一种通信方法及装置

1.本技术涉及通信领域，尤其涉及一种通信方法及装置。


背景技术：

2.在移动通信网络中，对于流量业务的预测一直是一个重要问题，面对用户数量和流量负荷的不断增加，运营商必须满足用户的服务质量(quality of service，qos)需求。一般来说，可以通过流量建模的方式实现流量业务的预测。
3.目前，在传统的通信网络中，由于数据传输量较小，应用单一，通常借鉴传统电信网络的业务的模型，使用经典泊松过程进行建模来描述网络流量，所建立的模型具体是使用当前网络中连续变化的流量数据进行统计得到的。其中，通过连续变化的流量数据所描述的业务序列具有短相关性(short range dependence，srd)，可以应用于短期网络的流量业务的预测。
4.然而，在上述方法中，当网络中业务数目增加时，由于连续变化的流量数据无法描述网络的长相关性(long range dependence，lrd)，容易导致其在长期网络的流量业务的预测效果较差。


技术实现要素：

5.本技术实施例提供了一种通信方法及相关设备，用于使得第一数据量信息中连续变化的流量数据转化为第一业务状态信息，可以用于描述网络的长相关性，提升预测模型在长期网络的流量业务的预测效果。
6.本技术实施例第一方面提供了一种通信方法，该方法可以应用于第一网络设备，也可以应用于第一网络设备的部件执行(例如处理器、芯片或芯片系统等)。在该方法中，第一网络设备接收来自第二网络设备的业务记录数据，该业务记录数据包括第一数据量信息，该第一数据量信息用于指示第一业务在第一时间段内所发生的数据量；然后，该第一网络设备根据目标量化参数对该业务记录数据进行量化处理，得到第一业务状态信息；此后，该第一网络设备将该第一业务状态信息作为预设模型的输入，经过该预设模型的处理输出该第一业务在第二时间段内的第二业务状态信息。其中，输入到预测模型，作为预设模型的输入，进行预测得到第一业务在第二时间段内的第二业务状态信息的输入数据包括第一业务状态信息，该第一业务状态信息为将业务记录数据进行量化处理得到。也就是说，将业务记录数据所包含的第一数据量信息，对应的连续值(或大量可能的离散值)近似化为有限数量(或更少)的离散状态，所得到的第一业务状态信息，使得第一数据量信息中连续变化的流量数据转化为第一业务状态信息，可以用于描述网络的长相关性，提升预测模型在长期网络的流量业务的预测效果。
7.在本技术实施例第一方面的一种具体的实现方式中，该第一网络设备根据目标量化参数对该业务记录数据进行量化处理，得到第一业务状态信息之前，该方法还包括：该第一网络设备根据初始量化参数对该业务记录数据进行量化处理，得到初始业务状态信息；
该第一网络设备确定该初始业务状态信息对应的可预测性上界值；该第一网络设备根据该可预测性上界值与初始预测精度更新该初始量化参数，得到该目标量化参数。
8.本实施例中，第一网络设备在根据目标量化参数对业务记录数据进行量化处理得到第一业务状态信息之前，还可以包括对量化参数的更新过程。该过程具体包括根据预设的初始量化参数对该业务记录数据进行量化处理，得到初始业务状态信息，然后，确定该初始业务状态信息对应的可预测性上界值，并进一步根据该可预测性上界值与初始预测精度更新该初始量化参数，得到该目标量化参数。其中，流量预测过程中可预测性上界是一个有效的度量，可以为流量预测提供理论指导，根据设定该更新过程，确定最优量化参数为目标量化参数，然后使用该目标量化参数对流量状态进行预测，以保证预测准确率。
9.在本技术实施例第一方面的一种具体的实现方式中，该第一网络设备确定该初始业务状态信息对应的可预测性上界值包括：该第一网络设备确定该初始业务状态信息对应的第一熵值之后，根据该第一熵值确定该可预测性上界值。
10.本实施例中，在确定可预测性上界值的过程中，具体可以通过初始业务状态信息对应的第一熵值确定该可预测性上界值。其中，基于信息熵的基本理论，对量化后的初始业务状态信息的不确定性进行表征，进而确定可预测性上界，能在更强的理论支持下解释流量预测的准确性。
11.在本技术实施例第一方面的一种具体的实现方式中，在该第一网络设备将该第一业务状态信息作为预设模型的输入，经过该预设模型的处理输出该第一业务在第二时间段内的第二业务状态信息之后，该方法还包括：该第一网络设备根据该目标量化参数对该第二业务状态信息进行反量化处理，得到第二数据量信息，该第二数据量信息用于指示该第一业务在该第二时间段内所发生的数据量。
12.本实施例中，在第一网络设备经过预设模型的处理输出得到第二业务状态信息之后，还可以进一步根据该目标量化参数对该第二业务状态信息进行反量化处理，得到第二数据量信息，其中，该第二数据量信息用于指示该第一业务在该第二时间段内所发生的数据量，即在第二数据量信息中通过连续变化的流量数据来表示该模型的输出，提供该模型的输出的一种具体实现形式，以期更直观地表示该模型的输出。
13.在本技术实施例第一方面的一种具体的实现方式中，该方法还包括：该第一网络设备向该第二网络设备发送该第二数据量信息。
14.本实施例中，第一网络设备还可以向第二网络设备发送该用于指示该第一业务在该第二时间段内所发生的数据量的第二数据量信息，可以应用于该第二网络设备的资源预留，能源分配，基站休眠等设计过程。
15.在本技术实施例第一方面的一种具体的实现方式中，该业务记录数据还包括该第一数据量信息对应的网络设备的第一标识；和/或，该业务记录数据还包括该第一数据量信息对应的终端设备的第二标识。
16.本实施例中，第一数据量信息具体可以指示第二网络设备所提供服务的部分终端设备(或全部网络设备)中，第一业务在第一时间段内所发生的数据量，和/或，第一数据量信息具体可以指示第二网络设备所提供服务的某一个具体的终端设备中，第一业务在第一时间段内所发生的数据量，这两种实现方式具体可以通过第一标识、第二标识以区分，提供方案的多种可实施方式。
17.在本技术实施例第一方面的一种具体的实现方式中，该第一业务包括语音业务、数据流量业务、应用软件的实时流量业务中的一个或多个。
18.本实施例中，第一业务具体可以包括语音业务、数据流量业务、应用软件的实时流量业务中的一个或多个，提供该第一业务的多种实现方式的同时，提升方案的可实现性。
19.本技术实施例第二方面提供了一种通信方法，该方法可以应用于第一网络设备，也可以应用于第一网络设备的部件执行(例如处理器、芯片或芯片系统等)。在该方法中，第二网络设备向第一网络设备发送业务记录数据，该业务记录数据包括第一数据量信息，该第一数据量信息用于指示第一业务在第一时间段内所发生的数据量；然后，该第二网络设备接收来自该第一网络设备的第二数据量信息，该第二数据量信息用于指示该第一业务在该第二时间段内所发生的数据量，其中，该第二数据量信息为对该业务记录数据进行量化处理以及反量化处理得到。其中，第二网络设备接收得到的第二数据量信息为对该业务记录数据进行量化处理以及反量化处理得到，也就是说，将业务记录数据所包含的第一数据量信息，对应的连续值(或大量可能的离散值)近似化为有限数量(或更少)的离散状态之后，进一步反量化处理得到该第二数据量信息，使得第一数据量信息中连续变化的流量数据进行量化处理转化，可以用于描述网络的长相关性，提升第二数据量信息对应于长期网络的流量业务的预测效果。
20.在本技术实施例第二方面的一种具体的实现方式中，在该第二网络设备向第一网络设备发送业务记录数据之前，该方法还包括：该第二网络设备记录该第一业务在该第一时间段内所发生的初始信息；该第二网络设备对该初始信息进行目标处理，得到该第一数据量信息，该目标处理包括特征提取处理和/或数据脱敏处理。
21.本实施例中，在该第二网络设备向第一网络设备发送业务记录数据之前，该方法具体还可以包括：该第二网络设备记录该第一业务在该第一时间段内所发生的初始信息，并对该初始信息进行目标处理，得到该第一数据量信息，该目标处理包括特征提取处理和/或数据脱敏处理。其中，特征处理用于提取该初始信息中的有效信息，数据脱敏处理用于保护用户的隐私，从而，可以进一步优化该方案。
22.在本技术实施例第二方面的一种具体的实现方式中，该业务记录数据还包括该第一数据量信息对应的网络设备的第一标识；和/或，该业务记录数据还包括该第一数据量信息对应的终端设备的第二标识。
