CN101453747A

CN101453747A - 一种话务量预测方法及装置

Info

Publication number: CN101453747A
Application number: CNA2008102253945A
Authority: CN
Inventors: 杨晓范; 王文明; 吴晓梅; 周莅涛; 王晋龙; 李欣然; 乔琳; 郭同文; 马云飞; 刘莉莉; 高翔; 黄卫正; 孙向光; 王鹏
Original assignee: BEIJING WOTAIFENG TELECOM TECHNOLOGY Co Ltd; China Mobile Group Beijing Co Ltd
Current assignee: BEIJING WOTAIFENG TELECOM TECHNOLOGY Co Ltd; China Mobile Group Beijing Co Ltd
Priority date: 2008-10-31
Filing date: 2008-10-31
Publication date: 2009-06-10
Anticipated expiration: 2028-10-31
Also published as: WO2010048780A1; CN101453747B

Abstract

本发明公开了一种话务量预测方法及装置，基于海量测量报告对话务量进行预测，该方法包括：根据接收到的测量报告MR的上报位置，确定所述MR上报时所在的栅格；所述栅格为预先对待预测话务量的地理区域进行划分后得到的；根据所述MR的上报时间和所在的栅格，统计出每个栅格中各个时间段内上报的MR数量；获取每个栅格中当前时间段的相邻前M个时间段上报的MR数量，采用时间序列预测算法，计算得到每个栅格当前时间段的话务量预测值。实现了实时、细粒度、高精度的话务量预测。

Description

一种话务量预测方法及装置

技术领域

本发明涉及移动通信领域，尤指一种基于测量报告(Measurement Report，MR)的话务量预测方法及装置。

背景技术

由于移动通信网络中终端的移动性，移动通信网络的用户业务的分布是二维的，也就是有时间和空间两个维度，而预测移动通信网络的话务量分布是当前的移动通信网络规划和保障的一个关键问题。

现阶段对于移动通信网络的话务量预测主要是时间维度的预测，数据依据是操作与维护中心(Operations & Maintenance Center，OMC)统计的计数器的计数值，这些计数值是按照时间序列的格式存储的。

而这些计数值的空间粒度通常是小区(cell)粒度的，甚至有时候是基站控制器(Base Station Controller，BSC)级别的，比如通话次数，切换次数等，小区的覆盖面积通常有几平方公里，甚至几十平方公里，因此其空间的精细粒度不够。同时，一个cell的覆盖面积是十分不规则的，其面积的大小差异很大。且这种cell的空间标识和实际的地理位置不能十分精确对应，一个cell虽然有经纬度，但是由于主控区域的形状的不规则性和面积的不确定性，从而导致不能具体反映一个地理区域的话务量情况。

另外，这些计数值的时间粒度通常也比较大，一般是半个小时，甚至是一个小时。而小时级别的时间粒度对于话务量的突发情况/事件不能很敏感的反映出来。

在以OMC统计的计数值为数据依据的基础上，预测工具也是时间序列的预测工具，比如分析历史的、长期的数值时间序列走势，预测下阶段的话务量的走势，在cell粒度的基础上，按照小时汇总，作为一个更大区域的话务量预测值。在进行话务量预测时，这些数据依据是要经过时间平滑过滤的，因此这种算法对于突发的网络话务量情况的变化很难反映出来；且由于其数据依据是cell级别的，因此导致预测精度较低，只能预测级别大于cell的网元的话务量变化情况。

现有的移动网络的预测算法只能作为一个离线的预测工具使用，比如今天预测明天的几点的话务量，不能作为一个实时(小于一个小时，甚至达到分钟等更细粒度的)的预测工具使用。

