CN119497125A 小区业务负荷预测方法、装置、设备、存储介质及产品 （中国移动通信集团云南有限公司）

2根据所述历史指标状态得到目标小区利用率预测模型，基于所述目将所述小区利用率和最小化路测数据、测量报告优化数据进行基于所述融合特征的利用率颗粒度确定目标随机树模型，基于所2.如权利要求1所述的方法，其特征在于，所述历史指标状态包括正常状态和缺失状所述根据所述历史指标状态得到目标小区利用率预测模型，基于在所述历史指标状态为正常状态时，将一类利用率预测模型作在所述历史指标状态为缺失状态时，将二类利用率预测模型作基于所述一类利用率预测模型或二类利用率预测模型根据所述目标小区和所述预测通过所述一类利用率预测模型根据所述目标小区的年利用率得在所述预测日期为特殊日期时，通过所述一类利用率预在所述预测日期为非特殊日期时，通过所述一类利用率预通过所述二类利用率预测模型根据所述目标小区确定各个接续覆盖个接续覆盖小区的年利用率得到所述目标小区在所述预测日期为特殊日期时，通过所述二类利用率预测模小区与所述目标小区的距离得到距离分配权重和目标假日利用率，根据所述距离分配权在所述预测日期为非特殊日期时，通过所述二类利用率预3所述将所述小区利用率和最小化路测数据、测量报告优化数据进行特对所述小区利用率、所述最小化路测数据以及所述测量报告优化数颗粒度小区利用率以及小时颗粒度测量报告对所述小区利用率、所述最小化路测数据以及所述测量报告优化数据按天划所述基于所述融合特征的利用率颗粒度确定目标随机树模型，基于所述在所述利用率颗粒度为天颗粒度时，将所述天颗粒度随机树模型作为目标随机树模在所述利用率颗粒度为小时颗粒度时，将所述小时颗粒度随机树通过所述目标随机树模型的各个随机树对所述融合特征进行负荷预比较所述第一负荷状态占比和所述第二负荷状态占比的大小得到目标小区的业务负述目标小区利用率预测模型根据所述目标小区和所述预测日期得业务负荷预测模块，用于将所述小区利用率和最小化路测数据、测所述业务负荷预测模块，还用于基于所述融合特征的利用率颗粒度确定8.一种小区业务负荷预测设备，其特征在于，所述述小区业务负荷预测程序配置为实现如权利要求1至6中任一项所述的小区业务负荷预测区业务负荷预测程序被处理器执行时实现如权利要求1至6中任一项所述的小区业务负荷45预测模型根据所述目标小区和所述预测日期得6[0014]基于所述一类利用率预测模型或二类利用率预测模型根据所述目标小区和所述所述年利用率增比和所述目标假日利用率得到述各个接续覆盖小区的年利用率得到所述目标小区[0025]对所述小区利用率、所述最小化路测数据以及所述测量报告优化数据按小时划[0026]对所述小区利用率、所述最小化路测数据以及所述测量7[0032]对多个所述初始预测结果进行统计，得到第一负荷状态占比和第二负荷状态占[0033]比较所述第一负荷状态占比和所述第二负荷状态占比的大小得到目标小区的业于所述目标小区利用率预测模型根据所述目标小区和所述预算机程序配置为实现如上文所述的小区业务负荷预测方8[0046]图2为本申请小区业务负荷预测方法实施例一提供的小区业务负荷预测方法在实[0048]图4为本申请小区业务负荷预测方法实施例二提供的第一利用率预测模型逻辑[0049]图5为本申请小区业务负荷预测方法实施例二提供的第三利用率预测模型逻辑[0050]图6为本申请小区业务负荷预测方法实施例二提供的第二利用率预测模型逻辑[0051]图7为本申请小区业务负荷预测方法实施例二提供的第四利用率预测模型逻辑[0053]图9为本申请实施例中小区业务负荷预测方法涉及的硬件运行环境的设备结构示用率颗粒度确定目标随机树模型，基于所述目标随机树模型对所述融合特征进行负荷预9标小区的历史指标状态可以是在确定目标小区后从存储各个小区历史指标的存储空间中检索得到。[0066]需说明的是，业务负荷指的是单位时间内通过某个小区处理的数据量或事务数[0072]步骤S30：将所述小区利用率和最小化路测数据、测量报告优化数据进行特征融过图2中无线通信网络底层服务器模块通过多渠道收集mxj))来判断采样点中指标的值))＝1}。