估计通信业务需求的制作方法

1.本文所描述的各种实施例涉及无线通信领域，并且具体涉及估计感兴趣区域中的容量需求或业务密度。


背景技术：

2.用于构建或修改蜂窝网络基础设施的网络规划旨在估计区域中的容量需求。该区域中的人口密度可以被用作网络规划中的输入，但是该密度不一定与容量需求相关。例如，该密度可能在不同网络运营商的客户之间分布不均。在网络运行期间，通过监测指示容量的某些关键性能指标并对关键性能指标的结果做出反应，而进行网络规划是可行的。


技术实现要素：

3.本发明的一些方面由独立权利要求来限定。
4.本发明的一些实施例在从属权利要求中被限定。
5.在本说明书中描述的不属于独立权利要求的范围的实施例和特征(如果有的话)将被解释为对理解本发明的各种实施例有用的示例。本公开的一些方面由独立权利要求来限定。
6.根据一个方面，提供了一种装置，包括：至少一个处理器；包括计算机程序代码的至少一个存储器，其中所述至少一个存储器和计算机程序代码被配置为与所述至少一个处理器一起使所述装置执行以下操作：通过使用一个或多个社交媒体应用来形成社交媒体层，社交媒体层存储感兴趣区域中的多个地点的记录；通过使用存储地点的真实地理位置的至少一个源来形成将地点映射到真实地理位置的地理位置层；将地点分类为多个类别，并向每个地点指派指示取决于地点的类别的业务容量需求的权重；基于由所述地理位置层所提供的所述地点的所述真实地理位置和由所述权重所指示的每个地点的所述业务容量需求，针对所述感兴趣区域构建容量层，所述容量层指示所述感兴趣区域的多个子区域中的网络业务容量需求的空间分布，所述多个子区域包括具有所述地点之间的子区域以及所述地点中的至少一项的子区域。
7.在实施例中，至少一个存储器和计算机程序代码被配置为与至少一个处理器一起使装置输出容量层以用于蜂窝网络基础设施的网络规划。
8.在实施例中，至少一个存储器和计算机程序代码被配置为与至少一个处理器一起使装置：将表示相同地点的社交媒体数据组合到社交媒体层中的相同记录，社交媒体数据从至少第一数据源和第二数据源获取，其中如果社交媒体数据都指示地点的位置在彼此之间的一定距离内，和/或如果社交媒体数据通过相似度高于确定阈值的名称而都指示相同地点，则从第一数据源获取的社交媒体数据被认为与从第二数据源获取的社交媒体数据表示相同地点。
9.在一个实施例中，至少一个存储器和计算机程序代码被配置为与至少一个处理器一起使装置在没有指示网络业务量的测量数据的情况下构建所述容量层。
10.在一个实施例中，至少一个存储器和计算机程序代码被配置为与至少一个处理器一起使装置基于至少两个地点的权重而针对至少两个地点之间的子区域计划网络业务容量需求。
11.在一个实施例中，至少一个存储器和计算机程序代码被配置为与至少一个处理器一起使装置使用以下信息作为训练输入来构建所述容量层：存储另外的感兴趣区域中的其他地点的记录的社交媒体层，以及对于另外的地点中的每个地点、用于指示相应地点的业务容量需求的多个类别中的一个类别；以及在另外的感兴趣区域处测量到的业务容量需求。
12.在一个实施例中，感兴趣区域表示第一城市，并且另外的感兴趣区域表示与第一城市不同但确定具有与所述第一城市的社交媒体活动相关的社交媒体活动的第二城市。
13.在一个实施例中，至少一个存储器和计算机程序代码被配置为与所述至少一个处理器一起使装置通过至少执行以下操作来构建所述容量层：通过使用地理位置层将感兴趣区域划分为所述多个子区域；通过使用子区域中的一个或多个地点的一个或多个权重，并且进一步通过使用在作为多个子区域中的每个子区域的邻居的子区域中的一个或多个地点的一个或多个权重，计算用于多个子区域中的每个子区域的业务容量需求。
14.在一个实施例中，至少一个存储器和计算机程序代码被配置为与至少一个处理器一起使装置进一步基于相应地点的子区域的人口统计类型来指派权重。
15.在一个实施例中，与较高业务容量需求相关联的权重被指派给具有市区人口统计类型的子区域中的确定的类别，而不被指派给具有郊区或农村人口统计类型的子区域中的确定的类别，而与较低业务容量需求相关联的权重被指派给具有市区人口统计类型的子区域中的另一个确定的类别，而不是被指派给具有郊区或农村人口统计类型的子区域中的所述另一个确定的类别。
16.在实施例中，至少一个存储器和计算机程序代码被配置为与所述至少一个处理器一起使装置获取关于在感兴趣区域中的建筑物类型和建筑物尺寸中的至少一个的信息，以及在构建所述容量层时使用关于建筑物类型和建筑物尺寸中的至少一个的所述信息作为其他输入。
17.在实施例中，至少一个存储器和计算机程序代码被配置为与至少一个处理器一起使装置在社交媒体层中存储从一个或多个社交媒体应用中所获取的多个地点的地址，将地址映射到地理位置层中的地理坐标，并通过使用地理坐标将多个地点映射到子区域。
18.根据一个方面，提供了一种计算机实现的方法，用于估计感兴趣区域中的网络业务容量需求，包括：通过使用一个或多个社交媒体应用来形成社交媒体层，社交媒体层存储感兴趣区域中的多个地点的记录；通过使用存储地点的真实地理位置的至少一个源来形成将地点映射到地理位置的地理位置层；将地点分类为多个类别，并向每个地点指派指示取决于地点的类别的业务容量需求的权重；基于由地理位置层所提供的地点的真实地理位置和由权重所指示的每个地点的业务容量需求，针对感兴趣区域构建容量层，容量层指示感兴趣区域的多个子区域中的网络业务容量需求的空间分布，多个子区域包括具有所述地点之间的子区域以及地点中的至少一项的子区域。
