CN115473821B - 网络容量预测方法、装置、电子设备及存储介质 - Google Patents
网络容量预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115473821B CN115473821B CN202110654331.7A CN202110654331A CN115473821B CN 115473821 B CN115473821 B CN 115473821B CN 202110654331 A CN202110654331 A CN 202110654331A CN 115473821 B CN115473821 B CN 115473821B
- Authority
- CN
- China
- Prior art keywords
- network capacity
- model
- network
- factor
- capacity 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 59
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 230000004927 fusion Effects 0.000 claims abstract description 49
- 238000011156 evaluation Methods 0.000 claims abstract description 32
- 238000009499 grossing Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 239000003102 growth factor Substances 0.000 abstract description 18
- 238000012937 correction Methods 0.000 description 16
- 238000004891 communication Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 229910001347 Stellite Inorganic materials 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- AHICWQREWHDHHF-UHFFFAOYSA-N chromium;cobalt;iron;manganese;methane;molybdenum;nickel;silicon;tungsten Chemical compound C.[Si].[Cr].[Mn].[Fe].[Co].[Ni].[Mo].[W] AHICWQREWHDHHF-UHFFFAOYSA-N 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000012216 screening Methods 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
- 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
-
- 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
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明提供一种网络容量预测方法、装置、电子设备及存储介质，其中方法包括：获取待预测区域的容量评估参数；将所述容量评估参数输入至网络容量预测模型，得到所述网络容量预测模型输出的网络容量预测值；其中，所述网络容量预测模型是基于用户增长因子、站点规划因子、网络调整因子和事件影响因子中的至少一种对多个网络容量预测子模型的模型融合结果进行修正后得到的。本发明提供的方法、装置、电子设备及存储介质，提高了网络容量预测的准确度。
Description
技术领域
本发明涉及无线通信技术领域，尤其涉及一种网络容量预测方法、装置、电子设备及存储介质。
背景技术
随着移动通信技术的飞速发展，网络中用户量持续快速增长，需要对网络容量进行准确预测，为网络扩容和网络升级提供依据。
现有技术中，通常是基于业务模型和话务模型的经验模型对网络容量进行预测，但是各类移动应用业务在快速发展，其种类和数量远超已有经验模型，经验模型无法准确反映实际的业务特征，使得网络容量预测的准确度低。
发明内容
本发明提供一种网络容量预测方法、装置、电子设备及存储介质，用于解决现有技术中网络容量预测的准确度低的技术问题。
本发明提供一种网络容量预测方法，包括：
获取待预测区域的容量评估参数；
将所述容量评估参数输入至网络容量预测模型，得到所述网络容量预测模型输出的网络容量预测值；
其中，所述网络容量预测模型是基于用户增长因子、站点规划因子、网络调整因子和事件影响因子中的至少一种对多个网络容量预测子模型的模型融合结果进行修正后得到的。
根据本发明提供的网络容量预测方法，所述多个网络容量预测子模型的模型融合结果是基于如下步骤确定的：
确定多个网络容量预测子模型，以及各个网络容量预测子模型的拟合误差；
基于各个网络容量预测子模型的拟合误差，确定各个网络容量预测子模型的融合权重；
基于各个网络容量预测子模型的融合权重，对所述多个网络容量预测子模型进行融合，得到所述模型融合结果。
根据本发明提供的网络容量预测方法，所述确定多个网络容量预测子模型，以及各个网络容量预测子模型的拟合误差，包括：
获取所述待预测区域的多个连续历史周期的容量评估参数和网络容量实际值；
基于所述多个连续历史周期的容量评估参数和网络容量实际值，对各个网络容量预测子模型进行修正。
