一种基于流向预测的资源预留方法及系统、移动通信系统技术方案

本发明专利技术属于中央资源管理；资源协商技术领域，公开了一种基于流向预测的资源预留方法及系统、移动通信系统，获取小区间流向的历史数据；将数据进行分析和预处理；对处理后的数据集合进行划分与特征提取；选择不同的模型进行训练，调整参数使模型预测精度达到最高；对两个模型预测的结果进行实时性的融合；网络根据预测结果进行资源预留；通过判断预留资源数与本小区所能提供的资源总数的关系，决定是否需要进行空间流向操作。本发明专利技术通过模型融合，可以根据网络特性进行实时性的改变；同时根据本发明专利技术设计的资源预留算法，可以避免常规预留算法中出现的资源预留过多或过少的现象，进而通过空间流向操作实现网络的负载均衡。

A resource reservation method and system based on flow prediction and mobile communication system

The invention belongs to the central resource management; in the technical field of resource negotiation, a resource reservation method based on flow prediction and a system and a mobile communication system are disclosed to obtain historical data of flow direction between cells; analyze and preprocess the data; divide the processed data sets and extract features; and select different data sets. The model is trained to adjust the parameters so as to achieve the highest prediction accuracy; the prediction results of the two models are fused in real time; the network reserves resources according to the prediction results; by judging the relationship between the number of reserved resources and the total number of resources provided by the community, it determines whether the spatial flow operation is necessary. By model fusion, the invention can make real-time changes according to the characteristics of the network, and the resource reservation algorithm designed according to the invention can avoid the phenomenon of too much or too little resource reservation in the conventional reservation algorithm, and then realize the load balance of the network through space flow operation.

