小区负荷预测方法及系统与流程-j9九游会真人

1.本技术涉及移动通信技术领域，尤其涉及一种小区负荷预测方法及系统。


背景技术：

2.移动通信技术领域，当4/5g小区发生灾害、搬迁、故障造成小区退服时，退服小区之前所承载的大中小包业务，将由周边存在同覆盖关系的同制式的小区实现分担。现有技术仅对小区业务数据指标进行统计，未对流量和负荷做预测，暂无对当前时段单小区退服后，对业务分流目标小区流量吸收叠加后负荷(如利用率)的预测方法。
3.申请实施例内容
4.本技术实施例提供的小区负荷预测方法及系统，用于解决现有技术中存在的上述问题，能够在主服务小区因为各种原因退出服务时，该主服务小区的大/中/小包业务，分担给同覆盖关系小区，通过评估业务分流叠加后对目标小区负荷指标的评估预测，确定是否有可负荷分流的邻区，指导运营商提前评估预测，开展主服务小区(如高流量高价值小区)发生退服问题时的容量应急保障工作。
5.第一方面，本技术实施例提供的一种小区负荷预测方法，包括：
6.根据通信网络内主服务小区的多个邻区，确定受负荷分流影响的目标小区；
7.获取所述目标小区的第一网络特征参数集，并将所述第一网络特征参数集输入至预测模型，对所述目标小区的负荷进行预测；
8.其中，所述预测模型是通过将训练样本输入到梯度提升决策树gbdt模型中进行训练，对所述gbdt模型的参数进行调优后得到的；
9.所述训练样本是根据通信网络内包括所述主服务小区的多个小区的第二网络特征参数集确定的；
10.所述第二网络特征参数集包括的特征参数与所述第一网络特征参数集包括的特征参数的类型相同。
11.在一个实施例中，根据本技术实施例提供的一种小区负荷预测方法，所述根据通信网络内主服务小区的多个邻区，确定负荷分流的目标小区，包括：
12.根据通信网络内主服务小区的多个邻区，确定满足预设条件的目标邻区；
13.将所述目标邻区作为所述目标小区；
14.其中，所述预设条件包括平均电平大于等于第一预设值、采样点占比大于等于第二预设值且与所述主服务小区的距离小于等于第三预设值。
15.在一个实施例中，根据本技术实施例提供的一种小区负荷预测方法，所述获取所述目标小区的第一网络特征参数集，包括：
16.获取预设时间粒度内所述目标小区的第一信道与第二信道的第一总流量以及第一top1至topn业务流量；
17.将所述主服务小区与所述目标小区进行关联，获取所述预设时间粒度内所述主服务小区的第一信息与第二信道的第二总流量以及第二top1至topn业务流量；
18.根据所述第一总流量、所述第一top1至topn业务流量、所述第二总流量以及所述第二top1至topn业务流量，确定目标小区的第一信道与第二信道的dpi流量以及top1至topn业务流量占比；
19.获取目标小区所采用的频段、带宽以及双工方式；
20.根据所述目标小区的第一信道与第二信道的dpi流量以及top1至topn业务流量占比、所述目标小区所采用的频段、带宽以及双工方式，获取所述第一网络特征参数集；
21.其中，n为正整数。
22.在一个实施例中，根据本技术实施例提供的一种小区负荷预测方法，所述训练样本是通过如下方式获取的：
23.根据获取的通信网络内包括所述主服务小区的多个小区的与信息采集相关的参数、与负荷相关的核心参数、与负荷相关的无线统计参数以及与负荷相关的dpi统计参数，确定网络参数集；
24.对所述网络参数集进行数据清洗，获取所述第二网络特征参数集；
25.其中，所述与信息采集相关的参数至少包括采集时间以及包括所述主服务小区的多个小区的标识信息；
26.所述与负荷相关的核心参数至少包括频段、带宽、双工方式、第一信道与第二信道时隙配比以及特殊子帧时隙配比；
27.所述与负荷相关的无线统计参数至少包括第一信道与第二信道的无线流量、第一信道与第二信道的利用率；
28.所述与负荷相关的dpi统计参数至少包括第一信道与第二信道的dpi流量、第一信道与第二信道的top1至topn业务流量占比。
29.在一个实施例中，根据本技术实施例提供的一种小区负荷预测方法，所述对所述网络参数集进行数据清洗，获取所述第二网络特征参数集，包括：
30.剔除所述网络参数集中的第一异常值、第二异常值以及所述与信息采集相关的参数；
31.根据剔除后的网络参数集，确定所述第二网络特征参数集；
32.其中，所述第一异常值是根据所述网络参数集中的空值或零值确定的；
