度时序数据,包括:
计算各所述基站填充后的活跃度基础数据在所述目标时间窗口内的统计特征,以获得目标时间窗口内的各基站的活跃度时序数据。
在一个实施例中,所述根据各所述基站的活跃度时序数据和预测模型,输出获得各基站在目标时刻的活跃度,包括:
将各所述基站的活跃度时序数据和对应的标签,输入到所述预测模型中,输出获得各基站在目标时刻的活跃度;
其中,所述标签为每个基站的运行状态类型,所述运行状态类型至少包括活跃和不活跃。
在一个实施例中,所述预测模型为LightGBM模型和SVM模型中的任一种。
在一个实施例中,所述将各所述基站的活跃度基础数据的统计特征与对应基站的地理位置进行关联,以获得目标时间窗口内的各基站的活跃度时序数据,包括:
采用结构化数据处理引擎Spark SQL对各所述基站的活跃度基础数据的统计特征与对应基站的地理位置进行关联,以获得目标时间窗口内的各基站的活跃度时序数据。
第二方面,本申请提供一种基站活跃度分析装置,所述装置包括:
基础数据获取模块,用于获取目标时间窗口内的各基站的活跃度基础数据,各所述基站的活跃度基础数据是表征基站的活跃程度的基础性数据;
时序数据获取模块,用于计算各所述基站的活跃度基础数据在所述目标时间窗口内的统计特征,以获得目标时间窗口内的各基站的活跃度时序数据;
活跃度获取模块,用于根据各所述基站的活跃度时序数据和预测模型,输出获得各基站在目标时刻的活跃度,所述目标时刻是所述目标时间窗口的结束时刻的下一时刻。
第三方面,本申请提供一种电子设备,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如第一方面所述的方法。
第四方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如第一方面所述的方法。
本申请提供的基站活跃度分析方法、装置、电子设备及可读存储介质,通过获取目标时间窗口内的各基站的活跃度基础数据,各所述基站的活跃度基础数据是表征基站的活跃程度的基础性数据;计算各所述基站的活跃度基础数据在所述目标时间窗口内的统计特征,以获得目标时间窗口内的各基站的活跃度时序数据;根据各所述基站的活跃度时序数据和预测模型,输出获得各基站在目标时刻的活跃度,所述目标时刻是所述目标时间窗口的结束时刻的下一时刻。各基站的活跃度时序数据包括各基站的活跃度基础数据在目标时间窗口内的统计特征,各基站的活跃度基础数据是表征基站的活跃程度的基础性数据,因此根据各基站的活跃度时序数据和预测模型,可以确定各基站在目标时刻所对应的活跃度。相比于现有技术,由于本申请能够基于历史的基站的活跃度基础数据,预测获得各基站在目标时刻的活跃度,实现了对基站将来的运行情况进行预测,有利于及时对基站作出节能措施。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为实现本申请实施例的基站活跃度预测方法的一种应用场景图;
图2为本申请一实施例的实现基站活跃度预测方法的流程示意图;
图3为本申请另一实施例的实现基站活跃度预测方法的流程示意图;
图4为本申请实现基站活跃度预测方法的结构示意图;
图5为用来实现基站活跃度预测方法中的电子设备的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
为了清楚理解本申请的技术方案,首先对现有技术的方案进行详细介绍。
传统方式中,基站评估分析系统或者基站健康度分析系统,一般采集单站频率带宽数据或动环、功耗数据,对基站运行状态,以对基站的历史运行状态或当前的运行状态进行评估(即,根据当前各指标数据分析当前的运行状态是处于什么样的状态)。尚无针对基站的历史运行情况,对基站将来的运行情况进行预测,不利于及时对基站做出节能措施。
