一种无线小区的性能预测方法、装置、设备及介质

技术领域

本发明涉及通信技术领域，特别是涉及一种无线小区的性能预测方法、装置、设备及介质。

背景技术

随着无线通信技术的发展，对无线通信网络的提出了更高的要求，其中，准确预测无线小区关键性能指标未来的变化趋势，对于移动通信运营商的网络规划、网络优化和网络节能等有重大的意义、影响无线通信用户爆发性增长，随着用户对无线业务的质量要求的不断提高，业务流量不断增加，运营商需要对无线网络资源进行预估，进而防止网络拥塞；而其中，准确预测无线小区关键性能指标成为移动通信运营商的一大挑战。

在现有技术中，对无线小区性能指标的预测通常采用如下方案：

1、根据待预测的目标小区的经纬度向量表征信息和历史性能指标，对目标小区无线网络服务的性能指标进行预测；2、通过BP(Back Propagation，反向传播)神经网络预测模型预测小区容量对无线小区预测；3、采用规则方法将无线小区分类，对每个子类单独进行预测。

然而，上述方案难以适应复杂多变的无线环境，存在一定的局限性，主要存在以下几个问题：1、现有的性能指标预测方法比如多元线性/非线性拟合预测，常用于整网或区域级，难以直接应用于小区级性能指标预测；2、由于无线环境和移动业务的复杂性，单一的性能指标预测算法仅适用于某个单一场景，导致某些场景下存在较大的预测误差；3、现有的性能指标预测方法尝试对无线小区分类，每个子类单独进行预测，这种分类方法往往比较简单，难以适应于复杂多变的无线环境中。

发明内容

鉴于上述问题，提出了以便提供克服上述问题或者至少部分地解决上述问题的一种无线小区的性能预测方法、装置、设备及介质，包括：

一种无线小区的性能预测方法，所述方法包括：

获取目标无线小区的工参数据和性能指标时间序列数据；

采用预先训练的特征抽取网络模型，对所述目标无线小区的工参数据和性能指标时间序列数据进行处理，得到所述目标无线小区的特征向量；

采用预先训练的分类模型，对所述目标无线小区的特征向量进行处理，得到所述目标无线小区的场景类别；

根据所述目标无线小区的场景类别，从预置的多个性能指标预测算法中，确定目标性能指标预测算法；

采用所述目标性能指标预测算法，对所述目标无线小区进行性能预测，得到所述目标无线小区的性能预测结果。

可选地，所述工参数据包括分类特征和数值特征，所述特征抽取网络模型包括嵌入网络、第一神经网络，以及第二神经网络，所述目标无线小区的特征向量为隐式特征向量，所述采用预先训练的特征抽取网络模型，对所述目标无线小区的工参数据和性能指标时间序列数据进行处理，得到所述目标无线小区的特征向量，包括：

