CN115514439A

CN115514439A - 一种信道空口利用率预测方法、系统、电子设备及介质

Info

Publication number: CN115514439A
Application number: CN202211177120.XA
Authority: CN
Inventors: 邱才明; 刘峻铄; 张伟杰; 朱椿
Original assignee: Huagong Future Technology Jiangsu Co ltd
Current assignee: Huagong Future Technology Jiangsu Co ltd
Priority date: 2022-09-26
Filing date: 2022-09-26
Publication date: 2022-12-23

Abstract

本发明属于无线通信技术领域，其目的在于提供一种信道空口利用率预测方法、系统、电子设备及介质。其中的信道空口利用率预测方法，包括：获取空口利用率时间序列，并对其进行预处理，得到预处理后时间序列；将预处理后时间序列通过EMD算法分解为多个IMF分量和一个Res分量；分别将多个IMF分量划分为高频分量与低频分量，并将低频分量与Res分量进行叠加组合处理，得到组合分量；构建CNN‑LSTM模型，并将高频分量及组合分量分别输入CNN‑LSTM模型进行处理，对应得到多个分量预测值；将多个分量预测值进行叠加处理，得到所述空口利用率时间序列的空口利用率预测结果。本发明便于实现信道空口利用率预测的自动化，同时预测准确度高。

Description

一种信道空口利用率预测方法、系统、电子设备及介质

技术领域

本发明属于无线通信技术领域，具体涉及一种信道空口利用率预测方法、系统、电子设备及介质。

背景技术

空口利用率反映了Wi-Fi信道在每秒内的繁忙程度，同时也体现出信道当前的干扰状况。当空口利用率较高时，信道处于繁忙状态，说明此时无线干扰较多，不利于数据传输，用户的体验感较差；当空口利用率较低时，说明此时信道处于较为空闲的状态，用户可以接入该信道，进行一系列所需的业务。为便于用户掌握信道占用情况，同时对无线信道的性能及干扰状况进行评估，现有技术中，通常基于专家知识或传统的统计学预测模型对信道空口利用率进行预测，其中，传统的统计学预测模型如为自回归移动平均模型、马尔科夫模型等。

但是，在使用现有技术过程中，发明人发现现有技术中至少存在如下问题：

基于专家知识进行预测的方式，对决策者的要求较高，同时人工判断的准确性较低；而基于传统的统计学方法预测模型进行预测的方法，具有简单、稳定等特点，然而传统统计学模型对于空口利用率的数据有一些严格的要求，通常要求数据具有季节性、周期性等等，这些要求在实际场景下很难得到满足，同时模型的准确度也存在着一定的局限性。

