网络负荷优化方法和装置、计算机存储介质、电子设备与流程

1.本公开实施例涉及大数据处理技术领域，具体而言，涉及一种网络负荷优化方法和装置、计算机可读存储介质以及电子设备。


背景技术：

2.在现有的网络中，尤其是较大型城市，网络的使用具有较明显的潮汐效应和周期性效应，在一天内随着时间的变化，网络负荷也会随着变化。
3.在现有的无线优化体系中，对网络关键数据的监控以及对网络参数的调整是相对分离的，当网络出现负载不均衡的情况时，网络优化工程师通常是在网络关键数据监控系统中获取网络关键数据进行手动分析，再手动对网管中的静态化参数进行调整，其具有较大的时延，并且不同监测点的静态参数的调整的可移植性较差，耗费大量的资源，导致网络优化效率低。
4.因此，需要提供一种新的网络负荷优化方法。
5.需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。


技术实现要素：

6.本公开的目的在于提供一种网络负荷优化方法、网络负荷优化装置、计算机可读存储介质以及电子设备，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的网络优化效率低的问题。
7.根据本公开的一个方面，提供一种网络负荷优化方法，包括：
8.获取目标范围内的高负荷监测点、所述高负荷监测点的第一网络关键数据，通过所述第一网络关键数据得到高负荷监测模型；
9.通过第二网络关键数据对所述高负荷监测模型进行验证，得到所述高负荷监测点中的目标监测点，通过所述目标监测点的网络关键数据得到目标监测模型；
10.获取所述目标监测点的邻区监测点、所述邻区监测点的第三网络关键数据，通过所述第三网络关键数据得到邻区监测模型；
11.通过所述目标监测模型、所述邻区监测模型，得到所述高负荷监测点的第一预测值、高负荷监测点的邻区监测点的第二预测值，根据所述第一预测值、第二预测值得到所述高负荷监测点的负载均衡建议清单；
12.根据所述负载均衡建议清单对所述高负荷监测点的网络负荷进行优化。
13.在本公开的一种示例性实施例中，获取目标范围内的高负荷监测点、所述高负荷监测点的第一网络关键数据，包括：
14.获取目标范围内的监测点以及监测点的网络关键数据；
15.根据第一缺失阈值对所述监测点的网络关键数据进行过滤，得到过滤网络关键数据；
16.通过插值法对所述过滤网络关键数据进行处理，得到所述目标范围内的目标网络关键数据；
17.根据预设的高负荷监测点判断条件对所述监测点进行区分，得到所述目标范围内的高负荷监测点以及与所述高负荷监测点对应的第一网络关键数据。
18.在本公开的一种示例性实施例中，根据预设的高负荷监测点判断条件对所述监测点进行区分，包括：
19.当所述监测点的频段为800m带宽为5m时，获取所述监测点的自忙时物理资源块利用率、总流量、使用用户数以及最大无线资源控制连接数；
20.在预设时间段内，当任一所述监测点出现所述自忙时物理资源块利用率不小于第一预设利用率且所述总流量不小于第一预设流量的次数大于预设次数；或
21.出现所述自忙时物理资源块利用率不小于第一预设利用率、所述使用用户数不小于第一预设使用数且所述最大无线资源控制连接数不小于第一预设连接数的次数大于预设次数时，将所述监测点确定为高负荷监测点；
22.其中，所述自忙时为24小时内分组数据汇聚协议层总流量最大的小时。
23.在本公开的一种示例性实施例中，根据预设的高负荷监测点判断条件对所述监测点进行区分，包括：
24.当所述监测点的频段为1.8g/2.1g带宽为20m时，获取所述监测点的自忙时物理资源块利用率、总流量、使用用户数以及最大无线资源控制连接数；
25.在预设时间段内，当任一所述监测点出现所述自忙时物理资源块利用率不小于第二预设利用率且所述总流量不小于第二预设流量的次数大于预设次数；或
26.出现所述自忙时物理资源块利用率不小于第二预设利用率、所述使用用户数不小于第二预设使用数且所述最大无线资源控制连接数不小于第二预设连接数的次数大于预设次数时，将所述监测点确定为高负荷监测点；
27.其中，所述自忙时为24小时内分组数据汇聚协议层总流量最大的小时。
28.在本公开的一种示例性实施例中，所述网络负荷优化方法还包括：
29.获取所述第一网络关键数据中包括的下行物理资源块利用率、最大无线资源控制连接数以及分组数据汇聚协议层总流量；
30.利用所述目标范围内的高负荷监测点的下行物理资源利用率对所述预设神经网络模型进行训练，得到资源利用率预测模型；
31.利用所述目标范围内的高负荷监测点的最大无线资源控制连接数对所述预设神经网络模型进行训练，得到资源控制连接数预测模型；
32.利用所述目标范围内的高负荷监测点的分组数据汇聚协议层总流量对所述预设神经网络模型进行训练，得到流量预测模型。
33.在本公开的一种示例性实施例中，通过第二网络关键数据对所述高负荷监测模型进行验证，得到所述高负荷监测点中的目标监测点，包括：
34.获取第二预设时间段内所述高负荷监测点的第二网络关键数据，将所述第二网络关键数据输入至所述高负荷监测模型，得到高负荷预测结果；
35.将所述高负荷监测点的下行物理资源块利用率、最大无线资源控制连接数以及分组数据汇聚协议层总流量分别输入至资源利用率预测模型、资源控制连接数预测模型以及
流量预测模型，得到资源块利用率预测值、连接数预测值以及流量预测值；
36.对所述高负荷预测结果、所述资源块利用率预测值、连接数预测值以及流量预测值进行验证，得到预测准确率；
37.根据任一监测点的高负荷预测结果中高负荷发生时间点的准确率、高负荷发生时间点预测的精确率和召回率、高负荷发生时间点的发生频率以及所述预测准确率，将所述高负荷监测点中任一监测点确定为目标监测点。
38.在本公开的一种示例性实施例中，获取所述目标监测点的邻区监测点，包括：
39.获取所述目标监测点的覆盖范围以及所述目标范围内包括的监测点的覆盖范围；
40.根据所述目标监测点的覆盖范围确定所述目标监测点的覆盖多边型以及根据所述目标范围内包括的检测点的覆盖范围确定所述监测点的覆盖多边形；
41.在确定所述目标监测点的覆盖多边形与所述监测点的覆盖多边形存在重叠时，将所述监测点确定为所述目标监测点的邻区监测点，并根据所述邻区监测点生成邻区表；
42.获取所述邻区表中包括的第三预设时间段内达到高负荷的次数大于第三预设次数的邻区监测点，并从所述邻区表中删除。