通过所述嵌入网络转换，将所述分类特征转换为分类特征向量；

通过所述第一神经网络，将所述数值特征转换为数值特征向量；

将所述分类特征向量、所述数值特征向量，以及所述性能指标时间序列数据进行拼接，并通过第二神经网络，生成隐式特征向量。

可选地，在所述采用预先训练的特征抽取网络模型，对所述目标无线小区的工参数据和性能指标时间序列数据进行处理，得到所述目标无线小区的特征向量之前，还包括：

对于所述分类特征，采用独热编码进行预处理；

对于所述数值特征，采用归一化进行预处理。

可选地，在所述根据所述目标无线小区的场景类别，从预置的多个性能指标预测算法中，确定目标性能指标预测算法之前，还包括：

对于同一场景类别下的无线小区，采用预置的多个性能指标预测算法对所述无线小区进行性能预测，得到所述无线小区的性能预测结果；

根据所述无线小区的性能预测结果，确定所述多个性能指标预测算法的预测误差，并建立预测误差最小的性能指标预测算法与所述场景类别的映射关系。

可选地，所述采用所述目标性能指标预测算法，对所述目标无线小区进行性能预测，得到所述目标无线小区的性能预测结果，包括：

采用所述目标性能指标预测算法，对所述目标无线小区的工参数据和性能指标时间序列数据进行性能预测，得到所述目标无线小区的性能预测结果。

可选地，所述工参数据包括以下任一项或多项：

位置经纬度、站高、站型、方向角、下倾角、功率、带宽、天线型号、地物类型。

可选地，所述性能指标时间序列数据包括以下任一项或多项：

下行物理资源块利用率、上行物理资源块利用率、下行无线电资源控制用户连接数、上行无线电资源控制用户连接数、上行流量、下行流量。

一种无线小区的性能预测装置，所述装置包括：

数据获取模块，用于获取目标无线小区的工参数据和性能指标时间序列数据；

特征向量抽取模块，用于采用预先训练的特征抽取网络模型，对所述目标无线小区的工参数据和性能指标时间序列数据进行处理，得到所述目标无线小区的特征向量；

场景类别分类模块，用于采用预先训练的分类模型，对所述目标无线小区的特征向量进行处理，得到所述目标无线小区的场景类别；

目标性能指标预测算法确定模块，用于根据所述目标无线小区的场景类别，从预置的多个性能指标预测算法中，确定目标性能指标预测算法；

性能预测结果预测模块，用于采用所述目标性能指标预测算法，对所述目标无线小区进行性能预测，得到所述目标无线小区的性能预测结果。

一种电子设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的无线小区的性能预测方法。

一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上所述的无线小区的性能预测方法。

本发明实施例具有以下优点：

在本发明实施例中，通过获取目标无线小区的工参数据和性能指标时间序列数据，采用预先训练的特征抽取网络模型，对所述目标无线小区的工参数据和性能指标时间序列数据进行处理，得到所述目标无线小区的特征向量，采用预先训练的分类模型，对所述目标无线小区的特征向量进行处理，得到所述目标无线小区的场景类别，根据所述目标无线小区的场景类别，从预置的多个性能指标预测算法中，确定目标性能指标预测算法，采用所述目标性能指标预测算法，对所述目标无线小区进行性能预测，得到所述目标无线小区的性能预测结果，实现了为不同的无线场景的无线小区选择不同的性能指标预测算法进行性能预测，提升了性能预测的准确度，进而提升了对复杂多变的无线环境的适应度。

附图说明

为了更清楚地说明本发明的技术方案，下面将对本发明的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性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一实施例提供的一种无线小区的性能预测方法的步骤流程图；

图2是本发明一实施例提供的一种构建无线小区隐式特征抽取网络的步骤流程图；

图3是本发明一实施例提供的一种生成无线小区高维隐式特征向量的步骤流程图；

图4是本发明一实施例提供的一种无线小区隐式特征抽取网络的架构图；

图5是本发明一实施例提供的一种输出无线小区的性能预测结果的步骤流程图；

图6是本发明一实施例提供的另一种无线小区的性能预测方法的步骤流程图；

图7是本发明一实施例提供的另一种无线小区的性能预测方法的步骤流程图；

图8是本发明一实施例提供的一种系统架构图；

图9是本发明一实施例提供的另一种输出无线小区的性能预测结果的步骤流程图。

图10是本发明一实施例提供的一种无线小区的性能预测装置的结构框图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。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。

参照图1，示出了本发明一实施例提供的一种无线小区的性能预测方法的步骤流程图，具体可以包括如下步骤：

步骤101，获取目标无线小区的工参数据和性能指标时间序列数据。

在一示例中，目标无线小区可以为待预测的无线小区，即要进行性能指标预测的无线小区，小区，也称蜂窝小区，是指在蜂窝移动通信系统中，其中的一个基站或基站的一部分(扇形天线)所覆盖的区域，在这个区域内移动台可以通过无线信道可靠地与基站进行通信。

在一示例中，工参数据可以为目标无线小区相关配置的参数。

其中，工参数据可以包括以下任一项或多项：

位置经纬度、站高、站型、方向角、下倾角、功率、带宽、天线型号、地物类型。

在一示例中，性能指标时间序列数据可以为历史性能指标时间序列数据。

其中，性能指标时间序列数据可以包括以下任一项或多项：

下行物理资源块(Physical Resource Block，PRB)利用率、上行物理资源块利用率、下行无线电资源控制(Radio Resource Control，RRC)用户连接数、上行无线电资源控制用户连接数、上行流量、下行流量。

在移动通信网络中，当要对目标无线小区进行性能指标预测的时候，可以通过获取目标无线小区的工参数据和性能指标时间序列数据。例如，可以设置采集设备采集目标无线小区的工参数据和性能指标时间序列数据。