根据本发明提供的网络容量预测方法，所述网络容量预测子模型是基于如下步骤确定的：
确定多个初始模型；
基于样本数据集，对每一初始模型进行训练，得到多个候选网络容量预测子模型；
基于每一候选网络容量预测子模型的拟合误差，确定所述网络容量预测子模型。
根据本发明提供的网络容量预测方法，所述初始模型包括修正指数曲线模型、龚伯兹曲线模型、逻辑斯蒂曲线模型和指数平滑法模型中的至少一种。
根据本发明提供的网络容量预测方法，所述站点规划因子是基于如下步骤确定的：
获取连续多周的流量均值和在用站点数均值；
基于当前周的流量均值和在用站点数均值，以及上一周的流量均值和在用站点数均值，确定所述当前周单个站点流量贡献因子；
基于各周单个站点流量贡献因子的均值，确定所述站点规划因子。
根据本发明提供的网络容量预测方法，所述网络调整因子是基于如下步骤确定的：
基于所述待预测区域和所述待预测区域的邻小区的3D MIMO开启状态，确定第一流量增益因子；
基于所述待预测区域和所述待预测区域的邻小区之间的负载均衡开启状态，确定第二流量增益因子；
基于所述第一流量增益因子、所述第二流量增益因子以及流量增益分配权重，确定所述网络调整因子。
本发明还提供一种网络容量预测装置，包括：
获取单元，用于获取待预测区域的容量评估参数；
预测单元，用于将所述容量评估参数输入至网络容量预测模型，得到所述网络容量预测模型输出的网络容量预测值；
其中，所述网络容量预测模型是基于用户增长因子、站点规划因子、网络调整因子和事件影响因子中的至少一种对多个网络容量预测子模型的模型融合结果进行修正后得到的。
本发明还提供一种电子设备，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，所述处理器执行所述程序时实现所述网络容量预测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其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所述网络容量预测方法的步骤。
本发明提供的网络容量预测方法、装置、电子设备及存储介质，将待预测区域的容量评估参数输入至网络容量预测模型，能够得到网络容量预测值，由于网络容量预测模型是根据用户增长因子、站点规划因子、网络调整因子和事件影响因子中的至少一种对多个网络容量预测子模型的模型融合结果进行修正后得到的，能够充分利用多个子模型的拟合优势，同时，利用网络所处的场景构建多种影响因子对多个子模型的融合结果进行修正，提高了网络容量预测的准确度。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述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获得其他的附图。
图1为本发明提供的网络容量预测方法的流程示意图之一；
图2为本发明提供的模型迭代修正方法的流程示意图；
图3为本发明提供的网络容量预测方法的流程示意图之二；
图4为本发明提供的网络容量预测装置的结构示意图；
图5为本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
现有关于网络容量的评估方法，通常是基于业务模型和话务模型分析获得。首先基于单业务模型，考虑业务数据经过各个传输协议层处理后到达物理传输层的实际速率需求，再结合空口平均吞吐量，从而获得单业务的用户容量；然后依据用户的话务模型分布，即各种业务的分布比例等特征，获得综合业务的用户容量，目前的技术根据业务数据和市场口的数据比较单一，数据质量也较为粗糙，网络容量预测的准确度低。
图1为本发明提供的网络容量预测方法的流程示意图之一，如图1所示，该方法包括：
步骤110，获取待预测区域的容量评估参数。
具体地，此处的待预测区域可以为一个小区，也可以为一个地区。容量评估参数为用于对待预测区域的网络容量进行评估的状态参数。例如，容量评估参数可以为4G/5G总流量、上下行PRB利用率、无线利用率等。又例如，当待预测区域为小区时，容量评估参数可以为小区平均有效RRU用户数、小区平均下行利用率、小区平均上行行利用率、小区最大下行利用率和小区平均流量等。
步骤120，将容量评估参数输入至网络容量预测模型，得到网络容量预测模型输出的网络容量预测值；其中，网络容量预测模型是基于用户增长因子、站点规划因子、网络调整因子和事件影响因子中的至少一种对多个网络容量预测子模型的模型融合结果进行修正后得到的。
具体地，将容量评估参数输入至网络容量预测模型，由网络容量预测模型对待预测区域的容量评估参数进行分析处理，得到待预测区域的网络容量预测值。网络容量预测值可以为与待预测区域内网络需求相适应的容量值，可以作为待预测区域进行网络扩容和网络升级的依据。
可以预先训练得到多个网络容量预测子模型，对这些网络容量预测子模型进行融合之后得到模型融合结果，再根据待预测区域的用户增长因子、站点规划因子、网络调整因子和事件影响因子对模型融合结果进行修正后，得到网络容量预测模型。
网络容量预测子模型为采用单一的建模方法得到的预测模型。例如，可以以修正指数曲线模型、龚伯兹曲线模型、逻辑斯蒂曲线模型和指数平滑法模型等为初始模型，通过数据训练得到多个网络容量预测子模型。可以对多个网络容量预测子模型进行加权平均后得到模型融合结果，模型融合结果比单个网络容量预测子模型具有更高的预测精度。
此外，由于待预测区域所对应的区域中，移动用户的各种聚集活动区域的不同，也造成的网络场景的多样性，如生活居民区、办公写字楼、学校、医院、景点等不同的场景。不同的场景都有各自特有的特征，也导致了不可能所有的场景的网络流量保持一致性。需要考虑分析各类场景因素，并将之整理归类，主要包括市场用户增长因素、站址规划建设因素、网络调整因素和事件影响因素等。
