CN109600757A - 基站扩容的预测方法、装置、计算机设备和存储介质 - Google Patents
基站扩容的预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109600757A CN109600757A CN201811442359.9A CN201811442359A CN109600757A CN 109600757 A CN109600757 A CN 109600757A CN 201811442359 A CN201811442359 A CN 201811442359A CN 109600757 A CN109600757 A CN 109600757A
- Authority
- CN
- China
- Prior art keywords
- base station
- preset period
- user
- unlimiting
- permanent residence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 235000012054 meals Nutrition 0.000 claims abstract description 104
- 238000003062 neural network model Methods 0.000 claims abstract description 32
- 230000006854 communication Effects 0.000 claims description 29
- 238000004891 communication Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 6
- 238000013501 data transformation Methods 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 2
- 210000004027 cell Anatomy 0.000 description 40
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000010295 mobile communication Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 108010074506 Transfer Factor Proteins 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000023402 cell communication Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Signal Processing (AREA)
- Accounting & Taxation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本申请涉及一种基站扩容的预测方法、装置、计算机设备和存储介质。所述方法包括:将用户在预设时期内的移动通信数据输入神经网络模型,得到在第一预设时段内订购不限量套餐用户;根据所述订购不限量套餐用户在所述预设时期内的第二预设时段内停留过的基站小区,获取所述订购不限量套餐用户的常驻地的基站信息;根据所述常驻地的基站信息,计算所述常驻地的基站在所述第一预设时段内的最大基站流量;根据所述最大基站流量及基站容量预测所述常驻地的基站是否需要扩容。采用本方法能够对需要进行扩容的基站***。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种基站扩容的预测方法、装置、计算机设备和存储介质。
背景技术
随着移动通信技术的发展,使用手机等移动通信工具的人越来越多,目前几乎人人都会使用移动通信工具,伴随着移动通信工具的普及,对基站的要求越来越高,一旦基站的容量达不到通信的要求,很容易造成移动信号中断、无法通信等情况。
然而,目前在对基站的维护过程中,只有在基站出现通信问题时,才对基站进行检测和扩容。而现有对基站的扩容方式,速度缓慢,无法满足移动通信用户的使用需求。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提前对基站进行扩容的基站扩容的预测方法、装置、计算机设备和存储介质。
一种基站扩容的预测方法,所述方法包括:
将用户在预设时期内的移动通信数据输入神经网络模型,得到在第一预设时段内订购不限量套餐用户;
