CN113766523B - 服务小区的网络资源利用率预测方法、装置及电子设备 - Google Patents
服务小区的网络资源利用率预测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113766523B CN113766523B CN202010490415.7A CN202010490415A CN113766523B CN 113766523 B CN113766523 B CN 113766523B CN 202010490415 A CN202010490415 A CN 202010490415A CN 113766523 B CN113766523 B CN 113766523B
- Authority
- CN
- China
- Prior art keywords
- time period
- user
- service
- network
- target
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims description 25
- 230000011664 signaling Effects 0.000 claims description 15
- 238000013439 planning Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012300 Sequence Analysis Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 229920000433 Lyocell Polymers 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/70—Admission control; Resource allocation
- H04L47/83—Admission control; Resource allocation based on usage prediction
-
- 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
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请公开了一种服务小区的网络资源利用率预测方法、装置及电子设备,以解决现有的后发性预测网络资源利用率的方式导致服务小区无法及时有效实施资源调整的问题。所述方法包括:确定服务小区的网络覆盖类型;获取所述服务小区在目标时间段的用户类型分布信息及各用户在所述目标时间段的业务类型分布信息,用户类型包括稳定用户和非稳定用户;确定所述服务小区下各稳定用户使用的终端类型;基于所述服务小区的网络覆盖类型、所述服务小区在目标时间段的用户类型分布信息及各用户的业务类型分布信息、以及所述服务小区下各稳定用户使用的终端类型,预测所述服务小区在所述目标时间段对目标网络的资源利用率。
Description
技术领域
本申请涉及通信技术领域,尤其涉及一种服务小区的网络资源利用率预测方法、装置及电子设备。
背景技术
随着移动网络技术的不断发展,移动网络承载业务种类越来越复杂。以5G网络为例,5G时代随着大量的物联网设备接入,网络业务针对网络资源需求的不确定性越发严重。因此,***移动网络服务小区的网络资源利用率,进而主动采取资源规划策略,确保服务小区下的手机用户使用高质量网络的感知,对于5G网络规划建设至关重要。
目前对于服务小区网络资源利用率的预测,通常是采用后发性、被动的趋势预测方法,例如,通过实时监控网元的有效RRC(Radio Resource Control,无线资源控制)连接平均数、上下行PRB(Physical Resource Block,小区忙时物理资源块)利用率、PDCCH(Physical Downlink Control Channel,物理下行链路控制信道)利用率等网络性能指标来预测网络资源利用率;或者,基于服务小区下用户的业务使用情况等预估服务小区在下一个小时的业务增长情况,从而预测网络资源利用率,并通过预设门限提前通过负载均衡、载波自动调度、许可(License)资源开启等智能优化方式实时动态调整。
然而,由于服务小区的资源配置有限,这种后发性的网络资源利用趋势预测方法将会导致服务小区无法及时有效实施资源调整,从而影响用户业务的使用感知。
发明内容
本申请实施例的目的是提供一种服务小区的网络资源利用率预测方法、装置及电子设备,以解决现有的后发性预测网络资源利用率的方式导致服务小区无法及时有效实施资源调整的问题。
为了解决上述技术问题,本申请实施例采用下述技术方案:
第一方面,本申请实施例提供了一种服务小区的网络资源利用率预测方法,包括:
确定服务小区的网络覆盖类型;
获取所述服务小区在目标时间段的用户类型分布信息及各用户在所述目标时间段的业务类型分布信息,用户类型包括稳定用户和非稳定用户;
确定所述服务小区下各稳定用户使用的终端类型;
基于所述服务小区的网络覆盖类型、所述服务小区在目标时间段的用户类型分布信息及各用户的业务类型分布信息、以及所述服务小区下各稳定用户使用的终端类型,预测所述服务小区在所述目标时间段对目标网络的资源利用率。
可选地,确定服务小区的网络覆盖类型,包括:
基于网络工程参数确定所述服务小区所属的场景类别;
基于所述服务小区所属的场景类别和所述目标网络的规划建设信息,确定所述服务小区的网络覆盖类型,其中,所述网络覆盖类型包括:目标网络覆盖、其他网络覆盖、目标网络与其他网络联合覆盖、潜在目标网络覆盖。
可选地,所述用户类型分布信息包括各用户所属的用户类型及各用户类型的比例;
获取所述服务小区在目标时间段的用户类型分布信息,包括:
基于S1-U接口信令数据获取服务小区下各用户在与目标时间段匹配的指定历史时间段的呼叫信息;
针对所述服务小区下每一用户,基于所述用户在所述指定历史时间内段的呼叫信息确定所述用户所属的用户类型;
基于所述服务小区各用户所属的用户类型,确定所述服务小区在所述指定历史时间段各用户类型的比例;