用户增长因子用于衡量移动用户的增长给待预测区域的网络容量带来的影响。站点规划因子用于衡量网络建设给待预测区域的网络容量带来的影响。网络调整因子用于衡量网络自身的优化给待预测区域的网络容量带来的影响。事件影响因子用于衡量重大事件或者节假日给待预测区域的网络容量带来的影响。
本发明实施例提供的网络容量预测方法，将待预测区域的容量评估参数输入至网络容量预测模型，能够得到网络容量预测值，由于网络容量预测模型是根据用户增长因子、站点规划因子、网络调整因子和事件影响因子中的至少一种对多个网络容量预测子模型的模型融合结果进行修正后得到的，能够充分利用多个子模型的拟合优势，同时，利用网络所处的场景构建多种影响因子对多个子模型的融合结果进行修正，提高了网络容量预测的准确度。
基于上述实施例，多个网络容量预测子模型的模型融合结果是基于如下步骤确定的：
确定多个网络容量预测子模型，以及各个网络容量预测子模型的拟合误差；
基于各个网络容量预测子模型的拟合误差，确定各个网络容量预测子模型的融合权重；
基于各个网络容量预测子模型的融合权重，对多个网络容量预测子模型进行融合，得到模型融合结果。
具体地，采用数据对多个单一的初始模型进行训练后，可以得到多个网络容量预测子模型，以及各个网络容量预测子模型的拟合误差。拟合误差可以选择为MAPE(meanabsolute percentage error，平均百分比误差)。
根据各个网络容量预测子模型的拟合误差，确定各个网络容量预测子模型的融合权重。对拟合误差小的模型赋予较高的融合权重，拟合误差大的赋予较低的融合权重，用公式表示为：
其中，wi为第i个预测子模型的融合权重，N为预测子模型个数，yi为第i个预测子模型的预测结果，Mi为第i个预测子模型的拟合误差。
根据各个网络容量预测子模型的融合权重，对多个网络容量预测子模型进行融合，得到模型融合结果，用公式表示为：
其中，Y为模型融合结果。
基于上述任一实施例，确定多个网络容量预测子模型，以及各个网络容量预测子模型的拟合误差，包括：
获取待预测区域的多个连续历史周期的容量评估参数和网络容量实际值；
基于多个连续历史周期的容量评估参数和网络容量实际值，对各个网络容量预测子模型进行修正。
具体地，为了提高各个网络容量预测子模型的预测精度，可以定期对各个子模型进行训练，以便对子模型中的参数进行迭代修正。
可以获取待预测区域的多个连续历史周期的容量评估参数，将其中的部分历史周期的数据输入各个网络容量预测子模型得到网络容量预测值，然后与网络容量实际值相比，确定拟合误差，将拟合误差与预设阈值进行比较，若拟合误差大于预设阈值，则增加其余历史周期的数据，对各个网络容量预测子模型进行迭代修正，直至拟合误差小于等于预设阈值。
例如，图2为本发明提供的模型迭代修正方法的流程示意图，如图2所示，假设以一天的数据为一个分析粒度，以一周的数据为一个周期，数据库中存在的数据为：List＝[1,2,…,m,…,n]，List中每一个元素代表一个周期。假设预测第n+1周期的流量，是用第n周期和第n-1周期数据建立的预测模型，假如第n+1周期的MAPE大于预设MAPE，则加入前一周期数据，即加入n-2周期的数据，构建新的预测模型，重新计算模型的MAPE；重复以上步骤，直至模型MAPE达到预设MAPE以下。假如加入n-i周期数据后，模型MAPE突增，则提出n-i周期数据，加入n-i-1周期数据构建新模型，如果加入n-i-1周期数据的模型的MAPE也是突增，说明n-i周期前后的数据曲线情况不一样，则按照n-i周期后数据构建的模型的最优MAPE为准。
基于上述任一实施例，网络容量预测子模型是基于如下步骤确定的：
确定多个初始模型；
基于样本数据集，对每一初始模型进行训练，得到多个候选网络容量预测子模型；
基于每一候选网络容量预测子模型的拟合误差，确定网络容量预测子模型。
具体地，可以采用样本数据集，对多个初始模型分别进行训练，得到多个候选网络容量预测子模型。然后根据每一候选网络容量预测子模型的拟合误差与预设拟合误差阈值的比较结果，筛选拟合误差小于预设拟合误差阈值的候选网络容量预测子模型作为网络容量预测子模型。
基于上述任一实施例，初始模型包括修正指数曲线模型、龚伯兹曲线模型、逻辑斯蒂曲线模型和指数平滑法模型中的至少一种。
具体地，常见的预测趋势曲线模型包括修正指数曲线模型、龚伯兹曲线模型、逻辑斯蒂曲线模型和指数平滑法模型。
修正指数曲线用于描述的现象为初期增长迅速，随后增长率逐渐降低，最终则以k为增长极限。它是在一般指数曲线的基础上增加一个常数k，其形式为：
yt＝k+abt(k>0,a<0,0<b<1)
对于该模型单数值可以运用三和法进行估计。所谓三和法是将观测值等分成三段，每段含有n个数据，对各段求和，记为S1、S2、S3，然后解含有三个未知数的方程组，各参数的表达式给出如下：
例如，根据地区一和地区二的历史流量数据，可以得到：
地区一的网络容量预测子模型(基于修正指数曲线模型)
y＝2171237.15+6678002.18*1.04t
地区二的网络容量预测子模型(基于修正指数曲线模型)
y＝-785217.59+2556993.69*1.04t
分别将地区一、地区二现有的历史数据代入模型方程进行拟合对比，验证结果地区一的拟合度为94.7％，地区二的拟合度为92.8％。拟合度均大于90％，拟合效果良好。
龚伯兹曲线模型所描述的现象是初期增长缓慢，以后逐渐加快，当达到一定程度后，增长率又逐渐下降，最后接近一条水平线的过程。其数学形式为：
yt＝kabt
其中，k、a、b为待定参数，参数k、a、b的不同取值决定龚伯兹曲线的不同形式，代表了产品或业务不同发展阶段增长变化趋势。龚伯兹曲线的参数估计可以通过转换为修正指数方程的形式，然后用修正指数求解参数的方法求龚伯兹曲线的参数。