根据所述订购不限量套餐用户在所述预设时期内的第二预设时段内停留过的基站小区,获取所述订购不限量套餐用户的常驻地的基站信息;
根据所述常驻地的基站信息,计算所述常驻地的基站在所述第一预设时段内的最大基站流量;
根据所述最大基站流量及基站容量预测所述常驻地的基站是否需要扩容。
在其中一个实施例中,在所述将用户在预设时期内的移动通信数据输入神经网络模型,得到在第一预设时段内订购不限量套餐用户之前,包括:
获取所述用户在预设时期内的预设比例的移动通信数据作为训练集数据,输入初始神经网络模型,并根据反向传播算法训练得到所述神经网络模型。
在其中一个实施例中,所述预设比例大于或等于20%。
在其中一个实施例中,所述方法还包括:获取用户在预设时期内的原始移动通信数据;对所述原始移动通信数据进行预处理,得到所述用户在预设时期内的移动通信数据;所述预处理包括缺失值处理、异常值处理、极值处理、数据集成、数据变换和数据规约中至少一种。
在其中一个实施例中,所述根据所述订购不限量套餐用户在所述预设时期内的第二预设时段内停留过的基站小区,获取所述订购不限量套餐用户的常驻地的基站信息,包括:
计算所述预设时期内的第二预设时段内,所述订购不限量套餐用户与基站小区内的基站的通信次数;
获取通信次数最大的基站小区作为所述订购不限量套餐用户的常驻地,所述通信次数最大的基站小区的基站信息作为所述订购不限量套餐用户的常驻地的基站信息。
在其中一个实施例中,所述根据所述常驻地的基站信息,计算所述常驻地的基站在第一预设时段内的最大基站流量,包括:
根据所述常驻地的基站信息,计算所述常驻地的基站对应的所述订购不限量套餐用户的数量;
根据所述订购不限量套餐用户的数量,以及每个所述订购不限量套餐用户产生的基站流量,计算所述常驻地的基站对应的所述订购不限量套餐用户所产生的基站流量总值;
根据所述订购不限量套餐用户所产生的基站流量总值和所述常驻地的基站自然增长的流量,计算所述常驻地的基站在所述第一预设时段内的最大基站流量。
在其中一个实施例中,所述根据所述最大基站流量及基站容量预测所述常驻地的基站是否需要扩容,包括:
判断所述最大基站流量是否大于所述常驻地的基站容量;
如果所述最大基站流量大于所述常驻地的基站容量,则判断需要对所述常驻地的基站进行扩容。
一种基站扩容的预测装置,所述装置包括:
模型处理模块,用于将用户在预设时期内的移动通信数据输入神经网络模型,得到在第一预设时段内订购不限量套餐用户;
常驻地信息获取模块,用于根据所述订购不限量套餐用户在所述预设时期内的第二预设时段内停留过的基站小区,获取所述订购不限量套餐用户的常驻地的基站信息;
最大流量计算模块,用于根据所述常驻地的基站信息,计算所述常驻地的基站在所述第一预设时段内的最大基站流量;
扩容判断模块,用于根据所述最大基站流量及基站容量预测所述常驻地的基站是否需要扩容。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
将用户在预设时期内的移动通信数据输入神经网络模型,得到在第一预设时段内订购不限量套餐用户;
根据所述订购不限量套餐用户在所述预设时期内的第二预设时段内停留过的基站小区,获取所述订购不限量套餐用户的常驻地的基站信息;
根据所述常驻地的基站信息,计算所述常驻地的基站在所述第一预设时段内的最大基站流量;
根据所述最大基站流量及基站容量预测所述常驻地的基站是否需要扩容。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
将用户在预设时期内的移动通信数据输入神经网络模型,得到在第一预设时段内订购不限量套餐用户;
根据所述订购不限量套餐用户在所述预设时期内的第二预设时段内停留过的基站小区,获取所述订购不限量套餐用户的常驻地的基站信息;
根据所述常驻地的基站信息,计算所述常驻地的基站在所述第一预设时段内的最大基站流量;
根据所述最大基站流量及基站容量预测所述常驻地的基站是否需要扩容。
上述基站扩容的预测方法、装置、计算机设备和存储介质,通过神经网络模型来对订购不限量套餐用户进行判断,并根据基站所包括的订购不限量套餐用户来计算最大基站流量,能够有效的判断需要扩容的基站,实现提前对基站进行扩容。
附图说明
图1为一个实施例中基站扩容的预测方法的应用环境图;
图2为一个实施例中基站扩容的预测方法的流程示意图;
图3为一个实施例中常驻地的基站信息获取步骤的流程示意图;
图4为一个实施例中计算所述常驻地的基站的最大基站流量步骤的流程示意图;
图5为一个实施例中神经网络模型的示意图;
