本公开提供了一种热点预测方法及装置、存储介质及电子设备，涉及无线通信技术领域。该方法包括获取目标网络设备的历史多维数据；基于历史多维数据生成历史时间数据和历史空间数据；基于历史时间数据和历史空间数据，通过AI智能算法得到热点预测结果。本发明专利技术有利于目标网络设备根据预测的热点执行无线资源动态调整，充分发挥其灵活性，从而有效提高无线资源利用率，在保证用户业务需求被满足的同时实现了网络资源的优化配置。现了网络资源的优化配置。现了网络资源的优化配置。
【技术实现步骤摘要】
热点预测方法及装置、存储介质及电子设备
[0001]本公开涉及无线通信
，尤其涉及一种热点预测方法及装置、存储介质及电子设备。
技术介绍
[0002]随着无线通信技术的不断发展，热点覆盖已经在人类生产生活及各行业中广泛应用。各大运营商也对人群出现较为密集、无线网络资源使用较多、接入较多的区域进行热点覆盖，以达到更好的网络利用。
[0003]热点区域覆盖一直是无线通信的痛点问题。相较于静态覆盖区域，热点区域的出现具有动态变化的特点。随着人群的移动以及用户的增减，热点区域处于动态变化的状态。此时，需要对目标区域的用户数进行统计分析，合理的提出无线网络覆盖方案。
[0004]现有技术对热点区域预测的精度不高，从而无法准确把握热点区域的变化趋势，既满足不了用户的业务需求还导致了网络资源的严重浪费。
[0005]需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
[0006]本公开的目的在于提供一种热点预测方法及装置、存储介质及电子设备，至少在一定程度上克服由于相关技术中存在的网络资源的利用率较低以及无法满足终端的业务性能的要求的问题。
[0007]本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
[0008]根据本公开的一个方面，提供一种热点预测方法，包括：获取目标网络设备的历史多维数据；基于历史多维数据生成历史时间数据和历史空间数据；基于历史时间数据和历史空间数据，通过AI智能算法得到热点预测结果。
[0009]在本公开的一些实施例中，该方法还包括：确定目标网络设备在不同时段内接入的用户数量、用户业务量、运行数据以及相关联的地理数据；根据所确定的用户数量、用户业务量、运行数据以及相关联的地理数据确定用户分布统计数据；以及对用户分布统计数据进行预处理得到历史多维数据。
[0010]在本公开的一些实施例中，基于历史多维数据生成历史时间数据和历史空间数据包括：将历史多维数据按照数据维度和数据随时间变化的维度生成历史矩阵；将历史矩阵输入至第一时空分解模型以降维得到基于空间变化的历史空间矩阵和基于时间变化的历史时间矩阵。
[0011]在本公开的一些实施例中，基于历史时间数据和历史空间数据，通过AI智能算法得到热点预测结果还包括：基于历史时间数据，通过AI智能算法生成预测时间数据；根据预测时间数据和历史空间数据得到热点预测结果。
[0012]在本公开的一些实施例中，当AI智能算法为时间预测模型时，基于历史时间数据，通过AI智能算法生成预测时间数据包括：根据历史时间数据确定每个数据维度和对应于每个数据维度的第一历史时间数据；针对每个数据维度，对于第一历史时间数据建立至少一个时间预测模型；接收关于预测时间段和特定数据维度的输入；以及针对特定数据维度，利用至少一个时间预测模型，来预测在接收的预测时间段期间的预测时间数据。
[0013]在本公开的一些实施例中，根据预测时间数据和历史空间数据得到热点预测结果包括：将预测时间矩阵和历史空间矩阵输入至第二时空分解模型进行反向运算以得到预测多维数据；根据预测多维数据得到热点预测结果。
[0014]在本公开的一些实施例中，热点预测结果包括：在目标网络设备相关联的不同区域分别对应的不同时段内的用户数量和用户业务量。
[0015]根据本公开的又一个方面，提供一种热点预测装置，包括：多维数据获取模块，用于获取目标网络设备的历史多维数据；时空分解模块，用于基于历史多维数据生成历史时间矩阵和历史空间数据；和热点预测模块，用于基于所述历史时间数据和历史空间数据，通过AI智能算法得到热点预测结果。
[0016]根据本公开的又一个方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述的热点预测方法。
[0017]根据本公开的又一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的热点预测方法。
[0018]本公开的实施例所提供的热点预测方法基于目标网络设备关联的历史多用户维度海量数据，提取该历史多维度数据的空间特征和时间特征数据，从而提高了对特征数据分析的连续性和准确性，实现了更准确地基于历史数据在时间和空间上的用户分布预测。
[0019]进一步地，通过AI智能算法实现对不同维度的输入数据的快速预测，并根据维度进行相应能力的训练以实现对于数据的快速处理、快速计算、快速预测，进而有效提高本方法的兼容性和预测效率。
[0020]更进一步地，本专利技术还有利于目标网络设备根据预测的热点执行无线资源动态调整，充分发挥其灵活性，从而有效提高无线资源利用率，在保证用户业务需求被满足的同时实现了网络资源的优化配置。
[0021]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
[0022]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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。
[0023]图1示出本公开实施例中一种热点预测方法的应用场景的示意图。
[0024]图2示出本公开实施例中一种热点预测方法的流程图。
[0025]图3A和图3B示出本公开实施例中一种热点预测方法中的历史多维数据获取方法
的流程图和示意图。
[0026]图4A和图4B示出本公开实施例中一种热点预测方法中的历史时间数据和历史空间数据的生成方法的流程图和示意图。
[0027]图5A至图5C示出本公开实施例中一种热点预测方法中的基于历史时间数据和历史空间数据通过AI智能算法得到热点预测结果的方法流程和示意图。
[0028]图6示出本公开实施例中又一种热点预测方法的流程图。
[0029]图7示出本公开实施例中一种热点预测装置示意图。和
[0030]图8示出本公开实施例中一种热点预测计算机设备的结构框图。
具体实施方式
[0031]现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
[0032]此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种热点预测方法，其特征在于，包括：获取目标网络设备的历史多维数据；基于所述历史多维数据生成历史时间数据和历史空间数据；以及基于所述历史时间数据和所述历史空间数据，通过AI智能算法得到热点预测结果。2.根据权利要求1所述的热点预测方法，其特征在于，所述方法还包括：确定所述目标网络设备在不同时段内接入的用户数量、用户业务量、运行数据以及相关联的地理数据；根据所确定的所述用户数量、所述用户业务量、所述运行数据以及所述相关联的地理数据确定用户分布统计数据；以及对所述用户分布统计数据进行预处理得到所述历史多维数据。3.根据权利要求1所述的热点预测方法，其特征在于，基于所述历史多维数据生成历史时间数据和历史空间数据包括：将所述历史多维数据按照数据维度和数据随时间变化的维度生成历史矩阵；将所述历史矩阵输入至第一时空分解模型以降维得到基于空间变化的历史空间矩阵和基于时间变化的历史时间矩阵。4.根据权利要求1所述的热点预测方法，其特征在于，所述基于所述历史时间数据和所述历史空间数据，通过AI智能算法得到热点预测结果还包括：基于所述历史时间数据，通过AI智能算法生成预测时间数据；根据所述预测时间数据和所述历史空间数据得到热点预测结果。5.根据权利要求4所述的热点预测方法，其中，当所述AI智能算法为时间预测模型时，基于所述历史时间数据，通过AI智能算法生成预测时间数据包括:根据所述历史时间数据确定每个数据维度和对应于每个数据维度的第...
【专利技术属性】
技术研发人员：杨悦，潘建禄，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：
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。