通过预测流量参数来管理无线通信网络的方法技术

一种用于管理无线网络的方法(100)，包括：‑收集(105)按时间排序的流量数据样本的序列，并且将所收集的数据样本布置在具有至少一个维度的至少一个级别0残余矩阵中，所述级别0残余矩阵的所述维度对应于包括时间单元的有序序列的相应时间标度，时间单元的所述有序序列定义第一时间窗口；‑执行至少一次循环，从n＝0开始，循环的每个第n次迭代包括阶段A)、B)、C)、D)、E)的序列：A)对于级别(n)残余矩阵的至少一个维度，以如下方式细分(110)对应的时间标度：将其时间单元分组在时间单元的相应级别(n+1)分区中，以便在对应的级别(n+1)流量数据样本集中细分流量数据样本；B)针对每个级别(n+1)流量数据样本集，计算(115)适合所述级别(n+1)流量数据样本集的对应的泛函；C)对于每个级别(n+1)流量数据样本集，通过将对应的泛函应用于时间单元的对应的级别(n+1)分区来计算(115)级别(n+1)流量数据样本集的对应近似；D)将级别(n+1)流量数据样本集的各近似结合在一起(115)以计算级别(n+1)近似矩阵，所述级别(n+1)近似矩阵是级别(n)残余矩阵的近似版本；E)计算(120)级别(n)残余矩阵和计算出的级别(n+1)近似矩阵之间的差，以便获得级别(n+1)残余矩阵；‑通过将计算出的泛函应用于时间单元的分区来生成经预测的数据样本，来预测(130)在与第一时间窗口不同的第二时间窗口中的流量数据趋势，所述时间单元的分区包括对应于所述第二时间窗口和所述第一时间窗口中的至少一个时间窗口的时间单元的有序序列；‑使用(140)所预测的流量数据趋势来管理无线网络。

