业务量预测方法及装置制造方法及图纸

本发明专利技术提供了一种业务量预测方法及装置，属于核心网技术领域。业务量预测方法，包括：获取源数据，所述源数据选自采集的独立组网网元的性能数据；对所述源数据进行一阶滞后滤波，将滤波之后的数据作为数据源输入S

【技术实现步骤摘要】
业务量预测方法及装置


[0001]本专利技术涉及核心网
，特别是指一种业务量预测方法及装置。

技术介绍

[0002]当前，我国5G(第五代移动通信技术)产业商用化进程正在加速推进，来自各行各业不同领域的移动智能通信设备数量将呈现爆炸式增长。为了满足激增的数据流量以及数据密集型服务需求，5G网络建设部署即将迎来大规模发展期。而5G网络的建设部署则需依赖于国内运营商拟定的5G网络业务模型。通过建立行之有效的业务模型，统计并预测业务量的现状和未来发展方向，进而为后期网络建设提供更好的容量规划以及延展性。而业务模型的制定需要依赖于5G SA(独立组网)各网元侧各项性能指标容量的统计结果。故而，随着5G网络建设部署节奏的加快，关于5G网络业务量预测方法的研究也成为了当下重中之重的研究课题。
[0003]现有的5G网络业务，属于单一业务模型，主要基于国内运营商经验并结合实验室数据来确定业务模型的关键参数，其中参数包括：附着激活比、寻呼次数、AUSF(认证服务器功能)鉴权次数等。通过上述方法得到的理论业务模型是静态不可变的。除此之外，业务模型的制定则需依赖于5G SA各网元侧业务量的统计结果。由于缺乏符合各地市网络特征的业务分析与预测手段，理论业务模型与实际网络存在偏离，从而导致5G网络容量规划与实际业务发展不匹配，规划设备不能满足亦或远大于用户实际业务需求，以造成网络负载过大亦或资源利用率过低的情况。

