一种移动通信网络流量预测方法、装置及可读存储介质制造方法及图纸

本发明专利技术公开了一种移动通信网络流量预测方法、装置及可读存储介质，包括：根据采集到的预设日期的用户数据，采用预设的填补数据预测模型获取填补数据；其中，所述填补数据为预设日期至待预测日期之间的时间阈值的用户数据，所述用户数据为流量值和用户数的时间序列数据；根据所述填补数据和外部数据，得到特征集；其中，所述外部数据包括所述待预测日期的类型及天气数据；根据所述特征集对预先建立的机器学习模型进行训练，得到流量预测模型；将所述待预测日期输入到所述流量预测模型，得到流量预测值，能有效解决现有技术建模维度单一的问题，能有效提高模型的预测准确性和适用范围。

A Mobile Communication Network Traffic Prediction Method, Device and Readable Storage Media

The invention discloses a mobile communication network traffic prediction method, device and readable storage medium, which includes: according to the user data of the collected preset date, using the preset filling data prediction model to obtain filling data; in which the filling data is user data of the time threshold between the preset date and the predicted date, and the user data is flow value and user data. Time series data of number; according to the filling data and external data, the feature set is obtained; in which the external data includes the type of the date to be predicted and the weather data; according to the feature set, the pre-established machine learning model is trained to obtain the flow forecasting model; and the flow forecasting value is obtained by inputting the date to the flow forecasting model. It can effectively solve the problem of single dimension of existing technology modeling, and effectively improve the prediction accuracy and application scope of the model.

