一种网络指标预测方法、装置及电子设备制造方法及图纸

本发明专利技术提供一种网络指标预测方法、装置及电子设备，所述方法包括：提取待预测网络指标的相关数据特征，所述相关数据特征包括：与所述待预测网络指标相关的第一指标的预测数据特征；将所述相关数据特征输入目标模型，获得所述待预测网络指标的预测结果。本发明专利技术的实施例，在对网络指标进行预测时，增加与待预测的网络指标相关的其他指标的未来时刻的预测值，即增加了跨指标预测结果的信息，作为模型输入，能够提升对于网络指标的预测精准度。能够提升对于网络指标的预测精准度。能够提升对于网络指标的预测精准度。

【技术实现步骤摘要】
一种网络指标预测方法、装置及电子设备


[0001]本专利技术涉及通信
，特别是指一种网络指标预测方法、装置及电子设备。

技术介绍

[0002]精准的网络指标预测在网络规划、优化及基站节能等方面有重要的参考价值。但随着移动设备的快速增长，庞大而复杂的网络环境使得网络指标周期性、平稳性变差，导致网络指标的预测更多困难。另外，应用场景的不同，对预测结果的精度要求也不尽相同。
[0003]现有网络指标预测方法大多是基于指标历史数据和空间维度信息等数据直接进行预测。但网络指标不仅与本指标的历史信息有关，若直接进行预测，存在误差大、对峰值预测不准的问题，导致预测精准度较低。

