基站业务量的预测方法及装置制造方法及图纸

本发明专利技术实施例提供了一种基站业务量的预测方法及装置。该方法包括：预测基站的目标节能周期内所有节能时段的业务量的累计值和所有节能时段的业务量的概率分布；根据所述目标节能周期内所有节能时段的业务量的累计值和业务量的概率分布预测所述基站的目标周期内的每一节能时段的业务量。通过本发明专利技术，可以解决相关技术中采用多步时序预测基站业务量时，不能同时保证预测精准度和鲁棒性的问题，达到可同时保证预测精准度和鲁棒性的效果。可同时保证预测精准度和鲁棒性的效果。可同时保证预测精准度和鲁棒性的效果。

【技术实现步骤摘要】
基站业务量的预测方法及装置


[0001]本专利技术实施例涉及数据挖掘
，具体而言，涉及一种基站业务量的预测方法及装置。

技术介绍

[0002]5G业务发展初期，网络负载低，轻载或空载基站占比非常高，采用大规模多输入多输出(Massive Multiple Input Multiple Output，Massive MIMO)技术的5G基站将进一步增加功耗，带来了较高的电费压力。目前针对轻载或空载时段实施深度休眠成为基站节能一个主要策略，需要利用数据挖掘算法对基站连续时段的业务量指标进行精准预测。
[0003]当前基站节能时段的业务量预测主要采用两种方案：1、基于低时延历史基站关键绩效指标(Key Performance Indicator，KPI)，采用统计分析方法选出下个节能周期的节能时段，预测其业务量；2、采用数据挖掘或深度学习等预测类算法，统计低/中低/高时延相关KPI指标叠加外部影响数据(例如：天气、节假日信息、地理位置信息等)作为特征，采用单步时序方法预测下个节能周期多个连续时段的业务量。
[0004]上述的第一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基站业务量的预测方法，其特征在于，包括：预测基站的目标节能周期内所有节能时段的业务量的累计值和所有节能时段的业务量的概率分布；根据所述目标节能周期内所有节能时段的业务量的累计值和业务量的概率分布预测所述基站的目标周期内的每个节能时段的业务量。2.根据权利要求1所述的方法，其特征在于，预测基站的目标节能周期内所有节能时段的业务量的累计值和所有节能时段的业务量的概率分布之前，还包括：确定所述基站待预测的目标节能周期、节能时段以及业务量指标，其中所述业务量为PRB利用率。3.根据权利要求2所述的方法，其特征在于，确定所述基站待预测的目标节能周期、节能时段以及业务量指标之后，还包括：根据目标节能周期、节能时段以及业务量指标确定模型输入特征数据集，其中，所述模型输入特征数据集包括：业务量时序趋势指标数据、基站KPI趋势指标数据以及外部指标数据。4.根据权利要求3所述的方法，其特征在于，其中，所述业务量时序趋势指标数据包括：多个节能周期内各节能时段的平均PRB利用率、最低PRB利用率和最高PRB利用率，以及每个节能周期的最高PRB利用率、平均PRB利用率和最低PRB利用率；基站KPI趋势指标数据包括：多个节能周期内各节能时段的平均RRC用户数、最低RRC用户数和最高RRC用户数，以及每个节能周期的最高RRC用户数、平均RRC用户数和最低RRC用户数；外部指标数据包括：时间特征和地域特征，其中，所述时间特征至少包括以下之一：节能时段所处的年份、月份、日期、是否周末、是否节假日、小时；所述地域特征至少包括以下之一：基站所处省份、地市、经纬度信息、城镇、郊区、基站小区的ID。5.根据权利要求3所述的方法，其特征在于，根据目标节能周期、节能时段以及业务量指标确定模型输入特征数据集之后，还包括：以节能周期为单位，选取所述基站的业务量时序趋势指标数据、基站KPI趋势指标数据、其他外部指标数据以作为基础特征数据集，其中，基础特征数据集的字段集合为[X1]；在所述基础特征数据集中添加预测值Y1，以生成累计量模型数据集，其中，所述预测值Y1为下个节能周期的各节能时段PRB利用率之和，其中，累计量模型数据集的字段集合为[X1,Y1]；在所述基础特征数据集中添加一个节能周期的每个节能时段的PRB利用率的概率分布W1和待预测的节能时段数Y2，以生成概率分布模型数据集，其中，所述概率分布模型数据集的字段集合为[X1,W1,Y2]。6.根据权利要求5所述的方法，其特征在于，还包括：将所述累计量模型数据集和概率分布模型数据集输入LightGBM模型中进行训练，分别获得预测PRB利用率的累计量模型和PRB利用率的概率分布模型。7.根据权利要求6所述的方法，其特征在于...

【专利技术属性】
技术研发人员：付薇薇，王昆，张家铭，李佳微，余淼，张黎，王岩，张寅，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：