[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

说明书

本发明涉及基于时间序列的流量预测和载波关断方法和系统。其中的流量预测方法包括：获取目标基站小区历史数据，通过关联字段提取基于时间序列的特征；激活多模型融合算法，根据提取的特征选定多个模型作为堆叠的第一层进行多折交叉验证，输出结果进行合并；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再训练，得到目标预测值及精度指标。载波关断方法是在流量预测步骤的基础上，利用某时段的预测数据，使特定的小区基站在预测的时间节点进行载波关断或闭站操作。本发明方案中的系统包括计算装置和模块，用于实现上述方法。本发明方案不仅能得出准确的流量预测结果，还能使基站能耗大幅降低，并减少通信系统运营费用。

技术领域

本发明属于通讯技术领域，涉及一种基于时间序列的流量预测和载波关断方法。本发明还涉及基于所述方法的系统及基站。

背景技术

移动网络话务量存在明显的潮汐效应，但大部分通信基站设备却始终保持持续运行状态，能耗并没有随话务量动态调整，形成浪费。

发明内容

为了解决上述技术问题，本发明提供基于时间序列的流量预测、载波关断的技术方案，不仅对基站小区流量进行预测，还能够智能地对目标小区的基站进行载波关断或者闭站操作，来达到节能又不影响网络KPI、不减网络覆盖的效果。

本发明的技术方案涉及一种基于时间序列的流量预测方法，所述方法包括以下步骤：

获取目标基站小区历史数据，通过关联字段提取一个或多个基于时间序列的特征；

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；

对多模型的多折交叉验证后的输出结果进行保存和合并；

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，循环优化、不断提升。

根据本发明的一些方面，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。

根据本发明的一些方面，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。并且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。

根据本发明的一些方面，所述的流量预测方法，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。

根据本发明的一些方面，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(GBDT)模型、XGBoost模型、随机森林(RF)模型、差分整合移动平均自回归(ARIMA)模型、长短期记忆网络(LSTM)模型。

本发明的技术方案还涉及一种载波关断方法，该方法不仅包括上述的流量预测方法中的步骤，还包括：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。