发明内容

本发明旨在至少在一定程度上解决上述技术问题，本发明提供了一种信道空口利用率预测方法、系统、电子设备及介质。

为了实现上述目的，本发明采用以下技术方案：

第一方面，提供了一种信道空口利用率预测方法，包括：

获取空口利用率时间序列，并对其进行预处理，得到预处理后时间序列；

将预处理后时间序列通过EMD算法分解为多个IMF分量和一个Res分量；

分别将多个IMF分量划分为高频分量与低频分量，并将低频分量与Res分量进行叠加组合处理，得到组合分量；

构建CNN-LSTM模型，并将高频分量及组合分量分别输入CNN-LSTM模型进行处理，对应得到多个分量预测值；

将多个分量预测值进行叠加处理，得到所述空口利用率时间序列的空口利用率预测结果。

本发明基于数据驱动进行信道空口利用率的预测，不需要专家知识，便于实现信道空口利用率预测的自动化；同时，相对于传统统计学预测模型，本发明的预测准确度更高。具体地，本发明在实施过程中，首先，获取空口利用率时间序列，并对其进行预处理，得到预处理后时间序列，以便于提高空口利用率时间序列在后续处理过程中的适应性，同时扩展本发明进行空口利用率预测的数据适用场景，对输入数据的要求更低；接着，将预处理后时间序列通过EMD算法分解为多个IMF分量和一个Res分量，以便降低后续预测的难度；随后，分别将多个IMF分量划分为高频分量与低频分量，并将低频分量与Res分量进行叠加组合处理，得到组合分量；再构建CNN-LSTM模型，并将高频分量及组合分量分别输入CNN-LSTM模型进行处理，对应得到多个分量预测值；最后，将多个分量预测值进行叠加处理，得到所述空口利用率时间序列的空口利用率预测结果，以便对Wi-Fi无线网络进行评估。在此过程中，本发明基于由EMD算法、CNN网络和LSTM网络组合构成的EMD-CNN-LSTM预测模型对空口利用率进行预测，预测准确度高，便于实现对网络的性能及干扰情况的评估。

在一个可能的设计中，获取空口利用率时间序列，并对其进行预处理，得到预处理后时间序列，包括：

使用最大最小标准化方法对空口利用率时间序列中的数据进行归一化处理，得到归一化处理后时间序列；其中，归一化处理后时间序列中，任一归一化处理后数据为：

式中，Dmax表示空口利用率时间序列中数据的最大值；Dmin表示空口利用率时间序列中数据的最小值；D表示未归一化处理前的数据；

将归一化处理后时间序列中的归一化处理后数据使用滑动窗口进行处理，得到多个滑窗样本，多个滑窗样本构成预处理后时间序列。

在一个可能的设计中，将预处理后时间序列通过EMD算法分解为多个IMF分量和一个Res分量，包括：

将预处理后时间序列设定为待处理序列，然后将待处理序列的所有极大值点和极小值点分别用插值法进行拟合，得到上包络线和下包络线；

计算上包络线和下包络线的均值；

根据上包络线和下包络线的均值得到待处理序列的初始分量；

判断初始分量是否满足EMD算法中IMF分量的两个约束条件，如否，则根据当前初始分量计算得到待处理序列中后一分量的值，并将后一分量更新为初始分量，然后重新判断当前初始分量是否满足EMD算法中IMF分量的两个约束条件，直到初始分量满足约束条件，并进入下一步；如是，则直接进入下一步；

判定当前初始分量为一个IMF分量；

将IMF分量从待处理序列中去除，得到分解后序列，然后将该分解后序列更新为待处理序列，然后重新将当前待处理序列的所有极大值点和极小值点分别用插值法进行拟合，直到得到预处理后时间序列中的所有IMF分量；

将最后一待处理序列中除IMF分量外的残余分量作为Res分量。

在一个可能的设计中，基于过零率指标分别将多个IMF分量划分为高频分量与低频分量；其中，将过零率大于阈值的IMF分量划分为高频分量，将过零率小于阈值的IMF分量划分为低频分量。