【技术实现步骤摘要】
一种移动通信网络流量预测方法、装置及可读存储介质
本专利技术涉及通信技术、机器学习
，尤其涉及一种移动通信网络流量预测方法、装置及可读存储介质。
技术介绍
随着移动通信网络的快速发展，目前的网络规模变得越来越庞大。快速发展的信息技术使得网络流量行为日趋复杂，通过网络传输的视频、音频、图像数据和其他网络应用业务不断增多，因此对网络服务过程中的服务质量和网络安全等相关性能也有了更多的要求，如何对网络中的业务流量变化规律进行分析和预测研究,成为未来网络研究的一个重要方向。通过网络流量预测，可为网络管理、规划和维护提供依据。现有方案使用流量的时间序列数据，只反映了流量的周期性，历史趋势等特征，当流量受外界因素影响，周期性产生变化时，模型预测误差较大。
技术实现思路
本专利技术实施例提供一种移动通信网络流量预测方法、装置及可读存储介质，能有效解决现有技术建模维度单一的问题，能有效提高模型的预测准确性和适用范围。本专利技术一实施例提供一种移动通信网络流量预测方法，包括：根据采集到的预设日期的用户数据，采用预设的填补数据预测模型获取填补数据；其中，所述填补数据为预设日期至待预测日期之间的时间阈值的用户数据，所述用户数据为流量值和用户数的时间序列数据；根据所述填补数据和外部数据，得到特征集；其中，所述外部数据包括所述待预测日期的类型及天气数据；根据所述特征集对预先建立的机器学习模型进行训练，得到流量预测模型；将所述待预测日期输入到所述流量预测模型，得到流量预测值。作为上述方案的改进，所述方法还包括对所述预设日期的用户数据的划分步骤：将采集到的所述预设日期的用户数据划分为节假日序列和自然日序列；将所述节假日序列划分为节假日流量时间序列和节假日用户数时间序列；将所述自然日序列划分为自然日流量时间序列和自然日用户数时间序列。作为上述方案的改进，所述方法还包括所述填补数据预测模型的构建步骤：所述填补数据预测模型包括节假日流量预测模型、节假日用户数预测模型、自然日流量预测模型及自然日用户数预测模型；根据所述节假日流量时间序列对预先建立的机器学习算法进行训练，得到节假日流量预测模型；根据所述节假日用户数时间序列对所述机器学习算法进行训练，得到节假日用户数预测模型；根据所述自然日流量时间序列对所述机器学习算法进行训练，得到自然日流量预测模型；根据所述自然日用户数时间序列对所述机器学习算法进行训练，得到自然日用户数预测模型。作为上述方案的改进，所述根据采集到的预设日期的用户数据，采用预设的填补数据预测模型获取填补数据，具体包括：采用爬虫系统，对待预测日期的类型进行判断；根据所述待预测日期的类型，确定待填补日期阈值；将所述待填补日期阈值输入所述待预测日期的类型对应的填补数据预测模型进行预测，得到填补数据。进一步的，所述将所述待填补日期阈值输入所述待预测日期的类型对应的所述填补数据预测模型进行预测，得到填补数据，具体包括：当判断到所述待预测日期为节假日时，将所述预设日期至所述待预测日期之间的时间阈值中所有节假日的日期集合作为所述待填补日期阈值；将所述待填补日期阈值输入到所述节假日流量预测模型和节假日用户数预测模型，得到填补数据。作为上述方案的改进，所述根据所述填补数据和外部数据，得到特征集，具体为：根据所述填补数据，计算流量值和用户数的相关特征值；根据爬虫系统爬取所述待预测日期的类型、天气数据作为外部数据；根据所述相关特征值和所述外部数据，生成特征集。作为上述方案的改进，所述根据所述特征集对预先建立的机器学习模型进行训练，得到流量预测模型，具体为：将所述预设日期的用户数据作为训练样本；将所述特征集输入预先建立的机器学习模型，并根据所述训练样本对所述机器学习模型进行训练；采用所述训练样本对训练得到的机器学习模型进行参数调优，得到流量预测模型。本专利技术另一实施例对应提供了一种移动通信网络流量预测装置，包括：数据获取模块，用于根据采集到的预设日期的用户数据，采用预设的填补数据预测模型获取填补数据；其中，所述填补数据为预设日期至待预测日期之间的时间阈值的用户数据，所述用户数据为流量值和用户数的时间序列数据；特征获取模块，用于根据所述填补数据和外部数据，得到特征集；其中，所述外部数据包括所述待预测日期的类型及天气数据；模型构建模块，用于根据所述特征集对预先建立的机器学习模型进行训练，得到流量预测模型；流量预测模块，用于将所述待预测日期输入到所述流量预测模型，得到流量预测值。与现有技术相比，本专利技术实施例公开的一种移动通信网络流量预测方法，通过根据采集到的预设日期的用户数据，采用预设的填补数据预测模型获取填补数据，其中，所述填补数据为预设日期至待预测日期之间的时间阈值的用户数据，所述用户数据为流量值和用户数的时间序列数据，根据所述填补数据和外部数据，得到特征集，其中，所述外部数据包括所述待预测日期的类型及天气数据，根据所述特征集对预先建立的机器学习模型进行训练，得到流量预测模型，将所述待预测日期输入到所述流量预测模型，得到流量预测值，基于待预测日期的类型、流量、用户数、天气等多维度数据建立流量预测模型，通过增加了更多现实环境中影响流量变化的因素，尤其考虑节假日和自然日的流量形态存在较大差异，能有效消除节假日因素对流量变化的影响，能有效提高模型的鲁棒性，能有效解决现有技术仅采用流量的时间序列数据建模导致模型维度单一，适用范围有限的问题，提高模型的预测准确度和适用范围。本专利技术另一实施例提供了一种移动通信网络流量预测装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述专利技术实施例所述的移动通信网络流量预测方法。本专利技术另一实施例提供了一种存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述专利技术实施例所述的移动通信网络流量预测方法。附图说明图1是本专利技术一实施例提供的一种移动通信网络流量预测方法的流程示意图；图2是本专利技术实施例提供的填补数据的处理流程示意图；图3是本专利技术一实施例提供的一种移动通信网络流量预测装置的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。参见图1，是本专利技术一实施例提供的一种移动通信网络流量预测方法的流程示意图，包括：S11、根据采集到的预设日期的用户数据，采用预设的填补数据预测模型获取填补数据；其中，所述填补数据为预设日期至待预测日期之间的时间阈值的用户数据，所述用户数据为流量值和用户数的时间序列数据。具体地，采用爬虫系统，对待预测日期的类型进行判断；根据所述待预测日期的类型，确定待填补日期阈值；将所述待填补日期阈值输入所述待预测日期的类型对应的填补数据预测模型进行预测，得到填补数据。需要说明的是，预先设置日期阈值，是某一时间段内，按照时间先后顺序记录的日期。其中，所述统计日期阈值中可划分为节假日和自然日。节假日定义为法定节假日，包含元旦、春节、清明节、劳动节、端午节本文档来自技高网...