23.本实施例中，第一数据量信息具体可以指示第二网络设备所提供服务的部分终端设备(或全部网络设备)中，第一业务在第一时间段内所发生的数据量，和/或，第一数据量信息具体可以指示第二网络设备所提供服务的某一个具体的终端设备中，第一业务在第一时间段内所发生的数据量，这两种实现方式具体可以通过第一标识、第二标识以区分，提供方案的多种可实施方式。
24.在本技术实施例第二方面的一种具体的实现方式中，该第一业务包括语音业务、数据流量业务、应用软件的实时流量业务中的一个或多个。
25.本实施例中，第一业务具体可以包括语音业务、数据流量业务、应用软件的实时流量业务中的一个或多个，提供该第一业务的多种实现方式的同时，提升方案的可实现性。
26.本技术实施例第三方面提供了一种通信装置，包括：
27.收发单元，用于接收来自第二网络设备的业务记录数据，该业务记录数据包括第
一数据量信息，该第一数据量信息用于指示第一业务在第一时间段内所发生的数据量；
28.处理单元，用于根据目标量化参数对该业务记录数据进行量化处理，得到第一业务状态信息；
29.该处理单元，还用于将该第一业务状态信息作为预设模型的输入，经过该预设模型的处理输出该第一业务在第二时间段内的第二业务状态信息。
30.在本技术实施例第三方面的一种具体的实现方式中，该处理单元还用于：
31.根据初始量化参数对该业务记录数据进行量化处理，得到初始业务状态信息；
32.确定该初始业务状态信息对应的可预测性上界值；
33.根据该可预测性上界值与初始预测精度更新该初始量化参数，得到该目标量化参数。
34.在本技术实施例第三方面的一种具体的实现方式中，该处理单元具体用于：
35.确定该初始业务状态信息对应的第一熵值之后，根据该第一熵值确定该可预测性上界值。
36.在本技术实施例第三方面的一种具体的实现方式中，该处理单元，还用于根据该目标量化参数对该第二业务状态信息进行反量化处理，得到第二数据量信息，该第二数据量信息用于指示该第一业务在该第二时间段内所发生的数据量。
37.在本技术实施例第三方面的一种具体的实现方式中，该收发单元还用于：
38.向该第二网络设备发送该第二数据量信息。
39.在本技术实施例第三方面的一种具体的实现方式中，
40.该业务记录数据还包括该第一数据量信息对应的网络设备的第一标识；和/或，
41.该业务记录数据还包括该第一数据量信息对应的终端设备的第二标识。
42.在本技术实施例第三方面的一种具体的实现方式中，该第一业务包括语音业务、数据流量业务、应用软件的实时流量业务中的一个或多个。
43.本技术实施例第三方面中，通信装置的组成模块还可以用于执行第一方面的各个可能实现方式中所执行的步骤，具体均可以参阅第一方面，此处不再赘述。
44.本技术实施例第四方面提供了一种通信装置，包括处理单元和收发单元：
45.该处理单元，用于通过该收发单元向第一网络设备发送业务记录数据，该业务记录数据包括第一数据量信息，该第一数据量信息用于指示第一业务在第一时间段内所发生的数据量；
46.该处理单元，还用于通过该收发单元接收来自该第一网络设备的第二数据量信息，该第二数据量信息用于指示该第一业务在该第二时间段内所发生的数据量，其中，该第二数据量信息为对该业务记录数据进行量化处理以及反量化处理得到。
47.在本技术实施例第四方面的一种具体的实现方式中，该处理单元具体用于；
48.记录该第一业务在该第一时间段内所发生的初始信息；
49.对该初始信息进行目标处理，得到该第一数据量信息，该目标处理包括特征提取处理和/或数据脱敏处理。
50.在本技术实施例第四方面的一种具体的实现方式中，
51.该业务记录数据还包括该第一数据量信息对应的网络设备的第一标识；和/或，
52.该业务记录数据还包括该第一数据量信息对应的终端设备的第二标识。
53.在本技术实施例第四方面的一种具体的实现方式中，所述第一业务包括语音业务、数据流量业务、应用软件的实时流量业务中的一个或多个。
54.本技术实施例第四方面中，通信装置的组成模块还可以用于执行第二方面的各个可能实现方式中所执行的步骤，具体均可以参阅第二方面，此处不再赘述。
55.本技术实施例第五方面提供一种通信装置，其中，该通信装置包括处理器，该处理器与存储器耦合，该存储器用于存储计算机程序或指令，该处理器用于执行存储器中的所述计算机程序或指令，使得前述第一方面或第一方面任意一种可能的实现方式所述的方法被执行。
56.本技术实施例第六方面提供一种通信装置，其中，该通信装置包括处理器，该处理器与存储器耦合，该存储器用于存储计算机程序或指令，该处理器用于执行存储器中的所述计算机程序或指令，使得前述第二方面或第二方面任意一种可能的实现方式所述的方法被执行。
57.本技术实施例第七方面提供一种存储一个或多个计算机执行指令的计算机可读存储介质，当计算机执行指令被处理器执行时，该处理器执行如上述第一方面或第一方面任意一种可能的实现方式、或者该处理器执行如上述第二方面或第二方面任意一种可能的实现方式所述的方法。
58.本技术实施例第八方面提供一种存储一个或多个计算机的计算机程序产品(或称计算机程序)，当计算机程序产品被该处理器执行时，该处理器执行上述第一方面或第一方面任意一种可能实现方式、或者该处理器执行上述第二方面或第二方面任意一种可能的实现方式的方法。
59.本技术实施例第九方面提供了一种芯片系统，该芯片系统包括处理器，用于支持通信装置实现上述第一方面或第一方面任意一种可能的实现方式、或者支持通信装置实现上述第二方面或第二方面任意一种可能的实现方式中所涉及的功能。在一种可能的设计中，该芯片系统还可以包括存储器，存储器，用于保存该接入网设备必要的程序指令和数据。该芯片系统，可以由芯片构成，也可以包含芯片和其他分立器件。
60.本技术实施例第十方面提供了一种通信系统，该通信系统包括上述第三方面至第四方面所示的一个或多个通信装置，或，该通信系统包括上述第五方面至第六方面所示的一个或多个通信装置。
61.其中，第三、第五、第七至第十方面或者其中任一种可能实现方式所带来的技术效果可参见第一方面或第一方面不同可能实现方式所带来的技术效果。
62.其中，第四、第六、第七至第十方面或者其中任一种可能实现方式所带来的技术效果可参见第二方面或第二方面不同可能实现方式所带来的技术效果。
附图说明
63.图1为本技术实施例提供的网络架构的一个示意图；
64.图2为本技术实施例提供的网络架构的另一个示意图；
65.图3为本技术实施例提供的网络架构的另一个示意图；
66.图4为本技术实施例提供的通信方法的一个示意图；
67.图5为本技术实施例提供的通信方法的另一个示意图；
68.图6为本技术实施例提供的通信方法的另一个示意图；
69.图7为本技术实施例提供的通信方法的另一个示意图；
70.图8为本技术实施例提供的通信装置的一个示意图；
71.图9为本技术实施例提供的通信装置的另一个示意图；
72.图10为本技术实施例提供的通信装置的另一个示意图。
具体实施方式
73.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。
74.首先，对本技术实施例中的部分用语进行解释说明，以便于本领域技术人员理解。
75.(1)终端设备：可以是能够接收网络设备调度和指示信息的无线终端设备，无线终端设备可以是指向用户提供语音和/或数据连通性的设备，或具有无线连接功能的手持式设备、或连接到无线调制解调器的其他处理设备。
76.终端设备可以经无线接入网(radio access network，ran)与一个或多个核心网或者互联网进行通信，终端设备可以是移动终端设备，如移动电话(或称为“蜂窝”电话，手机(mobile phone))、计算机和数据卡，例如，可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置，它们与无线接入网交换语言和/或数据。例如，个人通信业务(personal communication service，pcs)电话、无绳电话、会话发起协议(sip)话机、无线本地环路(wireless local loop，wll)站、个人数字助理(personal digital assistant，pda)、平板电脑(pad)、带无线收发功能的电脑等设备。无线终端设备也可以称为系统、订户单元(subscriber unit)、订户站(subscriber station)，移动站(mobile station)、移动台(mobile station，ms)、远程站(remote station)、接入点(access point，ap)、远程终端设备(remote terminal)、接入终端设备(access terminal)、用户终端设备(user terminal)、用户代理(user agent)、用户站(subscriber station，ss)、用户端设备(customer premises equipment，cpe)、终端(terminal)、用户设备(user equipment，ue)、移动终端(mobile terminal，mt)等。终端设备也可以是可穿戴设备以及下一代通信系统，例如，5g通信系统中的终端设备或者未来演进的公共陆地移动网络(public land mobile network，plmn)中的终端设备等。