发明内容

本发明实施例提供一种话务量预测方法及装置，实现了实时、细粒度、高精度的话务量预测。

一种话务量预测方法，包括：

根据接收到的测量报告MR的上报位置，确定所述MR上报时所在的栅格；所述栅格为预先对待预测话务量的地理区域进行划分后得到的；

根据所述MR的上报时间和所在的栅格，统计出每个栅格中各个时间段内上报的MR数量；

获取每个栅格中当前时间段的相邻前M个时间段上报的MR数量，计算得到每个栅格当前时间段的话务量预测值。

根据本发明的上述方法，所述根据接收到的测量报告MR的上报位置，确定所述MR上报时所在的栅格，包括：

根据所述MR，查询静态配置表，确定所述每个MR上报时所在的所述上报位置的经纬度值；

查询所述经纬度值所在的栅格，确定出所述每个MR上报时所在的在栅格。

根据本发明的上述方法，确定MR上报时所在的上报位置的经纬度值，具体包括：

根据MR中包含的各邻小区广播控制信道BCCH和基站识别码BSIC，将查询静态配置表得到的与BCCH和BSIC相匹配的位置区码LAC和小区标识CI确定为各邻小区的LAC和CI；

根据MR中包含的邻小区的下行电平，采用设定的算法，查询所述静态配置表，计算出该MR上报位置到距各个邻小区基站的距离；

根据该MR上报时距各个邻小区基站的距离及通过所述各邻小区的LAC和CI查得的各邻小区基站所在位置的经纬度，通过三角定位算法，得到每个MR上报时所在的上报位置的经纬度值。

根据本发明的上述方法，当查询静态配置表得到的与BCCH和BSIC相匹配的LAC和CI数量大于实际的邻小区数量时，根据MR中包含的主小区的LAC和CI，确定其中位置最靠近主小区的LAC和CI为各邻小区的LAC和CI。

根据本发明的上述方法，所述根据MR中包含的邻小区的下行电平，采用设定的算法，查询所述静态配置表，计算出该MR上报位置到各邻小区基站的距离，具体包括：

根据所述各邻小区的LAC和CI，查询静态配置表，得到各邻小区天线的发射功率，计算每个邻小区天线的发射功率与对应的所述下行电平之差的绝对值，得到与每个邻小区对应的路径损耗；

根据所述路径损耗，查询静态配置表，确定该MR上报位置到每个邻小区基站的距离。

本发明的上述方法，还包括：对计算得到每个栅格当前时间段的话务量预测值进行优化；

优化栅格中当前时间段的话务量预测值，包括：

确定所述当前时间段的前一个时间段上各个相邻栅格与被优化的栅格的相关度；所述相关度根据每个栅格中上报的MR所涉及到的主小区和相邻小区确定；

确定各个相邻栅格中所述当前时间段的前一个时间段相对于再前一个时间段上报的MR数量的变化量；

根据所述相关度和变化量对所述被优化的栅格的话务量预测值进行优化，得到优化后的话务量预测值。

根据本发明的上述方法，所述确定所述当前时间段的前一个时间段上各个相邻栅格与被优化的栅格的相关度，具体包括：

统计所述前一个时间段上被优化的栅格与各个相邻栅格中上报的MR所涉及到的小区，所述小区包括主小区和邻小区；

分别计算各个相邻栅格中所述所涉及到的小区与被优化的栅格中所述所涉及到的小区的相似度，得到前一个时间段上各个相邻栅格与被优化的栅格的相关度。

根据本发明的上述方法，所述根据所述相关和变化量，对所述被优化的栅格的话务量预测值进行优化，得到优化后的话务量预测值，具体包括：

分别计算各个相邻栅格对应的相关度与该栅格的所述MR数量的变化量的乘积，并计算得到的所有乘积的代数和；

将所述代数和与所述话务量预测值相加，得到优化后的话务量预测值。

根据本发明的上述方法，所述确定每个MR上报时所在的栅格之后，还包括：

生成每个栅格中各个时间段上报的所有MR的信息记录；所述信息记录中包括每个MR上报时的主小区、相邻小区和上报位置的经纬度值。

一种话务量预测装置，包括：

栅格确定模块，用于根据接收到的测量报告MR的上报位置，确定所述MR上报时所在的栅格；所述栅格为预先对待预测话务量的地理区域进行划分后得到的；

数量统计模块，用于根据所述MR的上报时间和所在的栅格，统计出每个栅格中各个时间段内上报的MR数量；

预测模块，用于获取每个栅格中当前时间段的相邻前M个时间段上报的MR数量，采用时间序列预测算法，计算得到每个栅格当前时间段的话务量预测值。

根据本发明的上述装置，所述栅格确定模块包括：

邻区确定单元，用于根据MR中包含的各邻小区广播控制信道BCCH和基站识别码BSIC，将查询静态配置表得到与BCCH和BSIC相匹配的位置区码LAC和小区标识CI确定为各邻小区的LAC和CI；

