[发明专利]基于业务特征的通信业务预测方法

说明书

技术领域

本发明涉及通信技术领域，特别是涉及一种基于业务特征的通信业务预测方法。

背景技术

目前，大部分运营商采用的无线通信业务预测技术仅限于简单函数的拟合预测，输入参数和预测模型都相对简单，实际上是对一种趋势的粗略的估计，在无线通信业务快速发展和网络快速工程建设中，起到一定的积极作用。而今天，随着用户行为以及网络规模和结构的变化，使得原有简单的预测技术已经不再适合了。

总结起来，当前主要的无线通信业务预测方法包括惯性预测、卡尔曼滤波、话务量OLAP（On-Line Analytical Processing，在线分析处理）分析等。其中惯性预测和卡尔曼滤波相对简单，但是难以满足现阶段话务量的复杂变化方式。

随着时序预测问题的深入研究，其技术手段由原来的概率论、随机过程等纯数学的方法，如采用ARMA（Auto-Regressive and Moving Average Model，自回归滑动平均模型）预测模型来近似描述时间序列，到引入动力学系统的一些知识抽取时序的系统特征，再到引入神经网络等人工智能领域内的技术和数学手段相结合的方法，综合性越来越强。

ARMA模型被广泛地应用于时间序列的分析和预测，若时间序列是平稳的，可以用自回归模型AR（p）、滑动平均MA模型、自回归移动平均模型ARMA（p，q）来进行分析，ARMA模型能够较好地描述时间序列，但是其前提是时间序列是平稳的，缺点是预测速度慢。

神经网络己经成为预测的一种重要模型，神经网络有多种结构，最常用的是多层BP模型。但是BP预测模型的参数难以选择，难以确定隐含层和隐含层节点的个数。

基于支持向量机（SVM）回归分析的预测模型，由于有较为严格的统计学习理论作保证，应用SVM方法建立的模型具有较好的推广能力。近年来SVM被广泛的应用于人工智能的各个方面，并取得了成功的应用；SVM通过核函数实现到高维空间的非线性映射，所以适合于解决本质上非线性的回归函数估计等问题。话务量数据是一种非线性的时间序列，因此SVM同样适用于建立话务量的预测模型。

业务预测的主要目标是实现对未来业务的精确预测，并进一步指导网络性能的评估以及网络的规划优化。当前业务预测方法普遍存在的不足是：

1、一方面不断引入更新更复杂的算法，例如神经网络、支持向量机；另一方面则忽视了业务特征上的分析，企图以一个模型预测所有可能特征的业务。事实上，业务的区域性、周期性、业务特征的差异化要求同时存在多个业务预测模型，以实现对具有不同特征的业务进行精确预测。

2、当前业务预测试图预测单一站点的业务量；然而，由于蜂窝系统中用户的移动性特点，对单一站点执行业务预测是不合理的，很难达到一个稳定的结果。

3、既有业务预测没有将覆盖盲区作为潜在业务量生成空间共同生成业务的预测结果，使得业务预测结果难以有效地用于指导网络的评估规划以及优化。

4、现有预测方法希望能够将历史数据用于预测未来较长时间的业务量，因此，如果没有捕捉到在这段时间内外界突发因素的影响以及业务量趋势的变化，则难以进行精确的预测。

5、现有预测方案期望根据输入的数据，不断调整预测模型的参数，从而引入了大量的预测模型训练开销和延迟。

综上所述，已有的研究大多是采纳神经网络、支持向量机模型以及演进模型这些复杂的数学工具实现业务预测。但是对于业务特征的研究以及业务样本的构造则鲜有提及或者不够深入。然而，业务的样本特征是预测算法性能的关键影响因子，可以说没有好的样本，就没有好的预测样本，也就难以设计出好的预测算法。因此，利用现代数学中有关估计和预测模型进行移动网络话务模型研究，提高预测的准确度，意义非常重大。

发明内容

（一）要解决的技术问题

本发明要解决的技术问题是：如何提高通信业务预测的准确度。

（二）技术方案

为了解决上述技术问题，本发明提供一种基于业务特征的通信业务预测方法，包括以下步骤：

S1、对待预测的业务量数据进行预处理；

S2、对预处理后的业务量数据进行样本构造、样本概化以及样本筛选处理；

S3、根据样本的业务特征对经步骤S2处理后的业务量数据进行聚类，得到多个区域类型的业务量数据的预测模型；

S4、对每个区域类型的业务量数据分别进行业务预测，估算出业务量数据所处网络区域；

S5、估算所述网络区域内所需网络资源；