号接收功率以及覆盖指标参数；所述小时颗粒度测量报告优化数据包括每小时的切换统[0135]当Utilization_predicted>60％且Is_Special_Date＝1且Is_Weak_Coverage＝1[0136]当Utilization_predicted>60％且Is_Special_Date＝1且Is_Overlap_Coverage[0138]当Utilization_predicted>60％且Is_Special_Date＝1且RSRP_std>5dBm时，特[0141]当Utilization_predicted>60％且RSRP_change_rate>0.2时，信号强度变化率[0142]当Utilization_predicted>60％且RSRP_stability_index>3dBm时，RSRP稳定性[0152]重复上述步骤，直到达到最大深度(max_depth)或者节点中的样本数小于min_确率(Precision)着重体现模型预测为高负荷的样本中真正高负荷的比例，可用于评估模参数设置可能导致模型在预测小区负荷时表现出不同的准确性[0174]本发明将采用合适的超参数调整方法来优化模型。例如，可考虑使用网格搜索数的合理搜索范围。对于树的数量(nestimators)，依据相关领域经验和类似模型应用情[0179]特征处理步骤(步骤3)，对于数值型和分类特征的处理方法(如标准化和独热编[0193]当Day_Utilization_predicted>65％且Is_Special_Day＝1且Is_Weak_[0194]当Day_Utilization_predicted>65％且Is_Special_Day＝1且Is_Overlap_[0196]当Day_Utilization_predicted>65％且Is_Special_Day＝1且Day_RSRP_std>[0197]当Day_Utilization_predicted>65％且Is_Special_Day＝1且Day_SINR_std>[0200]当Day_Utilization_predicted>65％且Day_RSRP_stability_index>4dBm时，天可以理解为是各随机树对融合特征独立地给出一个关于小区是否处于高负荷状态的预测预测结果中高负荷/低负荷的预测结果在总预测[0214]步骤A45，比较所述第一负荷状态占比和所述第二负荷状态占比的大小得到目标测(MinimizationofDriveTests，MDT)的关键参数以及测量报告优化(MeasurementReport理复杂多变的5G小区负荷数据时具有更高的准确性区利用率和其他相关特征在不同颗粒度下进行特征融合，提升预测模型的全面性和精确[0227]步骤S23：基于所述一类利用率预测模型或二类利用率预测模型根据所述目标小[0237]根据小时粒度指标计算全天单小时平均值，按距离权重取全天单小时最小值为[0241]需强调的是，后续接续覆盖小区利用率指标按距离分担1.21.82.32.93.13.4B的利用率指标如下表(此处假设已经根据公式4计算出6个接续覆盖小区近三个月的利用[0250]0.292*21.93920287+0.243*17.8419374+0.207*14.95233432+0.176*12.31274913+0.163*16.67392363+0.[0258]特别的，在一类利用率预测模型为第三利用率预测模型时，图5中先判断日期属和A2(PhysicalCellID)：物理小区标识，是每个5GNR小区的唯一标识符。TA(Timing所述目标小区的距离得到距离分配权重和目标假日利用率可以是取接续覆盖小区当年所全天单小时指标平均值的中位数。按照距离分配权重计算一个综合指标b。计算增比比例据所述多个参考利用率得到年参考利用率和月参考利用率可以是先判断预测日期的星期[0305]利用率预测模块20，用于根据所述历史指标状态得到目基于所述目标小区利用率预测模型根据所述目标小区和所述预测日期[0311]基于所述一类利用率预测模型或二类利用率预测模型根据所述目标小区和所述所述年利用率增比和所述目标假日利用率得到[0319]对所述小区利用率、所述最小化路测数据以及所述测量[0323]对多个所述初始预测结果进行统计，得到第一负荷状态占比和第二负荷状态占[0324]比较所述第一负荷状态占比和所述第二负荷状态占比的大小得到目标小区的业[0326]下面参考图9，其示出了适于用来实现本申请实施例的小区业务负荷预测设备的结构示意图。本申请实施例中的小区业务负荷预测设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(PersonalDigitalAssistant：个人数字助理)、PAD存储装置1003加载到随机访问存储器(RAM：RandomAccessMemory)1004中的程序而执行各[0332]本申请提供一种计算机可读存储介质，具有存储在其上的计算机可读程序指令[0336]可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN：决在进行小区业务负荷预测时因为缺乏小区实时通信负荷数据导致小区负荷预测不准确[03