19.在一个实施例中，计算机实现的方法还包括在蜂窝网络基础设施的网络规划中使用容量层并选择蜂窝网络基础设施的小区的位置。
20.在一个实施例中，计算机实现的方法还包括将表示相同地点的社交媒体数据组合到社交媒体层中的相同记录，社交媒体数据数据源从至少第一数据源和第二数据源获取，其中如果社交媒体数据都指示所述地点的位置在彼此之间的一定距离内、和/或如果社交媒体数据通过相似度高于确定阈值的名称而都指示相同地点，则从第一数据源获取的社交媒体数据与从第二数据源获取的社交媒体数据表示相同地点。
21.在一个实施例中，在没有指示网络业务量的测量数据的情况下构建所述容量层。
22.在一个实施例中，基于至少两个地点的权重而针对所述至少两个地点之间的子区域计划所述网络业务容量需求。
23.在一个实施例中，以下信息被用作构建所述容量层的训练输入：存储另外感兴趣区域中的其他地点的记录的社交媒体层，并且对于其他地点中的每个地点，用于指示相应地点的业务容量需求的多个类别中的一个类别；以及在另外感兴趣区域处测量到的业务容量需求。
24.在一个实施例中，感兴趣区域表示第一城市，并且所述另外感兴趣区域表示与第一城市不同但确定具有与第一城市的社交媒体活动相关的社交媒体活动的第二城市。
25.在一个实施例中，通过至少执行以下操作来构建所述容量层：通过使用地理位置层将感兴趣区域划分为多个子区域；通过使用子区域中的一个或多个地点的一个或多个权重，并且进一步通过使用在作为多个子区域中的每个子区域的邻居的子区域中的一个或多个地点的所述一个或多个权重，计算用于多个子区域中的每个子区域的业务容量需求。
26.在一个实施例中，进一步基于相应地点的所述子区域的人口统计类型来指派。
27.在一个实施例中，与较高业务容量需求相关联的权重被指派给具有市区人口统计类型的子区域中的确定的类别，而不是被指派给具有郊区或农村人口统计类型的子区域中的确定的类别，而与较低业务容量需求相关联的权重被指派给具有市区人口统计类型的子区域中的另一个确定的类别，而不是被指派给具有郊区或农村人口统计类型的子区域中的所述另一个确定的类别。
28.在一个实施例中，关于感兴趣区域中的建筑物类型和建筑物大小中的至少一项的信息被获取，并且在构建所述容量层时被用作其他输入。
29.在一个实施例中，计算机实现的方法还包括在社交媒体层中存储从一个或多个社交媒体应用中所获取的多个地点的地址，将地址映射到地理位置层中的地理坐标，并且通过使用地理坐标将多个地点映射到子区域。
30.根据一个方面，提供了一种计算机程序产品，该计算机程序产品体现在计算机可读介质上并且包括计算机可读的用于第一无线网络的装置的计算机程序代码，其中该计算机程序代码将计算机配置为执行用于估计感兴趣区域中的网络业务容量需求的计算机过程，包括：通过使用一个或多个社交媒体应用来形成社交媒体层，社交媒体层存储感兴趣区域中的多个地点的记录；通过使用存储地点的真实地理位置的至少一个源来形成将地点映射到地理位置的地理位置层；将地点分类为多个类别，并向每个地点指派指示取决于所述地点的类别的业务容量需求的权重；基于由地理位置层所提供的地点的真实地理位置和由权重所指示的每个地点的业务容量需求，针对感兴趣区域构建容量层，容量层指示感兴趣区域的多个子区域中的网络业务容量需求的空间分布，多个子区域包括具有地点之间的子区域以及地点中的至少一项的子区域。
31.在一个实施例中，计算机程序产品还包括用于配置计算机以执行计算机实现的方法的上述实施例中的任一者的计算机程序代码。
附图说明
32.以下仅通过示例的方式参考附图描述实施例，其中
33.图1图示了蜂窝网络规划；
34.图2图示了用于估计针对感兴趣区域的通信服务容量需求的过程的实施例；
35.图3图示了图2的过程的一些实施例；
36.图4图示了如何通过将感兴趣区域划分为网格来构建容量层；
37.图5图示了训练机器学习算法并使用训练后的机器学习来构建容量层；
38.图6和图7图示了机器学习的结构和操作；和
39.图8图示了根据本发明的实施例的装置的结构的框图。
具体实施方式
40.以下实施例是示例。尽管说明书可能在若干位置引用“一”、“一个”或“一些”(多个)实施例，但是这并不一定意味着每个这样的引用都指向(多个)相同的实施例，或者该特征仅适用到单个实施例。不同实施例的单个特征也可以被组合以提供其他实施例。此外，词语“包括”和“包含”应被理解为不将所描述的实施例限制为仅由已提及的那些特征组成，并且此类实施例还可以包含尚未具体提及的特征/结构。
41.图1图示了蜂窝通信系统的蜂窝覆盖的概念。蜂窝通信系统可以是从诸如全球移动通信系统之类的第二代系统到诸如高级长期演进(高级lte，lte-a)或新无线电(nr，5g)之类的现代系统的任何系统，而没有将实施例限制为任何架构。实施例也可以被应用于其他类型的通信网络。针对适合系统的其他选项的一些示例是通用移动电信系统(umts)无线电接入网络(utran或e-utran)、长期演进(lte，与e-utra相同)、无线局域网(wlan或wifi)、全球微波接入互操作性(wimax)、宽带码分多址(wcdma)或其任意组合。
