无线小区性能指标预测方法及装置制造方法及图纸

技术编号:21205739 阅读:28 留言:0更新日期:2019-05-25 03:01
本发明专利技术实施例提供一种无线小区性能指标预测方法及装置,包括:获取目标小区的小区名称独热编码和历史性能指标;基于训练好的嵌入神经网络模型,对所述小区名称独热编码进行神经网络嵌入处理,得到所述目标小区的经纬度向量表征信息;将所述经纬度向量表征信息和所述历史性能指标输入到训练好的长短时记忆网络模型,获取所述目标小区的性能指标预测数据。本发明专利技术实施例通过嵌入神经网络模型和长短时记忆网络模型相结合,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,提高了预测准确性,提升了资源载波调度的稳定性。

Prediction Method and Device for Performance Indicators of Wireless Cells

The embodiment of the present invention provides a method and device for predicting the performance index of a wireless cell, which includes: acquiring the unique heat code and historical performance index of the cell name of the target cell; embedding the unique heat code of the cell name into the neural network based on the trained embedded neural network model to obtain the latitude and longitude vector representation information of the target cell; and embedding the latitude and longitude vector into the target cell. The representation information and the historical performance indicators are input into the trained long-term and short-term memory network model to obtain the performance indicators prediction data of the target cell. The embodiment of the present invention combines the embedded neural network model with the long-term and short-term memory network model, predicts the performance index of the wireless network service of the target cell according to the longitude and latitude vector representation information and historical performance index of the target cell to be predicted, improves the prediction accuracy and improves the stability of the resource carrier scheduling.

【技术实现步骤摘要】
无线小区性能指标预测方法及装置
本专利技术实施例涉及无线通信
,尤其涉及一种无线小区性能指标预测方法及装置。
技术介绍
随着无线通信技术的不断成熟与发展,无线通信用户爆发性增长,业务流量不断增加,运营商必须对无线网络资源进行预估,防止网络拥塞。通过对无线网络性能进行预测,能够了解性能指标的发展趋势,从而指导网络优化人员发现未来存在的隐患,及时的维护和优化网络。目前对无线小区的性能指标的预测,大多数是采用自回归模型进行向前推算预测。由于,此种预测方式是基于一种线性模型,对序列数据的信息表达有限,对于复杂的信息预测存在较大的误差。因此,现在亟需一种无线小区性能指标预测方法及装置来解决上述问题。
技术实现思路
针对现有技术存在的问题,本专利技术实施例提供一种无线小区性能指标预测方法及装置。第一方面,本专利技术实施例提供了一种无线小区性能指标预测方法,包括:获取目标小区的小区名称独热编码和历史性能指标;基于训练好的嵌入神经网络模型,对所述小区名称独热编码进行神经网络嵌入处理,得到所述目标小区的经纬度向量表征信息;将所述经纬度向量表征信息和所述历史性能指标输入到训练好的长短时记忆网络模型,获取所述目标小区的性能指标预测数据。第二方面,本专利技术实施例提供了一种无线小区性能指标预测装置,包括:获取模块,用于获取目标小区的小区名称独热编码和历史性能指标;处理模块,用于基于训练好的嵌入神经网络模型,对所述小区名称独热编码进行神经网络嵌入处理,得到所述目标小区的经纬度向量表征信息;预测模块,用于将所述经纬度向量表征信息和所述历史性能指标输入到训练好的长短时记忆网络模型,获取所述目标小区的性能指标预测数据。第三方面,本专利技术实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。第四方面,本专利技术实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。本专利技术实施例提供的一种无线小区性能指标预测方法及装置,通过嵌入神经网络模型和长短时记忆网络模型相结合,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,提高了预测准确性,提升了资源载波调度的稳定性。附图说明为了更清楚地说明本专利技术实施例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专利技术的一些实施例,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为本专利技术实施例提供的无线小区性能指标预测方法的流程示意图;图2为本专利技术实施例提供的基于嵌入神经网络和长短时记忆网络的神经网络模型示意图;图3为本专利技术实施例提供无线小区性能指标预测装置的结构示意图;图4为本专利技术实施例提供的电子设备结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚,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。图1为本专利技术实施例提供的无线小区性能指标预测方法的流程示意图,如图1所示,本专利技术实施例提供了一种无线小区性能指标预测方法,包括:步骤101,获取目标小区的小区名称独热编码和历史性能指标;步骤102,基于训练好的嵌入神经网络模型,对所述小区名称独热编码进行神经网络嵌入处理,得到所述目标小区的经纬度向量表征信息;步骤103,将所述经纬度向量表征信息和所述历史性能指标输入到训练好的长短时记忆网络模型,获取所述目标小区的性能指标预测数据。在本专利技术实施例中,首先,通过步骤101,获取目标小区的小区名称独热编码和历史性能指标。在对目标小区的性能指标进行预测之前,通过one-hot编码方式,对目标小区的小区名称进行编码,从而得到目标小区名称对应的独热编码(One-HotEncoder)。同时,获取目标小区的历史性能指标,在本专利技术实施例中,需要对目标小区未来两天的无线信号的性能指标进行预测,将目标小区前一周的历史性能指标的数据信息进行采集。例如,需要对A小区7月15日至7月16日两天的无线信号的性能指标进行预测,则需要对A小区在7月8日至7月14日这七天内的历史性能指标进行采集,以用于对A小区未来两天的无线网络性能指标进行预测。需要说明的是,在本专利技术实施例中,目标小区的历史性能指标和性能指标预测数据包括上行PRB平均利用率、下行PRB平均利用率、小区用户面上行字节数、小区用户面下行字节数、有效RRC连接平均数和E-RAB建立成功数。然后,通过步骤102,基于训练好的嵌入神经网络模型,对所述小区名称独热编码进行神经网络嵌入处理,得到所述目标小区的经纬度向量表征信息。在本专利技术实施例中,由于小区名称独热编码的矩阵过于稀疏,因此,需要对小区名称独热编码进行处理,通过训练好的嵌入神经网络模型,对小区名称独热编码进行基于地理位置空间信息的转换,从而得到目标小区的实际编码,即目标小区的经纬度向量表征信息,以使得目标小区的性能指标预测数据更加准确。最后,通过步骤103,将所述经纬度向量表征信息和所述历史性能指标输入到训练好的长短时记忆网络模型,获取所述目标小区的性能指标预测数据。在本专利技术实施例中,长短时记忆网络(LongShortTermMemory,简称LSTM)是一种特殊的循环神经网络(RecurrentNeuralNetworks,简称RNN),能够学习长期依赖关系,用于解决长序列问题中信息传递的丢失,以及在训练网络模型时,反向传播中的梯度爆炸和消失的问题。LSTM模型首先将经纬度向量表征信息和历史性能指标进行关联,然后通过门限结构使得序列中的信息选择性地向前传递,从而得到目标小区的性能指标预测数据。最终,根据这些性能指标预测数据对目标小区的无线资源制定相应的载波调度方案,提高目标小区的无线网络服务性能。本专利技术实施例通过嵌入神经网络模型和长短时记忆网络模型相结合,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,提高了预测准确性,提升了资源载波调度的稳定性。在上述实施例的基础上,在所述获取目标小区的小区名称独热编码和历史性能指标之前,所述方法还包括:对样本小区的小区名称进行独热编码处理,获取第一样本数据;将所述第一样本数据输入到嵌入神经网络模型进行训练,得到所述样本小区的样本经纬度向量表征信息,并获取所述训练好的嵌入神经网络模型。在本专利技术实施例中,首先,对样本小区的小区名称进行one-hot编码处理,由于直接得到的小区名称独热编码的矩阵过于稀疏,降低了预测准确度。本专利技术实施例通过嵌入神经网络模型对样本小区在地理位置空间上进行编码转换,采用三层的全连接神经网络模型,输入数据为样本小区名称的独热编码,输出为样本经纬度向量表征信息,从而完成模型的训练。在本专利技术实施例中,样本经纬度向量表征信息是从嵌入神经网络模型的隐藏层第一层输出的。在上述实施例的基础上,在所述本文档来自技高网...

