无线网络流量预测方法和装置

技术领域

本申请涉及无线通信技术领域，尤其涉及一种无线网络流量预测方法和装置。

背景技术

目前，无线网络优化工作中，对网络流量、容量的预估是重要的研究课题之一，基于对网络流量的精准预测，可以更加高效指导扩容、载波调度、无线规划，以及重要场景的保障工作。现有的无线网络流量预测技术大致分为两大类，基于及机器学习、深度神经网络技术的时序数据预测，以及基于滑动平均，自回归模型等的传统统计学方法的时序处理、预测。

然而现有的预测技术都是建立在对单小区的流量数据处理的基础之上进行预测，即将小区孤立于通信网络进行流量预测，丢失了很多有用信息。

发明内容

本申请实施例提供一种无线网络流量预测方法和装置，用以解决现有技术中建立在对单小区的流量数据处理的基础之上进行预测，即将小区孤立于通信网络进行流量预测，丢失了很多有用信息的技术问题。

第一方面，本申请实施例提供一种无线网络流量预测方法，包括：

获取目标时间段内小区及其所有邻区之间的切换信息，得到每个所述邻区对所述小区的影响权重，根据所述影响权重，对所述小区的所有邻区进行分层，得到分层邻区；

计算所述小区在目标时刻的第一流量转移数据和所述分层邻区在目标时刻向所述小区的第二流量转移数据；

输入所述第一流量转移数据和所述第二流量转移数据至流量预测模型，得到所述流量预测模型输出的流量预测结果；其中，所述流量预测模型包括第一网络结构和第二网络结构，所述第一网络结构用于根据所述第一流量转移数据得到所述小区的流量预测结果，所述第二网络结构用于根据所述第二流量转移数据得到所述分层邻区的流量预测结果。

在一个实施例中，所述获取目标时间段内小区及其所有邻区之间的切换信息，得到每个所述邻区对所述小区的影响权重，包括：

获取目标时间段内所述小区向所述邻区的第一切换信息；

获取目标时间段内所述邻区向所述小区的第二切换信息；

根据所述第一切换信息、所述第二切换信息和所述小区与所述邻区之间的距离，得到所述邻区对所述小区的影响权重。

在一个实施例中，所述根据所述影响权重，对所述小区的所有邻区进行分层，得到分层邻区，包括：

根据所述影响权重，对所述小区的所有邻区进行排序；

根据目标比例对排序后的所有邻区进行分层，得到分层邻区。

在一个实施例中，所述计算所述小区在目标时刻的第一流量转移数据和所述分层邻区在目标时刻向所述小区的第二流量转移数据，包括：

根据所述小区在目标时刻的流量、所述小区的总用户数以及所述小区在目标时刻的切出成功次数，得到所述小区在目标时刻的第一流量转移数据；

根据所述分层邻区在目标时刻的流量和所述分层邻区向所述小区的切换比例，得到所述分层邻区在目标时刻向所述小区的第二流量转移数据。

在一个实施例中，所述第一网络结构包括若干串联的RNN网络，所述第二网络结构基于所述分层邻区的影响权重确定。

在一个实施例中，所述流量预测模型还包括网络汇聚和全连接网络，所述网络汇聚用于将所述第一网络结构的输出和所述第二网络结构的输出进行汇聚，所述全连接网络用于对所述网络汇聚的输出进行过滤，得到流量预测结果。

在一个实施例中，所述流量预测结果包括若干时刻的流量预测数据。

第二方面，本申请实施例提供一种无线网络流量预测装置，包括：

分层模块，用于获取目标时间段内小区及其所有邻区之间的切换信息，得到每个所述邻区对所述小区的影响权重，根据所述影响权重，对所述小区的所有邻区进行分层，得到分层邻区；

