【技术实现步骤摘要】
一种流量预测方法、装置及设备
[0001]本专利技术涉及信息处理
,尤其涉及一种流量预测方法、装置及设备。
技术介绍
[0002]小区流量预测对精准网络优化、小区节能等都有重要的作用。如某些小区网络流量相对较少时,对这些小区进行动态的休眠或关闭,当预测流量要激增时做好负载均衡配置、动态调度载波或者动态调度通信车等。因此,为了实现更为精准网络优化、小区节能,对未来时刻流量的预测尤为重要。
[0003]目前,除了小区上报当前流量外,对小区的网络流量预测模型可以分为线性预测模型和非线性预测模型两种。线性模型主要包括自回归模型、马尔可夫模型等。由于线性模型的预测只关心短相关的特征,忽略长相关的特征,因此早期单一的线性流量预测已经不适用了。而非线性预测模型则包括神经网络、支持向量机等智能算法模型,在实际应用中能够更加切合小区流量的非线性流量值的波动。
[0004]虽然非线性的智能算法对小区流量的预测效果好于线性模型,但是由于小区流量复杂的时空性和突变型,非线性的智能算法的预测精度也并不理想。
[0005]由上,现有技术中针对小区流量的预测方案存在精度低等问题。
技术实现思路
[0006]本专利技术的目的在于提供一种流量预测方法、装置及设备,以解决现有技术中针对小区流量的预测方案精度低的问题。
[0007]为了解决上述技术问题,本专利技术实施例提供一种流量预测方法,包括:
[0008]根据至少两个待预测小区对应的第一网管数据,获取第一小区图结构和M时刻的流量特征数据; ...
【技术保护点】
【技术特征摘要】
1.一种流量预测方法,其特征在于,包括:根据至少两个待预测小区对应的第一网管数据,获取第一小区图结构和M时刻的流量特征数据;根据所述第一小区图结构和M时刻的流量特征数据,获取各个所述待预测小区分别对应的N时刻的流量预测值;其中,所述N时刻为所述M时刻之后的时刻。2.根据权利要求1所述的流量预测方法,其特征在于,所述M时刻包括至少两个不同的时刻,和/或,所述N时刻包括至少两个不同的时刻。3.根据权利要求1所述的流量预测方法,其特征在于,所述第一小区图结构包括:各个所述待预测小区的标识信息、各个所述待预测小区之间的连接关系,以及所述至少两个待预测小区所对应的邻接矩阵;和/或,所述M时刻的流量特征数据包括:各个所述待预测小区所对应的用户数和业务流量中的至少一项。4.根据权利要求3所述的流量预测方法,其特征在于,所述第一网管数据包括:所述至少两个待预测小区的工程参数数据;所述根据至少两个待预测小区对应的第一网管数据,获取第一小区图结构,包括:根据所述至少两个待预测小区的工程参数数据,确定所述连接关系以及邻接矩阵;其中,所述工程参数数据包括:经纬度信息、小区间切换次数信息以及小区覆盖重叠信息中的至少一项。5.根据权利要求1至4任一项所述的流量预测方法,其特征在于,所述根据所述第一小区图结构和M时刻的流量特征数据,获取各个所述待预测小区分别对应的N时刻的流量预测值,包括:根据所述第一小区图结构和M时刻的流量特征数据,获取所述第一小区特征图数据对应的第一小区隐藏特征数据;根据所述第一小区隐藏特征数据,获取各个所述待预测小区分别对应的N时刻的流量预测值。6.根据权利要求5所述的流量预测方法,其特征在于,所述根据所述第一小区图结构和M时刻的流量特征数据,获取所述第一小区特征图数据对应的第一小区隐藏特征数据,包括:利用图注意神经网络GAT模型,根据所述第一小区图结构和M时刻的流量特征数据,获取所述第一小区图结构对应的第一小区隐藏特征数据;和/或,所述根据所述第一小区隐藏特征数据,获取各个所述待预测小区分别对应的N时刻的流量预测值,包括:利用编码器
‑
解码器模型,根据所述第一小区隐藏特征数据,获取各个所述待预测小区分别对应的N时刻的流量预测值。7.根据权利要求6所述的流量预测方法,其特征在于,在利用图注意神经网络GAT模型,根据所述第一小区图结构和M时刻的流量特征数据,获取所述第一小区图结构对应的第一小区隐藏特征数据之前,还包括:根据至少两个训练小区对应的第二网管数据,获取第二小区图结构和A时刻的流量特
征数据;根据所述第二小区图结构和A时刻的流量特征数据,训练所述GAT模型和编码器
‑
...
【专利技术属性】
技术研发人员:吕喆,范淼,张苗苗,梁燕萍,余立,冯俊兰,
申请(专利权)人:中国移动通信集团有限公司,
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。