一种移动网络状态预测的方法、装置及移动网络的利记博彩app
【专利摘要】本发明公开了一种移动网络状态预测的方法、装置及移动网络，接收网管系统周期性输出的网络状态数据，进行离散化处理并发送到网络状态历史数据库存储；获得小区当前的网络状态数据，与网络状态历史数据库中该小区的网络状态历史数据进行匹配，获取近似匹配序列；根据近似匹配序列与小区当前的网络状态数据的欧式距离计算出加权值，并将当前的网络状态数据与加权值相乘得出下一时刻此小区的网络状态的预测值。本发明的方法、装置及移动网络，采用基于向量近似匹配和向量距离的预测方法预测下一时刻小区的网络状态，可以对网络状态多维信息综合预测，提出网络历史数据的分离处理和存储结构，可以实现基于大量多维历史数据的实时网络状态预测。
【专利说明】-种移动网络状态预测的方法、装置及移动网络
【技术领域】
[0001] 本发明涉及移动通信【技术领域】，尤其涉及一种移动网络状态预测的方法、装置及 移动网络。
【背景技术】
[0002] 目前，随着移动通信技术的迅速发展，依托网络带宽的各类业务已成为移动通信 领域的发展趋势，各类数据业务的迅速发展，使网络带宽需求不断上升。但是，网络流量出 现不均衡态势，无线小区网络资源利用率不高，当有突发高流量业务出现时，往往会造成无 线小区拥塞，用户体验变差，并且，无线网络无法动态获取网络状态，无法根据小区拥塞的 状况进行流量管控。
【发明内容】
[0003] 有鉴于此，本发明要解决的一个技术问题是提供一种移动网络状态预测的方法， 采用基于向量近似匹配和向量距离的预测方法预测下一时刻的网络状态。
[0004] 一种移动网络状态预测的方法，包括：接收移动网网管系统周期性输出的网络状 态数据；对获取所述网络状态数据进行离散化处理，形成网络状态历史数据，并发送到网络 状态历史数据库存储；获得小区当前的网络状态数据，与所述网络状态历史数据库中该小 区的网络状态历史数据进行匹配，获取近似匹配序列；根据所述近似匹配序列与小区当前 的网络状态数据的欧式距离、计算出加权值，并将当前的网络状态数据与加权值相乘得出 下一时刻此小区的网络状态的预测值。
[0005] 根据本发明的方法的一个实施例，进一步的，所述移动网网管系统周期性输出的 网络状态数据包括：时隙占用率、前向平均吞吐量、平均等效用户数。
[0006] 根据本发明的方法的一个实施例，进一步的，所述离散化处理包括：对原始的所述 网络状态数据除以10并取整；将原始的网络状态数据和经过离散处理后的网络状态数据 分别发送到网络状态历史数据库存储；所述网络状态历史数据库将原始的网络状态数据和 经过离散处理后的网络状态数据存储为2个3维序列，分别为原始数据序列和离散数据序 列；其中，原始数据序列按时间顺序排列形成原始数据序列集，离散数据序列按时间顺序排 列形成离散数据序列集。
[0007] 根据本发明的方法的一个实施例，进一步的，获得小区当前的网络状态数据，包 括：小区当前的原始数据序列和小区当前的离散数据序列；从所述网络状态历史数据库中 获取该小区的历史数据集，将小区当前的离散数据序列及前L个周期的离散数据序列集 成，形成长度为L的3维数据序列集ser ;其中，L为大于等于2的正整数；将ser与该小区 的离散数据序列集中的按时间顺序的、连续的L个离散数据序列形成的子集进行匹配；当 匹配成功时，将连续的L个离散数据序列形成的子集为ser的一个近似匹序列，得到了 k个 匹配序列；K为大于等于0的正整数；计算小区当前的原始数据序列与k个匹配序列对应 的原始数据序列的欧式距离；其中，每个与k个匹配序列对应的原始数据序列包括子序列： data (j，i)、data (j，i+1)…data (j，i+L_l)；
[0008] 中间值的计算公式：
[0009] (1)子序列与ser序列的欧式距离为：
[0010]
【权利要求】
1. 一种移动网络状态预测的方法，其特征在于，包括： 接收移动网网管系统周期性输出的网络状态数据； 对获取所述网络状态数据进行离散化处理，形成网络状态历史数据，并发送到网络状 态历史数据库存储； 获得小区当前的网络状态数据，与所述网络状态历史数据库中该小区的网络状态历史 数据进行匹配，获取近似匹配序列； 根据所述近似匹配序列与小区当前的网络状态数据的欧式距离、计算出加权值，并将 当前的网络状态数据与加权值相乘得出下一时刻此小区的网络状态的预测值。
2. 如权利要求1所述的方法，其特征在于： 所述移动网网管系统周期性输出的网络状态数据包括：时隙占用率、前向平均吞吐量、 平均等效用户数。