77.(2)网络设备：可以是无线网络中的设备，例如网络设备可以为将终端设备接入到无线网络的无线接入网(radio access network，ran)节点(或设备)，又可以称为基站。目前，一些ran设备的举例为：5g通信系统中的新一代基站(generation node b，gnodeb)、传输接收点(transmission reception point，trp)、演进型节点b(evolved node b，enb)、无线网络控制器(radio network controller，rnc)、节点b(node b，nb)、基站控制器(base station controller，bsc)、基站收发台(base transceiver station，bts)、家庭基站(例如，home evolved node b，或home node b，hnb)、基带单元(base band unit，bbu)，或无线保真(wireless fidelity，wi-fi)接入点(access point，ap)等。另外，在一种网络结构中，网络设备可以包括集中单元(centralized unit，cu)节点、或分布单元(distributed unit，du)节点、或包括cu节点和du节点的ran设备。
78.其中，网络设备能够向终端设备发送配置信息(例如承载于调度消息和/或指示消
息中)，终端设备进一步根据该配置信息进行网络配置，使得网络设备与终端设备之间的网络配置对齐；或者，通过预设于网络设备的网络配置以及预设于终端设备的网络配置，使得网络设备与终端设备之间的网络配置对齐。具体来说，“对齐”是指网络设备与终端设备之间存在交互消息时，两者对于交互消息收发的载波频率、交互消息类型的确定、交互消息中所承载的字段信息的含义、或者是交互消息的其它配置的理解一致。
79.此外，在其它可能的情况下，网络设备可以是其它为终端设备提供无线通信功能的装置。本技术的实施例对网络设备所采用的具体技术和具体设备形态不做限定。为方便描述，本技术实施例并不限定。
80.网络设备还可以包括核心网设备，核心网设备例如包括访问和移动管理功能(access and mobility management function，amf)、用户面功能(user plane function，upf)或会话管理功能(session management function，smf)等。
81.本技术实施例中，用于实现网络设备的功能的装置可以是网络设备，也可以是能够支持网络设备实现该功能的装置，例如芯片系统，该装置可以被安装在网络设备中。在本技术实施例提供的技术方案中，以用于实现网络设备的功能的装置是网络设备为例，描述本技术实施例提供的技术方案。
82.(3)话务量(voice traffic)是电信业务流量的简称，它既表示电信设备承受的负载，也表示用户对通信需求的程度。话务量的大小与用户数量、用户通信的频繁程度、每次用户通信占用的时长及所考察的时长(是一分钟，是一小时或是一天等)有关。由于用户呼叫的发生和完成一次通信所需时间的长短，都是随机的和变化的，所以话务量是一个随时间变化的随机变量。话务量预测(voice traffic forecast)是获得电信网中、长期发展规划或近期调整各个中继电路群组织所必需的基础资料的数学方法。
83.(4)大数据(big data，bd)由巨型数据集组成，这些数据集的大小常超出人类在可接受时间下的收集、管理和处理能力。大数据需要特殊的技术，以有效地处理大量的容忍经过时间内的数据。适用于大数据的技术，包括大规模并行处理数据库、数据挖掘、分布式文件系统、分布式数据库、云计算平台、互联网和可扩展的存储系统。
84.(5)无线大数据(wireless big data，wbd)由无线基站与用户终端的无线信道、物理层状态和链路层状态的海量信息数据集组成，及其这些数据集在服务响应的约束时间下的收集、管理和处理能力。
85.(6)本技术实施例中的术语“系统”和“网络”可被互换使用。“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a、同时存在a和b、单独存在b的情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如“a，b和c中的至少一个”包括a，b，c，ab，ac，bc或abc。以及，除非有特别说明，本技术实施例提及“第一”、“第二”等序数词是用于对多个对象进行区分，不用于限定多个对象的顺序、时序、优先级或者重要程度。
86.本技术实施例的技术方案可以适用于如图1所示的通信系统。该通信系统包括核心网网元101、接入网设备111和接入网设备112。核心网网元101可以与接入网设备111和接入网设备112连接。终端121可以与接入网设备111进行通信。需要说明的是，在如图1所述的
通信系统所包含的核心网网元、基站和终端仅是一种示例，所述基站之间的接口连接关系也仅是一种示例，在本技术实施例中，所述通信系统包含的网元的类型、数量，以及网元之间的连接关系不限于此。
87.该通信系统可以是支持第四代(fourth generation，4g)接入技术的通信系统，例如长期演进(long term evolution，lte)接入技术；或者，该通信系统也可以是支持第五代(fifth generation，5g)接入技术通信系统，例如新无线(new radio，nr)接入技术；或者，该通信系统也可以是支持第三代(third generation，3g)接入技术的通信系统，例如(universal mobile telecommunications system，umts)接入技术；或者该通信系统也可以是第二代(second generation，2g)接入技术的通信系统，例如全球移动通讯系统(global system for mobile communications，gsm)接入技术；或者，该通信系统还可以是支持多种无线技术的通信系统，例如支持lte技术和nr技术的通信系统。另外，该通信系统也可以适用于面向未来的通信技术。
88.图1中的接入网设备111和接入网设备112可以是接入网侧用于支持终端接入通信系统的设备，例如，可以是2g接入技术通信系统中的基站收发信台(base transceiver station，bts)和基站控制器(base station controller，bsc)、3g接入技术通信系统中的节点b(node b)和无线网络控制器(radio network controller，rnc)、4g接入技术通信系统中的演进型基站(evolved nodeb，enb)、5g接入技术通信系统中的下一代基站(next generation nodeb，gnb)、发送接收点(transmission reception point，trp)、中继节点(relay node)、接入点(access point，ap)等等。