33.所述第二异常值是根据所述第一信道与第二信道的无线流量和所述第一信道与第二信道的dpi流量确定的。
34.在一个实施例中，根据本技术实施例提供的一种小区负荷预测方法，所述将所述第一网络特征参数集输入至预测模型，对所述目标小区的负荷进行预测，包括：
35.将所述第一网络参数集输入至所述预测模型，获取所述预设最短时间粒度内目标小区的第一信道与第二信道的利用率；
36.根据所述目标小区的第一信道与第二信道的利用率，对所述目标小区的负荷进行预测。
37.第二方面，本技术实施例还提供一种小区负荷预测系统，包括：确定模块和预测模块；
38.所述确定模块，用于根据通信网络内主服务小区的多个邻区，确定受负荷分流影响的目标小区；
39.所述预测模块，用于获取所述目标小区的第一网络特征参数集，并将所述第一网络特征参数集输入至预测模型，对所述目标小区的负荷进行预测；
40.其中，所述预测模型是通过将训练样本输入到梯度提升决策树gbdt模型中进行训练，对所述gbdt模型的参数进行调优后得到的；
41.所述训练样本是根据通信网络内包括所述主服务小区的多个小区的第二网络特征参数集确定的；
42.所述第二网络特征参数集包括的特征参数与所述第一网络特征参数集包括的特征参数的类型相同。
43.第三方面，本技术实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述的方法。
44.本技术实施例还提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行第一方面所述的方法。
45.本技术实施例还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现第一方面所述的方法。
46.本技术实施例提供的小区负荷预测方法及系统，能够在主服务小区因为各种原因退出服务时，该主服务小区的大/中/小包业务，分担给同覆盖关系小区，通过评估业务分流叠加后对目标小区负荷指标的评估预测，确定是否有可负荷分流的邻区，指导运营商提前评估预测，开展主服务小区(如高流量高价值小区)发生退服问题时的容量应急保障工作。
附图说明
47.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本技术实施例的一些实施例，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。
48.图1是本技术实施例提供的小区负荷预测方法的流程示意图；
49.图2是本技术实施例提供的小区负荷预测系统的结构示意图；
50.图3是本技术实施例提供的电子设备的实体结构示意图。
具体实施方式
51.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术实施例一部分实施例，而不是全部的实施例。基于本技术实施例中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术实施例保护的范围。
52.移动通信网络一般以利用率作为网络负荷评价的依据，lte网络高负荷性能指标门限如表1所示：
53.表1
[0054][0055]
在日常工作中，现有技术多基于表1lte网络高负荷性能指标中业务逻辑信道的负荷情况，具体指标为上行pusch(physical uplink shared channel，物理上行共享信道)利用率、下行pdsch(physical downlink shared channel，物理下行共享信道)利用率，一般以日最忙时上下行利用率≥50％作为小区高负荷扩容的依据。
[0056]
仅对小区业务数据指标进行统计，未对流量和负荷做预测，暂无对当前时段单小区退服后，对业务分流目标小区流量吸收叠加后利用率预测方法。基于此，本技术实施例提供小区负荷预测方法，用于高流量/高价值小区评估，当主服务小区(4/5g小区)发生灾害、搬迁、故障造成小区退服后，负荷分流的目标小区叠加退服小区话务量后的利用率预测，能够指导运营商在日常工作中提前开展高流量/高价值小区(如大型活动、商业中心、高档住宅)保障，如该小区意外退服后，周边小区能够在吸收退服小区话务量后，是否会造成高负荷，进而导致用户感知变差，具体实现如下：
[0057]
图1是本技术实施例提供的小区负荷预测方法的流程示意图，如图1所示，方法包括：
