[发明专利]网络流量预测方法、装置和电子设备

说明书

本申请公开了网络流量预测方法、装置和电子设备。网络流量预测方法包括：基于泊松点过程PPP对蜂窝网络下行链路建模，得到网络模型；建立多个正交信道中的部分正交信道与D2D用户的对应关系，以及剩余正交信道与蜂窝用户的对应关系；获取蜂窝用户和D2D用户处的信号传输参数值，如果信号传输参数值满足预设条件，则根据蜂窝用户和D2D用户处的流量计算所述网络模型中目标时间段对应的总网络流量，得到网络流量预测结果。本申请实施例基于随机几何的理论框架来分析预测异构蜂窝网络流量，提高了网络流量的预测精度，并通过频谱资源分配实现了网络流量最大化。

技术领域

本申请涉及通信技术领域，具体涉及网络流量预测方法、装置和电子设备。

背景技术

近年来，随着移动用户的快速增长和数据流量的爆炸式增长，现有的网络架构受到了极大的冲击。为了实现更好的网络监控和网络管理，流量统计和预测已成为重要的网络安全管理技术方法之一，流量统计预测是通过对历史流量的建模，建立了一个相关的网络流量模型来预测未来的网络流量。

在现有文献中，研究人员从分形，周期，混沌特征的总结，分形的应用，多重分形，时间序列分析，小波分析，神经网络，混沌理论等方面对网络流量的深入分析。研究者提出了大量用于描述和分析流量的技术手段。虽然部分研究已达到网络建模的目标，但尚未能完全有效地反映网络行为和流量特征的状态。例如，传统的ARMA(Autoregressive movingaverage model，自回归滑动平均模型)基于严格的数学理论，可以表征短相关和长相关，但随着步长增加，精度会降低。作为非平稳模型的神经网络可以弥补静止模型不能表征非平稳流动缺陷的事实，但是神经网络没有精确层结构和神经元数量的理论基础。

发明内容

鉴于上述问题，提出了本申请以便提供一种克服上述问题或者至少部分地解决上述问题的网络流量预测方法、装置和电子设备。

依据本申请的一个方面，提供了一种网络流量预测方法，包括：

基于泊松点过程PPP对蜂窝网络下行链路建模，得到网络模型；蜂窝网络中包括蜂窝用户和设备到设备D2D用户；

建立多个正交信道中的部分正交信道与D2D用户的对应关系，以及剩余正交信道与蜂窝用户的对应关系，所述正交信道基于蜂窝网络下行链路的频谱资源划分得到；

获取蜂窝用户和D2D用户处的信号传输参数值，如果信号传输参数值满足预设条件，则根据蜂窝用户和D2D用户处的流量计算所述网络模型中目标时间段对应的总网络流量，得到网络流量预测结果。

依据本申请的另一个方面，提供了一种网络流量预测装置，包括：

建模单元，用于基于泊松点过程PPP对蜂窝网络下行链路建模，得到网络模型；蜂窝网络中包括蜂窝用户和设备到设备D2D用户；

信道单元，用于建立多个正交信道中的部分正交信道与D2D用户的对应关系，建立剩余正交信道与蜂窝用户的对应关系，所述正交信道基于蜂窝网络下行链路的频谱资源划分得到；

预测单元，用于获取蜂窝用户和D2D用户处的信号传输参数值，如果信号传输参数值满足预设条件，则根据蜂窝用户和D2D用户处的流量计算所述网络模型中目标时间段对应的总网络流量，得到网络流量预测结果。

依据本申请的又一方面，提供了一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行如上述本申请的一方面所述的方法。