89.图1中的核心网网元101可以控制一个或者多个接入网设备，或者对系统中的资源进行统一管理，或者可以给终端配置资源。例如核心网网元可以是3g接入技术通信系统中的服务通用分组无线服务技术(general packet radio service，gprs)支持节点(serving gprs support node，sgsn)或者网关gprs支持节点(gateway gprs support node，ggsn)，4g接入技术通信系统中的移动管理实体(mobile management entity，mme)或者服务网关(serving gateway，sgw)，5g接入技术通信系统中的接入和移动性管理功能(access and mobility management function，amf)网元或者用户面性能(user plane function，upf)网元等等。
90.示例性的，该核心网网元101具体可以为边缘计算服务器、网关服务器，或者是其它的设备类型。
91.图1中的终端121可以是一种向用户提供语音或者数据连通性的设备，例如也可以称为用户设备(user equipment，ue)，移动台(mobile station)，用户单元(subscriber unit)，站台(station)，终端设备(terminal equipment，te)等。终端可以为蜂窝电话(cellular phone)，个人数字助理(personal digital assistant，pda)，无线调制解调器(modem)，手持设备(handheld)，膝上型电脑(laptop computer)，无绳电话(cordless phone)，无线本地环路(wireless local loop，wll)台，平板电脑(pad)等。随着无线通信技术的发展，可以接入通信系统、可以与通信系统的网络侧进行通信，或者通过通信系统与其它物体进行通信的设备都可以是本技术实施例中的终端，譬如，智能交通中的终端和汽车、智能家居中的家用设备、智能电网中的电力抄表仪器、电压监测仪器、环境监测仪器、智能安全网络中的视频监控仪器、收款机等等。在本技术实施例中，终端可以与接入网设备，例
如接入网设备111或者接入网设备112进行通信。多个终端之间也可以进行通信。终端可以是静态固定的，也可以是移动的。
92.如图1所示，为通信网络所实现的网络架构的一种示例性实现。流量建模与预测一直是移动通信网络中的一个重要问题。面对用户数量和流量负荷的不断增加，运营商必须满足用户的服务质量(qos,quality of service)需求。例如，用户终端的空间分布密度将可能大于106用户/平方公里；无线基站的空间分布密度将可能大于104个/平方公里；区域空间的无线容量需求将可能大于1tbps/平方公里。虽然,目前已有对数百万个蜂窝基站中通信模式的规律性和随机性的分析，但对流量业务的预测及应用仍然有限，这将显著增加蜂窝基站的运营成本。特别的，本技术重点关注和希望解决的是流量预测缺乏理论支撑，现有预测模型计算复杂度高，预测准确性精度低等难题。
93.传统的流量业务的预测方式具体有如下两种，具体包括如下内容。
94.方式一、早期网络数据传输量较小，应用单一，通常借鉴传统电信网络的业务的模型，使用经典泊松过程来描述网络流量，具有较好的性能。随着电信业务和网络结构的发展，泊松过程已不能充分反映业务流量特性，人们逐渐引入了马尔可夫(markov)模型、自回归模型(为线性模型，其中包括lr、arma、arima、sarima)、卡尔曼滤波模型等模型来描述网络流量，称为传统网络流量模型。
95.随着机器学习和数据挖掘算法的日渐成熟及其在各个领域的强大表现，近几年很多研究人员将其用于网络流量的预测，如支持向量机(svm，support vector machine)应用于处理时间序列的回归问题；bp神经网络，elman神经网络等应用于网络流量的预测。此外，针对不同的数据集特征还提出了多种改进方案，如分类模型下基于核的流量预测算法和基于boosting的流量预测算法。其中，神经网络是一种非线性方法，它采用非线性的激活函数，具有一个或多个隐藏层，相邻两层之间通过权值相连接。bp算法采用梯度下降法调整权值使网络的实际输出与期望输出的误差为最小。在网络流量预测中，下一个时刻的流量为目标的期望输出，之前的流量信息为输入，调整网络参数，用大量的带标签的训练数据来训练神经网络。由于流量数据是一个时间序列，有前后相关的动态特性，现有文献用elman神经网络来代替bp神经网络取得了更好的效果。elman神经网络较之bp的不同在于:elman网络的隐藏层的输出会反馈回输入层，作为下一次网络的输入，基于这种特性，elman神经网络能更好的捕获时间序列的动态特性，因而能更好的适应于对时间序列的预测。
96.在方式一所示过程中的流量预测模型的缺点，具体包括传统模型和机器学习模型。其中，传统网络流量模型的缺点是所描述的业务序列具有短相关性(srd,short range dependence)，而无法描述网络的长相关性(lrd,long range dependence)，且当业务数目增加时，不能反映其突发性。当前，网络流量公认的、最重要的统计特征是大时间尺度下的自相似性。自相似(self-similar)是指局部的结构与总体的结构相比具有某种程度的一致性。网络流量的长相关性，是相对于泊松等短相关模型而言的。从物理意义上看，长相关性反映了自相似过程中的持续现象，即突发特性在所有的时间尺度上都存在的现象。自相似(长相关)程度越高，突发性也越强。尽管泊松过程之后的模型在随机过程中了引入相关性，可以在一定程度上捕获业务的突发性，但仅具有短相关性，只能预测网络的近期流量，无法描述网络的长相关性。且当业务源数目增加时，聚合业务趋于平滑，不能反映业务突发性。
97.各种机器学习算法适合于描述网络流量的不稳定性，但要保证有足够的训练数
据，而且计算量通常会很大，训练过程中还可能存在过拟合和局部最优等问题。当采用机器学习方法，带来的精度提升相比于其代价开销是比较有限的。
98.方式二、目前，关于流量模式的规律性和分布特性已有相关方法及结论，这证明了流量模式是可预测的。空间域的流量密度可以用对数正态分布或威布尔分布来近似。流量的动态特性在空间和时间维度上被证明遵循一个三模态分布，即复合指数、幂律和指数分布的组合。通过时间序列分析，可以模拟基站的网络流量动态，并表征其流量模式的规律性和随机性。
99.此处将介绍另一领域移动性预测中的预测理论。在移动性预测中，对于含有位置信息的时间序列，推导出了三种熵用于衡量位置序列的不确定性。
100.一个访问过n个地点的用户的三种熵如下：
101.(1)随机熵ni是用户i访问的不同地点数，如果用户以相同概率访问这些地点，则随机熵即可表示出用户位置的可预测性；
102.(2)与时间无关的熵pi(xj)是根据历史记录用户i访问地点xj的概率；
103.(3)真实熵用随机过程的熵率来描述，它不仅依赖于访问频率，而且与节点访问顺序和每个地点停留的时间相关，因此能得到完整的个体移动模式中完整的时空信息。用ti＝{x1,x2,...,xn}表示用户i在观察期连续时间内访问的位置序列，定义为
[0104][0105]
其中，s(x1,x2,...,xn)为联合熵，s(xi|t
i-1
)为已知历史序列时获得下一个状态的条件熵。直接用定义计算真实熵复杂度较高，可以使用基于lempel-ziv数据压缩的熵率估计方法对熵值进行估计。
[0106]
为了得到用户群本身的可预测性的特征，为每个用户定义si,由此得到的分布p(si),
[0107]
一个熵为s的用户在n个地点之间移动，那么经过推导它的平均可预测度满足π≤π
max
(s,n)，其中π
max
满足下式。π
max
即为预测准确度的上界。
[0108]
s＝h(π
max
) (1-π
max
)log2(n-1)
[0109]
h(π
max
)＝-π
max log2(π
max
)-(1-π
max
)log2(1-π
max
)
[0110]
根据用户的三类熵计算得到用户的三类π，进而得出其分布结果p(π
max
),p(π
unc
),p(π
rand
)。其中真实熵最具有研究价值，包含的信息最多，包含的不确定性最小，计算得出的π
max
最大，是在理想情况下使用最优预测模型能够得到的预测准确度的上
界。对于可预测性上界为0.5的目标对象，这意味着只有一半的时间可以期望正确预测用户的下一步位置。
[0111]