步骤102，采用预先训练的特征抽取网络模型，对所述目标无线小区的工参数据和性能指标时间序列数据进行处理，得到所述目标无线小区的特征向量。

在一示例中，特征抽取网络模型可以为无线小区隐式特征抽取网络，例如，特征抽取网络模型可以为深度神经网络。

深度神经网络(Deep Neural Networks，DNN)是一种多层无监督神经网络，并且将上一层的输出特征作为下一层的输入进行特征学习，通过逐层特征映射后，将现有空间样本的特征映射到另一个特征空间，以此来学习对现有输入具有更好的特征表达。深度神经网络具有多个非线性映射的特征变换，可以对高度复杂的函数进行拟合。

在一示例中，特征向量可以为隐式特征向量，隐式特征向量可以为高维隐式特征向量，无线小区可以采用K-Means算法或k-means++算法对隐式特征向量进行表示。

在实际应用中，可以通过无线小区的历史数据预先训练特征抽取网络模型。例如，可以通过无线小区的历史性能指标时间序列数据预先训练特征抽取网络模型。

如图2所示，步骤S111，通过获取无线小区工参数据和历史性能指标时间序列数据，构建训练样本集，步骤S112，构建并训练生成无线小区隐式特征抽取网络。

在训练好特征抽取网络模型之后，可以对目标无线小区的工参数据和性能指标时间序列数据进行处理，例如，将目标无线小区的工参数据和性能指标时间序列数据输入到特征抽取网络模型，得到目标无线小区的特征向量。

如图3所示，步骤S121，获取待预测无线小区工参数据和性能指标时间序列数据，步骤S122，基于训练好的无线小区隐式特征抽取网络，生成待预测无线小区高维隐式特征向量。

通过本发明实施例，无线小区隐式特征抽取网络在融合无线小区工参静态信息和历史性能指标时间序列数据动态信息的同时，利用深度神经网络强大的表示能力，对工参静态信息和性能指标动态时序信息进行深层特征交叉，生成精准刻画无线小区的高维隐式特征。无线小区隐式特征抽取网络还可以根据数据进行自动学习，无需人工干预可自适应于无线小区的变化和无线场景的迁移。

在本发明一实施例中，工参数据可以包括分类特征和数值特征。

在一示例中，分类特征可以为站型、带宽、天线型号和地物类型等，数值特征可以为位置经纬度、站高、方向角、下倾角、功率等。

在本发明一实施例中，特征抽取网络模型包括嵌入网络、第一神经网络，以及第二神经网络，目标无线小区的特征向量为隐式特征向量。

如图4所示，特征抽取网络模型为隐式特征抽取网络，第一神经网络如图4中神经网络1，第二神经网络如图4中神经网络2。

在本发明一实施例中，所述采用预先训练的特征抽取网络模型，对所述目标无线小区的工参数据和性能指标时间序列数据进行处理，得到所述目标无线小区的特征向量，包括：

子步骤11，通过所述嵌入网络转换，将所述分类特征转换为分类特征向量。

在具体实现中，如图4所示，可以将目标无线小区的分类特征输入到训练好的无线小区隐式特征抽取网络中的嵌入网络进行转换，将分类特征转换为分类特征向量。

子步骤12，通过所述第一神经网络，将所述数值特征转换为数值特征向量。

在具体实现中，如图4所示，可以将目标无线小区的数值特征输入到训练好的无线小区隐式特征抽取网络中的第一神经网络进行转换，将数值特征转换为数值特征向量。

子步骤13，将所述分类特征向量、所述数值特征向量，以及所述性能指标时间序列数据进行拼接，并通过第二神经网络，生成隐式特征向量。

在具体实现中，如图4所示，可以将目标无线小区的分类特征向量、数值特征向量，以及性能指标时间序列数据进行拼接，输入到训练好的无线小区隐式特征抽取网络中的第二神经网络进行转换，生成待预测无线小区高维隐式特征向量。

在一示例中，如图4所示，无线小区性能指标时间序列数据、分类特征向量和数值特征向量拼接后通过神经网络2转换成无线小区隐式特征之后，还可以在无线小区隐式特征解码网络中，将无线小区隐式特征通过神经网络3恢复成无线小区性能时间序列数据。

