技术特征：
1.一种网络负荷优化方法，其特征在于，包括：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；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；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；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；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。2.根据权利要求1所述的网络负荷优化方法，其特征在于，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，包括：获取目标范围内的监测点以及监测点的网络关键数据；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；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；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。3.根据权利要求2所述的网络负荷优化方法，其特征在于，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：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；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；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。4.根据权利要求2所述的网络负荷优化方法，其特征在于，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：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；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；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。
5.根据权利要求1所述的网络负荷优化方法，其特征在于，所述网络负荷优化方法还包括：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；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；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；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。6.根据权利要求5所述的网络负荷优化方法，其特征在于，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，包括：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；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；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；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。7.根据权利要求1所述的网络负荷优化方法，其特征在于，获取所述目标监测点的邻区监测点，包括：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；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；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；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。8.根据权利要求7所述的网络负荷优化方法，其特征在于，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：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；根据频段以及优先级对所述邻区监测点进行排序；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。
9.一种网络负荷优化装置，其特征在于，包括：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；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；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；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；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。10.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-8任一项所述的网络负荷优化方法。11.一种电子设备，其特征在于，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-8任一项所述的网络负荷优化方法。
技术总结
本公开是关于一种网络负荷优化方法和装置、计算机存储介质、电子设备，涉及大数据处理技术领域，该方法包括：获取目标范围内的高负荷监测点，通过高负荷监测点的第一网络关键数据得到高负荷监测模型；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，通过目标监测点的网络关键数据得到目标监测模型；获取目标监测点的邻区监测点，通过邻区监测点的第三网络关键数据得到邻区监测模型；通过目标监测模型、邻区监测模型，得到第一预测值、第二预测值，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建议清单；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。本公开提高了网络负荷优化的效率。化的效率。化的效率。
技术研发人员：周笑笑 谢卓罡 卢哲钊 姚莉 贝旭峰
受保护的技术使用者：中国电信股份有限公司
技术研发日：2021.12.15
技术公布日：2022/3/15