[0058]
步骤100、根据通信网络内主服务小区的多个邻区，确定用于受负荷分流影响的目标小区；
[0059]
步骤200、获取目标小区的第一网络特征参数集，并将第一网络特征参数集输入至预测模型，对目标小区的负荷进行预测；
[0060]
其中，预测模型是通过将训练样本输入到梯度提升决策树(gradient boosting decesion tree，gbdt)模型中进行训练，对gbdt模型的参数进行调优后得到的；
[0061]
训练样本是根据通信网络内包括主服务小区的多个小区的第二网络特征参数集确定的；
[0062]
第二网络特征参数集包括的特征参数与第一网络特征参数集包括的特征参数的类型相同。
[0063]
需要说明的是，上述方法的执行主体可以是计算机设备。
[0064]
可选地，找到与即将退出服务的主服务小区(例如4/5g小区)同处同一通信网络的多个小区，并从其中筛选出主服务小区的多个邻区，具体地：
[0065]
获取主服务小区的原始测量数据mro，按照mro原始数据格式，主服务小区携带小
区标识(eci)标识，而邻区只携带物理小区标识pci、频率freq、参考信号接收功率rsrp以及参考信号接收质量rsrq信息，未携带邻区小区标识eci信息，参见表2，需要完成对邻区小区标识eci信息的回填工作。
[0066]
表2
[0067]
中文名字段名数据类型neighbor_1_cell_pcineighbor_1_cell_pciintneighbor_1_freqneighbor_1_freqintneighbor_1_rsrpneighbor_1_rsrpsmallintneighbor_1_rsrqneighbor_1_rsrqsmallint
[0068]
采集15分钟粒度的主服务小区的mro，按照测量到的频率freq和物理小区标识pci，与cell_info_bmop表中的每个小区的基础工参信息进行计算关联，找到距离主服小区距离最近的小区，并将其认为是该条测量到的邻区，对于补采的邻区数据解析回填，要注意匹配与采集主服务小区的mro同一天日期的cell_info_bmop表进行计算关联，其中，cell_info_bmop表为小区基础工参信息表，表中存储有与主服务小区同处同一通信网络的多个小区的经纬度信息以及日期信息。
[0069]
在实际的网络维护优化过程中，由于频率freq和物理小区标识pci是不断调整的，而调整日志响应更新到cell_info_bmop表中存在一定的时延，因此在邻区计算回填时，需要增加邻区距离限制条件，依据测量所在位置的区域性质设置不同的阈值，例如密集城区距离过滤设置为5km。
[0070]
基于得到的主服务小区同处同一通信网络的多个邻区，确定将主服务小区中大中小包业务进行分流后受负荷分流影响的目标小区。
[0071]
采集通信网络内包括主服务小区在内的多个小区的网络特征参数，构成网络特征参数集(即第二网络特征参数集)，并将第二网络特征参数集作为训练样本对gbdt模型进行训练以及参数调优，得到参数调优后的gbdt模型，并将其作为预测模型。
[0072]
将采集到的目标小区的网络特征参数集(即第一网络特征参数集)输入至预测模型，以对目标小区的负荷进行预测。
[0073]
本技术实施例提供的小区负荷预测方法，能够在主服务小区因为各种原因退出服务时，该主服务小区的大/中/小包业务，分担给同覆盖关系小区，通过评估业务分流叠加后对目标小区负荷指标的评估预测，确定是否有可负荷分流的邻区，指导运营商提前评估预测，开展主服务小区(如高流量高价值小区)发生退服问题时的容量应急保障工作。
[0074]
进一步地，在一个实施例中，步骤100，可以具体包括：
[0075]
步骤1001、根据通信网络内主服务小区的多个邻区，确定满足预设条件的目标邻区；
[0076]
步骤1002、将目标邻区作为目标小区；
[0077]
其中，预设条件包括平均电平大于等于第一预设值、采样点占比大于等于第二预设值且与主服务小区的距离小于等于第三预设值。
[0078]
可选地，在按照上述方法完成邻区回填后，按照主服务小区的mro条数统计邻区占用及采样点占比，结果如表3所示：
[0079]
表3
[0080][0081]
