[发明专利]一种基站流量预测方法和设备

说明书

本发明提供了一种基站流量预测方法和设备，所述方法包括：将待预测基站对应的节点内流量特征及节点间流量特征输入预先基于基站空间依赖关系建立的流量预测模型，获取输出的待预测基站的流量预测值；其中，所述节点内流量特征为待预测基站及与待预测基站相邻基站的基站内流量，所述节点间流量特征为待预测基站与待预测基站相邻基站之间的基站间流量。本发明通过根据用户的移动特性将基站的流量分解为基站内流量和基站间流量，并利用基于基站空间依赖关系建立的流量预测模型进行流量预测，充分考虑了用户的移动对基站流量的影响，从而准确地进行流量预测。

技术领域

本发明涉及通信技术领域，具体涉及一种基站流量预测方法和设备。

背景技术

现代社会中，移动互联网深刻改变了人们的生产生活方式。据思科公司流量预测报告显示，移动网络流量在2015年增长了74％，在2020年将达到每月30.6EB(1EB约等于1018字节)，是当前网络流量的8倍以上。如此巨大的流量增长对移动通信运营商来说意味着更大的挑战。

在某些发达地区，网络容量已经不堪重负；并面临着基站间距进一步缩小、频率复用过密、网络底噪抬升等问题。因此，对基站流量进行实时预测，能够帮助基站进行实时地参数调整，提早发现流量异常，从而能够提升用户的服务质量。同时，城市范围内的基站流量预测也能帮助管理者及时发现人流快速聚集的突发事件，避免人群踩踏事件的发生。

然而，在当前网络环境下，考虑用户状态不同(如工作、睡眠、乘坐交通工具等)、使用应用程序类型不同(如视频类、社交类、游戏类等)、用户移动性、城市用地使用(如商业区、居民区、交通区等)、人口密度、工作日与假期等因素的影响，面向单个基站的细粒度流量预测显得尤为困难和复杂。

尽管现有技术中存在关于网络流量的分析与预测方法，但是主要集中在网络流量的统计特征和概率分布特征的分析与建模；虽然这些工作能够帮助我们深入理解网络流量的规律，但并不能直接应用到网络流量的预测。

针对流量的预测模型，现有技术包括基于自回归积分滑动平均(ARIMA)的预测模型、基于长短期记忆网络(LSTM)的预测模型以及基于空间自相关的预测模型等，但上述方案要么忽略空间因素的影响，要么使用近似的估计模型对流量建模，导致这些模型无法反映因用户移动所带来的长距离空间影响，从而也无法实现高精度的基站流量预测。

发明内容

针对现有技术中存在的上述缺陷，本发明提供一种基站流量预测方法和设备。

本发明的一方面提供一种基站流量预测方法，包括：将待预测基站对应的节点内流量特征及节点间流量特征输入预先基于基站空间依赖关系建立的流量预测模型，获取输出的待预测基站的流量预测值；其中，所述节点内流量特征为待预测基站及与待预测基站相邻基站的基站内流量，所述节点间流量特征为待预测基站与待预测基站相邻基站之间的基站间流量。

其中，所述将待预测基站对应的节点内流量特征及节点间流量特征输入预先基于基站空间依赖关系建立的流量预测模型的步骤前还包括：S1，获取训练集并基于有向图构建图神经网络模型；所述训练集包括输入量及对应的结果；所述输入量为待预测基站对应的t时段的前k个时段的节点内流量特征和节点间流量特征，所述结果为t时段的流量值；其中，k和t为大于1的自然数；S2，将所述训练集输入图神经网络模型以对图神经网络模型进行训练，获取训练完成的与待预测基站对应的流量预测模型。

其中，所述S1中获取训练集的步骤具体包括：从发送至基站的数据包中获取流量数据；所述流量数据包括基站的t时段和前k个时段的流量值以及用户集合；所述基站包括待预测基站及与待预测基站相邻的基站；对所述流量数据进行分解处理，获取待预测基站的训练集。

其中，所述从发送至基站的数据包中获取流量数据的步骤具体包括：通过蜂窝网络监测系统获取设备发送至基站的数据包；删除所述数据包中不完整的数据记录和/或漫游至本地的数据记录。