然而，在方式二的实现过程中，流量模式被证实是可以预测的，但现有流量预测的准确性缺乏定量解释。例如，为什么一些数据集的预测精度高，一些数据集的预测精度低。如何通过分析流量模式来判定数据集的可预测程度等。此外，在移动性预测领域中存在真实熵和可预测性的相关理论，但如何应用到流量预测领域仍有一些技术难点。首先，对于近似于连续序列的网络流量，如何计算真实熵和可预测性上界。其次，位置信息属于应用层的信息，位置序列呈现短相关性，移动性预测中的度量标准是否适用于网络层面的具有长相关性的流量预测问题尚未得到证实。最后，在可预测性上界指标被证实有效的情况下，可以用来解决流量预测的什么问题，如何实施。
[0112]
通过对方式一的分析可知，在已有的预测模型中：传统的流量预测模型所描述的业务序列，存在不能准确地描述流量自相似性，捕捉流量动态特性等问题；而机器学习方法需要大量的训练数据和计算量来保证性能，带来的提升精度相比于代价开销是比较有限的，且模型优化时存在过拟合和局部最优等问题。因此，本发明希望解决的问题是当前的流量预测方法中预测精度和计算复杂度难以同时保障的问题，通过大数据分析的量化和可预测性指标结合经典预测模型实现高预测性能，低计算代价的业务处理。
[0113]
通过对方式二的分析可知，在已有的流量模式分析中，只能定性分析流量模式的规律性，无法定量分析其可预测的程度。因此本发明希望解决的问题是对预测效果难以进行理论分析和解释的问题，通过引进科学度量来分析流量预测的方法和环节。
[0114]
为了解决上述问题，本技术提供了如下几种思路以进行优化，具体包括如下内容。
[0115]
思路1：提出了一种流量量化方法来离散连续变化的流量，并将流量的连续值(或大量可能的离散值)近似化为有限数量(或更少)的离散状态。通过选择不同的量化参数值来平衡状态空间的复杂性和描述流量特性的准确性，状态空间中的每个状态代表一个流量区间。结论：量化粒度越大，状态数量越少，模型复杂度越低，预测准确性更高，但与实际语音流量相比，误差范围越大。
[0116]
思路2：延续基于信息熵的基本理论，引入时间序列中的真实熵概念，对用户量化后的流量状态序列的不确定性进行表征，获得语音流量的熵和可预测性上界，期望能在更强的理论支持下解释语音流量预测的准确性。结论:流量预测中可预测性上界是一个有效的度量，可以为语音流量预测提供理论指导。
[0117]
思路3：提出一种基于熵和量化的预测方法，在给定误差范围和精度要求下，获得最优量化参数，进而实现最低的预测误差。预测算法可采用与真实熵数学理论类似的多阶马尔科夫模型。模型的最佳阶数可以通过分析流量数据的动态特性和自相关阶数来确定。马尔科夫模型的缺点在于无法描述网络的长相关性，当采用更高阶模型意味着当前状态受到更多之前状态的影响，所利用的相关性更趋向长相关性。结论：通过观察可预测性指标调整t，实现的精度优于现有模型的最佳性能，且计算复杂度远低于其他模型。
[0118]
具体地，在无线大数据的框架下采用思路1构建预测对象的流量状态空间，思路2度量预测对象的流量状态变化的不确定性。思路2所获得的可预测性上界可以指导思路1中量化参数的选取。思路3的预测方法基于思路1/2的配合，可以降低流量预测任务的处理复杂度，减少处理时间，同时保证其在约束的误差范围内完成预测任务。当然，上述思路1/2/3
仅是最直观的简化介绍，本发明的实际方法还需要结合无线通信系统的众多实体进行针对性的设计，实现自适应的任务系统，远非思路1/2/3描述的那么简单。
[0119]
下面将通过不同的角度，对本技术进行描述。
[0120]
请参阅图2，为本技术实施例提供的通信系统的网络架构的一个示意图。在该通信系统中，以第一网络设备为边缘计算服务器、第二网络设备为基站为例进行说明，显然，如前述内容可知，第一网络设备和第二网络设备还可以通过其他的实体设备实现，此处仅为示例性描述。
[0121]
如图2所示，在通信系统中所包含的实体对象包括用户侧(100)，基站侧(200)和边缘计算服务器(300)，如图2所示。管理范围下的所有基站统称为基站侧，基站侧内每个基站为该基站覆盖区域下的用户提供服务。每个用户终端内部含有通信模块(101)，计算模块(102)和存储模块(103)；每个基站内部含有网络服务模块(201)，数据采集模块(202)，计费系统(203),数据处理模块(204)和功控模块(205)；边缘计算服务器内部含有通信模块(301)，计算模块(302)和存储模块(303)。基站侧与用户侧之间通过无线电波进行通信并提供服务，基站侧与边缘服务器通过光纤直连进行通信并传输数据和信令。
[0122]
其中，边缘计算服务器在移动网络中提供云计算能力，以减少资源管理操作和服务交付的时延。边缘计算服务器的部署采用多接入边缘计算(mec，multi-access edge computing)的架构。根据欧洲电信标准协会(etsi，european telecommunications standards institute)的定义，mec系统分主机级和系统级两个层次。mec的主机部署采用以中心数据中心(dc，data center)(大区中心机房)、区域dc(省层面机房)、核心dc(本地网核心机房)、边缘dc(本地网汇聚机房)、接入局所dc、基站机房为基础架构的分层dc化机房布局模式。一般采用mec主机和基站控制单元(cu，control unit)共机房的方式，将mec主机部署在基站后面，使数据业务离用户更近。mec系统级网管需要协调不同mec主机之间以及主机与5gc(5g c-v2x，5g cell-vehicle to x)之间的操作(如选择主机、应用迁移、策略交互等)，一般部署在区域dc(省层面)或者中心dc(大区中心)。mec设备通常具有内容分发网络(cdn，content delivery network)功能，相较于传统cdn，mec更靠近无线接入网，下沉的位置更深。
[0123]
进一步的，以图3所示网络架构为例，边缘计算服务器(300)的各级mec主机接收到来自基站侧(200)各个基站的数据处理模块(204)的话务量数据后，将其转发给mec系统级网管(管理服务器)。系统级网管接收到所有基站的话务量数据后将数据存至边缘计算服务器(300)的存储模块(303)，即数据中心的分布式文件系统(hdfs，hadoop distributed file system)。尽管现实中各个实体内部更复杂，但此处只列出与本技术相关的模块。
[0124]
以图2和图3所示通信系统的网络架构为例，下面将对本技术实施例提供的通信方法及相关设备进行说明。
[0125]
请参阅图4，为本技术实施例提供的一种通信方法的一个示意图，该方法包括如下步骤。
[0126]
s101、第一网络设备接收来自第二网络设备的业务记录数据，所述业务记录数据包括第一数据量信息。
[0127]
本实施例中，第一网络设备接收来自第二网络设备的业务记录数据，相应的，第二网络设备在步骤s101中向第二网络设备发送该业务记录数，其中，所述业务记录数据包括
第一数据量信息，所述第一数据量信息用于指示第一业务在第一时间段内所发生的数据量。
[0128]
在一种具体的实现方式中，在步骤s101中，该第二网络设备向第一网络设备发送业务记录数据之前，该方法还包括：该第二网络设备记录该第一业务在该第一时间段内所发生的初始信息；该第二网络设备对该初始信息进行目标处理，得到该第一数据量信息，该目标处理包括特征提取处理和/或数据脱敏处理。具体地，在该第二网络设备向第一网络设备发送业务记录数据之前，该方法具体还可以包括：该第二网络设备记录该第一业务在该第一时间段内所发生的初始信息，并对该初始信息进行目标处理，得到该第一数据量信息，该目标处理包括特征提取处理和/或数据脱敏处理。其中，特征处理用于提取该初始信息中的有效信息，数据脱敏处理用于保护用户的隐私，从而，可以进一步优化该方案。
[0129]
此外，该业务记录数据还包括该第一数据量信息对应的网络设备的第一标识；和/或，该业务记录数据还包括该第一数据量信息对应的终端设备的第二标识。也就是说，第一数据量信息具体可以指示第二网络设备所提供服务的部分终端设备(或全部网络设备)中，第一业务在第一时间段内所发生的数据量，和/或，第一数据量信息具体可以指示第二网络设备所提供服务的某一个具体的终端设备中，第一业务在第一时间段内所发生的数据量，这两种实现方式具体可以通过第一标识、第二标识以区分，提供方案的多种可实施方式。
[0130]
在一种具体的实现方式中，第一业务具体可以包括语音业务、数据流量业务、应用软件的实时流量业务中的一个或多个，提供该第一业务的多种实现方式的同时，提升方案的可实现性。