根据通信网络内主服务小区的多个邻区，确定满足预设条件的目标邻区，具体地：将平均电平大于等于第一预设值如-100dbm，采样点占比大于等于第二预设值如30％，并且与主服务小区的距离小于等于第三预设值如700米的邻区作为受负荷分流重点影响的目标小区，即与主服务小区强相关的第一邻区。
[0082]
需要说明的是，第一预设值至第三预设值的具体取值可以根据实际场景具体设置。
[0083]
本技术实施例提供的小区负荷预测方法，能够实现对负荷分流的目标小区的合理性以及准确性评估。
[0084]
进一步地，在一个实施例中，步骤200可以具体包括：
[0085]
步骤2001、获取预设时间粒度内目标小区的第一信道与第二信道的第一总流量以及第一top1至topn业务流量；
[0086]
步骤2002、将主服务小区与目标小区进行关联，以获取预设最短时间粒度内主服务小区的第一信息与第二信道的第二总流量以及第二top1至topn业务流量；
[0087]
步骤2003、根据第一总流量、第一top1至topn业务流量、第二总流量以及第二top1至topn业务流量，确定目标小区的第一信道与第二信道的dpi流量以及top1至topn业务流量占比；
[0088]
步骤2004、获取目标小区所采用的频段、带宽以及双工方式；
[0089]
步骤2005、根据目标小区的第一信道与第二信道的dpi流量以及top1至topn业务流量占比、目标小区所采用的频段、带宽以及双工方式，获取第一网络特征参数集；
[0090]
其中，n为正整数。
[0091]
可选地，在步骤2001中，假设目标小区的eci信息为b-2，按照预设最短时间粒度如5分钟时间粒度，得到周期内第一信道的总流量a1、top100业务流量，并对其进行聚合运算，得到top1至topn业务流量(即第一top1至topn业务流量)，其中，n为正整数，当n＝100时，可以得到第一信道的top1至top100业务流量b1，b2，b3....b100。
[0092]
利用hardoop平台进行主服务小区的mro与信令xdr数据的关联分拣，按照5分钟粒度将主服务小区为a-1且第一邻区为b-2、c-2的mro进行抽取，并完成以下计算过程：
[0093]
第一步、根据mro中的mme_ue_s1ap_id 主服小区的eci与s1_mme接口的xdr数据关联，将s1_mme接口中的移动台国际用户识别码msisdn回填至mro中；
[0094]
第二步、按照主服小区的eci、msisdn、mro中的测量时间(report_time)是否在s_o_dpi_lte_s1u_http的业务开始时间procedure_start_time与业务结束时间procedure_end_time时间窗内，实现mro与s1_u_http关联，将邻区b-2、c-2的eci回填至s1_u_http接口
的xdr内。
[0095]
其中，xdr数据(x data recording)是由呼叫数据记录cdr演变而来的概念。cdr是传统通信网中对通话过程中网络关键信息的记录。xdr是cdr概念的扩展，一般泛指对移动网络、承载网络中数据流量的关键信息记录。
[0096]
在步骤2002中，使用关联回填得到s1_u_http接口的xdr数据，以b-2邻区、c-2邻区进行聚合运算，得到主服务小区对应5分钟时间粒度计算周期内第一信道的总流量a1(即第二总流量)以及top100业务流量b1，b2，b3....b100(即第二top1至top100业务流量)。
[0097]
在步骤2003中，使用步骤2001以及步骤2002得到的结果，得到b-2邻区负荷分流后的第一信道的dp1(deep packet inspection，深度报文检测)流量(a1 a1)、第一信道的top1至top100业务流量(b1 b1)、(b2 b2)、(b3 b3)、....、(b100 b100)以及第一信道的top1至top100业务流量占比c1、c2、c3......c100；
[0098]
在步骤2004中，按照关联b-2邻区的第一信道对应频率、带宽、双工方式后得到的目标小区(b-2邻区)所采用的频段、带宽以及双工方式。
[0099]
经过步骤2001-2004得到目标小区的第一信道的dpi流量以及top1至top100业务流量占比、目标小区所采用的频段、带宽以及双工方式，需要说明的是，目标小区第二信道的网络特征参数与第一信道的网络特征参数获取过程相同，本技术实施例对此不再赘述。
