一种移动通信网络容量预测方法和装置与流程

本发明涉及移动通信
技术领域：
，尤其涉及一种移动通信网络容量预测方法和装置。
背景技术：
：移动通信网络容量预测对于网络建设有重要意义，其能够保证网络容量在满足未来业务需求的前提下尽量降低网络建设成本，减少无线资源投入的浪费。现有的网络容量预测方法均是针对待预测区域进行整体容量预测，通过分析影响网络容量的各项因素指标，针对每项因素指标分别进行预测，进而预测该待预测区域的整体网络容量。现有的网络容量预测方法针对整个待预测区域的各项因素指标进行整体预测，但是由于处于不同地理位置的小区，其网络容量变化情况差距较大，导致现有网络容量预测结果存在较大误差。技术实现要素：本发明实施例提供一种移动通信网络容量预测方法和装置，用以提高网络容量预测结果的准确性。本发明实施例提供一种移动通信网络容量预测方法，包括：获取预设统计周期内位于待预测区域内小区和/或用户的数据统计信息；根据获取的数据统计信息，利用预设的聚类算法对所述待预测区域内的小区或者用户进行聚类得到若干类子集；根据聚类得到的若干类子集确定每一类子集的聚类特征值，其中所述聚类特征值为根据获取的数据统计信息获得的；针对聚类得到的每类子集，根据该类子集的聚类特征值预测该类子集的网络容量；确定所述待预测区域的网络容量为所述待预测区域中每类子集的网络容量之和。本发明实施例提供一种移动通信网络容量预测装置，包括：获取单元，用于获取预设统计周期内位于待预测区域内小区和/或用户的数据统计信息；聚类单元，用于根据获取的数据统计信息，利用预设的聚类算法对所述待预测区域内的小区或者用户进行聚类得到若干类子集；确定单元，用于根据聚类得到的若干类子集确定每一类子集的聚类特征值，其中所述聚类特征值为根据获取的数据统计信息获得的；预测单元，用于针对聚类得到的每类子集，根据该类子集的聚类特征值预测该类子集的网络容量；并确定所述待预测区域的网络容量为所述待预测区域中每类子集的网络容量之和。本发明实施例提供的移动通信网络容量预测方法和装置，首先将待预测区域包含的各小区进行分类，每一类小区具有共同的特征值，分别针对每一类小区预测其网络容量，进而得到待预测区域的网络总容量，由于上述过程中不再针对整个待预测区域进行网络容量预测，而是根据待预测区域包含的每类小区分别进行预测，由于同类小区的网络容量变化差异相对较小，从而能够降低网络容量预测结果的误差。本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。附图说明此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部 分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：图1为本发明实施例中，移动通信网络容量预测方法的实施流程示意图；图2为本发明实施例中，移动通信网络容量预测的原理示意图；图3为本发明实施例中，移动通信网络容量预测装置的结构示意图。具体实施方式为了降低移动通信网络容量预测的误差，本发明实施例提供了一种移动通信网络容量预测方法和装置。以下结合说明书附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明，并且在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。本发明实施例中，如果用户在预设统计周期内与待预测区域包含的任一小区建立RRC连接至少一次，则认为该用户位于待预测区域内；如果该用户与任一小区建立RRC连接后，发生数据传输业务则视该用户为位于待预测区域内的数传用户。如图1所示，其为本发明实施例提供的移动通信网络容量预测方法的实施流程示意图：S11、获取预设统计周期内待预测区域内小区和/或用户的数据统计信息。