图6为一个实施例中基站扩容的预测装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的基站扩容的预测方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104通过网络进行通信。用户使用终端102产生移动通信数据,服务器104存储移动通信数据;服务器104将用户在预设时期内的移动通信数据输入神经网络模型,得到在第一预设时段内订购不限量套餐用户;服务器104根据所述订购不限量套餐用户在所述预设时期内的第二预设时段内停留过的基站小区,获取所述订购不限量套餐用户的常驻地的基站信息;服务器104根据所述常驻地的基站信息,计算所述常驻地的基站在所述第一预设时段内的最大基站流量;服务器104根据所述最大基站流量及基站容量预测所述常驻地的基站是否需要扩容。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种基站扩容的预测方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤S110,将用户在预设时期内的移动通信数据输入神经网络模型,得到在第一预设时段内订购不限量套餐用户。
其中,所述移动通信数据包括年龄、性别、在网时长、上个月剩余流量、最近三个月平均使用流量、通讯类APP使用流量、游戏类APP使用流量、是否为宽带用户、用户的交往圈中已经办理不限量套餐用户的情况中多种信息。所述用户在预设时期内的移动通信数据可以从数据库中获取,下一预设时期内用户的移动通信数据还未产生,在预设时期内的移动通信数据为用户最近所产生的移动通信数据。具体的,预设时期内为当月。
本实施例中,神经网络模型可以通过预设时期内移动通信数据训练得到,也可以通过用户的历史移动通信数据训练得到。具体的,第一预设时段为三个月,例如,预设时期为10月,则第一预设时段为包括10月、11月、12月的三个月。
在其中一个实施例中,所述计算结果的取值范围为0到1(包括端点),计算结果为0表示用户在第一预设时段内不是不限量套餐用户,计算结果为1表示用户在第一预设时段内是不限量套餐用户。
步骤S120,根据所述订购不限量套餐用户在所述预设时期内的第二预设时段内停留过的基站小区,获取所述订购不限量套餐用户的常驻地的基站信息。
其中,所述第二预设时段分为两类:居住时间段和工作时间段。所述居住时间段包括:早上时间段(05:30:00-07:59:59)、晚上时间段(22:00:00-23:59:59)、夜间休息时段(00:00:00-05:30:00);所述工作时间段包括:上午时间段(09:00:00-11:30:00)(剔除周末、节假日)、下午时间段(13:30:00-17:30:00):(剔除了周末、节假日)。所述订购不限量套餐用户其通信过程中会产生移动通信数据,根据用户的移动通信数据能够知道用户停留过的基站小区、基站小区的位置、在所述基站小区停留的时长、在所述基站小区通信的次数,可以通过在所述基站小区停留的时长或在所述基站小区通信的次数,确定所述订购不限量套餐用户的常驻地,例如,将在预设时期内停留的时长最长的基站小区作为所述订购不限量套餐用户的常驻地,或者将在预设时期内所述基站小区通信的次数最多的基站小区作为所述订购不限量套餐用户的常驻地。
步骤S130,根据所述常驻地的基站信息,计算所述常驻地的基站在所述第一预设时段内的最大基站流量。
其中,所述常驻地的基站的基站信息中包括订购不限量套餐用户的数据,根据所述订购不限量套餐用户的通信行为,能够预测所述常驻地的基站的最大基站流量。
步骤S140,根据所述最大基站流量及基站容量预测所述常驻地的基站是否需要扩容。
其中,当最大基站流量超过所述常驻地的基站所能承受的范围时,必定需要对所述常驻地的基站进行扩容。
在其中一个实施例中,在步骤S110之前,包括:获取所述用户在预设时期内的预设比例的移动通信数据作为训练集数据,输入初始神经网络模型,并根据反向传播算法训练得到所述神经网络模型。
具体的,所述用户在预设时期内的预设比例的移动通信数据为所述用户的在预设时期内移动通信数据的百分之二十;其中,剩下的在预设时期内移动通信数据的百分之八十用于输入神经网络模型,用于得到用户在第一预设时段内为订购不限量套餐用户的计算结果。当然,预设比例还可以大于20%。所述神经网络模型为人工神经网络模型。
反向传播算法依据的原则是:
(1)将训练集数据输入到初始人工神经网络(Artificial Neural Network,ANN)的输入层,经过隐藏层计算,最后达到输出层并输出计算结果,这是人工神经网络的前向传播过程;
(2)由于初始人工神经网络的输出计算结果与实际结果有误差,则计算输出计算结果与实际结果之间的误差,并将该误差从输出层向隐藏层反向传播,直至传播到输入层;
(3)在反向传播的过程中,根据误差调整各种参数的值,并不断迭代上述过程,直至收敛。