[0100]
将得到的目标小区的第一信道与第二信道的dpi流量以及top1至top100业务流量占比、目标小区所采用的频段、带宽以及双工方式作为目标小区的网络特征参数，并构成网络特征参数集(即第一网络特征参数集)。
[0101]
需要说明的是，本技术实施例中的第一信道和第二信道可以具体为上行物理共享信道pusch或第二信道可以具体为下行物理共享信道pdsch，也可以具体为其他物理传输信道，本技术实施例对此不作具体限定。
[0102]
本技术实施例提供的小区负荷预测方法，通过将主服务小区与目标小区进行关联分拣，得到目标小区的网络特征参数集，为后续基于该网络特征参数集对目标小区的负荷进行预测奠定了基础。
[0103]
进一步地，在一个实施例中，训练样本是通过如下方式获取的：
[0104]
步骤1、根据获取的通信网络内包括主服务小区的多个小区的与信息采集相关的参数、与负荷相关的核心参数、与负荷相关的无线统计参数以及与负荷相关的dpi统计参数，确定网络参数集；
[0105]
步骤2、对网络参数集进行数据清洗，获取第二网络特征参数集；
[0106]
其中，与信息采集相关的参数至少包括采集时间以及包括主服务小区的多个小区的标识信息；
[0107]
与负荷相关的核心参数至少包括频段、带宽、双工方式、第一信道与第二信道时隙配比以及特殊子帧时隙配比；
[0108]
与负荷相关的无线统计参数至少包括第一信道与第二信道的无线流量、第一信道与第二信道的利用率；
[0109]
与负荷相关的dpi统计参数至少包括第一信道与第二信道的dpi流量、第一信道与第二信道的top1至topn业务流量占比。
[0110]
可选地，在步骤1中，首先对如下数据进行采集：
[0111]
与主服务小区的负荷相关的核心参数包括：频段、带宽、双工方式、第一信道与第二信道的时隙配比、特殊子帧时隙配比；
[0112]
与主服务小区的负荷的无线统计参数主要为：第一信道与第二信道的无线流量、第一信道与第二信道的利用率(例如prb利用率)；
[0113]
与主服务小区的负荷的dpi统计为：第一信道与第二信道的dpi流量、第一信道与top1至topn业务流量占比：[第一信道的top1业务流量占比、第一信道的top2业务流量占比、第一信道的top3流量占比、......、第一信道top100流量占比]、[第二信道的top1流量占比、第二信道的top2流量占比、第二信道的top3流量占比、......、第二信道的top100流量占比]；
[0114]
与主服务小区的采集信息相关的参数：采集时间以及包括主服务小区的多个小区的eci信息；
[0115]
其中，当第一信道与第二信道分别为上行物理共享信道和下行物理共享信道时，第一信道与第二信道的时隙配比以及特殊子帧时隙配比，只有双工模式为tdd时才起作用；
[0116]
top业务流量占比表头为“业务大类-业务小类”格式，实际计算结果通常表示为两个数字的组合，如“1-1”、“5-6”。
[0117]
由于dpi可以识别业务类型近3000种，经统计top100业务的流量占比达到97％以上，因此在业务权值(业务流量占比)计算上，只需要按照月粒度top100进行更新，就能够满足建模需要；
[0118]
利用率指标(第一信道与第二信道的利用率)，原则上采集时间越短，越能真实反映无线资源利用情况，也便于提升预测的准确性，因此将利用率指标的采集时间定义为预设最大时间粒度：5分钟；同理dpi流量也对应利用率指标的采集时间进行用户面信令汇总统计，得到网络参数集，参见表4与表5：
[0119]
表4
[0120][0121]
表5
[0122][0123]
并经过步骤2对上述网络参数集进行数据清洗，得到第二网络特征参数集，其中，步骤2的具体实现如下：
[0124]
步骤21、剔除网络参数集中的第一异常值、第二异常值以及与信息采集相关的参数；
[0125]
步骤22、根据剔除后的网络参数集，确定第二网络特征参数集；
[0126]
其中，第一异常值是根据所述网络参数集中的空值或零值确定的；
[0127]
第二异常值是根据所述第一信道与第二信道的无线流量和第一信道与第二信道的dpi流量确定的。
[0128]
可选地，按照以下要求完成数据清洗：
[0129]