为了进行网络容量的预测，首先需要进行必要的数据采集。本发明实施例中，可以获取一定统计周期内的数据，其中，统计周期时长可以根据实际需要进行设置，如统计周期可以但不限于设置为半年或者三个月或者一个月。需要采集的数据可以但不限于包括小区级数据或者用户级数据。其中，小区参数信息是指小区相关的数据，如小区数传流量信息、小区无线资源利用率信息，用户参数信息是指用户相关的参数信息，如小区平均用户数量信息，小区用户ARPU(AverageRevenuePerUser，每用户平均收入)值；采集的数据 还可以包括待预测区域规划用户数量信息等。具体实施时，上述数据还可以为一段时间内的平均数据。如表1所示，为采集的数据统计信息一种可能的格式，表1中获取的数据包括无线资源利用率，平均用户数量以及人均数传流量。表1小区名无线资源利用率(％)平均用户数量(个)人均数传流量(MB/人)小区129.5631.912.75小区29.865.1812.74小区38.963.1346.19小区416.3222.728.43小区520.9421.3318.9小区661.370.0314.77小区751.6258.8610.59小区88.484.2535.96小区976.799.384.59小区1084.64137.529.33S12、根据获取的数据统计信息，利用预设的聚类算法对待预测区域内的小区或者用户进行聚类得到若干类子集。对待预测区域包含的各小区进行分类的目的是将不同流量增长模型的小区进行区分并进行分类，以便分别进行网络容量预测，降低预测误差。聚类的方法有很多，例如划分方法、层次方法、基于密度的方法、基于网格的方法、基于模型的方法等，不同的聚类方法得到的聚类结果也不同。考虑到需要对众多小区进行分类，分类的指标又是多个维度，因此，较佳的，本发明实施例中可以选择K均值聚类算法(K-means算法)。当然，具体实施时，也可以选择其他聚类方法，本发明实施例对此不做任何限定。K均值聚类算法根据初始指定的质心，将数据点到最近质心的欧几里得距 离的误差平方和判断，不断迭代更新质心，直至质心稳定。具体实施时，根据K的取值，可以将位于待预测区域内的小区或者用户划分为K类。聚类完成后，可以利用聚类评价函数对于聚类结果进行评价，假设K＝6时为最优。确定了聚类数量后，还需要确定聚类依据，即聚类特征值，具体实施时，可以根据无线资源利用率、平均用户数量、人均数传流量、小区常驻用户人均ARPU(每用户平均收入)值等参数中的至少一个参数对小区或者用户进行分类得到若干类子集，每一子集中包含若干个小区或者若干个用户。为了便于描述，本发明实施例中均以对小区聚类为例进行描述。其中，小区常驻用户是指：针对任一用户，如果该用户在第二统计周期内，在任一小区内产生的总流量与该用户在第二统计周期内产生的总流量的比值大于等于预设值时，确定该用户为该小区的常驻用户。这里的预设值可以任意设置，例如，可以设置为30％。如对于某用户来说，在一个月的统计周期内，其产生的总流量为300M，其在小区A产生的流量为150M，在小区B产生的流量为100M，在小区C产生的流量为20M，其在小区D产生的流量为30M，如果预设值设置为30％，则该用户为小区A和小区B的常驻用户。具体实施时，如上例所述，某用户可能同时为多个小区的常驻用户，在具体计算过程汇总，该用户在预设统计周期内的ARPU值将分别直接体现在其对应的所有常驻小区中，以表征该用户对这些小区的流量需求。S13、根据聚类得到的若干类子集确定每一类子集的聚类特征值。在步骤S12中，根据一定的聚类依据对小区进行聚类后，进一步的根据聚类结果提取同类小区的聚类特征值。其中，聚类特征值为根据获取的数据统计信息获得，例如，聚类特征值可以为获取的数据统计信息本身，也可以为根据获取的数据统计信息进行一定的运算得到。较佳的，本发明实施例中以聚类特征值为平均用户数量和人均数传流量为例。