对龚伯兹曲线方程两边取对数得lny＝lnk+lna*bt，令y′＝lny，k′＝lnk，a′＝lna，则龚伯兹曲线模型变为：y′＝k′+a′*bt。将参数a＝ek′代入原方程的各个参数，从而求解得到龚伯兹曲线的参数。
例如，根据地区一和地区二的历史流量数据，可以得到：
地区一的网络容量预测子模型(基于龚伯兹曲线模型)
地区二的网络容量预测子模型(基于龚伯兹曲线模型)
分别将地区一、地区二现有的历史数据代入模型方程进行拟合对比，验证结果地区一的拟合度为94.9％，地区二拟合度为92.9％。拟合度均大于90％，拟合效果良好。
逻辑斯蒂曲线模型描述的是生物的生长过程，即发生初期成长速度较慢。由慢渐快；发展时期成长速度则较快；成熟时期，其成长速度则由最快，开始变慢，进入饱和状态。其形式如下：
对逻辑斯蒂曲线模型经过转换可得到修正曲线模型，转换方法如下：
令b′＝e-b,y′t＝yt，则：
例如，根据地区一和地区二的历史流量数据，可以得到：
对于地区一，当k＝-363636363.6时，建立相应的逻辑斯蒂模型较为理想，得到地区一的网络容量预测子模型(基于逻辑斯蒂模型)如下：
对于地区二，当k＝55248618.78时，建立相应的逻辑斯蒂模型较为理想，得到地区二的网络容量预测子模型(基于逻辑斯蒂模型)如下：
分别将地区一、地区二现有的历史数据代入模型方程进行拟合对比，验证结果地区一的拟合度为95.0％，地区二拟合度为92.8％。拟合度均大于90％，拟合效果良好。
指数平滑法模型，也就是霍尔特-温特(Holt-Winters)方法。该方法对含有线性趋势和周期波动的非平稳序列适用，利用指数平滑法(EMA)让模型参数不断适应非平稳序列的变化，并对未来趋势进行短期预报。
指数平滑法模型包括一次指数平滑预测模型、二次指数平滑预测模型和三次指数平滑预测模型。
其中，一次指数平滑实际就是对历史数据的加权平均，它可以用于任何一种没有明显函数规律但确实存在某种前后关联的时间序列的短期预测。其预测公式为：(任一期的指数平滑值都是本期实际观察值与前一期指数平滑值的加权平均)。
y′t+1＝a*yt+(1-a)*y′t
其中，a为平滑系数；y′t+1为t+1期的预测值；即本期(t期)的平滑值St；yt为t期的实际值；y′t为t期的预测值，即上期的平滑值St-1。本期的平滑值＝下期的预测值。
二次指数平滑是对一次指数平滑的再平滑，同时考虑历史平均和变化趋势。它适用于具线性趋势的时间序列。
其中：
yt＝α*y′t+1+(1-α)*y′t-1
也就是：
其中，Yt+T为第t+T期预测值；T为由t期向后推移期数。
三次指数平滑预测是二次平滑基础上的再平滑，考虑序列中的季节性，计算公式如下：
其中，为第t周期的三次次指数平滑值；为第t周期的二次指数平滑值；为第t周期的一次指数平滑值；为第t-1周期的三次指数平滑值。
根据地区一、地区二的网络流量数据，结合以上三种平滑指数曲线算法得到修正模型各参数的估计值以及曲线拟合误差度，如表1所示：
表1三种平滑指数曲线算法得到的估计值以及曲线拟合误差度
从验证结果可以得知，地区一的三种平滑曲线的拟合绝对平均误相差最大值0.3％，且平均误差约5％，小于10％；地区二的拟合结果差一些，一次平滑曲线模型拟合效果最好，平均误差8.9％，而二次平滑、三次平滑拟合的绝对平均平均误差均大于10％。
由于平滑曲线模型是基于时序算法数据拟合的，包括季节、假日特殊因素，因此，若历史周期太短的数据对拟合结果影响较大。
运用过的几种训练验证模型，修正指数曲线模型、龚伯兹曲线模型、逻辑斯蒂曲线模型和指数平滑曲线模型验证，通过误差的对比，得到前3种预测模型的预测拟合度均比较好，且误差差异都比较小，整理地区一和地区二的模型及预测结果如表2所示：
表2网络容量预测子模型及预测结果
分别计算各个网络容量预测子模型的权重，可以得到：
对于地区一，修正指数曲线模型、龚伯兹曲线模型、逻辑斯蒂曲线模型的权重分别为33％、33％和34％，则地区一的模型融合结果为：
对于地区二，修正指数曲线模型、龚伯兹曲线模型、逻辑斯蒂曲线模型的权重分别为33％、33％和34％，则地区二的模型融合结果为：
基于上述任一实施例，用户增长因子可以根据网络流量的变化量和用户的增加量进行确定。
具体地，例如，根据用户预测数据，结合5G采集的性能数据，用户增长因子计算公式：
式中，k1为用户增长因子，DOUt流量为每个用户在第t个周期的网络流量，DOUt-1流量为每个用户在第t-1个周期的网络流量，本周期新增用户为本周期内新增加的用户数量，本周期总流量为本周期内用户使用的网络总流量。此处，周期可以选择为月。
基于上述任一实施例，站点规划因子是基于如下步骤确定的：
获取连续多周的流量均值和在用站点数均值；
基于当前周的流量均值和在用站点数均值，以及上一周的流量均值和在用站点数均值，确定当前周单个站点流量贡献因子；
基于各周单个站点流量贡献因子的均值，确定站点规划因子。
具体地，首先，收集连续多周的流量均值和在用站点数均值。其次，将每一周作为当前周，计算当前周单个站点流量贡献因子。
如果当前周的在用站点数均值大于上一周的在用站点数，则用当前周流量均值除以上一周流量均值，再除以在用站点数增加数量，得到当前周单个站点流量贡献因子，计算公式如下：
其中，p为当前周单个站点流量贡献因子，l1表示上一周流量均值，l2表示当前周流量均值，n1表示上一周在用站点数均值，n2表示当前周在用站点数均值。
然后把所有贡献因子求均值，得到站点规划因子：
其中，k2为站点规划因子，N为统计的周数，pi为第i周单个站点流量贡献因子。
基于上述任一实施例，网络调整因子是基于如下步骤确定的：
基于待预测区域和待预测区域的邻小区的3D MIMO开启状态，确定第一流量增益因子；
基于待预测区域和待预测区域的邻小区之间的负载均衡开启状态，确定第二流量增益因子；
基于第一流量增益因子、第二流量增益因子以及流量增益分配权重，确定网络调整因子。