其中,人工神经网络相比于传统的机器学习算法,大多数应用特征不需要特有的算法识别,且能够降低数据的复杂性,使得模型更易于学习,在处理大量数据问题时,运行速度快、耗时短。
如图5所示,人工神经网络模拟神经元形成(从输入层到隐藏层,再到输出层)的一个过程,x1、x2、…、xi、xn为来自第i个神经元的输入,W1、W2、…、Wi、Wn为第i个神经元的连接权重,图中圆形表示当前神经元,θ表示阈值,输出计算结果:
其中,输出y可以通过连接权重进行修正,n表示输入的个数,训练集数据作为输入层的输入,训练集数据包括多个用户的在预设时期内移动通信数据,根据每个用户的在预设时期内移动通信数据都会输出一个计算结果。所述移动通信数据包括年龄、性别、在网时长、上个月剩余流量、最近三个月平均使用流量、通讯类APP使用流量、游戏类APP使用流量、是否为宽带用户、用户的交往圈中已经办理不限量套餐用户的情况中多种信息,每种信息都可以作为一个神经元的输入。
本实施例中,第j个用户为订购不限量套餐用户的实际结果y’ j与输出计算结果yj的均方误差为:
其中,l表示用户的个数,根据所述均方误差对初始人工神经网络模型的参数进行修正,直到所述均方误差最小,将此时的初始人工神经网络模型作为最终的所述神经网络模型。
其中,所述神经网络模型包括输入层、隐藏层和输出层,将多个用户的所述在预设时期内移动通信数据输入到输入层,通过隐藏层和输出层,计算得到多个用户在第一预设时段内为订购不限量套餐用户的计算结果。
在其中一个实施例中,在步骤S110之前,一种基站扩容的预测方法还包括:获取用户的在预设时期内移动通信数据;获取用户在预设时期内的原始移动通信数据;对所述原始移动通信数据进行预处理,得到所述用户在预设时期内的移动通信数据;所述预处理包括缺失值处理、异常值处理、极值处理、数据集成、数据变换和数据规约中至少一种。具体的,所述缺失值处理为填充空值,所述极值处理为盖帽法。
上述基站扩容的预测方法中,通过神经网络模型来对订购不限量套餐用户进行判断,并根据基站所包括的订购不限量套餐用户来计算最大基站流量,能够有效的判断需要扩容的基站,实现提前对基站进行扩容。
在其中一个实施例中,如图3所示,在步骤S120中,所述根据所述订购不限量套餐用户在所述预设时期内的第二预设时段内停留过的基站小区,获取所述订购不限量套餐用户的常驻地的基站信息,包括:
步骤S121,计算所述预设时期内的第二预设时段内,所述订购不限量套餐用户与基站小区内的基站的通信次数。
其中,所述第二预设时段分为两类:居住时间段和工作时间段。所述居住时间段包括:早上时间段(05:30:00-07:59:59)、晚上时间段(22:00:00-23:59:59)、夜间休息时段(00:00:00-05:30:00);所述工作时间段包括:上午时间段(09:00:00-11:30:00)(剔除周末、节假日)、下午时间段(13:30:00-17:30:00):(剔除了周末、节假日)。所述订购不限量套餐用户在居住时间段停留过的基站小区可为多个,在工作时间段停留过的基站小区可为多个。
具体的,由于所述订购不限量套餐用户在居住时间段停留过的基站小区多个,在工作时间段停留过的基站小区为多个,需要根据每个所述基站小区都计算所述订购不限量套餐用户的通信次数。
步骤S122,获取通信次数最大的基站小区作为所述订购不限量套餐用户的常驻地,所述通信次数最大的基站小区的基站信息作为所述订购不限量套餐用户的常驻地的基站信息。
其中,所述常驻地包括居住地和工作地。居住地的确定原则为:所述订购不限量套餐用户在居住时间段停留过的通信次数最多的基站小区;工作地的确定原则为:所述订购不限量套餐用户在工作时间段停留过的通信次数最多的基站小区。用户每次产生通信行为,均在对应的基站小区有记录信息,每次的通信行为都作为一次通信,通信行为包括用户在基站小区使用流量、通话、发送信息等行为。
在其中一个实施例中,如图4所示,在步骤S130中,所述根据所述常驻地的基站信息,计算所述常驻地的基站在第一预设时段内的最大基站流量,包括:
步骤S131,根据所述常驻地的基站信息,计算所述常驻地的基站对应的所述订购不限量套餐用户的数量。
其中,所述常驻地的基站信息包括常驻地的基站所有数据,由于一个基站小区可能是多个用户的常驻地,因此,计算所述基站小区的基站流量时,需要考虑多个将其作为常驻地的订购不限量套餐用户。当然,一个基站小区既可以是某一订购不限量套餐用户的居住地,也可以是某一订购不限量套餐用户的工作地,计算基站流量时,会对居住地和工作地产生流量的情况进行叠加。
步骤S132,根据所述订购不限量套餐用户的数量,以及每个所述订购不限量套餐用户产生的基站流量,计算所述常驻地的基站对应的所述订购不限量套餐用户所产生的基站流量总值。