基于所述服务小区在所述指定历史时间段各用户类型的比值,预测所述服务小区在所述目标时间段各用户类型的比例。
可选地,获取所述服务小区下各用户在所述目标时间段的业务类型分布信息,包括:
基于S1-U接口信令数据获取所述服务小区下各用户在与所述目标时间段匹配的指定历史时间段的业务类型分布信息;
基于所述服务小区下各用户在所述指定历史时间段的业务类型分布信息,预测各用户在所述目标时间段内的业务类型分布信息。
可选地,所述基于所述服务小区的网络覆盖类型、所述服务小区在目标时间段的用户类型分布信息及各用户在所述目标时间段的业务类型分布信息、以及所述服务小区下各稳定用户使用的终端类型,预测所述服务小区在所述目标时间段对目标网络的资源利用率,包括:
基于所述服务小区下各稳定用户使用的终端类型和所述服务小区在目标时间的用户类型分布信息,确定所述目标时间段内不同终端类型对应的稳定用户数;
基于所述目标时间段内不同终端类型对应的稳定用户数,预测在所述目标网络开通后,所述服务小区下迁移至所述目标网络的用户数;
基于所述服务小区下各用户在所述目标时间段的业务类型分布信息及各业务类型对应的需求RB资源数,确定所述服务小区在所述目标时间段占用的总RB资源数;
将所述服务小区的网络覆盖类型、所述服务小区在目标时间段的用户类型分布信息、在所述目标网络开通后所述服务小区下迁移至所述目标网络的用户数以及所述服务小区在所述目标时间段占用的总RB资源数输入资源利用率预测模型,以得到所述服务小区在所述目标时间段对所述目标网络的资源利用率;
其中,所述资源利用率预测模型是以样本小区的网络覆盖类型、在指定时间段的用户类型分布信息、在所述目标网络开通后迁移至所述目标网络的用户数以及在所述目标时间段占用的总RB资源数为训练样本,以样本小区在所述指定时间段对所述目标网络的资源利用率为标签进行训练得到的。
可选地,所述资源利用率预测模型通过以下方式训练得到:
将样本小区的网络覆盖类型、在指定时间段的用户类型分布信息、在所述目标网络开通后迁移至所述目标网络的用户数以及在所述目标时间段占用的总RB资源数作为输入层,并将样本小区在所述指定时间段对所述目标网络的资源利用率作为输出层;
基于预设损失函数和反向传播算法对所述神经网络进行调优,以得到所述资源利用率预测模型。
第二方面,本申请实施例还提供了一种服务小区的网络资源利用率预测装置,包括:
第一确定单元,用于确定服务小区的网络覆盖类型;
获取单元,用于获取所述服务小区在目标时间段的用户类型分布信息及各用户在所述目标时间段的业务类型分布信息,用户类型包括稳定用户和非稳定用户;
第二确定单元,用于确定所述服务小区下各稳定用户使用的终端类型;
预测单元,用于基于所述服务小区的网络覆盖类型、所述服务小区在目标时间段的用户类型分布信息及各用户的业务类型分布信息、以及所述服务小区下各稳定用户使用的终端类型,预测所述服务小区在所述目标时间段对目标网络的资源利用率。
可选地,所述第一确定单元具体用于:
基于网络工程参数确定所述服务小区所属的场景类别;
基于所述服务小区所属的场景类别和所述目标网络的规划建设信息,确定所述服务小区的网络覆盖类型,其中,所述网络覆盖类型包括:目标网络覆盖、其他网络覆盖、目标网络与其他网络联合覆盖、潜在目标网络覆盖。
可选地,所述用户类型分布信息包括各用户所属的用户类型及各用户类型的比例;
所述获取单元具体用于:
基于S1-U接口信令数据获取服务小区下各用户在与目标时间段匹配的指定历史时间段的呼叫信息;
针对所述服务小区下每一用户,基于所述用户在所述指定历史时间内段的呼叫信息确定所述用户所属的用户类型;
基于所述服务小区各用户所属的用户类型,确定所述服务小区在所述指定历史时间段各用户类型的比例;
基于所述服务小区在所述指定历史时间段各用户类型的比值,预测所述服务小区在所述目标时间段各用户类型的比例。
可选地,所述获取单元具体用于:
基于S1-U接口信令数据获取所述服务小区下各用户在与所述目标时间段匹配的指定历史时间段的业务类型分布信息;
基于所述服务小区下各用户在所述指定历史时间段的业务类型分布信息,预测各用户在所述目标时间段内的业务类型分布信息。
可选地,所述预测单元具体用于:
基于所述服务小区下各稳定用户使用的终端类型和所述服务小区在目标时间的用户类型分布信息,确定所述目标时间段内不同终端类型对应的稳定用户数;
基于所述目标时间段内不同终端类型对应的稳定用户数,预测在所述目标网络开通后,所述服务小区下迁移至所述目标网络的用户数;
基于所述服务小区下各用户在所述目标时间段的业务类型分布信息及各业务类型对应的需求RB资源数,确定所述服务小区在所述目标时间段占用的总RB资源数;
将所述服务小区的网络覆盖类型、所述服务小区在目标时间段的用户类型分布信息、在所述目标网络开通后所述服务小区下迁移至所述目标网络的用户数以及所述服务小区在所述目标时间段占用的总RB资源数输入资源利用率预测模型,以得到所述服务小区在所述目标时间段对所述目标网络的资源利用率;
其中,所述资源利用率预测模型是以样本小区的网络覆盖类型、在指定时间段的用户类型分布信息、在所述目标网络开通后迁移至所述目标网络的用户数以及在所述目标时间段占用的总RB资源数为训练样本,以样本小区在所述指定时间段对所述目标网络的资源利用率为标签进行训练得到的。
可选地,所述装置还包括:
模型训练单元,用于将样本小区的网络覆盖类型、在指定时间段的用户类型分布信息、在所述目标网络开通后迁移至所述目标网络的用户数以及在所述目标时间段占用的总RB资源数作为输入层,并将样本小区在所述指定时间段对所述目标网络的资源利用率作为输出层,以及基于预设损失函数和反向传播算法对所述神经网络进行调优,以得到所述资源利用率预测模型。
第三方面,本申请实施例还提供了一种电子设备,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现第一方面所述的方法。
第四方面本申请实施例还提供了一种计算机可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备够执行第一方面所述的方法。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:
在预测服务小区对目标网络的资源利用率时,同时考虑了服务小区的网络覆盖类型、用户类型分布信息、各用户的业务特征信息以及各稳定用户使用的终端类型这些因素,由于这些因素能够准确地反应服务小区对目标网络的资源利用趋势,因而基于这些因素可以提前、准确地预测服务小区在未来的资源利用率,从而可以更加有的放矢地规划网络资源,保证网络质量、提升网络业务量。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据一示例性实施例示出的一种服务小区的网络资源利用率预测方法的流程图;
图2是根据一示例性实施例示出的一种确定用户的业务类型分布信息的方法流程图;
图3是根据一示例性实施例示出的一种服务小区的网络资源利用率预测装置的结构示意图;
图4是根据一示例性实施例示出的另一种服务小区的网络资源利用率预测装置的结构示意图;
图5是根据一示例性实施例示出的一种电子设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
以下结合附图,详细说明本申请各实施例提供的技术方案。
请参见图1,图1是根据一示例性实施例示出的一种服务小区的网络资源利用率预测方法的流程图。如图1所示,该方法包括以下步骤:
S11、确定服务小区的网络覆盖类型。
本申请实施例中,服务小区是指终端接入的蜂窝小区,其为终端用户提供较好的覆盖和资源保障,能够满足终端用户的业务接入和高体验的使用。
网络覆盖类型可以包括:目标网络覆盖、其他网络覆盖、目标网络与其他网络联合覆盖、潜在目标网络覆盖。
目标网络可以是例如是5G网络,其他网络可以是4G网络等。
目标时间段可以是未来的任意时间段。在实际应用中,时间段可以是某一天,如12月12日、周五等;或者,时间段也可以是某天的某一段时间,如上午、12:00-14:00等;或者,时间段也可以是某一月,如1月、2月等;或者,时间段还可以是某一年,如2021年等。
S12、获取所述服务小区在目标时间段的用户类型分布信息及各用户在所述目标时间段的业务类型分布信息。
其中,用户类型包括稳定用户和非稳定用户,稳定用户是指在服务小区出现的频次较高的用户,而非稳定用户是指在服务小区出现的频次较低的用户。
服务小区的用户类型分布信息用于反映不同类型用户的分布情况。其中,服务小区的用户类型分布信息可以包括但不限于服务小区下各用户所属的用户类型、总用户数、各用户类型对应的用户数及比例等。
用户的业务类型分布信息用于反映用户对不同类型业务的使用情况。其中,用户的业务类型分布信息可以包括但不限于:用户所使用的各业务所属的业务类型及各业务类型的比例等。
S13、确定服务小区下各稳定用户使用的终端类型。
示例地,按照对应的稳定用户所使用的终端的型号和网络类型,可以将终端分为如下类型:5G终端、换机超过一年4G中高端终端、刚换机4G中高端终端、4G低端终端、功能机等。
S14、基于所述服务小区的网络覆盖类型、所述服务小区在目标时间段的用户类型分布信息及各用户的业务类型分布信息、以及所述服务小区下各稳定用户使用的终端类型,预测所述服务小区在所述目标时间段对目标网络的资源利用率。
需要说明的是,上述步骤中,S11、S12和S13的执行顺序不受限定。
采用本申请实施例的技术方案,在预测服务小区对目标网络的资源利用率时,同时考虑了服务小区的网络覆盖类型、用户类型分布信息、各用户的业务特征信息以及各稳定用户使用的终端类型这些因素,由于这些因素能够准确地反应服务小区对目标网络的资源利用趋势,因而基于这些因素可以提前、准确地预测服务小区在未来的资源利用率,从而可以更加有的放矢地规划网络资源以及优化调配,保证网络质量、提升网络业务量,具有较高的实用价值。
下面结合具体的例子来描述本申请实施例的实现过程。
一个实施例中,对于上述步骤S11,服务小区的网络覆盖类型可通过以下方式获取:
步骤A1,基于网络工程参数确定服务小区所属的场景类别。
具体地,服务小区所属的场景类别可基于网络基础工程参数中的场景字段确定。其中,场景类别可以例如包括但不限于以下类比:城区道路、农村、交通干线、乡镇、工业园区、风景区、机关企事业单位、居民区、城市郊区、中转院校及中小学、高校、交通枢纽、高铁专网、地铁专网等等,本申请实施例对此不做限定。
步骤A2,基于所述服务小区所属的场景类别和所述目标网络的规划建设信息,确定所述服务小区的网络覆盖类型。
示例地,在确定出服务小区所属的场景类别后,可基于目标网络小区工程参数确定该服务小区是否是目标网络的锚点站,若是,则可确定该服务小区的网络覆盖类型为目标网络覆盖;否则,进一步基于可基于所述服务小区所属的场景类别和目标网络的规划建设信息,判断该服务小区共基站址在目标时间段是否有建设目标网络基站(如非独立组网NSA基站或者独立组网SA基站)的规划。若是,则可确定该服务小区的网络覆盖类型为潜在目标网络覆盖;否则,进一步判断该服务小区周边的预设范围内(如1公里以内)在目标时间段是否有建设目标网络基站的规划。若该服务小区周边的预设范围内在目标时间段有建设目标网络基站的规划,则可确定该服务小区的网络覆盖类型为潜在目标网络覆盖。
一个实施例中,在上述步骤S12中,服务小区的用户类型分布信息可以包括服务小区下各用户所属的用户类型及各用户类型的比例。相应地,服务小区在目标时间段的用户类型分布信息可通过以下方式获取:
步骤B1、基于S1-U接口信令数据获取服务小区下各用户在与目标时间段匹配的指定历史时间段的呼叫信息。
其中,呼叫信息可以包括呼叫次数、呼叫时间及驻留时长等。
步骤B2、针对服务小区下每一用户,基于该用户在指定历史时间段的呼叫信息确定该用户所属的用户类型。
其中,与目标时间段匹配的指定历史时间段可以是与目标时间段同期的历史时间段,例如,若目标时间段是今年的3月,那么与目标时间段匹配的指定历史时间段可以是去年的3月;或者,与目标时间段匹配的指定历史时间段也可以是与目标时间段相邻的历史时间段,例如,若目标时间段为下周,那么与目标时间段匹配的指定历史时间段可以是本周,等等。