具体地，网络自身由于优化调整(如负载均衡等)、5G反开4G3DMIMO或4G扩容为3DMIMO等因素所引起的流量增益，均会引起对小区的流量上升或者流失：如发生负载均衡的时候，被均衡小区的流量往往下降，而发生均衡小区的流量往往会上升，而开通3DMIMO后的小区本身会有容量方面的增长。在分析网络调整因素的时候，以下两大类因素会对流量预测的建模产生较大的影响，需要在建模阶段考虑这些因素影响，对网络容量预测模型进行修正。
根据待预测区域和待预测区域的邻小区的3D MIMO开启状态，确定第一流量增益因子p1。如果本小区开启了3D MIMO，则其流量预测模型中需要增加增益因子p1，同时本小区500米范围内没有开启3D MIMO的邻小区的流量预测模型需要相应增加增益因子p1'。如果本小区没有开启3D MIMO，但其500米范围内有开启3D MIMO的邻小区，则其流量预测模型中需要相应增加增益因子p1'，同时500米范围内有开启3D MIMO的邻小区的流量预测模型需要相应增加增益因子p1。可以根据表3确定第一流量增益因子。
表3第一流量增益因子
基于待预测区域和待预测区域的邻小区之间的负载均衡开启状态，确定第二流量增益因子p2。如果本小区与邻区小区负荷超过了一定的门限值，在开启负载均衡策略状态下，高负荷小区往往会被低负荷小区均衡导致流量出现下降，低负荷小区由于均衡了高负荷小区的部分用户导致流量增加，这时本小区的流量预测模型需要相应增加增益因子P2，而邻区小区属于均衡小区流量预测模型需要相应增加增益因子P2’。可以根据表4确定第二流量增益因子。
表4第二流量增益因子
根据第一流量增益因子、第二流量增益因子以及流量增益分配权重，确定网络调整因子，用公式表示为：
k3＝w1*p1+w2*p2
式中，k3为网络调整因子，w1为第一流量增益因子p1的流量增益分配权重，w2为第二流量增益因子p2的流量增益分配权重。
基于上述任一实施例，事件影响因子是基于事件发生日后两个统计周期的网络流量确定的。
具体地，重大活动或节假日等事件引起用户迁移导致流量出现突增或突降现象，在流量自然增长模型中，无法准确的预测节假日的期间的流量数据，因此要预测这些节假日期间的流量事，需添加对应的节假日因子系数来修正模型预测，对这类事件引起的影响因子计算规则是：
历史数据中，以节假日为开始时间记7天为一周期，记为t1，统计t1内的流量，记为d1,以t1的结束时间再统计下周期t2的流量，记为d2,计算事件影响因子：
基于上述任一实施例，基于用户增长因子、站点规划因子、网络调整因子和事件影响因子中的至少一种对多个网络容量预测子模型的模型融合结果进行修正，可以用公式表示为：
F＝Y*k1*k2*k3*k4
其中，F为网络容量预测模型，Y为多个网络容量预测子模型进行融合后得到模型融合结果，k1为用户增长因子、k2为站点规划因子、k3为网络调整因子，k4为事件影响因子。
基于上述任一实施例，图3为本发明提供的网络容量预测方法的流程示意图之二，如图3所示，该方法包括预测模型建模、预测模型库构建、模型迭代修正、预测模型综合输出。
其中，预测模型建模包括：
输入历史数据，通过历史数据对流量自然增长预测趋势曲线进行建模，从中选取预测拟合度较高的几类模型进行组合建模，以此来获得比单一模型更高的预测精度。
预测模型库构建包括：
在流量自然增长预测模型的建模基础上，引入市场、事件、网络调整、网络建设等因子进行模型修正。在流量自然增长预测模型的基础上，引入市场类修正因子和网络建设修正因子构建按地市级分类的预测模型库，引入网络调整修正因子和事件类修正因子构建按场景分类的预测模型库。
模型迭代修正包括：
以MAPE值最优为目标，持续加入新数据对模型进行训练，对模型曲线的参数进行迭代修正。
预测模型综合输出包括：结合各场景修正因子，综合混合模型建模，用公式表示为：
基于上述任一实施例，图4为本发明提供的网络容量预测装置的结构示意图，如图4所示，该装置包括：
获取单元410，用于获取待预测区域的容量评估参数；
预测单元420，用于将容量评估参数输入至网络容量预测模型，得到网络容量预测模型输出的网络容量预测值；
其中，网络容量预测模型是基于用户增长因子、站点规划因子、网络调整因子和事件影响因子中的至少一种对多个网络容量预测子模型的模型融合结果进行修正后得到的。
本发明实施例提供的网络容量预测装置，将待预测区域的容量评估参数输入至网络容量预测模型，能够得到网络容量预测值，由于网络容量预测模型是根据用户增长因子、站点规划因子、网络调整因子和事件影响因子中的至少一种对多个网络容量预测子模型的模型融合结果进行修正后得到的，能够充分利用多个子模型的拟合优势，同时，利用网络所处的场景构建多种影响因子对多个子模型的融合结果进行修正，提高了网络容量预测的准确度。
基于上述任一实施例，该装置包括融合单元，融合单元包括：
模型确定子单元，用于确定多个网络容量预测子模型，以及各个网络容量预测子模型的拟合误差；
权重确定子单元，用于基于各个网络容量预测子模型的拟合误差，确定各个网络容量预测子模型的融合权重；
融合子单元，用于基于各个网络容量预测子模型的融合权重，对多个网络容量预测子模型进行融合，得到模型融合结果。
基于上述任一实施例，模型确定子单元用于：
获取待预测区域的多个连续历史周期的容量评估参数和网络容量实际值；
基于多个连续历史周期的容量评估参数和网络容量实际值，对各个网络容量预测子模型进行修正。
基于上述任一实施例，该装置还包括：
子模型训练单元，用于确定多个初始模型；基于样本数据集，对每一初始模型进行训练，得到多个候选网络容量预测子模型；基于每一候选网络容量预测子模型的拟合误差，以及预设拟合误差阈值，确定网络容量预测子模型。
基于上述任一实施例，初始模型包括修正指数曲线模型、龚伯兹曲线模型、逻辑斯蒂曲线模型和指数平滑法模型中的至少一种。