在一个可能的设计中，任一IMF分量的过零率为：

式中，s_t是当前IMF分量在t时刻采样点的数据值，T为当前IMF分量的长度，函数π{A}在A为真时取1，否则为0。

在一个可能的设计中，所述CNN-LSTM模型包括依次连接的输入层、一维卷积层、最大池化层、LSTM网络、全连接层和输出层。

在一个可能的设计中，将高频分量或组合分量输入CNN-LSTM模型后，CNN-LSTM模型对高频分量或组合分量的处理流程如下：

所述输入层将高频分量或组合分量输入所述一维卷积层；

所述一维卷积层对高频分量或组合分量进行特征提取，得到高频分量或组合分量的局部关联特征，然后将高频分量或组合分量的局部关联特征输入最大池化层；

所述最大池化层对高频分量或组合分量的局部关联特征进行池化处理，得到高频分量或组合分量的池化后特征，然后将高频分量或组合分量的池化后特征输入LSTM网络；

所述LSTM网络对高频分量或组合分量的池化后特征进行时序预测，得到高频分量或组合分量的深层次特征，然后将高频分量或组合分量的深层次特征输入全连接层；

所述全连接层将高频分量或组合分量的深层次特征进行融合处理，得到高频分量或组合分量的分量预测值。

第二方面，提供了一种信道空口利用率预测系统，用于实现如上述任一项所述的信道空口利用率预测方法；所述信道空口利用率预测系统包括：

预处理模块，用于获取空口利用率时间序列，并对其进行预处理，得到预处理后时间序列；

分量分解模块，与所述预处理模块通信连接，用于将预处理后时间序列通过EMD算法分解为多个IMF分量和一个Res分量；还用于分别将多个IMF分量划分为高频分量与低频分量，并将低频分量与Res分量进行叠加组合处理，得到组合分量；

分量预测模块，与所述分量分解模块通信连接，用于构建CNN-LSTM模型，并将高频分量及组合分量分别输入CNN-LSTM模型进行处理，对应得到多个分量预测值；

结果输出模块，与所述分量预测模块通信连接，用于将多个分量预测值进行叠加处理，得到所述空口利用率时间序列的空口利用率预测结果。

第三方面，提供了一种电子设备，包括：

存储器，用于存储计算机程序指令；以及，

处理器，用于执行所述计算机程序指令从而完成如上述任一项所述的信道空口利用率预测方法的操作。

第四方面，提供了一种计算机可读存储介质，用于存储计算机可读取的计算机程序指令，所述计算机程序指令被配置为运行时执行如上述任一项所述的信道空口利用率预测方法的操作。

附图说明

图1是实施例1中信道空口利用率预测方法的流程图；

图2是实施例1中示例的4个高频分量和1个组合分量中前1000个样本序列的示意图；

图3是实施例1中CNN-LSTM模型的结构示意图；

图4是实施例1中CNN-LSTM模型在空口利用率时间序列测试集中的200个样本点的原始序列及预测序列的空口占用率对比图；

图5是实施例中信道空口利用率预测系统的模块框图。

具体实施方式

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将结合附图和实施例或现有技术的描述对本发明作简单地介绍，显而易见地，下面关于附图结构的描述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获得其他的附图。在此需要说明的是，对于这些实施例方式的说明用于帮助理解本发明，但并不构成对本发明的限定。

实施例1：

本实施例公开了一种信道空口利用率预测方法，可以但不限于由具有一定计算资源的计算机设备或虚拟机执行，例如由个人计算机、智能手机、个人数字助理或可穿戴设备等电子设备执行，或者由虚拟机执行。

如图1所示，一种信道空口利用率预测方法，可以但不限于包括有如下步骤：

S1.获取空口利用率时间序列，并对其进行预处理，得到预处理后时间序列；需要说明的是，从空口利用率时间序列数据中可得知这段时间内的信道繁忙程度的整体趋势，从而了解到无线环境中的总体流量以及干扰状况，因而，本实施例基于空口利用率时间序列进行信道空口利用率的预测。

本实施例中，步骤S1中，获取空口利用率时间序列后，对其进行预处理，得到预处理后时间序列，包括：

S101.使用最大最小标准化方法对空口利用率时间序列中的数据进行归一化处理，得到归一化处理后时间序列；其中，归一化处理后时间序列中，任一归一化处理后数据为：

式中，Dmax表示空口利用率时间序列中数据的最大值；Dmin表示空口利用率时间序列中数据的最小值；D表示未归一化处理前的数据。

需要说明的是，对空口利用率时间序列中的数据进行归一化处理，可使空口利用率时间序列中的数据对后续使用的网络模型具有更好的适应效果。

S102.将归一化处理后时间序列中的归一化处理后数据使用滑动窗口进行处理，得到多个滑窗样本，多个滑窗样本构成预处理后时间序列。需要说明的是，通过滑动窗口进行数据处理，能够将归一化处理后时间序列的数据集划分为更多的样本，同时保留了序列特征。