在本发明一实施例中，在所述采用预先训练的特征抽取网络模型，对所述目标无线小区的工参数据和性能指标时间序列数据进行处理，得到所述目标无线小区的特征向量之前，还包括：

对于所述分类特征，采用独热编码进行预处理；对于所述数值特征，采用归一化进行预处理。

其中，独热编码(One-Hot Encoding)，独热编码即One-Hot编码，又称一位有效编码，其方法是使用N位状态寄存器来对N个状态进行编码，每个状态都有它独立的寄存器位，并且在任意时候，其中只有一位有效。

归一化(Normalization)，归一化是一种简化计算的方式，即将有量纲的表达式，经过变换，化为无量纲的表达式，成为标量。

在实际应用中，可以在生成目标无线小区的特征向量之前，对待预测无线小区的分类特征和数值特征进行预处理，例如，通过独热编码对分类特征进行编码，通过归一化对数值特征进行变换成为标量，通过对分类特征采用独热编码预处理，可以便于特征抽取网络模型能够更好的识别数据。

步骤103，采用预先训练的分类模型，对所述目标无线小区的特征向量进行处理，得到所述目标无线小区的场景类别。

在一示例中，无线小区分类模型采用无监督算法，无监督算法可以是划分式聚类方法、基于密度的聚类方法和层次化聚类方法等。

在一示例中，场景类别可以是无线小区的增长模式类别，例如，指数增长、线性增长、平稳变化、周期变化。

在对无线小区进行场景分类时，采用深度神经网络组成的无线小区隐式特征抽取网络，综合无线小区工参静态信息和历史性能指标时间序列数据的动态信息，采用无监督算法构建场景分类模型，无需人工进行场景标注，实现对无线小区的精细化刻画和场景分类。

在实际应用中，可以将目标无线小区的特征向量输入到采用预先训练好的分类模型，分类模型计算后进行输出，进而得到目标无线小区的场景类别。

在本发明实施例中，通过对待预测无线小区进行分类可以识别不同增长模式的无线小区，以便分别对不同无线场景的无线小区选择不同的性能预测算法，进而提升算法对环境的适应度并且提升预测的准确率。

步骤104，根据所述目标无线小区的场景类别，从预置的多个性能指标预测算法中，确定目标性能指标预测算法。

在一示例中，性能指标预测算法可以包括但不限于：随机游走算法(RandomWalk)、线性回归算法(Linear Regression)、简单指数平滑算法(Simple ExponentialSmoothing Method)、霍尔特线性趋势预测(Holt linear trend prediction)、三次趋势季节性预测(Holt-Winters)方法、差分整合移动平均自回归模型(Auto RegressiveIntegrated Moving Average，ARIMA)、季节时间序列(Seasonal ARIMA)模型、Prophet算法、多层前馈神经网络模型(Multilayer feedforward neural network model)、长短期记忆(Long short term memory，LSTM)算法等。

在一示例中，目标性能预测算法可以为最佳性能指标预测算法，例如，平均预测误差最小的算法作为该无线小区场景下的最佳性能指标预测算法。

在确定目标无线小区的场景类别之后，可以在多个性能指标预测算法中选择某个算法，确定为目标性能指标预测算法。

通过本发明实施例，根据待预测无线小区场景类别选择对应场景类别最佳的性能预测算法可以提升性能预测算法对复杂多变的无线环境的适应度，进而提升预测的准确率。

在本发明一实施例中，在所述根据所述目标无线小区的场景类别，从预置的多个性能指标预测算法中，确定目标性能指标预测算法之前，还包括：

对于同一场景类别下的无线小区，采用预置的多个性能指标预测算法对所述无线小区进行性能预测，得到所述无线小区的性能预测结果；根据所述无线小区的性能预测结果，确定所述多个性能指标预测算法的预测误差，并建立预测误差最小的性能指标预测算法与所述场景类别的映射关系。

作为一示例，预测误差可以包括但不限于：平均绝对误差(Mean Absolute Error，MAE)、均方根误差(Root Mean Square Error,RMSE)、平均绝对百分比误差(Mean AbsolutePercentage Error，MAPE)等。

