一种网络流量预测方法和装置制造方法及图纸

本申请实施例提供了一种网络流量预测方法和装置，涉及通信领域，能够用于预测蜂窝网络流量的时空分布信息，以便指导蜂窝网络的部署和休眠策略，从而保证通信质量和能效平衡。该方案包括：计算设备获取训练数据，训练数据包括目标区域中的至少两个基站在第一时间间隔内的流量监测数据；计算设备根据训练数据建立贝叶斯时空模型；计算设备基于贝叶斯时空模型预测目标区域中的至少一个基站在第二时间间隔内的任一时刻或任一时间段的流量数据，第一时间间隔与第二时间间隔不同。本申请应用于蜂窝网络中对网络流量的时空分布特性进行预测的场景中。

【技术实现步骤摘要】
一种网络流量预测方法和装置
本申请涉及通信领域，尤其涉及一种网络流量预测方法和装置。
技术介绍
为了保证通信质量和能效平衡，第五代移动通信技术(5Generation，5G)通信中采用了超密集组网(UltraDenseDeployment，UDN)和基站休眠技术。其中，UDN的实施需要获取蜂窝网络流量的空间分布特性来制定部署策略，基站休眠的实施需要获取蜂窝网络流量的时间分布特性来制定休眠策略，而蜂窝网络流量建模和预测可以通过预测蜂窝网络流量的时空分布特性，为UDN和基站休眠提供参考信息。现有的蜂窝网络流量预测要么只对空间分布进行建模，要么仅对某一时刻或者某一时间段内的业务进行空间分布拟合或者进行理论分析。例如，Lognorm分布模型给出了一定区域范围内流量分布的整体统计规律，并没有体现流量在空间距离上的相关性，也缺乏相应的流量分布解析表达式。Exponential分布模型不能刻画当前异构无线网络环境中流量分布呈现出的多峰值分布规律。截断二维余弦变换分布模型只是针对某一特定区域特定时间下快照下的流量空间模型，并不具有普适意义。快速傅里叶变换用正弦函数叠加拟合分布模型利用区域内每天的总业务量具有明显的周期性进行预测。时间序列预测建模适合短期预测，适宜预测目标的基本趋势在某一水平上下波动。相关分析预测建模对中长期预测准确性较差，并且需要较多的现实统计数据和纯数学公式的推导，后期需要结合环境的变化进行修正。在实现上述蜂窝网络流量建模和预测的过程中，专利技术人发现现有技术中至少存在如下问题：现有的蜂窝网络流量预测算法要么局限于预测某区域总体的流量变化，要么只对某一时刻的空间分布进行拟合或者建模，均与实际情况有较大出入，不能很好地指导异构蜂窝网络的部署和休眠策略。因此，亟需提出一种针对蜂窝网络流量的时空分布信息的预测方法。
技术实现思路
本申请的实施例提供一种网络流量预测方法和装置，能够用于预测蜂窝网络流量的时空分布信息，以便指导蜂窝网络的部署和休眠策略，从而保证通信质量和能效平衡。为达到上述目的，本申请的实施例采用如下技术方案：一种网络流量预测方法，包括：计算设备获取训练数据，训练数据包括目标区域中的至少两个基站在第一时间间隔内的流量监测数据；计算设备根据训练数据建立贝叶斯时空模型；计算设备基于贝叶斯时空模型预测目标区域中的至少一个基站在第二时间间隔内的任一时刻或任一时间段的流量数据，第一时间间隔与第二时间间隔不同。一种计算设备，包括：获取单元，用于获取训练数据，训练数据包括目标区域中的至少两个基站在第一时间间隔内的流量监测数据；处理单元，用于根据训练数据建立贝叶斯时空模型；处理单元，还用于基于贝叶斯时空模型预测目标区域中的至少一个基站在第二时间间隔内的任一时刻或任一时间段的流量数据，第一时间间隔与第二时间间隔不同。本申请实施例提供的网络流量预测方法和装置，可以预测出目标区域中的至少一个基站在第二时间间隔内的任一时刻或任一时间段的流量数据，从而可以较为准确的得出目标区域的流量空间分布预测，能够用于预测蜂窝网络流量的时空分布信息，以便指导蜂窝网络的部署和休眠策略，从而保证通信质量和能效平衡。