42.参考图1，蜂窝网络规划的一个方面是在感兴趣区域(aoi)的每个部分中提供覆盖，例如，在蜂窝网络运营商选择提供覆盖的地方。由于通信服务的用户数量众多，城市和其他人口密度高的区域尤其是感兴趣的。在这些区域中，可能会特别关注于提供满足通信服务需求的覆盖范围和足够的通信服务容量。如今，人们是流动的，因此，估计一个区域的服务需求并不容易。在覆盖大型区域的宏小区100、102、104的层面上，由于区域越大，业务需求越稳定，所以估计更容易。然而，估计较小区域(诸如建筑物或城市中的每座建筑物)的服务需求既费时又不准确。从必须各个地评估每个建筑物的意义上说，这是耗时的。从某种意义上说，人们在小型区域内的流动性是不可预测的，这是不准确的。因此，估计小型小区110、112或宏小区内的热点的需求要求更高。
43.蜂窝通信系统的地理覆盖区域可以包括多个不同种类的无线电小区。无线电小区可以包括宏小区100、102、104(或伞形小区)，它们是大型小区，通常具有高达数十公里的直径。在宏小区内，可以构建更小的小区，诸如微小区、毫微微小区或微微小区，以提供本地热点来提高服务容量。现代蜂窝通信系统可以被实现为包括多种小区的多层网络。通常，在多层网络中，一个接入节点或基站(在一些系统规范中是enb、gnb)提供一种类型的一个或多
个小区，并且需要多个接入节点或基站来提供这样的网络结构。
44.图2图示了用于估计感兴趣区域中的通信服务需求的计算机实现的过程的实施例。参考图2，该过程包括如由至少一个处理器或计算机处理系统执行的如下步骤：通过使用一个或多个社交媒体应用来形成(块200)社交媒体层，该社交媒体层存储该感兴趣区域中的多个地点的记录；通过使用存储地点的真实地理位置的至少一个源来形成(块202)将地点映射到地理位置的地理位置层；将地点分类(块204)为多个类别，并向每个地点指派一个权重，该权重指示取决于所述地点的类别的业务容量需求；基于由地理位置层所提供的地点的真实地理位置和由权重所指示的每个地点的业务容量需求，针对感兴趣区域构建(块204)容量层，该容量层指示感兴趣区域的多个子区域中的网络业务容量需求的空间分布，该多个子区域包括具有地点之间的子区域和地点中的至少一个的子区域。存在允许将用户的位置映射到诸如咖啡馆、餐馆、酒店等等之类各种地点的各种社交媒体应用。此类应用的示例包括facebook、twitter、foursquare、google places、黄页等。此类应用可以被用作社交媒体数据的源，其允许估计人群的位置和人员的分布。它们通常提供人员和地点之间的映射以及地点的位置指示。然而，取决于应用，该位置可能具有较低的地理准确性。一些应用使用卫星定位来提供该站点的位置。卫星定位可能不准确，具体取决于执行卫星定位时的用户所在的位置和系统。定位误差可能是几十米甚至更多，这使得这些源不适于估计非常小的aoi中的业务需求，例如100平方米。一些社交媒体应用允许注册该地点的地址，但是注册地址在其真实地理位置方面可能不准确，例如因为社交媒体应用的地理定位能力不准确。图2的实施例使用地理层通过使用地点的位置的更准确数据源而将地点绑定到正确的地理位置(坐标)。例如，这样的源可以指示可以被映射到aoi的地理地图的每个地点的地址。针对地理层的另一个数据源可以是存储地点的位置的导航应用。这种导航应用的一个示例是应用。针对地理层的数据源的另一个示例是google places，它提供比facebook、twitter、foursquare等更准确的地点的地理位置。通过将地点绑定到其正确的地理位置，可以更准确地估计业务容量需求，从而提供更准确的容量层。
45.在实施例中，如果确定社交媒体数据源提供地点的准确位置，则块202可以利用从社交媒体数据源获取的地点位置。此类准确源的示例是google places。
46.在实施例中，容量层被用于蜂窝网络基础设施的网络规划。在这方面，容量层可以被理解为表示感兴趣区域中的平均或静态业务容量需求分布。这可以被理解为业务容量需求恒定、周期性的或其他规律的趋势，从而促进网络规划。可以基于容量层来确定小区、特别是小型小区的位置。然而，容量层也可以被用于其他目的。
47.在实施例中，社交媒体层针对每个地点存储已经通过使用一个或多个社交媒体应用在该地点签到(check in)的用户的数目。签到的数目可以被用作为用于为该特定地点指派权重的输入。签到可以在社交媒体应用的对比中进行理解。如果某人在社交媒体应用中撰写了对某个地点的评论，例如tripadvisor，则此人已在该地点签到。如果此人已在诸如facebook、twitter或foursquare之类的社交媒体应用中指示访问某个地点，则此人已在该地点签到。许多社交媒体应用跟踪可以直接被用作输入的针对每个地点的签到次数。
48.在实施例中，在不具有指示在aoi中的一个或多个无线网络中所测量的网络业务量的测量数据的情况下，容量层被构建。所测量的业务可以被用作用于指派权重的附加输入，例如用于网络规划和确定小区位置，或者所测量的业务可以被用于块204的训练执行，
但是这不是强制性的。社交媒体层提供aoi中的人员分布的指示，同时地理位置层将地点绑定到正确的地理位置。人员分布的指示可以包括关于对aoi中的地点的签到信息、对aoi中的地点的评分、aoi中的地点的开放时间等。
49.如上所述，可以对地点进行分类。类别可以定义地点的经济、公共或社会功能，例如咖啡厅、餐厅、教堂、住宅楼、办公室、政府大楼等。在构建社交媒体层和容量层时，它可以被用作附加输入。例如，google places应用编程接口(api)是一种用于查找此类地点的工具。它还为地点提供了一种分类，并且因此可能对分类有用。该分类可以被用于对感兴趣的地点或区域中的每个用户的业务容量需求进行加权。例如，一定数量的签到和/或评分等等可能会在咖啡馆设置与教堂不同的业务容量需求。作为另一个示例，分类可以指示在没有观察到的签到数量的情况下的业务容量需求。在这种情况下，加权可能依赖于每个类别的统计假设、测量或观察。例如，可以为咖啡馆指派某个业务容量需求，可以为教堂指派不同的业务容量需求等。每个类别可以对业务容量需求具有唯一的权重，并通过使用aoi中的足够数量的地点的位置和权重，可以针对该aoi导出总业务容量需求及其分布的统计显著性。
