数据业务流动预测方法、装置、电子设备及存储介质与流程

1.本发明涉及移动互联网技术领域，尤其涉及数据业务流动预测方法、装置、电子设备及存储介质。


背景技术：

2.数据模型的预测工作是移动互联网领域的难点，一直没有很好的解决方案，导致网络规划、扩容网络优化以及扩容指导等都缺乏系统的方法。
3.现有针对网络数据进行预测的业务模型常用的是基于马尔可夫随机过程的电路域业务数据模型，马尔可夫模型的特点是独占信道，每个信道都是独立的，不相互影响，假设电话的到达遵循poisson过程，每个呼叫的持续时间服从参数的负指数分布，系统有中继号码“s”，如果没有空闲中继，新呼叫将被拒绝，如图1所示。在该场景下的排队模型如图2所示，其中在生灭过程中，服务率和到达率如下：
[0004][0005][0006]
生灭过程的稳定分布为：
[0007][0008][0009]
根据概率归一化得到:
[0010][0011]
而与传统的电路域模型相比，移动蜂窝网络的数据业务模型是完全不同的。电路域模型的分析通常采用离散状态马尔可夫模型。实际的移动网络的数据模型需要考虑：数据业务共享物理信道，且在不同小区间的迁移，从而导致小区负载的变化。


技术实现要素：

[0012]
本发明实施例提供数据业务流动预测方法、装置、电子设备及存储介质，用以解决现有技术中没有系统的针对移动蜂窝网络进行数据业务预测的模型的缺陷。
[0013]
第一方面，本发明实施例提供数据业务流动预测方法，包括：
[0014]
基于预设数据业务假设条件，建立移动互联网数据业务模型；
[0015]
对所述移动互联网数据业务模型进行求解，获得流量与时间关系式；
[0016]
根据所述流量与时间关系式，得到任一时间点会发生网络拥塞的任一小区的预测结果。
[0017]
进一步地，所述基于预设数据业务假设条件，建立移动互联网数据业务模型，具体包括：
[0018]
假定在预设时间范围内，待预测蜂窝网络的总体待传数据业务量保持不变，并且所述待预测蜂窝网络中的每个小区的待传业务量是可进行微分；
[0019]
获取欧拉气体流动方程，对所述欧拉气体流动方程进行空间维度扩展，建立矩阵偏微分方程组。
[0020]
进一步地，所述矩阵偏微分方程组包括动态方程、边界条件和初始条件；其中：
[0021]
所述动态方程表示待预测蜂窝网络的性能特征和业务特征；
[0022]
所述边界条件表示小区簇中业务需求总量不变；
[0023]
所述初始条件表示小区簇中初始时刻流量。
[0024]
进一步地，所述动态方程包括流量矩阵、速度矩阵和概率转移矩阵；其中：
[0025]
所述流量矩阵表示小区簇中流量，包括任一当前小区保持的业务量、所述任一当前小区到任一其它小区的迁移业务量和小区簇中的小区数；
[0026]
所述速度矩阵表示小区簇中速率，包括任一当前小区的速率和任一当前小区到任一其它小区的转移速率；
[0027]
所述概率转移矩阵表示速率转移矩阵，包括任一当前小区到任一其它小区的速率迁移概率。
[0028]
进一步地，所述对所述移动互联网数据业务模型进行求解，获得流量与时间关系式，具体包括：
[0029]
将所述速度矩阵和所述概率转移矩阵代入所述流量矩阵，得到流量方程；
[0030]
对所述流量方程进行求解，得到所述流量与时间关系式。
[0031]
进一步地，所述将所述速度矩阵和所述概率转移矩阵代入所述流量矩阵，得到流量方程，具体包括：
[0032]
基于小区间峰值速率、门限矩阵、阈值流量和任一小区流量代入所述流量矩阵，得到所述流量方程。
[0033]
进一步地，所述对所述流量方程进行求解，得到所述流量与时间关系式，具体包括：
[0034]
对所述流量方程进行一阶非线性微分方程求解，以及泰勒级数的分解，得到所述流量与时间关系式。
[0035]
第二方面，本发明实施例还提供数据业务流动预测装置，包括：
[0036]
建立模块，用于基于预设数据业务假设条件，建立移动互联网数据业务模型；
[0037]
求解模块，用于对所述移动互联网数据业务模型进行求解，获得流量与时间关系式；
[0038]
预测模块，用于根据所述流量与时间关系式，得到任一时间点会发生网络拥塞的任一小区的预测结果。
[0039]
第三方面，本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所
