[发明专利]一种基于相关性聚类混合算法模型的节假日无线流量预测方法、系统、设备及介质

权利要求书

1.一种基于相关性聚类混合算法模型的节假日无线流量预测方法，其特征在于，用于对基站扇区的流量进行预测，其特征在于，具体步骤包括：

步骤1)依据日期的不同分别定义节假日权重；具体为：

(1)对除春节外的节假日进行流量预测时：工作日的节假日权重为0，非节假日周末和寒暑假的权重为1，节假日时长小于等于三天的日期的节假日权重为3，节假日时长大于三天的日期的节假日权重为5，将春节前七天的节假日权重赋值为3，春节后七天的节假日权重赋值为7；

(2)对春节进行流量预测时：截取春节前三周的日期定义为节假日权重W_s，定义如下：

式(II)中，D为春节日期，d为春节前三周内的任意一天，即距离春节大于8天的日期的春节权重都设置为0；距离春节八天内的日期，每天的权重从1到8依次增加，即在除夕当天权重达到8；

步骤2)依据节假日权重计算基站扇区的节假日系数；具体操作步骤如下：

计算节假日权重序列与基站扇区的流量序列之间的皮尔逊相关性系数，将皮尔逊相关性系数作为基站扇区的节假日系数，皮尔逊相关性系数ρ_X，Y的计算公式为：

式(I)中，X是节假日权重序列，节假日权重序列为按照时间先后顺序由不同日期对应的节假日权重组成的一维序列；Y是基站扇区的流量序列，基站扇区的流量序列为按照时间先后顺序由基站扇区每天的无线流量组成的一维序列；E(·)表示数学期望，即平均值；σ_X表示节假日权重序列的方差，σ_Y表示基站扇区的流量序列的方差，μ_X表示节假日权重序列的平均值，μ_Y表示基站扇区的流量序列的平均值；

步骤3)依据节假日系数将所有基站扇区的流量模式进行分类；具体为：0.4≤节假日系数＜1，基站扇区的流量模式为强正相关模式；

当0.2≤节假日系数＜0.4，基站扇区的流量模式为弱正相关模式；

当-0.1≤节假日系数＜0.2，基站扇区的流量模式为不相关模式；

当-0.3≤节假日系数＜-0.1，基站扇区的流量模式为弱负相关模式；

当-1≤节假日系数＜-0.3，基站扇区的流量模式为强负相关模式；

步骤4)使用线性回归算法、长短时记忆算法、随机森林回归算法、支持向量回归算法共同构建混合算法模型；

步骤5)将不同流量模式下包含的所有基站扇区的流量数据分别构建训练集，并使用不同流量模式对应的训练集分别训练混合算法模型，得到不同流量模式对应的训练好的混合算法模型；即每一种流量模式对应的训练集训练得到一种混合算法模型；

步骤6)使用训练好的混合算法模型对基站扇区进行无线流量预测。