基于上述任一实施例，该装置还包括：
站点规划因子确定单元，用于获取连续多周的流量均值和在用站点数均值；基于当前周的流量均值和在用站点数均值，以及上一周的流量均值和在用站点数均值，确定当前周单个站点流量贡献因子；基于各周单个站点流量贡献因子的均值，确定站点规划因子。
基于上述任一实施例，该装置还包括：
网络调整因子确定单元，用于基于待预测区域和待预测区域的邻小区的3D MIMO开启状态，确定第一流量增益因子；基于待预测区域和待预测区域的邻小区之间的负载均衡开启状态，确定第二流量增益因子；基于第一流量增益因子、第二流量增益因子以及流量增益分配权重，确定网络调整因子。
基于上述任一实施例，图5为本发明提供的电子设备的结构示意图，如图5所示，该电子设备可以包括：处理器(Processor)510、通信接口(Communications Interface)520、存储器(Memory)530和通信总线(Communications Bus)540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑命令，以执行如下方法：
获取待预测区域的容量评估参数；将容量评估参数输入至网络容量预测模型，得到网络容量预测模型输出的网络容量预测值；其中，网络容量预测模型是基于用户增长因子、站点规划因子、网络调整因子和事件影响因子中的至少一种对多个网络容量预测子模型的模型融合结果进行修正后得到的。
此外，上述的存储器530中的逻辑命令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明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部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干命令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明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、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例提供的电子设备中的处理器可以调用存储器中的逻辑指令，实现上述方法，其具体的实施方式与前述方法实施方式一致，且可以达到相同的有益效果，此处不再赘述。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的方法，例如包括：
获取待预测区域的容量评估参数；将容量评估参数输入至网络容量预测模型，得到网络容量预测模型输出的网络容量预测值；其中，网络容量预测模型是基于用户增长因子、站点规划因子、网络调整因子和事件影响因子中的至少一种对多个网络容量预测子模型的模型融合结果进行修正后得到的。
本发明实施例提供的非暂态计算机可读存储介质上存储的计算机程序被执行时，实现上述方法，其具体的实施方式与前述方法实施方式一致，且可以达到相同的有益效果，此处不再赘述。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干命令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种网络容量预测方法，其特征在于，包括：
获取待预测区域的容量评估参数；
将所述容量评估参数输入至网络容量预测模型，得到所述网络容量预测模型输出的网络容量预测值；
其中，所述网络容量预测模型是基于站点规划因子和网络调整因子中的至少一种对多个网络容量预测子模型的模型融合结果进行修正后得到的；
所述站点规划因子是基于如下步骤确定的：
获取连续多周的流量均值和在用站点数均值；
基于当前周的流量均值和在用站点数均值，以及上一周的流量均值和在用站点数均值，确定所述当前周单个站点流量贡献因子；
基于各周单个站点流量贡献因子的均值，确定所述站点规划因子；
所述网络调整因子是基于如下步骤确定的：
基于所述待预测区域和所述待预测区域的邻小区的3D MIMO开启状态，确定第一流量增益因子；
基于所述待预测区域和所述待预测区域的邻小区之间的负载均衡开启状态，确定第二流量增益因子；
基于所述第一流量增益因子、所述第二流量增益因子以及流量增益分配权重，确定所述网络调整因子。
2.根据权利要求1所述的网络容量预测方法，其特征在于，所述多个网络容量预测子模型的模型融合结果是基于如下步骤确定的：
确定多个网络容量预测子模型，以及各个网络容量预测子模型的拟合误差；
基于各个网络容量预测子模型的拟合误差，确定各个网络容量预测子模型的融合权重；
基于各个网络容量预测子模型的融合权重，对所述多个网络容量预测子模型进行融合，得到所述模型融合结果。
3.根据权利要求2所述的网络容量预测方法，其特征在于，所述确定多个网络容量预测子模型，以及各个网络容量预测子模型的拟合误差，包括：
获取所述待预测区域的多个连续历史周期的容量评估参数和网络容量实际值；
基于所述多个连续历史周期的容量评估参数和网络容量实际值，对各个网络容量预测子模型进行修正。
4.根据权利要求1所述的网络容量预测方法，其特征在于，所述网络容量预测子模型是基于如下步骤确定的：
确定多个初始模型；
基于样本数据集，对每一初始模型进行训练，得到多个候选网络容量预测子模型；
基于每一候选网络容量预测子模型的拟合误差，确定所述网络容量预测子模型。
5.根据权利要求4所述的网络容量预测方法，其特征在于，所述初始模型包括修正指数曲线模型、龚伯兹曲线模型、逻辑斯蒂曲线模型和指数平滑法模型中的至少两种。
6.一种网络容量预测装置，其特征在于，包括：
获取单元，用于获取待预测区域的容量评估参数；
预测单元，用于将所述容量评估参数输入至网络容量预测模型，得到所述网络容量预测模型输出的网络容量预测值；