距离计算单元，用于根据MR中包含的邻小区的下行电平，采用设定的算法，查询所述静态配置表，计算出该MR上报位置到距各个邻小区基站的距离；

经纬度确定单元，用于根据该MR上报时距各个邻小区基站的距离及通过所述各邻小区的LAC和CI查得的各邻小区基站所在位置的经纬度，通过三角定位算法，得到每个MR上报时所在的上报位置的经纬度值；

栅格确定单元，用于查询所述上报位置的经纬度值所在的栅格，确定出所述每个MR上报时所在的栅格。

本发明的上述装置，还包括：

优化模块，用于对计算得到每个栅格当前时间段的话务量预测值进行优化。

根据本发明的上述装置，所述优化模块包括：

相关度确定单元，用于确定所述当前时间段的前一个时间段上各个相邻栅格与被优化的栅格的相关度；所述相关度根据每个栅格中上报的MR所涉及到的主小区和相邻小区确定；

变化量确定单元，用于确定各个相邻栅格中所述当前时间段的前一个时间段相对于再前一个时间段上报的MR数量的变化量；

优化单元，用于根据所述相关度和变化量对所述话务量预测值进行优化，得到优化后的话务量预测值。

本发明的上述装置，还包括：记录生成模块，用于生成每个栅格中各个时间段上报的所有MR的信息记录；所述信息记录中包括每个MR上报时的主小区、相邻小区和上报位置的经纬度值。

本发明实施例提供的话务量预测方法及装置，通过本发明实施里提供的话务量预测方法及装置，通过对接收到的海量MR进行分析处理，确定其上报位置及所属栅格；统计出每个栅格中各个时间段内上报的MR数量；并通过每个栅格中已知的当前时间段的相邻前M个时间段上报的MR数量，预测每个栅格当前时间段的话务量预测值。本发明方法可以应用于在线的网络负荷实时监控的***中，实时预测下阶段话务量分布，通过定义地理栅格及划分时间段实现了更精细粒度、更准确的实时话务预测。

附图说明

图1为本发明实施例中话务量预测方法的流程图；

图2为本发明实施例中确定MR上报时所在上报位置的流程图；

图3a为本发明实施例中三角定位算法的原理示意图；

图3b为本发明实施例中三角定位算法的位置关系图；

图4为本发明实施例提供的话务量预测方法中优化预测值的流程图；

图5为本发明实施例中三角定位算法的原理示意图；

图6为本发明实施例中相邻栅格中MR数量变化量的示意图；

图7为本发明实施例中话务量预测装置的结构示意图。

具体实施方式

本发明实施例提供的话务量预测方法，基于对海量测量报告MR分析处理，对未来时空上的话务量(或其他关键指标)进行预测。其中，时空的定义是一维的时间序列和二维的地理栅格。MR是移动终端上报的信道质量的测量数据，通过慢速联合控制信道(Slow Associated Control Channel，SACCH)传送，用作网络切换和功率控制的判决依据。MR包括主服务小区(Serving Cell，简称主小区)和邻小区(Neighbour Cell)的测量数据。测量报告的默认上传周期是0.48S，由于基站收发信台(Base Transceiver Station，BTS)与基站控制器(BaseStation Controller，BSC)之间的通信接口——Abis接口不是标准接口，因此不同的设备厂家的MR数据传送方式不同，包括：完整传送、按照多个周期平均或采样等。

本发明方法的流程如图1所示，其执行步骤如下：

步骤S10：对接收到的大量测量报告MR进行处理，确定每个MR上报时的上报位置。具体为：根据所述MR及静态配置表中包含的主小区及邻小区的各种参数，确定每个MR上报时所在的上报位置的经纬度值。

确定每个MR上报时所在的上报位置的过程，如图2所示，包括下列步骤：

S101、逐一获取MR。其中，MR的数据结构如下：

typedef struct

{

time timestamp；

int LAC； //服务小区的LAC

int CI； //服务小区的CI

int DL_LEV_ServingCell； //服务小区的下行电平

int DL_QUAL_ServingCell； //服务小区的下行质量

int UL_LEV_ServingCell； //服务小区的上行电平

int UL_QUAL_ServingCell； //服务小区的上行质量

int TA； //服务小区的timing advance

int BSIC_NB[6]； //六个最强邻小区的BSIC

int BCCH_NB[6]； //六个最强邻小区的BCCH

int DL_LEV_NB[6]； //六个最强邻小区的下行电平

}_MR；

其中：LAC为位置区码(Location Area Code，LAC)；

CI为小区标识(Cell Identity，CI)；

BSIC为基站识别码(Base Station Identity Code，BSIC)；

BCCH为广播控制信道(Broadcast Control Channel，BCCH)。

S102、确定MR上报时的邻小区的LAC和CI。具体为：

根据MR中包含的各邻小区BCCH和BSIC，将查询静态配置表得到的与BCCH和BSIC相匹配的LAC和CI确定为各邻小区的LAC和CI。

由于移动终端测量报告中不包含邻小区的LAC和CI信息，只包含BCCH和BSI。而BCCH和BSIC在网络中是可以重复的，不能唯一标识某一小区，LAC和CI才是小区的唯一标识。因此需要根据邻小区的BCCH和BSIC，查询静态配置表，确定符合MR中包含的邻小区BCCH和BSIC的LAC和CI为邻小区的LAC和CI。

特别的，当查询静态配置表得到的与BCCH和BSIC相匹配的LAC和CI数量大于实际的邻小区数量时，根据MR中包含的主小区的LAC和CI，确定其中位置最靠近主小区的LAC和CI为各邻小区的LAC和CI。

其中，基站的静态配置表的数据结构如下：

typedef struct

{

int LAC； //小区的LAC

int CI； //小区的CI

double Longtitude； //小区的经度

double Latitude； //小区的纬度

double POW； //小区的天线发射功率

double Height； //小区的天线高度

double Dir； //小区的天线方向角

double TILT； //小区的天线下倾角

double Antenna_Corr； //小区的天线定向增益因子

int Frequency_BAND； //小区的频段

int Geography_TYPE； //小区的地理类型，城区/郊区等等

}_CELLINFO；

S103、根据MR中包含的邻小区的下行电平，采用设定的算法，查询静态配置表，计算出该MR上报位置到距各个邻小区基站的距离。

首先，获取各邻小区天线的发射功率和MR中包含的邻小区的下行电平，确定与每个邻小区对应的路径损耗。

其中，根据每个邻小区的LAC和CI，查询静态配置表，可以得到各邻小区的天线发射功率；计算天线发射功率与MR中包含的对应邻小区的下行电平之差的绝对值，得到与每个邻小区对应的路径损耗的值。

特别的，在实际中还会考虑基站天线的方向、移动终端接收天线的增益、移动终端接收天线的分集增益和双极化天线的计划损耗等因素对路径损耗的影响。考虑上述因素后的路径损耗计算公式如下：

Lpdown＝PoutBTS+Cori+GaMS+GdMS-LslantBTS-PinMS

其中，LPdown为路径损耗；

PinMS为移动终端接收到的功率(即下行电平)；

PoutBTS为BTS天线的发射功率(应包含合路器，馈线等损耗和天线增益)；

Cori为基站天线的方向系数；

GaMS为移动终端接收天线的增益；

GdMS为移动终端接收天线的分集增益；

LslantBTS为双极化天线的极化损耗。

然后，根据确定出的路径损耗，查询静态配置表，采用奥村Okumura电波传播衰减计算模式，确定移动终端上报MR时到每个邻小区基站的距离。具体为：

根据每个邻小区的LAC和CI，从静态配置表中查得奥村(Okumura)电波传播衰减计算模式中所需要的参数，例如：每个邻小区基站的天线高度、天线增益因子、工作频率及移动终端的天线高度等，再将计算得到的与每个邻小区路径损耗代入奥村(Okumura)电波传播衰减计算模式，确定MR上报时到每个邻小区基站的距离。

特别的，在实际应用中可以根据具体传播环境和地形条件等因素对计算公式中的校正因子进行修正。

S104、根据MR上报时距各个邻小区基站的距离及各邻小区基站所在位置的经纬度，通过三角定位算法，得到每个MR上报时所在的上报位置的经纬度值。

其中，各邻小区基站所在位置的经纬度，通过各邻小区的LAC和CI查询静态配置表得到。

特别的，当邻小区的数目比较多时，也可以使用所有的邻小区，也可以从测量报告中涉及到的邻小区中选出三个，通过移动终端上报MR时到这三个邻小区基站的距离，确定出移动终端上报测量报告时的上报位置信息。

特别的，选择三个区域，可以是任意选择也可以选择相关性最高的小区。

根据移动终端上报MR时到这三个邻小区基站的距离，以及每两个基站之间的实际距离，采用三角定位算法进行多重定位，可以确定出移动终端上报测量报告时的上报位置信息。三角定位算法的原理如图3a和图3b所示。其中，d1-d3、d1-d2和d2-d3分别表示两个基站之间的距离。图3b中为以基站为圆心的位置关系示意图，阴影部分为为确定出MR上报时的区域位置。

其中，每两个基站之间的实际距离，可以通过查询静态配置表，查的每个邻小区的LAC和CI所对应的基站位置的经纬度值，可以计算出每两个基站之间的实际距离。

三角确定算法确定出的可能是一个准确的点，也可能是一个区域，当确定出的是一个区域时，确定该区域的中点为上报测量报告时的上报位置，即经纬度。

S105、输出MR上报时所在的经纬度位置。

例如，步骤S10在实际操作中，具体可以通过下列函数实现：

_Located_MR Get_MR_Position(MR input，_CELLINFO data)

{

_Located_MR output

.....

return output；

}

而定位后的MR数据结构如下：

typedef struct

{

int MR_longtitude；

int MR_latitude；

time timestamp；

int LAC； //服务小区的LAC

int CI； //服务小区的CI

int DL_LEV_ServingCell； //服务小区的下行电平

int DL_QUAL_ServingCell； //服务小区的下行质量

int UL_LEV_ServingCell； //服务小区的上行电平

int UL_QUAL_ServingCell； //服务小区的上行质量

int TA； //服务小区的timing advance

int BSIC_NB[6]； //六个最强邻小区的BSIC

int BCCH_NB[6]； //六个最强邻小区的BCCH

int DL_LEV_NB[6]； //六个最强邻小区的下行电平

}_Located_MR；

步骤S11：根据每个MR的上报位置，确定其上报时所在的栅格。

其中，栅格是预先对待预测话务量的地理区域进行划分后得到的，其大小可以根据需要设定，并通过经纬度来定义，例如可以设定栅格的大小为100米*100米等。

通过确定每个MR的上报位置，例如：经纬度信息，查询经纬度值所在的栅格，即可以确定出每个MR所在的栅格。

步骤S12：每个MR的上报时间和上报时所在的栅格，生成每个栅格中各个时间段上报的所有MR的信息记录。

由于对单个MR对于时空话务量预测是没有明显意义的，需要对海量的MR进行分析处理，获得MR在宏观意义上的量化指标。为了能够对海量MR进行处理，需要将确定所属栅格后的MR数据录入数据库中。可以通过ODBC通用数据接口，将定位后的MR保存至数据库，以备使用。

根据确定出的每个MR上报时所处的空间和对应的该MR的上报时间，以上报时间所在的时间段为依据，生成海量MR在时间和二维空间上的数据模型(即信息记录表)，并存入数据库中。

其中，信息记录中包括每个MR上报时的主小区、相邻小区和经纬度等信息。

信息记录的格式可以如下表所示

时间Time	主小区Cell	邻小区1NB1	邻小区2NB2	邻小区3NB3	邻小区4NB4	邻小区5NB5	邻小区6NB6	经度Lat	纬度Lon	属性1Attributel	属性2Attribute2	……
时间Time	主小区Cell	邻小区1NB1	邻小区2NB2	邻小区3NB3	邻小区4NB4	邻小区5NB5	邻小区6NB6	经度Lat	纬度Lon	属性1Attributel	属性2Attribute2	……	9：10	小区1	小区3	小区9	小区5	小区7	小区6	小区2	XX	YY	——	——	……
9：10	小区2	小区3	小区6	小区5	小区7	小区1	小区8	XX	YY	——	——	……	9：10	小区1	小区3	小区9	小区5	小区7	小区6	小区2	XX	YY	——	——	……
9：10	小区2	小区3	小区6	小区5	小区7	小区1	小区8	XX	YY	——	——	……	……	……	……	……	……	……	……	……	……	……	……	……	……

例如：实际操作中，将MR录入数据库时，具体可以通过下列函数实现：

Int Store_MR_to_DB(_Located_MR data)

{

Return 0；

}

步骤S13：根据所述MR的上报时间和所在的栅格，统计出每个栅格中各个时间段内上报的MR数量。

步骤S14：获取每个栅格中当前时间段的相邻前M个时间段上报的MR数量，采用时间序列预测算法，计算得到每个栅格当前时间段的话务量预测值。

针对每个栅格，其话务量在时间序列上都会有一个MR数量的统计值序列记录。例如当每个时间段的长度为1分钟时，则这个统计值序列是一个按照分钟粒度存储的数值序列。

获取与要预测的当前时间段相邻的前M个时间段中上报的MR数量，预测当前时间段的话务量。其中M为大于1的正整数，具体可以通过下列公式计算：

话务量预测值＝基数+∑变化趋势*时间粒度+抖动因素

其中，基数为与当前时间段相邻得前一时间段上报的MR的数量；

变化趋势为所述前M个时间段中，每个时间段上报的MR相对与其前一个时间段上报的MR的数量变化值；

时间粒度为时间短的长度；

抖动因素为相邻两次数量变化值之差的平均值。

例如：取前10个时间段中上报的MR数量的记录，预测当前时间段的话务量预测值。

上述是对每个栅格中的话务量进行时间序列上的预测，在进行时间序列上的预测后，还可以根据二维空间统计变化规律，对计算得到每个栅格当前时间段的话务量预测值进行优化进行进一步修正和优化，使其更接近于真实值。下面步骤就是优化时间序列上的话务量预测值的过程，以优化一个栅格(被优化的栅格)中当前时间段的话务量预测值进行说明，如图4所示，包括下列步骤：

步骤S20：确定当前时间段的前一个时间段上各个相邻栅格与被优化的栅格的相关度。

其中，相关度根据每个栅格中上报的MR所涉及到的主小区和相邻小区确定，具体包括：

(1)根据信息记录，统计前一个时间段上被优化的栅格与各个相邻栅格中上报的MR所涉及到的小区，其中小区包括主小区和邻小区。

(2)分别计算各个相邻栅格中所涉及到的小区与被优化的栅格中所涉及到的小区的相似度，得到前一个时间段上各个相邻栅格与被优化的栅格的相关度。

其中，相同的小区越多相关度越大，若全部相同，则相关度为100％，若一个也不相同，则为0。

相关度以空间矢量的形式表现出来，表征栅格确定后，在栅格的二维空间里，栅格与栅格之间涉及到的小区的相似性，以此来反映两个栅格之间的话务量流动与交叉的量化值。

针对每个时间段，根据信息记录统计每个栅格内上报的MR所涉及到的小区，例如：Grid(I，j)，Cell(cell 1，cell 2，cell 3，...)；I，j代表经纬度。

计算每个栅格内涉及到的小区的相关度，相关度的取值范围为0-100％。例如，可以如图5所示，为每个相邻栅格与中间栅格的相关度。空间矢量的最后表现形式为稀疏矩阵，定义了栅格之间的联系量，或者说话务量渗透量。

步骤S21：根据步骤S12统计出的每个栅格中每个时间段上报的MR数量，确定各个相邻栅格中所述当前时间段的前一个时间段相对于再前一个时间段上报的MR数量的变化量，其中，变化量可以是正值、负值或零。

从数据库中获取统计数据，确定出上述两个时间段，各相邻栅格内上报的MR数量的变化情况。

例如：针对每个相邻栅格当前时间段的前一个时间段相对于再前一个时间段上报的MR数量的变化量可以如图6所示。

例如：实际操作中，可以通过下列函数实现：

Int Store_MRVector_to_DB(int Vector_X，int Vector_Y)

{

Return 0；

}

步骤S22：根据得到的上述相关度和变化量，对被优化的栅格的话务量预测值进行优化，得到优化后的话务量预测值。

分别计算各个相邻栅格对应的相关度与该栅格的MR数量变化量的乘积，并计算得到的所有乘积的代数和。

将计算得到的代数和与步骤S14中得到的时间序列上的该被优化的栅格的话务量预测值相加，得到优化后的话务量预测值。即时空话务量预测值。

根据本发明的上述话务量预测方法，可以构建一种话务量预测装置，如图7所示，包括：栅格确定模块101、数量统计模块102和预测模块103。

栅格确定模块101，用于根据接收到的测量报告MR的上报位置，确定MR上报时所在的栅格；其中，栅格为预先对待预测话务量的地理区域进行划分后得到的。

较佳的，栅格确定模块101进一步可以包括：邻区确定单元1011、距离计算单元1012、经纬度确定单元1013和栅格确定单元1014。

邻区确定单元1011，用于根据MR中包含的各邻小区广播控制信道BCCH和基站识别码BSIC，将查询静态配置表得到与BCCH和BSIC相匹配的位置区码LAC和小区标识CI确定为各邻小区的LAC和CI。

距离计算单元1012，用于根据MR中包含的邻小区的下行电平，采用设定的算法，查询静态配置表，计算出该MR上报位置到距各个邻小区基站的距离。

经纬度确定单元1013，用于根据该MR上报时距各个邻小区基站的距离及通过各邻小区的LAC和CI查得的各邻小区基站所在位置的经纬度，通过三角定位算法，得到每个MR上报时所在的上报位置的经纬度值。

栅格确定单元1014，用于查询上报位置的经纬度值所在的栅格，确定出每个MR上报时所在的栅格。

数量统计模块102，用于根据MR的上报时间和所在的栅格，统计出每个栅格中各个时间段内上报的MR数量。

预测模块103，用于获取每个栅格中当前时间段的相邻前M个时间段上报的MR数量，采用时间序列预测算法，计算得到每个栅格当前时间段的话务量预测值。

上述话务量预测装置，还包括：优化模块104，用于对计算得到每个栅格当前时间段的话务量预测值进行优化。

较佳的，优化模块104进一步可以包括：相关度确定单元1041、变化量确定单元1042和优化单元1043。

相关度确定单元1041，用于确定当前时间段的前一个时间段上各个相邻栅格与被优化的栅格的相关度；其中，相关度根据每个栅格中上报的MR所涉及到的主小区和相邻小区确定。

变化量确定单元1042，用于确定各个相邻栅格中当前时间段的前一个时间段相对于再前一个时间段上报的MR数量的变化量。

优化单元1043，用于根据相关度确定单元1041确定出的相关度和变化量确定单元1042确定出的变化量对话务量预测值进行优化，得到优化后的话务量预测值。

上述话务量预测装置，还包括：记录生成模块105，用于生成每个栅格中各个时间段上报的所有MR的信息记录；其中，信息记录中包括每个MR上报时的主小区、相邻小区和上报位置的经纬度值。

