一种时序指标预测方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术涉及通信领域，公开了一种时序指标预测方法、装置、电子设备、计算机可读存储介质，方法包括：获取结构因果模型；所述结构因果模型用于指示各时序指标各自的影响因素及各自影响因素的影响程度；根据待预测的时序指标，从所述结构因果模型中获取所述待预测的时序指标的影响因素；其中，所述待预测的时序指标根据对网络的干预动作确定；根据获取的所述待预测的时序指标的影响因素，进行时序指标的预测。解决了现有技术中基于深度学习的方法，用数据进行拟合的过程中，数据不够完整、详细等情况下指标后续趋势预测不够准确的问题，极大地减少了指标后续变化的预测对足够多且详细的数据过度依赖的情形。细的数据过度依赖的情形。细的数据过度依赖的情形。

【技术实现步骤摘要】
一种时序指标预测方法、装置、电子设备及存储介质


[0001]本专利技术涉及通信领域，尤其涉及通信领域中时序指标的预测。

技术介绍

[0002]在对时序指标后续变化进行预测时，由于其波动性不太规律，普通的预测，一般是结合多模型针对网元做预测，本质还是深度学习方式，并不能准确把握干预动作、指标关系，大部分的实现是一个用数据进行拟合的过程，在拟合过程中，需要有足够多且详细的数据，才能有较好的预测效果，在样本数据缺失、有误或者样本数据分布与预测数据分布不同等情况下则会导致预测效果不佳。而且，传统方式不太支持在干预情况下的预测，必须等到具体加站、退频后，通过数据拟合才得出指标后续趋势。