其中，根据获取的数据统计信息，如果获取的数据统计信息中包含平均用户数量，则可以直接确定其为聚类特征值；或者如果如果获取的数据统计信息 中包含人均数传流量，则可以直接确定其为聚类特征值；还有可能获取的数据统计信息中包含数传流量和数传用户数量，则将数传流量与数传用户数量的比值确定为人均数传流量。S14、针对聚类得到的每类子集，根据该类子集的聚类特征值预测该类子集的网络容量。S15、确定待预测区域的网络容量为待预测区域中每类子集的网络容量之和。具体的，待预测区域的网络容量可以为每类子集的网络容量直接求和，或者，也可以根据当前统计数据中每类子集的网络容量在待预测区域中的占比，按比例求和。较佳的，具体实施时，每类子集的比例因子可以利用历史数据训练获得。具体实施时，网络容量可以为用户数量，网络流量以及需求载波数量等等。以下结合具体的实施例对步骤S14的实施过程进行说明。第一种实施方式、网络容量为网络流量预测网络容量时，需要获取的数据统计信息可以为数传流量信息和数传用户数量信息或者直接获取人均数传流量；聚类特征值可以为人均数传流量；如果获取的数据统计信息为数传流量信息和数传用户数量信息，则根据获取的信息，可以确定聚类特征值为数传流量与数传用户数量的比值。基于此，步骤S14中可以按照以下流程实施：步骤一、针对聚类得到的每类子集，根据该类子集的人均数传流量信息确定该类子集的人均数传流量预测值。其中，每类子集的人均数传流量为该类子集包含的小区的人均数传流量的均值。具体的，针对聚类得到的每类子集，根据该类子集在所述预设统计周期包含的不同时间段的人均数传流量信息，拟合该类子集的人均数传流量预测曲线，并获得该类子集的的人均数传流量预测值。如表2所示，第一时间段-第三时间段数传平均流量为聚类得到的每类小区在不同时间段的实际平均数传 流量，根据表2的数据，采用多元非线性回归函数进行拟合预测，得到每类小区的人均数传流量预测曲线，并获得该类子集的的人均数传流量预测值，如表2中第四时间段的平均传输流量即为根据第一时间段-第三时间段数传平均流量预测得到的。表2需要说明的是，在根据第一时间段-第三时间段的平均数传流量拟合第四时间段数传流量曲线时，也可以采用其他拟合函数，如指数函数拟合，线性函数拟合等等，本发明实施例对此不做限定。步骤二、确定该类子集的网络流量为该类子集的用户数量预测值与人均数传流量预测值的乘积。其中，对于聚类得到的每类子集，可以按照以下任一方式确定用户数量预测值：方式一、基于用户发展预期进行预测具体的，可以包括以下步骤：步骤一、针对聚类得到的每类子集，确定该类子集中平均用户数量与待预测区域内的平均用户数量的比值。其中，每类子集的平均用户数量为该类子集包含的小区平均用户数量之 和。步骤二、按照以下公式确定每类子集的预测用户数量：W*L*I，其中：W为该类子集中平均用户数量与所述待预测区域内的平均用户数量的比值，即某类小区的用户数量占待预测区域的用户数量的比例；L为预设的待预测区域的规划用户数量；I为预设的激活因子。如表3所示，为对待预测区域进行聚类后得到的每类小区的用户数量预测结果：表3方式二、基于历史数据预测具体的，针对聚类得到每类每类子集，根据该类子集在预设统计周期包含的不同时间段的平均用户数量，拟合该类子集的平均用户数量预测曲线。具体实施时，可以采用多元非线性回归函数进行拟合。需要说明的是，具体实施时，也可以采用其他拟合函数，如指数函数拟合，线性函数拟合等等，本发明实施例对此不做限定。如表4所示，第一时间段-第三时间段平均用户数量为各小区在不同时间段的实际平均用户数量，第四时间段平均用户数量(方式一)为利用上述方式一根据第一时间段-第三时间段平均用户数量为各小区在不同时间段的实际平均用户数量预测出的第四时间段平均用户数量，第四时间段平均用户数量(方式二)为利用上述方式二根据第一时间段-第三时间段平均用户数量为各小区 在不同时间段的实际平均用户数量预测出的第四时间段平均用户数量：表4根据表4的数据，采用多元非线性回归函数进行拟合预测，得到每类小区的平均用户数量预测曲线，获得该类子集的用户数量预测值。