流量计算模块，用于计算所述小区在目标时刻的第一流量转移数据和所述分层邻区在目标时刻向所述小区的第二流量转移数据；

预测模块，用于输入所述第一流量转移数据和所述第二流量转移数据至流量预测模型，得到所述流量预测模型输出的流量预测结果；其中，所述流量预测模型包括第一网络结构和第二网络结构，所述第一网络结构用于根据所述第一流量转移数据得到所述小区的流量预测结果，所述第二网络结构用于根据所述第二流量转移数据得到所述分层邻区的流量预测结果。

第三方面，本申请实施例提供一种电子设备，包括处理器和存储有计算机程序的存储器，所述处理器执行所述程序时实现第一方面所述的无线网络流量预测方法的步骤。

第四方面，本申请实施例提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现第一方面或第二方面所述的无线网络流量预测方法的步骤。

本申请实施例提供的无线网络流量预测方法和装置，通过影响权重对小区的邻区进行分层，并根据小区和分层邻区构建多输入的流量预测模型，并不是对单小区的流量数据处理，而是考虑到了小区间的相互作用和影响，不会丢失有用信息。

附图说明

为了更清楚地说明本申请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一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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是本申请实施例提供的无线网络流量预测方法的流程示意图；

图2是本申请实施例提供的图1中步骤S1的流程示意图；

图3是本申请实施例提供的图1中步骤S2的流程示意图；

图4是本申请实施例提供的流量预测模型的结构示意图；

图5是本申请实施例提供的基于流量预测模型进行流量预测的流程示意图；

图6是本申请实施例提供的流量预测模型训练、测试损失曲线图；

图7是数据归一化预测结果曲线图；

图8是本申请实施例提供的无线网络流量预测装置的结构示意图；

图9是本申请实施例提供的电子设备的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

图1为本申请实施例提供的无线网络流量预测方法的流程示意图之一。参照图1，本申请实施例提供一种无线网络流量预测方法，可以包括：

S1，获取目标时间段内小区及其所有邻区之间的切换信息，得到每个所述邻区对所述小区的影响权重，根据所述影响权重，对所述小区的所有邻区进行分层，得到分层邻区。

S2，计算所述小区在目标时刻的第一流量转移数据和所述分层邻区在目标时刻向所述小区的第二流量转移数据。

S3，输入所述第一流量转移数据和所述第二流量转移数据至流量预测模型，得到所述流量预测模型输出的流量预测结果；其中，所述流量预测模型包括第一网络结构和第二网络结构，所述第一网络结构用于根据所述第一流量转移数据得到所述小区的流量预测结果，所述第二网络结构用于根据所述第二流量转移数据得到所述分层邻区的流量预测结果。

在步骤S1中，目标时间段一般为小时级粒度，本申请对其不作具体限定。一定时间段内小区的流量变化，主要受到两方面因素的影响：1)邻区向本小区的流入用户产生的流量。2)本小区原有的用户产生的流量。而邻区间影响的强弱，可以用切换信息进行衡量。

根据所述影响权重的大小，可以实现对所有邻区的分层，至少得到两种分层邻区，比如一级邻区、二级邻区等，每种分层邻区分别包括若干个邻区。

在步骤S3中，第二网络结构的数量与分层邻区的种类数量相对应，即一级邻区对应有一种第二网络结构，二级邻区对应有一种第二网络结构。分别将一级邻区和二级邻区在目标时刻向所述小区的第二流量转移数据输入各自对应的第二网络结构。

可以理解的是，本申请实施例通过影响权重对小区的邻区进行分层，并根据小区和分层邻区构建多输入的流量预测模型，并不是对单小区的流量数据处理，而是考虑到了小区间的相互作用和影响，不会丢失有用信息，提高了预测准确度。