本实施例中，可以但不仅限于采用前五个时间步长预测下一个时间步长的单步预测方式，当采用前五个时间步长预测下一个时间步长的单步预测方式时，将滑窗样本中的窗口大小设置为5，如归一化处理后时间序列表示为{X₁,X₂,…,X_T}，当不使用滑动窗口进行处理时，归一化处理后时间序列中的数据被划分为{X₁,X₂,…,X₅},{X₆,X₇,…,X₁₀},…；当使用滑动窗口进行处理时，归一化处理后时间序列中的数据被划分为{X₁,X₂,…,X₅},{X₂,X₃,…,X₆},…。最终，可将多个滑窗样本构成预处理后时间序列的80％划分为训练集，20％作为测试集。

近年来，随着人工智能的快速发展，基于数据驱动的各种深度学习算法在预测问题中逐渐显现出其优势。为了达到更精确的预测，可以通过组合多个不同的模型来表征时间序列的各种复杂特性，组合后的模型能够将多种不同模型的优点进行糅合，从而提取时间序列深层次的特征来达到更好的预测效果。

基于此，本实施例提出了一种将经验模态分解(empirical mode decomposition，EMD)、卷积神经网络(Convolutional Neural Networks,CNN)和长短期记忆网络(Longshort-term memory,LSTM)的算法模型对空口利用率时间序列进行预测，具体地，预测流程如下步骤S2～S5所示。

S2.将预处理后时间序列通过EMD(empirical mode decomposition，经验模态分解)算法分解为多个IMF(Intrinsic Mode Function，本征模函数)分量(也可将IMF分量称之为信号分量，每一个IMF代表了预处理后时间序列的一个基本模式分量，利用这些基本模式分量可提取预处理后时间序列的特性)和一个Res分量(残余分量)；需要说明的是，由于空口利用率时间序列并不是平稳序列，这在一定程度上会增加预测的难度，直接使用深度学习算法进行预测可能无法达到良好的效果，因而，本实施例中先使用EMD算法将数据分解为具有不同频率特性、变化趋势较为稳定的多个IMF分量和一个Res分量。

应当理解的是，EMD能将非平稳序列平稳化，适用于非线性、非平稳时间序列的分析与处理，具体地，EMD能将复杂序列分解为有限个包含原始序列在不同时间尺度局部特征的IMF分量，并且所分解出的一系列IMF分量按频率从高到低排列。其中，IMF分量有两个约束条件：1)任意时刻局部极小值点和极大值点分别构成的上、下包络线平均值为零；2)序列中极值点的零点个数和过零点个数相差不超过一个。在满足IMF分量的上述两个条件的情况下，通过不断迭代筛除即可得到各个IMF分量。

具体地，将预处理后时间序列表示为x(t)，则本实施例中，将预处理后时间序列通过EMD算法分解为多个IMF分量和一个Res分量，包括：

S201.将预处理后时间序列x(t)设定为待处理序列，然后将待处理序列的所有极大值点和极小值点分别用插值法进行拟合，得到上包络线x_max(t)和下包络线x_min(t)；

S202.计算上包络线x_max(t)和下包络线x_min(t)的均值；其中，上包络线x_max(t)和下包络线x_min(t)的均值为：

S203.根据上包络线x_max(t)和下包络线x_min(t)的均值得到待处理序列的初始分量；其中，待处理序列的初始分量为：

h₁(t)＝x(t)-m₁(t)；

S204.判断初始分量h₁(t)是否满足EMD算法中IMF分量的两个约束条件，如否，则根据当前初始分量h₁(t)计算得到待处理序列中后一分量的值，具体地，本实施例中，以当前初始分量代替待处理序列，计算得到的后一分量为：c_i(t)＝h₁(t)-m₁(t)，并将后一分量更新为初始分量，然后重新判断当前初始分量是否满足EMD算法中IMF分量的两个约束条件，直到初始分量满足约束条件，并进入下一步；如是，则直接进入下一步；

