(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 202110370566.3 (22)申请日 2021.04.07 (71)申请人 中国移动通信集团设计院有限公司 地址 100089 北京市海淀区丹棱 街甲16号 申请人 中国移动通信集团有限公司 (72)发明人 何蕊馨　 (74)专利代理 机构 深圳市世纪恒程知识产权代 理事务所 4 4287 专利代理师 刘瑞花 (51)Int.Cl. G06F 30/18(2020.01) G06F 30/27(2020.01) G06F 16/215(2019.01) G06F 16/2458(2019.01) G06F 16/29(2019.01)G06Q 10/04(2012.01) G06Q 50/26(2012.01) (54)发明名称 容量预测、 模型训练方法及装置、 设备、 计算 机程序 (57)摘要 本发明涉及通信技术领域， 公开了一种容量 预测、 模型训练方法及装置、 设备、 计算机程序。 本发明通过根据采集到的第二用户历史用网数 据， 获得不同时刻的第二时空容量融合数据集， 并将第二时空容量融合数据集输入目标容量预 测模型中， 获得各个网络节点在预设时刻的容量 预测结果， 其中目标容量预测模 型包括各个网络 节点之间的空间特征和时间特征； 解决了现有技 术中网络容量预测准确性低的问题， 获得的目标 容量预测模型包括各个网络节点之间的空间特 征和时间特征， 因此， 利用该目标容量预测模型 获得的各个网络节点在预设时刻 的容量预测结 果也是包括各个网络节点之间的空间特征和时 间特征， 提升了网络容 量预测的准确性。 权利要求书6页 说明书18页 附图4页 CN 115186416 A 2022.10.14 CN 115186416 A 1.一种容 量预测方法， 其特 征在于， 所述 容量预测方法包括以下步骤： 根据采集到的第二用户历史用网数据， 获得不同时刻的第二时空容 量融合数据集； 将所述第二 时空容量融合数据集输入目标容量预测模型中， 获得各个网络节点在预设 时刻的容量预测结果； 其中， 所述 目标容量预测模型包括各个网络节点之间的空间特征和 时间特征。 2.如权利要求1所述的容量预测方法， 其特征在于， 所述根据采集到的第 二用户历史用 网数据， 获得不同时刻的第二时空容 量融合数据集的步骤之前， 所述 容量预测方法还 包括： 根据采集到的第 一用户历史用网数据， 获得不同时刻各个网络节点之间多种类型的节 点与边的关联关系； 根据所述关联关系， 构建容量预测模型； 其中， 所述容量预测模型包括各个网络节点之 间的空间特 征和时间特 征； 根据所述第一用户历史用网数据， 对所述容量预测模型进行训练， 获得目标容量预测 模型。 3.如权利要求2所述的容量预测方法， 其特征在于， 所述根据采集到的第 一用户历史用 网数据， 获得不同时刻各个网络节点之间多种类型的节点与边的关联关系的步骤， 包括： 根据采集到的第一用户历史用网数据， 获得不同时刻的第一时空容 量融合数据集； 根据所述第 一时空容量融合数据集， 获得不同时刻各个网络节点之间多种类型的节点 与边的关联关系。 4.如权利要求3所述的容量预测方法， 其特征在于， 所述根据采集到的第 一用户历史用 网数据， 获得不同时刻的第一时空容 量融合数据集的步骤之前， 所述 容量预测方法还 包括： 采集所述第一用户历史用网数据； 其中， 所述第一用户历史用网数据包括最小化路测 数据、 软采数据、 用户检测 和响应平台数据、 工程 参数数据和地理化数据中的至少一种。 5.