其中，所述网络容量预测模型是基于站点规划因子和网络调整因子中的至少一种对多个网络容量预测子模型的模型融合结果进行修正后得到的；
所述站点规划因子是基于如下步骤确定的：
获取连续多周的流量均值和在用站点数均值；
基于当前周的流量均值和在用站点数均值，以及上一周的流量均值和在用站点数均值，确定所述当前周单个站点流量贡献因子；
基于各周单个站点流量贡献因子的均值，确定所述站点规划因子；
所述网络调整因子是基于如下步骤确定的：
基于所述待预测区域和所述待预测区域的邻小区的3D MIMO开启状态，确定第一流量增益因子；
基于所述待预测区域和所述待预测区域的邻小区之间的负载均衡开启状态，确定第二流量增益因子；
基于所述第一流量增益因子、所述第二流量增益因子以及流量增益分配权重，确定所述网络调整因子。
7.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述网络容量预测方法的步骤。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述网络容量预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110654331.7A CN115473821B (zh) | 2021-06-11 | 2021-06-11 | 网络容量预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110654331.7A CN115473821B (zh) | 2021-06-11 | 2021-06-11 | 网络容量预测方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115473821A CN115473821A (zh) | 2022-12-13 |
| CN115473821B true CN115473821B (zh) | 2023-09-08 |
Family
ID=84364386
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110654331.7A Active CN115473821B (zh) | 2021-06-11 | 2021-06-11 | 网络容量预测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115473821B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105847080A (zh) * | 2016-03-18 | 2016-08-10 | 上海珍岛信息技术有限公司 | 一种网络流量的预测方法及系统 |
| CN106357456A (zh) * | 2016-10-11 | 2017-01-25 | 广东工业大学 | 一种网络流量的预测方法及装置 |
| CN109034505A (zh) * | 2018-09-14 | 2018-12-18 | 国网河北省电力有限公司电力科学研究院 | 计量用表需求量在线预测方法及终端设备 |
| WO2019006649A1 (en) * | 2017-07-04 | 2019-01-10 | Telefonaktiebolaget Lm Ericsson (Publ) | METHOD AND DEVICE FOR NETWORK FUNCTION CAPACITY AND SCALE MANAGEMENT |
| CN111162925A (zh) * | 2018-11-07 | 2020-05-15 | 中移(苏州)软件技术有限公司 | 网络流量预测方法、装置、电子设备及存储介质 |
| CN112054943A (zh) * | 2020-09-17 | 2020-12-08 | 中国电信股份有限公司河北分公司 | 一种移动网络基站流量预测方法 |
| CN112398670A (zh) * | 2019-08-15 | 2021-02-23 | 中国移动通信集团浙江有限公司 | 流量预测方法、装置、计算设备及计算机存储介质 |
| CN112688821A (zh) * | 2021-01-28 | 2021-04-20 | 中国铁塔股份有限公司 | 网络容量预测方法、装置及电子设备 |
| CN112929215A (zh) * | 2021-02-04 | 2021-06-08 | 博瑞得科技有限公司 | 一种网络流量预测方法、系统、计算机设备及存储介质 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9137130B2 (en) * | 2011-09-22 | 2015-09-15 | Sap Se | Dynamic network load forecasting |
| US10698735B2 (en) * | 2018-02-14 | 2020-06-30 | Citrix Systems, Inc. | Auto-scaling for allocation of cloud service resources in application deployments |
| US11323890B2 (en) * | 2019-07-10 | 2022-05-03 | At&T Intellectual Property I, L.P. | Integrated mobility network planning |
-
2021