附图说明图1为本申请实施例提供的一种通信系统架构示意图；图2为本申请实施例提供的一种网络流量预测方法的流程示意图；图3为本申请实施例提供的一种目标区域在第七天24小时的流量均值分布图；图4为本申请实施例提供的一种目标区域在第七天24小时的流量标准差分布图；图5为本申请实施例提供的一种计算设备的结构示意图。具体实施方式下面结合附图对本申请实施例提供的网络流量预测方法和装置进行详细描述。为了下述各实施例的描述清楚简洁，首先给出相关概念或技术的简要介绍：训练数据：用于训练贝叶斯模型的流量数据，包括目标区域中的至少两个基站在第一时间间隔内的流量监测数据(流量监测值)。目标区域可以是预先确定的。流量监测数据是基站采集到的流量数据。一个基站的流量监测值和流量真实值之间可以存在一定的监测误差，流量的真实值是指网络中实际消耗的流量。预测数据：根据贝叶斯模型预测得到的流量数据，可以包括目标区域中的至少一个基站在第三时间间隔内的流量数据，第三时间间隔包含于第二时间间隔。测试数据：用于校对预测数据是否符合预设条件，包括目标区域中的至少一个基站在第三时间间隔内的流量监测数据。例如，某一天的网络流量的预测数据应该和该天的测试数据接近，否则需要对贝叶斯模型进行调整，以便对于同一时间间隔的预测数据能够接近该时间间隔的测试数据，从而使贝叶斯模型预测得到的数据更准确。其中，第一时间间隔与第二时间间隔不同，第三时间间隔可以等于或包含于第二时间间隔。例如，假设第一时间间隔为第一周的前6天，第二时间间隔可以包括第一周的第7天，第二周、第三周等等。第三时间间隔可以仅包括第一周的第7天。其中，第一周可以是指定的任一周(例如2018年5月的第一周)，第二周可以是第一周的下一周，第三周的概念类似。单位矩阵：一种方阵，从左上角到右下角的对角线(即主对角线)上的元素均为1以外全都为0。在矩阵的乘法中，单位矩阵的作用如同数的乘法中的1。相关系数矩阵；也叫相关矩阵，由矩阵各列间的相关系数构成。其中，相关矩阵第i行第j列的元素是原矩阵第i列和第j列的相关系数。误差方差：是指随机因素引起的实验误差大小的方差。本申请实施例应用于蜂窝网络中对网络流量的时空分布特性进行预测的场景中。其中，蜂窝网络可以为全球移动通信系统(globalsystemformobilecommunication，GSM)、码分多址(codedivisionmultipleaccess，CDMA)网络、宽带码分多址(widebandcodedivisionmultipleaccess，WCDMA)、长期演进(LongTermEvolution，LTE)网络或5G网络等。本申请实施例的架构如图1所示，包括至少两个基站(例如，包括基站1、基站2和基站3)、数据采集设备和计算设备。在一种可能的设计中，数据采集设备可以和计算设备集成在一起。其中，基站可以产生流量数据，数据采集设备可以用于从至少两个基站获取流量监测数据，计算设备用于从数据采集设备站获取流量监测数据(即训练数据)；根据训练数据建立贝叶斯时空模型；基于贝叶斯时空模型预测网络流量的时空分布信息。进一步的，计算设备可以根据测试数据确定由贝叶斯时空模型预测得到的流量数据是否满足预设条件，测试数据可以是计算设备从数据采集设备得到的。下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。其中，在本申请的描述中，除非另有说明，“多个”是指两个或多于两个。另外，为了便于清楚描述本申请实施例的技术方案，在本申请的实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系；在公式中，字符“/”，表示本文档来自技高网...