3. 如权利要求2所述的方法，其特征在于： 所述离散化处理包括：对原始的所述网络状态数据除以10并取整； 将原始的网络状态数据和经过离散处理后的网络状态数据分别发送到网络状态历史 数据库存储； 所述网络状态历史数据库将原始的网络状态数据和经过离散处理后的网络状态数据 存储为2个3维序列，分别为原始数据序列和离散数据序列； 其中，原始数据序列按时间顺序排列形成原始数据序列集，离散数据序列按时间顺序 排列形成离散数据序列集。
4. 如权利要求3所述的方法，其特征在于： 获得小区当前的网络状态数据，包括：小区当前的原始数据序列和小区当前的离散数 据序列； 从所述网络状态历史数据库中获取该小区的历史数据集，将小区当前的离散数据序列 及前L个周期的离散数据序列集成，形成长度为L的3维数据序列集ser ;其中，L为大于等 于2的正整数； 将ser与该小区的离散数据序列集中的按时间顺序的、连续的L个离散数据序列形成 的子集进行匹配； 当匹配成功时，将连续的L个离散数据序列形成的子集为ser的一个近似匹序列，得到 了 k个匹配序列；k为大于等于0的正整数； 计算小区当前的原始数据序列与k个匹配序列对应的原始数据序列的欧式距离；其 中，每个与k个匹配序列对应的原始数据序列包括子序列data (j，i)，子序列与ser序列的 欧式距离为：
若k=0则预测值
若k关0且不存在d(j)=0, j=0, 1…k;则 第j个匹配序列的权重 下一时刻此小区的网络状态的预测值
若k关0且存在d(j)=0, j=0, 1…k;则 设1是(1(;〇=0的下标集合，1={;[￡{1，2^"1^}|(1(;〇=0}，设1中的元素的个数为 num(I)，且 valuel={value(j) | j e I}，则 下一时刻此小区的网络状态的预测值
5. -种移动网络状态预测装置，其特征在于，包括： 网络状态数据接收单元，用于接收移动网网管系统周期性输出的网络状态数据； 网络历史数据生成单元，用于对获取所述网络状态数据进行离散化处理，形成网络状 态历史数据； 网络历史数据发送单元，用于发送到网络状态历史数据库存储； 匹配序列获取单元，用于获得小区当前的网络状态数据，与所述网络状态历史数据库 中该小区的网络状态历史数据进行匹配，获取近似匹配序列； 网络状态预测单元，用于根据所述近似匹配序列与小区当前的网络状态数据的欧式距 离、计算出加权值，并将当前的网络状态数据与加权值相乘得出下一时刻此小区的网络状 态的预测值。
6. 如权利要求5所述的装置，其特征在于： 所述移动网网管系统周期性输出的网络状态数据包括：时隙占用率、前向平均吞吐量、 平均等效用户数。
7. 如权利要求6所述的装置，其特征在于： 所述离散化处理包括：所述网络历史数据生成单元对原始的所述网络状态数据除以 10并取整； 所述网络历史数据发送单元将原始的网络状态数据和经过离散处理后的网络状态数 据分别发送到网络状态历史数据库存储； 所述网络状态历史数据库将原始的网络状态数据和经过离散处理后的网络状态数据 存储为2个3维序列，分别为原始数据序列和离散数据序列； 其中，原始数据序列按时间顺序排列形成原始数据序列集，离散数据序列按时间顺序 排列形成离散数据序列集。
8. 如权利要求7所述的装置，其特征在于： 所述匹配序列获取单元获得小区当前的网络状态数据，包括：小区当前的原始数据序 列和小区当前的离散数据序列； 所述匹配序列获取单元从所述网络状态历史数据库中获取该小区的历史数据集，将小 区当前的离散数据序列及前L个周期的离散数据序列集成，形成长度为L的3维数据序列 集ser ;其中，L为大于等于2的正整数； 所述匹配序列获取单元将ser与该小区的离散数据序列集中的按时间顺序的、连续的 L个离散数据序列形成的子集进行匹配； 所述匹配序列获取单元当匹配成功时，将连续的L个离散数据序列形成的子集为ser 的一个近似匹序列，得到了 k个匹配序列；k为大于等于0的正整数； 所述网络状态预测单元计算小区当前的原始数据序列与k个匹配序列的欧式距离；其 中，每个与k个匹配序列对应的原始数据序列包括子序列data (j，i)，子序列与ser序列的 欧式距离为：
若k=0则预测值
若k关0且不存在d(j)=0, j=0, 1…k;则 第j个匹配序列的权重
下一时刻此小区的网络状态的预测值
若k关0且存在d(j)=0, j=0, 1…k;则 设1是(1(;〇=0的下标集合，1={;[￡{1，2^"1^}|(1(;〇=0}，设1中的元素的个数为 num(I)，且 valuel={value(j) | j e I}，则 下一时刻此小区的网络状态的预测值
9. 一种移动网络，其特征在于： 包括如权利要求5至8任意一项所述的移动网络状态预测的装置。
【文档编号】H04W24/08GK104144431SQ201310170734
【公开日】2014年11月12日 申请日期:2013年5月10日 优先权日:2013年5月10日
【发明者】王燕蒙 申请人:中国电信股份有限公司