S205.判定当前初始分量为一个IMF分量；

S206.将IMF分量从待处理序列中去除，得到分解后序列，然后将该分解后序列更新为待处理序列，然后重新将当前待处理序列的所有极大值点和极小值点分别用插值法进行拟合，直到得到预处理后时间序列x(t)中的所有IMF分量；具体地，当所分解的待处理序列中最后一个本征模函数c_n(t)很小或者无法再分解出IMF分量，且序列的残余分量r_n(t)为单调递增或递减时，则认定得到预处理后时间序列x(t)中的所有IMF分量，分解过程结束。

S207.将最后一待处理序列中除IMF分量外的残余分量作为Res分量。本实施例中，预处理后时间序列x(t)等于经过EMD算法处理得到的一系列不同频率的IMF分量以及Res分量的线性叠加，具体地，预处理后时间序列x(t)可表示为：

式中，c_i(t)为IMF分量，n为IMF分量的总数；r_n(t)为Res分量。

作为示例，本实施例中，将预处理后时间序列通过EMD算法分解为12个IMF分量和1个Res分量。

S3.分别将多个IMF分量划分为高频分量与低频分量，并将低频分量与Res分量进行叠加组合处理，得到组合分量；需要说明的是，当序列较长时，得到的IMF分量的数目则会过多，从而导致模型时间与空间复杂度大大增加。为了降低模型复杂度，本实施例将IMF分量划分为高频分量与低频分量。由于低频分量变化趋势较为平稳，本实施例将其与残余分量进行叠加组合处理，从而便于减少数据量。

具体地，本实施例中，基于过零率(Zero Crossing Rate,ZCR)指标分别将多个IMF分量划分为高频分量与低频分量；其中，将过零率大于阈值的IMF分量划分为高频分量，将过零率小于阈值的IMF分量划分为低频分量。具体地，过零率表示序列通过零点的次数与序列长度的比值，任一IMF分量的过零率为：

为了尽可能多的分量叠加以减少模型复杂度，本实施例中，阈值设置为0.1，即将过零率大于0.1的IMF分量划分为高频分量，其他则划分为低频分量。

作为示例，本实施例中，计算得到的12个IMF分量和1个Res分量的过零率如下表1所示，其中表1分为表(a)和表(b)：

表1 12个IMF分量和1个Res分量的过零率

(a)IMF1分量～IMF7分量的过零率

IMF	1	2	3	4	5	6	7
								ZCR	0.7003	0.3928	0.2250	0.1287	0.0714	0.0398	0.0204

(b)IMF8分量～IMF12分量以及Res分量的过零率

IMF	8	9	10	11	12	13(Res)
							ZCR	0.0107	0.0048	0.0018	0.0008	0.0003	0.0000

基于上述各分量的过零率结果，可划分得到4个高频分量和8个低频分量，其中的高频分量分别为IMF1分量～IMF4分量，剩余的IMF分量(IMF5分量～IMF12分量)划分为低频分量，将低频分量与Res分量进行叠加组合处理，即可得到组合分量。

进一步地，本实施例中提供了示例的4个高频分量和1个组合分量中前1000个样本序列的示意图，如图2所示，其中纵坐标为对应分量的归一化处理后的空口利用率，横坐标为样本序列号，原始序列即为预处理后时间序列。

为了验证划分的准确性，本实施例对比了在高频分量个数不同情况下模型的预测性能与训练时间，其结果如下表2所示，表2中示出了不同高频分量个数对应的RMSE(均方根误差)、MSE(均方误差)、MAPE(平均绝对百分比误差)、R-Square(R方)及训练时间，可以看出，当高频分量的个数为4时，模型的预测效果最好，继续增加高频分量个数，模型性能几乎没有提升，反而会导致时间复杂度的增加，因此上述的划分方式是合理的。

表2不同高频分量个数性能对比

S4.构建CNN-LSTM模型，并将高频分量及组合分量分别输入CNN-LSTM模型进行处理，对应得到多个分量预测值；需要说明的是，CNN主要是对单个数据包内部的特征进行分析，缺乏对序列之间关联的提取分析，因此与LSTM(Long Short Term Memory Networks，长短期记忆网络)结合构建的模型在分量预测方面会有更好的效果。