如权利要求4所述的容量预测方法， 其特征在于， 所述根据采集到的第 一用户历史用 网数据， 获得不同时刻的第一时空容 量融合数据集的步骤， 包括： 若所述第一用户历史用网数据包括最小化路测数据、 软采数据、 用户检测和响应平台 数据、 工程参数数据和地理化数据中的至少 两种， 则对各个数据对应的异常数据分别进行 清洗， 得到清洗后的各个数据； 根据关键 字段， 对所述各个数据进行融合， 获得第一时空容 量融合数据集。 6.如权利要求3所述的容量预测方法， 其特征在于， 所述根据所述第 一时空容量融合数 据集， 获得不同时刻各个网络节点之间多种类型的节点与边的关联关系的步骤， 包括： 从所述第一 时空容量融合数据集中， 获得不同时刻各个网络节点之间多种类型的节点 与边的关联 数据； 将所述关联数据， 转换为不同时刻的关联关系Ak(i,j)； 其中， Ak(i,j)≠0表示节点i到 节点j之间存在第k类型的边； 根据所述关联关系Ak(i,j)， 获得不同时刻不同类型的邻接矩阵 其中， 所述邻接矩阵为整合属于同一类型的关联关系获得， K表示类型总数量， k表示类型标识， N 表示矩阵阶数， R表示实数集； 所述根据所述关联关系， 构建容 量预测模型的步骤， 包括：权　利　要　求　书 1/6 页 2 CN 115186416 A 2根据所述 不同时刻不同类型的邻接矩阵 构建容量预测模型。 7.如权利要求6所述的容量预测方法， 其特征在于， 所述类型包括地理位置相邻、 拓扑 相邻、 场景相关和路线连通； 所述将所述关联 数据， 转换为关联关系Ak(i,j)的步骤， 包括： 将地理位置相邻的关联数据， 转换为关联关系A1(i,j)＝1； 其中， A1(i,j)＝1表示节点i 与节点j之间地理位置相邻； 将拓扑相邻的关联数据， 转换为关联关系A2(i,j)＝1； 其中， A2(i,j)＝1表示节点i与节 点j之间物理拓扑相邻； 将场景相关的关联数据， 转换为关联 关系A3(i,j)＝EJ(si,sj)∈[0,1]； 其中， A3(i,j)＝ EJ(si,sj)∈[0,1]表示节点i与节点j之间场景相关； EJ(.)表示Tanimoto算子， si与sj分别 表示节点 i与节点j的场景 特征向量； 将路线连通的关联数据， 转换为A4(i,j)＝max{0,I(vi,vj)‑A1(i,j)}∈{0,1}； 其中， A4 (i,j)＝max{0,I(vi,vj)‑A1(i,j)}∈{0,1}表示节点i与节点j之间地理位置不相邻但存在 连通路线； I(.)表示 indicator算子， v表示节点。 8.如权利要求6所述的容量预测方法， 其特征在于， 所述根据所述不同时刻不同类型的 邻接矩阵 构建容量预测模型的步骤， 包括： 将同一时刻不同类型的邻接矩阵 进行拼接， 获得不同时刻各个网络节点 之间的空间特 征； 对所述不同时刻各个网络节点之间的空间特征进行时空加权转换处理， 获得不同时刻 各个网络节点之间的时间特 征； 对所述各个网络节点之间的时间特 征进行融合， 构建容 量预测模型。 9.如权利要求8所述的容量预测方法， 其特征在于， 所述将同一 时刻不同类型的邻 接矩 阵 进行拼接， 获得不同时刻各个网络节点之间的空间特 征的步骤， 包括： 根据所述邻接矩阵 利用公式一， 获得相应路径的邻接矩阵； 所述公式一 为： 其中， l表示节点i最多经过l步可到达节点j， c表示不同长度的路径种类， λ(l)为Ak(k＝ 1,…,K)， 表示各类型边在l层对应的权重， o表示点积运算, 表示 的度 矩阵； 根据所述相应路径的邻接矩阵 利用公式二， 获得所述各个网络节点之间的空间特 征； 所述公式二 为： 其中， 表示 的度矩阵， W表示权重矩阵， X表示输入的节点特权　利　要　求　书 2/6 页 3 CN 115186416 A 3