一种应用于无线网络建设的时间序列预测方法及系统技术方案

本发明专利技术公开了一种应用于无线网络建设的时间序列预测方法及系统，属于无线网络优化技术领域，基于神经网络的时间预测工具NeuralProphet对网元性能数据进行建模和预测，该方法的实现包括数据预处理、模型训练和预测目标数据；获取网元性能历史数据，针对模型训练的需要进行相应的数据预处理；然后依次对历史数据中的性能指标进行建模预测，包括空口上行业务流量、空口下行业务流量和下行prb平均利用率，使用NeuralProphet作为时间序列预测模型。本发明专利技术可有助于运营商对无线网络建设中前期硬件投资及软件容量规划和相应风险的规避。的规避。的规避。

【技术实现步骤摘要】
一种应用于无线网络建设的时间序列预测方法及系统


[0001]本专利技术涉及无线网络优化
，具体地说是一种应用于无线网络建设的时间序列预测方法及系统。

技术介绍

[0002]随着全球网络智能化的加速推进，国内外主要运营商纷纷加大对网络规划、建设、维护、优化等全流程智能化布局力度。其中，智能化无线网络建设规划是最具价值的发展方向，有助于运营商精确预测网络服务需求和匹配软硬件资源建设投资，提升网络基础设施利用效率，降低网络建设和运维成本，加速全社会数字信息基础设施普及。然而，由于网络规划和建设处于整个流程环节前期，实际数据相对较少、场景预测的影响因素较多，当前人工智能技术在网络规划及建设环节应用尚未成熟，有待业界进一步拓展建模思路、加强算法创新探索，在网元负荷时空规律性挖掘、异变特性兼顾等方面实现突破。
[0003]在目前众多的时间序列预测方法中，针对一个特殊场景及具体数据很难找到一个完全适用的通用模型应用并得到理想的反馈，来自不同预测问题的背景知识及预测数据的问题等都会使得时间序列预测问题变得复杂。传统得时间序列预测方法，如ARIMA(auto regressive integrated moving average)模型，虽然这些传统方法已经应用于很多场景中了，但它们通常有一些缺陷，如适用的时序数据过于局限，模型缺乏灵活性和指导作用较弱等，很难在模型的准确率以及与使用者之间的互动上达到理想的融合。