43.在本公开的一种示例性实施例中，根据所述第一预测值、第二预测值得到所述高负荷监测点的负载均衡建议清单，包括：
44.获取所述第一预测值中包括的高负荷发生时间点以及所述第二预测值中包括的所述邻区表中包括的邻区监测点的预测值，根据所述高负荷发生时间点以及所述邻区监测点的预测值，对所述邻区表中的邻区监测点进行删除，得到目标监测点的邻区监测点；
45.根据频段以及优先级对所述邻区监测点进行排序；
46.获取排序后的邻区监测点，并将所述排序后的邻区监测点作为所述高负荷监测点的负载均衡建议清单。
47.根据本公开的一个方面，提供一种网络负荷优化装置，包括：
48.高负荷监测模型训练模块，用于获取目标范围内的高负荷监测点、所述高负荷监测点的第一网络关键数据，通过所述第一网络关键数据对预设神经网络模型进行训练，得到高负荷监测模型；
49.目标监测模型训练模块，用于通过第二网络关键数据对所述高负荷监测模型进行验证，得到所述高负荷监测点中的目标监测点，通过所述目标监测点的网络关键数据对所述预设神经网络模型进行训练，得到目标监测模型；
50.邻区监测模型训练模块，用于获取所述目标监测点的邻区监测点、所述邻区监测点的第三网络关键数据，通过所述第三网络关键数据对所述预设神经网络模型进行训练，得到邻区监测模型；
51.建议清单生成模块，用于通过所述目标监测模型、所述邻区监测模型，得到所述高负荷监测点的第一预测值、高负荷监测点的邻区监测点的第二预测值，根据所述第一预测值、第二预测值得到所述高负荷监测点的负载均衡建议清单。
52.网络负荷优化模块，用于根据所述负载均衡建议清单对所述高负荷监测点的网络负荷进行优化。
53.根据本公开的一个方面，提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一示例性实施例所述的网络负荷优化方法。
54.根据本公开的一个方面，提供一种电子设备，包括：
55.处理器；以及
56.存储器，用于存储所述处理器的可执行指令；
57.其中，所述处理器配置为经由执行所述可执行指令来执行上述任一示例性实施例所述的网络负荷优化方法。
58.本公开实施例提供的一种网络负荷优化方法，一方面，由于获取到监测点的网络关键数据之后，通过网络关键数据得到目标监测模型以及邻区监测模型，通过该目标监测模型以及邻区监测模型，得到高负荷监测点的第一预测值以及高负荷监测点的邻区监测点的第二预测值，根据第一预测值以及第二预测值得到高负荷监测点的负载均衡建议清单，并根据该负载均衡建议清单对高负荷监测点的网络负荷进行优化，解决了现有技术中当网络负载不均衡时，需要网络优化工程师先对网络关键数据进行手动分析，再对网管中的参数进行手动调整，导致网络优化效率低；另一方面，当得到高负荷监测模型之后，对该高负荷监测模型之后，通过第二网络关键数据对该高负荷监测模型进行验证，得到高负荷监测点中包括的目标监测点，再通过目标监测点的网络关键数据对预设神经网络模型进行训练，得到目标监测模型，通过该目标监测模型对高负荷监测点的网络关键数据进行预测，提高了预测的准确率。
59.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
60.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
61.图1示意性示出根据本公开示例实施例的一种网络负荷优化方法的流程图。
62.图2示意性示出根据本公开示例实施例的一种网络负荷优化系统的框图。
63.图3示意性示出根据本公开示例实施例的一种获取目标范围内的高负荷监测点以及高负荷监测点的第一网络关键数据的方法流程图。
64.图4示意性示出根据本公开示例实施例的一种根据预设的高负荷监测点判断条件对监测点进行区分的方法流程图。
65.图5示意性示出根据本公开示例实施例的一种根据预设的高负荷监测点判断条件对监测点进行区分的方法流程图。
66.图6示意性示出根据本公开示例实施例的一种网络负荷优化方法的流程图。
67.图7示意性示出根据本公开示例实施例的一种通过第二网络关键数据对高负荷监测模型进行验证得到高负荷监测点中的目标监测点的方法流程图。
68.图8示意性示出根据本公开示例实施例的一种获取目标监测点的邻区监测点的方法流程图。
69.图9示意性示出根据本公开示例实施例的一种根据第一预测值、第二预测值得到高负荷监测点的负载均衡清单建议的方法流程图。
70.图10示意性示出根据本公开示例实施例的一种网络负荷优化的方法流程图。
71.图11示意性示出根据本公开示例实施例的一种网络负荷优化的装置框图。
72.图12示意性示出根据本公开示例实施例的用于实现上述网络负荷优化方法的电子设备。
具体实施方式
73.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
74.此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
75.在现有的网络中，尤其是较大型城市，往往具有明显的潮汐效应和周期性效应(如周末效应)，例如，在工作日的上班时间，用户大多集中在办公区域，而下班时间大多集中在住宅，在周末或者节假日，一些商场、景点、车站等地方的网络负荷也会出现明显的变化。
76.在现有的无线优化体系中，网络关键数据的监控和网络参数的调整是相对分离的，网络优化人员往往是手动从网络关键数据的监控系统中获取网络监控数据并分析，然后再手动获取网管系统中的静态化参数并调整，往往具有较大的时延。另外，相关技术中对高负荷小区进行优化最常用的手段之一是分大场景，无差异的配置重选、切换参数，厂家虽然有负载均衡的特性功能，但是只能运用于同站同厂家之间。上述方案都无法匹配潮汐效应的业务变化，当高负荷小区的数量明显增加时，人工调整无法及时完成，并且人工调整的范围极其有限。
77.基于上述一个或者多个问题，本示例实施方式中首先提供了一种网络负荷优化方法，该方法可以运行于服务器、服务器集群或云服务器等；当然，本领域技术人员也可以根据需求在其他平台运行本发明的方法，本示例性实施例中对此不做特殊限定。参考图1所示，该网络负荷优化方法可以包括以下步骤：
78.步骤s110.获取目标范围内的高负荷监测点、所述高负荷监测点的第一网络关键数据，通过所述第一网络关键数据得到高负荷监测模型；
79.步骤s120.通过第二网络关键数据对所述高负荷监测模型进行验证，得到所述高负荷监测点中的目标监测点，通过所述目标监测点的网络关键数据得到目标监测模型；