50.社交媒体层可以被理解为存储将用户链接到地点的社交媒体数据的数据库或数据结构。数据结构可以包括针对每个地点的记录，该记录包括地点的名称或另一个标识符以及链接到该地点的用户数量。此外，该记录可以存储从社交媒体应用获取的并与该地点相关的其他信息。这样的其他信息可以指示该地点的位置处的业务容量需求，例如，每个用户的业务容量，并且可以包括该地点的用户评分和/或该地点的开放时间。社交媒体层可以在从公共可用源获取的社交媒体数据的基础上被构建，和/或它可以在商业可用的社交媒体数据的基础上被构建。
51.在容量层已经被构建之后，社交媒体层可能会被删除。一些源可能会为所获取的社交媒体数据指定时间限制。无论如何，社交媒体层的目的可能是构建容量层，一旦构建了容量层，可能不再需要社交媒体层并且可以丢弃。
52.然后让我们参考图3来描述图2的过程的一些实施例。图3描述了块200到204的各种实施例，并且各种实施例被认为是彼此独立的。参考图3，社交媒体数据可以被存储在分别针对每个社交媒体应用的各种数据库中。示例包括google places数据库300、facebook数据库302、foursquare数据库304。执行图3的过程的计算机系统可以访问这些数据库并获取将用户链接到地点的社交媒体数据。这样的社交媒体数据可以包括签到数据、每个地点的用户评分数据和/或指示用户已经该在地点的地理位置处访问过该地点的其他信息。作为从数据库获取社交媒体数据的结果，计算机系统可以构建包括针对每个所发现的站点的记录的数据库。
53.各种社交媒体应用和数据库可以以不同的名称或类别存储相同或相似的信息。例如，在一个数据库中针对某个地点的名称可能与在另一个数据库中针对相同站点的名称不同。此外，不同的数据库可能对相同地点使用不同的分类。此外，不同的数据库可能将地点的位置存储为地址或地理坐标，但是如上面所提及的，位置的准确性可能不同。因此，数据库在这个阶段可能包括相同地点重复的记录，并且这些记录可能存储关于相同地点的相同或不同的信息。在块310中，计算机系统可以组合表示相同地点但从不同社交媒体源收集的社交媒体数据。在一个实施例中，计算机系统将表示相同地点的社交媒体数据组合到社交媒体层305中的相同记录。可以在组合中使用模糊逻辑或其他方案。组合可以遵循以下原
则。如果两个社交媒体数据都指示该地点的位置在彼此之间的一定距离内和/或如果两个社交媒体数据通过相似度高于确定阈值的名称而指示相同地点，则从第一数据源获取的社交媒体数据可以被认为表示与从第二数据源获取的社交媒体数据相同的地点。地点的名称的相似度可以要求例如至少70％的相似度、至少80％的相似度或90％的相似度，并且可以相应地设置阈值。例如，可以基于最不准确的社交媒体源的平均估计不准确性来确定特定距离。示例包括小于80米、小于70米或小于60米。使用这两个条件(名称和距离)自然会提高组合那些真正表示相同地点的记录的性能。组合可以包括统一地点的名称(块312)，例如，可以保留该地点的正式名称，而放弃其他名称。组合结果的示例在下面的表1中被图示。很显然，地点的数量可能要显著高得多。
[0054][0055]
表1
[0056]
如表1中所图示，社交媒体数据可以包括针对不同地点的各种信息，并且针对一个地点存在的某些信息可能会从另一个地点的记录中缺失。该过程的一个实施例包括块314，其中计算机系统通过使用针对该地点和/或针对其他地点的可用信息作为输入(例如，随机森林算法的输入)来预测该地点的缺失信息。可以替代地使用另一种算法。该算法可以根据其他站点可用的信息来填充缺失的信息。例如，填充逻辑可以使用相同类型且具有类似其他特性的其他地点的平均值。例如，flanco咖啡馆的google评分可以被计算为与flanco咖啡馆相同或相似区域中的其他咖啡馆的google评分的平均值。类似区域可以在该区域的类似社会经济或人口统计类别的背景下被理解为“市区”、“郊区”、“农村”等。作为块314的结果，表1的社交媒体层305可以被修改为表2的形式，其中至少一些缺失信息用预测来填充。
[0057][0058]
表2
[0059]
在执行块310后，计算机系统可以在存储社交媒体层的数据库305中存储或更新社交媒体层。
[0060]
作为块202的结果，可以针对aoi构建下面的表3的数据库。可以从为社交媒体层中包括的地点提供准确位置数据的源获取位置坐标，例如here或google places。在一些实施例中，社交媒体层可以很容易包括从社交媒体数据源获取的坐标。然而，如上所述，这样的坐标可能是不准确的。因此，可以执行块202来纠正这种不准确性。块202可以被用来协调社交媒体层中从多个社交媒体源很容易获得的位置坐标。例如，google places可以通过使用该地点的真实地理位置来提供该地点的准确位置坐标，而facebook可以提供从卫星定位接收器获取的该地点的不准确位置坐标。块202然后可以丢弃被认为不准确的位置坐标并且只维持该地点的准确位置坐标。丢弃可以基于社交媒体应用的预先知识或分类为在位置坐标中提供足够准确性的那些和在位置坐标中没有提供足够准确性的那些。在缺失准确位置坐标的情况下，可以使用外部地理定位源(诸如here)来提供(多个)地点的准确位置坐标。
