[發明專利]小區網絡流量預測方法及裝置

在審

• 申請號: 201810965253.0
• 申請日: 2018-08-23
• 公開（公告）號: CN110858805A
• 公開（公告）日: 2020-03-03
• 發明（設計）人: 陳蓓蓓;張濤;單俊明;柳兆裕;楊麗;郭莉;王凱;董文哲
• 申請（專利權）人: 中國移動通信集團山東有限公司;中國移動通信集團有限公司
• 主分類號: H04L12/24
• 分類號: H04L12/24
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 王瑩;李相雨

1.一種小區網絡流量預測方法，其特征在于，包括：

獲取待預測小區歷史一段時間內的流量數據，根據所述流量數據生成流量時間序列，其中，所述流量時間序列包括按時間順序從前到后排列的多個流量值，所述多個流量值中的每一個流量值均對應一個時間點，所述多個流量值中的第一個流量值為所述待預測小區在第一時間段內的流量數據的總量，所述第一時間段為該第一個流量值對應的時間點與初始時間點之間的時間段，所述初始時間點在所述第一時間點之前，所述第一時間段的時長為第一時長，對于所述多個流量值中除所述第一個流量值外的每一個流量值，該流量值為所述待預測小區在該流量值對應的時間點，與所述多個流量值對應的時間點中該時間點的前一個時間點之間的時間段內流量數據的總量，所述多個流量值對應的時間點中每兩個相鄰的時間點之間的時長為所述第一時長；

將所述流量時間序列輸入預先訓練好的小波神經網絡模型，得到所述待預測小區的流量預測結果，其中，所述小波神經網絡模型的初始網絡連接權重，以及小波基函數的初始伸縮因子和初始平移因子使用人工蜂群算法確定。

2.根據權利要求1所述的方法，其特征在于，所述將所述流量時間序列輸入預先訓練好的小波神經網絡模型，包括：

對所述流量時間序列進行歸一化處理；

將歸一化處理后的所述流量時間序列輸入所述小波神經網絡模型。

3.根據權利要求2所述的方法，其特征在于，所述人工蜂群算法使用的適應度函數為在所述初始網絡連接權重、初始伸縮因子和初始平移因子分別屬于對應的取值范圍的條件下，最小化所述小波神經網絡模型的預測誤差。

4.根據權利要求1所述的方法，其特征在于，所述小波基函數使用Morlet母小波基函數。

5.一種小區網絡流量預測裝置，其特征在于，包括：

生成單元，用于獲取待預測小區歷史一段時間內的流量數據，根據所述流量數據生成流量時間序列，其中，所述流量時間序列包括按時間順序從前到后排列的多個流量值，所述多個流量值中的每一個流量值均對應一個時間點，所述多個流量值中的第一個流量值為所述待預測小區在第一時間段內的流量數據的總量，所述第一時間段為該第一個流量值對應的時間點與初始時間點之間的時間段，所述初始時間點在所述第一時間點之前，所述第一時間段的時長為第一時長，對于所述多個流量值中除所述第一個流量值外的每一個流量值，該流量值為所述待預測小區在該流量值對應的時間點，與所述多個流量值對應的時間點中該時間點的前一個時間點之間的時間段內流量數據的總量，所述多個流量值對應的時間點中每兩個相鄰的時間點之間的時長為所述第一時長；

預測單元，用于將所述流量時間序列輸入預先訓練好的小波神經網絡模型，得到所述待預測小區的流量預測結果，其中，所述小波神經網絡模型的初始網絡連接權重，以及小波基函數的初始伸縮因子和初始平移因子使用人工蜂群算法確定。

6.根據權利要求5所述的裝置，其特征在于，所述預測單元，具體用于：

對所述流量時間序列進行歸一化處理；

將歸一化處理后的所述流量時間序列輸入所述小波神經網絡模型。

7.根據權利要求6所述的裝置，其特征在于，所述人工蜂群算法使用的適應度函數為在所述初始網絡連接權重、初始伸縮因子和初始平移因子分別屬于對應的取值范圍的條件下，最小化所述小波神經網絡模型的預測誤差。

8.根據權利要求5所述的裝置，其特征在于，所述小波基函數使用Morlet母小波基函數。

9.一種電子設備，其特征在于，包括：處理器、存儲器、總線及存儲在存儲器上并可在處理器上運行的計算機程序；

其中，所述處理器，存儲器通過所述總線完成相互間的通信；

所述處理器執行所述計算機程序時實現如權利要求1-4中任一項所述的方法。

10.一種非暫態計算機可讀存儲介質，其特征在于，所述存儲介質上存儲有計算機程序，該計算機程序被處理器執行時實現如權利要求1-4中任一項所述的方法。