无线小区多级业务量分场景预测方法及相关装置与流程

本发明涉及无线通信，具体涉及一种无线小区多级业务量分场景预测方法及装置、计算设备及计算机存储介质。

背景技术：

1、在4g/5g的现网当中，小区业务量是反应无线小区承载情况的重要指标，具体包括容量类指标(pdcch、pdsch、pusch)、用户类指标(平均rrc链接数)、流量类指标(上行流量、下行流量、总流量)总计三大类七种指标。小区的承载情况直接关系到小区的资源优化(负载均衡、载波调度等)和能力优化(基站节能等)。例如，当小区业务量较高时，经常会出现数据传输速率低、通话掉话等情况，因此一般通过对该小区增加新的载波提升小区容量或调整相邻小区参数配置进行业务量分担的方式进行资源优化；当小区业务量较低且周围小区业未出现高业务量情况时，可以通过对该小区进行软件关断或硬件关断的方式进行节能，从而实现小区的能耗优化。无论对小区进行资源优化还是能耗优化，由于优化策略都是基于业务量的情况生成的，而优化策略的下发和生效往往都会有一定的延时，这就要求在现网当中根据小区历史业务量数据，对小区未来一段时间的业务量情况进行快速、精准的预测，用于服务小区的资源和能耗优化。

2、目前，检索到13篇关于无线小区业务量调整方法的相关中国专利，其中，专利公开号为cn102111284b的专利文献1(《电信业务量预测方法和装置》)、专利公开号为cn104219691b的专利文献2(《一种蜂窝网络业务量的预测方法及系统》)、专利公开号为cn106851604b的专利文献3(《一种移动通信网络的业务量预测方法及装置》)和专利公开号为cn109981327b的专利文献4(《一种业务量的预测方法及系统》)的基本思路均为将数据分为待预测小区和历史数据小区，建立线性回归模型，用历史数据小区的结果对待预测小区的预测结果进行修正。上述模型的复杂度相对较低，对于长期的趋势捕获较为准确，但是难以准确地刻画出短期变化，并且上述业务量数据具体为寻呼类数据。专利公开号为cn103338461b的专利文献5(《基于业务量预测的网络规划方法及装置》)采用最小二乘线性拟合的方法，基于基础数据和预测条件，采用分别计算单用户业务增长率和用户数的方法，结合三段式增长率预测机制计算未来每年数据业务量。其中，业务数据指的是语音数据，并且预测的目的是根据通信业务量预测结果进行网络规划部署。专利公开号为cn104581749b的专利文献6(《一种移动网络数据业务业务量的预测方法和装置》)采用arma模型对样本序列进行预测，不仅建模时需要对业务侧进行一定假设，并且上述模型的复杂度有限，难以捕捉到复杂的时序趋势变化，也难以推广到大规模小区。专利公开号为cn109981327b的专利文献7(《一种业务量的预测方法及系统》)、专利公开号为cn104394538b的专利文献8(《一种移动网络数据流量分析及预测方法》)、专利公开号为cn107426759b的专利文献9(《新增基站数据业务量的预测方法和系统》)和专利公开号为cn110167059b的专利文献10(《一种边缘计算场景下基站业务量预测方法》)的基本思想都是对业务量数据通过统计分析进行建模，然后对向量的相似度进行评估，从而得到目标业务量数据的预测值。上述模型的复杂度同样也是非常有限，不能适用于大规模无线小区多级业务量指标预测的场景。专利公开号为cn109862585b的专利文献11(《一种基于深度时空神经网络的动态异构网络流量预测方法》)和专利公开号为cn112911626b的专利文献12(《基于多图卷积的无线网络流量预测方法》)均是基于深度神经网络对时序预测问题进行建模，深度神经网络类模型的优势是模型的可塑性强，能通过多种操作提升网络的复杂度，理论上可以拟合所有问题，但是缺点也很突出，例如模型的训练需要消耗大量的数据资源、计算资源和时间资源，并且模型在训练时调优困难、可解释性差。专利公开号为cn112054943b的专利文献13(《一种移动网络基站流量预测方法》)利用核密度模型，通过邻近小区的流量模拟目标规划小区的流量，模型简单有效，但是由于在现网中相邻小区业务量高度一致的情形占比并不多，而且相似度高的小区的流量情况也可能存在极大差别，因此很难推广到全网小区进行业务量预测。

3、综上所述，现有已公布的无线小区多级业务量分场景预测的方法与装置，主要存在以下问题：一是由于基于统计的预测模型和线性模型通常要求时序数据是稳定(或差分后稳定)且线性的，更加适合捕捉到时序数据的长期变化趋势，对于短期变化的准确预测较为困难；二是基于深度学习的模型虽然有着很高的灵活度，理论上可以精确拟合任何变化趋势，但是建模、优化过程较为困难，往往会花费大量的数据资源、计算资源、存储资源、时间资源，难以实际落地支撑生产；三是由于现有的技术方案存在模型(精度、效率、泛化能力)、数据(训练数据)、硬件资源(cpu、gpu、memory等)等多方面的问题，难以推广到全网进行大规模应用。