所以在面对现有技术的技术问题时,发明人通过创造性的研究后发现,为了提高对基站做出节能措施的响应速度,及时对基站做出节能措施。因而获取目标时间窗口内的各基站的活跃度基础数据;计算各基站的活跃度基础数据在目标时间窗口内的统计特征,以获得目标时间窗口内的各基站的活跃度时序数据;根据各基站的活跃度时序数据和预测模型,输出获得各基站在目标时刻的活跃度。各基站的活跃度时序数据包括各基站的活跃度基础数据在目标时间窗口内的统计特征,各基站的活跃度基础数据是表征基站的活跃程度的基础性数据,因此根据各基站的活跃度时序数据和预测模型,可以确定各基站在目标时刻所对应的活跃度。相比于现有技术,由于本申请能够基于历史的基站的活跃度基础数据,预测获得各基站在目标时刻的活跃度,实现了对基站将来的运行情况进行预测,有利于及时对基站作出节能措施。
如图1所示,本申请实施例提供的基站活跃度预测方法的应用场景,在该应用场景中对应的网络架构中包括电子设备10和各基站20,各基站20和电子设备10之间进行通信连接。电子设备10可以用于采集各基站的活跃度基础数据并存储,图1中仅示出了基站1和基站n,n为正整数。在进行基站活跃度预测时,电子设备10可以从存储的各基站的活跃度基础数据中,获取目标时间窗口内的各基站的活跃度基础数据。计算各基站的活跃度基础数据在目标时间窗口内的统计特征,从而获得目标时间窗口内的各基站的活跃度时序数据。根据各基站的活跃度时序数据和预测模型,可以输出获得各基站20在目标时刻的活跃度。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
图2是本申请一实施例提供的基站活跃度预测方法,如图2所示,本实施例提供的基站活跃度预测方法的执行主体是电子设备。则本实施例提供的基站活跃度预测方法包括以下步骤:
步骤101,获取目标时间窗口内的各基站的活跃度基础数据。
其中,目标时刻是要预测得到各基站的活跃度的时刻,预测各基站在目标时刻的基站活跃度时,是根据目标时刻之前的一段时间内各基站的活跃度基础数据进行预测的。即,目标时间窗口是目标时刻之前的一段时间,目标时刻是目标时间窗口的结束时刻的下一时刻。可选地,下一时刻可以精确到小时,或者精确到分钟。
示例性地,假如目标时刻是今天11点,目标时间窗口是7天,则目标时间窗口的结束时刻是今天10点,目标时间窗口的起始时刻是7天前11点。
基站的活跃度基础数据是指可以表征基站的活跃程度的基础性数据,包括运行指标数据、功耗数据、用户面数据和基站覆盖数据。运行指标数据包括基站发射功率、无线接入成功率、CQI优良率、上下行流量、上下行利用率、退服时长等。功耗数据包括基站RRU/AAU能耗、BBU能耗、整站能耗、CPU平均负荷等指标数据。用户面数据包括基站用户数、用户上下行吞吐率等指标数据。基站覆盖数据包括基站不同频段覆盖面积、4G/5G业务覆盖面积等指标数据。
电子设备可以是核心网,以每隔15分钟或1个小时采集各基站的活跃度基础数据,并存储至Hive数据库中。在对基站活跃度进行预测时,则基于目标时刻确定目标时间窗口的结束时刻和时长,核心网从Hive数据库中根据目标时间窗口的起始时刻和时长,确定目标时间窗口的初始时刻,从而获取采样时间点落在目标时间窗口范围内的各基站的活跃度基础数据,即获取目标时间窗口内的各基站的活跃度基础数据。
步骤102,计算各基站的活跃度基础数据在目标时间窗口内的统计特征,以获得目标时间窗口内的各基站的活跃度时序数据。
其中,统计特征可以理解为,各项活跃度基础数据分别在目标时间窗口内对应的分布特征。基站的活跃度时序数据是指各基站的活跃度基础数据。各基站的活跃度时序数据包括各基站的活跃度基础数据在目标时间窗口内的统计特征。根据各基站的活跃度时序数据,可以确定各基站所对应的活跃度。
步骤103,根据各基站的活跃度时序数据和预测模型,输出获得各基站在目标时刻的活跃度。
其中,目标时刻是目标时间窗口的结束时刻的下一时刻。将各基站的活跃度时序数据输入到预测模型中,可以输出获得各基站在目标时刻的活跃度。
可选地,预测模型是聚类算法,将各基站的活跃度时序数据输入到聚类算法,采用聚类算法对各基站的活跃度时序数据进行分类,从而输出获得各基站在目标时刻的活跃度。
可选地,预测模型是神经算法,将各基站的活跃度时序数据输入到神经算法,采用神经算法根据各基站的活跃度时序数据进行预测,从而输出获得各基站在目标时刻的活跃度。