技术实现思路

[0004]本专利技术要解决的技术问题是提供一种业务量预测方法及装置，能够精确预测业务量，为后期的现网建设提供较好的容量规划建议，以减少规划设备与实际用户需求偏离过大等问题的发生。
[0005]为解决上述技术问题，本专利技术的实施例提供技术方案如下：
[0006]一方面，提供一种业务量预测方法，包括：
[0007]获取源数据，所述源数据选自采集的独立组网网元的性能数据；
[0008]对所述源数据进行一阶滞后滤波，将滤波之后的数据作为数据源输入S
‑
ARIMA模型中，得到第一业务量预测结果；
[0009]将所述源数据输入LSTM神经网络模型中，得到第二业务量预测结果；
[0010]根据所述第一业务量预测结果和所述第二业务量预测结果确定最终的业务量预测结果。
[0011]一些实施例中，对所述源数据进行一阶滞后滤波包括：
[0012]对所述源数据进行一阶滞后滤波，得到滤波结果Y(n)＝αX(n)+(1
‑
α)Y(n
‑
1)，其中，α为滤波系数，α取值在0～1之间，X(n)为本次采样值，对应第一时间点的预设指标的取值，Y(n
‑
1)为上次滤波输出值，为前一天第一时间点所述预设指标的取值，Y(n)为本次滤波
输出值。
[0013]一些实施例中，将所述源数据输入LSTM神经网络模型中之前，所述方法还包括：
[0014]对所述源数据进行归一化，将归一化后的源数据划分为训练数据和测试数据，所述训练数据在整个时间序列数据中的占比为80％，所述测试数据在整个时间序列数据中的占比为20％。
[0015]一些实施例中，所述LSTM神经网络模型的激活函数使用elu函数；和/或
[0016]所述LSTM神经网络模型采用均方误差的计算方式；和/或
[0017]所述LSTM神经网络模型的权重参数使用RMSprop算法进行迭代更新；和/或
[0018]所述LSTM神经网络模型使用Keras中的Sequential模型。
[0019]一些实施例中，根据所述第一业务量预测结果和所述第二业务量预测结果确定最终的业务量预测结果包括：
[0020]计算所述第一业务量预测结果的第一平均绝对百分比误差MAPE，计算所述第二业务量预测结果的第二MAPE；
[0021]计算所述第一业务量预测结果的第一决定系数，计算所述第二业务量预测结果的第二决定系数；
[0022]根据所述第一MAPE、第二MAPE、第一决定系数和第二决定系数选取预测模型，所述预测模型选自LSTM神经网络模型和S
‑
ARIMA模型，并利用所述预测模型进行预测，得到所述最终的业务量预测结果；
[0023]其中，所述预测模型的业务量预测结果满足MAPE小于0.1,决定系数大于0.8；
[0024]所述MAPE为数据集合内[(真实值
‑
预测值)/真实值]取绝对值后的均值，所述决定系数为1与A的差值，A为n个预测值与真实值的差值的平方之和，除以n个真实值与真实值均值的差值的平方之和。
[0025]一些实施例中，获取源数据包括：
[0026]按照预设周期从独立组网网元中以预设粒度采集性能数据，所述性能数据包括以下至少一项：时间戳，所属虚拟池信息，所属网元信息，网络规划类数据、网络统计类数据、信令统计类数据、典型网元连续资源利用指标；
[0027]丢弃所采集数据中的异常数据，所述异常数据包括网元上报缺失数据、网元上报异常数据以及资源池所属网元属于备用池的数据；
[0028]利用剩余的数据生成不同省份维度、不同资源池维度、不同时间粒度维度的源数据。
[0029]本专利技术实施例还提供了一种业务量预测装置，包括：
[0030]获取模块，用于获取源数据，所述源数据选自采集的独立组网网元的性能数据；
[0031]第一预测模块，用于对所述源数据进行一阶滞后滤波，将滤波之后的数据作为数据源输入S
‑
ARIMA模型中，得到第一业务量预测结果；
[0032]第二预测模块，用于将所述源数据输入LSTM神经网络模型中，得到第二业务量预测结果；
[0033]处理模块，用于根据所述第一业务量预测结果和所述第二业务量预测结果确定最终的业务量预测结果。
[0034]一些实施例中，所述第一预测模块具体用于对所述源数据进行一阶滞后滤波，得
到滤波结果Y(n)＝αX(n)+(1
‑
α)Y(n
‑
1)，其中，α为滤波系数，α取值在0～1之间，X(n)为本次采样值，对应第一时间点的预设指标的取值，Y(n
‑
1)为上次滤波输出值，为前一天第一时间点所述预设指标的取值，Y(n)为本次滤波输出值。
[0035]一些实施例中，所述装置还包括：
[0036]归一化模块，用于对所述源数据进行归一化，将归一化后的源数据划分为训练数据和测试数据，所述训练数据在整个时间序列数据中的占比为80％，所述测试数据在整个时间序列数据中的占比为20％。
[0037]一些实施例中，所述LSTM神经网络模型的激活函数使用elu函数；和/或
[0038]所述LSTM神经网络模型采用均方误差的计算方式；和/或
[0039]所述LSTM神经网络模型的权重参数使用RMSprop算法进行迭代更新；和/或
[0040]所述LSTM神经网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种业务量预测方法，其特征在于，包括：获取源数据，所述源数据选自采集的独立组网网元的性能数据；对所述源数据进行一阶滞后滤波，将滤波之后的数据作为数据源输入S
‑
ARIMA模型中，得到第一业务量预测结果；将所述源数据输入LSTM神经网络模型中，得到第二业务量预测结果；根据所述第一业务量预测结果和所述第二业务量预测结果确定最终的业务量预测结果。2.根据权利要求1所述的业务量预测方法，其特征在于，对所述源数据进行一阶滞后滤波包括：对所述源数据进行一阶滞后滤波，得到滤波结果Y(n)＝αX(n)+(1
‑
α)Y(n
‑
1)，其中，α为滤波系数，α取值在0～1之间，X(n)为本次采样值，对应第一时间点的预设指标的取值，Y(n
‑
1)为上次滤波输出值，为前一天第一时间点所述预设指标的取值，Y(n)为本次滤波输出值。3.根据权利要求1所述的业务量预测方法，其特征在于，将所述源数据输入LSTM神经网络模型中之前，所述方法还包括：对所述源数据进行归一化，将归一化后的源数据划分为训练数据和测试数据，所述训练数据在整个时间序列数据中的占比为80％，所述测试数据在整个时间序列数据中的占比为20％。4.根据权利要求1所述的业务量预测方法，其特征在于，所述LSTM神经网络模型的激活函数使用elu函数；和/或所述LSTM神经网络模型采用均方误差的计算方式；和/或所述LSTM神经网络模型的权重参数使用RMSprop算法进行迭代更新；和/或所述LSTM神经网络模型使用Keras中的Sequential模型。5.根据权利要求1所述的业务量预测方法，其特征在于，根据所述第一业务量预测结果和所述第二业务量预测结果确定最终的业务量预测结果包括：计算所述第一业务量预测结果的第一平均绝对百分比误差MAPE，计算所述第二业务量预测结果的第二MAPE；计算所述第一业务量预测结果的第一决定系数，计算所述第二业务量预测结果的第二决定系数；根据所述第一MAPE、第二MAPE、第一决...

【专利技术属性】
技术研发人员：冯楠，刘贺林，周泉，钟大平，
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：