第二种实施方式、网络容量为用户数量预测用户数量时，需要获取的数据统计信息可以为数传流量信息和数传用户数量信息或者直接获取人均数传流量；聚类特征值可以为人均数传流量；如果获取的数据统计信息为数传流量信息和数传用户数量信息，则根据获取的信息，可以确定聚类特征值为数传流量与数传用户数量的比值。基于此，步骤S14中可以按照以下流程实施：步骤一、针对聚类得到的每类子集，根据该类子集的人均数传流量信息确定该类子集的人均数传流量预测值。其中，每类子集的人均数传流量为该类子集包含的小区的人均数传流量的均值。具体的，针对聚类得到的每类子集，根据该类子集在所述预设统计周期包含的不同时间段的人均数传流量信息，拟合该类子集的人均数传流量预测曲线得到该类子集的的人均数传流量预测值。其具体实施可以参见第一种实施方式中确定人均数传流量预测值的实施例，这里不再赘述。步骤二、确定该类子集的用户数量为该类子集的网络流量预测值与人均数传流量预测值的比值。其中，对于聚类得到的每类子集，可以按照以下任一方式确定其网络流量预测值：方式一、步骤一、确定该类子集网络流量与待预测区域的网络流量的比值。具体实施时，可以根据该类子集包含的每一小区的历史网络流量之和确定该类子集网络流量，并根据待预测区域包含的各类小区的网络流量之和确定待预测区域的网络流量。步骤二、按照以下公式确定每类子集的网络流量预测值：其中：α为该类子集网络流量与所述待预测区域的网络流量的比值；为预设的、所述待预测区域的规划网络流量。方式二、针对聚类得到的每类子集，根据该类子集在所述预设统计周期包含的不同时间段的网络流量信息，拟合该类子集的网络流量预测曲线，得到该类子集的网络流量预测值。第三种实施方式、网络容量为载波数量预测值基于第一种实施方式和第二种实施方式，在预测出每一类子集的用户数量或者网络流量之后，根据单载波容量(包括单载波看承载的用户数量或者单载波看承载的网络流量)，确定该类子集需要的载波数量。具体的，针对聚类得到的每一类子集，确定该类子集的载波数量预测值为用户数量预测值与单载波可承载用户数量的比值；或者确定该类子集的载波数量预测值为网络流量预测值与单载波可承载网络流量的比值。需要说明的是，按照上述方式确定出每类子集的载波数量预测值之后，具体实施时，将每类子集的载波数量直接求和或者按比例求和可以得到待预测区 域总的载波数量需求预测值。具体实施时，在确定待预测区域总的载波数量需求预测值时，还可以在利用第一种实施方式预测得到待预测区域的网络流量或者利用第二实施方式预测得到待预测区域的用户数量的基础上，确定待预测区域的用户数量与单载波可承载用户数量的比值为待预测区域总的载波数量需求预测值；或者确定待预测区域的网络流量与单载波可承载网络流量的比值为待预测区域总的载波数量需求预测值。如图2所示，为本发明实施例提供的移动通信网络容量预测的原理示意图，对待预测区域包含的各个小区进行分类，对于分类得到的每一类小区，分别预测该类小区的人均数传流量，并结合每类小区的平均用户数量在待预测区域数传用户总数量中的占比预测每类小区的平均用户数量，进而确定出每类小区的网络流量和待预测区域的网络总流量。本发明实施例提供的移动通信网络容量预测方法，首先将待预测区域包含的各小区进行分类，每一类小区具有共同的特征值，并分别针对每一类小区预测其网络容量，进而得到待预测区域的网络总容量，由于上述过程中不再针对整个待预测区域进行网络容量预测，而是根据待预测区域包含的每类小区分别进行预测，由于同类小区的网络容量变化差异相对较小，从而能够降低网络容量预测结果的误差。基于同一发明构思，本发明实施例中还提供了一种移动通信网络容量预测装置，由于上述装置解决问题的原理与移动通信网络容量预测方法相似，因此上述装置的实施可以参见方法的实施，重复之处不再赘述。