【技术保护点】
1.一种无线小区性能指标预测方法,其特征在于,包括:获取目标小区的小区名称独热编码和历史性能指标;基于训练好的嵌入神经网络模型,对所述小区名称独热编码进行神经网络嵌入处理,得到所述目标小区的经纬度向量表征信息;将所述经纬度向量表征信息和所述历史性能指标输入到训练好的长短时记忆网络模型,获取所述目标小区的性能指标预测数据。

【技术特征摘要】
1.一种无线小区性能指标预测方法,其特征在于,包括:获取目标小区的小区名称独热编码和历史性能指标;基于训练好的嵌入神经网络模型,对所述小区名称独热编码进行神经网络嵌入处理,得到所述目标小区的经纬度向量表征信息;将所述经纬度向量表征信息和所述历史性能指标输入到训练好的长短时记忆网络模型,获取所述目标小区的性能指标预测数据。2.根据权利要求1所述的方法,其特征在于,在所述获取目标小区的小区名称独热编码和历史性能指标之前,所述方法还包括:对样本小区的小区名称进行独热编码处理,获取第一样本数据;将所述第一样本数据输入到嵌入神经网络模型进行训练,得到所述样本小区的样本经纬度向量表征信息,并获取所述训练好的嵌入神经网络模型。3.根据权利要求2所述的方法,其特征在于,在所述将所述第一样本数据输入到嵌入神经网络模型进行训练,得到所述样本小区的样本经纬度向量表征信息,并获取所述训练好的嵌入神经网络模型之后,所述方法还包括:将所述样本小区的样本性能指标和所述样本经纬度向量表征信息进行关联处理,得到第二样本数据;将所述第二样本数据输入到长短时记忆网络模型进行训练,获取所述训练好的长短时记忆网络模型。4.根据权利要求3所述的方法,其特征在于,所述将所述第一样本数据输入到嵌入神经网络模型进行训练,得到所述样本小区的样本经纬度向量表征信息,包括:通过所述第一样本数据对所述嵌入神经网络模型进行训练,获取所述嵌入神经网络模型的隐藏层中第一层输出的所述样本经纬度向量表征信息。5.根据权利要求1至4任一项所述的方法,其特征在于,所述性能指标预测数据包括:...

【专利技术属性】
技术研发人员:赵伟安新周
申请(专利权)人:北京市天元网络技术股份有限公司
类型:发明
国别省市:北京,11

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1