[0061][0062]
表3
[0063]
块204然后可以组合表2和表3，并且因此提供例如表4形式的容量层。表4可以在组合的表2和表3的基础上通过使用机器学习模型来构建，该机器学习模型被配置为分析组合的表2和表3中存储的信息。机器学习模型可以通过使用真实测量数据来进行训练，如在下面的一些实施例中所述。
[0064][0065]
表4
[0066]
表4图示了aoi内的子区域的业务容量需求。如下所述。在表4的实施例中，构建了考虑建筑物的楼层的三维容量层。另一个实施例不包括第三维度(楼层)。业务容量需求可以描述针对坐标位置的业务权重。因此，容量层可以指示aoi内的各个子区域的相对业务容量需求。aoi中的人数，例如，然后可以将人口分布到子区域，以便将相对容量需求转换为绝对需求，例如以用于蜂窝网络规划，诸如小型小区布局设计。可以根据容量层的目的来选择子区域的尺寸。例如，如果目标是小型小区的网络规划，则子区域的尺寸可能比目标是宏小区的网络规划(例如100米
×
100米)更小(例如20米
×
20米)。
[0067]
aoi可以被划分为多个子区域，并且计算每个子区域的业务容量需求，如表4中所图示。为此目的，块320可以包括从地理定位数据库中检索位于aoi的地点，并将地点映射(块322)到子区域。例如，子区域集合可以形成覆盖(整个)aoi的网格。因此，aoi中的每个地点都被指派到子区域。每个子区域因此可以被理解为用于业务容量需求估计的箱(bin)，该箱包括对该子区域的容量需求估计有贡献的多个地点。如上面结合图2所描述的，可以存在包括一个或多个地点的子区域和位于这些地点之间的子区域。一些子区域可能在其中没有映射的地点，并且仍然可能根据基于映射到一个或多个相邻子区域的地点而确定的业务容量需求，而将业务容量需求计划到这些子区域。
[0068]
此后，在块330中，可以通过使用存储在社交媒体层中与所述每个子区域链接的社交媒体数据来计算每个子区域的容量需求(例如表4)。换言之，计算子区域(也可以称为箱)的容量需求可能至少考虑存储在映射到子区域(如果有的话)的那些地点的记录中的社交媒体数据。在另一个实施例中，计算子区域的容量需求还可以使用存储在社交媒体层中与该子区域相邻的确定数量的子区域相关联的信息。图4图示了这个实施例。
[0069]
参考图4，当估计子区域a的容量需求时，计算机系统可以考虑映射到子区域a的地点的社交媒体数据，并且此外还考虑映射到子区域a周围的子区域(a1到a8)的地点的社交媒体数据。取决于实施例，甚至可以考虑子区域a1到a8周围的子区域。因此，可以实现平均处理。例如，在子区域a不包括映射到其上的地点的图4中所图示的情形中，这可能是有用的。但是，在该子区域周围的子区域a1到a8包含若干地点，因此可能也会影响子区域a中的业务容量需求。下面的等式提供了估算每个子区域a的业务容量需求t的示例：
[0070]
ta＝y1*(类别1的地点数量)a y2*(类别2的地点数量)a ... ma y1*(类别1的地点数量)
a1
y2*(类别2的地点数量)
a1
... m
a1
... y1*(类别1的地点数量)
ax
y2*(类别2的地点数量)
ax
... m
ax
[0071]
变量y1,y2,...表示可以按类别定义的权重，如上所述。参数m
a1
至m
ax
表示一个常数，该常数可以例如根据特定子区域中的人口或人口密度和/或其他因素来确定。可以将其他参数带入等式中，例如每个地点的签到数量。上述等式基于简化示例的线性模型。在其他实施例中，使用另一个回归模型。
[0072]
如上所述，指示aoi或子区域中的每个地点的权重的社交媒体数据指示aoi或子区域中的(相对)业务容量需求。此外，aoi或子区域内的地点数量也与aoi或子区域内的业务容量需求成正比。评分或签到数量也与每个地点的人数成正比。与具有较低评分和较低评分计数的第二名相比，对于第一名具有高评分和高评分计数的地点可能表示更多的用户数量。开放时间可以提供估计业务容量需求的时间特性的能力。例如，可以估计aoi中的地点在开放时间期间的业务容量需求高于开放时间以外的业务容量需求。这些参数组合起来提供了aoi或子区域中的相对人数的指示。
[0073]
如上所述，在块330中还可以考虑地点的分类。例如，可以基于地点的类别来确定每个用户的业务容量需求。计算机系统可以为不同类别中的每个用户或每个地点的业务容量需求指派不同的权重。例如，酒店或咖啡馆的业务容量需求可以被设置得比教堂的更高。如上所述，还可以考虑时间特性。
[0074]
在实施例中，进一步基于相应地点的子区域的人口统计类型来指派地点的权重。人口统计类型可以包括市区、郊区、农村等。例如，可以为市区区域中的酒吧或教堂指派与
农村区域的酒吧或教堂不同的权重。与农村区域中的酒吧相比，市区区域的酒吧可能与较高的业务容量需求相关联。一般来说，可以为特定类别且位于市区子区域中的地点指派指示比特定类别且位于郊区子区域中的地点更高的业务容量需求的权重。类似地，可以为特定类别且位于郊区子区域中的地点指派比特定类别且位于农村子区域中的地点更高的业务容量需求的权重。然而，可能会观察到某些类别具有相反的效果。例如，特定农村区域中的教堂可能与比市区区域中的教堂更高的业务容量需求相关联。这可能是由于在特定aoi中的(多个)农村区域中的每个教堂的访客人数较高导致的。因此，与较高的业务容量需求相关联的权重可以被指派给具有市区人口统计类型的子区域中的确定的类别，而不是被指派给具有郊区或农村人口统计类型的子区域中的确定的类别，而与较低的业务容量需求相关的权重可以被指派给具有市区人口统计类型的子区域中的另一个确定的类别，而不是被指派给具有郊区或农村人口统计类型的子区域中的所述另一个确定的类别。总之，人口统计类型和地点的分类可以为业务容量需求提供独立变量。