【技术实现步骤摘要】
一种基于流向预测的资源预留方法及系统、移动通信系统
本专利技术属于中央资源管理；资源协商
，尤其涉及一种基于流向预测的资源预留方法及系统、移动通信系统。
技术介绍
目前，业内常用的现有技术是这样的：一是在移动节点进行切换后进行资源预留，该技术存在的问题是资源预留过程需要一定的时间，切换之后一段时间内，用户体验得不到良好的保证。二是在用户切换前进行完全的资源预留，该技术带来的问题是资源利用率不高。三是基于预测的资源预留，如采用了一个频谱池来管理空闲频谱资源，通过传输速率来预测下一阶段用户需求的带宽资源；然而由于传输速率预测模型的时延较大，带宽分配的实时性难以保证，只能适用于小规模的网络中；基于马尔科夫链的方法，通过马尔科夫转移函数预测下一时刻负载的状况，该方法对于非平稳序列无法达到较高的预测准确度，以及在大数据情况下对于小区间的切换数来说需要建立多维的马尔科夫状态转移图，无法实现计算时间短，模型简单的效果；运用小波神经网络模型预测未来一小时内各个区域的业务量，虽然可以实现较高的预测精度，但是不能根据网络特性做出实时性的改变。综上所述，现有技术存在的问题是：(1)常规的资源预留技术无法实现高的资源利用率。(2)基于预测的资源预留技术虽然可以提高资源利用率，但是对于单一模型来说，由于网络环境较为复杂，无法保证模型的鲁棒性，因此就不能根据网络特性进行实时性的改变。(3)当预留资源超过本小区所能提供的资源总数时，现有算法为了防止切换用户掉话让切换用户随机接入附近的一个邻区，没有考虑到周围邻区的资源占用情况，会影响邻区的用户体验。解决上述技术问题的难度和意义：(1)难度有两个：一是模型的选择，模型的好坏直接影响了预测结果的准确率。如果模型没有选择恰当，预测结果就会有很大的误差，从而导致网络根据预测结果进行资源预留时，产生资源预留过多或过少的现象，影响到资源利用率。二是因为网络环境比较复杂，如何让模型根据网络的特性进行实时性的修正也是上述技术问题的难点。(2)意义：通过设计一种有效的基于预测的资源预留技术，不但可以防止切换用户产生掉话，而且对于提升网络资源利用率也会有很大的帮助。
技术实现思路
针对现有技术存在的问题，本专利技术提供了一种基于流向预测的资源预留方法及系统、移动通信系统。本专利技术是这样实现的，一种基于流向预测的资源预留方法，所述基于流向预测的资源预留方法获取小区间流向的历史数据；将数据进行分析和预处理；对处理后的数据集合进行划分与特征提取；选择不同的模型进行训练，调整参数使模型预测精度达到最高；对两个模型预测的结果进行实时性的融合；网络根据预测结果进行资源预留；通过判断预留资源数与本小区所能提供的资源总数的关系，决定是否需要进行空间流向操作。进一步，所述基于流向预测的资源预留方法包括以下步骤：步骤一，获取流向的历史数据；步骤二，基于特征选择和实际操作经验选择数据的模型：包括基于线性回归理论构建的岭回归模型和基于时间序列模型构建的ARIMA+GARCH模型；步骤三，岭回归模型预测结果与时间序列模型预测结果融合；步骤四，根据模型融合后的预测结果，计算出所需的预留资源；根据预留资源与本小区所能提供的资源总数之间的关系，判断是否需要进行空间流向操作。进一步，所述岭回归建模的算法具体包括：(1)认识数据：根据历史数据信息，观察数据的变化情况：波动性、缺损值等信息；以及数据整体的分布情况，数据的规律性统计情况；(2)数据预处理：通过统计数据信息，可能会存在下面两种情况：一是有的基站在某些时间段上的数据是缺失的，即缺损值；二是数据整体分布呈现周期形式，对应某些时间段上的数据却呈现突发，即异常值；(3)数据划分与特征提取：将处理后的数据集合划分成两部分：一部分作为训练集，用于提取特征；一部分作为测试集，以验证模型预测的准确性；即从小区流向历史数据中选取前n天的流向数据来预测第n+1天的流向数据；所提特征主要基于历史流向数据信息，特征构造基于历史信息与待预测信息之间的相关性，相关性较高的历史时刻的值将对预测起到更大的作用；经过皮尔森系数的检验，模型所用特征具体包括：选取每个小区对每一天每个时刻对应的前4小时的流向数据的切出、每个小区对每一天每个时刻对应的前一小时的在线用户数，以及每个小区对每一天对应前一天的切出；(4)模型构建：采用Ridge岭回归模型。如果所给数据时长较长或数据属性较多，选用较复杂的模型；(5)模型预测与评定结果：将前n天的数据特征作为训练集输入到模型中进行训练学习；将第n+1天的预测结果与真实值进行比较，以相对误差作为评价模型好坏的判决指标。进一步，所述(2)具体包括：1)如遇到缺损值，采用在原数据集合上用对应基站历史时刻的数据均值对缺失的部分进行填充；如遇到异常值，则直接在原数据集合上将其舍弃；2)在选取数据集合时，以源小区为中心点，统计以该小区为源小区的不同时刻所有邻小区的切出总值；3)计算与该小区相关的各个邻小区的不同时刻的切出值与不同时刻的切出总值的比值；4)将比值大于某一阈值的数据集合作为最终的训练数据集。阈值的选择可通过多次尝试进行选定；按照如下公式进行计算：其中，i表示源小区编号，j表示邻小区编号，all_cell表示以源小区为中心，与之相关联的所有邻小区，succ_outi,j表示小区i中的用户向小区j流动的用户个数，pi,j表示切出比例。进一步，所述时间序列模型构建ARIMA+GARCH模型建模的算法具体包括：(1)根据时间序列的散点图、自相关函数和偏自相关函数图以ADF单位根检验其方差、趋势及其季节性变化规律，对序列的平稳性进行识别，判断其是否为平稳序列，如果是平稳序列，则跳转到步骤(3)；如果是非平稳序列，则跳转到步骤(2)；(2)对非平稳序列进行平稳化处理，采用的方法为差分处理，时间序列最常用来剔除周期性因素的方法是差分，主要是对等周期间隔的数据进行线性求减；(3)使用statsmodels库函数里面自带的seasonal_decompose周期分解函数对时间序列进行分解，将时序数据分离成长期趋势、季节趋势和残差分量。statsmodels支持两类分解模型，加法模型和乘法模型；采用加法模型，三部分分量值相加即为原数据值；1)分解趋势项，采用中心化移动平均值来计算趋势项；当f为奇数时，计算：当f为偶数时，计算：其中Tt为趋势项，xt表示时序序列，f为时间序列频率，l为时间序列长度；2)计算季节项，采用将原始时间序列减去趋势项St＝xt-Tt，将各个周期内相同频率下的值平均化，得到季节项figure，周期性季节项的计算则为将figure扩展至长度为l的序列；Seasonalt＝figuret％％f其中％％为取余运算；3)计算残余项，Residual＝xt-Tt-Seasonalt；(4)对不同的分量建立ARIMA模型，根据前n天的小区流向数据来预测第n+1天的流向数据；(5)进行假设检验，诊断残差序列是否为白噪声，若有残差效应，即ARCH效应，则使用GARCH模型进行修正；(6)利用已通过检验的模型进行预测，根据模型的predict函数得到第n+1天的预测结果；将三部分分量的预测结果相加求和作为最终的预测结果值；将预测值与真实值进行比较，计算相对误差，判断模型的准确率。进一本文档来自技高网...