具体地,可以对在该指定历史时间段内服务小区下出现的所有用户的呼叫信息进行统计,通过PN判决方式,筛选出呼叫信息满足预设条件的用户作为稳定用户,而其他用户则为非稳定用户。例如,预设条件可以为在指定时间段内出现D天以上且每天的平均驻留时长超过H小时。
步骤B3、基于服务小区下各用户所属的用户类型,确定服务小区在该指定历史时间段各用户类型的比例。
可通过对服务小区下各用户类型的用户进行统计,得到服务小区在该指定历史时间段规格用户类型的比例。当然,还可以得到用户总数、稳定用户数以及稳定用户比例的环比变化。例如,表1示出了对小区A下用户类型的统计结果。
表1
步骤B4、基于服务小区在该指定历史时间段各用户类型的比例,预测服务小区在该目标时间段各用户类型的比例。
具体地,可将指定历史时间段的稳定用户数作为样本数据集,按照预设的划分规则将样本数据集划分为训练数据集和测试数据集,基于时间序列分析算法分析训练数据集的周期性和趋势性,并基于测试数据集对分析结果对时间序列分析算法进行修正,最后基于修正后的时间序列分析算法预测服务小区在该目标时间段不同用户类型的比例。
例如,可采用Seasonal ARIMA模型、Holt-Winter模型以及STL Decomposition模型等不同的时间序列拟合模型对训练数据集进行拟合,得到周期性和趋势性预测结果。接着,基于测试数据集对各个时间序列拟合模型的预测结果进行验证,选取均方误差MSE最小的模型最为最终的时间序列拟合模型。进一步地,将服务小区在指定历史时间段不同用户类型的比例输入该时间序列拟合模型,以得到该服务小区在目标时间段不同用户类型的比例。
需要说明的是,由于服务小区的总用户数和稳定用户数一般具有较为明显的趋势性和/或周期性,所选取的时间序列拟合模型可以为有效处理周期性和趋势性的时间序列拟合模型。
在本实施例提供的基于S1-U接口信令数据来预测服务小区在目标时间段各用户类型的比例的方法,由于S1-U接口信令数据不依赖于厂家和服务小区所属的场景类别,因而该方法具有全网普遍应用的基础。
一个实施例中,对于上述步骤S12,服务小区下各用户在目标时间段的业务类型分布信息可通过以下步骤获取:
C1、基于S1-U接口信令数据获取服务小区下各用户在与目标时间段匹配的指定历史时间段的业务类型分布信息。
具体地,如图2所示,可基于S1-U接口信令数据中的应用APP字段识别各用户在指定历史时间段对APP的使用情况,进一步基于各用户使用的每款APP所属的业务类型确定各用户在该指定历史时间段的不同业务类型的比例。
其中,业务类型可以包括大包业务、中包业务和小包业务。大包业务是指占用较多RB资源的业务,例如包括但不限于:腾讯视频、爱奇艺等;小包业务是指占用较少RB资源的业务,例如包括但不限于:微信、QQ等;中包业务占用的RB资源则位于大包业务和小包业务之间,例如包括但不限于:新浪微博、搜狐新闻等。
C2、基于服务小区下各用户在该指定历史时间段的业务类型分布信息,预测各用户在目标时间段内的业务类型分布信息。
具体地,针对每一用户,可基于该用户在该指定历史时间段内不同业务类型的比例进行拟合分析,得到该用户在目标时间段内不同业务类型的比例。
在本实施例提供的基于S1-U接口信令数据来预测各用户在目标时间段内的业务类型分布信息的方法,由于S1-U接口信令数据不依赖于厂家和服务小区所属的场景类别,因而该方法具有全网普遍应用的基础。
一个实施例中,对于上述步骤S13,服务小区下各稳定用户使用的终端类型可通过用户使用的终端的IMEI(International Mobile Equipment Identity,国际移动设备识别码)的前八位(TAC)表示的型号确定。例如,终端型号可以例如包括但不限于:5G终端、刚换机4G中高端终端、换机超过一年4G中高端终端,4G低端终端、功能机(如POS机)等。
一个实施例中,针对上述步骤S14,服务小区在目标时间段对目标网络的资源利用率可通过以下步骤预测:
D1、基于所述服务小区下各稳定用户使用的终端类型和所述服务小区在目标时间的用户类型分布信息,确定所述目标时间段内不同终端类型对应的稳定用户数。
示例地,服务小区在目标时间的用户类型分布信息可以包括服务小区在目标时间的总用户数和稳定用户数,按照所使用的终端类型对服务小区的稳定用户进行分类整合,进一步可统计出目标时间段内不同终端类型对应的稳定用户数。
D2、基于所述目标时间段内不同终端类型对应的稳定用户数,预测在所述目标网络开通后,所述服务小区下迁移至所述目标网络的用户数。
具体地,可通过对所述目标时间段内不同终端类型对应的稳定用户数进行拟合,得到所述目标网络开通后不同终端类型对应的迁移至所述目标网络的用户数量fi(t),进一步基于不同终端类型对应的所述迁移至所述目标网络的用户数量,可确定在所述目标网络开通后所述服务小区下迁移至所述目标网络的用户数,即F(t)=∑ifi(t),其中,t为目标网络基站的开通天数。
需要说明的是,考虑到目标网络开通初期用户迁移量较大,后续账户间平稳,因而可以采用Logistic曲线和Gompertz曲线进行拟合。
另外,在进行曲线拟合时,也可以按照预设的划分规则将待拟合的数据划分为训练数据集合测试数据集,基于预设的拟合曲线对训练数据集进行拟合并基于测试数据集和拟合结果对拟合曲线进行修正,最终得到所述目标网络开通后不同终端类型对应的迁移至所述目标网络的用户数量。
D3、基于所述服务小区下各用户在所述目标时间段的业务类型分布信息及各业务类型对应的需求RB资源数,确定所述服务小区在所述目标时间段占用的总RB资源数。
示例地,表2示出了一种业务类型及需求RB资源的对应关系,其中,X<Y<Z。
表2:
APP应用 | 业务类型 | 占用的RB资源数 |
微信 | 小包业务 | X |
爱奇艺 | 大包业务 | Z |
手机百度 | 小包业务 | X |
抖音 | 中包业务 | Y |
支付宝 | 小包业务 | X |
D4、将所述服务小区的网络覆盖类型、所述服务小区在目标时间段的用户类型分布信息、在所述目标网络开通后所述服务小区下迁移至所述目标网络的用户数以及所述服务小区在所述目标时间段占用的总RB资源数输入资源利用率预测模型,以得到所述服务小区在所述目标时间段对所述目标网络的资源利用率。