其中,所述常驻地的基站对应的所述订购不限量套餐用户所产生的基站流量总值,等于每个所述订购不限量套餐用户产生的基站流量之和。
步骤S133,根据所述订购不限量套餐用户所产生的基站流量总值和所述常驻地的基站自然增长的流量,计算所述常驻地的基站在所述第一预设时段内的最大基站流量。
其中,基站每个月的自然增长的流量,会随时间推移呈现一定的变化趋势,可以认定为基站自然增长的流量满足时间序列模型。时间序列通过按时间序列排列的随机变量来表示,可以根据基站以往每月流量的最大值,采用时间序列模型ARIMA(AutoregressiveIntegrated Moving Average Model,ARIMA),来预测基站的流量自然增长情况。
在其中一个实施例中,在步骤S140中,所述根据所述最大基站流量及基站容量预测所述常驻地的基站是否需要扩容,包括:判断所述最大基站流量是否大于所述常驻地的基站容量;如果所述最大基站流量大于所述常驻地的基站容量,则判断需要对所述常驻地的基站进行扩容。其中,基站容量为基站所能承受的最大流量。
应该理解的是,虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种基站扩容的预测装置,包括:模型处理模块210、常驻地信息获取模块220、最大流量计算模块230和扩容判断模块240,其中:
模型处理模块210,用于将用户在预设时期内的移动通信数据输入神经网络模型,得到在第一预设时段内订购不限量套餐用户。
常驻地信息获取模块220,用于根据所述订购不限量套餐用户在所述预设时期内的第二预设时段内停留过的基站小区,获取所述订购不限量套餐用户的常驻地的基站信息。
最大流量计算模块230,用于根据所述常驻地的基站信息,计算所述常驻地的基站在所述第一预设时段内的最大基站流量。
扩容判断模块240,用于根据所述最大基站流量及基站容量预测所述常驻地的基站是否需要扩容。
在其中一个实施例中,一种基站扩容的预测装置还包括:模型训练模块,用于获取所述用户在预设时期内的预设比例的移动通信数据作为训练集数据,输入初始神经网络模型,并根据反向传播算法训练得到所述神经网络模型。
在其中一个实施例中,一种基站扩容的预测装置还包括:数据获取模块,用于获取用户在预设时期内的原始移动通信数据;预处理模块,用于对所述原始移动通信数据进行预处理,得到所述用户在预设时期内的移动通信数据;所述预处理包括缺失值处理、异常值处理、极值处理、数据集成、数据变换和数据规约中至少一种。具体的,所述缺失值处理为填充空值,所述极值处理为盖帽法。
在其中一个实施例中,所述常驻地信息获取模块220包括:通信次数计算单元,用于计算所述预设时期内的第二预设时段内,所述订购不限量套餐用户与基站小区内的基站的通信次数;常驻地确定单元,用于获取通信次数最大的基站小区作为所述订购不限量套餐用户的常驻地,所述通信次数最大的基站小区的基站信息作为所述订购不限量套餐用户的常驻地的基站信息。
在其中一个实施例中,所述最大流量计算模块230包括:订购不限量套餐用户的数量计算单元,用于根据所述常驻地的基站信息,计算所述常驻地的基站对应的所述订购不限量套餐用户的数量;订购不限量套餐用户的总流量计算单元,用于根据所述订购不限量套餐用户的数量,以及每个所述订购不限量套餐用户产生的基站流量,计算所述常驻地的基站对应的所述订购不限量套餐用户所产生的基站流量总值;最大基站流量计算单元,用于根据所述订购不限量套餐用户所产生的基站流量总值和所述常驻地的基站自然增长的流量,计算所述常驻地的基站在所述第一预设时段内的最大基站流量。
在其中一个实施例中,所述扩容判断模块240包括:判断单元,用于判断所述最大基站流量是否大于所述常驻地的基站容量,如果所述最大基站流量大于所述常驻地的基站容量,则判断需要对所述常驻地的基站进行扩容。其中,基站容量为基站所能承受的最大流量。
关于基站扩容的预测装置的具体限定可以参见上文中对于基站扩容的预测方法的限定,在此不再赘述。上述基站扩容的预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储移动通信数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基站扩容的预测方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
将用户在预设时期内的移动通信数据输入神经网络模型,得到在第一预设时段内订购不限量套餐用户;
根据所述订购不限量套餐用户在所述预设时期内的第二预设时段内停留过的基站小区,获取所述订购不限量套餐用户的常驻地的基站信息;
根据所述常驻地的基站信息,计算所述常驻地的基站在所述第一预设时段内的最大基站流量;