【技术实现步骤摘要】
【国外来华专利技术】通过预测流量参数来管理无线通信网络的方法
本专利技术一般涉及无线电信网络，诸如蜂窝网络之类。
技术介绍
数据和语音流量趋势的表征和预测在蜂窝网络的设计和优化中是至关重要的问题。具体而言，与蜂窝网络中的节点/小区相关联的流量的固有性质取决于其中这样的节点/小区所位于的空间位置(例如，住宅区、商业区、办公区等等)以及取决于流量本身的时间演变(例如，部署新的技术、当地资源的搬迁/增加等等)具有不同的类型特征。特别地，与位于城市化办公区中的蜂窝网络的节点相关联的流量的类型不同于与位于城市化住宅区或旅游区中的网络节点相关联的流量的类型。随着时间分辨率的增加，即使可以注意到典型的基本流量趋势分量(下文称为“流量趋势的固有分量”，或简称为“固有分量”)，流量数据演变也变得越来越不规则。作为示例，蜂窝流量数据趋势通常在午夜期间最小，其从早晨的前几小时升高直到一天的中间时间稳定下来。一个极其变化的流量分量，或“随机分量”被叠加在这个固有分量上。在未来时段外推历史数据序列(旨在作为顺序采集到的各种模式下的数据(从采样器输出的原始数据到通过例如过滤操作预处理后的数据)的集合)的行为的能力已经在诸如经济学(例如，股票价格趋势或国家的宏观经济参数的预测)、生物学(例如，流行病的演变)或工程学(例如，材料的老化)之类的各种学科中快速发展。除非存在关于未来动态的进一步信息，否则从过去获取的历史数据序列外推未来时间中的行为通常且隐含地基于所分析的现象是固定的假设。使用了依赖于这种类型的假设的不同的已知预测技术，诸如例如：·基于“样条”外推的技术，其中导出物(derivative)由外推点维持(参见例如Hyndman，King，Pitrun，Billah，“Locallinearforecastusingcubicsmoothingsplines”，Aust.N.K.Stat.47(1)，2005，第87-99页)；·基于神经网络的技术，其中每个节点根据过去的行为进行学习(参见例如Crone，Dhawan，“Forecastingseasonaltimeserieswithneuralnetworks：asensitivityanalysisofarchitectureparameters”，神经网络国际联合会议(internationaljointconferenceonneuralnetworks)的会议论文集，美国佛罗里达州奥兰多市，2007年8月12日至17日，或Gheyas，Smith，“Aneuralnetworkapproachtotimeseriesforecasting”，2009年世界工程大会(WorldCongressonEngineering)的会议论文集，VolII，WCE2009，2009年7月1日至3日，英国伦敦)；·回归技术，其中或多或少的近期过去被存储在权重参数内(参见例如Barford，Kline，Plonka，Ron，“Asignalanalysisofnetworktrafficanomalies”，IMW'02，2002年11月，Gelper，Fried，Croux，“RobustforecastingwithexponentialandHolt-Wintedsmoothing”，FacultyofEconomicsandmanagement,KatholiekeUniversitetLeuven，2007年4月，或者“Single,DoubleandTripleexponentialSmoothing”，NIST，http://www.itl.nist.gov/div898/handbook/pmc/section4)。一般而言，通过以上提到的预测性技术对数据进行处理需要对实际数据进行采样，即，在离散时刻检测要处理的信号的处理输出作为可以是在两个相继时刻之间的其处理后的版本或采样量的瞬时读取值(例如，在采样间隔内的平均值)的结果数据。固有地，可能受到噪声影响的那些数据可经历过滤处理(例如移动平均)，并且不能完全符合奈奎斯特(Nyquist)定理(即，数据以由相同采样系统建立的频率进行采样，而不对观察到的量进行预分析以便定义带宽并且因此定义采样频率)的要求。这些技术中的一些最适合应用于由具有预定义特性的历史序列表示的现象(例如，具有季节性趋势的历史序列)。为了应用这些技术，因此有必要对所考虑的现象进行了解或预先分类以便选择最佳方法：例如，一些技术需要在开始预测处理之前通过观察历史数据来确定季节性时段。在这个框架内，随机分量是要考虑的一个重要的要素，随机分量要在广义上理解为与现象本身的固有分量重叠的现象的统计学变化的集合。如果固有分量被随机分量隐藏，那么一些预测技术的效率可能会下降；在这些情况下，诸如频谱分析或自/互相关处理之类的技术可以帮助从随机分量中区分出固有分量，以便将前者与后者分开。申请人已经观察到，随机分量可以表示所考虑的现象的重要分量，也用于预测目的。例如，在移动电信中，随机分量表示来自固有分量的由于可预测或不可预测的现场(spot)服务请求的局部变化。不可预测的局部流量增加的示例可以是由于汽车事故而在道路上等待的一排汽车而生成的，而可预测的局部流量增加的示例可以是由于体育赛事而引起的。美国专利申请US20100030545公开了图案(pattern)形状预测方法，包括：通过模拟来预测与基于图案数据在基板上形成的基板上的图案的图案形状有关的图案图像的强度分布；根据图案图像的强度分布来计算第一图案边缘位置；在包括第一图案边缘位置的预定范围内计算图案图像的强度分布的特征值；使用相关性根据特征值计算第一图案边缘位置的波动量；以及考虑相对于第一图案边缘位置的波动量来预测第二图案边缘位置。国际专利申请WO00/30385公开了一种在无线通信系统中使网络运营商能够通过将资源与当前的拥塞流量水平和未来的预测流量水平相匹配来适应订户需求的方法和系统。适应可以在小区级别实现，并且适用的资源包括收发器。网络中的给定基站优选地至少在三个场合下记录变量。所述变量包括测量的时间、平均流量水平、繁忙时间TL和TRX的当前数量。然后，可以将这四个变量用在应用于增长方程的非线性优化公式中。为该方程产生三个重要的系数。对于给定小区，可以根据具有重要系数的增长方程来估计未来流量水平以及最大预期的订户总体(population)。可能的繁忙时间TL和预测的未来TL可以用于确定TRX的优化数量。论文Dorgbefu，Gadze，Anipa，“ShorttermtrafficVolumepredictioninUMTSnetworksusingtheKalmanFilterAlgorithm”，InternationalJournalofMobilenetworkCommunications&Telematics，Vol.3.No.6.2013年12月，描述了通过卡尔曼(Kalman)滤波技术预测UMTS(通用移动电信系统)流量的方法。
技术实现思路
申请人已经认识到，以上提到的现有技术文献都没有提供能够高效地预测与蜂窝网络的节点/小区相关联的流量趋势的解决方案。本专利技术的一个方面提供了一种用于管理无线网络的方法本文档来自技高网...