在实际应用中，可以是在指数增长场景中的所有无线小区，根据随机游走算法、线性回归算法、简单指数平滑算法、霍尔特线性趋势预测、三次趋势季节性预测方法等多个性能指标算法对无线小区进行性能预测，得到无线小区根据不同算法计算的多个性能预测结果，在得到无线小区性能的多个性能预测结果之后，可以判断根据不同算法计算得到的多个性能预测结果的预测误差，并将预测误差最小的性能指标预测算法与指数增长场景建立对应的映射关系。

例如，假设有M种预测算法、K种无线场景，对同一场景下的所有无线小区，将无线小区性能指标时间序列数据按照时间序列顺序拆分成不重叠的训练集、测试集和验证集；根据算法在训练集和测试集上选择M种预测算法的超参数，在验证集上计算每种预测算法的平均预测误差，最后选择平均预测误差最小的算法作为该无线小区场景下的最佳性能指标预测算法。

步骤105，采用所述目标性能指标预测算法，对所述目标无线小区进行性能预测，得到所述目标无线小区的性能预测结果。

在一示例中，性能预测结果可以为目标无线小区未来预设时长内的性能预测结果，如未来1天内或1周内或1月内的预测结果，未来预设时长可以由用户自行设置，但需要说明是的是，未来预设时长越短预测精度更佳。

例如，性能预测结果可以为无线小区下行PRB利用率、上行PRB利用率、下行RRC用户连接数、上行RRC用户连接数、上行流量和下行流量等性能指标。

在实际应用中，可以通过目标性能指标预测算法，对目标无线小区进行性能预测，从而得到目标无线小区的性能预测结果，例如，通过算法对无线小区中的下行PRB利用率进行预测，从而得到无线小区下行PRB利用率的预测结果。

在本发明一实施例中，所述采用所述目标性能指标预测算法，对所述目标无线小区进行性能预测，得到所述目标无线小区的性能预测结果，包括：

子步骤21，采用所述目标性能指标预测算法，对所述目标无线小区的工参数据和性能指标时间序列数据进行性能预测，得到所述目标无线小区的性能预测结果。

在实际应用中，可以在确定目标无线小区场景类别之后，选择预测误差最小的算法，将目标无线小区的工参数据和性能指标时间序列数据输入到预测模型进行预测，从而得到目标无线小区的性能预测结果。

如图5所示，步骤S31，基于训练好的无线小区场景类别和最佳性能指标预测算法映射表，根据待预测无线小区场景类别，选择其对应的最佳性能指标预测算法。步骤S32，最佳性能指标预测算法对待预测无线小区工参数据和性能指标时间序列数据进行性能预测，输出待预测无线小区未来的性能预测结果。

通过本发明实施例，根据待预测无线小区工参数据和无线小区历史性能指标时间序列数据，自适应地选择最佳性能指标预测算法，提升预测算法对复杂多变的无线环境的适应度。

在本发明实施例中，通过获取目标无线小区的工参数据和性能指标时间序列数据，采用预先训练的特征抽取网络模型，对所述目标无线小区的工参数据和性能指标时间序列数据进行处理，得到所述目标无线小区的特征向量，采用预先训练的分类模型，对所述目标无线小区的特征向量进行处理，得到所述目标无线小区的场景类别，根据所述目标无线小区的场景类别，从预置的多个性能指标预测算法中，确定目标性能指标预测算法，采用所述目标性能指标预测算法，对所述目标无线小区进行性能预测，得到所述目标无线小区的性能预测结果，实现了为不同的无线场景的无线小区选择不同的性能指标预测算法进行性能预测，提升了性能预测的准确度，进而提升了对复杂多变的无线环境的适应度。

在实际应用中，存在以下几种方案：方案1、采用长短时记忆神经网络进行性能指标预测，方案2、采用BP神经网络进行预测，方案3、采用多元线性/非线性拟合预测应用于区域级性能指标预测。

通过选取一片区域的无线小区作试点，采用平均绝对百分比误差(MAPE)来评价各方案的预测精度。理论上，MAPE值越小，说明发明的预测效果越好，具有更好的预测准确率，如下表1所示，通过对比可知，本发明实施例明显提升了无线小区性能指标的预测准确率。

表1

根据上表1可知，在该试点区域本发明在无线小区下行PRB利用率性能指标上的MAPE值为21％，相比其他方案误差下降27％以上；在无线小区下行RRC用户连接数性能指标上的MAPE值为23％，相比其他方案预测误差下降25％以上；无线小区下行流量性能指标上的MAPE值为28％，相比其他方案预测误差下降28％以上。本发明相比其他方案，在无线小区性能指标预测上具有更高的预测准确率。