[0075]
aoi或在aoi内的子区域的人口统计类型可以通过各种方式来确定。例如，可以提供人口统计数据库，其中例如将城市划分为人口统计区域，每个区域根据特定人口统计类型来指定。因此，可以从人口统计数据库中导出aoi和/或aoi子区域的直接映射。在另一个实施例中，aoi或子区域的人口统计类型是基于区域内的地点来确定的。例如，如果aoi或子区域(连同确定数量的邻居子区域)包括至少确定数量的酒吧、咖啡馆或餐馆，则确定是市区或郊区。如果aoi或子区域仅包括住宅建筑和少数公共或商业地点，则可以确定是农村。因此，可以通过观察aoi或特定子区域中的地点的数量和分类来检测人口统计类型。在又一个实施例中，人口统计类型被给出。例如，如果aoi只覆盖一个城市的市中心，则aoi及其所有子区域默认为市区。
[0076]
在实施例中，构建提供关于aoi中的建筑物的信息的建筑物层。建筑物层可以包括针对建筑物的高度或地理区域的属性，和/或其他建筑物尺寸属性。aoi中的建筑物信息可以被用作容量需求的指示。例如，大型住宅楼的容量需求可能比小房子更高。一些建筑物可能在社交媒体层中的信息较少，但是仍与高容量需求或显著容量需求相关。因此，本实施例使用这样的建筑物层或建筑物数据库307，其存储关于aoi中的建筑物的信息。关于建筑物的信息可以包括建筑物的高度、建筑物类型(住宅、公共、政府、工业、商业等)、由建筑物覆盖的土地面积等中的一个或多个的建筑物尺寸的信息。关于建筑物的信息可以从各种源获取。例如，可以从商业源(购买)、从免费源(诸如开放的街道地图)、从卫星图像等获取关于建筑物的信息。机器学习可以被用于将信息适配为用于构建容量层的有用形式。例如，机器学习可以被应用于卫星图像以区分建筑物的尺寸和地理位置，并且机器学习可以交叉引用社交媒体层以确定建筑物的类型。如上所述，社交媒体层包含关于aoi中的地点的类型的信息。如果通过机器学习算法从一个或多个卫星图像中区分的建筑物被确定为包括至少一定数量的地点，如社交媒体层所指示的，则该建筑物可以被标示为商业建筑物。如果建筑物很大并且包含的地点少于一定数量，则它可以被确定是住宅建筑物，除非社交媒体层或其他信息以其他方式链接建筑物类型。计算机系统执行块330然后可以使用aoi中的建筑信息作为用于估计容量需求的另一个输入，从而提供对容量需求的更准确估计。
[0077]
当将关于建筑物的信息映射到业务容量时，构建数据库305或执行块330的机器学习可以使用上述逻辑。与较小的建筑物相比，较大的建筑物被映射到较高的容量需求。每种
建筑类型可以被映射到每个用户的特定容量需求，并且可以使用建筑物的尺寸和针对建筑物的社交媒体层来估计用户数量，从而提供针对建筑物的整体容量需求。可以附加地或替代地实现其他逻辑。
[0078]
在实施例中，建筑物被用来形成“网格”并取代如上结合图4所述而形成的网格。在这种情况下，建筑物可以被理解为子区域，并且地点被映射到块322中的建筑物。因此，建筑物数据库307向块320提供输入。
[0079]
在实施例中，建筑物数据库307被包括在地理位置数据库306中。例如，建筑物数据库可以向地理位置数据库306提供第三维度(高度)。当使用图4的实施例时，或者一般来说，将aoi划分为子区域时，也可以在块322中将建筑物映射到子区域。然后，可以使用关于建筑物的信息来估计每个子区域的容量需求。例如，在计算容量层的实施例中可以考虑每个子区域中的建筑物的高度或尺寸。可以计算每个子区域的平均建筑物高度或尺寸以用于容量层计算。
[0080]
如上所述，即使没有任何与测量aoi中的网络业务量相关的测量数据，也可以构建容量层。在一个实施例中，当训练执行图2或至少块204或330的过程的机器学习算法时，可以使用这样的测量数据。在这样的实施例中，计算机系统可以使用以下信息作为训练输入来构建容量层：用于另一个aoi的社交媒体层；以及在所述另一个aoi处测量到的业务容量需求。如果两个aoi之间的社交媒体活动存在相关性，则可以将一个aoi的社交媒体层使用在训练机器学习算法例如神经网络中，并且此后，计算机系统可以在没有测量数据的情况下根据社交媒体层来构建容量层。地理位置层可以被用来改进地点的定位。在一个实施例中，aoi表示第一城市并且所述另一个aoi表示不同于第一城市的第二城市。因此，当城市之间的社交媒体活动相关时，针对所述另一城市的容量层也与实际业务容量需求相关。例如，社交媒体活动通常在同一国家的不同城市或在不同国家的类似城市中是相似的。图5图示了这些实施例。
[0081]
参考图5，在块510中训练机器学习算法。机器学习算法可以采用神经网络或其他回归模型。图6图示了具有一个隐藏层的神经网络(例如，执行块330)的实施例，并且图7图示了神经网络的计算节点的实施例。
[0082]
深度学习(也称为深度结构化学习或分层学习)是基于在人工神经网络中使用的层的更广泛机器学习方法家族的一部分。
[0083]