其中,所述资源利用率预测模型是以样本小区的网络覆盖类型、在指定时间段的用户类型分布信息、在所述目标网络开通后迁移至所述目标网络的用户数以及在所述目标时间段占用的总RB资源数为训练样本,以样本小区在所述指定时间段对所述目标网络的资源利用率为标签进行训练得到的。
在本实施例中,通过将上述四个维度的因素作为输入,基于机器学习算法建立的资源利用率预测模型基于输入进行预测,可以快速、准确地得到服务小区对目标网络的资源利用率。
一个实施例中,所述资源利用率预测模型可通过以下方式训练得到:
E1、将样本小区的网络覆盖类型、在指定时间段的用户类型分布信息、在所述目标网络开通后迁移至所述目标网络的用户数以及在所述目标时间段占用的总RB资源数作为输入层,并将样本小区在所述指定时间段对所述目标网络的资源利用率作为输出层。
E2、基于预设损失函数和反向传播算法对所述神经网络进行调优,以得到所述资源利用率预测模型。
考虑到上述四个维度的因素之间具有复杂的关联关系,可利用神经网络可以无限逼近任意函数的特性来做分析拟合。
具体实施时,预设损失函数可以为cross-entropy函数。
需要说明的是,为了不断优化资源利用率预测模型,提高资源利用率预测模型的输出结果的准确性,可以基于得到的服务小区在目标时间段对目标网络的资源利用率和实际对目标网络的资源利用率对模型进行修正。
在本实施例中,利用神经网络可以无限逼近任意函数的特性对样本小区的相应数据进行分析拟合,可以提高资源利用率预测模型的准确性,进而可以使对服务小区在未来的资源利用率的预测结果更准确,从而可以更加有的放矢地规划网络资源以及对网络资源进行优化调整,保证网络质量、提升网络业务量。
请参见图3,图3是根据一示例性实施例示出的一种服务小区的网络资源利用率预测装置300的结构示意图。如图3所示,所述装置300包括:
第一确定单元301,用于确定服务小区的网络覆盖类型。
获取单元302,用于获取所述服务小区在目标时间段的用户类型分布信息及各用户在所述目标时间段的业务类型分布信息,用户类型包括稳定用户和非稳定用户。
第二确定单元303,用于确定所述服务小区下各稳定用户使用的终端类型。
预测单元304,用于基于所述服务小区的网络覆盖类型、所述服务小区在目标时间段的用户类型分布信息及各用户的业务类型分布信息、以及所述服务小区下各稳定用户使用的终端类型,预测所述服务小区在所述目标时间段对目标网络的资源利用率。
可选地,所述第一确定单元301具体用于:
基于网络工程参数确定所述服务小区所属的场景类别;
基于所述服务小区所属的场景类别和所述目标网络的规划建设信息,确定所述服务小区的网络覆盖类型,其中,所述网络覆盖类型包括:目标网络覆盖、其他网络覆盖、目标网络与其他网络联合覆盖、潜在目标网络覆盖。
可选地,所述用户类型分布信息包括各用户所属的用户类型及各用户类型的比例;
所述获取单元302具体用于:
基于S1-U接口信令数据获取服务小区下各用户在与目标时间段匹配的指定历史时间段的呼叫信息;
针对所述服务小区下每一用户,基于所述用户在所述指定历史时间内段的呼叫信息确定所述用户所属的用户类型;
基于所述服务小区各用户所属的用户类型,确定所述服务小区在所述指定历史时间段各用户类型的比例;
基于所述服务小区在所述指定历史时间段各用户类型的比值,预测所述服务小区在所述目标时间段各用户类型的比例。
可选地,所述获取单元302具体用于:
基于S1-U接口信令数据获取所述服务小区下各用户在与所述目标时间段匹配的指定历史时间段的业务类型分布信息;
基于所述服务小区下各用户在所述指定历史时间段的业务类型分布信息,预测各用户在所述目标时间段内的业务类型分布信息。
可选地,所述预测单元304具体用于:
基于所述服务小区下各稳定用户使用的终端类型和所述服务小区在目标时间的用户类型分布信息,确定所述目标时间段内不同终端类型对应的稳定用户数;
基于所述目标时间段内不同终端类型对应的稳定用户数,预测在所述目标网络开通后,所述服务小区下迁移至所述目标网络的用户数;
基于所述服务小区下各用户在所述目标时间段的业务类型分布信息及各业务类型对应的需求RB资源数,确定所述服务小区在所述目标时间段占用的总RB资源数;
将所述服务小区的网络覆盖类型、所述服务小区在目标时间段的用户类型分布信息、在所述目标网络开通后所述服务小区下迁移至所述目标网络的用户数以及所述服务小区在所述目标时间段占用的总RB资源数输入资源利用率预测模型,以得到所述服务小区在所述目标时间段对所述目标网络的资源利用率;
其中,所述资源利用率预测模型是以样本小区的网络覆盖类型、在指定时间段的用户类型分布信息、在所述目标网络开通后迁移至所述目标网络的用户数以及在所述目标时间段占用的总RB资源数为训练样本,以样本小区在所述指定时间段对所述目标网络的资源利用率为标签进行训练得到的。
可选地,如图4所示,所述装置300还包括:
模型训练单元305,用于将样本小区的网络覆盖类型、在指定时间段的用户类型分布信息、在所述目标网络开通后迁移至所述目标网络的用户数以及在所述目标时间段占用的总RB资源数作为输入层,并将样本小区在所述指定时间段对所述目标网络的资源利用率作为输出层,以及基于预设损失函数和反向传播算法对所述神经网络进行调优,以得到所述资源利用率预测模型。
关于上述实施例中的装置,其中各个单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图5是根据一示例性实施例示出的一种电子设备500的框图。例如,电子设备500可以被提供为一服务器。参照图5,电子设备500包括处理器522,其数量可以为一个或多个,以及存储器532,用于存储可由处理器522执行的计算机程序。存储器532中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理器522可以被配置为执行该计算机程序,以执行上述的服务小区的网络资源利用率预测方法。