根据所述最大基站流量及基站容量预测所述常驻地的基站是否需要扩容。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取所述用户在预设时期内的预设比例的移动通信数据作为训练集数据,输入初始神经网络模型,并根据反向传播算法训练得到所述神经网络模型。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取用户在预设时期内的原始移动通信数据;对所述原始移动通信数据进行预处理,得到所述用户在预设时期内的移动通信数据;所述预处理包括缺失值处理、异常值处理、极值处理、数据集成、数据变换和数据规约中至少一种。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
将用户在预设时期内的移动通信数据输入神经网络模型,得到在第一预设时段内订购不限量套餐用户;
根据所述订购不限量套餐用户在所述预设时期内的第二预设时段内停留过的基站小区,获取所述订购不限量套餐用户的常驻地的基站信息;
根据所述常驻地的基站信息,计算所述常驻地的基站在所述第一预设时段内的最大基站流量;
根据所述最大基站流量及基站容量预测所述常驻地的基站是否需要扩容。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取所述用户在预设时期内的预设比例的移动通信数据作为训练集数据,输入初始神经网络模型,并根据反向传播算法训练得到所述神经网络模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取用户在预设时期内的原始移动通信数据;对所述原始移动通信数据进行预处理,得到所述用户在预设时期内的移动通信数据;所述预处理包括缺失值处理、异常值处理、极值处理、数据集成、数据变换和数据规约中至少一种。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基站扩容的预测方法,其特征在于,所述方法包括:
将用户在预设时期内的移动通信数据输入预存的人工神经网络模型,得到在第一预设时段内订购不限量套餐用户;
根据所述订购不限量套餐用户在所述预设时期内的第二预设时段内停留过的基站小区,获取所述订购不限量套餐用户的常驻地的基站信息;
根据所述常驻地的基站信息,计算所述常驻地的基站在所述第一预设时段内的最大基站流量;
根据所述最大基站流量及基站容量预测所述常驻地的基站是否需要扩容。
2.根据权利要求1所述的方法,其特征在于,在将用户在预设时期内的移动通信数据输入神经网络模型,得到在第一预设时段内订购不限量套餐用户将用户在预设时期内的移动通信数据输入神经网络模型,得到在第一预设时段内订购不限量套餐用户之前,包括:
获取所述用户在预设时期内的预设比例的移动通信数据作为训练集数据,输入初始神经网络模型,并根据反向传播算法训练得到所述神经网络模型。
3.根据权利要求2所述的方法,其特征在于,所述预设比例大于或等于20%。
4.根据权利要求1所述的方法,其特征在于,还包括:
获取用户在预设时期内的原始移动通信数据;
对所述原始移动通信数据进行预处理,得到所述用户在预设时期内的移动通信数据;
所述预处理包括缺失值处理、异常值处理、极值处理、数据集成、数据变换和数据规约中至少一种。
5.根据权利要求1所述的方法,其特征在于,所述根据所述订购不限量套餐用户在所述预设时期内的第二预设时段内停留过的基站小区,获取所述订购不限量套餐用户的常驻地的基站信息,包括:
计算所述预设时期内的第二预设时段内,所述订购不限量套餐用户与基站小区内的基站的通信次数;
获取通信次数最大的基站小区作为所述订购不限量套餐用户的常驻地,所述通信次数最大的基站小区的基站信息作为所述订购不限量套餐用户的常驻地的基站信息。
6.根据权利要求1所述的方法,其特征在于,所述根据所述常驻地的基站信息,计算所述常驻地的基站在所述第一预设时段内的最大基站流量,包括:
根据所述常驻地的基站信息,计算所述常驻地的基站对应的所述订购不限量套餐用户的数量;
根据所述订购不限量套餐用户的数量,以及每个所述订购不限量套餐用户产生的基站流量,计算所述常驻地的基站对应的所述订购不限量套餐用户所产生的基站流量总值;
根据所述基站流量总值和所述常驻地的基站自然增长的流量,计算所述常驻地的基站在所述第一预设时段内内的最大基站流量。
7.根据权利要求1所述的方法,其特征在于,所述根据所述最大基站流量及基站容量预测所述常驻地的基站是否需要扩容,包括:
判断所述最大基站流量是否大于所述常驻地的基站容量;
如果所述最大基站流量大于所述常驻地的基站容量,则判断需要对所述常驻地的基站进行扩容。
8.一种基站扩容的预测装置,其特征在于,所述装置包括:
模型处理模块,用于将用户在预设时期内的移动通信数据输入神经网络模型,得到在第一预设时段内订购不限量套餐用户;