述数据业务流动预测方法的步骤。
[0040]
第四方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述数据业务流动预测方法的步骤。
[0041]
本发明实施例提供的数据业务流动预测方法、装置、电子设备及存储介质，通过建立适用于移动蜂窝网络的移动互联网数据业务模型，对数据业务的流动进行预测，能更准确地判断网络未来发生拥塞的小区和时间点，有效指导网络扩容和优化工作。
附图说明
[0042]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0043]
图1是现有技术提供的基于马尔可夫随机过程的电路域业务数据模型；
[0044]
图2是现有技术提供的电路域场景下的排队模型示意图；
[0045]
图3是本发明实施例提供的数据业务小区间流动示意图；
[0046]
图4是本发明实施例提供的蜂窝网络中的流量迁移示意图；
[0047]
图5是本发明实施例提供的蜂窝网络中的速率迁移示意图；
[0048]
图6是本发明实施例提供的数据业务流动预测方法的流程示意图；
[0049]
图7是本发明实施例提供的欧拉气体流动方程示意图；
[0050]
图8是本发明实施例提供的某小区业务迁移示意图；
[0051]
图9是本发明实施例提供的蜂窝网络数据迁移示意图；
[0052]
图10是本发明实施例提供的小区j的流量和速率的关系示意图；
[0053]
图11是本发明实施例提供的数据业务流动预测装置的结构示意图；
[0054]
图12是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
[0055]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0056]
针对现有技术中没有建立针对移动蜂窝网络的数据业务模型的问题，本发明实施例提出一种新的数据业务流动预测模型，用来预测移动蜂窝网络下的数据业务流动，该模型假设簇中所有小区的流量在一定时间内保持不变，并且可以从一个小区迁移到另一个小区。基于上述假设，建立了矩阵微分方程的数学模型，数据业务小区间流动示意图如图3所示。图中显示了移动蜂窝网络的动态服务特性。用户在邻近区域内不断迁移，图4和图5分别展示了蜂窝网络的流量迁移图和速率迁移图，其中正在传输的业务q随用户迁移，并在相邻区域中连续传输。单位是bit，当待传输的业务量高于阈值时，小区发生拥塞；小区速率v随用户迁移，并在相邻区域连续传输。单位是bps。v表示有数据传输时的可用或者说可达到的
速率，而不是一段时间内业务的平均值。当速率低于阈值时，小区发生拥塞。
[0057]
本发明实施例的核心思想就是构建q和v之间的联系，图6是本发明实施例提供的数据业务流动预测方法的流程示意图，如图6所示，包括：
[0058]
101，基于预设数据业务假设条件，建立移动互联网数据业务模型；
[0059]
102，对所述移动互联网数据业务模型进行求解，获得流量与时间关系式；
[0060]
103，根据所述流量与时间关系式，得到任一时间点会发生网络拥塞的任一小区的预测结果。
[0061]
具体地，首先根据移动蜂窝网络的特性假设一定的预设条件，建立移动互联网数据业务模型，然后基于移动蜂窝网络中小区的流量、速度等参数对该模型进行求解，得到流量和时间的关系式，利用该流量和时间的关系式就可以预测随着时间的变化，蜂窝网络的流量变化情况，从而预测出哪些小区在未来的那些时间点会发生拥塞。
[0062]
本发明实施例通过建立适用于移动蜂窝网络的移动互联网数据业务模型，对数据业务的流动进行预测，能更准确地判断网络未来发生拥塞的小区和时间点，有效指导网络扩容和优化工作。
[0063]
基于上述实施例，该方法中步骤101具体包括：
[0064]
假定在预设时间范围内，待预测蜂窝网络的总体待传数据业务量保持不变，并且所述待预测蜂窝网络中的每个小区的待传业务量是可进行微分；
[0065]
获取欧拉气体流动方程，对所述欧拉气体流动方程进行空间维度扩展，建立矩阵偏微分方程组。
[0066]
其中，所述矩阵偏微分方程组包括动态方程、边界条件和初始条件；其中：
[0067]
所述动态方程表示待预测蜂窝网络的性能特征和业务特征；
[0068]