[0131]
下面将通过一个具体的示例对第二网络设备确定第一数据量信息的过程进行描述。以图2所示网络架构为例，此处以第一业务为语音业务，与之对应的，第一数据量为话务量数据为例。其中，每个无线基站中有数据采集设备(202)作为从网络服务(201)到计费系统(203)的媒介。
[0132]
网络服务(201)模块为用户侧(100)提供服务并在呼叫详细记录(cdr，call detail records)中确认这些服务。原始的cdr数据也包含了呼叫及接入的号码和一些识别码。这些识别码能确认日期、起始时间和通话时长和提供服务的基站、通话特征量以及如何接通等。
[0133]
数据采集设备(202)识别并确认可计费的呼叫后，会将相应的cdr数据提交给计费系统(203)留存。该基站的cdr数据从计费系统(203)进入数据处理模块(204)，首先进行特征处理，保留每一条记录的用户识别标记(user id)、起始通话时间(time/day)、通话时长(duration)、基站识别标记(bsid)等关键字段；其次，对用户id进行脱敏处理，保护用户隐私；最后，将处理后的cdr数据集合转换为流量预测格式，如图5所示。图5中(a)过程中，将基站的语音业务数据表单按user id分组，转化为用户的语音通话详单；图5中(b)过程中，展开处理单个用户的表单，将语音通话记录按时间顺序排列，通话时长以秒(s)为基本单位。处理完毕后，流量预测格式的cdr数据从基站的数据处理模块(204)传输至边缘计算服务器(300)。
[0134]
s102、第一网络设备根据目标量化参数对所述业务记录数据进行量化处理，得到第一业务状态信息。
[0135]
本实施例中，第一网络设备根据目标量化参数对步骤s101接收得到的业务记录数
据进行量化处理，得到第一业务状态信息。
[0136]
在一种具体的实现方式中，在步骤s102中，该第一网络设备根据目标量化参数对该业务记录数据进行量化处理，得到第一业务状态信息之前，该方法还包括：该第一网络设备根据初始量化参数对该业务记录数据进行量化处理，得到初始业务状态信息；该第一网络设备确定该初始业务状态信息对应的可预测性上界值；该第一网络设备根据该可预测性上界值与初始预测精度更新该初始量化参数，得到该目标量化参数。具体地，第一网络设备在根据目标量化参数对业务记录数据进行量化处理得到第一业务状态信息之前，还可以包括对量化参数的更新过程。该过程具体包括根据预设的初始量化参数对该业务记录数据进行量化处理，得到初始业务状态信息，然后，确定该初始业务状态信息对应的可预测性上界值，并进一步根据该可预测性上界值与初始预测精度更新该初始量化参数，得到该目标量化参数。其中，流量预测过程中可预测性上界是一个有效的度量，可以为流量预测提供理论指导，根据设定该更新过程，确定最优量化参数为目标量化参数，然后使用该目标量化参数对流量状态进行预测，以保证预测准确率。
[0137]
具体地，该第一网络设备确定该初始业务状态信息对应的可预测性上界值包括：该第一网络设备确定该初始业务状态信息对应的第一熵值之后，根据该第一熵值确定该可预测性上界值。具体地，在确定可预测性上界值的过程中，具体可以通过初始业务状态信息对应的第一熵值确定该可预测性上界值。其中，基于信息熵的基本理论，对量化后的初始业务状态信息的不确定性进行表征，进而确定可预测性上界，能在更强的理论支持下解释流量预测的准确性。
[0138]
s103、第一网络设备将所述第一业务状态信息作为预设模型的输入，经过所述预设模型的处理输出所述第一业务在第二时间段内的第二业务状态信息。
[0139]
本实施例中，第一网络设备将步骤s102处理得到的第一业务状态信息作为预设模型的输入，经过所述预设模型的处理输出所述第一业务在第二时间段内的第二业务状态信息。
[0140]
在一种具体的实现方式中，在步骤s103中，该第一网络设备将该第一业务状态信息作为预设模型的输入，经过该预设模型的处理输出该第一业务在第二时间段内的第二业务状态信息之后，该方法还包括：该第一网络设备根据该目标量化参数对该第二业务状态信息进行反量化处理，得到第二数据量信息，该第二数据量信息用于指示该第一业务在该第二时间段内所发生的数据量。具体地，在第一网络设备经过预设模型的处理输出得到第二业务状态信息之后，还可以进一步根据该目标量化参数对该第二业务状态信息进行反量化处理，得到第二数据量信息，其中，该第二数据量信息用于指示该第一业务在该第二时间段内所发生的数据量，即在第二数据量信息中通过连续变化的流量数据来表示该模型的输出，提供该模型的输出的一种具体实现形式，以期更直观地表示该模型的输出。
[0141]
在一种具体的实现方式中，在步骤s103之后，该方法还包括：该第一网络设备向该第二网络设备发送该第二数据量信息。具体地，第一网络设备还可以向第二网络设备发送该用于指示该第一业务在该第二时间段内所发生的数据量的第二数据量信息，可以应用于该第二网络设备的资源预留，能源分配，基站休眠等设计过程。
[0142]
请参阅图6，为本技术实施例中提供的一种通信方法的另一个实现示意图，在图6中，仍以第一网络设备为图2和图3所示网络架构中的边缘计算服务器(300)为例，对步骤
s102和步骤s103的实现过程进行描述。其中，步骤s102及其可选的实现方式对应于图6中步骤3021和步骤3022，步骤s103及其可选的实现方式对应于图6所示其余步骤。其中，边缘计算服务器(300)运用存储模块(303)中的基站侧流量预测格式的cdr数据预测手机话务量的工作流程具体包括以下步骤。
[0143]
步骤3021：边缘计算服务器(300)的计算模块(302)从hdfs文件系统中读出管理范围内所有基站的流量预测数据，按userid进行分类聚合，转化为单个用户的完整语音通话表单。
[0144]
步骤3022：对单个用户的语音流量数据进行量化，如图7所示。将单个用户的语音通话数据按时间顺序排列；其次按固定时段(如一天，一小时或者是其他的实现)进行整合，获得固定采样间隔下的话务量数据。图7中以按天整合为例，展示了将单个用户的通话记录转化为每日语音流量的过程。最后，按照量化尺度t生成状态空间，t代表量化间隔，状态空间中的每个状态代表一个话务量范围。t越大，状态数量越少，量化粒度越大，这会使得预测流量状态的准确性更高，但与实际语音流量相比，误差范围越大。
[0145]
步骤3023：在将话务量量化，并映射到指定的状态空间后，用户的话务量时间序列只存在有限个状态。因此，可以根据熵的基本理论来计算，已知历史记录时，用户话务量随机状态的熵和可预测性。
[0146]
具体来说，如果ti＝(x1,d1)
→
(x2,d2)
→…→
(xj,dj)表示用户i在观察期内话务量状态的转移序列，其中xj表示第dj天的话务量状态，则其中p(t'i)是在轨迹ti中找到特定序列t'i的概率。获得真实熵的数值后，可以求解下面的方程获得对应的可预测性上界值。
[0147]sreal
＝h(π
max
) (1-π
max
)log2(n-1)
[0148]
h(π
max
)＝-π
max log2(π
max
)-(1-π
max
)log2(1-π
max
)
[0149]
步骤3024：要求达到的预测精度记为a，允许的误差范围记为e，可预测性记为π
max
。a，e是人为设定的数值，而会随着t的改变而改变。步骤3023已经计算出了当前量化尺度t下所有用户的可预测性，将其与设定的预期精度要求做对比，调整t值控制状态空间的大小和模型的复杂度。优化过程可以表达为mint,subjectto其中代表用户群的平均可预测性，最终确定最优的量化参数t。
[0150]
步骤3025：对量化后的用户话务量数据运用特定的预测算法做预测。预测性能较好的模型均可使用，如差分整合移动平均自回归模型(autoregressive integrated moving average model，arima)，svm等。此处推荐采用多阶马氏链(mc，markov chains)，因为马尔可夫模型的数学理论和熵的概念都是基于挖掘历史记录中状态的转移，且训练代价低。在基于mc的模型中，每个用户的话务量轨迹被建模为n阶马尔可夫链，未来的状态只依赖于前面n个状态的顺序，即
[0151]
p(x
t 1
＝x
t 1
|x
t