另外,电子设备500还可以包括电源组件526和通信组件550,该电源组件526可以被配置为执行电子设备500的电源管理,该通信组件550可以被配置为实现电子设备500的通信,例如,有线或无线通信。此外,该电子设备500还可以包括输入/输出(I/O)接口558。电子设备500可以操作基于存储在存储器532的操作***,例如Windows ServerTM,Mac OSXTM,UnixTM,LinuxTM等等。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的服务小区的网络资源利用率预测方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器532,上述程序指令可由电子设备500的处理器522执行以完成上述的服务小区的网络资源利用率预测方法。
当然,除了软件实现方式之外,本申请的电子设备并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
本申请实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的便携式电子设备执行时,能够使该便携式电子设备执行图1所示实施例的方法,并具体用于执行以下操作:
确定服务小区的网络覆盖类型;
获取所述服务小区在目标时间段的用户类型分布信息及各用户在所述目标时间段的业务类型分布信息,用户类型包括稳定用户和非稳定用户;
确定所述服务小区下各稳定用户使用的终端类型;
基于所述服务小区的网络覆盖类型、所述服务小区在目标时间段的用户类型分布信息及各用户的业务类型分布信息、以及所述服务小区下各稳定用户使用的终端类型,预测所述服务小区在所述目标时间段对目标网络的资源利用率。
总之,以上所述仅为本申请的较佳实施例而已,并非用于限定本申请的保护范围。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
Claims (8)
1.一种服务小区的网络资源利用率预测方法,其特征在于,包括:
确定服务小区的网络覆盖类型;
获取所述服务小区在目标时间段的用户类型分布信息及各用户在所述目标时间段的业务类型分布信息,用户类型包括稳定用户和非稳定用户;
确定所述服务小区下各稳定用户使用的终端类型;
基于所述服务小区的网络覆盖类型、所述服务小区在目标时间段的用户类型分布信息及各用户的业务类型分布信息、以及所述服务小区下各稳定用户使用的终端类型,预测所述服务小区在所述目标时间段对目标网络的资源利用率;
所述基于所述服务小区的网络覆盖类型、所述服务小区在目标时间段的用户类型分布信息及各用户在所述目标时间段的业务类型分布信息、以及所述服务小区下各稳定用户使用的终端类型,预测所述服务小区在所述目标时间段对目标网络的资源利用率,包括:
基于所述服务小区下各稳定用户使用的终端类型和所述服务小区在目标时间的用户类型分布信息,确定所述目标时间段内不同终端类型对应的稳定用户数;
基于所述目标时间段内不同终端类型对应的稳定用户数,预测在所述目标网络开通后,所述服务小区下迁移至所述目标网络的用户数;
基于所述服务小区下各用户在所述目标时间段的业务类型分布信息及各业务类型对应的需求RB资源数,确定所述服务小区在所述目标时间段占用的总RB资源数;
将所述服务小区的网络覆盖类型、所述服务小区在目标时间段的用户类型分布信息、在所述目标网络开通后所述服务小区下迁移至所述目标网络的用户数以及所述服务小区在所述目标时间段占用的总RB资源数输入资源利用率预测模型,以得到所述服务小区在所述目标时间段对所述目标网络的资源利用率;
其中,所述资源利用率预测模型是以样本小区的网络覆盖类型、在指定时间段的用户类型分布信息、在所述目标网络开通后迁移至所述目标网络的用户数以及在所述目标时间段占用的总RB资源数为训练样本,以样本小区在所述指定时间段对所述目标网络的资源利用率为标签进行训练得到的。
2.根据权利要求1所述的方法,其特征在于,确定服务小区的网络覆盖类型,包括:
基于网络工程参数确定所述服务小区所属的场景类别;
基于所述服务小区所属的场景类别和所述目标网络的规划建设信息,确定所述服务小区的网络覆盖类型,其中,所述网络覆盖类型包括:目标网络覆盖、其他网络覆盖、目标网络与其他网络联合覆盖、潜在目标网络覆盖。
3.根据权利要求1所述的方法,其特征在于,所述用户类型分布信息包括各用户所属的用户类型及各用户类型的比例;
获取所述服务小区在目标时间段的用户类型分布信息,包括:
基于S1-U接口信令数据获取服务小区下各用户在与目标时间段匹配的指定历史时间段的呼叫信息;
针对所述服务小区下每一用户,基于所述用户在所述指定历史时间内段的呼叫信息确定所述用户所属的用户类型;
基于所述服务小区各用户所属的用户类型,确定所述服务小区在所述指定历史时间段各用户类型的比例;
基于所述服务小区在所述指定历史时间段各用户类型的比值,预测所述服务小区在所述目标时间段各用户类型的比例。
4.根据权利要求1所述的方法,其特征在于,获取所述服务小区下各用户在所述目标时间段的业务类型分布信息,包括:
基于S1-U接口信令数据获取所述服务小区下各用户在与所述目标时间段匹配的指定历史时间段的业务类型分布信息;
基于所述服务小区下各用户在所述指定历史时间段的业务类型分布信息,预测各用户在所述目标时间段内的业务类型分布信息。
5.根据权利要求1所述的方法,其特征在于,所述资源利用率预测模型通过以下方式训练得到:
将样本小区的网络覆盖类型、在指定时间段的用户类型分布信息、在所述目标网络开通后迁移至所述目标网络的用户数以及在所述目标时间段占用的总RB资源数作为输入层,并将样本小区在所述指定时间段对所述目标网络的资源利用率作为输出层;
基于预设损失函数和反向传播算法对神经网络进行调优,以得到所述资源利用率预测模型。
6.一种服务小区的网络资源利用率预测装置,其特征在于,包括:
第一确定单元,用于确定服务小区的网络覆盖类型;
获取单元,用于获取所述服务小区在目标时间段的用户类型分布信息及各用户在所述目标时间段的业务类型分布信息,用户类型包括稳定用户和非稳定用户;
第二确定单元,用于确定所述服务小区下各稳定用户使用的终端类型;