所述边界条件表示小区簇中业务需求总量不变；
[0069]
所述初始条件表示小区簇中初始时刻流量。
[0070]
其中，所述动态方程包括流量矩阵、速度矩阵和概率转移矩阵；其中：
[0071]
所述流量矩阵表示小区簇中流量，包括任一当前小区保持的业务量、所述任一当前小区到任一其它小区的迁移业务量和小区簇中的小区数；
[0072]
所述速度矩阵表示小区簇中速率，包括任一当前小区的速率和任一当前小区到任一其它小区的转移速率；
[0073]
所述概率转移矩阵表示速率转移矩阵，包括任一当前小区到任一其它小区的速率迁移概率。
[0074]
具体地，本发明实施例基于欧拉气体流动方程，并对其维度扩展，如图7所示。
[0075]
ρ(x，t)表示位置x和时间t的气体密度。v(x，t)表示位置x和时间t的气体速度。在δt期间，两段之间的净质量变化近似由以下公式给出：
[0076][0077]
除以δxδt，然后使用δxδt达到零的极限，得到ρ
t
(ρv)
x
＝0。
[0078]
在一维气体方程的基础上，进行维度扩展，建立时间t和空间x的方程关系，移动互
联网数据业务模型的建立方法如下：
[0079]
首先基于两点假设：
[0080]
1)从时间t0＝0到t0，总体待传数据业务量保持不变；
[0081]
2)每个小区的待传业务量是可微分的。
[0082]
其中，某个小区的业务迁移如图8所示，蜂窝网络的数据迁移如图9所示。
[0083]
虽然流量会在不同的小区间迁移，但是在一定的时间内，簇中的流量是恒定的。通过扩展空间维数，用矩阵来描述。具体如下：
[0084]
d.e.:q
t
(v)c＝0；to《t《to
[0085][0086][0087]
以上是一个矩阵偏微分方程组，d.e是动态方程，b.c是边界条件，i.c是初始条件，其中，d.e代表通信系统的性能特征和业务特征，b.c表示小区簇中业务需求总量不变，i.c代表小区簇中初始时刻的流量。与气体方程相比，(v)c和((ρv)
x
之间存在形式上的差异，但如果将信息视为质量，这种差异将被消除，二者是一致的。
[0088]
基于上述任一实施例，该方法中步骤102具体包括：
[0089]
将所述速度矩阵和所述概率转移矩阵代入所述流量矩阵，得到流量方程；
[0090]
对所述流量方程进行求解，得到所述流量与时间关系式。
[0091]
其中，所述将所述速度矩阵和所述概率转移矩阵代入所述流量矩阵，得到流量方程，具体包括：
[0092]
基于小区间峰值速率、门限矩阵、阈值流量和任一小区流量代入所述流量矩阵，得到所述流量方程。
[0093]
其中，所述对所述流量方程进行求解，得到所述流量与时间关系式，具体包括：
[0094]
对所述流量方程进行一阶非线性微分方程求解，以及泰勒级数的分解，得到所述流量与时间关系式。
[0095]
具体地，首先对流量矩阵q(t)进行定义：
[0096][0097]
q(t)表示簇内的流量。q
ii
(t))表示在小区i中保持的业务量，q
ij
(t)表示从小区i到小区j的迁移业务量；x表示簇中的小区数。
[0098]
其次是对速率矩阵v进行定义：
[0099]
[0100]
v代表小区簇中速率，v
ii
表示小区i能够达到的速率，v
ij
表示从小区i到小区j可以达到的转移速率。而v要考虑邻区之间相互作用，高流量将降低网络snr，这将导致低速率，而更加先进的通信系统，性能会更好，图10展示了小区j的流量和速率的关系。
[0101]
可以理解的是，当q
jj
≤q
jj1
时，当q
jj
》q
jj1
,v
jj
＝v
jj1
。v
jj1
是小区j的最低保障速率，v
jj_max
是小区j的最大速率。根据实际情况，在不同场景下，v
jj_max
、q
jj1
和v
jj1
是不同的。扩展到矩阵形式，如：
[0102]
v＝v
max
((v1-v
max
)./q1)
tq[0103]
其中，“./”代表点除，矩阵q1是阈值流量。当q的小区流量大于q1时，小区发生拥塞。门限矩阵v1为拥塞发生时小区间保证的最小速率矩阵，矩阵v
max
为小区间可达峰值速率，v1,v
max
和q1代表通信的性能机制，与网络中的实际参数有映射关系，这建立了速率v和流量q之间的关联。
[0104]
再就是对概率转移矩阵p进行定义：
[0105]
(*)c的含义是p
t
×
(*)，其中：