本申请中,获取目标时间窗口内的各基站的活跃度基础数据,各基站的活跃度基础数据是表征基站的活跃程度的基础性数据;计算各基站的活跃度基础数据在目标时间窗口内的统计特征,以获得目标时间窗口内的各基站的活跃度时序数据;根据各基站的活跃度时序数据和预测模型,输出获得各基站在目标时刻的活跃度,目标时刻是目标时间窗口的结束时刻的下一时刻。各基站的活跃度时序数据包括各基站的活跃度基础数据在目标时间窗口内的统计特征,各基站的活跃度基础数据是表征基站的活跃程度的基础性数据,因此根据各基站的活跃度时序数据和预测模型,可以确定各基站在目标时刻所对应的活跃度。相比于现有技术,由于本申请能够基于历史的基站的活跃度基础数据,预测获得各基站在目标时刻的活跃度,实现了对基站将来的运行情况进行预测,有利于及时对基站作出节能措施。
作为一种可选实施方式,如图3所示,本实施例中,步骤102,包括以下步骤:
步骤201,计算各基站的活跃度基础数据在目标时间窗口内的统计特征,以获得各基站的活跃度基础数据的统计特征。
其中,基站的活跃度基础数据的统计特征是指,基站的每项活跃度基础数据的分布特征。基站的活跃度基础数据的统计特征包括各项活跃度基础数据在目标时间窗口内的最大值、最小值、平均值、中位数、标准差、同比和环比。例如,目标时间窗口为7天,某基站的某项活跃度基础数据具有20个,则该项活跃度基础数据的最小值,即这20个数据中数值最小的。
步骤202,将各基站的活跃度基础数据的统计特征与对应基站的地理位置进行关联,以获得目标时间窗口内的各基站的活跃度时序数据。
其中,将各基站的活跃度基础数据的统计特征与对应的基站的地理位置进行关联,是为了确保基站的活跃度基础数据的统计特征与基站的关系绑定,以免出现基站的活跃度基础数据的统计特征与其基站不符合的情况。关联可以理解为,将各基站的活跃度基础数据的统计特征与对应的基站的地理位置构建映射关系。
本实施例中,计算各基站的活跃度基础数据在目标时间窗口内的统计特征,以获得各基站的活跃度基础数据的统计特征;将各基站的活跃度基础数据的统计特征与对应基站的地理位置进行关联,以获得目标时间窗口内的各基站的活跃度时序数据;其中,统计特征包括最大值、最小值、平均值、中位数、标准差、同比和环比。由于将各基站的活跃度基础数据的统计特征与对应的基站的地理位置进行了关联,从而有利于各基站的活跃度时序数据的准确性。
在另一个实施例中,本实施例中,步骤102,还可以是包括以下步骤:
步骤301,计算各基站的活跃度基础数据在目标时间窗口内的统计特征,以获得各基站的活跃度基础数据的统计特征。
步骤302,将各基站的活跃度基础数据的统计特征、各基站的活跃度基础数据与对应基站的地理位置进行关联,以获得目标时间窗口内的各基站的活跃度时序数据;其中,统计特征包括最大值、最小值、平均值、中位数、标准差、同比和环比。
本实施例中,主要是步骤302与步骤202存在区别,即,各基站的活跃度时序数据可以在包括各基站的活跃度基础数据的统计特征的基础上,还包括各基站的活跃度基础数据。
作为一种可选实施方式,在步骤102之前,还包括步骤401,对各基站的活跃度基础数据进行缺失值填充,以获得各基站填充后的活跃度基础数据。
其中,由于电子设备在采集各基站的活跃度基础数据过程中,有可能会发生数据丢失。为了保证各基站在目标时刻的活跃度的预测准确度,因此,先将各基站的活跃度基础数据进行缺失值填充,从而基于各基站填充后的活跃度基础数据计算各自在目标时间窗口内的统计特征,以获得更准确的目标时间窗口内的各基站的活跃度时序数据。
即,上述步骤102,计算各基站的活跃度基础数据在目标时间窗口内的统计特征,以获得目标时间窗口内的各基站的活跃度时序数据,包括:计算各基站填充后的活跃度基础数据在目标时间窗口内的统计特征,以获得目标时间窗口内的各基站的活跃度时序数据。
本实施例中,通过对各基站的活跃度基础数据进行缺失值填充,以获得各基站填充后的活跃度基础数据;以及计算各基站填充后的活跃度基础数据在目标时间窗口内的统计特征,以获得目标时间窗口内的各基站的活跃度时序数据。由于是基于各基站填充后的活跃度基础数据,以获得目标时间窗口内的各基站的活跃度时序数据,因此可以提高各基站的活跃度时序数据的准确性。