人工神经网络(ann)包含一组规则，其旨在执行诸如回归、分类、聚类和模式识别之类的任务。ann通过学习过程实现这些目标，其中示出了输入数据的各种示例以及所期望的输出。利用这个，他们学习为训练数据流形中的任何输入识别正确的输出。通过使用标签的学习被称为监督学习，不使用标签的学习被称为无监督学习。深度学习通常需要大量输入数据。在这种情况下，使用监督学习。
[0084]
深度神经网络(dnn)是一种人工神经网络，其包括在输入层1300和输出层1314之间的多个隐藏层1302。dnn的训练允许它找到正确的数学运算以便即使在关系是高度非线性和/或复杂的时候也将输入变换为正确的输出。
[0085]
每个隐藏层1302包括进行计算的节点1304、1306、1308、1310、1312。如图7中所示，每个节点1304将输入数据1300与一组系数或权重1400组合，该组系数或权重1400放大或衰减该输入1300，从而相对于算法试图学习的任务而为输入1300指派重要性。输入-权重乘积
进行相加1402，并且总和通过激活函数1404传递，以确定该信号是否以及在何种程度上应该进一步通过网络330以影响最终结果，诸如分类的动作。在这个过程中，神经网络学会了辨识某些相关特征和最佳结果之间的相关性。
[0086]
在分类的情况下，深度学习神经网络的输出可以被认为是特定结果的可能性，诸如在这种情况下是数据分组解码成功的概率。在这种情况下，层1302的数量可以与所使用的输入数据1300的数量成比例地变化。然而，当输入数据1300的数量高时，结果1314的准确性更可靠。另一方面，当存在较少的层1302时，计算可能花费更少的时间，从而减少延迟。然而，这在很大程度上取决于特定的dnn架构和/或计算资源。
[0087]
模型的初始权重1400可以以各种替代方式来设置。在训练阶段期间，它们适于基于分析决策做出中的错误来提高过程的准确性。训练模型基本上是一种试错活动。原则上，神经网络330的每个节点1304、1306、1308、1310、1312做出决策(输入*权重)，然后将该决策与所收集的数据进行比较以找出与所收集的数据的差异。换言之，它确定误差，基于该误差来调整权重1400。因此，模型的训练可以被认为是一个校正反馈循环。
[0088]
通常，使用随机梯度下降优化算法来训练神经网络模型，使用反向传播算法来针对其计算梯度。梯度下降算法试图改变权重1400以使得下一次评估减少误差，这意味着优化算法正在沿着误差的梯度(或斜率)进行导航。如果它提供足够准确的权重1400，那么也可以使用任何其他合适的优化算法。因此，神经网络330的训练后的参数332可以包括权重1400。
[0089]
在优化算法的上下文中，被用来评估候选解决方案(即，一组权重)的函数被称为目标函数。通常，对于目标是将误差最小化的神经网络，目标函数常常被称为成本函数或损失函数。在调整权重1400中，可以使用任何合适的方法作为损失函数，一些示例是均方误差(mse)、最大似然(mle)和交叉熵。
[0090]
至于节点1304的激活函数1404，它定义了给定输入或一组输入1300情况下的节点1304的输出1314。节点1304计算输入的加权和，可能添加偏差，然后基于作为二元激活的决策阈值或使用给出非线性决策函数的激活函数1404来做出“激活”或“不激活”的决策。可以使用任何合适的激活函数1404，例如sigmoid、整流线性单元(relu)、归一化指数函数(softmax)、sotfplus、tanh等。在深度学习中，激活函数1404通常在层级处被设置并应用到该层中的所有神经元。然后将输出1314用作下一个节点的输入，依此类推，直到找到原始问题的期望解决方案。
[0091]
作为神经网络的输入层，块510可以将组合的社交媒体层500和地理位置层306用于一个aoi(aoi 1)。作为神经网络的输出层，块510可以使用根据针对aoi 1所测量的业务容量需求(502)而形成的容量层。然后，块510可以执行神经网络节点的更新。然后可以将如此训练的神经网络的配置存储在数据库504中。可以对其他机器学习算法执行类似的训练。具有来自地理位置层306的经校正的地理位置和所测量的(真实的)业务容量需求的社交媒体层可以被用来训练机器学习。还可以训练机器学习以确定每个类别的适当权重。如上所述，社交媒体层500与地理位置层一起使得机器学习算法能够映射aoi 1中的地点以确定aoi 1中的地点的空间分布。此外，所测量的容量需求502可以指示aoi 1中的业务容量需求的空间分布。当地点的数量在统计上显著时，机器学习可以在此信息的基础上估计每个类别对业务容量需求的影响，并且因此，为每个类别指派适当的权重。
[0092]
当向另一个aoi(aoi 2)发布计算容量层的任务时，块512的执行可以被发出。块512可以包括从数据库502中检索神经网络的配置并且使用组合的社交媒体层506和用于aoi 2的地理位置层306作为到如此配置的神经网络的输入层。块512还可以包括测量神经网络的输出层，从而获取用于aoi 2的容量层。
[0093]
在假设社交媒体活动在aoi 1和aoi 2中是类似的情况下，在用作训练输入的测量502的基础上为aoi 1确定的权重对于aoi 2也可以认为是准确的。因此，借助针对aoi 2的地理位置层从社交媒体层获取的aoi 2中的地点及其类别的空间分布，使得能够确定aoi 2中业务容量需求的空间分布。
[0094]