技术实现思路

[0004]本专利技术的技术任务是针对以上不足之处，提供一种应用于无线网络建设的时间序列预测方法及系统，可有助于运营商对无线网络建设中前期硬件投资及软件容量规划和相应风险的规避。
[0005]本专利技术解决其技术问题所采用的技术方案是：
[0006]一种应用于无线网络建设的时间序列预测方法，基于神经网络的时间预测工具NeuralProphet对网元性能数据进行建模和预测，该方法的实现包括数据预处理、模型训练和预测目标数据；
[0007]获取网元性能历史数据，针对模型训练的需要进行相应的数据预处理；
[0008]然后依次对历史数据中的性能指标进行建模预测，包括空口上行业务流量、空口下行业务流量和下行prb平均利用率，使用NeuralProphet作为时间序列预测模型；
[0009]将历史数据集划分为训练集和测试集，通过对测试集的实际数据值与预测结果的比对，反映预测准确性并优化模型，进而使用全部历史数据进行模型训练并预测未来数据结果。
[0010]本方法利用时序工具包的准确性和可拓展性，根据现网网元负荷历史数据进行时序建模和对未来数据的预测，本方法应用于网元负荷的性能历史数据进行时间序列建模，实现对未来数据的预测，通过使用NeuralProphet时间预测工具进行建模和预测，有助于运
营商对无线网络建设中前期硬件投资及软件容量规划和相应风险规避。
[0011]优选的，所述获取网元性能历史数据，以给定时段的现网网元性能数据作为建模数据，并对后续时段内的具体指标数据进行预测，通过计算时序预测模型的预测结果的平均绝对误差MAE判断预测准确性。
[0012]优选的，所述给定时段的现网网元性能数为19天*24小时历史数据，对后续48小时的具体指标数据进行预测。
[0013]优选的，所述数据预处理包括数据聚合、类型的转换和缺失值的处理。
[0014]优选的，建模的过程中，考虑到趋势、季节性等因素，对模型的参数进行调整和尝试，所述NeuralProphet使用傅立叶项处理季节性，根据数据频率和长度自动激活每日、每周或每年的季节性。
[0015]优选的，所述预测结果的准确性由平均绝对误差MAE反映，其中，MAE越小则模型表现越优。
[0016]进一步的，由于不同指标间的量级具有不等的差距和重要性，对具体指标的预测结果进行数据变换，并根据在实际业务中的需求赋予不同的结果权重。如由于“下行PRB平均利用率”在实际业务中更为重要，赋予更高结果权重。
[0017]本专利技术还要求保护一种应用于无线网络建设的时间序列预测系统，包括数据预处理模块、NeuralProphet建模调参模块和预测目标数据模块；
[0018]获取网元性能历史数据并通过数据预处理模块针对模型训练的需要进行相应的数据预处理；
[0019]NeuralProphet建模调参模块依次对历史数据中的性能指标进行建模预测，包括空口上行业务流量、空口下行业务流量和下行prb平均利用率；
[0020]使用全部历史数据进行模型训练并通过预测目标数据模块预测未来数据结果；
[0021]该系统实现上述的应用于无线网络建设的时间序列预测方法。
[0022]本专利技术还要求保护一种应用于无线网络建设的时间序列预测装置，包括：至少一个存储器和至少一个处理器；
[0023]所述至少一个存储器，用于存储机器可读程序；
[0024]所述至少一个处理器，用于调用所述机器可读程序，执行上述的应用于无线网络建设的时间序列预测方法。
[0025]本专利技术还要求保护计算机可读介质，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行上述的应用于无线网络建设的时间序列预测方法。
[0026]本专利技术的一种应用于无线网络建设的时间序列预测方法及系统与现有技术相比，具有以下有益效果：
[0027]本方法应用基于神经网络的时间预测工具NeuralProphet进行对网元性能数据的建模和预测，得到符合预期的时间序列发展趋势和预测准确度，在网元负荷时空规律性挖掘等方面进行突破，从而帮助解决实际中的预测网络服务需求和匹配软硬件资源建设投资。
[0028]本方法面向无线网络规划及优化环节，基于网元时间序列数据进行建模，实现对
网元负荷的精准预测，为运营商在前期硬件投资及软件容量规划提供参考和进行辅助判断，降低网络建设和运维成本，并可规避因资源不足产生的相应风险。
附图说明
[0029]图1是本专利技术实施例提供的一种应用于无线网络建设的时间序列预测方法实现流程示图；
[0030]图2是本专利技术实施例提供的数据预处理示例图；
[0031]图3是本专利技术实施例提供的NeuralProphet模型比对示图；
[0032]图4是本专利技术实施例提供的应用实例预测展示图。
具体实施方式
[0033]下面结合附图和具体实施例对本专利技术作进一步说明。
[0034]本专利技术实施例提供一种应用于无线网络建设的时间序列预测方法，基于神经网络的时间预测工具NeuralProphet对网元性能数据进行建模和预测，有助于运营商对无线网络建设中前期硬件投资及软件容量规划和相应风险规避。
[0035]针对
技术介绍
中提出的传统的时间序列预测方法适用的时序数据过于局限、模型缺乏灵活性和指导作用较弱、很难在模型的准确率以及与使用者之间的互动上达到理想的融合的问题，由facebook开源的Pro本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种应用于无线网络建设的时间序列预测方法，其特征在于，基于神经网络的时间预测工具NeuralProphet对网元性能数据进行建模和预测，该方法的实现包括数据预处理、模型训练和预测目标数据；获取网元性能历史数据，针对模型训练的需要进行相应的数据预处理；然后依次对历史数据中的性能指标进行建模预测，包括空口上行业务流量、空口下行业务流量和下行prb平均利用率，使用NeuralProphet作为时间序列预测模型；将历史数据集划分为训练集和测试集，通过对测试集的实际数据值与预测结果的比对，反映预测准确性并优化模型，进而使用全部历史数据进行模型训练并预测未来数据结果。2.根据权利要求1所述的一种应用于无线网络建设的时间序列预测方法，其特征在于，所述获取网元性能历史数据，以给定时段的现网网元性能数据作为建模数据，并对后续时段内的具体指标数据进行预测，通过计算时序预测模型的预测结果的平均绝对误差MAE判断预测准确性。3.根据权利要求2所述的一种应用于无线网络建设的时间序列预测方法，其特征在于，所述给定时段的现网网元性能数为19天*24小时历史数据，对后续48小时的具体指标数据进行预测。4.根据权利要求1或2所述的一种应用于无线网络建设的时间序列预测方法，其特征在于，所述数据预处理包括数据聚合、类型的转换和缺失值的处理。5.根据权利要求1或2或3所述的一种应用于无线网络建设的时间序列预测方法，其特征在于，所述NeuralProphet使用傅立叶项处理季节性...

【专利技术属性】
技术研发人员：王炳亮，李海昕，张文龙，王志宇，
申请(专利权)人：浪潮通信信息系统有限公司，
类型：发明
国别省市：