作为一种可选实施方式,将各基站的活跃度时序数据和对应的标签,输入到预测模型中,输出获得各基站在目标时刻的活跃度;其中,标签为每个基站的运行状态类型,运行状态类型至少包括活跃和不活跃。
其中,预测模型的输入可以理解为,一个二维矩阵M×N,M为全国基站数,N为输入特征的个数,输入特征包括基站地理位置信息、基站覆盖数据、目标时间窗口内某基站在每个时间点上某运行指标数据、目标时间窗口内某运行指标的最大值、最小值、平均值、差分值、中位数、标准差、滞后差分、滞后滚动平均值、同比和环比等。各基站的活跃度时序数据标签是由运维专家提前标注的,一个二维矩阵中的每个基站都有对应的标签,标签的内容是基站的运行状态类型,运行状态类型即基站的运行状态的类型,至少包括活跃和不活跃,还可以将活跃和不活跃进一步细分,例如一般活跃、非常活跃、一般不活跃和非常不活跃。
可选地,预测模型可以为LightGBM模型和SVM模型中的任一种。LightGBM模型和SVM模型是成熟的机器学习分类模型,此处不做赘述。
本实施例中,将各基站的活跃度时序数据和对应的标签,输入到预测模型中,输出获得各基站在目标时刻的活跃度;其中,标签为每个基站的运行状态类型,运行状态类型至少包括活跃和不活跃。由于是将各基站的活跃度时序数据和对应的标签输入到预测模型中,因此输出的基站的活跃度可以直接为活跃度,便于人工立即判断当前各基站的活跃度状况,及时作出节能措施。
此外,由于训练数据量较大,在预测模型的训练过程中可以采用结构化数据处理引擎spark进行处理。
作为一种可选实施方式,步骤202,具体包括:采用结构化数据处理引擎Spark SQL对各基站的活跃度基础数据的统计特征与对应基站的地理位置进行关联,以获得目标时间窗口内的各基站的活跃度时序数据。
其中,Spark SQL是Spark用来处理结构化数据的一个模块,是一种结构化数据处理引擎。它提供了一个编程抽象DataFrame,并且可作为分布式SQL的查询引擎使用。SparkSQL通过先转换成RDD(SparkCore的数据抽象),再提交到集群中去运行,执行效率非常快。在对各基站的活跃度基础数据的统计特征和对应的基站的地理位置进行关联时,数据量较大,通过该结构化数据处理引擎通过进行查询及表关联对数据进行关联,执行速度上可以相对更快。
本实施例中,采用结构化数据处理引擎Spark SQL对各基站的活跃度基础数据的统计特征与对应基站的地理位置进行关联,以获得目标时间窗口内的各基站的活跃度时序数据。由于结构化数据处理引擎Spark SQL的数据处理能力较好,因此在对各基站的活跃度基础数据的统计特征与对应基站的地理位置进行关联时,效率更高。
图4是本申请一实施例提供的基站活跃度预测装置的结构示意图,如图4所示,本实施例提供的基站活跃度预测装置40位于电子设备中,则本实施例提供的基站活跃度预测装置40,包括:基础数据获取模块41,时序数据获取模块42和活跃度获取模块43。
其中,基础数据获取模块41,用于获取目标时间窗口内的各基站的活跃度基础数据,各基站的活跃度基础数据是表征基站的活跃程度的基础性数据。时序数据获取模块42,用于计算各基站的活跃度基础数据在目标时间窗口内的统计特征,以获得目标时间窗口内的各基站的活跃度时序数据。活跃度获取模块43,用于根据各基站的活跃度时序数据和预测模型,输出获得各基站在目标时刻的活跃度,目标时刻是目标时间窗口的结束时刻的下一时刻。
可选地,各基站的活跃度基础数据,包括:基站的运行指标数据、功耗数据、用户面数据和基站覆盖数据。
可选地,时序数据获取模块42,计算各基站的活跃度基础数据在目标时间窗口内的统计特征,以获得目标时间窗口内的各基站的活跃度时序数据时,具体用于:计算各基站的活跃度基础数据在目标时间窗口内的统计特征,以获得各基站的活跃度基础数据的统计特征;将各基站的活跃度基础数据的统计特征与对应基站的地理位置进行关联,以获得目标时间窗口内的各基站的活跃度时序数据;其中,统计特征包括最大值、最小值、平均值、中位数、标准差、同比和环比。
