[發(fā)明專(zhuān)利]小區(qū)網(wǎng)絡(luò)流量預(yù)測(cè)方法及裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 201810965253.0
• 申請(qǐng)日: 2018-08-23
• 公開(kāi)（公告）號(hào): CN110858805A
• 公開(kāi)（公告）日: 2020-03-03
• 發(fā)明（設(shè)計(jì)）人: 陳蓓蓓;張濤;單俊明;柳兆裕;楊麗;郭莉;王凱;董文哲
• 申請(qǐng)（專(zhuān)利權(quán)）人: 中國(guó)移動(dòng)通信集團(tuán)山東有限公司;中國(guó)移動(dòng)通信集團(tuán)有限公司
• 主分類(lèi)號(hào): H04L12/24
• 分類(lèi)號(hào): H04L12/24
• 代理公司: 北京路浩知識(shí)產(chǎn)權(quán)代理有限公司 11002
• 代理人: 王瑩;李相雨

本發(fā)明實(shí)施例公開(kāi)一種小區(qū)網(wǎng)絡(luò)流量預(yù)測(cè)方法及裝置，能提高小區(qū)網(wǎng)絡(luò)流量預(yù)測(cè)的精度和準(zhǔn)確度。方法包括：獲取待預(yù)測(cè)小區(qū)歷史一段時(shí)間內(nèi)的流量數(shù)據(jù)，根據(jù)所述流量數(shù)據(jù)生成流量時(shí)間序列；將所述流量時(shí)間序列輸入預(yù)先訓(xùn)練好的小波神經(jīng)網(wǎng)絡(luò)模型，得到所述待預(yù)測(cè)小區(qū)的流量預(yù)測(cè)結(jié)果，其中，所述小波神經(jīng)網(wǎng)絡(luò)模型的初始網(wǎng)絡(luò)連接權(quán)重，以及小波基函數(shù)的初始伸縮因子和初始平移因子使用人工蜂群算法確定。

技術(shù)領(lǐng)域

本發(fā)明實(shí)施例涉及通信技術(shù)領(lǐng)域，具體涉及一種小區(qū)網(wǎng)絡(luò)流量預(yù)測(cè)方法及裝置。

背景技術(shù)

小區(qū)流量是表示小區(qū)忙閑程度的一個(gè)重要指標(biāo)，它是指在一段時(shí)間內(nèi)，經(jīng)過(guò)該小區(qū)的所有數(shù)據(jù)量的總和。小區(qū)流量的變化，表現(xiàn)了該小區(qū)內(nèi)用戶(hù)使用數(shù)據(jù)業(yè)務(wù)的變化情況，且成正相關(guān)。為了掌握網(wǎng)絡(luò)流量動(dòng)態(tài)變化趨勢(shì)，為異常流量安全監(jiān)控、網(wǎng)絡(luò)資源分配規(guī)劃以及優(yōu)化網(wǎng)絡(luò)協(xié)議性能提供依據(jù)，需要對(duì)小區(qū)流量進(jìn)行預(yù)測(cè)。

目前，有一種使用BP(Back Propagation，反向傳播)神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)流量預(yù)測(cè)方法，主要包括如下步驟：通過(guò)小波包分解對(duì)原始網(wǎng)絡(luò)流量時(shí)間序列信號(hào)數(shù)據(jù)進(jìn)行預(yù)定層數(shù)序列分解得到子序列；根據(jù)子序列建立BP神經(jīng)網(wǎng)絡(luò)模型，并利用飛蛾縱橫交叉捕焰算法自適應(yīng)調(diào)整BP神經(jīng)網(wǎng)絡(luò)模型的閾值和權(quán)值；根據(jù)調(diào)整后的閾值和權(quán)值，利用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)子序列進(jìn)行優(yōu)化，得到子序列預(yù)測(cè)值；將子序列預(yù)測(cè)值進(jìn)行疊加重構(gòu)得到網(wǎng)絡(luò)流量的預(yù)測(cè)結(jié)果。該使用BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)方法，可以識(shí)別復(fù)雜的非線(xiàn)性系統(tǒng)，但模型中的參數(shù)具有很大的隨機(jī)性，網(wǎng)絡(luò)在訓(xùn)練時(shí)容易陷入局部最優(yōu)導(dǎo)致模型逼近能力弱、預(yù)測(cè)精度不高。

發(fā)明內(nèi)容

針對(duì)現(xiàn)有技術(shù)存在的不足和缺陷，本發(fā)明實(shí)施例提供一種小區(qū)網(wǎng)絡(luò)流量預(yù)測(cè)方法及裝置。