(1)关键字段：包括采集时间、eci信息、频段、带宽、双工方式、第一信道与第二信道的时隙配比、第一信道与第二信道的特殊子帧时隙配比、第一信道与第二信道的无线流量、第一信道与第二信道的利用率、第一信道与第二信道的流量。将关键字段中的第一异常值(如空值或零值)进行剔除。
[0130]
(2)当第一信道与第二信道分别为上行物理共享信道和下行物理共享信道时，上行物理共享信道的dpi流量(下行物理共享信道的dpi流量)采集自s1_u接口；上行物理共享信道的无线流量(下行物理共享信道的无线流量)采集自omc网管uu口(enodeb与ue之间的接口)分组数据汇聚协议pdcp协议，两者理论上差异不大。因此通过计算pusch的dpi流量与pusch的无线流量的差值的第一绝对值以及pdsch的dpi流量与pdsch的无线流量的差值的第二绝对值，并在第一绝对值与pusch的无线流量的比值小于等于预设阈值如5％，或者第二绝对值与pdsch的无线流量的比值小于等于预设阈值时，认为两个接口(s1_u接口，uu接口)采集的数据正常，不存在异常，将不满足上述条件的第二异常值进行异常值剔除。
[0131]
(3)采集时间、eci仅为信息采集的依据，作为建模数据无相关性，因此将这两个字段进行剔除。
[0132]
在得到第二网络特征参数集后，将其作为训练样本对gbdt模型进行训练，得到预测模型，具体地：
[0133]
按照频段(如b3、b8、b38、b39、b40、b41等)、带宽(如lte网络配置带宽为1.4mhz、3mhz、5mhz、10mhz、15mhz、20mhz)、双工方式(tdd\fdd)对训练样本进行数据分组，分别多个建模数据组；以“第一信道与第二信道的dpi流量、第一信道与第二信道的top1业务流量占比、第一信道与第二信道的top2业务流量占比、...、第一信道与第二信道的top100业务流
量占比”为训练因子，以“第一信道与第二信道利用率”为目标函数，再使用gbdt梯度提升决策树按照80％建模/20％测试进行训练和参数调优，最终得到最优参数配置，通过测试，在gbdt模型的步长learning_rate＝0.1、最大迭代次数n_estimators＝300、决策树最大深度max_depth＝5时，gbdt模型的决定系数效果最佳。
[0134]
例如：当某个小区“freq”频段＝b8，“band”带宽＝20m，“mod”网络制式＝fdd时，其5分钟的待预测数据结果区间为0.0003～0.3058。带入参数调优计算，训练得到上下行物理共享信道的prb利用率预测结果为38％。
[0135]
本技术实施例提供的小区负荷预测方法，能够在主服务小区因为各种原因退出服务时，该主服务小区的大/中/小包业务，分担给同覆盖关系小区，基于预测模型实现对目标小区分流负荷的评估预测，确定是否有可负荷分流的邻区，避免在未对目标小区进行分流负荷评估至直接将主服务小区的业务分流至目标小区，从而导致目标小区内用户感知变差的发生。
[0136]
进一步地，在一个实施例中，步骤200还可以具体包括：
[0137]
步骤2006、将第一网络参数集输入至预测模型，获取预设最短时间粒度内目标小区的第一信道与第二信道的利用率；
[0138]
步骤2007、根据目标小区的第一信道与第二信道的利用率，对目标小区的负荷进行预测。
[0139]
可选地，以b-2邻区为例，在步骤2006中，将经过计算得到的b-2邻区的第一网络参数集中(a1 a1)，(b1 b1)、(b2 b2)、(b3 b3)、....(b100 b100)，c1、c2、c3......c100输入到预测模型，按照gbdt模型的回归计算过程得到b-2邻区在此5分钟时间粒度的第一信道与第二信道的利用率(如prb利用率)。
[0140]
在步骤2007中，可以将日最忙时拆分成12个5分钟，计算12个预测得到的第一信道与第二信道的prb利用率，取算术平均值得到目标小区b-2邻区的小时级负荷预测结果。
[0141]
本技术实施例提供的小区负荷预测方法，能够实现对预设时间粒度下的目标小区分流负荷的准确性评估。
[0142]
下面对本技术实施例提供的小区负荷预测系统进行描述，下文描述的小区负荷预测系统与上文描述的小区负荷预测方法可相互对应参照。
[0143]
图2是本技术实施例提供的小区负荷预测系统的结构示意图，如图2所示，包括：
[0144]
确定模块210和预测模块211；
[0145]