技术实现思路

[0003]本申请的实施例目的在于解决上述问题，提供一种时序指标预测方法、装置、电子设备、存储介质，解决了现有的时序指标后续趋势预测不够准确的问题，在具体加站、退频等干预动作执行之前，即可实现时序指标的预测。
[0004]为解决上述技术问题，本申请的实施例提供了时序指标预测方法，包括：获取结构因果模型；所述结构因果模型用于指示各时序指标各自的影响因素及各自影响因素的影响程度；根据待预测的时序指标，从所述结构因果模型中获取所述待预测的时序指标的影响因素；其中，所述待预测的时序指标根据对网络的干预动作确定；根据获取的所述待预测的时序指标的影响因素，进行时序指标的预测。
[0005]为解决上述技术问题，本申请的实施例还提供了一种时序指标预测装置，包括：获取模块，用于获取结构因果模型；所述结构因果模型用于指示各时序指标各自的影响因素及各自影响因素的影响程度；预测模块，用于根据待预测的时序指标，从所述结构因果模型中获取所述待预测的时序指标的影响因素，并根据获取的所述待预测的时序指标的影响因素，进行时序指标的预测，其中，所述待预测的时序指标根据对网络的干预动作确定。
[0006]为解决上述技术问题，本申请的实施例提供了一种电子设备，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，所述存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述时序指标预测方法。
[0007]为解决上述技术问题，本申请的实施例提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现上述的时序指标预测方法。
[0008]相较于使用大量且详细的数据进行拟合来对时序指标进行预测的方案，本申请实施例提出的时序指标预测方法通过应用结构因果模型获取会对待预测的时序指标造成影响的影响因素，保证了用于预测的影响因素的准确度，以从结构因果模型中获取的待预测的时序指标的影响因素，进行时序指标的预测，解决了在数据不够详细或者不够多的情况下导致对时序指标的预测不准确的问题，即在数据不够详细的情况下也可以实现较好的预
测效果，在具体加站、退频等干预动作执行之前，即可实现时序指标的预测。
附图说明
[0009]图1是本申请一实施例提供的时序指标预测方法的流程图；
[0010]图2是本申请一实施例提供的生成结构因果模型的流程图；
[0011]图3是本申请一实施例提供的初始化的结构因果模型的关系图；
[0012]图4是本申请一实施例提供的实现时序指标的预测的装置；
[0013]图5是本申请一实施例提供的电子设备结构示意图。
具体实施方式
[0014]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请的各实施例进行详细的阐述。然而，本领域的普通技术人员可以理解，在本专利技术各实施例中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。
[0015]本申请的实施例涉及一种时序指标预测方法，方法包括：获取结构因果模型；结构因果模型用于指示各时序指标各自的影响因素及各自影响因素的影响程度；根据待预测的时序指标，从结构因果模型中获取待预测的时序指标的影响因素；其中，待预测的时序指标根据对网络的干预动作确定；根据获取的待预测的时序指标的影响因素，进行时序指标的预测。
[0016]此过程通过应用结构因果模型获取会对待预测的时序指标造成影响的影响因素，保证了用于预测的影响因素的准确度，以从结构因果模型中获取的待预测的时序指标的影响因素，进行时序指标的预测，解决了在数据不够详细的情况下预测效果不好，现有的不支持基于干预条件，对无线网络容量的预测的问题。
[0017]下面对本实施例中的时序指标预测方法的实现细节进行具体的说明，以下内容仅为本方案的实现细节，并非实现本方案的必须，具体流程如图1所示，可包括如下步骤：
[0018]步骤101：获取结构因果模型SCM。
[0019]具体地说，上述结构因果模型(Structural Causal Model,SCM)用于指示各时序指标各自的影响因素及各自影响因素的影响程度，通过修正初始化的SCM并且通过反事实方法进行验证后得到。
[0020]其中,初始化的SCM由专家经验得到，尽管可能会遗漏中介变量或其他影响因素，但不会有非因果的相关关系的存在，也不会为后续的修正SCM带来过多的计算量。
[0021]通过对初始化的SCM进行修正，抛弃冗余数据，找出未发现的相关关系及其影响因素，搜索历史数据中的新建站、退服站、关闭数据业务等干预动作，来定量分析干预效果，从而修正初始化的SCM，使之成为更贴合实际情况的SCM。
[0022]修正完毕初始化的SCM后，用反事实验证法对与各时序指标有因果关系的影响因素及各自影响因素的影响程度进行验证，验证完成后得到SCM。
[0023]在一个例子中，对无线网络容量进行预测时，网元分组即上述的变量，基于网元分组，先判断指标相关性高的网元数量，占比全部网元的比例是多少，来判断指标相关关系是否是普遍现象，若是，则相关关系准确，符合实际情况，若否，则说明该相关关系不准确，不
符合或不完全符合实际。值得注意的是，本申请实施例只是提供了其中一种判断相关关系是否准确的一种方法，在具体实现中还可以采用其他的方法，本申请实施例对判断相关关系是否准确的方法不作限定。
[0024]步骤102：从SCM中获取待预测的时序指标的影响因素。
[0025]具体地说，由于干预动作会导致某些指标有确定性变化，如时序指标函数方差变小等，本步骤中的待预测的时序指标根据对网络的干预动作确定。
[0026]根据待预测的时序指标，从SCM中获取待预测时序指标的影响因素，其中，待预测的时序指标与待预测的时序指标的影响因素之间存在因果关系。其中，获取上述影响因素是为了后续对待预测的时序指标进行预测。
[0027]在一个例子中，对时序指标的影响可以分为正面影响和负面影响，正面影响如4G扩容、5G新建站等，负面影响如小区退服等。获取待预测的时序指标的影响因素后，将其分为正面影响和负面影响，然后分析干预动作更本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种时序指标预测方法，其特征在于，包括：获取结构因果模型；所述结构因果模型用于指示各时序指标各自的影响因素及各自影响因素的影响程度；根据待预测的时序指标，从所述结构因果模型中获取所述待预测的时序指标的影响因素；其中，所述待预测的时序指标根据对网络的干预动作确定；根据获取的所述待预测的时序指标的影响因素，进行时序指标的预测。2.根据权利要求1所述的时序指标预测方法，其特征在于，所述获取结构因果模型，包括：采集数据；获取初始化的结构因果模型，所述初始化的结构因果模型包括与各时序指标有相关关系的因素；根据所述采集的数据对初始化的结构因果模型进行修正，得到所述结构因果模型；其中，所述修正包括根据历史数据中的干预动作对时序指标的影响，获取与所述各时序指标有因果关系的影响因素，并采用反事实验证法对与所述各时序指标有因果关系的影响因素进行验证。3.根据权利要求2所述的时序指标预测方法，其特征在于，所述初始化的结构因果模型根据专家经验或数据关系生成。4.根据权利要求2所述的时序指标预测方法，其特征在于，所述采集的数据包括以下类型之一或其任意组合：网元工程参数数据、网元指标数据、感知数据、B域数据。5.根据权利要求1至4中任一项所述的时序指标预测方法，其特征在于，所述根据获取的所述待预测的时序指标的影响因素，进行时序指标的预测，包括：将所述获取的所述待预测的时序指标的影响因素，输入与所述干预动作对应的预测模型，得到所述预测模型输出的所...

【专利技术属性】
技术研发人员：谭耀斌，
申请(专利权)人：中兴通讯股份有限公司，
类型：发明
国别省市：