[发明专利]通信网络负荷预测方法、装置及服务器

说明书

本发明实施例提供一种通信网络负荷预测方法、装置及服务器，该方法包括：获取通信网络内多个小区的网络特征数据集合，并对每个小区的网络特征数据集合进行聚合，获得每个小区的均值特征数据；对所有小区的均值特征数据进行聚类分析，获得多组不同类别的训练样本集合，通过利用多组不同类别的训练样本集合分别进行模型训练，获得多个不同类型的小区负荷预测模型，并根据每个小区对应的小区负荷预测模型获得小区的网络预测负荷，并根据通信网络内所有小区的网络预测负荷确定通信网络的网络预测负荷，提高了预测的通信网络负荷结果的准确性。

技术领域

本发明实施例涉及通信技术领域，尤其涉及一种通信网络负荷预测方法、装置及服务器。

背景技术

通信网络的负荷是衡量网络运营能力的一项重要指标，当通信网络的负荷达到一定的门限时，将会出现容量瓶颈、导致网络延迟或丢包。为了保证用户的网络使用感知，对网络负荷进行提前预测，当预测出网络将要出现高负荷情况时，及时发出告警提示并对网络进行优化，从而缓解网络高负荷的问题。

目前，现有预测通信网络负荷方法主要是：采用时间序列的模型，如差分整合移动平均自回归模型(Autoregressive Integrated Moving Average，简称ARIMA)和长短期记忆网络(Long Short-Term Memory，简称LSTM)等，利用多个小区的历史网络负荷数据作为样本数据，将样本数据输入模型中、对模型进行训练，获得可预测网络负荷的预测模型，并根据预测模型预测通信网络的网络负荷数据。

然而，发明人发现现有技术存在如下技术问题：在利用多个小区的历史网络负荷数据对机器学习模型进行训练的过程中，由于不同业务类型小区的历史网络负荷数据之间存在很大的差异性，即样本数据之间的相关性太低，导致预测模型训练失败，无法通过训练后的预测模型准确地获得通信网络负荷数据，影响了预测的通信网络负荷的准确性。

发明内容

本发明实施例提供一种通信网络负荷预测方法、装置及服务器，以提高预测的通信网络负荷结果的准确性。

第一方面，本发明实施例提供一种通信网络负荷预测方法，包括：

获取通信网络内多个小区的网络特征数据集合，并对每个小区的网络特征数据集合进行聚合，获得每个小区的均值特征数据；

对所有小区的均值特征数据进行聚类分析，获得多组不同类别的训练样本集合，其中每个训练样本集合中包含多个同类型小区的均值特征数据；

分别根据每组训练样本集合对模型进行训练，获得多个不同类型的小区负荷预测模型；

根据每个小区对应的小区负荷预测模型获得小区的网络预测负荷，并根据所述通信网络内所有小区的网络预测负荷确定所述通信网络的网络预测负荷。

在一种可能的设计中，所述对所有小区的均值特征数据进行聚类分析，获得多组不同类型的训练样本集合，包括；

将每个小区的均值特征数据作为一个节点，根据两个节点各自对应的值特征数据确定两个节点之间的相似度；

根据任意两个节点之间的相似度获得节点关系图，并根据标签传播算法对节点关系图进行分析，获得多个节点子集合；

将同属于一个节点子集合的所有节点作为一组训练节点，并分别根据每组训练节点对应的小区的均值特征数据，获得多组不同类型的训练样本集合。

在一种可能的设计中，所述根据两个节点各自对应的值特征数据确定两个节点之间的相似度，包括：