确定模块210，用于根据通信网络内主服务小区的多个邻区，确定受负荷分流影响的目标小区；
[0146]
预测模块211，用于获取目标小区的第一网络特征参数集，并将第一网络特征参数集输入至预测模型，对目标小区的负荷进行预测；
[0147]
其中，预测模型是通过将训练样本输入到梯度提升决策树gbdt模型中进行训练，对gbdt模型的参数进行调优后得到的；
[0148]
训练样本是根据通信网络内包括主服务小区的多个小区的第二网络特征参数集确定的；
[0149]
第二网络特征参数集包括的特征参数与第一网络特征参数集包括的特征参数的类型相同。
[0150]
本技术实施例提供的小区负荷预测系统，能够在主服务小区因为各种原因退出服务时，该主服务小区的大/中/小包业务，分担给同覆盖关系小区，通过评估业务分流叠加后对目标小区负荷指标的评估预测，确定是否有可负荷分流的邻区，指导运营商提前评估预测，开展主服务小区(如高流量高价值小区)发生退服问题时的容量应急保障工作。
[0151]
进一步地，在一个实施例中，确定模块210，还可以具体用于：
[0152]
根据通信网络内主服务小区的多个邻区，确定满足预设条件的目标邻区；
[0153]
将目标邻区作为所述目标小区；
[0154]
其中，预设条件包括平均电平大于等于第一预设值、采样点占比大于等于第二预设值且与主服务小区的距离小于等于第三预设值。
[0155]
本技术实施例提供的小区负荷预测系统，能够实现对负荷分流的目标小区的合理性以及准确性评估。
[0156]
进一步地，在一个实施例中，预测模块211，还可以具体用于：
[0157]
获取预设最短时间粒度内目标小区的第一信道与第二信道的第一总流量以及第一top1至topn业务流量；
[0158]
将主服务小区与目标小区进行关联，获取预设时间粒度内主服务小区的第一信息与第二信道的第二总流量以及第二top1至topn业务流量；
[0159]
根据第一总流量、第一top1至topn业务流量、第二总流量以及第二top1至topn业务流量，确定目标小区的第一信道与第二信道的dpi流量以及top1至topn业务流量占比；
[0160]
获取目标小区所采用的频段、带宽以及双工方式；
[0161]
根据目标小区的第一信道与第二信道的dpi流量以及top1至topn业务流量占比、目标小区所采用的频段、带宽以及双工方式，获取第一网络特征参数集；
[0162]
其中，n为正整数。
[0163]
本技术实施例提供的小区负荷预测系统，通过将主服务小区与目标小区进行关联分拣，得到目标小区的网络特征参数集，为后续基于该网络特征参数集对目标小区的负荷进行预测奠定了基础。
[0164]
进一步地，在一个实施例中，预测模块211，还可以具体用于：
[0165]
通过如下方式获取训练样本：
[0166]
根据获取的通信网络内包括主服务小区的多个小区的与信息采集相关的参数、与负荷相关的核心参数、与负荷相关的无线统计参数以及与负荷相关的dpi统计参数，确定网络参数集；
[0167]
对网络参数集进行数据清洗，获取第二网络特征参数集；
[0168]
其中，与信息采集相关的参数至少包括采集时间以及包括主服务小区的多个小区的标识信息；
[0169]
与负荷相关的核心参数至少包括频段、带宽、双工方式、第一信道与第二信道时隙配比以及特殊子帧时隙配比；
[0170]
与负荷相关的无线统计参数至少包括第一信道与第二信道的无线流量、第一信道与第二信道的无线利用率；
[0171]
与负荷相关的dpi统计参数至少包括第一信道与第二信道的dpi流量、第一信道与第二信道的top1至topn业务流量占比；
[0172]
对网络参数集进行数据清洗，获取第二网络特征参数集，包括：
[0173]
剔除所述网络参数集中的第一异常值、第二异常值以及与信息采集相关的参数；
[0174]
根据剔除后的网络参数集，确定第二网络特征参数集；
[0175]
第一异常值是根据网络参数集中的空值或零值确定的；
[0176]
第二异常值是根据所述第一信道与第二信道的无线流量和第一信道与第二信道的dpi流量确定的。
[0177]
本技术实施例提供的小区负荷预测系统，能够在主服务小区因为各种原因退出服务时，该主服务小区的大/中/小包业务，分担给同覆盖关系小区，基于预测模型实现对目标小区分流负荷的评估预测，确定是否有可负荷分流的邻区，避免在未对目标小区进行分流负荷评估至直接将主服务小区的业务分流至目标小区，从而导致目标小区内用户感知变差的发生。