常驻地信息获取模块,用于根据所述订购不限量套餐用户在所述预设时期内的第二预设时段内停留过的基站小区,获取所述订购不限量套餐用户的常驻地的基站信息;
最大流量计算模块,用于根据所述常驻地的基站信息,计算所述常驻地的基站在所述第一预设时段内的最大基站流量;
扩容判断模块,用于根据所述最大基站流量及基站容量预测所述常驻地的基站是否需要扩容。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811442359.9A CN109600757B (zh) | 2018-11-29 | 2018-11-29 | 基站扩容的预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811442359.9A CN109600757B (zh) | 2018-11-29 | 2018-11-29 | 基站扩容的预测方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109600757A true CN109600757A (zh) | 2019-04-09 |
CN109600757B CN109600757B (zh) | 2022-01-18 |
Family
ID=65959915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811442359.9A Active CN109600757B (zh) | 2018-11-29 | 2018-11-29 | 基站扩容的预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109600757B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111711957A (zh) * | 2020-05-27 | 2020-09-25 | 中国联合网络通信集团有限公司 | 基于流量的站点扩容预测方法、装置及*** |
CN111865635A (zh) * | 2019-04-29 | 2020-10-30 | ***通信集团贵州有限公司 | 环网容量越限时间的确定方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8364155B1 (en) * | 2009-02-13 | 2013-01-29 | Sprint Communications Company L.P. | Projecting future communication loading in a wireless communication network |
CN104866626A (zh) * | 2015-06-15 | 2015-08-26 | ***通信集团黑龙江有限公司 | 一种电信业务的推荐方法及装置 |
CN105898761A (zh) * | 2014-11-07 | 2016-08-24 | 南京大学 | 异构蜂窝无线网络规划方案 |
CN106355289A (zh) * | 2016-09-20 | 2017-01-25 | 杭州东信北邮信息技术有限公司 | 一种基于位置服务的景区客流量预测方法 |
-
2018
- 2018-11-29 CN CN201811442359.9A patent/CN109600757B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8364155B1 (en) * | 2009-02-13 | 2013-01-29 | Sprint Communications Company L.P. | Projecting future communication loading in a wireless communication network |
CN105898761A (zh) * | 2014-11-07 | 2016-08-24 | 南京大学 | 异构蜂窝无线网络规划方案 |
CN104866626A (zh) * | 2015-06-15 | 2015-08-26 | ***通信集团黑龙江有限公司 | 一种电信业务的推荐方法及装置 |
CN106355289A (zh) * | 2016-09-20 | 2017-01-25 | 杭州东信北邮信息技术有限公司 | 一种基于位置服务的景区客流量预测方法 |
Non-Patent Citations (2)
Title |
---|