本发明实施里提供的话务量预测方法及装置，通过对接收到的海量MR进行分析处理，确定其上报位置及所属栅格；统计出每个栅格中各个时间段内上报的MR数量；并通过每个栅格中已知的当前时间段的相邻前M个时间段上报的MR数量，预测每个栅格当前时间段的话务量预测值。本发明方法可以应用于在线的网络负荷实时监控的***中，实时预测下阶段话务量分布，通过定义地理栅格及划分时间段实现了时间序列上更精细粒度、更准确的实时话务预测。例如：100m×100m的区域、以分钟为单位的时间粒度等。

在时间序列这一个维度对预测数据的拉动因素是不准确的，需要综合多个维度空间联系拉动因素，最终输出每个栅格话务量负荷的更准确的预测值。本发明进一步提供了基于对海量数据二维空间变化规律的分析归纳，来优化通过从时间序列上预测得到的话务量预测值，实现了时间和空间两个维度相结合的话务量预测，通过实际序列上的已知数据进行初步预测，通过空间上的变化规律进行优化，实现了更准确、合理、科学的预测。

且本发明方法既可以提供在线预测，即可以移植到MR采集和定位***中，根据最新的网络情况，实时的计算下一个时间段的话务量分布情况，分析数据特征，自动校偏；还可以用于离线预测的场景中，通用性强。

现有的技术通常实现的是在空间上小区级别(几平方公里)和BSC级别(几十平方公里)、在时间上小时级别话务量预测，精度不能满足实际的使用需求；并且不能根据当前最新的情况，自动调整预测模型的数据源和模型的参数。本发明克服了上述缺点，实现了在MR数据的采集和定位的基础上，时间和空间两个维度更细粒度(空间100m×100m，置信度大于70％，时间可以到达1分钟，预测精度大于80％)的时空话务量预测，且是根据最新的网络变化情况实时、在线的预测网络的话务量负荷，从而将移动通信网络话务量预测带入一个新的阶段。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化、替换或应用到其他类似的装置，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims

1、一种话务量预测方法，其特征在于，包括：

2、如权利要求1所述的方法，其特征在于，所述根据接收到的测量报告MR的上报位置，确定所述MR上报时所在的栅格，包括：

3、如权利要求2所述的方法，其特征在于，确定MR上报时所在的上报位置的经纬度值，具体包括：

4、如权利要求3所述的方法，其特征在于，当查询静态配置表得到的与BCCH和BSIC相匹配的LAC和CI数量大于实际的邻小区数量时，根据MR中包含的主小区的LAC和CI，确定其中位置最靠近主小区的LAC和CI为各邻小区的LAC和CI。

5、如权利要求4所述的方法，其特征在于，所述根据MR中包含的邻小区的下行电平，采用设定的算法，查询所述静态配置表，计算出该MR上报位置到各邻小区基站的距离，具体包括：

6、如权利要求1所述的方法，其特征在于，还包括：对计算得到每个栅格当前时间段的话务量预测值进行优化；

优化栅格中当前时间段的话务量预测值，包括：

7、如权利要求6所述的方法，其特征在于，所述确定所述当前时间段的前一个时间段上各个相邻栅格与被优化的栅格的相关度，具体包括：

8、如权利要求6所述的方法，其特征在于，所述根据所述相关和变化量，对所述被优化的栅格的话务量预测值进行优化，得到优化后的话务量预测值，具体包括：

9、如权利要求1-8任一所述的方法，其特征在于，所述确定每个MR上报时所在的栅格之后，还包括：

10、一种话务量预测装置，其特征在于，包括：

11、如权利要求10所述的装置，其特征在于，所述栅格确定模块包括：

12、如权利要求10所述的装置，其特征在于，还包括：

13、如权利要求12所述的装置，其特征在于，所述优化模块包括：

14、如权利要求10-13所述的装置，其特征在于，还包括：

记录生成模块，用于生成每个栅格中各个时间段上报的所有MR的信息记录；所述信息记录中包括每个MR上报时的主小区、相邻小区和上报位置的经纬度值。