一方面，本發(fā)明實(shí)施例提出一種小區(qū)網(wǎng)絡(luò)流量預(yù)測(cè)方法，包括：

S1、獲取待預(yù)測(cè)小區(qū)歷史一段時(shí)間內(nèi)的流量數(shù)據(jù)，根據(jù)所述流量數(shù)據(jù)生成流量時(shí)間序列，其中，所述流量時(shí)間序列包括按時(shí)間順序從前到后排列的多個(gè)流量值，所述多個(gè)流量值中的每一個(gè)流量值均對(duì)應(yīng)一個(gè)時(shí)間點(diǎn)，所述多個(gè)流量值中的第一個(gè)流量值為所述待預(yù)測(cè)小區(qū)在第一時(shí)間段內(nèi)的流量數(shù)據(jù)的總量，所述第一時(shí)間段為該第一個(gè)流量值對(duì)應(yīng)的時(shí)間點(diǎn)與初始時(shí)間點(diǎn)之間的時(shí)間段，所述初始時(shí)間點(diǎn)在所述第一時(shí)間點(diǎn)之前，所述第一時(shí)間段的時(shí)長(zhǎng)為第一時(shí)長(zhǎng)，對(duì)于所述多個(gè)流量值中除所述第一個(gè)流量值外的每一個(gè)流量值，該流量值為所述待預(yù)測(cè)小區(qū)在該流量值對(duì)應(yīng)的時(shí)間點(diǎn)，與所述多個(gè)流量值對(duì)應(yīng)的時(shí)間點(diǎn)中該時(shí)間點(diǎn)的前一個(gè)時(shí)間點(diǎn)之間的時(shí)間段內(nèi)流量數(shù)據(jù)的總量，所述多個(gè)流量值對(duì)應(yīng)的時(shí)間點(diǎn)中每?jī)蓚€(gè)相鄰的時(shí)間點(diǎn)之間的時(shí)長(zhǎng)為所述第一時(shí)長(zhǎng)；

S2、將所述流量時(shí)間序列輸入預(yù)先訓(xùn)練好的小波神經(jīng)網(wǎng)絡(luò)模型，得到所述待預(yù)測(cè)小區(qū)的流量預(yù)測(cè)結(jié)果，其中，所述小波神經(jīng)網(wǎng)絡(luò)模型的初始網(wǎng)絡(luò)連接權(quán)重，以及小波基函數(shù)的初始伸縮因子和初始平移因子使用人工蜂群算法確定。

另一方面，本發(fā)明實(shí)施例提出一種小區(qū)網(wǎng)絡(luò)流量預(yù)測(cè)裝置，包括：

生成單元，用于獲取待預(yù)測(cè)小區(qū)歷史一段時(shí)間內(nèi)的流量數(shù)據(jù)，根據(jù)所述流量數(shù)據(jù)生成流量時(shí)間序列，其中，所述流量時(shí)間序列包括按時(shí)間順序從前到后排列的多個(gè)流量值，所述多個(gè)流量值中的每一個(gè)流量值均對(duì)應(yīng)一個(gè)時(shí)間點(diǎn)，所述多個(gè)流量值中的第一個(gè)流量值為所述待預(yù)測(cè)小區(qū)在第一時(shí)間段內(nèi)的流量數(shù)據(jù)的總量，所述第一時(shí)間段為該第一個(gè)流量值對(duì)應(yīng)的時(shí)間點(diǎn)與初始時(shí)間點(diǎn)之間的時(shí)間段，所述初始時(shí)間點(diǎn)在所述第一時(shí)間點(diǎn)之前，所述第一時(shí)間段的時(shí)長(zhǎng)為第一時(shí)長(zhǎng)，對(duì)于所述多個(gè)流量值中除所述第一個(gè)流量值外的每一個(gè)流量值，該流量值為所述待預(yù)測(cè)小區(qū)在該流量值對(duì)應(yīng)的時(shí)間點(diǎn)，與所述多個(gè)流量值對(duì)應(yīng)的時(shí)間點(diǎn)中該時(shí)間點(diǎn)的前一個(gè)時(shí)間點(diǎn)之間的時(shí)間段內(nèi)流量數(shù)據(jù)的總量，所述多個(gè)流量值對(duì)應(yīng)的時(shí)間點(diǎn)中每?jī)蓚€(gè)相鄰的時(shí)間點(diǎn)之間的時(shí)長(zhǎng)為所述第一時(shí)長(zhǎng)；

預(yù)測(cè)單元，用于將所述流量時(shí)間序列輸入預(yù)先訓(xùn)練好的小波神經(jīng)網(wǎng)絡(luò)模型，得到所述待預(yù)測(cè)小區(qū)的流量預(yù)測(cè)結(jié)果，其中，所述小波神經(jīng)網(wǎng)絡(luò)模型的初始網(wǎng)絡(luò)連接權(quán)重，以及小波基函數(shù)的初始伸縮因子和初始平移因子使用人工蜂群算法確定。