WEISI GUO等: "Dynamic Cell Expansion with Self-Organizing Cooperation", 《 IEEE JOURNAL ON SELECTED AREAS IN COMMUNICATIONS》 * |
李洲: "基于流量不限量套餐开通后的小区扩容算法分析", 《电信工程技术与标准化》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111865635A (zh) * | 2019-04-29 | 2020-10-30 | ***通信集团贵州有限公司 | 环网容量越限时间的确定方法及装置 |
CN111865635B (zh) * | 2019-04-29 | 2022-11-22 | ***通信集团贵州有限公司 | 环网容量越限时间的确定方法及装置 |
CN111711957A (zh) * | 2020-05-27 | 2020-09-25 | 中国联合网络通信集团有限公司 | 基于流量的站点扩容预测方法、装置及*** |
CN111711957B (zh) * | 2020-05-27 | 2022-08-05 | 中国联合网络通信集团有限公司 | 基于流量的站点扩容预测方法、装置及*** |
Also Published As
Publication number | Publication date |
---|---|
CN109600757B (zh) | 2022-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11314988B2 (en) | Image aesthetic processing method and electronic device | |
WO2021047593A1 (zh) | 推荐模型的训练方法、预测选择概率的方法及装置 | |
CN108510402A (zh) | 险种信息推荐方法、装置、计算机设备及存储介质 | |
CN109783730A (zh) | 产品推荐方法、装置、计算机设备和存储介质 | |
WO2021120677A1 (zh) | 一种仓储模型训练方法、装置、计算机设备及存储介质 | |
CN110381524B (zh) | 基于Bi-LSTM的大场景移动流量在线预测方法、***及存储介质 | |
CN109767320A (zh) | 订单审核方法、装置、计算机设备和存储介质 | |
Ren et al. | An interpretable deep learning method for power system transient stability assessment via tree regularization | |
CN113536139B (zh) | 基于兴趣的内容推荐方法、装置、计算机设备及存储介质 | |
CN108492005A (zh) | 项目数据处理方法、装置、计算机设备和存储介质 | |
CN110109750A (zh) | 虚拟资源获取方法、装置、计算机设备和存储介质 | |
CN110378781A (zh) | 数据监控方法、装置、计算机设备和存储介质 | |
CN109600757A (zh) | 基站扩容的预测方法、装置、计算机设备和存储介质 | |
CN110415036A (zh) | 用户等级的确定方法、装置、计算机设备和存储介质 | |
CN110046806A (zh) | 用于客服派单的方法、装置和计算设备 | |
CN113256345A (zh) | 广告投放策略的自定义方法、装置和计算机设备 | |
CN108182633B (zh) | 贷款数据处理方法、装置、计算机设备和存储介质 | |
CN115146437A (zh) | 工程预算处理方法、装置、计算机设备及存储介质 | |
CN114417172A (zh) | 一种深度兴趣进化推荐方法、装置、设备和存储介质 | |
CN111161009A (zh) | 信息推送方法、装置、计算机设备和存储介质 | |
CN109145932A (zh) | 用户性别预测方法、装置及设备 | |
CN111489196B (zh) | 基于深度学习网络的预测方法、装置、电子设备及介质 | |
CN111159450A (zh) | 图片分类方法、装置、计算机设备和存储介质 | |
CN110414875A (zh) | 产能数据处理方法、装置、电子设备及计算机可读介质 | |
CN109783876A (zh) | 时间序列模型建立方法、装置、计算机设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |