基于神经网络的移动通信用户时空分布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于神经网络的移动通信用户时空分布预测方法及装置，获取在第一时段内各个子时段采集的栅格数据、以及外部指标数据，栅格数据包括栅格内地理指标数据和移动用户通信数据；将栅格数据和外部指标数据输入预先训练的预测模型，得到目标栅格在第一时段之后的预测时段内各个子时段的预测用户数目；其中，预测模型是根据预先采集的历史时段内各个子时段的样本栅格的栅格数据、外部指标数据训练的。提高移动通信用户分布预测的准确度。能够有效结合多种特征数据，可以涵盖各种复杂场景，提高移动通信用户分布预测的准确度，并且能够实现较高的模型复用性。并且能够实现较高的模型复用性。并且能够实现较高的模型复用性。

【技术实现步骤摘要】
基于神经网络的移动通信用户时空分布预测方法及装置


[0001]本专利技术涉及移动通信领域，特别是涉及一种基于神经网络的移动通信用户时空分布预测方法及装置。

技术介绍

[0002]随着5G移动通信的发展和无线网络智能化的演进，衍生出各种各样的新型业务需求，准确预测移动用户随时间变化的分布情况在5G项目应用中起到十分重要的作用，比如在大规模天线技术的波束自优化中，需要根据移动用户迁移的预测聚合进行天线权值自适应调整。
[0003]然而预测随着时间变化的移动用户分布，受到各方面的影响，预测难度很大。传统的基于时间序列的移动用户分布预测算法，不能和外部特征结合，只使用移动用户分布本身特征，使得算法预测准确率较低，且复用性不高。