可选地,基站活跃度预测装置40,还包括:缺失值填充模块,用于对各基站的活跃度基础数据进行缺失值填充,以获得各基站填充后的活跃度基础数据。
可选地,活跃度获取模块43,在根据各基站的活跃度时序数据和预测模型,输出获得各基站在目标时刻的活跃度时,具体用于:将各基站的活跃度时序数据和对应的标签,输入到预测模型中,输出获得各基站在目标时刻的活跃度;其中,标签为每个基站的运行状态类型,运行状态类型至少包括活跃和不活跃。
可选地,预测模型为LightGBM模型和SVM模型中的任一种。
可选地,时序数据获取模块42,采用结构化数据处理引擎Spark SQL对各基站的活跃度基础数据的统计特征与对应基站的地理位置进行关联,以获得目标时间窗口内的各基站的活跃度时序数据。
图5是根据一示例性实施例示出的一种电子设备的框图,该设备可以是如图5所示,电子设备,包括:存储器51,处理器52;存储器51用于存储处理器可执行指令的存储器;处理器52用于运行计算机程序或指令,以实现如上任意一个实施例提供的基站活跃度预测方法。
其中,存储器51,用于存放程序。具体地,程序可以包括程序代码,程序代码包括计算机操作指令。存储器51可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
其中,处理器52可能是一个中央处理器(Central Processing Unit,简称为CPU),或者是特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者是被配置成实施本公开实施例的一个或多个集成电路。
可选的,在具体实现上,如果存储器51和处理器52独立实现,则存储器51和处理器52可以通过总线53相互连接并完成相互间的通信。总线53可以是工业标准体系结构(Industry Standard Architecture,简称为ISA)总线53、外部设备互连(PeripheralComponent,简称为PCI)总线53或扩展工业标准体系结构(Extended Industry StandardArchitecture,简称为EISA)总线53等。总线53可以分为地址总线53、数据总线53、控制总线53等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线53或一种类型的总线53。
可选的,在具体实现上,如果存储器51和处理器52集成在一块芯片上实现,则存储器51和处理器52可以通过内部接口完成相同间的通信。
一种非临时性计算机可读存储介质,当该存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行上述电子设备的基站活跃度预测方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种基站活跃度预测方法,其特征在于,所述方法包括:
获取目标时间窗口内的各基站的活跃度基础数据,各所述基站的活跃度基础数据是表征基站的活跃程度的基础性数据;
计算各所述基站的活跃度基础数据在所述目标时间窗口内的统计特征,以获得目标时间窗口内的各基站的活跃度时序数据;
根据各所述基站的活跃度时序数据和预测模型,输出获得各基站在目标时刻的活跃度,所述目标时刻是所述目标时间窗口的结束时刻的下一时刻。
2.根据权利要求1所述的方法,其特征在于,各所述基站的活跃度基础数据,包括:基站的运行指标数据、功耗数据、用户面数据和基站覆盖数据。
3.根据权利要求1所述的方法,其特征在于,所述计算各所述基站的活跃度基础数据在所述目标时间窗口内的统计特征,以获得目标时间窗口内的各基站的活跃度时序数据,包括:
计算各所述基站的活跃度基础数据在所述目标时间窗口内的统计特征,以获得各基站的活跃度基础数据的统计特征;
将各所述基站的活跃度基础数据的统计特征与对应基站的地理位置进行关联,以获得目标时间窗口内的各基站的活跃度时序数据;
其中,所述统计特征包括最大值、最小值、平均值、中位数、标准差、同比和环比。