[0106]
是速率转移矩阵，p
ij
是小区i到小区j的速率迁移概率，且此处暗含了小区j的流量是小区j的流入量减去小区j的流出量，因此，p是对称矩阵。
[0107]
再将v和(*)c＝p
t
×
(*)带入d.e部分，可简化为：
[0108]
d.e:q
t
＝-p
tvmax-hq
[0109]
其中，h＝p
t
(v1-v
max
)./q1)
t
。方程的最终形式如：
[0110]
d.e：q
t
＝-p
tvmax-hq,to《t《to
[0111][0112][0113]
使用一阶非线性微分方程，可以得到以下结果：
[0114][0115]
[0116][0117][0118]
通过的泰勒级数，可得到以下流量与时间关系式：
[0119][0120]
其中，h＝p
t
(v1-v
max
)./q1)
t
。
[0121]
得到最终的流量与时间关系式q(t)后，就能对蜂窝网络中的流量变化进行预测，如小区j的速率在未来的某个时间t，达到了保障速率v
jj
(t)＝v
jj1
(t)，即发生拥塞。
[0122]
本发明实施例利用数据业务模型预测小区的流量变动，确定拥塞标准，即部分小区未来的某个时刻，达到流量门限判定为拥塞。
[0123]
下面对本发明实施例提供的数据业务流动预测装置进行描述，下文描述的数据业务流动预测装置与上文描述的数据业务流动预测方法可相互对应参照。
[0124]
图11是本发明实施例提供的数据业务流动预测装置的结构示意图，如图11所示，包括：建立模块1101、求解模块1102和预测模块1103；其中：
[0125]
建立模块1101用于基于预设数据业务假设条件，建立移动互联网数据业务模型；求解模块1102用于对所述移动互联网数据业务模型进行求解，获得流量与时间关系式；预测模块1103用于根据所述流量与时间关系式，得到任一时间点会发生网络拥塞的任一小区的预测结果。
[0126]
本发明实施例通过建立适用于移动蜂窝网络的移动互联网数据业务模型，对数据业务的流动进行预测，能更准确地判断网络未来发生拥塞的小区和时间点，有效指导网络扩容和优化工作。
[0127]
图12示例了一种电子设备的实体结构示意图，如图12所示，该电子设备可以包括：处理器(processor)1210、通信接口(communicationinterface)1220、存储器(memory)1230和通信总线(bus)1240，其中，处理器1210，通信接口1220，存储器1230通过通信总线1240完成相互间的通信。处理器1210可以调用存储器1230中的逻辑指令，以执行数据业务流动预测方法，该方法包括：基于预设数据业务假设条件，建立移动互联网数据业务模型；对所述移动互联网数据业务模型进行求解，获得流量与时间关系式；根据所述流量与时间关系式，得到任一时间点会发生网络拥塞的任一小区的预测结果。
[0128]
此外，上述的存储器1230中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种
可以存储程序代码的介质。
[0129]
另一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的数据业务流动预测方法，该方法包括：基于预设数据业务假设条件，建立移动互联网数据业务模型；对所述移动互联网数据业务模型进行求解，获得流量与时间关系式；根据所述流量与时间关系式，得到任一时间点会发生网络拥塞的任一小区的预测结果。
[0130]
又一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的数据业务流动预测方法，该方法包括：基于预设数据业务假设条件，建立移动互联网数据业务模型；对所述移动互联网数据业务模型进行求解，获得流量与时间关系式；根据所述流量与时间关系式，得到任一时间点会发生网络拥塞的任一小区的预测结果。
[0131]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0132]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0133]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。