本实施例中，如图3所示，所述CNN-LSTM模型包括依次连接的输入层、一维卷积层(Conv1D)、最大池化层(MaxPool)、LSTM网络、全连接层(FC)和输出层。本实施例中，构建CNN-LSTM模型后，还使用Adam优化器对CNN-LSTM模型进行优化。

将高频分量或组合分量输入CNN-LSTM模型后，CNN-LSTM模型对高频分量或组合分量的处理流程如下：

S401.所述输入层将高频分量或组合分量输入所述一维卷积层；

S402.所述一维卷积层对高频分量或组合分量进行特征提取，得到高频分量或组合分量的局部关联特征，然后将高频分量或组合分量的局部关联特征输入最大池化层；

S403.所述最大池化层对高频分量或组合分量的局部关联特征进行池化处理，得到高频分量或组合分量的池化后特征，然后将高频分量或组合分量的池化后特征输入LSTM网络；需要说明的是，最大池化层通过选取部分特征以降低特征的数量，从而可压缩高频分量或组合分量中数据和参数的规模，以避免过拟合的问题。

S404.所述LSTM网络对高频分量或组合分量的池化后特征进行时序预测，得到高频分量或组合分量的深层次特征，然后将高频分量或组合分量的深层次特征输入全连接层；需要说明的是，LSTM网络是由多个重复单元组成的链式结构，通过每个单元来记忆序列不同时刻的特征，由此实现时序预测作用。

S405.所述全连接层将高频分量或组合分量的深层次特征进行融合处理，得到高频分量或组合分量的分量预测值。

S5.将多个分量预测值进行叠加处理，得到所述空口利用率时间序列的空口利用率预测结果。

如图4所示，为本实施例中CNN-LSTM模型在空口利用率时间序列测试集中的200个样本点的原始序列及预测序列的空口占用率对比图，可以看出整体上是非常准确的，且较好地捕捉了空口利用率的变化趋势，但需要通过不同模型定量指标的对比进一步评估。

本实施例中，本实施例结合了经验模态分解(EMD)算法、卷积神经网络(CNN)和长短期记忆网络(LSTM)三个算法模块，具体地，将EMD算法与CNN-LSTM模型组合即构成对预处理后时间序列进行处理的EMD-CNN-LSTM预测模型，在此可以将其称为EMD-CNN-LSTM预测模型。将EMD-CNN-LSTM预测模型与其他不同网络模型的预测性能进行对比的结果如下表3所示：

表3不同模型预测性能对比

	RMSE	MAE	MAPE(％)	R-Square
					EMD-CNN-LSTM	0.064	0.046	15.044	0.905
CNN-LSTM	0.113	0.084	31.669	0.705
					EMD-LSTM	0.068	0.050	17.498	0.892
LSTM	0.115	0.087	33.103	0.691
					EMD-RNN	0.069	0.050	17.783	0.889
RNN	0.116	0.088	33.243	0.686

由表3可知，EMD-CNN-LSTM预测模型各项性能指标均好于其他模型，并且使用EMD算法的预测模型性能与未使用EMD算法的模型相比有显著提升，对比结果也表明了CNN改进模型的可行性。因此，可知本实施例中提出的EMD-CNN-LSTM预测模型可以有效预测真实场景中Wi-Fi无线网络的空口利用率，进而便于通过空口利用率对网络的性能进行评估，利于提高用户体验。