在上述实施例的基础上，作为一个优选的实施例，如图2所示，所述获取目标时间段内小区及其所有邻区之间的切换信息，得到每个所述邻区对所述小区的影响权重，包括：

S210，获取目标时间段内所述小区向所述邻区的第一切换信息，第一切换信息包括小区i向其邻区j的切换次数h

S220，获取目标时间段内所述邻区向所述小区的第二切换信息，第二切换信息包括邻区j向小区i切换次数h

S230，根据所述第一切换信息、所述第二切换信息和所述小区与所述邻区之间的距离，得到所述邻区对所述小区的影响权重，影响权重的计算公式如下：

其中，d

可以理解的是，本申请实施例同时考虑了小区向邻区的切换以及邻区向小区的切换，并结合小区和邻区之间的距离，得到影响权重，提高了后续邻区分层的准确性。

在上述实施例的基础上，作为一个优选的实施例，所述根据所述影响权重，对所述小区的所有邻区进行分层，得到分层邻区，包括：

根据所述影响权重，对所述小区的所有邻区进行排序，可按照所述影响权重从大到小进行排序。

根据目标比例对排序后的所有邻区进行分层，得到分层邻区，可按照1:1的比例进行划分，也可按照设定影响权重阈值的方式进行分层，本申请以比例划分具体说明，一级邻区为前top50％，二级邻区为后top50％。一级邻区表L1：[cell

可以理解的是，本申请实施例充分考虑了通信网络的特殊性，即小区间的相互作用、影响对流量变化的影响，能够提高预测结果的准确性。

在上述实施例的基础上，作为一个优选的实施例，如图3所示，所述计算所述小区在目标时刻的第一流量转移数据和所述分层邻区在目标时刻向所述小区的第二流量转移数据，包括：

S310，根据所述小区在目标时刻的流量、所述小区的总用户数以及所述小区在目标时刻的切出成功次数，得到所述小区在目标时刻的第一流量转移数据。

假设t时刻本小区i的流量为

取值范围为/>

S320，根据所述分层邻区在目标时刻的流量和所述分层邻区向所述小区的切换比例，得到所述分层邻区在目标时刻向所述小区的第二流量转移数据。

对于本小区i的邻区j,假设在t时刻小区j的当前流量为

可以理解的是，计算小区和分层邻区的流量转移数据，用于后续的流量预测，可以提高流量预测的准确性。

可选的，所述流量预测结果包括若干时刻的流量预测数据。

在流量影响以及切换指标，切换对数据，构建不同lookback，delay长度的数据块。这里lookback表示输入的历史数据长度，lookback＝7，表示输入数据为过去7个时刻的数据。delay表示预测流量的时间端长度，delay＝1，代表预测下一时刻流量，delay＝5，代表预测5个时刻后的流量。这里可以固定lookback＝7，delay依次取值为1、2、3、4、5。对每一小区依次得到如下形式的数据：

邻区j：

(7,1)->输入：

(7,2)->输入：

……

(7,5)->输入：

同样，得到本小区i的输入、输出数据:

(7,1)->输入：

(7,2)->输入：

……

(7,5)->输入：

可以理解的是，本申请实施例可以实现多输入多输出，提高了预测能力。

在上述实施例的基础上，作为一个优选的实施例，所述第一网络结构包括若干串联的RNN网络，所述第二网络结构基于所述分层邻区的影响权重确定。

分别将本小区网络、一级邻区网络、二级邻区网络的g值作为输入，构建流量预测模型，模型结构图如4所示。

该模型分别由3个网络连接而成，可抽象表达如下：

(1)本小区i对应网络，由两级RNN网络串联组成，用于刻画小区自身的流量时序变化，out

out

(2)1级邻区网络L1，由RNN+DNN网络串联组成，用以刻画1级邻区对小区i的时序流量影响：

out

(3)2级邻区对应的L2级邻区网络，由一层RNN网络组成，用以刻画2级邻区对小区i的时序流量影响，由于2级邻区对小区i的影响相对最弱，则用1个RNN进行刻画即可：

out

可选的，所述流量预测模型还包括网络汇聚和全连接网络，所述网络汇聚用于将所述第一网络结构的输出和所述第二网络结构的输出进行汇聚，所述全连接网络用于对所述网络汇聚的输出进行过滤，得到流量预测结果。