80.步骤s130.获取所述目标监测点的邻区监测点、所述邻区监测点的第三网络关键数据，通过所述第三网络关键数据得到邻区监测模型；
81.步骤s140.通过所述目标监测模型、所述邻区监测模型，得到所述高负荷监测点的第一预测值、高负荷监测点的邻区监测点的第二预测值，根据所述第一预测值、第二预测值得到所述高负荷监测点的负载均衡建议清单；
82.步骤s150.根据所述负载均衡建议清单对所述高负荷监测点的网络负荷进行优化。
83.上述网络负荷优化方法，一方面，由于获取到监测点的网络关键数据之后，通过网络关键数据得到目标监测模型以及邻区监测模型，通过该目标监测模型以及邻区监测模型，得到高负荷监测点的第一预测值以及高负荷监测点的邻区监测点的第二预测值，根据第一预测值以及第二预测值得到高负荷监测点的负载均衡建议清单，并根据该负载均衡建议清单对高负荷监测点的网络负荷进行优化，解决了现有技术中当网络负载不均衡时，需要网络优化工程师先对网络关键数据进行手动分析，再对网管中的参数进行手动调整，导致网络优化效率低；另一方面，当得到高负荷监测模型之后，对该高负荷监测模型之后，通过第二网络关键数据对该高负荷监测模型进行验证，得到高负荷监测点中包括的目标监测点，再通过目标监测点的网络关键数据对预设神经网络模型进行训练，得到目标监测模型，通过该目标监测模型对高负荷监测点的网络关键数据进行预测，提高了预测的准确率。
84.以下，对本公开示例实施例的网络负荷优化方法中涉及的各步骤进行详细的解释以及说明。
85.首先，对本公开示例实施例的应用场景以及目的进行解释以及说明。具体的，本公开示例实施例可以应用于网络负荷优化，主要研究如何提高网络负荷优化的效率。
86.在本公开中以接收到的目标范围内的监测点的网络关键数据为基础，首先，对获取到的网络关键数据进行预处理，剔除缺失比例大于预设缺失比例阈值的网络关键数据，并对监测点进行区分，获取监测点中包括的高负荷监测点，以及该高负荷监测点的网络关键数据；然后，通过该高负荷监测点的网络关键数据对预设的神经网络模型进行训练得到高负荷监测模型，通过高负荷监测点的另一时间段的网络关键数据对该高负荷监测模型进行验证，得到高负荷监测点中包括的目标监测点；接着，通过目标监测点的网络关键数据对预设的神经网络模型进行训练，得到目标监测模型，同时，获取目标监测点的邻区监测点以及该邻区监测点的网络关键数据，通过该邻区监测点的网络关键数据对预设的神经网络模型进行训练，得到邻区监测模型；最后，通过目标监测模型以及邻区监测模型得到高负荷监测点以及高负荷监测点的邻区监测点的第一预测值以及第二预测值，并通过该第一预测值以及第二预测值得到高负荷监测点的负载均衡建议清单，并根据该负载均衡建议清单对高负荷监测点进行负载均衡，提高了高负荷监测点网络负荷优化的效率。
87.其次，对本公开示例实施例中涉及到的网络负荷优化系统进行解释以及说明。参考图2所示，该网络负荷优化系统可以包括监测点分类模块210、网络关键数据预处理模块220、模型训练模块230以及负载均衡模块240。其中，监测点分类模块210，用于获取监测点的频段、带宽、prb(physical resource block，物理资源块)利用率、最大rrc(radio resource control，无线资源控制)连接数、pdcp(packet data convergence protocol，分组数据汇聚协议)层总流量、总流量以及使用用户数，并通过上述获取到的数据对监测点分类，得到高负荷监测点；网络关键数据预处理模块220，与监测点分类模块210网络连接，用于获取监测点的网络关键数据，对获取到的网络关键数据中缺失比例高于第一缺失阈值的
网络关键数据进行过滤，在进行预测时，通过第二缺失阈值对输入模型的网络关键数据进行过滤，并通过插值法对剩余的网络关键数据进行填充；模型训练模块230，与网络关键数据预处理模块220网络连接，用于获取高负荷监测点的网络关键数据，通过高负荷监测点的网络关键数据对预设的神经网络模型进行训练得到高负荷监测模型，对该高负荷监测模型进行验证，得到高负荷监测点中包括的目标监测点，获取目标监测点的网络关键数据，通过目标监测点的网络关键数据对预设的神经网络模型进行训练，得到目标监测模型，以及获取目标监测点的邻区监测点，通过邻区监测点的网络关键数据对预设的神经网络模型进行训练，得到邻区监测模型；负载均衡模块240，与模型训练模块230网络连接，用于获取高负荷监测点的网络关键数据，以及高负荷监测点的邻区监测点的网络关键数据，将该高负荷监测点的网络关键数据、邻区监测点的网络关键数据，分别输入目标监测模型邻区监测模型，得到第一预测值以及第二预测值，通过该第一预测值以及第二预测值得到高负荷监测点的负载均衡建议清单，通过该负载均衡建议清单对高负荷监测点的网络负荷进行优化。
88.以下，将结合图2对步骤s110-步骤s150进行详细的解释以及说明。
89.在步骤s110中，获取目标范围内的高负荷监测点、所述高负荷监测点的第一网络关键数据，通过所述第一网络关键数据得到高负荷监测模型。
90.其中，目标范围可以为任一城市，也可以为任一社区，也可以为任一公共建筑，在本示例实施例中对目标范围不做具体限定。可以获取目标范围内的所有监测点，通过预设的高负荷监测点判断条件对目标范围内的监测点进行判断，得到目标范围内的高负荷监测点。第一网络关键数据可以为预设时间内自忙时的网络关键数据，例如，第一网络关键数据可以为60天自忙时的网络关键数据；监测点的网络关键数据包括：下行prb利用率、最大rrc连接数、pdcp层总流量。通过第一网络关键数据对预设神经网络模型进行训练，得到高负荷监测模型，其中，预设神经网络模型为亚马逊的概率神经网络deepar模型，其神经元采用记忆循环神经网络模型类型，即lstm(long short-term memory，长短期记忆网络)或gru(gate recurrent unit，门控循环单元)，推理过程分为训练过程和预测过程两个阶段。
91.在本示例实施例中，参考图3所示，获取目标范围内的高负荷监测点、所述高负荷监测点的第一网络关键数据，可以包括步骤s310-步骤s340：
92.步骤s310.获取目标范围内的监测点以及监测点的网络关键数据；
93.步骤s320.根据第一缺失阈值对所述监测点的网络关键数据进行过滤，得到过滤网络关键数据；
94.步骤s330.通过插值法对所述过滤网络关键数据进行处理，得到所述目标范围内的目标网络关键数据；
95.步骤s340.根据预设的高负荷监测点判断条件对所述监测点进行区分，得到所述目标范围内的高负荷监测点以及与所述高负荷监测点对应的第一网络关键数据。
96.以下，将对步骤s310-步骤s340进行解释以及说明。具体的，首先获取目标范围内的监测点以及监测点的网络关键数据，由于网络数据中经常会出现缺失比例很高的情况，给模型的预测带来不稳定性，但是，模型可以处理数据确实不高的情况，因此，在模型训练时可以通过第一缺失阈值对获取到的监测点的网络关键数据进行过滤，得到过滤网络关键数据；其中，第一缺失阈值可以为0.3，也可以为0.4，在本示例实施例中对第一缺失阈值不做具体限定；并且，可以通过插值法对过滤网络关键数据进行填充，得到目标网络关键数
据，插值法为通过一维的函数用已知时间点的值，估算出函数在缺失点处的近似值，要求拟合曲线尽可能通过已知的数据点且拟合方差最小，其中，分段插值法考虑到时间序列的周期性，对序列的不同部分拟合出不同的函数，而函数之间的曲线平滑对接，提高局部拟合的精度；最后，可以根据预设的高负荷监测点判断条件对监测点进行区分，得到监测点中包括的高负荷监测点，以及与高负荷监测点对应的第一网络关键数据。
97.除了在训练阶段对监测点的网络关键数据进行过滤外，在预测阶段，可以通过第二缺失阈值对监测点的网络关键数据进行过滤，提高了预测的准确性。
98.进一步的，在本示例实施例中，参考图4所示，根据预设的高负荷监测点判断条件对所述监测点进行区分，可以包括步骤s410-步骤s430：
99.步骤s410.当所述监测点的频段为800m带宽为5m时，获取所述监测点的自忙时物理资源块利用率、总流量、使用用户数以及最大无线资源控制连接数；
100.步骤s420.在预设时间段内，当任一所述监测点出现所述自忙时物理资源块利用率不小于第一预设利用率且所述总流量不小于第一预设流量的次数大于预设次数；或
101.步骤s430.出现所述自忙时物理资源块利用率不小于第一预设利用率、所述使用用户数不小于第一预设使用数且所述最大无线资源控制连接数不小于第一预设连接数的次数大于预设次数时，将所述监测点确定为高负荷监测点；
102.其中，所述自忙时为24小时内分组数据汇聚协议层总流量最大的小时。
103.以下，将对步骤s410-步骤s430进行解释以及说明。具体的，首先判断监测点的频段以及带宽，当监测点的频段为800m带宽为5m时，可以获取监测点的自忙时prb利用率、监测点总流量、监测点使用用户数、监测点最大rrc连接数，对监测点的判断可以包括，条件一：监测点的自忙时prb利用率≥第一预设使用率且监测点总流量≥第一预设流量；条件二：监测点的自忙时prb利用率≥第一预设使用率，监测点使用用户数≥第一预设使用数且最大rrc连接数≥第一预设连接数；当监测点在预设时间内出现满足条件一的次数大于预设次数，或者在预设时间内出现满足条件二的次数大于预设次数时，可以将该监测点确定为高负荷监测点。其中，自忙时为24小时内pdcp层总流量最大的小时。其中，第一预设使用率可以为50％，也可以为55％，在本示例实施例中对此不作具体限定，第一预设流量可以为1.5gb，也可以为2gb，在本示例实施例中，对此不做具体限定；当监测点的场景为小区时，该第一预设使用数可以为小区内使用网络的用户数，该第一预设使用数的数值可以为75，也可以为80，在本示例实施例中对此不作具体限定；第一预设连接数可以为50，也可以为55，在本示例实施例中，对此不做具体限定。预设时间内出现满足条件一或者条件二的次数满足预设次数，可以为获取目标范围内监测点的30天的全天数据，当30天中任一连续7天中至少4天的自忙时满足条件一或者满足条件二，则可以将该监测点确定为高负荷监测点。
104.此外，当监测点的频段为1.8g/2.1g带宽为20m时，参考图5所示，根据预设的高负荷监测点判断条件对所述监测点进行区分，可以包括步骤s510-步骤s530：
105.步骤s510.当所述监测点的频段为1.8g/2.1g带宽为20m时，获取所述监测点的自忙时物理资源块利用率、总流量、使用用户数以及最大无线资源控制连接数；
106.步骤s520.在预设时间段内，当任一所述监测点出现所述自忙时物理资源块利用率不小于第二预设利用率且所述总流量不小于第二预设流量的次数大于预设次数；或
107.步骤s530.出现所述自忙时物理资源块利用率不小于第二预设利用率、所述使用
用户数不小于第二预设使用数且所述最大无线资源控制连接数不小于第二预设连接数的次数大于预设次数时，将所述监测点确定为高负荷监测点；
108.其中，所述自忙时为24小时内分组数据汇聚协议层总流量最大的小时。
109.以下，将对步骤s510-步骤s530进行解释以及说明。具体的，当监测点的频段为1.8g/2.1g m带宽为20m时，可以获取监测点的自忙时prb利用率、监测点总流量、监测点使用用户数、监测点最大rrc连接数，对监测点的判断可以包括，条件一：监测点的自忙时prb利用率≥第二预设使用率且监测点总流量≥第二预设流量；条件二：监测点的自忙时prb利用率≥第二预设使用率，监测点使用用户数≥第二预设使用数且最大rrc连接数≥第二预设连接数；当监测点在预设时间内出现满足条件一的次数大于预设次数，或者在预设时间内出现满足条件二的次数大于预设次数时，可以将该监测点确定为高负荷监测点。其中，自忙时为24小时内pdcp层总流量最大的小时。其中，第二预设使用率可以为50％，也可以为55％，在本示例实施例中对此不作具体限定，第二预设流量可以为6gb，也可以为6.5gb，在本示例实施例中，对此不做具体限定；当监测点的场景为小区时，该第一预设使用数可以为小区内使用网络的用户数，该第一预设使用数的数值可以为300，也可以为320，在本示例实施例中对此不作具体限定；第一预设连接数可以为200，也可以为250，在本示例实施例中，对此不做具体限定。预设时间内出现满足条件一或者条件二的次数满足预设次数，可以为获取目标范围内监测点的30天的全天数据，当30天中任一连续7天中至少4天的自忙时满足条件一或者满足条件二，则可以将该监测点确定为高负荷监测点。
110.在得到高负荷监测点之后，可以获取高负荷监测点的网络关键数据，通过获取到的高负荷监测点的网络关键数据对预设神经网络模型进行训练，得到高负荷监测模型，其中，预设神经网络模型可以为亚马逊的概率神经网络deepar模型。在相关技术中，arima(autoregressive integrated moving average model，差分整合移动平均自回归模型)、holt-winters(霍尔特-温特)方法、指数平滑移动平均线、lstm(long short-term memory，长短期记忆网络)神经网络以及fbprophet(时间序列预测)算法，具有如下局限：(1)均局限与对单一变量进行预测，无法适应对大量监测点的多种网络关键数据进行预测；(2)对时间序列的规律性要求高，需要满足多种假设条件，但是不同监测点的网络参数复杂、情况多变；(3)相关技术中的模型一般无法对长时间窗口(例如一天24小时)进行预测，随着时间的延长预测的误差会不断积累；但是，deepar模型可以解决上述缺陷，该deepar模型可以通过记忆神经网络结构来学习时间序列潜在的概率分布参数，在输出阶段从概率分布模型中抽样预测结果，提高了长时间窗口预测结果的稳定性，降低了预测值的偏差。
111.在本示例中，通过对监测点的网络关键数据进行过滤、填充以及对监测点进行判断，获取监测点中包括的高负荷监测点以及该高负荷监测点的网络关键数据，提高了模型训练的精度。
112.在步骤s120中，通过第二网络关键数据对所述高负荷监测模型进行验证，得到所述高负荷监测点中的目标监测点，通过所述目标监测点的网络关键数据得到目标监测模型。
113.其中，第二网络关键数据可以为高负荷监测点60天自忙时的网络关键数据，也可以为高负荷监测点65天自忙时的网络关键数据，在本示例实施例中对第二网络关键数据不做具体限定。通过目标监测点的网络关键数据对预设神经网络模型进行训练，得到目标监
测模型，其中，预设神经网络模型为deepar模型。
114.在本示例实施例中，还可以获取网络关键数据中包括的多种数据，通过多种数据对预设神经网络模型进行训练，得到对应的预测模型，参考图6所示，网络负荷优化方法还可以包括步骤s610-步骤s640：
115.步骤s610.获取所述第一网络关键数据中包括的下行物理资源块利用率、最大无线资源控制连接数以及分组数据汇聚协议层总流量；
116.步骤s620.利用所述目标范围内的高负荷监测点的下行物理资源利用率对所述预设神经网络模型进行训练，得到资源利用率预测模型；
117.步骤s630.利用所述目标范围内的高负荷监测点的最大无线资源控制连接数对所述预设神经网络模型进行训练，得到资源控制连接数预测模型；
118.步骤s640.利用所述目标范围内的高负荷监测点的分组数据汇聚协议层总流量对所述预设神经网络模型进行训练，得到流量预测模型。
119.以下，将对步骤s610-步骤s640进行解释以及说明。具体的，网络关键数据中包括：下行prb利用率、最大rrc连接数以及pdcp层总流量，可以获取高负荷监测点的第一网络关键数据中的下行prb利用率，通过该下行prb利用率对预设神经网络模型进行训练，得到资源利用率预测模型；可以获取第一网络关键数据中的最大rrc连接数，通过该最大rrc连接数对预设神经网络模型进行训练，得到资源控制连接数预测模型；可以获取第一网络关键数据中的pdcp层总流量，通过该pdcp层总流量对预设神经网络模型进行训练，得到流量预测模型。deepar模型还可以对具有相似特性的大批量网络参数时间序列同时建模并进行预测，提高了网络关键数据的预测效率。
120.当得到与网络关键数据中包括的多种数据对应的预测模型之后，可以通过多种预测模型以及高负荷监测模型得到高负荷监测点中包括的目标监测点。参考图7所示，通过第二网络关键数据对所述高负荷监测模型进行验证，得到所述高负荷监测点中的目标监测点，可以包括步骤s710-步骤s740：
121.步骤s710.获取第二预设时间段内所述高负荷监测点的第二网络关键数据，将所述第二网络关键数据输入至所述高负荷监测模型，得到高负荷预测结果；
122.步骤s720.将所述高负荷监测点的下行物理资源块利用率、最大无线资源控制连接数以及分组数据汇聚协议层总流量分别输入至资源利用率预测模型、资源控制连接数预测模型以及流量预测模型，得到资源块利用率预测值、连接数预测值以及流量预测值；
123.步骤s730.对所述高负荷预测结果、所述资源块利用率预测值、连接数预测值以及流量预测值进行验证，得到预测准确率；
124.步骤s740.根据任一监测点的高负荷预测结果中高负荷发生时间点的准确率、高负荷发生时间点预测的精确率和召回率、高负荷发生时间点的发生频率以及所述预测准确率，将所述高负荷监测点中任一监测点确定为目标监测点。
125.以下，将对步骤s710-步骤s740进行解释以及说明。具体的，首先，可以获取高负荷监测点的第二网络关键数据，其中，第二网络关键数据可以为高负荷监测点10天的自忙时网络关键数据，也可以为15天的，在本示例实施例中对此不做具体限定；当获取到第二预设时间段内高负荷监测点的第二网络数据之后，可以将该第二网络数据输入至高负荷监测模型，得到高负荷预测结果，其中，高负荷预测结果为被预测监测点的高负荷发生时间点；当
得到高负荷监测点的预测结果之后，还可以将网络关键数据中包括的下行prb利用率、最大rrc连接数以及pdcp层总流量分别输入至对应的预测模型中，分别得到资源块利用率预测值、连接数预测值以及流量预测值；然后，对得到的资源块利用率预测值、连接数预测值以及流量预测值进行验证，得到预测值的准确率；最后，确定任一监测点的高负荷预测结果中包括的高负荷发生时间点的准确率，高负荷发生时间点预测的精确率以及召回率，高负荷发生时间点的发生频率以及预测准确率；根据各高负荷监测点的高负荷发生时间点的准确率、高负荷发生时间点预测的精确率以及召回率、高负荷发生时间点的发生频率以及预测准确率，得到高负荷监测点中包括的目标监测点。
126.在本示例实施例中，当得到高负荷监测点中包括的目标监测点之后，可以获取目标监测点预设时间段之内的网络关键数据，通过该网络关键数据对预设的神经网络模型进行训练，得到目标监测模型。其中，预设神经网络模型为deepar模型。
127.在步骤s130中，获取所述目标监测点的邻区监测点、所述邻区监测点的第三网络关键数据，通过所述第三网络关键数据得到邻区监测模型。
128.其中，可以通过覆盖多边形得到目标监测点的邻区监测点，该邻区监测点与目标监测点存在栅格重叠；通过第三网络关键数据对预设神经网络模型进行训练，得到邻区监测模型，其中，预设神经网络模型为deepar模型。
129.在本示例实施例中，参考8所示，获取所述目标监测点的邻区监测点，可以包括步骤s810-步骤s840：