在两个aoi之间的社交媒体活动存在已知差异的情况下，则可以在为另一个aoi训练神经网络时修改上述权重。例如，可以在已知差异的基础上修改从数据库500获取的针对aoi 1的社交媒体层，以使得它提供与aoi 2的真实社交媒体活动的更高相关性。可以在修改中使用已知差异来修正aoi 1和aoi 2之间的社交媒体活动的差异。例如，如果已知用户在aoi 2中比在aoi 1中更多地使用酒店中的蜂窝通信服务，则更高的容量需求权重可以被指派给链接到酒店的aoi 2的用户。如果aoi之间的行为存在已知差异，则可以针对其他地点类别执行类似的修改。
[0095]
另一机器学习算法采用回归模型进行容量需求估计，例如用于预测aoi中的用户。如本领域中所知的，回归模型可以被理解为函数
[0096]
y＝x1*m x2*n x3*o x4*p
…
[0097]
其中x1和x2是从上表中获取的针对特定子感兴趣区域(a)的变量。x1可以表示第一名的用户评分，x2可以表示第一名的用户数量，x3可以表示第二名的用户评分，x4可以表示第二名的用户数量，以此类推。y是所估计的参数(容量需求)。因此，回归模型通过使用机器学习以及例如从数据库502获取的所测量的容量需求作为训练输入来发现每个变量的权重(m,n,o,p)。当回归模型在训练的基础上被构建时，例如当发现权重时，可以将回归模型存储起来以供以后在相同的aoi中使用(具有不同的社交媒体数据集)或在不同的aoi中用于不同的社交媒体数据集(x1、x2、x3、x4
……
的不同值)。
[0098]
图8图示了用于执行图2或其任一实施例的过程的装置或系统的上述功能的结构的实施例。在一个实施例中，该装置包括至少一个处理器、至少一个存储器和计算机程序代码，该计算机程序代码被配置为与该至少一个处理器一起使该装置执行图2或其任一实施例的过程。
[0099]
参考图8，该装置可以包括处理系统10，该处理系统10包括至少一个处理器。处理系统可以包括单个物理计算机系统的一个或多个处理器，或者它可以包括在各种物理计算机处的分布式计算资源。处理系统可以采用云计算和/或本地处理资源。
[0100]
该装置可以包括通信接口22，该通信接口22被配置为向该装置提供通过一个或多个计算机网络进行通信的能力。例如，上述数据库(图8中的26)可以被提供在通过使用通信接口可访问的远程存储器资源中。通信接口可以是支持一种或多种网络协议诸如网际协议(ip)、传输控制协议(tcp)等的网络适配器。
[0101]
该装置还可以包括存储器20，该存储器20存储配置该装置的(多个)所述处理器的操作的一个或多个计算机程序产品24。存储器20可以使用任何合适的数据存储技术来实现，诸如基于半导体的存储器设备、闪存、磁存储器设备和系统、光学存储器设备和系统、固
定存储器和可移动存储器。存储器20还可以存储上述数据库26中的至少一些。存储器20还可以存储配置数据库28，该配置数据库28存储机器学习代理18，该机器学习代理18被配置为根据上述实施例构建容量层。配置数据库28例如可以存储神经网络(nn)的配置。
[0102]
处理系统10可以包括作为子模块的社交媒体层构建器12、地理位置层构建器14和容量层构建器16。模块12至16中的每一个可以由单独的计算机程序代码模块来定义。社交媒体层构建器12可以被配置为根据上述实施例中的任一个来执行块200。在一些实施例中，构建器12执行块310。地理位置层构建器14可以被配置为执行块202，并且在一些实施例中，执行块320。容量层构建器16可以被配置为执行块204，并且在一些实施例，执行块330。容量层构建器可以采用机器学习代理18来构建容量层。例如，机器学习代理18可以实现神经网络。在这种情况下，机器学习代理可以被配置为实现图5的过程，特别是块510和512。
[0103]
如在本技术中使用的，术语“电路系统”是指以下中的一个或多个：(a)纯硬件电路实现，诸如仅在模拟和/或数字电路系统中的实现；(b)电路和软件和/或固件的组合，诸如(如适用的话)：(i)(多个)处理器或处理器核心的组合；或(ii)(多个)处理器/软件的一部分，包括(多个)数字信号处理器、软件和至少一个存储器，它们一起工作以使装置执行特定功能；(c)需要软件或固件用于操作的电路，诸如(多个)微处理器或(多个)微处理器的一部分，即使软件或固件实际上并不存在。
[0104]“电路系统”的这种定义适用于该术语在本技术中的使用。作为进一步的示例，如在本技术中所使用的，术语“电路系统”也将涵盖仅处理器(或多个处理器)或处理器的一部分的实现，例如多核处理器的一个核心及它(或它们)随附软件和/或固件。例如并且如果适用的话，术语“电路系统”还将涵盖用于根据本发明的实施例的该装置的特定元件、基带集成电路、专用集成电路(asic)和/或现场可编程网格阵列(fpga)电路。图2、图3和图5或其任何实施例中描述的过程或方法也可以以由一个或多个计算机程序定义的一个或多个计算机过程的形式来执行。可以在执行结合附图所描述的过程的功能的一个或多个装置中提供单独的计算机程序。(多个)计算机程序可以是源代码形式、目标代码形式或某种中间形式，并且它可以被存储在某种载体中，该载体可以是任何能够承载该程序的实体或设备。这样的载体包括暂时性和/或非暂时性计算机介质，例如记录介质、计算机存储器、只读存储器、电载波信号、电信信号和软件分发包。取决于所需的处理能力，计算机程序可以在单个电子数字处理单元中被执行，或者它可以被分布在多个处理单元中。
[0105]
本文所描述的实施例适用于上面定义的计算机系统，但是也适用于其他系统。对于本领域技术人员来说显而易见的是，随着技术的进步，可以以各种方式实现本发明的概念。实施例不限于上述示例，而是可以在权利要求的范围内变化。