本实施例中，得到所述空口利用率时间序列的空口利用率预测结果后，所述方法还包括：

S6.根据所述空口利用率预测结果，对Wi-Fi无线网络进行评估。

本实施例基于数据驱动进行信道空口利用率的预测，不需要专家知识，便于实现信道空口利用率预测的自动化；同时，相对于传统统计学预测模型，本实施例的预测准确度更高。具体地，本实施例在实施过程中，首先，获取空口利用率时间序列，并对其进行预处理，得到预处理后时间序列，以便于提高空口利用率时间序列在后续处理过程中的适应性，同时扩展本实施例进行空口利用率预测的数据适用场景，对输入数据的要求更低；接着，将预处理后时间序列通过EMD算法分解为多个IMF分量和一个Res分量，以便降低后续预测的难度；随后，分别将多个IMF分量划分为高频分量与低频分量，并将低频分量与Res分量进行叠加组合处理，得到组合分量；再构建CNN-LSTM模型，并将高频分量及组合分量分别输入CNN-LSTM模型进行处理，对应得到多个分量预测值；最后，将多个分量预测值进行叠加处理，得到所述空口利用率时间序列的空口利用率预测结果，以便对Wi-Fi无线网络进行评估。在此过程中，本实施例基于由EMD算法、CNN网络和LSTM网络组合构成的EMD-CNN-LSTM预测模型对空口利用率进行预测，预测准确度高，便于实现对网络的性能及干扰情况的评估。

实施例2：

本实施例提供一种信道空口利用率预测系统，用于实现实施例1中信道空口利用率预测方法；如图5所示，所述信道空口利用率预测系统包括：

实施例3：

在实施例1或2的基础上，本实施例公开了一种电子设备，该设备可以是智能手机、平板电脑、笔记本电脑或者台式电脑等。电子设备可能被称为用于终端、便携式终端、台式终端等，电子设备包括：

存储器，用于存储计算机程序指令；以及，

处理器，用于执行所述计算机程序指令从而完成如实施例1中任一所述的信道空口利用率预测方法的操作。

实施例4：

在实施例1至3任一项实施例的基础上，本实施例公开了一种计算机可读存储介质，用于存储计算机可读取的计算机程序指令，所述计算机程序指令被配置为运行时执行如实施例1所述的信道空口利用率预测方法的操作。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

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。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种信道空口利用率预测方法，其特征在于：包括：

2.根据权利要求1所述的一种信道空口利用率预测方法，其特征在于：获取空口利用率时间序列，并对其进行预处理，得到预处理后时间序列，包括：

3.根据权利要求1所述的一种信道空口利用率预测方法，其特征在于：将预处理后时间序列通过EMD算法分解为多个IMF分量和一个Res分量，包括：

计算上包络线和下包络线的均值；

判定当前初始分量为一个IMF分量；

将最后一待处理序列中除IMF分量外的残余分量作为Res分量。

4.根据权利要求1所述的一种信道空口利用率预测方法，其特征在于：基于过零率指标分别将多个IMF分量划分为高频分量与低频分量；其中，将过零率大于阈值的IMF分量划分为高频分量，将过零率小于阈值的IMF分量划分为低频分量。

5.根据权利要求4所述的一种信道空口利用率预测方法，其特征在于：任一IMF分量的过零率为：

6.根据权利要求1所述的一种信道空口利用率预测方法，其特征在于：所述CNN-LSTM模型包括依次连接的输入层、一维卷积层、最大池化层、LSTM网络、全连接层和输出层。

7.根据权利要求6所述的一种信道空口利用率预测方法，其特征在于：将高频分量或组合分量输入CNN-LSTM模型后，CNN-LSTM模型对高频分量或组合分量的处理流程如下：

所述输入层将高频分量或组合分量输入所述一维卷积层；

8.一种信道空口利用率预测系统，其特征在于：用于实现如权利要求1至7中任一项所述的信道空口利用率预测方法；所述信道空口利用率预测系统包括：

9.一种电子设备，其特征在于：包括：

存储器，用于存储计算机程序指令；以及，

处理器，用于执行所述计算机程序指令从而完成如权利要求1至7中任一项所述的信道空口利用率预测方法的操作。

10.一种计算机可读存储介质，用于存储计算机可读取的计算机程序指令，其特征在于：所述计算机程序指令被配置为运行时执行如权利要求1至7中任一项所述的信道空口利用率预测方法的操作。