【技术保护点】
1.一种网络流量预测方法，其特征在于，包括：计算设备获取训练数据，所述训练数据包括目标区域中的至少两个基站在第一时间间隔内的流量监测数据；所述计算设备根据所述训练数据建立贝叶斯时空模型；所述计算设备基于所述贝叶斯时空模型预测所述目标区域中的至少一个基站在第二时间间隔内的任一时刻或任一时间段的流量数据，所述第一时间间隔与所述第二时间间隔不同。

【技术特征摘要】
1.一种网络流量预测方法，其特征在于，包括：计算设备获取训练数据，所述训练数据包括目标区域中的至少两个基站在第一时间间隔内的流量监测数据；所述计算设备根据所述训练数据建立贝叶斯时空模型；所述计算设备基于所述贝叶斯时空模型预测所述目标区域中的至少一个基站在第二时间间隔内的任一时刻或任一时间段的流量数据，所述第一时间间隔与所述第二时间间隔不同。2.根据权利要求1所述的网络流量预测方法，其特征在于，所述方法还包括：所述计算设备根据测试数据确定预测数据是否满足预设条件；所述测试数据包括所述目标区域中的至少一个基站在第三时间间隔内的流量监测数据，所述预测数据包括根据所述贝叶斯时空模型预测得到的所述目标区域中的所述至少一个基站在第三时间间隔内的流量数据，所述第三时间间隔包含于所述第二时间间隔；若确定预测数据不满足预设条件，所述计算设备重新建立贝叶斯时空模型并基于所述重新建立的贝叶斯时空模型重新预测所述目标区域的流量数据。3.根据权利要求1或2所述的网络流量预测方法，其特征在于，所述计算设备基于所述贝叶斯时空模型预测所述目标区域中的至少一个基站在第二时间间隔内的任一时刻的网络流量，包括：所述计算设备根据所述训练数据生成所述贝叶斯时空模型的基础模型，并设定所述贝叶斯时空模型的参数的先验分布，所述贝叶斯时空模型的参数是根据所述训练数据得到的；所述计算设备根据所述贝叶斯时空模型的基础模型和所述参数的先验分布得到所述贝叶斯时空模型的参数的后验分布；所述计算设备根据所述贝叶斯时空模型的参数的后验分布预测所述目标区域中的至少一个基站在第二时间间隔内的任一时刻的网络流量。4.根据权利要求3所述的网络流量预测方法，其特征在于，所述计算设备根据所述贝叶斯时空模型的基础模型和所述参数的先验分布得到所述贝叶斯时空模型的参数的后验分布包括：所述计算设备根据所述贝叶斯时空模型的参数、所述参数的先验分布、所述训练数据、所述至少一个基站对应的固定空间方差以及所述至少一个基站和至少一个参考节点对应的流量真实值确定所述贝叶斯时空模型的参数的后验分布；其中，所述至少一个参考节点是根据所述至少一个基站的位置信息确定的。5.根据权利要求3或4所述的网络流量预测方法，其特征在于，所述计算设备基于所述贝叶斯时空模型预测所述目标区域中的至少一个基站在第二时间间隔内的任一时刻或任一时间段的流量数据包括：所述计算设备根据所述训练数据确定所述贝叶斯时空模型的参数；所述计算设备根据所述贝叶斯时空模型的参数确定所述目标区域中的至少一个基站和所述至少一个参考节点的流量真实数据；所述计算设备根据所述至少一个基站和所述至少一个参考节点的流量真实数据以及所述至少一个基站对应的固定空间方差确定所述至少一个基站中的任一个基站在第二时间间隔内的任一时刻或任一时间段的流量数据。6.根据权利要求3所述的网络流量预测方法，其特征在于，所述计算设备根据所述贝叶斯时空模型的基础模型和所述参数的先验分布得到所述贝叶斯时空模型的参数的后验分布包括：其中，logf(θ，y，g*|g)表示所述贝叶斯时空模型的参数的后验分布；logf(θ)表示所述贝叶斯时空模型的参数的先验分布；θ表示所述贝叶斯时空模型的参数；g和g*分别表示训练数据和缺失的流量监测数据；表示基站对应的固定空间方差；l和t表示不同的时间单位；l＝1，2，...，r；t＝1，2，...，T1；Glt表示训练数据；Xlt是(n×p)维的协变量矩阵，n表示基站数目，p表示协变量数目；β是(p×1)维的相关系数矩阵；P表示(n×m)维的互相关矩阵，用于描述n个基站(s1，s2，...，sn)和m个参考节点间的相关性和随机性；ylt＝ρylt-1+ηlt，ρ∈(-1，1)，用于描述n个基站和m个参考节点对应的流量真实值；ηlt表示m个参考节点的时空特征对流量真实值的影响；表示第n个基站的固定空间方差；Sη是关于ylt的(m×m)维的相关矩阵；表示yl0对应的yl0表示ylt的初始值。7.根据权利要求3所述的网络流量预测方法，其特征在于，所述计算设备基于所述贝叶斯时空模型预测所述目标区域中的至少一个基站在第二时间间隔内的任一时刻或任一时间段的流量数据包括：其中，f(G1(s0，t0)|g)表示在条件g下的待预测基站s0在待预测时刻t0的流量数据；g表示训练数据；表示在条件下待预测基站s0在待预测时刻t0的流量数据；y1(s0，...

【专利技术属性】
技术研发人员：胡荣贻，韩潇，张榛，刘芳芳，范斌，王友祥，
申请(专利权)人：中国联合网络通信集团有限公司，
类型：发明
国别省市：北京,11