[发明专利]基于合分模式实现小区网络流量资源指标预测的方法

权利要求书

1.一种基于合分模式实现小区网络流量资源指标预测的方法，包括

S1、数据采集与处理：

采集一段时间内的包括话务数据和切换数据的小区指标数据作为建模分析数据集S，根据建模分析数据集S中的切换数据计算要预测小区CELL_f的邻区集NS1的邻区集NS2；基于邻区集NS2划分泰森多边形，然后提取泰森多边形内的所有小区构建数据集CS0，其CS0所对应的从小区话务数据中提取的网络流量数据记录即为要预测小区CELL_f的样本数据集S2；

S2、将采集处理的数据集S2按照预设比例划分为训练集S2_train和测试集S2_test；根据测试集S2_test构建ARMA序列预测模型Mod_arma，输入以往周期的网络流量数据，分别获得下一时刻ARMA序列预测模型的网流量数据的预测值Result_aram；根据训练集S2_train构建LSTM序列预测模型Mod_sltm，输入以往周期的网络流量数据，分别获得下一时刻LSTM序列预测模型的网络流量数据的预测值Result_lstm；将上述两个模型的预测值结果进行融合，通过权重因子分配计算得最终结果，其计算公式为：

Result_vcs0＝μ×Result_lstm+α×Result_arma；

其中，所述根据测试集S2_test构建ARMA序列预测模型Mod_arma具体为：基于测试集S2_test数据构建自回归滑动模型为X_t＝Φ₁X_t-1+Φ₂X_t-2+…+Φ_pX_t-p+U_t-θ₁U_t-1-θ₂U_t-2-…-θ_qU_t-q，其中，Φ1，Φ2…Φp自回归系数，θ1，θ2，…θq移动平均系数，并通过该模型采用前一周期数据预测未来无限网络数据流量结果result_atma；

所述根据训练集S2_train构建LSTM序列预测模型的方法为：对训练集S2_train数据进行归一化，得到归一化训练样本集，从训练样本集中提取长度为m的连续数据作为LSTM复合训练集X_train，初始化LSTM网络的参数后，对LSTM复合网络进行训练，将归一化训练样本集输入到训练好的LSTM复合网络中，得到归一化流量预测结果Ypre，并对Ypre进行反归一化，得到预测未来无限网络数据流量结果result_lstm；

S3：基于历史数据，计算出数据集CS0每个小区每个周期指标占比Pf；

S4、结果输出：通过模型输出的Vcs0和Pf值计算预测小区的预测指标值result_pre：result_pre＝Vcs0*Pf。

2.如权利要求1所述的基于合分模式实现小区网络流量资源指标预测的方法，其特征在于，所述S1中，根据建模分析数据集S中的切换数据计算要预测小区CELLf的邻区集NS1的邻区集NS2的具体方法为：根据预测小区CELLf周边向外延伸设定半径值的区域获得，所述半径值为300-800m。

3.权利要求1所述的基于合分模式实现小区网络流量资源指标预测的方法，其特征在于，所述S2中的预设比例为5-9:3。

4.权利要求1所述的基于合分模式实现小区网络流量资源指标预测的方法，其特征在于，所述S2中的预设比例为7:3。

5.权利要求1所述的基于合分模式实现小区网络流量资源指标预测的方法，其特征在于，所述S3中的历史数据为自当前时刻起算一周内的历史数据。