130.步骤s810.获取所述目标监测点的覆盖范围以及所述目标范围内包括的监测点的覆盖范围；
131.步骤s820.根据所述目标监测点的覆盖范围确定所述目标监测点的覆盖多边型以及根据所述目标范围内包括的检测点的覆盖范围确定所述监测点的覆盖多边形；
132.步骤s830.在确定所述目标监测点的覆盖多边形与所述监测点的覆盖多边形存在重叠时，将所述监测点确定为所述目标监测点的邻区监测点，并根据所述邻区监测点生成邻区表；
133.步骤s840.获取所述邻区表中包括的第三预设时间段内达到高负荷的次数大于第三预设次数的邻区监测点，并从所述邻区表中删除。
134.以下，将对步骤s810-步骤s840进行解释以及说明。具体的，首先，可以获取目标监测点的覆盖范围，以及目标范围内包括的监测点的覆盖范围；然后，利用覆盖多边形对目标监测点以及目标范围内包括的除目标监测点之外的监测点进行覆盖，其中，覆盖多边形可以为20m*20m的栅格，也可以为30m*30m的栅格，在本示例实施例中对覆盖多边形不做具体限定；当对目标监测点以及目标范围内的监测点进行覆盖后，当目标范围内包括的任一监测点的覆盖多边形与目标监测点的覆盖多边形之间存在栅格重叠时，将该目标范围内包括的任一监测点确定为目标监测点的邻区监测点，并生成该目标监测点的邻区表，该邻区表中包括了目标监测点的所有存在栅格重叠的邻区监测点。当获取到目标监测点的邻区表之后，获取邻区表中包括的第三预设时间段内达到高负荷的次数大于第三预设次数的邻区监测点，并将该监测点从邻区表中删除。其中，第三预设时间段可以为过去7天，第三预设次数可以为4次，在本示例实施例中对第三预设时间段以及第三预设次数不做具体限定。
135.在本示例实施例中，当获取到目标监测点的邻区监测点之后，可以获取邻区监测
点的第三网络关键数据，通过第三网络关键数据对预设神经网络模型进行训练，得到邻区监测模型。
136.在步骤s140中，通过所述目标监测模型、所述邻区监测模型，得到所述高负荷监测点的第一预测值、高负荷监测点的邻区监测点的第二预测值，根据所述第一预测值、第二预测值得到所述高负荷监测点的负载均衡建议清单。
137.其中，通过目标监测模型以及邻区监测模型得到第一预测值以及第二预测值之前，可以通过第二缺失阈值对输入至目标监测模型的网络关键数据以及输入至邻区监测模型的网络关键数据进行过滤。
138.在本示例实施例中，参考图9所示，根据所述第一预测值、第二预测值得到所述高负荷监测点的负载均衡建议清单，可以包括步骤s910-步骤s930：
139.步骤s910.获取所述第一预测值中包括的高负荷发生时间点以及所述第二预测值中包括的所述邻区表中包括的邻区监测点的预测值，根据所述高负荷发生时间点以及所述邻区监测点的预测值，对所述邻区表中的邻区监测点进行删除，得到目标监测点的邻区监测点；
140.步骤s920.根据频段以及优先级对所述邻区监测点进行排序；
141.步骤s930.获取排序后的邻区监测点，并将所述排序后的邻区监测点作为所述高负荷监测点的负载均衡建议清单。
142.以下，将对步骤s910-步骤s930进行解释以及说明。具体的，首先，获取第一预测值中包括的高负荷监测点的高负荷发生时间点，以及第二预测值中包括的邻区监测点的高负荷发生时间点，根据第一预测值中的高负荷发生时间点以及第二预测值中的高负荷发生时间点对邻区表中包括的邻区监测点进行删除，具体为：根据高负荷监测点的高负荷发生时间点，确定高负荷监测点的调整时间区间，当邻区监测点的高负荷发生时间点位于调整时间区间的预设时间段内时，将该邻区监测点从邻区表中删除。其中，调整时间区间的预设时间段内可以为调整时间区间的前后2个小时，也可以为调整时间区间的前后1个小时，在本示例实施例中对此不做具体限定。当得到目标监测点的邻区监测点之后，在进行排序时，可以按照邻区监测点的频段以及优先级进行排序，具体的，当邻区监测点的频段越高，该邻区监测点的排名越靠前；当邻区监测点的频段相同时，可以根据优先级进行排序，高优先级(1.8g/2.1g)的邻区监测点的排名位于低优先级(800m)的邻区监测点之前。当邻区监测点为同频段以及同优先级时，可以获取邻区监测点与目标监测点的重叠面积占比，根据所述重叠面积占比对所述邻区监测点进行倒序排序，得到排序后的邻区监测点；当得到排序后的邻区监测点之后，可以获取在排序中位于前n的邻区监测点，将该前n邻区监测点作为高负荷监测点的负载均衡建议清单。其中，n为正整数。
143.在本示例实施例中，一方面，通过对邻区监测点的预测以及制定邻区监测点的筛选，有效过滤掉未来会发生高负荷的邻区监测点，避免对高负荷监测点的无效或者负面调整；另一方面，针对不同的高负荷监测点生成了对应的负载均衡建议清单，在提高高负荷监测点负载均衡效率的同时，保证了网络质量；再一方面，提供了全面的可选邻区监测点，可以供网络优化人员按实际生产环境选择，保证了负载均衡的实际有效。
144.进一步的，在该负载均衡建议清单中包括：高负荷监测点的监测点信息、高负荷监测点的调整时间区间、排序前n的邻区监测点、邻区监测点的高负荷发生时间点、邻区监测
点的基本信息、邻区监测点的优先级、邻区监测点的可负载均衡时间段以及高负荷监测点与邻区监测点之间的覆盖关系。
145.在步骤s150中，根据所述负载均衡建议清单对所述高负荷监测点的网络负荷进行优化。
146.在本示例实施例中，当得到高负荷监测点的负载均衡建议清单之后，可以根据负载均衡建议清单对高负荷监测点的网络负荷进行优化。
147.本公开示例实施例提供的网络负荷优化方法至少具有以下优点：一方面，在模型训练前，对输入至模型的数据进行筛选和填充，降低了数据复杂性以及模型训练数量，提高了模型训练的精度；另一方面，通过对deepar模型进行训练，得到不同的监测模型，可以通过记忆神经网络结构学习时间序列潜在的概率分布函数，在输出阶段从概率分布模型中抽样预测结果，提高了长时间窗口预测结果的稳定性，降低了预测值的偏差；通过对具有相似特性的大批量网络关键数据时间序列同时进行建模预测，既能学习到总体数据的普遍规律，又能根据不同监测点的网络关键数据进行调整，降低了训练时间和资源的开销；再一方面，在确定负载均衡建议清单时，可以过滤掉未来会发生高负荷的邻区监测点，避免对高负荷监测点的无效或者负面调整；针对不同的高负荷监测点生成了对应的负载均衡建议清单，在提高高负荷监测点负载均衡效率的同时，保证了网络质量；并且提供了全面的可选邻区监测点，可以供网络优化人员按实际生产环境选择，保证了负载均衡的实际有效。