4.根据权利要求3所述的方法,其特征在于,所述计算各所述基站的活跃度基础数据在所述目标时间窗口内的统计特征,以获得目标时间窗口内的各基站的活跃度时序数据之前,还包括:
对各所述基站的活跃度基础数据进行缺失值填充,以获得各基站填充后的活跃度基础数据;
所述计算各所述基站的活跃度基础数据在所述目标时间窗口内的统计特征,以获得目标时间窗口内的各基站的活跃度时序数据,包括:
计算各所述基站填充后的活跃度基础数据在所述目标时间窗口内的统计特征,以获得目标时间窗口内的各基站的活跃度时序数据。
5.根据权利要求1所述的方法,其特征在于,所述根据各所述基站的活跃度时序数据和预测模型,输出获得各基站在目标时刻的活跃度,包括:
将各所述基站的活跃度时序数据和对应的标签,输入到所述预测模型中,输出获得各基站在目标时刻的活跃度;
其中,所述标签为每个基站的运行状态类型,所述运行状态类型至少包括活跃和不活跃。
6.根据权利要求5所述的方法,其特征在于,所述预测模型为LightGBM模型和SVM模型中的任一种。
7.根据权利要求3所述的方法,其特征在于,所述将各所述基站的活跃度基础数据的统计特征与对应基站的地理位置进行关联,以获得目标时间窗口内的各基站的活跃度时序数据,包括:
采用结构化数据处理引擎Spark SQL对各所述基站的活跃度基础数据的统计特征与对应基站的地理位置进行关联,以获得目标时间窗口内的各基站的活跃度时序数据。
8.一种基站活跃度预测装置,其特征在于,所述装置包括:
基础数据获取模块,用于获取目标时间窗口内的各基站的活跃度基础数据,各所述基站的活跃度基础数据是表征基站的活跃程度的基础性数据;
时序数据获取模块,用于计算各所述基站的活跃度基础数据在所述目标时间窗口内的统计特征,以获得目标时间窗口内的各基站的活跃度时序数据;
活跃度获取模块,用于根据各所述基站的活跃度时序数据和预测模型,输出获得各基站在目标时刻的活跃度,所述目标时刻是所述目标时间窗口的结束时刻的下一时刻。
9.一种电子设备,其特征在于,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1-7中任一项所述的方法。
10.一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中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211085695.9A CN115422260A (zh) | 2022-09-06 | 2022-09-06 | 基站活跃度分析方法、装置、电子设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211085695.9A CN115422260A (zh) | 2022-09-06 | 2022-09-06 | 基站活跃度分析方法、装置、电子设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115422260A true CN115422260A (zh) | 2022-12-02 |
Family
ID=84201752
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211085695.9A Pending CN115422260A (zh) | 2022-09-06 | 2022-09-06 | 基站活跃度分析方法、装置、电子设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115422260A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115994100A (zh) * | 2023-03-22 | 2023-04-21 | 深圳市明源云科技有限公司 | 系统活跃度检测方法、装置、电子设备及可读存储介质 |