技术实现思路

[0004]本专利技术的目的是提供一种网络指标预测方法、装置及电子设备，用以解决现有的网络指标预测方法的预测精准度低的问题。
[0005]为达到上述目的，本专利技术的实施例提供一种网络指标预测方法，包括：
[0006]提取待预测网络指标的相关数据特征，所述相关数据特征包括：与所述待预测网络指标相关的第一指标的预测数据特征；
[0007]将所述相关数据特征输入目标模型，获得所述待预测网络指标的预测结果。
[0008]可选地，所述相关数据特征还包括：
[0009]所述待预测网络指标的第一历史数据特征；和/或
[0010]所述第一指标的第二历史数据特征。
[0011]可选地，在所述相关数据特征包括所述第一指标的第二历史数据特征的情况下，所述提取待预测网络指标的相关数据特征，包括：
[0012]对所述待预测网络指标进行相关性分析，获得与所述待预测网络指标相关的第一指标；
[0013]提取所述第一指标的历史数据的数据特征，获得所述第二历史数据特征。
[0014]可选地，所述提取待预测网络指标的相关数据特征，包括：
[0015]对所述第一指标进行周期性分析，获得所述第一指标的周期性结果；
[0016]在所述第一指标的周期性结果满足第一条件时，提取所述第一指标的历史数据特征和与所述第一指标相关的第二指标的历史数据特征；
[0017]利用所述第一指标的历史数据特征和所述第二指标的历史数据特征，预测所述第一指标在目标时刻的第一预测值；
[0018]将满足精度阈值的所述第一预测值确定为所述第一指标的预测数据特征。
[0019]可选地，所述利用所述第一指标的历史数据特征和所述第二指标的历史数据特征，预测所述第一指标在目标时刻的第一预测值，包括：
[0020]利用极限梯度提升算法，对所述第一指标的历史数据特征和所述第二指标的历史
数据特征进行训练，获得所述第一指标在目标时刻的第一预测值。
[0021]可选地，在提取待预测网络指标的相关数据特征之前，所述方法还包括：
[0022]对所述待预测网络指标进行周期性分析，获得所述待预测网络指标的周期性结果；
[0023]所述提取待预测网络指标的相关数据特征，包括：
[0024]在所述待预测网络指标的周期性结果满足第二条件时，提取所述待预测网络指标的单位指标的相关数据特征。
[0025]可选地，所述对所述待预测网络指标进行周期性分析，获得所述待预测网络指标的周期性结果，包括：
[0026]计算待预测范围内的每个小区的自相关系数；
[0027]根据所述自相关系数确定每个小区的周期性；
[0028]计算具有周期性的小区数量与所述待预测范围内的所有小区数量的比值；
[0029]根据所述比值确定述待预测网络指标的周期性结果；
[0030]其中，在所述自相关系数大于第一阈值时，确定小区具有周期性。
[0031]可选地，所述提取所述待预测网络指标的单位指标的相关数据特征，包括：
[0032]提取待预测范围内所有用户的所述待预测网络指标的总数据特征；
[0033]根据所述总数据特征计算单位指标的相关数据特征。
[0034]可选地，在将所述相关数据特征输入目标模型之前，所述方法还包括：
[0035]构造模型训练样本数据；
[0036]利用所述模型训练样本数据进行模型训练，获得所述目标模型。
[0037]可选地，所述构造模型训练样本数据，包括：
[0038]提取第一时间范围内的所述待预测网络指标的相关数据特征；
[0039]调整所述相关数据特征构成的样本数据中，不同类型数据所占的比例，使目标类型的数据特征在所述样本数据中所占的比例达到预设值；
[0040]将调整后的相关数据特征作为所述模型训练样本数据。
[0041]可选地，所述利用所述模型训练样本数据进行模型训练之前，所述方法还包括：
[0042]构造所述目标模型的损失函数；
[0043]所述目标模型的损失函数为：
[0044][0045]其中，L表示目标模型的损失函数，N表示目标类型的数据特征构成的样本数据集，d
i
表示目标类型的数据特征与第四阈值的距离，i表示N中的数据特征，ε为常量；I
i
表示权重系数，为第一损失函数，y
i
表示待预测网络指标的真实结果，表示所述目标模型输出的预测结果。
[0046]可选地，在提取待预测网络指标的相关数据特征之前，所述方法还包括：
[0047]对待预测网络指标的相关数据进行数据预处理；
[0048]所述数据预处理包括：填补缺失值，和/或异常值处理。
[0049]为达到上述目的，本专利技术的实施例提供一种网络指标预测装置，包括
[0050]特征提取模块，用于提取待预测网络指标的相关数据特征，所述相关数据特征包括：与所述待预测网络指标相关的第一指标的预测数据特征；
[0051]预测模块，用于将所述相关数据特征输入目标模型，获得所述待预测网络指标的预测结果。
[0052]可选地，所述相关数据特征还包括：
[0053]所述待预测网络指标的第一历史数据特征；和/或
[0054]所述第一指标的第二历史数据特征。
[0055]可选地，在所述相关数据特征包括所述第一指标的第二历史数据特征的情况下，所述特征提取模块包括：
[0056]第一分析单元，用于对所述待预测网络指标进行相关性分析，获得与所述待预测网络指标相关的第一指标；
[0057]第一提取单元，用于提取所述第一指标的历史数据的数据特征，获得所述第二历史数据特征。
[0058]可选地，所述特征提取模块包括：
[0059]第二分析单元，用于对所述第一指标进行周期性分析，获得所述第一指标的周期性结果；
[0060]第二提取单元，用于在所述第一指标的周期性结果满足第一条件时，提取所述第一指标的历史数据特征和与所述第一指标相关的第二指标的历史数据特征；
[0061]第一预测单元，用于利用所述第一指标的历史数据特征和所述第二指标的历史数据特征，预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种网络指标预测方法，其特征在于，包括：提取待预测网络指标的相关数据特征，所述相关数据特征包括：与所述待预测网络指标相关的第一指标的预测数据特征；将所述相关数据特征输入目标模型，获得所述待预测网络指标的预测结果。2.根据权利要求1所述的方法，其特征在于，所述相关数据特征还包括：所述待预测网络指标的第一历史数据特征；和/或所述第一指标的第二历史数据特征。3.根据权利要求2所述的方法，其特征在于，在所述相关数据特征包括所述第一指标的第二历史数据特征的情况下，所述提取待预测网络指标的相关数据特征，包括：对所述待预测网络指标进行相关性分析，获得与所述待预测网络指标相关的第一指标；提取所述第一指标的历史数据的数据特征，获得所述第二历史数据特征。4.根据权利要求1所述的方法，其特征在于，所述提取待预测网络指标的相关数据特征，包括：对所述第一指标进行周期性分析，获得所述第一指标的周期性结果；在所述第一指标的周期性结果满足第一条件时，提取所述第一指标的历史数据特征和与所述第一指标相关的第二指标的历史数据特征；利用所述第一指标的历史数据特征和所述第二指标的历史数据特征，预测所述第一指标在目标时刻的第一预测值；将满足精度阈值的所述第一预测值确定为所述第一指标的预测数据特征。5.根据权利要求4所述的方法，其特征在于，所述利用所述第一指标的历史数据特征和所述第二指标的历史数据特征，预测所述第一指标在目标时刻的第一预测值，包括：利用极限梯度提升算法，对所述第一指标的历史数据特征和所述第二指标的历史数据特征进行训练，获得所述第一指标在目标时刻的第一预测值。6.根据权利要求1所述的方法，其特征在于，在提取待预测网络指标的相关数据特征之前，所述方法还包括：对所述待预测网络指标进行周期性分析，获得所述待预测网络指标的周期性结果；所述提取待预测网络指标的相关数据特征，包括：在所述待预测网络指标的周期性结果满足第二条件时，提取所述待预测网络指标的单位指标的相关数据特征。7.根据权利要求6所述的方法，其特征在于，所述对所述待预测网络指标进行周期性分析，获得所述待预测网络指标的周期性结果，包括：计算待预测范围内的每个小区的自相关系数；根据所述自相关系数确定每个小区的周期性；计算具有周期性的小区数量与所述待预测范围内的所有小区数量的比值；根据所述比值确定述待预测网络指标的周期性结果；其中，在所述自相关系数大于第一阈值时，确定小区具有周期性。8.根据权利要求6所述的方法，其特征在于，所述提取所述待预测网络指标的单位指标的相关数据特征，包括：
提取待预测范围内所...

【专利技术属性】
技术研发人员：张苗苗，周岩，吕喆，刘思佳，梁燕萍，余立，
申请(专利权)人：中国移动通信集团有限公司，
类型：发明
国别省市：