所述流量预测模型的整体结构如下：

out＝RNN(concate(out

其中，RNN、DNN、concate分别对应循环神经网络，全连接网络，以及网络汇聚。

模型具体解释如下：

(1)模型的输入：依次对应t＝1～7共计7个时段的的时序长度。

(2)模型的输出：模型的输入为多输出DNN结构，可一次性完成t＝8～12共计5个时段的预测，若考虑预测更长的时段，调整输入使出的时序长度即可，但会逐渐损失精度。

(3)对于本小区i，一般来说本小区的自身状态对自身流量后续的变化影响最大，故这里本小区采用两级RNN串联，然后与1、2级的邻区的输出进行合并，再进行DNN过滤的结构，以期望能够通过深层次的结构尽可能的挖掘小区自身的时序信息。

(4)对于1级邻区L1，其对小区i的影响要高于二级邻区而低于原小区，故采用RNN加DNN串联的结构。

(5)对于2级邻区L2，其对原小区的流量变化影响最小，故只采用1级RNN结构，对其时序特征进行提取。

这里RNN节点可以采用LSTM网络或者GRU网络，DNN网络采用包含1层隐藏层结构即可，节点或状态数目一般设置64或96即可。

如图5所示，基于所述流量预测模型进行流量预测时需要实时收集网络的流量数据，参考网管系统的处理能力及网络优化需求，一般按小时级粒度收集即可。

判断是否需要更新分层邻区，可采用机器学习训练、预测手段，邻区的分层划分，每月更新一次即可，否则可直接进行时序数据变换。

时序数据变换即为步骤S2中，对给定的小区及其邻区进行数据变换，计算g值。

如果进行了新的邻区分层，则需要重新训练模型，否则直接基于现有的最新数据进行流量预测。

对某小区进行测试验证，收集该小区及其邻区共计4个月的小时级流量、切换数据，整理后共计19万条数据。按照所述步骤进行数据预处理，并按4：1比例划分训练测试集，并采用平均绝对误差计算损失之，迭代200步以后模型预测结果趋于稳定，归一化后平均绝对损失误差在0.15左右。训练、测试损失曲线图如图6所示。

5小时级的数据归一化预测结果如图7所示，流量的趋势可以进行较好的匹配，体现出本申请实施例具有较高的预测准确性。

下面对本申请实施例提供的无线网络流量预测装置进行描述，下文描述的无线网络流量预测装置与上文描述的无线网络流量预测方法可相互对应参照。

如图8所示，本申请实施例提供一种无线网络流量预测装置，包括：

分层模块810，用于获取目标时间段内小区及其所有邻区之间的切换信息，得到每个所述邻区对所述小区的影响权重，根据所述影响权重，对所述小区的所有邻区进行分层，得到分层邻区。

流量计算模块820，用于计算所述小区在目标时刻的第一流量转移数据和所述分层邻区在目标时刻向所述小区的第二流量转移数据；

预测模块830，用于输入所述第一流量转移数据和所述第二流量转移数据至流量预测模型，得到所述流量预测模型输出的流量预测结果；其中，所述流量预测模型包括第一网络结构和第二网络结构，所述第一网络结构用于根据所述第一流量转移数据得到所述小区的流量预测结果，所述第二网络结构用于根据所述第二流量转移数据得到所述分层邻区的流量预测结果。