预测单元,用于基于所述服务小区的网络覆盖类型、所述服务小区在目标时间段的用户类型分布信息及各用户的业务类型分布信息、以及所述服务小区下各稳定用户使用的终端类型,预测所述服务小区在所述目标时间段对目标网络的资源利用率;
所述预测单元具体用于:
基于所述服务小区下各稳定用户使用的终端类型和所述服务小区在目标时间的用户类型分布信息,确定所述目标时间段内不同终端类型对应的稳定用户数;
基于所述目标时间段内不同终端类型对应的稳定用户数,预测在所述目标网络开通后,所述服务小区下迁移至所述目标网络的用户数;
基于所述服务小区下各用户在所述目标时间段的业务类型分布信息及各业务类型对应的需求RB资源数,确定所述服务小区在所述目标时间段占用的总RB资源数;
将所述服务小区的网络覆盖类型、所述服务小区在目标时间段的用户类型分布信息、在所述目标网络开通后所述服务小区下迁移至所述目标网络的用户数以及所述服务小区在所述目标时间段占用的总RB资源数输入资源利用率预测模型,以得到所述服务小区在所述目标时间段对所述目标网络的资源利用率;
其中,所述资源利用率预测模型是以样本小区的网络覆盖类型、在指定时间段的用户类型分布信息、在所述目标网络开通后迁移至所述目标网络的用户数以及在所述目标时间段占用的总RB资源数为训练样本,以样本小区在所述指定时间段对所述目标网络的资源利用率为标签进行训练得到的。
7.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至5中任一项所述的服务小区的网络资源利用率预测方法。
8.一种计算机可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如权利要求1至5中任一项所述的服务小区的网络资源利用率预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010490415.7A CN113766523B (zh) | 2020-06-02 | 2020-06-02 | 服务小区的网络资源利用率预测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010490415.7A CN113766523B (zh) | 2020-06-02 | 2020-06-02 | 服务小区的网络资源利用率预测方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113766523A CN113766523A (zh) | 2021-12-07 |
CN113766523B true CN113766523B (zh) | 2023-08-01 |
Family
ID=78782815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010490415.7A Active CN113766523B (zh) | 2020-06-02 | 2020-06-02 | 服务小区的网络资源利用率预测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113766523B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115001559B (zh) * | 2022-03-17 | 2023-04-18 | 中国科学院计算技术研究所 | 一种适用于卫星网络的用户终端分布模型构建方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105227369A (zh) * | 2015-10-19 | 2016-01-06 | 南京华苏科技股份有限公司 | 基于众包模式的移动Apps对无线网路资源利用的分析方法 |
CN107426759A (zh) * | 2017-08-09 | 2017-12-01 | 广州杰赛科技股份有限公司 | 新增基站数据业务量的预测方法和*** |
CN107426721A (zh) * | 2016-05-24 | 2017-12-01 | ***通信集团广东有限公司 | 一种无线网络资源调控方法及装置 |
CN108965024A (zh) * | 2018-08-01 | 2018-12-07 | 重庆邮电大学 | 一种5g网络切片基于预测的虚拟网络功能调度方法 |
CN109462853A (zh) * | 2018-11-05 | 2019-03-12 | 武汉虹信技术服务有限责任公司 | 一种基于神经网络模型的网络容量预测方法 |
CN109803285A (zh) * | 2017-11-17 | 2019-05-24 | ***通信有限公司研究院 | 一种小区处理方法、装置及网络设备 |
WO2019241589A1 (en) * | 2018-06-13 | 2019-12-19 | Cohere Technologies, Inc. | Reciprocal calibration for channel estimation based on second-order statistics |
-
2020
- 2020-06-02 CN CN202010490415.7A patent/CN113766523B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105227369A (zh) * | 2015-10-19 | 2016-01-06 | 南京华苏科技股份有限公司 | 基于众包模式的移动Apps对无线网路资源利用的分析方法 |
CN107426721A (zh) * | 2016-05-24 | 2017-12-01 | ***通信集团广东有限公司 | 一种无线网络资源调控方法及装置 |
CN107426759A (zh) * | 2017-08-09 | 2017-12-01 | 广州杰赛科技股份有限公司 | 新增基站数据业务量的预测方法和*** |