技术实现思路

1、鉴于上述问题，提出了本发明以便提供一种克服上述业务量预测准确度和效率较低问题的无线小区多级业务量分场景预测方法及装置、计算设备及计算机存储介质。

2、根据本发明的一个方面，提供了一种无线小区多级业务量分场景预测方法，包括：

3、采集各个无线小区的业务量时序训练数据，根据业务量时序训练数据提取业务量训练特征；

4、根据各个无线小区的业务量训练特征训练聚类模型，将业务量训练特征划分为多个业务场景类别；

5、分别根据每一个业务场景类别的业务训练特征训练对应的时序预测模型，得到多个业务场景类别的时序预测模型；

6、针对待预测小区，将待预测小区进行业务场景划分，得到所述待预测小区的业务场景类别；根据所述待预测小区的业务场景类别对应的所述时序预测模型，对所述待预测小区的业务量进行预测。

7、在一种可选的方式中，所述采集各个无线小区的业务量时序训练数据，根据业务量时序训练数据提取业务量训练特征进一步包括：

8、采集各个无线小区的业务量时序训练数据；其中，所述业务量时序训练数据包含多个业务量指标数据和数据时间，其中，所述多个业务量指标数据包含：pusch利用率、pdsch利用率、pdcch利用率、有效rrc连接平均数、上行流量、下行流量、总流量；

9、获取所述业务量时序训练数据的辅助数据；

10、根据业务量时序训练数据和辅助数据，提取业务量训练特征；其中，针对任一业务量指标，其对应的所述业务量训练特征包含：第一给定时间范围前同一时刻的业务量指标取值、多个不同的第二给定时间范围内的业务量指标统计值、多个不同的第二给定时间范围内业务量指标高于第一门限的概率、多个不同的第二给定时间范围内业务量指标低于第二门限的概率以及辅助特征。

11、在一种可选的方式中，所述将业务量训练特征划分为多个业务场景类别进一步包括：

12、将业务量训练特征划分为第一业务场景类别、第二业务场景类别和第三业务场景类别，其中，所述第一业务场景类别的负荷高于所述第二业务场景类别，所述第二业务场景类别的负荷高于所述第三业务场景类别。

13、在一种可选的方式中，所述分别根据每一个业务场景类别的业务训练特征训练对应的时序预测模型，得到多个业务场景类别的时序预测模型进一步包括：

14、在时序预测模型训练过程中，对所述业务训练特征设置随时间指数衰减的权重；

15、和/或，对于每个业务场景类别的时序预测模型，针对每项业务量指标分别进行训练，得到各项业务量指标的时序预测模型。

16、在一种可选的方式中，所述分别根据每一个业务场景类别的业务训练特征训练对应的时序预测模型，得到多个业务场景类别的时序预测模型进一步包括：

17、分别根据每一个业务场景类别的业务训练特征训练对应的时序预测模型，得到多个业务场景类别的gbdt时序预测模型；

18、根据各个小区的业务训练特征训练对应的arima统计模型，得到各个小区的arima统计模型；

19、所述根据所述待预测小区的业务场景类别对应的所述时序预测模型，对所述待预测小区的业务量进行预测进一步包括：

20、针对待预测小区，利用smape指标比较适用于该待预测小区的gbdt时序预测模型与适用于该待预测小区的arima统计模型的性能，选择性能较优的模型作为该待预测小区的时序预测模型，对所述待预测小区的业务量进行预测。

21、在一种可选的方式中，所述根据所述待预测小区的业务场景类别对应的所述时序预测模型，对所述待预测小区的业务量进行预测之后或同时，所述方法还包括：

22、利用所述待预测小区现网传送的实时数据对所述时序预测模型下一时刻的预测结果进行修正。

23、在一种可选的方式中，所述分别根据每一个业务场景类别的业务训练特征训练对应的时序预测模型，得到多个业务场景类别的时序预测模型之后，所述方法还包括：

24、利用预设触发方式，对所述多个业务场景类别的时序预测模型的超参数进行二次优化。

25、根据本发明的另一方面，提供了一种无线小区多级业务量分场景预测装置，包括：

26、数据处理模块，用于采集各个无线小区的业务量时序训练数据，根据业务量时序训练数据提取业务量训练特征；

27、聚类模块，用于根据各个无线小区的业务量训练特征训练聚类模型，将业务量训练特征划分为多个业务场景类别；

28、训练模块，用于分别根据每一个业务场景类别的业务训练特征训练对应的时序预测模型，得到多个业务场景类别的时序预测模型；

29、预测模块，用于针对待预测小区，将待预测小区进行业务场景划分，得到所述待预测小区的业务场景类别；根据所述待预测小区的业务场景类别对应的所述时序预测模型，对所述待预测小区的业务量进行预测。

30、根据本发明的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

31、所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述无线小区多级业务量分场景预测方法对应的操作。

32、根据本发明的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述无线小区多级业务量分场景预测方法对应的操作。

33、本发明上述实施例提供的方案，采集各个无线小区的业务量时序训练数据，根据业务量时序训练数据提取业务量训练特征；根据各个无线小区的业务量训练特征训练聚类模型，将业务量训练特征划分为多个业务场景类别；分别根据每一个业务场景类别的业务训练特征训练对应的时序预测模型，得到多个业务场景类别的时序预测模型；针对待预测小区，将待预测小区进行业务场景划分，得到待预测小区的业务场景类别；根据待预测小区的业务场景类别对应的时序预测模型，对待预测小区的业务量进行预测。本发明根据无线小区业务量特征得到多个业务场景类别和相应业务场景类别的时序预测模型，对待预测小区进行分场景预测，提升了待预测小区业务量预测的准确度和效率。

34、上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。