[發明專利]通信網絡負荷預測方法、裝置及服務器

在審

• 申請號: 202011375603.1
• 申請日: 2020-11-30
• 公開（公告）號: CN112308345A
• 公開（公告）日: 2021-02-02
• 發明（設計）人: 陳鋒;李張錚;陳海;盧春生;嚴燕燕;王哲坤;吳帆;劉文山
• 申請（專利權）人: 中國聯合網絡通信集團有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06F16/906;G06F16/907;G06N3/08
• 代理公司: 北京同立鈞成知識產權代理有限公司 11205
• 代理人: 朱穎;臧建明

本發明實施例提供一種通信網絡負荷預測方法、裝置及服務器，該方法包括：獲取通信網絡內多個小區的網絡特征數據集合，并對每個小區的網絡特征數據集合進行聚合，獲得每個小區的均值特征數據；對所有小區的均值特征數據進行聚類分析，獲得多組不同類別的訓練樣本集合，通過利用多組不同類別的訓練樣本集合分別進行模型訓練，獲得多個不同類型的小區負荷預測模型，并根據每個小區對應的小區負荷預測模型獲得小區的網絡預測負荷，并根據通信網絡內所有小區的網絡預測負荷確定通信網絡的網絡預測負荷，提高了預測的通信網絡負荷結果的準確性。

技術領域

本發明實施例涉及通信技術領域，尤其涉及一種通信網絡負荷預測方法、裝置及服務器。

背景技術

通信網絡的負荷是衡量網絡運營能力的一項重要指標，當通信網絡的負荷達到一定的門限時，將會出現容量瓶頸、導致網絡延遲或丟包。為了保證用戶的網絡使用感知，對網絡負荷進行提前預測，當預測出網絡將要出現高負荷情況時，及時發出告警提示并對網絡進行優化，從而緩解網絡高負荷的問題。

目前，現有預測通信網絡負荷方法主要是：采用時間序列的模型，如差分整合移動平均自回歸模型(Autoregressive Integrated Moving Average，簡稱ARIMA)和長短期記憶網絡(Long Short-Term Memory，簡稱LSTM)等，利用多個小區的歷史網絡負荷數據作為樣本數據，將樣本數據輸入模型中、對模型進行訓練，獲得可預測網絡負荷的預測模型，并根據預測模型預測通信網絡的網絡負荷數據。

然而，發明人發現現有技術存在如下技術問題：在利用多個小區的歷史網絡負荷數據對機器學習模型進行訓練的過程中，由于不同業務類型小區的歷史網絡負荷數據之間存在很大的差異性，即樣本數據之間的相關性太低，導致預測模型訓練失敗，無法通過訓練后的預測模型準確地獲得通信網絡負荷數據，影響了預測的通信網絡負荷的準確性。

發明內容

本發明實施例提供一種通信網絡負荷預測方法、裝置及服務器，以提高預測的通信網絡負荷結果的準確性。

第一方面，本發明實施例提供一種通信網絡負荷預測方法，包括：

獲取通信網絡內多個小區的網絡特征數據集合，并對每個小區的網絡特征數據集合進行聚合，獲得每個小區的均值特征數據；

對所有小區的均值特征數據進行聚類分析，獲得多組不同類別的訓練樣本集合，其中每個訓練樣本集合中包含多個同類型小區的均值特征數據；

分別根據每組訓練樣本集合對模型進行訓練，獲得多個不同類型的小區負荷預測模型；

根據每個小區對應的小區負荷預測模型獲得小區的網絡預測負荷，并根據所述通信網絡內所有小區的網絡預測負荷確定所述通信網絡的網絡預測負荷。

在一種可能的設計中，所述對所有小區的均值特征數據進行聚類分析，獲得多組不同類型的訓練樣本集合，包括；

將每個小區的均值特征數據作為一個節點，根據兩個節點各自對應的值特征數據確定兩個節點之間的相似度；

根據任意兩個節點之間的相似度獲得節點關系圖，并根據標簽傳播算法對節點關系圖進行分析，獲得多個節點子集合；

將同屬于一個節點子集合的所有節點作為一組訓練節點，并分別根據每組訓練節點對應的小區的均值特征數據，獲得多組不同類型的訓練樣本集合。

在一種可能的設計中，所述根據兩個節點各自對應的值特征數據確定兩個節點之間的相似度，包括：