在一个实施例中，所述分层模块810用于：

获取目标时间段内所述小区向所述邻区的第一切换信息。

获取目标时间段内所述邻区向所述小区的第二切换信息。

根据所述第一切换信息、所述第二切换信息和所述小区与所述邻区之间的距离，得到所述邻区对所述小区的影响权重。

在一个实施例中，所述分层模块810还用于：

根据所述影响权重，对所述小区的所有邻区进行排序。

根据目标比例对排序后的所有邻区进行分层，得到分层邻区。

在一个实施例中，所述流量计算模块820用于：

根据所述小区在目标时刻的流量、所述小区的总用户数以及所述小区在目标时刻的切出成功次数，得到所述小区在目标时刻的第一流量转移数据。

根据所述分层邻区在目标时刻的流量和所述分层邻区向所述小区的切换比例，得到所述分层邻区在目标时刻向所述小区的第二流量转移数据。

在一个实施例中，所述第一网络结构包括若干串联的RNN网络，所述第二网络结构基于所述分层邻区的影响权重确定。

在一个实施例中，所述流量预测模型还包括网络汇聚和全连接网络，所述网络汇聚用于将所述第一网络结构的输出和所述第二网络结构的输出进行汇聚，所述全连接网络用于对所述网络汇聚的输出进行过滤，得到流量预测结果。

在一个实施例中，所述流量预测结果包括若干时刻的流量预测数据。

图9示例了一种电子设备的实体结构示意图，如图9所示，该电子设备可以包括：处理器(processor)910、通信接口(Communication Interface)920、存储器(memory)930和通信总线940，其中，处理器910，通信接口920，存储器930通过通信总线940完成相互间的通信。处理器910可以调用存储器930中的计算机程序，以执行无线网络流量预测方法的步骤，例如包括：

获取目标时间段内小区及其所有邻区之间的切换信息，得到每个所述邻区对所述小区的影响权重，根据所述影响权重，对所述小区的所有邻区进行分层，得到分层邻区。

计算所述小区在目标时刻的第一流量转移数据和所述分层邻区在目标时刻向所述小区的第二流量转移数据。

输入所述第一流量转移数据和所述第二流量转移数据至流量预测模型，得到所述流量预测模型输出的流量预测结果；其中，所述流量预测模型包括第一网络结构和第二网络结构，所述第一网络结构用于根据所述第一流量转移数据得到所述小区的流量预测结果，所述第二网络结构用于根据所述第二流量转移数据得到所述分层邻区的流量预测结果。

此外，上述的存储器930中的逻辑指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，本申请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，包括若干指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)执行本申请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。

另一方面，本申请实施例还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各实施例所提供的无线网络流量预测方法的步骤，例如包括：

获取目标时间段内小区及其所有邻区之间的切换信息，得到每个所述邻区对所述小区的影响权重，根据所述影响权重，对所述小区的所有邻区进行分层，得到分层邻区。

计算所述小区在目标时刻的第一流量转移数据和所述分层邻区在目标时刻向所述小区的第二流量转移数据。

输入所述第一流量转移数据和所述第二流量转移数据至流量预测模型，得到所述流量预测模型输出的流量预测结果；其中，所述流量预测模型包括第一网络结构和第二网络结构，所述第一网络结构用于根据所述第一流量转移数据得到所述小区的流量预测结果，所述第二网络结构用于根据所述第二流量转移数据得到所述分层邻区的流量预测结果。

另一方面，本申请实施例还提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使处理器执行上述各实施例提供的方法的步骤，例如包括：

获取目标时间段内小区及其所有邻区之间的切换信息，得到每个所述邻区对所述小区的影响权重，根据所述影响权重，对所述小区的所有邻区进行分层，得到分层邻区。

计算所述小区在目标时刻的第一流量转移数据和所述分层邻区在目标时刻向所述小区的第二流量转移数据。

输入所述第一流量转移数据和所述第二流量转移数据至流量预测模型，得到所述流量预测模型输出的流量预测结果；其中，所述流量预测模型包括第一网络结构和第二网络结构，所述第一网络结构用于根据所述第一流量转移数据得到所述小区的流量预测结果，所述第二网络结构用于根据所述第二流量转移数据得到所述分层邻区的流量预测结果。

所述处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。

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，包括若干指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申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围。