【技术保护点】
1.一种基于流向预测的资源预留方法，其特征在于，所述基于流向预测的资源预留方法首先获取小区间流向的历史数据；将数据进行分析和预处理；对处理后的数据集合进行划分与特征提取；选择不同的模型进行训练，调整参数使模型预测精度达到最高；对两个模型预测的结果进行实时性的融合；网络根据预测结果进行资源预留；通过判断预留资源数与本小区所能提供的资源总数的关系，决定是否需要进行空间流向操作。

【技术特征摘要】
1.一种基于流向预测的资源预留方法，其特征在于，所述基于流向预测的资源预留方法首先获取小区间流向的历史数据；将数据进行分析和预处理；对处理后的数据集合进行划分与特征提取；选择不同的模型进行训练，调整参数使模型预测精度达到最高；对两个模型预测的结果进行实时性的融合；网络根据预测结果进行资源预留；通过判断预留资源数与本小区所能提供的资源总数的关系，决定是否需要进行空间流向操作。2.如权利要求1所述的基于流向预测的资源预留方法，其特征在于，所述基于流向预测的资源预留方法包括以下步骤：步骤一，获取流向的历史数据；步骤二，基于特征选择和实际操作经验选择数据的模型：包括基于线性回归理论构建的岭回归模型和基于时间序列模型构建的ARIMA+GARCH模型；步骤三，岭回归模型预测结果与时间序列模型预测结果融合；步骤四，根据模型融合后的预测结果，计算出所需的预留资源；根据预留资源与本小区所能提供的资源总数之间的关系，判断是否需要进行空间流向操作。3.如权利要求2所述的基于流向预测的资源预留方法，其特征在于，所述岭回归建模的算法具体包括：(1)认识数据：根据历史数据信息，观察数据的变化情况：波动性、缺损值等信息；以及数据整体的分布情况，数据的规律性统计情况；(2)数据预处理：通过统计数据信息，可能会存在下面两种情况：一是有的基站在某些时间段上的数据是缺失的，即缺损值；二是数据整体分布呈现周期形式，对应某些时间段上的数据却呈现突发，即异常值；(3)数据划分与特征提取：将处理后的数据集合划分成两部分：一部分作为训练集，用于提取特征；一部分作为测试集，以验证模型预测的准确性；即从小区流向历史数据中选取前n天的流向数据来预测第n+1天的流向数据；所提特征主要基于历史流向数据信息，特征构造基于历史信息与待预测信息之间的相关性，相关性较高的历史时刻的值将对预测起到更大的作用；经过皮尔森系数的检验，模型所用特征具体包括：选取每个小区对每一天每个时刻对应的前4小时的流向数据的切出、每个小区对每一天每个时刻对应的前一小时的在线用户数，以及每个小区对每一天对应前一天的切出；(4)模型构建：采用Ridge岭回归模型；如果所给数据时长较长或数据属性较多，选用较复杂的模型；(5)模型预测与评定结果：将前n天的数据特征作为训练集输入到模型中进行训练学习；将第n+1天的预测结果与真实值进行比较，以相对误差作为评价模型好坏的判决指标。4.如权利要求3所述的基于流向预测的资源预留方法，其特征在于，所述(2)具体包括：1)如遇到缺损值，采用在原数据集合上用对应基站历史时刻的数据均值对缺失的部分进行填充；如遇到异常值，则直接在原数据集合上将其舍弃；2)在选取数据集合时，以源小区为中心点，统计以该小区为源小区的不同时刻所有邻小区的切出总值；3)计算与该小区相关的各个邻小区的不同时刻的切出值与不同时刻的切出总值的比值；4)将比值大于某一阈值的数据集合作为最终的训练数据集；阈值的选择可通过多次尝试进行选定；按照如下公式进行计算：其中，i表示源小区编号，j表示邻小区编号，all_cell表示以源小区为中心，与之相关联的所有邻小区，succ_outi,j表示小区i中的用户向小区j流动的用户个数，pi,j表示切出比例。5.如权利要求2所述的基于流向预测的资源预留方法，其特征在于，所述时间序列模型构建ARIMA+GARCH模型建模的算法具体包括：(1)根据时间序列的散点图、自相关函数和偏自相关函数图以ADF单位根检验其方差、趋势及其季节性变化规律，对序列的平稳性进行识别，判断其是否为平稳序列，如果是平稳序列，则跳转到步骤(3)；如果是非平稳序列，则跳转到步骤(2)；(2)对非平稳序...

【专利技术属性】
技术研发人员：盛敏，王瑞娜，文娟，李建东，孙红光，刘俊宇，陈人冰，李洋，李伟民，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61