[0178]
进一步地，在一个实施例中，预测模块211，还可以具体用于：
[0179]
将第一网络参数集输入至预测模型，获取预设最短时间粒度内目标小区的第一信道与第二信道的利用率；
[0180]
根据目标小区的第一信道与第二信道的利用率，对目标小区的负荷进行预测。
[0181]
本技术实施例提供的小区负荷预测系统，能够实现对预设时间粒度下的目标小区分流负荷的准确性评估。
[0182]
图3是本技术实施例提供的一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(communication interface)311、存储器(memory)312和总线(bus)313，其中，处理器310，通信接口311，存储器312通过总线313完成相互间的通信。处理器310可以调用存储器312中的逻辑指令，以执行如下方法：
[0183]
根据通信网络内主服务小区的多个邻区，确定受负荷分流影响的目标小区；
[0184]
获取目标小区的第一网络特征参数集，并将第一网络特征参数集输入至预测模型，对目标小区的负荷进行预测；
[0185]
其中，预测模型是通过将训练样本输入到梯度提升决策树gbdt模型中进行训练，对gbdt模型的参数进行调优后得到的；
[0186]
训练样本是根据通信网络内包括主服务小区的多个小区的第二网络特征参数集确定的；
[0187]
第二网络特征参数集包括的特征参数与第一网络特征参数集包括的特征参数的类型相同。
[0188]
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机电源屏(可以是个人计算机，服务器，或者网络电源屏等)执行本技术实施例各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0189]
进一步地，本技术实施例公开一种计算机程序产品，所述计算机程序产品包括存
储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的小区负荷预测方法，例如包括：
[0190]
根据通信网络内主服务小区的多个邻区，确定受负荷分流影响的目标小区；
[0191]
获取目标小区的第一网络特征参数集，并将第一网络特征参数集输入至预测模型，对目标小区的负荷进行预测；
[0192]
其中，预测模型是通过将训练样本输入到梯度提升决策树gbdt模型中进行训练，对gbdt模型的参数进行调优后得到的；
[0193]
训练样本是根据通信网络内包括主服务小区的多个小区的第二网络特征参数集确定的；
[0194]
第二网络特征参数集包括的特征参数与第一网络特征参数集包括的特征参数的类型相同。
[0195]
另一方面，本技术实施例还提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行上述各实施例提供的方法，例如包括
[0196]
根据通信网络内主服务小区的多个邻区，确定受负荷分流影响的目标小区；
[0197]
获取目标小区的第一网络特征参数集，并将第一网络特征参数集输入至预测模型，对目标小区的负荷进行预测；
[0198]
其中，预测模型是通过将训练样本输入到梯度提升决策树gbdt模型中进行训练，对gbdt模型的参数进行调优后得到的；
[0199]
训练样本是根据通信网络内包括主服务小区的多个小区的第二网络特征参数集确定的；
[0200]
第二网络特征参数集包括的特征参数与第一网络特征参数集包括的特征参数的类型相同。
[0201]
以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0202]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机电源屏(可以是个人计算机，服务器，或者网络电源屏等)执行各个实施例或者实施例的某些部分所述的方法。
[0203]
最后应说明的是：以上实施例仅用以说明本技术实施例的技术方案，而非对其限制；尽管参照前述实施例对本技术实施例进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术实施例各实
施例技术方案的精神和范围。