如图3所示，为本发明实施例提供的移动通信网络容量预测装置结构示意图，包括：获取单元31，用于获取预设统计周期内位于待预测区域内小区和/或用户的数据统计信息；聚类单元32，用于根据获取的数据统计信息，利用预设的聚类算法对所述 待预测区域内的小区或者用户进行聚类得到若干类子集；确定单元33，用于根据聚类得到的若干类子集确定每一类子集的聚类特征值，其中所述聚类特征值为根据获取的数据统计信息获得的；预测单元34，用于针对聚类得到的每类子集，根据该类子集的聚类特征值预测该类子集的网络容量；并确定所述待预测区域的网络容量为所述待预测区域中每类子集的网络容量之和。具体实施时，网络容量包括网络流量；所述数据统计信息包括数传流量信息和数传用户数量信息或所述数据统计信息包括人均数传流量；以及所述聚类特征值为人均数传流量。基于此，预测单元，具体用于针对聚类得到的每类子集，根据该类子集的人均数传流量信息确定该类子集的人均数传流量预测值；确定该类子集的网络流量为该类子集的用户数量预测值与人均数传流量预测值的乘积。其中，预测单元，具体用于针对聚类得到的每类子集，根据该类子集在所述预设统计周期包含的不同时间段的数传用户数量，拟合该类子集的数传用户数量预测曲线，获得该类子集的用户数量预测值。或者，预测单元，具体用于针对聚类得到的每类子集，确定该类子集中数传用户数量与所述待预测区域内的数传用户数量的比值；按照以下公式确定每类子集的预测用户数量：W*L*I，其中：W为该类子集中数传用户数量与所述待预测区域内的数传用户数量的比值；L为预设的、所述待预测区域的规划用户数量；I为预设的激活因子。具体实施时，预测单元，针对聚类得到的每类子集，根据该类子集在所述预设统计周期包含的不同时间段的人均数传流量信息，拟合该类子集的人均数传流量预测曲线，并获得该类子集的的人均数传流量预测值。较佳的，具体实施时，网络容量还可以包括用户数量；所述数据统计信息包括数传流量信息和数传用户数量信息或所述数据统计信息包括人均数传流量；以及所述聚类特征值为人均数传流量。基于此，预测单元，具体用于针对聚类得到的每类子集，根据该类子集的 人均数传流量信息确定该类子集的人均数传流量预测值；确定该类子集的用户数量为该类子集的网络流量预测值与人均数传流量预测值的比值。其中，预测单元，具体用于针对聚类得到的每类子集，根据该类子集在所述预设统计周期包含的不同时间段的网络流量信息，拟合该类子集的网络流量预测曲线，得到该类子集的网络流量预测值。或者预测单元，具体用于针对聚类得到的每类子集，确定该类子集网络流量与所述待预测区域的网络流量的比值；按照以下公式确定每类子集的网络流量预测值：其中：α为该类子集网络流量与所述待预测区域的网络流量的比值；为预设的、所述待预测区域的规划网络流量。具体实施时，预测单元，具体用于针对聚类得到的每类子集，根据该类子集在所述预设统计周期包含的不同时间段的人均数传流量信息，拟合该类子集的人均数传流量预测曲线，并获得该类子集的的人均数传流量预测值。具体实施时，网络容量还包括载波数量预测值：以及预测单元，具体用于针对聚类得到的每类子集，确定该类子集的载波数量预测值为该类子集的用户数量预测值与单载波可承载用户数量的比值；或者确定该类子集的载波数量预测值为该类子集的网络流量预测值与单载波可承载网络流量的比值。为了描述的方便，以上各部分按照功能划分为各模块(或单元)分别描述。当然，在实施本发明时可以把各模块(或单元)的功能在同一个或多个软件或硬件中实现。本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和 /或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。当前第1页1 2 3