148.以下，结合图10对本公开示例实施例的网络负荷优化方法进行进一步的解释以及说明。其中，图10为网络负荷优化方法的实现逻辑图，该网络负荷优化方法可以包括：
149.步骤s1010.将高负荷监测点的网络关键数据作为输入数据，输入至高负荷监测模型中，对该高负荷监测模型进行验证，得到目标监测点；
150.步骤s1020.将该目标监测点的网络关键数据作为输入数据，输入至预设神经网络模型中，得到目标监测模型；
151.步骤s1030.将高负荷监测点的网络关键数据作为输入数据，输入至目标监测模型中，得到高负荷监测点的预测值；
152.步骤s1040.获取高负荷监测点的邻区监测点，将邻区监测点的网络关键数据作为输入，输入至邻区监测模型中，得到邻区监测点的预测值；
153.步骤s1050.根据高负荷监测点的预测值以及邻区监测点的预测值，得到高负荷监测点的负载均衡清单；
154.步骤s1060.根据该负载均衡清单对高负荷监测点进行负载均衡调整。
155.本公开示例实施例还提供了一种网络负荷优化装置，参考图11所示，可以包括：高负荷监测模型训练模块1110、目标监测模型训练模块1120、邻区监测模型训练模块1130、建议清单生成模块1140以及网络负荷优化模块1150。其中：
156.高负荷监测模型训练模块，用于获取目标范围内的高负荷监测点、所述高负荷监测点的第一网络关键数据，通过所述第一网络关键数据得到高负荷监测模型；
157.目标监测模型训练模块，用于通过第二网络关键数据对所述高负荷监测模型进行验证，得到所述高负荷监测点中的目标监测点，通过所述目标监测点的网络关键数据得到目标监测模型；
158.邻区监测模型训练模块，用于获取所述目标监测点的邻区监测点、所述邻区监测
点的第三网络关键数据，通过所述第三网络关键数据得到邻区监测模型；
159.建议清单生成模块，用于通过所述目标监测模型、所述邻区监测模型，得到所述高负荷监测点的第一预测值、高负荷监测点的邻区监测点的第二预测值，根据所述第一预测值、第二预测值得到所述高负荷监测点的负载均衡建议清单。
160.网络负荷优化模块，用于根据所述负载均衡建议清单对所述高负荷监测点的网络负荷进行优化。
161.上述网络负荷优化装置中各模块的具体细节已经在对应的网络负荷优化方法中进行了详细的描述，因此此处不再赘述。
162.在本公开的一种示例性实施例中，获取目标范围内的高负荷监测点、所述高负荷监测点的第一网络关键数据，包括：
163.获取目标范围内的监测点以及监测点的网络关键数据；
164.根据第一缺失阈值对所述监测点的网络关键数据进行过滤，得到过滤网络关键数据；
165.通过插值法对所述过滤网络关键数据进行处理，得到所述目标范围内的目标网络关键数据；
166.根据预设的高负荷监测点判断条件对所述监测点进行区分，得到所述目标范围内的高负荷监测点以及与所述高负荷监测点对应的第一网络关键数据。
167.在本公开的一种示例性实施例中，根据预设的高负荷监测点判断条件对所述监测点进行区分，包括：
168.当所述监测点的频段为800m带宽为5m时，获取所述监测点的自忙时物理资源块利用率、总流量、使用用户数以及最大无线资源控制连接数；
169.在预设时间段内，当任一所述监测点出现所述自忙时物理资源块利用率不小于第一预设利用率且所述总流量不小于第一预设流量的次数大于预设次数；或
170.出现所述自忙时物理资源块利用率不小于第一预设利用率、所述使用用户数不小于第一预设使用数且所述最大无线资源控制连接数不小于第一预设连接数的次数大于预设次数时，将所述监测点确定为高负荷监测点；
171.其中，所述自忙时为24小时内分组数据汇聚协议层总流量最大的小时。
172.在本公开的一种示例性实施例中，根据预设的高负荷监测点判断条件对所述监测点进行区分，包括：
173.当所述监测点的频段为1.8g/2.1g带宽为20m时，获取所述监测点的自忙时物理资源块利用率、总流量、使用用户数以及最大无线资源控制连接数；
174.在预设时间段内，当任一所述监测点出现所述自忙时物理资源块利用率不小于第二预设利用率且所述总流量不小于第二预设流量的次数大于预设次数；或
175.出现所述自忙时物理资源块利用率不小于第二预设利用率、所述使用用户数不小于第二预设使用数且所述最大无线资源控制连接数不小于第二预设连接数的次数大于预设次数时，将所述监测点确定为高负荷监测点；
176.其中，所述自忙时为24小时内分组数据汇聚协议层总流量最大的小时。
177.在本公开的一种示例性实施例中，所述网络负荷优化方法还包括：
178.获取所述第一网络关键数据中包括的下行物理资源块利用率、最大无线资源控制
连接数以及分组数据汇聚协议层总流量；
179.利用所述目标范围内的高负荷监测点的下行物理资源利用率对所述预设神经网络模型进行训练，得到资源利用率预测模型；
180.利用所述目标范围内的高负荷监测点的最大无线资源控制连接数对所述预设神经网络模型进行训练，得到资源控制连接数预测模型；
181.利用所述目标范围内的高负荷监测点的分组数据汇聚协议层总流量对所述预设神经网络模型进行训练，得到流量预测模型。
182.在本公开的一种示例性实施例中，通过第二网络关键数据对所述高负荷监测模型进行验证，得到所述高负荷监测点中的目标监测点，包括：
183.获取第二预设时间段内所述高负荷监测点的第二网络关键数据，将所述第二网络关键数据输入至所述高负荷监测模型，得到高负荷预测结果；
184.将所述高负荷监测点的下行物理资源块利用率、最大无线资源控制连接数以及分组数据汇聚协议层总流量分别输入至资源利用率预测模型、资源控制连接数预测模型以及流量预测模型，得到资源块利用率预测值、连接数预测值以及流量预测值；
185.对所述高负荷预测结果、所述资源块利用率预测值、连接数预测值以及流量预测值进行验证，得到预测准确率；
186.根据任一监测点的高负荷预测结果中高负荷发生时间点的准确率、高负荷发生时间点预测的精确率和召回率、高负荷发生时间点的发生频率以及所述预测准确率，将所述高负荷监测点中任一监测点确定为目标监测点。
187.在本公开的一种示例性实施例中，获取所述目标监测点的邻区监测点，包括：
188.获取所述目标监测点的覆盖范围以及所述目标范围内包括的监测点的覆盖范围；
189.根据所述目标监测点的覆盖范围确定所述目标监测点的覆盖多边型以及根据所述目标范围内包括的检测点的覆盖范围确定所述监测点的覆盖多边形；
