[发明专利]一种基于联合LSTM基站小区流量预测方法以及装置

权利要求书

1.一种基于联合LSTM基站小区流量预测方法，其特征在于，所述方法包括：

样本数据处理步骤，分别获取待预测场景中各小区的用户数据，并对所述用户数据进行处理生成样本数据；

周期特征预测步骤，分别对所述各小区的样本数据基于长短时记忆神经网络(LSTM)建模，进行所述样本数据的周期特征的预测计算，生成周期特征预测结果；

关联特征预测步骤，对所有样本数据基于两层人工神经网络(ANN)建模，进行所述样本数据的关联特征的预测计算，生成关联特征预测结果；

流量预测值生成步骤，合并上述周期特征预测结果及关联特征预测结果，生成各小区联合的流量预测值。

2.如权利要求1所述的方法，其特征在于，所述样本数据处理步骤还包括：

所述各小区的用户数据来源于各基站上报数据，包括各基站的流量、用户量、闲忙时、节假日，所述用户数据的时间粒度为小时。

3.如权利要求1所述的方法，其特征在于，所述样本数据处理步骤还包括对所述用户数据进行预处理：

基于就近补齐原则，使用上一时刻数据对缺失数据进行补齐处理；

确定一定范围内所有小区单位时间的用户量、流量以及对应的闲忙时、节假日等特征信息；

对历史时刻的小区流量、用户量分别进行标准化处理，并将闲忙时、节假日做定量特征哑编码。

4.如权利要求1所述的方法，其特征在于，所述周期特征预测步骤还包括：

对各小区分别建立基于长短时记忆神经网络(LSTM)模型，以各小区在定周期的多个时间点的流量、用户量作为输入进行预测计算，生成周期特征预测结果。

5.如权利要求1所述的方法，其特征在于，所述关联特征预测步骤还包括：

对各小区其他相关特征基于两层人工神经网络(ANN)建模，以样本数据中的闲忙时、节假日关联特征作为输入进行预测计算，生成关联特征预测结果。

6.如权利要求1所述的方法，其特征在于，所述流量预测值生成步骤还包括：

对所述基于LSTM及ANN的模型进行迭代计算，引入预设截止条件，生成各小区联合的流量预测值。

7.如权利要求6所述的方法，其特征在于，所述流量预测值生成步骤还包括：

对所述基于LSTM及ANN的模型进行迭代计算，以早停法(early stopping)的让模型收敛，然后预设迭代次数后，生成模型最优解，进而得到各小区联合的流量预测值。

8.一种基于联合LSTM基站小区流量预测装置，其特征在于，所述装置包括：

样本数据处理模块，用于分别获取待预测场景中各小区的用户数据，并对所述用户数据进行处理生成样本数据；

周期特征预测模块，用于分别对所述各小区的样本数据基于长短时记忆神经网络(LSTM)建模，进行所述样本数据的周期特征的预测计算，生成周期特征预测结果；

关联特征预测模块，用于对所有样本数据基于两层人工神经网络(ANN)建模，进行所述样本数据的关联特征的预测计算，生成关联特征预测结果；

流量预测值生成模块，用于合并上述周期特征预测结果及关联特征预测结果，生成各小区联合的流量预测值。

9.一种电子设备，其特征在于，包括

处理器；以及

存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现根据权利要求1至7中任一项所述的方法。

10.一种计算机可读存储介质，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根据权利要求1至7中任一项所述方法。