【技术保护点】
一种用于管理无线网络的方法(100)，包括：‑收集(105)按时间排序的流量数据样本的序列，并且将所收集的数据样本布置在具有至少一个维度的至少一个级别0残余矩阵中，所述级别0残余矩阵的所述维度对应于包括时间单元的有序序列的相应时间标度，时间单元的所述有序序列定义第一时间窗口；‑执行至少一次循环，从n＝0开始，循环的每个第n次迭代包括阶段A)、B)、C)、D)、E)的序列：A)对于级别(n)残余矩阵的至少一个维度，以如下方式细分(110)对应的时间标度：将其时间单元分组在时间单元的相应级别(n+1)分区中，以便在对应的级别(n+1)流量数据样本集中细分流量数据样本；B)针对每个级别(n+1)流量数据样本集，计算(115)适合所述级别(n+1)流量数据样本集的对应的泛函；C)对于每个级别(n+1)流量数据样本集，通过将对应的泛函应用于时间单元的对应的级别(n+1)分区来计算(115)级别(n+1)流量数据样本集的对应近似；D)将级别(n+1)流量数据样本集的各近似结合在一起(115)以计算级别(n+1)近似矩阵，所述级别(n+1)近似矩阵是级别(n)残余矩阵的近似版本；E)计算(120)级别(n)残余矩阵和计算出的级别(n+1)近似矩阵之间的差，以便获得级别(n+1)残余矩阵；‑通过将计算出的泛函应用于时间单元的分区来生成经预测的数据样本，来预测(130)在与第一时间窗口不同的第二时间窗口中的流量数据趋势，所述时间单元的分区包括对应于所述第二时间窗口和所述第一时间窗口中的至少一个时间窗口的时间单元的有序序列；‑使用(140)所预测的流量数据趋势来管理无线网络。...

【技术特征摘要】
【国外来华专利技术】1.一种用于管理无线网络的方法(100)，包括：-收集(105)按时间排序的流量数据样本的序列，并且将所收集的数据样本布置在具有至少一个维度的至少一个级别0残余矩阵中，所述级别0残余矩阵的所述维度对应于包括时间单元的有序序列的相应时间标度，时间单元的所述有序序列定义第一时间窗口；-执行至少一次循环，从n＝0开始，循环的每个第n次迭代包括阶段A)、B)、C)、D)、E)的序列：A)对于级别(n)残余矩阵的至少一个维度，以如下方式细分(110)对应的时间标度：将其时间单元分组在时间单元的相应级别(n+1)分区中，以便在对应的级别(n+1)流量数据样本集中细分流量数据样本；B)针对每个级别(n+1)流量数据样本集，计算(115)适合所述级别(n+1)流量数据样本集的对应的泛函；C)对于每个级别(n+1)流量数据样本集，通过将对应的泛函应用于时间单元的对应的级别(n+1)分区来计算(115)级别(n+1)流量数据样本集的对应近似；D)将级别(n+1)流量数据样本集的各近似结合在一起(115)以计算级别(n+1)近似矩阵，所述级别(n+1)近似矩阵是级别(n)残余矩阵的近似版本；E)计算(120)级别(n)残余矩阵和计算出的级别(n+1)近似矩阵之间的差，以便获得级别(n+1)残余矩阵；-通过将计算出的泛函应用于时间单元的分区来生成经预测的数据样本，来预测(130)在与第一时间窗口不同的第二时间窗口中的流量数据趋势，所述时间单元的分区包括对应于所述第二时间窗口和所述第一时间窗口中的至少一个时间窗口的时间单元的有序序列；-使用(140)所预测的流量数据趋势来管理无线网络。2.如权利要求1所述的方法(100)，其中将计算出的泛函应用于包括对应于所述第二时间窗口的时间单元的有序序列的时间单元的分区包括：-应用针对与循环的所选择的第n次迭代对应的级别(n+1)流量数据样本集而计算出的泛函。3.如前述权利要求中任一项所述的方法(100)，其中所述计算(115)适合级别(n+1)流量数据样本集的泛函包括通过在所述级别(n+1)流量数据样本集的流量数据样本上的范数准则来计算泛函。4.如前述权利...

【专利技术属性】
技术研发人员：A·布尔多里尼，A·斯基亚沃尼，
申请(专利权)人：意大利电信股份公司，
类型：发明
国别省市：意大利,IT