技术实现思路

[0004]本专利技术实施例的目的在于提供一种基于神经网络的移动通信用户时空分布预测方法及装置，以实现提高移动通信用户的时空分布预测准确度。
[0005]具体技术方案如下：
[0006]为实现上述目的，本专利技术实施例提供了一种基于神经网络的移动通信用户时空分布预测方法，所述方法包括：
[0007]获取在第一时段内各个子时段采集的目标栅格和该目标栅格的外围栅格的栅格数据、以及与所述目标栅格相关的外部指标数据，其中，所述栅格数据包括栅格内地理指标数据和移动用户通信数据；
[0008]将所述栅格数据和所述外部指标数据输入预先训练的预测模型，得到所述目标栅格在所述第一时段之后的预测时段内各个子时段的预测用户数目；其中，所述预测模型是根据预先采集的历史时段内各个子时段的样本栅格的栅格数据、外部指标数据训练的。
[0009]可选的，所述栅格内地理指标数据包括室内栅格占比和/或道路栅格占比；
[0010]所述移动用户通信数据包括以下一种或多种：用户总数、运动态用户数、静止态用户数、通信流量总和、服务小区切换次数、参考信号接收功率和/或信号与干扰加噪声比；
[0011]所述外部指标数据包括以下一种或多种：时间点因子、节假日因子、突发事件因子和区域发展因子。
[0012]可选的，所述预测模型包含预设数目个子模型，所述预设数目等同于所述第一时段内子时段数目，每个子模型对应一个子时段；每个子模型包含卷积神经网络CNN、循环神经网络RNN和支持向量回归模型SVR；各个子时段对应的子模型的RNN网络的输出和SVR模型的输出均连接下一子时段对应的子模型的RNN网络的输入，且最终子时段对应的子模型中SVR模型的输出层大小等同于所述预测时段内子时段数目。
[0013]可选的，所述将所述栅格数据和所述外部指标数据输入预先训练的预测模型，得
到所述目标栅格在所述第一时段之后的预测时段内各个子时段的预测用户数目，包括：
[0014]将各个子时段的栅格数据输入该子时段对应的子模型中的CNN网络，得到栅格特征数据，将所述栅格特征数据、该子时段的外部指标数据、上一子时段对应的子模型中RNN网络的输出以及上一子时段对应的子模型中SVR模型的输出拼接，并依次输入该子时段对应的子模型中的RNN网络、全连接层和SVR模型，直到得到最终子时段对应的子模型的SVR模型的输出层结果，其中，所述输出层的输出结果为所述预测时段内各个子时段的预测用户数目。
[0015]可选的，基于如下损失函数训练所述预测模型：
[0016][0017]其中，L(x,θ)表示损失函数，x表示输入的样本特征数据，包括栅格数据和外部指标数据，θ表示模型参数，C表示模型惩罚系数，表示真实用户数量，f(θ.x
i
)表示模型输出，δ表示松弛因子，i表示样本标号，n表示模型输入的样本总数，表示模型参数数目，θ
i
表示第i个模型参数。
[0018]可选的，所述预测模型还包括域分类器；所述方法还包括：
[0019]获取第一样本数据和第二样本数据，其中所述第一样本数据为已学习的栅格数据和外部指标数据，所述第二样本数据为未学习的栅格数据和外部指标数据；
[0020]分别将所述第一样本数据和所述第二样本数据输入所述预测模型，得到所述预测模型中域分类器的分类结果；
[0021]根据所述分类结果，以及预先设置的损失函数，确定分类损失值；
[0022]根据所述分类损失值，按照梯度上升方向调整所述预测模型中的参数，直到分类损失值大于预设阈值。
[0023]为实现上述目的，本专利技术实施例还提供了一种基于神经网络的移动通信用户时空分布预测装置，所述装置包括：
[0024]获取模块，用于获取在第一时段内各个子时段采集的目标栅格和该目标栅格的外围栅格的栅格数据、以及与所述目标栅格相关的外部指标数据，其中，所述栅格数据包括栅格内地理指标数据和移动用户通信数据；
[0025]预测模块，用于将所述栅格数据和所述外部指标数据输入预先训练的预测模型，得到所述目标栅格在所述第一时段之后的预测时段内各个子时段的预测用户数目；其中，所述预测模型是根据预先采集的历史时段内各个子时段的样本栅格的栅格数据、外部指标数据训练的。
[0026]可选的，所述栅格内地理指标数据包括室内栅格占比和/或道路栅格占比；
[0027]所述移动用户通信数据包括以下一种或多种：用户总数、运动态用户数、静止态用户数、通信流量总和、服务小区切换次数、参考信号接收功率和/或信号与干扰加噪声比；
[0028]所述外部指标数据包括以下一种或多种：时间点因子、节假日因子、突发事件因子和区域发展因子。
[0029]可选的，所述预测模型包含预设数目个子模型，所述预设数目等同于所述第一时
段内子时段数目，每个子模型对应一个子时段；每个子模型包含卷积神经网络CNN、循环神经网络RNN和支持向量回归模型SVR；各个子时段对应的子模型的RNN网络的输出和SVR模型的输出均连接下一子时段对应的子模型的RNN网络的输入，且最终子时段对应的子模型中SVR模型的输出层大小等同于所述预测时段内子时段数目。
[0030]可选的，所述预测装置，具体用于：将各个子时段的栅格数据输入该子时段对应的子模型中的CNN网络，得到栅格特征数据，将所述栅格特征数据、该子时段的外部指标数据、上一子时段对应的子模型中RNN网络的输出以及上一子时段对应的子模型中SVR模型的输出拼接，并依次输入该子时段对应的子模型中的RNN网络、全连接层和SVR模型，直到得到最终子时段对应的子模型的SVR模型的输出层结果，其中，所述输出层的输出结果为所述预测时段内各个子时段的预测用户数目。
[0031]可选的，所述装置还包括第一训练模块，所述第一训练模块用于：
[0032]基于如下损失函数训练所述预测模型：
[0033][0034]其中，L(x,θ)表示损失函数，x表示输入的样本特征数据，包括栅格数据和外部指标数据，θ表示模型参数，C表示模型惩罚系数，表示真实用户数量，f(θ.x
i
)表示模型输出，δ表示松弛因子，i表示样本标号，n表示模型输入的样本总本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的移动通信用户时空分布预测方法，其特征在于，所述方法包括：获取在第一时段内各个子时段采集的目标栅格和该目标栅格的外围栅格的栅格数据、以及与所述目标栅格相关的外部指标数据，其中，所述栅格数据包括栅格内地理指标数据和移动用户通信数据；将所述栅格数据和所述外部指标数据输入预先训练的预测模型，得到所述目标栅格在所述第一时段之后的预测时段内各个子时段的预测用户数目；其中，所述预测模型是根据预先采集的历史时段内各个子时段的样本栅格的栅格数据、外部指标数据训练的。2.根据权利要求1所述的方法，其特征在于，所述栅格内地理指标数据包括室内栅格占比和/或道路栅格占比；所述移动用户通信数据包括以下一种或多种：用户总数、运动态用户数、静止态用户数、通信流量总和、服务小区切换次数、参考信号接收功率和/或信号与干扰加噪声比；所述外部指标数据包括以下一种或多种：时间点因子、节假日因子、突发事件因子和区域发展因子。3.根据权利要求1所述的方法，其特征在于，所述预测模型包含预设数目个子模型，所述预设数目等同于所述第一时段内子时段数目，每个子模型对应一个子时段；每个子模型包含卷积神经网络CNN、循环神经网络RNN和支持向量回归模型SVR；各个子时段对应的子模型的RNN网络的输出和SVR模型的输出均连接下一子时段对应的子模型的RNN网络的输入，且最终子时段对应的子模型中SVR模型的输出层大小等同于所述预测时段内子时段数目。4.根据权利要求3所述的方法，其特征在于，所述将所述栅格数据和所述外部指标数据输入预先训练的预测模型，得到所述目标栅格在所述第一时段之后的预测时段内各个子时段的预测用户数目，包括：将各个子时段的栅格数据输入该子时段对应的子模型中的CNN网络，得到栅格特征数据，将所述栅格特征数据、该子时段的外部指标数据、上一子时段对应的子模型中RNN网络的输出以及上一子时段对应的子模型中SVR模型的输出拼接，并依次输入该子时段对应的子模型中的RNN网络、全连接层和SVR模型，直到得到最终子时段对应的子模型的SVR模型的输出层结果，其中，所述输出层的输出结果为所述预测时段内各个子时段的预测用户数目。5.根据权利要求3所述的方法，其特征在于，基于如下损失函数训练所述预测模型：其中，L(x,θ)表示损失函数，x表示输入的样本特征数据，包括栅格数据和外部指标数据，θ表示模型参数，C表示...

【专利技术属性】
技术研发人员：张建明，唐秋香，秦炎，
申请(专利权)人：上海大唐移动通信设备有限公司，
类型：发明
国别省市：