190.在确定所述目标监测点的覆盖多边形与所述监测点的覆盖多边形存在重叠时，将所述监测点确定为所述目标监测点的邻区监测点，并根据所述邻区监测点生成邻区表；
191.获取所述邻区表中包括的第三预设时间段内达到高负荷的次数大于第三预设次数的邻区监测点，并从所述邻区表中删除。
192.在本公开的一种示例性实施例中，根据所述第一预测值、第二预测值得到所述高负荷监测点的负载均衡建议清单，包括：
193.获取所述第一预测值中包括的高负荷发生时间点以及所述第二预测值中包括的所述邻区表中包括的邻区监测点的预测值，根据所述高负荷发生时间点以及所述邻区监测点的预测值，对所述邻区表中的邻区监测点进行删除，得到目标监测点的邻区监测点；
194.根据频段以及优先级对所述邻区监测点进行排序；
195.获取排序后的邻区监测点，并将所述排序后的邻区监测点作为所述高负荷监测点的负载均衡建议清单。
196.应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
197.此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
198.在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
199.所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
200.下面参照图12来描述根据本公开的这种实施方式的电子设备1200。图12显示的电子设备1200仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
201.如图12所示，电子设备1200以通用计算设备的形式表现。电子设备1200的组件可以包括但不限于：上述至少一个处理单元1210、上述至少一个存储单元1220、连接不同系统组件(包括存储单元1220和处理单元1210)的总线1230以及显示单元1240。
202.其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元1210执行，使得所述处理单元1210执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元1210可以执行如图1中所示的步骤s110：获取目标范围内的高负荷监测点、所述高负荷监测点的第一网络关键数据，通过所述第一网络关键数据对预设神经网络模型进行训练，得到高负荷监测模型；s120：通过第二网络关键数据对所述高负荷监测模型进行验证，得到所述高负荷监测点中的目标监测点，通过所述目标监测点的网络关键数据对所述预设神经网络模型进行训练，得到目标监测模型；s130：获取所述目标监测点的邻区监测点、所述邻区监测点的第三网络关键数据，通过所述第三网络关键数据对所述预设神经网络模型进行训练，得到邻区监测模型；s140：通过所述目标监测模型、所述邻区监测模型，得到所述高负荷监测点的第一预测值、高负荷监测点的邻区监测点的第二预测值，根据所述第一预测值、第二预测值得到所述高负荷监测点的负载均衡建议清单；s150：根据所述负载均衡建议清单对所述高负荷监测点的网络负荷进行优化。
203.存储单元1220可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)12201和/或高速缓存存储单元12202，还可以进一步包括只读存储单元(rom)12203。
204.存储单元1220还可以包括具有一组(至少一个)程序模块12205的程序/实用工具12204，这样的程序模块12205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
205.总线1230可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
206.电子设备1200也可以与一个或多个外部设备1300(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1200交互的设备通信，和/或与使得该电子设备1200能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口1250进行。并且，电子设备1200还可以通过网络适配器1260与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公
共网络，例如因特网)通信。如图所示，网络适配器1260通过总线1230与电子设备1200的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1200使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
207.通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
208.在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
209.根据本公开的实施方式的用于实现上述方法的程序产品，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
210.所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
211.计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
212.可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
213.可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商
来通过因特网连接)。
214.此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
215.本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本技术旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。