【技术保护点】
1.一种移动通信网络流量预测方法，其特征在于，包括：根据采集到的预设日期的用户数据，采用预设的填补数据预测模型获取填补数据；其中，所述填补数据为预设日期至待预测日期之间的时间阈值的用户数据，所述用户数据为流量值和用户数的时间序列数据；根据所述填补数据和外部数据，得到特征集；其中，所述外部数据包括所述待预测日期的类型及天气数据；根据所述特征集对预先建立的机器学习模型进行训练，得到流量预测模型；将所述待预测日期输入到所述流量预测模型，得到流量预测值。

【技术特征摘要】
1.一种移动通信网络流量预测方法，其特征在于，包括：根据采集到的预设日期的用户数据，采用预设的填补数据预测模型获取填补数据；其中，所述填补数据为预设日期至待预测日期之间的时间阈值的用户数据，所述用户数据为流量值和用户数的时间序列数据；根据所述填补数据和外部数据，得到特征集；其中，所述外部数据包括所述待预测日期的类型及天气数据；根据所述特征集对预先建立的机器学习模型进行训练，得到流量预测模型；将所述待预测日期输入到所述流量预测模型，得到流量预测值。2.如权利要求1所述的移动通信网络流量预测方法，其特征在于，所述方法还包括对所述预设日期的用户数据的划分步骤：将采集到的所述预设日期的用户数据划分为节假日序列和自然日序列；将所述节假日序列划分为节假日流量时间序列和节假日用户数时间序列；将所述自然日序列划分为自然日流量时间序列和自然日用户数时间序列。3.如权利要求2所述的移动通信网络流量预测方法，其特征在于，所述方法还包括所述填补数据预测模型的构建步骤：所述填补数据预测模型包括节假日流量预测模型、节假日用户数预测模型、自然日流量预测模型及自然日用户数预测模型；根据所述节假日流量时间序列对预先建立的机器学习算法进行训练，得到节假日流量预测模型；根据所述节假日用户数时间序列对所述机器学习算法进行训练，得到节假日用户数预测模型；根据所述自然日流量时间序列对所述机器学习算法进行训练，得到自然日流量预测模型；根据所述自然日用户数时间序列对所述机器学习算法进行训练，得到自然日用户数预测模型。4.如权利要求3所述的移动通信网络流量预测方法，其特征在于，所述根据采集到的预设日期的用户数据，采用预设的填补数据预测模型获取填补数据，具体包括：采用爬虫系统，对待预测日期的类型进行判断；根据所述待预测日期的类型，确定待填补日期阈值；将所述待填补日期阈值输入所述待预测日期的类型对应的填补数据预测模型进行预测，得到填补数据。5.如权利要求4所述的移动通信网络流量预测方法，其特征在于，所述将所述待填补日期阈值输入所述待预测日期的类型对应的所述填补数据预测模型进行预测，得到填补...

【专利技术属性】
技术研发人员：梁峰，梁勇华，傅宇，罗宏贤，叶超海，温勇，
申请(专利权)人：广东宜通世纪科技股份有限公司，
类型：发明
国别省市：广东,44