[发明专利]基于时间序列的流量预测和载波关断方法和系统

权利要求书

1.一种基于时间序列的流量预测方法，其特征在于，所述方法包括以下步骤：

获取目标基站小区及相关邻区基站的话务流量相关历史数据，通过关联字段提取一个或多个基于时间序列的特征；其中：

所述的通过关联字段提取一个或多个基于时间序列的特征的步骤包括：接入管辖目标小区的网管系统，采集预定时间段内的历史数据，并且通过关联字段提取流量数据关联特征，其中，该关联字段包括平均PRB利用率、RRC连接用户数、小区上下行流量以及小区间的切换统计数据；

激活多模型融合算法，根据提取的特征选定多个机器学习模型作为堆叠的第一层并进行多折交叉验证；其中：

所述的根据提取的特征选定多个机器学习模型作为堆叠的第一层并进行多折交叉验证的步骤包括：对每一个模型进行多折的交叉验证，其中取一折作为测试数据，其余的折作为训练数据；在每一次的交叉验证中，基于训练数据进行模型训练并且基于训练生成的模型对测试数据进行预测，同时对原来的整个测试数据集进行预测，使这部分预测值作为下一层模型的测试数据的一部分；

对多模型的多折交叉验证后的输出结果进行保存和合并；其中：

所述的对多模型的多折交叉验证后的输出结果进行保存和合并的步骤包括：将训练得到的预测值数据进行堆叠拼凑，将整个测试数据集进行预测得到的各部分数据相加和求平均；

基于指定堆叠第二层的预测算法模型，将多折交叉验证后的输出结果进行再训练，从而通过测试集结果与真实值进行对比，得到目标预测值及精度指标，随着运行时间的加长预测精确度不断得到提高。

2.根据权利要求1所述的流量预测方法，其特征在于，还包括：通过多个不同的机器学习模型，分别对目标小区基站的流量数据关联特征进行训练，并且分别生成一组堆叠特征；并且将所述的堆叠特征结合移动数据流量特征之外的额外特征，通过第二层的预测算法模型进行再训练，从而获得与所述的额外特征关联的属性类别的预测结果，其中，该额外特征包括通过时间和/或地理信息的字段提取得到的统计类特征。

3.根据权利要求1所述的流量预测方法，其特征在于，所述的机器学习模型选自以下模型中的任一个或多个：梯度下降树模型、XGBoost模型、随机森林模型、差分整合移动平均自回归模型、长短期记忆网络模型。

4.一种载波关断方法，其特征在于，包括如权利要求1至3中任一项权利要求所述的流量预测方法的步骤，所述的载波关断方法还包括以下步骤：确定在预定时间段内的小区预测流量低于预设的门限，下发关闭该小区的载频指令，直至该小区达到激活站条件后，触发开启载频的指令。

5.根据权利要求4所述的载波关断方法，其特征在于，还包括：基于所述的流量预测方法，全局分析与一小区的覆盖区域重叠的邻区的流量状态；对冗余覆盖的并且在预定时间段内的预测流量低于预设的门限的小区进行暂时闭站操作。

6.一种计算机系统，其特征在于，包括：流量预测装置，用于执行如权利要求1至3中任一权利要求所述的流量预测方法；载波关断模块，用于执行如权利要求4或5所述的载波关断方法，其中，所述的流量预测装置和所述的载波关断模块与管辖一个或多个小区的基站的网管系统通信连接，或者整合在该网管系统中。

7.一种计算机可读的存储介质，其特征在于，其上储存有程序指令，所述程序指令被处理器执行时实现如权利要求1至5中任一权利要求中的方法。

8.一种计算机应用服务器，其特征在于，包括如权利要求6所述的计算机系统。