＝x
t
,...,x1＝x1)＝p(x
t 1
＝x
t 1
|x
t
＝x
t
,...,x
t-n 1
＝x
t-n 1
)
[0152]
其中x
t
表示为t时刻的用户话务量状态，然后通过转移矩阵确定预测，选择概率最大的目标状态。
[0153][0154]
步骤3026：对预测的结果实现量化的逆过程反量化，即将预测结果乘以量化间隔t，得到用户未来时刻的话务量，并将预测结果存放在存储模块(303)中。
[0155]
边缘计算服务器(300)输出的预测结果会反馈到基站侧的功率控制模块(205)，可以用于基站的资源预留，能源分配，基站休眠等设计。
[0156]
具体地，作为前述方法的扩展应用，本技术提出的边缘计算服务器运用基站侧流量数据预测手机话务量的工作流程，不仅可以用于对用户话务量状态的预测处理。此外，本实施例没有限定局限于仅对用户的话务量进行预测，还可以对无线基站的话务量进行预测。此时，原实施例的基站侧数据处理模块(204)传输给边缘计算服务器(300)的数据从按userid分组的流量预测格式的cdr数据变成按bsid分组的流量预测格式的cdr数据，同时工作流程中量化步骤(3024)预测步骤(3025)的对象从用户的话务量变成基站的话务量，实现过程与图4至图7所示实现过程类似，此处不再赘述。
[0157]
综上所述，本技术实施例通过图4至图7所示的通信方法中，部署边缘计算服务器收集、管理和处理多个无线基站与巨量用户终端之间的电信业务相关信息，运用流量量化方法离散语音流量获得有限取值的流量状态，利用可预测性上界指标估计流量状态的可预测程度。其中，通过计算不同量化下流量状态的可预测性上界，根据设定性能指标和设计的优化过程，确定最优量化参数，然后对最优量化的流量状态进行预测，在保证预测准确概率的情况下，降低预测话务量的误差范围。该过程具体包括如下关键实现点。
[0158]
关键点1：提供了网络层流量预测的实现过程。
[0159]
用户侧(100)：预测对象，信源：发出服务请求。
[0160]
基站侧(200)：数据处理模块(204)将为用户侧(100)提供服务的过程中采集到的cdr数据处理成流量预测格式发送给边缘计算服务器(300)；功率控制模块(205)接收边缘计算服务器(300)输出的预测结果用于资源预留，能效优化。
[0161]
边缘计算服务器(300)：生成话务量数据(3021)，对用户话务量数据进行量化(3022)，可预测性分析(3023),量化参数调优(3024)，预测输出结果(3025，3026)。
[0162]
示例性的，在实施步骤(3022)提出并讨论了用户话务量数据的量化方法，通过量化将数值变化预测问题整理成状态的转移。在实施步骤(3023)采用了熵和可预测性进行度量，获得话务量数据的可预测性上界。这不仅使模型的预测性能得到了理论解释，还可以预见数据集所能实现的预测准确性并指导预测。有益效果：在步骤(3024)通过比较不同量化尺度下的可预测性，根据设定的预期精度要求进行调整，获得最优的量化尺度t，尽可能的降低预测得到的流量状态的误差范围。
[0163]
关键点2：提供了基于cdr数据的话务量状态预测数据格式。
[0164]
具体来说：基站的数据处理模块(204)对基站记录的cdr数据进行特征处理和用户隐私脱敏处理，并将通话数据按user id分组，按时间顺序排列，生成单个用户的流量预测数据。步骤(3021，3022)将所有基站的用户流量预测数据，按user id进行分类聚合，转化为单个用户在所有基站上的的完整语音通话表单，并将通话时长按固定时段(如一天，一小
时)进行整合，获得固定采样间隔下的话务量数据，再按照量化尺度t生成状态空间，生成量化后的话务量状态预测数据格式。
[0165]
示例性的，通过计算量化后流量状态的可预测性上界值，结合设计的优化过程调节量化尺度，确定最优量化参数，对量化后的话务量数据采用基于熵的传统模型进行预测，预测性能优于目前报道的最佳性能，且优于需要大量训练数据计算复杂度高不可解释的神经网络预测模型。有益效果：在测试性能时，采用基于量化和熵的马尔科夫模型对20万手机用户的话务量状态进行了预测。训练过程中，低阶模型的性能很差，远达不到可预测性上界。但随着阶数的增加，预测性能越来越好。当阶数达到25阶时，可以逼近最优量化的可预测性上界。
[0166]
关键点3:提供了基于熵和量化的话务量预测过程。
[0167]
通过计算量化后流量状态的熵可以获得预测对象流量状态的可预测性上界值，将不同量化的可预测性结果对比任务设定的预期精度值动态调整，确定最优的量化参数，对最优量化后的话务量状态采用基于熵的传统模型进行预测。
[0168]
其中，该预测过程不但可以预测用户手机的话务量，还可以预测其他的无线状态信息。从而，在保证一定预测精度的情况下达到降低预测任务的计算复杂度和处理时间的目的。
[0169]
此外，尽管本技术实施例撰写是以预测手机用户的话务量为目标在介绍方法，但是，本技术方案的方法同样可以扩展到预测基站侧和用户终端其他的状态信息，如预测无线基站的话务量，预测网络服务发生的数据流量，应用软件的实时流量等无线网络场景。其中，针对单个用户的预测，可用于提升个性化服务和关键任务的服务质量，也可以合并为全局需求；而针对基站的预测，预测单位为基站整体的话务量，更注重全局资源调度。从而，可以用于解决未来网络的规划优化，故障预警，资源协调与分配，微基站业务的实时处理等问题。
[0170]
本实施例中，第一网络设备接收来自第二网络设备的业务记录数据，该业务记录数据包括第一数据量信息，该第一数据量信息用于指示第一业务在第一时间段内所发生的数据量；然后，该第一网络设备根据目标量化参数对该业务记录数据进行量化处理，得到第一业务状态信息；此后，该第一网络设备将该第一业务状态信息作为预设模型的输入，经过该预设模型的处理输出该第一业务在第二时间段内的第二业务状态信息。其中，输入到预测模型，作为预设模型的输入，进行预测得到第一业务在第二时间段内的第二业务状态信息的输入数据包括第一业务状态信息，该第一业务状态信息为将业务记录数据进行量化处理得到。也就是说，将业务记录数据所包含的第一数据量信息，对应的连续值(或大量可能的离散值)近似化为有限数量(或更少)的离散状态，所得到的第一业务状态信息，使得第一数据量信息中连续变化的流量数据转化为第一业务状态信息，可以用于描述网络的长相关性，提升预测模型在长期网络的流量业务的预测效果。
[0171]
上面从方法的角度对本技术实施例进行了说明，下面从具体装置实现的角度对本技术实施例中的信号检测装置进行介绍。
[0172]
请参阅图8，本技术实施例提供了一种通信装置800，包括：
[0173]
收发单元802，用于接收来自第二网络设备的业务记录数据，该业务记录数据包括第一数据量信息，该第一数据量信息用于指示第一业务在第一时间段内所发生的数据量；
[0174]
处理单元801，用于根据目标量化参数对该业务记录数据进行量化处理，得到第一业务状态信息；
[0175]
该处理单元801，还用于将该第一业务状态信息作为预设模型的输入，经过该预设模型的处理输出该第一业务在第二时间段内的第二业务状态信息。
[0176]
在一种具体的实现方式中，该处理单元801还用于：
[0177]
根据初始量化参数对该业务记录数据进行量化处理，得到初始业务状态信息；
[0178]
确定该初始业务状态信息对应的可预测性上界值；
[0179]
根据该可预测性上界值与初始预测精度更新该初始量化参数，得到该目标量化参数。
[0180]
在一种具体的实现方式中，该处理单元801具体用于：
[0181]
确定该初始业务状态信息对应的第一熵值之后，根据该第一熵值确定该可预测性上界值。
[0182]
在一种具体的实现方式中，该处理单元801，还用于根据该目标量化参数对该第二业务状态信息进行反量化处理，得到第二数据量信息，该第二数据量信息用于指示该第一业务在该第二时间段内所发生的数据量
[0183]
在一种具体的实现方式中，该收发单元802还用于：
[0184]
向该第二网络设备发送该第二数据量信息。
[0185]
在一种具体的实现方式中，
[0186]
该业务记录数据还包括该第一数据量信息对应的网络设备的第一标识；和/或，
[0187]
该业务记录数据还包括该第一数据量信息对应的终端设备的第二标识。
[0188]