在一示例中，本发明对无线小区的性能预测结果可用于4G/5G网络高负荷小区负荷均衡优化，可以有效节省人力和资源投入成本，提升网络优化工作效率，可在全省乃至全国范围进行推广应用，不仅能降低高负荷小区占比，并能减少成本的投入，有较可观的经济效益。

表2

根据上表2可知，该试点区域基于本发明的无线小区负荷均衡优化相比传统的无线小区负荷均衡优化技术，均衡周期从20天下降到7天，效率明显提升；高负荷小区占比从2.1％下降到1.5％，高负荷小区占比下降明显；无线小区负荷均衡优化成本投入下降32％，成本投入下降明显。

参照图6，示出了本发明一实施例提供的另一种无线小区的性能预测方法的步骤流程图，具体可以包括如下步骤：

步骤601，获取目标无线小区的工参数据和性能指标时间序列数据；其中，所述工参数据包括分类特征和数值特征。

步骤602，通过特征抽取网络模型中的嵌入网络转换，将所述分类特征转换为分类特征向量。

步骤603，通过特征抽取网络模型中的第一神经网络，将所述数值特征转换为数值特征向量。

步骤604，将所述分类特征向量、所述数值特征向量，以及所述性能指标时间序列数据进行拼接，并通过特征抽取网络模型中的第二神经网络，生成隐式特征向量。

步骤605，采用预先训练的分类模型，对所述目标无线小区的隐式特征向量进行处理，得到所述目标无线小区的场景类别。

步骤606，根据所述目标无线小区的场景类别，从预置的多个性能指标预测算法中，确定目标性能指标预测算法。

步骤607，采用所述目标性能指标预测算法，对所述目标无线小区进行性能预测，得到所述目标无线小区的性能预测结果。

参照图7，示出了本发明一实施例提供的另一种无线小区的性能预测方法的步骤流程图，具体可以包括如下步骤：

步骤701，对于同一场景类别下的无线小区，采用预置的多个性能指标预测算法对所述无线小区进行性能预测，得到所述无线小区的性能预测结果。

步骤702，根据所述无线小区的性能预测结果，确定所述多个性能指标预测算法的预测误差，并建立预测误差最小的性能指标预测算法与所述场景类别的映射关系。

步骤703，获取目标无线小区的工参数据和性能指标时间序列数据；

步骤704，采用预先训练的特征抽取网络模型，对所述目标无线小区的工参数据和性能指标时间序列数据进行处理，得到所述目标无线小区的特征向量。

步骤705，采用预先训练的分类模型，对所述目标无线小区的特征向量进行处理，得到所述目标无线小区的场景类别。

步骤706，根据所述目标无线小区的场景类别，从预置的多个性能指标预测算法中，确定目标性能指标预测算法。

步骤707，采用所述目标性能指标预测算法，对所述目标无线小区进行性能预测，得到所述目标无线小区的性能预测结果。

以下结合图8对本发明进行示例性说明：

至少一个收发器，可以用于性能指标预测服务器和采集设备、数据库之间进行通信，还包括：接收来自性能指标预测服务器的性能预测指示，并从数据库中加载无线小区特征抽取网络模型、无线小区场景类别与多个性能指标预测算法返回性能指标预测服务器，接收采集设备的目标无线小区工参数据和性能指标时间序列数据，传送给性能指标预测服务器。

至少一个处理器以及与所述处理器通信连接的至少一个存储器，其中，存储器存储有可被所述处理器执行的程序指令，处理器调用的程序指令能够执行上述步骤中涉及的算法，存储器用来保存相应的结果。

以下结合图9对本发明进行示例性说明：

步骤S1，基于训练好的无线小区隐式特征抽取网络，输入待预测无线小区工参数据和性能指标时间序列数据，生成待预测无线小区的高维隐式特征向量。

步骤S2，基于训练好的无线小区分类模型，输入待预测无线小区高维隐式特征向量，输出待预测无线小区的场景类别。

步骤S3，基于训练好的无线小区场景类别和最佳性能指标预测算法映射表，根据待预测无线小区场景类别，选择其对应的最佳性能指标预测算法，最佳性能指标预测算法对待预测无线小区工参数据和性能指标时间序列数据进行预测，输出待预测无线小区未来的性能预测结果。

