[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

说明书

本发明涉及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，节假日无线流量预测方法包括：步骤1)依据日期的不同分别定义节假日权重；步骤2)依据节假日权重计算基站扇区的节假日系数；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；步骤4)构建混合算法模型；步骤5)得到不同流量模式对应的训练好的混合算法模型；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。本发明提出将基站扇区通过节假日系数分为不同流量模式，对各个模式训练一个公共的模型的架构可以有效解决过拟合的问题，使模型具有灵活性与捕捉流量变化特征的能力。

技术领域

本发明涉及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，属于无线流量预测技术领域。

背景技术

随着智能手机等设备的普及，无线蜂窝网络具有越来越重要的作用。准确预测基站扇区的流量对于基站资源部署、功率分配等具有重要的参考意义，是实现智能通信网络的重要前提。特别是在节假日期间，由于人口的大量流动，许多地区的流量使用情况会发生改变，比如在许多农村地区，许多外出工作者会在节假日期间集中回乡，而他们正是使用流量的主力，这将会导致这些地区在节假日期间的无线流量使用量激增。相反的，在很多学校或者办公区域，在节假日期间会因为人员放假而导致无线流量使用量锐减。如果可以准确预测到这些变化，那就可以针对这些变化提前做出部署，比如在无线流量使用增多的地区进行扩容或者加大功率以保证用户使用体验，在无线流量使用减少的地区减小功率以降低成本，使得基站可以低碳，低成本，高效率运行。

总结目前使用人工智能进行无线流量预测的工作，大体上分为三种思路，一是改进模型，使模型更适合无线流量预测；二是将无线流量本身进行分为不同的部分，然后分别预测这些部分，最后将这些部分相加得到最终的预测结果；三是结合无线流量之外的其他相关信息共同进行预测，比如使用基站所在的空间特性以及天气情况等。但是,现有工作主要聚焦于数分钟、数小时等短期持续时间内的无线流量预测，且所使用的的数据一般为非节假日数据或未对节假日时期的预测做出特别处理。然而，在一些重要节假日，比如春节，由于放假时间很长，许多人会选择出行，加之对手机等需要消耗流量的智能终端的使用时间与平常相比也有较大变化，这些会导致某些地区的流量使用异于平常，有些极剧烈的变化会超出基站所能提供的最大服务范围。为了防止基站在节假日时期无法为用户提供优质的服务，运营商会选择提前对某些基站做出调整，对无线流量使用量增加的基站进行物理资源扩容。相似的，也会调低某些流量使用量降低的基站的功率等，避免资源的浪费。因此，精确预测基站在节假日期间的流量可以指导运营商进行提前的部署，提高服务质量。

在流量预测领域，目前使用较多的思路是对每个基站单独进行处理，为每一个基站训练一个模型，当进行预测时，使用各个基站对应的模型进行预测。然而，当针对春节期间的流量值预测，由于春节期间的流量模式与平时变化很大，因此非节假日时期的流量对于春节时期的流量预测效果有限，甚至有时会造成错误干扰。在节假日无线流量预测的过程中，在可用数据较少的场景，所获得的每个基站的流量数据中只包含一次春节期间的数据，如果只使用该扇区对应的春节数据进行模型训练的话，会导致过拟合，使得预测的某一年春节期间的数据与上一年的数据十分相似。

发明内容

针对现有技术的不足，本发明提供了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及预测系统，先依据日期的不同分别定义节假日权重，然后依据节假日权重计算节假日系数，再利用节假日系数将所有基站扇区的流量模式进行分类；使用各个流量模式下包含的所有基站扇区的数据构建训练集，对相应流量模式的预测模型进行训练；使用训练所得的混合算法模型进行基于基站扇区的无线流量预测。本发明提出将基站扇区通过节假日系数分为不同流量模式，对各个模式训练一个公共的模型的架构可以有效解决过拟合的问题，使模型具有灵活性与捕捉流量变化特征的能力；

本发明还提供了一种计算机设备及存储介质。

术语解释：