在一种具体的实现方式中，该第一业务包括语音业务、数据流量业务、应用软件的实时流量业务中的一个或多个。
[0189]
需要说明的是，上述通信装置800的单元的信息执行过程等内容，具体可参见本技术前述所示的方法实施例中的叙述，此处不再赘述。
[0190]
请参阅图9，本技术实施例提供了一种通信装置900，包括处理单元901和收发单元902：
[0191]
该处理单元901，用于通过该收发单元902向第一网络设备发送业务记录数据，该业务记录数据包括第一数据量信息，该第一数据量信息用于指示第一业务在第一时间段内所发生的数据量；
[0192]
该处理单元901，还用于通过该收发单元902接收来自该第一网络设备的第二数据量信息，该第二数据量信息用于指示该第一业务在该第二时间段内所发生的数据量，其中，该第二数据量信息为对该业务记录数据进行量化处理以及反量化处理得到。
[0193]
在一种具体的实现方式中，该处理单元901具体用于；
[0194]
记录该第一业务在该第一时间段内所发生的初始信息；
[0195]
对该初始信息进行目标处理，得到该第一数据量信息，该目标处理包括特征提取处理和/或数据脱敏处理。
[0196]
在一种具体的实现方式中，
[0197]
该业务记录数据还包括该第一数据量信息对应的网络设备的第一标识；和/或，
[0198]
该业务记录数据还包括该第一数据量信息对应的终端设备的第二标识。
[0199]
在一种具体的实现方式中，所述第一业务包括语音业务、数据流量业务、应用软件的实时流量业务中的一个或多个。
[0200]
需要说明的是，上述通信装置900的单元的信息执行过程等内容，具体可参见本技术前述所示的方法实施例中的叙述，此处不再赘述。
[0201]
请参阅图10，为本技术的实施例提供的上述实施例中所涉及的通信装置的结构示意图，其中，该通信装置具体可以为前述实施例中的通信装置，该通信装置的结构可以参考图10所示的结构。
[0202]
通信装置包括至少一个处理器1011、至少一个存储器1012、至少一个收发器1013、至少一个网络接口1014和一个或多个天线1015。处理器1011、存储器1012、收发器1013和网络接口1014相连，例如通过总线相连，在本技术实施例中，所述连接可包括各类接口、传输线或总线等，本实施例对此不做限定。天线1015与收发器1013相连。网络接口1014用于使得通信装置通过通信链路，与其它通信设备相连，例如网络接口1014可以包括通信装置与核心网设备之间的网络接口，例如s1接口，网络接口可以包括通信装置和其他网络设备(例如其他接入网设备或者核心网设备)之间的网络接口，例如x2或者xn接口。
[0203]
处理器1011主要用于对通信协议以及通信数据进行处理，以及对整个通信装置进行控制，执行软件程序，处理软件程序的数据，例如用于支持通信装置执行实施例中所描述的动作。通信装置可以包括基带处理器和中央处理器，基带处理器主要用于对通信协议以及通信数据进行处理，中央处理器主要用于对整个网络设备进行控制，执行软件程序，处理软件程序的数据。图10中的处理器1011可以集成基带处理器和中央处理器的功能，本领域技术人员可以理解，基带处理器和中央处理器也可以是各自独立的处理器，通过总线等技术互联。本领域技术人员可以理解，网络设备可以包括多个基带处理器以适应不同的网络制式，网络设备可以包括多个中央处理器以增强其处理能力，网络设备的各个部件可以通过各种总线连接。所述基带处理器也可以表述为基带处理电路或者基带处理芯片。所述中央处理器也可以表述为中央处理电路或者中央处理芯片。对通信协议以及通信数据进行处理的功能可以内置在处理器中，也可以以软件程序的形式存储在存储器中，由处理器执行软件程序以实现基带处理功能。
[0204]
存储器主要用于存储软件程序和数据。存储器1012可以是独立存在，与处理器1011相连。可选的，存储器1012可以和处理器1011集成在一起，例如集成在一个芯片之内。其中，存储器1012能够存储执行本技术实施例的技术方案的程序代码，并由处理器1011来控制执行，被执行的各类计算机程序代码也可被视为是处理器1011的驱动程序。
[0205]
图10仅示出了一个存储器和一个处理器。在实际的网络设备中，可以存在多个处理器和多个存储器。存储器也可以称为存储介质或者存储设备等。存储器可以为与处理器处于同一芯片上的存储元件，即片内存储元件，或者为独立的存储元件，本技术实施例对此不做限定。
[0206]
收发器1013可以用于支持通信装置与终端之间射频信号的接收或者发送，收发器1013可以与天线1015相连。收发器1013包括发射机tx和接收机rx。具体地，一个或多个天线1015可以接收射频信号，该收发器1013的接收机rx用于从天线接收所述射频信号，并将射频信号转换为数字基带信号或数字中频信号，并将该数字基带信号或数字中频信号提供给所述处理器1011，以便处理器1011对该数字基带信号或数字中频信号做进一步的处理，例
如解调处理和译码处理。此外，收发器1013中的发射机tx还用于从处理器1011接收经过调制的数字基带信号或数字中频信号，并将该经过调制的数字基带信号或数字中频信号转换为射频信号，并通过一个或多个天线1015发送所述射频信号。具体地，接收机rx可以选择性地对射频信号进行一级或多级下混频处理和模数转换处理以得到数字基带信号或数字中频信号，所述下混频处理和模数转换处理的先后顺序是可调整的。发射机tx可以选择性地对经过调制的数字基带信号或数字中频信号时进行一级或多级上混频处理和数模转换处理以得到射频信号，所述上混频处理和数模转换处理的先后顺序是可调整的。数字基带信号和数字中频信号可以统称为数字信号。
[0207]
收发器也可以称为收发单元、收发机、收发装置等。可选的，可以将收发单元中用于实现接收功能的器件视为接收单元，将收发单元中用于实现发送功能的器件视为发送单元，即收发单元包括接收单元和发送单元，接收单元也可以称为接收机、输入口、接收电路等，发送单元可以称为发射机、发射器或者发射电路等。
[0208]
需要说明的是，图10所示通信装置具体可以用于实现前述方法实施例中通信装置所实现的步骤，此处不再赘述。
[0209]
本技术实施例还提供一种存储一个或多个计算机执行指令的计算机可读存储介质，当计算机执行指令被处理器执行时，该处理器执行如前述实施例中通信装置可能的实现方式所述的方法，其中，该通信装置具体可以为前述实施例中通信装置。
[0210]
本技术实施例还提供一种存储一个或多个计算机的计算机程序产品(或称计算机程序)，当计算机程序产品被该处理器执行时，该处理器执行上述通信装置可能实现方式的方法，其中，该通信装置具体可以为前述实施例中的通信装置。
[0211]
本技术实施例还提供了一种芯片系统，该芯片系统包括处理器，用于支持通信装置实现上述通信装置可能的实现方式中所涉及的功能。在一种可能的设计中，该芯片系统还可以包括存储器，存储器，用于保存该通信装置必要的程序指令和数据。该芯片系统，可以由芯片构成，也可以包含芯片和其他分立器件，其中，该通信装置具体可以为前述实施例中的信号检测装置。
[0212]
本技术实施例还提供了一种网络系统架构，该网络系统架构包括上述通信装置，该通信装置具体可以为前述实施例中，任意一个实施例中的通信装置。
[0213]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0214]
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单元来实现本实施例方案的目的。
[0215]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单
元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0216]
所述集成的单元如果以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，本技术的技术方案本质上或者说做出贡献的部分或者该技术方案的全部或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)执行本技术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。