[發明專利]預警區域識別方法、裝置、計算設備及計算機存儲介質

在審

• 申請號: 201910989603.1
• 申請日: 2019-10-17
• 公開（公告）號: CN112686483A
• 公開（公告）日: 2021-04-20
• 發明（設計）人: 鄭亞平;賈磊;張璐巖;張立杰;杜犇
• 申請（專利權）人: 中國移動通信集團陜西有限公司;中國移動通信集團有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q10/04;G06Q50/26;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京市浩天知識產權代理事務所(普通合伙) 11276
• 代理人: 王廣濤

本發明實施例涉及大數據技術領域，公開了一種預警區域識別方法、裝置、計算設備及計算機存儲介質，該方法包括：采集現網數據和歷史數據，包括：連接用戶數、鄰區關系以及經緯度信息；根據所述現網數據和所述歷史數據中小區的所述連接用戶數計算小區的預測值用戶數和基準值用戶數；將小區的所述預測值用戶數和所述基準值用戶數輸入線性回歸模型獲取預警小區；應用泰森多邊形根據所述鄰區關系以及所述經緯度信息對所述預警小區進行匯聚和覆蓋區域識別，輸出預警區域。通過上述方式，本發明實施例能夠提前精準發現預警小區，對高負荷小區分析提供有效支撐，提升整體網絡運行質量，優化用戶對通信網絡的使用感知。

技術領域

本發明實施例涉及大數據技術領域，具體涉及一種預警區域識別方法、裝置、計算設備及計算機存儲介質。

背景技術

目前對于突發性人流聚集區域的識別，主要依靠全網后臺指標監控，通過發現時間段內的高負荷小區，依靠基站經緯度信息，人工結合電子地圖，輸出預警區域，開展優化工作。

在突發性人流聚集區域識別上，主要包括兩個方面，一是預警小區識別，二是活動區域的識別。在對突發重大活動中預警小區識別中，首先需要人工對全網指標監控，然后人工根據高負荷規則對全網小區進行刪選，確定高負荷小區，整個過程時間較長，既耗費人力且時效性較差。突發活動區域識別時，人工先根據高負荷小區的經緯度、工參、電子地圖確定基站位置，然后根據站點類別(宏站、室分)和優化經驗，確定活動區域，整個過程人工處理，效率和準確性都難以保證。

可見，現階段預警小區和活動區域的識別均需要人工完成，耗時、費力且預警小區的時效性和活動區域精準度不高，如一旦出現活動信息獲取遺漏，將會嚴重影響客戶對通信網絡的使用感知，造成不必要的網絡投訴，負面輿情。因此，如何能夠對突發活動及區域進行精準、及時的預測，成為亟待解決的技術問題。

發明內容

鑒于上述問題，本發明實施例提供了一種預警區域識別方法、裝置、計算設備及計算機存儲介質，克服了上述問題或者至少部分地解決了上述問題。

根據本發明實施例的一個方面，提供了一種預警區域識別方法，所述方法包括：采集現網數據和歷史數據，包括：連接用戶數、鄰區關系以及經緯度信息；根據所述現網數據和所述歷史數據中小區的所述連接用戶數計算小區的預測值用戶數和基準值用戶數；將小區的所述預測值用戶數和所述基準值用戶數輸入線性回歸模型獲取預警小區；應用泰森多邊形根據所述鄰區關系以及所述經緯度信息對所述預警小區進行匯聚和覆蓋區域識別，輸出預警區域。

在一種可選的方式中，所述根據所述現網數據和所述歷史數據中小區的所述連接用戶數計算預測值用戶數和基準值用戶數，包括：根據所述現網數據和所述歷史數據中小區的所述連接用戶數采用長短期記憶網絡算法獲取小區的所述預測值用戶數；據所述歷史數據中小區的所述連接用戶數采用K-MEANS聚類算法和阿波羅尼奧斯定理計算小區的所述基準值用戶數。

在一種可選的方式中，所述根據所述現網數據和所述歷史數據中小區的所述連接用戶數采用長短期記憶網絡算法獲取小區的所述預測值用戶數，還包括：采用長短期記憶網絡算法根據一周粒度以15分鐘時間對所述現網數據和所述歷史數據進行切片建立模型，并根據所述歷史數據對所述模型進行修正優化；根據所述現網數據和所述歷史數據中小區的所述連接用戶數應用所述模型預測以15分鐘粒度的未來多個時段的所述預測值用戶數。

在一種可選的方式中，所述據所述歷史數據中小區的所述連接用戶數采用K-MEANS聚類算法和阿波羅尼奧斯定理計算小區的所述基準值用戶數，包括：

根據15分鐘粒度的所述歷史數據，隨機選取3個點，將每個15分鐘粒度的所述連接用戶數設置為簇C1、C2、C3，根據K-Means算法將所述歷史數據匯聚成3個區域E：

其中，質心μi是簇Ci的均值向量，k，i＝1、2、3，