需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。

参照图10，示出了本发明一实施例提供的一种无线小区的性能预测装置的结构示意图，具体可以包括如下模块：

数据获取模块1001，用于获取目标无线小区的工参数据和性能指标时间序列数据；

特征向量抽取模块1002，用于采用预先训练的特征抽取网络模型，对所述目标无线小区的工参数据和性能指标时间序列数据进行处理，得到所述目标无线小区的特征向量；

场景类别分类模块1003，用于采用预先训练的分类模型，对所述目标无线小区的特征向量进行处理，得到所述目标无线小区的场景类别；

目标性能指标预测算法确定模块1004，用于根据所述目标无线小区的场景类别，从预置的多个性能指标预测算法中，确定目标性能指标预测算法；

性能预测结果预测模块1005，用于采用所述目标性能指标预测算法，对所述目标无线小区进行性能预测，得到所述目标无线小区的性能预测结果。

在本发明一实施例中，所述工参数据包括分类特征和数值特征，所述特征抽取网络模型包括嵌入网络、第一神经网络，以及第二神经网络，所述目标无线小区的特征向量为隐式特征向量，所述特征向量抽取模块1002，包括：

分类特征向量转换子模块，用于通过所述嵌入网络转换，将所述分类特征转换为分类特征向量；

数值特征向量转换子模块，用于通过所述第一神经网络，将所述数值特征转换为数值特征向量；

隐式特征向量生成子模块，用于将所述分类特征向量、所述数值特征向量，以及所述性能指标时间序列数据进行拼接，并通过第二神经网络，生成隐式特征向量。

在本发明一实施例中，还包括：

独热编码处理模块，用于对于所述分类特征，采用独热编码进行预处理；

归一化处理模块，用于对于所述数值特征，采用归一化进行预处理。

在本发明一实施例中，还包括：

训练阶段预测模块，用于对于同一场景类别下的无线小区，采用预置的多个性能指标预测算法对所述无线小区进行性能预测，得到所述无线小区的性能预测结果；

映射关系建立模块，用于根据所述无线小区的性能预测结果，确定所述多个性能指标预测算法的预测误差，并建立预测误差最小的性能指标预测算法与所述场景类别的映射关系。

在本发明一实施例中，所述性能预测结果预测模块1005，包括：

数据预测子模块，用于采用所述目标性能指标预测算法，对所述目标无线小区的工参数据和性能指标时间序列数据进行性能预测，得到所述目标无线小区的性能预测结果。

在本发明一实施例中，所述工参数据包括以下任一项或多项：

位置经纬度、站高、站型、方向角、下倾角、功率、带宽、天线型号、地物类型。

在本发明一实施例中，所述性能指标时间序列数据包括以下任一项或多项：

下行物理资源块利用率、上行物理资源块利用率、下行无线电资源控制用户连接数、上行无线电资源控制用户连接数、上行流量、下行流量。

在本发明实施例中，通过获取目标无线小区的工参数据和性能指标时间序列数据，采用预先训练的特征抽取网络模型，对所述目标无线小区的工参数据和性能指标时间序列数据进行处理，得到所述目标无线小区的特征向量，采用预先训练的分类模型，对所述目标无线小区的特征向量进行处理，得到所述目标无线小区的场景类别，根据所述目标无线小区的场景类别，从预置的多个性能指标预测算法中，确定目标性能指标预测算法，采用所述目标性能指标预测算法，对所述目标无线小区进行性能预测，得到所述目标无线小区的性能预测结果，实现了为不同的无线场景的无线小区选择不同的性能指标预测算法进行性能预测，提升了性能预测的准确度，进而提升了对复杂多变的无线环境的适应度。

本发明一实施例还提供了一种电子设备，可以包括处理器、存储器及存储在存储器上并能够在处理器上运行的计算机程序，计算机程序被处理器执行时实现如上无线小区的性能预测方法。

本发明一实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现如上无线小区的性能预测方法。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准，并提供有相应的操作入口，供用户选择授权或者拒绝。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本领域内的技术人员应明白，本发明实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括上述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对所提供的一种无线小区的性能预测方法、装置、设备及介质，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。