(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202110499281.X (22)申请日 2021.05.08 (71)申请人 中国移动通信有限公司研究院 地址 100053 北京市西城区宣武门西大街 32号 申请人 中国移动通信集团有限公司 (72)发明人 张苗苗　周岩　吕喆　刘思佳　 梁燕萍　余立　 (74)专利代理 机构 北京银龙知识产权代理有限 公司 11243 专利代理师 许静　曹娜 (51)Int.Cl. H04L 41/147(2022.01) H04L 41/142(2022.01) G06Q 10/04(2012.01)G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种网络指标预测方法、 装置及电子设备 (57)摘要 本发明提供一种网络指标预测方法、 装置及 电子设备， 所述方法包括： 提取待预测 网络指标 的相关数据特征， 所述相关数据特征包括： 与所 述待预测网络指标相关的第一指标的预测数据 特征； 将所述相关数据特征输入目标模型， 获得 所述待预测网络指标的预测结果。 本发明的实施 例， 在对网络指标进行预测时， 增加与待预测的 网络指标相关的其他指标的未来时刻的预测值， 即增加了跨指标预测结果的信息， 作为模型输 入， 能够提升对于网络指标的预测精准度。 权利要求书3页 说明书18页 附图2页 CN 115396328 A 2022.11.25 CN 115396328 A 1.一种网络指标 预测方法， 其特 征在于， 包括： 提取待预测网络指标的相关数据特征， 所述相关数据特征包括： 与所述待预测网络指 标相关的第一指标的预测数据特 征； 将所述相关数据特 征输入目标模型， 获得 所述待预测网络指标的预测结果。 2.根据权利要求1所述的方法， 其特 征在于， 所述相关数据特 征还包括： 所述待预测网络指标的第一历史数据特 征； 和/或 所述第一指标的第二历史数据特 征。 3.根据权利要求2所述的方法， 其特征在于， 在所述相关数据特征包括所述第 一指标的 第二历史数据特 征的情况 下， 所述提取待预测网络指标的相关数据特 征， 包括： 对所述待预测网络指标进行相关性分析， 获得与所述待预测网络指标相关的第一指 标； 提取所述第一指标的历史数据的数据特 征， 获得所述第二历史数据特 征。 4.根据权利要求1所述的方法， 其特征在于， 所述提取待预测网络指标的相关数据特 征， 包括： 对所述第一指标进行周期性分析， 获得 所述第一指标的周期性结果； 在所述第一指标的周期性结果满足第 一条件时， 提取所述第 一指标的历史数据 特征和 与所述第一指标相关的第二指标的历史数据特 征； 利用所述第 一指标的历史数据 特征和所述第 二指标的历史数据 特征， 预测所述第 一指 标在目标时刻的第一预测值； 将满足精度阈值的所述第一预测值确定为所述第一指标的预测数据特 征。 5.根据权利要求4所述的方法， 其特征在于， 所述利用所述第 一指标的历史数据 特征和 所述第二指标的历史数据特 征， 预测所述第一指标在目标时刻的第一预测值， 包括： 利用极限梯度提升算法， 对所述第 一指标的历史数据特征和所述第 二指标的历史数据 特征进行训练， 获得 所述第一指标在目标时刻的第一预测值。 6.根据权利要求1所述的方法， 其特征在于， 在提取待预测网络指标的相关数据 特征之 前， 所述方法还 包括： 对所述待预测网络指标进行周期性分析， 获得 所述待预测网络指标的周期性结果； 所述提取待预测网络指标的相关数据特 征， 包括： 在所述待预测网络指标的周期性结果满足第 二条件时， 提取所述待预测网络指标的单 位指标的相关数据特 征。 7.根据权利要求6所述的方法， 其特征在于， 所述对所述待预测网络指标进行周期性分 析， 获得所述待预测网络指标的周期性结果， 包括： 计算待预测范围内的每 个小区的自相关系数； 根据所述自相关系数确定每 个小区的周期性； 计算具有周期性的小区数量与所述待预测范围内的所有 小区数量的比值； 根据所述比值确定述待预测网络指标的周期性结果； 其中， 在所述自相关系数 大于第一阈值时， 确定小区具有周期性。 8.根据权利要求6所述的方法， 其特征在于， 所述提取所述待预测网络指标的单位指标 的相关数据特 征， 包括：权　利　要　求　书 1/3 页 2 CN 115396328 A 2提取待预测范围内所有用户的所述待预测网络指标的总数据特 征； 根据所述总数据特 征计算单位指标的相关数据特 征。 9.根据权利要求1所述的方法， 其特征在于， 在将所述相关数据特征输入目标模型之 前， 所述方法还 包括： 构造模型训练样本数据； 利用所述模型训练样本数据进行模型训练， 获得 所述目标模型。 10.根据权利要求9所述的方法， 其特 征在于， 所述构造模型训练样本数据， 包括： 提取第一时间范围内的所述待预测网络指标的相关数据特 征； 调整所述相关数据特征构成的样本数据中， 不同类型数据所占的比例， 使目标类型的 数据特征在所述样本数据中所占的比例达 到预设值； 将调整后的相关数据特 征作为所述模型训练样本数据。 11.根据权利要求10所述的方法， 其特征在于， 所述利用所述模型训练样本数据进行模 型训练之前， 所述方法还 包括： 构造所述目标模型的损失函数； 所述目标模型的损失函数为： 其中， L表示目标模型的损失函数， N表示目标类型的数据特征构成的样本数据集， di表 示目标类型的数据特征与第四阈值的距离， i表示N中的数据特征， ε为常量； Ii表示权重系 数， 为第一损失函数， yi表示待预测网络 指标的真实结果， 表示所述目标模型输出的预测结果。 12.根据权利要求1所述的方法， 其特征在于， 在提取待预测网络指标的相关数据特征 之前， 所述方法还 包括： 对待预测网络指标的相关数据进行 数据预处 理； 所述数据预处 理包括： 填补缺失值， 和/或异常值处 理。 13.一种网络指标 预测装置， 其特 征在于， 包括 特征提取模块， 用于提取待预测网络指标的相关数据特征， 所述相关数据 特征包括： 与 所述待预测网络指标相关的第一指标的预测数据特 征； 预测模块， 用于将所述相关数据特征输入目标模型， 获得所述待预测网络指标的预测 结果。 14.一种电子设备， 其特 征在于， 包括： 收发器和处 理器； 所述处理器用于： 提取待预测网络指标的相关数据 特征， 所述相关数据 特征包括： 与所 述待预测网络指标相关的第一指标的预测数据特 征； 将所述相关数据特 征输入目标模型， 获得 所述待预测网络指标的预测结果。 15.一种电子设备， 包括： 收发器、 处理器、 存储器及存储在所述存储器上并可在所述处 理器上运行 的程序或指令； 其特征在于， 所述处理器执行所述程序或指令时实现如权利要 求1‑12任一项所述的网络指标 预测方法。权　利　要　求　书 2/3 页 3 CN 115396328 A 3