CN109803285A (zh) * | 2017-11-17 | 2019-05-24 | ***通信有限公司研究院 | 一种小区处理方法、装置及网络设备 |
WO2019241589A1 (en) * | 2018-06-13 | 2019-12-19 | Cohere Technologies, Inc. | Reciprocal calibration for channel estimation based on second-order statistics |
CN108965024A (zh) * | 2018-08-01 | 2018-12-07 | 重庆邮电大学 | 一种5g网络切片基于预测的虚拟网络功能调度方法 |
CN109462853A (zh) * | 2018-11-05 | 2019-03-12 | 武汉虹信技术服务有限责任公司 | 一种基于神经网络模型的网络容量预测方法 |
Non-Patent Citations (1)
Title |
---|
超密集部署下以用户为中心的分簇与资源分配;尼俊红;《科学技术与工程》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113766523A (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mei et al. | Intelligent radio access network slicing for service provisioning in 6G: A hierarchical deep reinforcement learning approach | |
Chen et al. | Spatio–temporal edge service placement: A bandit learning approach | |
CN110505650B (zh) | 随机异构分层网容量智能评估方法及装置 | |
CN110996377B (zh) | 一种基站节能方法、***、装置和存储介质 | |
Chen et al. | LOCUS: User-perceived delay-aware service placement and user allocation in MEC environment | |
CN111385800A (zh) | 一种lte容量均衡的载波调度方法和装置 | |
CN114007225A (zh) | Bwp的分配方法、装置、电子设备及计算机可读存储介质 | |
US11792662B2 (en) | Identification and prioritization of optimum capacity solutions in a telecommunications network | |
Sadreddini et al. | Dynamic resource sharing in 5G with LSA: Criteria‐based management framework | |
CN113766523B (zh) | 服务小区的网络资源利用率预测方法、装置及电子设备 | |
CN113891336B (zh) | 通信网络减频退网方法、装置、计算机设备和存储介质 | |
Zhang et al. | M2M communication performance for a noisy channel based on latency-aware source-based LTE network measurements | |
CN113132136B (zh) | 满意度预测模型建立及预测满意度的方法、装置及电子设备 | |
Wang et al. | Solving channel assignment problems using local search methods and simulated annealing | |
CN103618674A (zh) | 基于自适应服务模型的联合分组调度和信道分配路由方法 | |
Bejarano-Luque et al. | A context-aware data-driven algorithm for small cell site selection in cellular networks | |
Balieiro et al. | An evolutionary scheme for secondary virtual networks mapping onto cognitive radio substrate | |
Wang et al. | Rush Hour Capacity Enhancement in 5G Network Based on Hot Spot Floating Prediction | |
WO2020215282A1 (en) | Method and apparatus for evaluate data traffic depressed by radio issues | |
CN116321374A (zh) | 基站节能关断方法、设备及存储介质 | |
Huang et al. | User assisted dynamic RAN notification area configuration scheme based on delay sensitivity for 5G inactive UEs | |
CN115442832B (zh) | 投诉问题定位方法、装置及电子设备 | |
CN114928849A (zh) | 一种基站部署方法、装置、电子设备及存储介质 | |
Xiao et al. | 5G construction efficiency enhancement based on LSTM algorithm | |
CN112085282B (zh) | 小区流量预测方法及服务器 |
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 |