- 2021-06-11 CN CN202110654331.7A patent/CN115473821B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105847080A (zh) * | 2016-03-18 | 2016-08-10 | 上海珍岛信息技术有限公司 | 一种网络流量的预测方法及系统 |
| CN106357456A (zh) * | 2016-10-11 | 2017-01-25 | 广东工业大学 | 一种网络流量的预测方法及装置 |
| WO2019006649A1 (en) * | 2017-07-04 | 2019-01-10 | Telefonaktiebolaget Lm Ericsson (Publ) | METHOD AND DEVICE FOR NETWORK FUNCTION CAPACITY AND SCALE MANAGEMENT |
| CN109034505A (zh) * | 2018-09-14 | 2018-12-18 | 国网河北省电力有限公司电力科学研究院 | 计量用表需求量在线预测方法及终端设备 |
| CN111162925A (zh) * | 2018-11-07 | 2020-05-15 | 中移(苏州)软件技术有限公司 | 网络流量预测方法、装置、电子设备及存储介质 |
| CN112398670A (zh) * | 2019-08-15 | 2021-02-23 | 中国移动通信集团浙江有限公司 | 流量预测方法、装置、计算设备及计算机存储介质 |
| CN112054943A (zh) * | 2020-09-17 | 2020-12-08 | 中国电信股份有限公司河北分公司 | 一种移动网络基站流量预测方法 |
| CN112688821A (zh) * | 2021-01-28 | 2021-04-20 | 中国铁塔股份有限公司 | 网络容量预测方法、装置及电子设备 |
| CN112929215A (zh) * | 2021-02-04 | 2021-06-08 | 博瑞得科技有限公司 | 一种网络流量预测方法、系统、计算机设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 超高容量5G网络容量规划方法研究;邱坚;《电信工程技术与标准化》;第34卷(第5期);81-86 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115473821A (zh) | 2022-12-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021169577A1 (zh) | 一种基于加权联邦学习的无线业务流量预测方法 | |
| CN113242568B (zh) | 一种不确定网络环境中的任务卸载和资源分配方法 | |
| CN111666149B (zh) | 基于深度强化学习的超密边缘计算网络移动性管理方法 | |
| CN109862610B (zh) | 一种基于深度强化学习ddpg算法的d2d用户资源分配方法 | |
| CN110418356A (zh) | 一种计算任务卸载方法、装置及计算机可读存储介质 | |
| CN112054943B (zh) | 一种移动网络基站流量预测方法 | |
| CN103108382A (zh) | 一种基于网络层次分析法的异构网络多属性决策方法 | |
| CN108123828B (zh) | 一种基于接入用户移动性预测的超密集网络资源分配方法 | |
| CN103987056A (zh) | 基于大数据统计模型的无线网络话务量预测方法 | |
| CN108829766B (zh) | 一种兴趣点推荐方法、系统、设备及计算机可读存储介质 | |
| CN102781072A (zh) | 基于多属性决策和群组决策的网络选择方法 | |
| CN109088742B (zh) | 一种业务预测方法及网元设备、计算机可读存储介质 | |
| CN113099474B (zh) | 卫星互联网用户终端短期业务量需求预测方法及装置 | |
| WO2021000757A1 (zh) | 一种网络优化方法、装置和存储介质 | |
| CN107609583A (zh) | 分类模型的参数优化方法、装置、计算机设备及存储介质 | |
| CN114585006B (zh) | 基于深度学习的边缘计算任务卸载和资源分配方法 | |
| CN112105048B (zh) | 基于双周期Holt-Winters模型和SARIMA模型的组合预测方法 | |
| CN111132179B (zh) | 一种小区调度方法、系统、装置和存储介质 | |
| CN115473821B (zh) | 网络容量预测方法、装置、电子设备及存储介质 | |
| CN111885551B (zh) | 基于边云协同模式的多移动社交网络中高影响力用户的选择和分配机制 | |
| CN112329995A (zh) | 分布式储能集群的优化调度方法、装置和计算机设备 | |
| CN114615705B (zh) | 一种基于5g网络下单用户资源分配策略方法 | |
| CN117997755A (zh) | 强化学习模型的训练方法、电子设备及存储介质 | |
| CN112423327B (zh) | 一种容量预测方法及设备、存储介质 | |
| Gao et al. | PFDRL: Personalized Federated Deep Reinforcement Learning for Residential Energy Management |
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 |