CN116209046A (zh) * | 2023-04-28 | 2023-06-02 | 浙江省公众信息产业有限公司 | 一种实时节能的移动通信方法、装置、网络侧设备及介质 |
-
2022
- 2022-09-06 CN CN202211085695.9A patent/CN115422260A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115994100A (zh) * | 2023-03-22 | 2023-04-21 | 深圳市明源云科技有限公司 | 系统活跃度检测方法、装置、电子设备及可读存储介质 |
CN116209046A (zh) * | 2023-04-28 | 2023-06-02 | 浙江省公众信息产业有限公司 | 一种实时节能的移动通信方法、装置、网络侧设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115422260A (zh) | 基站活跃度分析方法、装置、电子设备及可读存储介质 | |
CN108513251B (zh) | 一种基于mr数据的定位方法及系统 | |
CN107547633B (zh) | 一种用户常驻点的处理方法、装置和存储介质 | |
CN113055990B (zh) | 基于大数据挖掘及ai调度的无线基站的节能降耗方法及系统 | |
EP3644581B1 (en) | Edge-cloud collaboration system for analyzing internet of things data and operating method thereof | |
CN111026548B (zh) | 一种逆向深度强化学习的电力通信设备测试资源调度方法 | |
US20230245000A1 (en) | Model evaluation method and apparatus | |
CN109657892A (zh) | 基于数据分析的机器行为识别方法、装置、设备和介质 | |
CN110445824A (zh) | NB-IoT数据上报方法、装置、系统和计算机可读存储介质 | |
CN117076882A (zh) | 一种云服务资源动态预测管理方法 | |
CN108376099A (zh) | 一种优化时延与能效的移动终端计算迁移方法 | |
TW201628384A (zh) | 行動網路基地台訊務預測與資源調度自動分析系統與方法 | |
CN112486676B (zh) | 一种基于边缘计算的数据共享分发装置 | |
CN113676357A (zh) | 面向电力物联网中边缘数据处理的决策方法及其应用 | |
CN110517778A (zh) | 一种智能体重秤的体重管理方法 | |
CN112860768B (zh) | 一种电磁频谱可用频率推荐方法 | |
CN112003900B (zh) | 实现分布式系统中高负载场景下服务高可用的方法、系统 | |
CN115243349A (zh) | 基站节能方法、装置、电子设备及存储介质 | |
CN110781878B (zh) | 目标区域的确定方法及装置、存储介质、电子装置 | |
CN103532233A (zh) | 基于gprs技术的用电信息采集异常精确定位系统 | |
CN114286408A (zh) | 基于天地一体化的网络性能优化方法、系统、装置及介质 | |
CN113938992A (zh) | 一种阈值确定方法及装置 | |
CN114090203A (zh) | 配用电物联网边缘计算任务卸载方法、装置及系统 | |
CN109218992A (zh) | 广播信道的帧发送方法、发送装置及计算机可读存储介质 | |
CN116156538A (zh) | 一种基于SMOTE-ReliefF-XGBoost算法的质差小区根因定位方法 |
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 |