[发明专利]基站业务量的预测方法及装置

说明书

本发明实施例提供了一种基站业务量的预测方法及装置。该方法包括：预测基站的目标节能周期内所有节能时段的业务量的累计值和所有节能时段的业务量的概率分布；根据所述目标节能周期内所有节能时段的业务量的累计值和业务量的概率分布预测所述基站的目标周期内的每一节能时段的业务量。通过本发明，可以解决相关技术中采用多步时序预测基站业务量时，不能同时保证预测精准度和鲁棒性的问题，达到可同时保证预测精准度和鲁棒性的效果。

技术领域

本发明实施例涉及数据挖掘技术领域，具体而言，涉及一种基站业务量的预测方法及装置。

背景技术

5G业务发展初期，网络负载低，轻载或空载基站占比非常高，采用大规模多输入多输出(Massive Multiple Input Multiple Output，Massive MIMO)技术的5G基站将进一步增加功耗，带来了较高的电费压力。目前针对轻载或空载时段实施深度休眠成为基站节能一个主要策略，需要利用数据挖掘算法对基站连续时段的业务量指标进行精准预测。

当前基站节能时段的业务量预测主要采用两种方案：1、基于低时延历史基站关键绩效指标(Key Performance Indicator，KPI)，采用统计分析方法选出下个节能周期的节能时段，预测其业务量；2、采用数据挖掘或深度学习等预测类算法，统计低/中低/高时延相关KPI指标叠加外部影响数据(例如：天气、节假日信息、地理位置信息等)作为特征，采用单步时序方法预测下个节能周期多个连续时段的业务量。

上述的第一种方法对时延要求较高，依靠传统统计方法不能考虑到指标变化趋势和幅度，往往与实际结果偏差较大；第二种方法只能对于周期内多个时段进行多次预测，浪费大量计算资源和增长预测时间，并且多个时段指标预测结果之间没有关联制约，造成整体与实际趋势差异较大。

在相关技术中，多步时序预测问题需要预测多个未来时间段内的指标，因此，一般有设置时间滑动窗口等于步长建模和将预测结果加入历史序列重新拟合两种方案。第一种方案放弃了最近的t-1时段的特征，可能会使模型的精度降低但是可以增强鲁棒性，第二种方案增加了距离较近的时段精度，引入了预测结果偏差，使得模型鲁棒性降低。

发明内容

本发明实施例提供了一种基站业务量的预测方法及装置，以至少解决相关技术中采用多步时序预测基站业务量时，不能同时保证预测精准度和鲁棒性的问题。

根据本发明的一个实施例，提供了一种基站业务量的预测方法，包括：预测基站的目标节能周期内所有节能时段的业务量的累计值和所有节能时段的业务量的概率分布；根据所述目标节能周期内所有节能时段的业务量的累计值和业务量的概率分布预测所述基站的目标周期内的每一节能时段的业务量。

在一个示例性实施例中，预测基站的目标节能周期内所有节能时段的业务量的累计值和所有节能时段的业务量的概率分布之前，还包括：确定所述基站待预测的目标节能周期、节能时段以及业务量指标，其中所述业务量为PRB利用率。

在一个示例性实施例中，确定所述基站待预测的目标节能周期、节能时段以及业务量指标之后，还包括：根据目标节能周期、节能时段以及业务量指标确定模型输入特征数据集，其中，所述模型输入特征数据集包括：业务量时序趋势指标数据、基站KPI趋势指标数据以及外部指标数据。

在一个示例性实施例中，所述业务量时序趋势指标数据包括：多个节能周期内各节能时段的平均PRB利用率、最低PRB利用率和最高PRB利用率，以及每个节能周期的最高PRB利用率、平均PRB利用率和最低PRB利用率；基站KPI趋势指标数据包括：多个节能周期内各节能时段的平均RRC用户数、最低RRC用户数和最高RRC用户数，以及每个节能周期的最高RRC用户数、平均RRC用户数和最低RRC用户数；外部指标数据包括：时间特征和地域特征，其中，所述时间特征至少包括以下之一：节能时段所处的年份、月份、日期、是否周末、是否节假日、小时；所述地域特征至少包括以下之一：基站所处省份、地市、经纬度信息、城镇、郊区、基站小区的ID。