预警区域识别方法、装置、计算设备及计算机存储介质与流程

1.本发明实施例涉及大数据技术领域，具体涉及一种预警区域识别方法、装置、计算设备及计算机存储介质。


背景技术：

2.目前对于突发性人流聚集区域的识别，主要依靠全网后台指标监控，通过发现时间段内的高负荷小区，依靠基站经纬度信息，人工结合电子地图，输出预警区域，开展优化工作。
3.在突发性人流聚集区域识别上，主要包括两个方面，一是预警小区识别，二是活动区域的识别。在对突发重大活动中预警小区识别中，首先需要人工对全网指标监控，然后人工根据高负荷规则对全网小区进行删选，确定高负荷小区，整个过程时间较长，既耗费人力且时效性较差。突发活动区域识别时，人工先根据高负荷小区的经纬度、工参、电子地图确定基站位置，然后根据站点类别(宏站、室分)和优化经验，确定活动区域，整个过程人工处理，效率和准确性都难以保证。
4.可见，现阶段预警小区和活动区域的识别均需要人工完成，耗时、费力且预警小区的时效性和活动区域精准度不高，如一旦出现活动信息获取遗漏，将会严重影响客户对通信网络的使用感知，造成不必要的网络投诉，负面舆情。因此，如何能够对突发活动及区域进行精准、及时的预测，成为亟待解决的技术问题。


技术实现要素：

5.鉴于上述问题，本发明实施例提供了一种预警区域识别方法、装置、计算设备及计算机存储介质，克服了上述问题或者至少部分地解决了上述问题。
6.根据本发明实施例的一个方面，提供了一种预警区域识别方法，所述方法包括：采集现网数据和历史数据，包括：连接用户数、邻区关系以及经纬度信息；根据所述现网数据和所述历史数据中小区的所述连接用户数计算小区的预测值用户数和基准值用户数；将小区的所述预测值用户数和所述基准值用户数输入线性回归模型获取预警小区；应用泰森多边形根据所述邻区关系以及所述经纬度信息对所述预警小区进行汇聚和覆盖区域识别，输出预警区域。
7.在一种可选的方式中，所述根据所述现网数据和所述历史数据中小区的所述连接用户数计算预测值用户数和基准值用户数，包括：根据所述现网数据和所述历史数据中小区的所述连接用户数采用长短期记忆网络算法获取小区的所述预测值用户数；据所述历史数据中小区的所述连接用户数采用k-means聚类算法和阿波罗尼奥斯定理计算小区的所述基准值用户数。
8.在一种可选的方式中，所述根据所述现网数据和所述历史数据中小区的所述连接用户数采用长短期记忆网络算法获取小区的所述预测值用户数，还包括：采用长短期记忆网络算法根据一周粒度以15分钟时间对所述现网数据和所述历史数据进行切片建立模型，
并根据所述历史数据对所述模型进行修正优化；根据所述现网数据和所述历史数据中小区的所述连接用户数应用所述模型预测以15分钟粒度的未来多个时段的所述预测值用户数。
9.在一种可选的方式中，所述据所述历史数据中小区的所述连接用户数采用k-means聚类算法和阿波罗尼奥斯定理计算小区的所述基准值用户数，包括：
10.根据15分钟粒度的所述历史数据，随机选取3个点，将每个15分钟粒度的所述连接用户数设置为簇c1、c2、c3，根据k-means算法将所述历史数据汇聚成3个区域e：
11.其中，质心μi是簇ci的均值向量，k，i＝1、2、3，
12.将3个质心连接形成三角形；根据阿波罗尼奥斯定理计算所述三角形的三条中线的交叉点对应的所述连接用户数，确定为小区的所述基准值用户数。
13.在一种可选的方式中，所述将小区的所述预测值用户数和所述基准值用户数输入线性回归模型获取预警小区，包括：根据历史重大活动日常连接用户数和活动期间连接用户数建立线性回归模型；将所述预测值用户数和所述基准值用户数输入所述线性回归模型，确定满足持续增幅的小区为所述预警小区。
14.在一种可选的方式中，所述应用泰森多边形根据所述邻区关系以及所述经纬度信息对所述预警小区进行汇聚和覆盖区域识别，输出预警区域，包括：获取所述预警小区的信息，至少包括经纬度信息和邻区关系；根据所述经纬度信息找到所述预警小区的基站，并根据所述基站的所述经纬度信息和所述邻区关系进行基站汇聚；根据基站的经纬度信息应用泰森多边形中的算法构建所有基站的德洛内三角网，连接每个基站的相邻三角形的外接圆圆心，得到所有基站的覆盖区域；根据所述预警小区的邻区关系以及基站的覆盖区域输出所述预警区域。
15.在一种可选的方式中，所述根据所述预警小区的基站的邻区关系以及基站的覆盖区域输出所述预警区域，包括：如果根据基站经纬度确定任一所述预警小区的基站周边无预警小区，则将所述预警小区的基站与周边有邻区关系的基站进行汇聚，并根据基站的覆盖区域输出所述预警区域；如果根据基站经纬度确定任一所述预警小区的基站周边有预警小区，则外扩确定预警基站，通过网络爬虫爬取所有预警基站的覆盖区域，输出所述预警区域。
16.根据本发明实施例的另一个方面，提供了一种预警区域识别装置，所述装置包括：数据采集单元，用于集现网数据和历史数据，包括：连接用户数、邻区关系以及经纬度信息；计算单元，用于根据所述现网数据和所述历史数据中小区的所述连接用户数计算小区的预测值用户数和基准值用户数；预警小区获取单元，用于将小区的所述预测值用户数和所述基准值用户数输入线性回归模型获取预警小区；预警区域识别单元，用于应用泰森多边形根据所述邻区关系以及所述经纬度信息对所述预警小区进行汇聚和覆盖区域识别，输出预警区域。
17.根据本发明实施例的另一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
18.所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述
预警区域识别方法的步骤。
19.根据本发明实施例的又一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使所述处理器执行上述预警区域识别方法的步骤。
20.本发明实施例通过采集现网数据和历史数据，包括：连接用户数、邻区关系以及经纬度信息；根据所述现网数据和所述历史数据中小区的所述连接用户数计算小区的预测值用户数和基准值用户数；将小区的所述预测值用户数和所述基准值用户数输入线性回归模型获取预警小区；应用泰森多边形根据所述邻区关系以及所述经纬度信息对所述预警小区进行汇聚和覆盖区域识别，输出预警区域，能够提前精准发现预警小区，对高负荷小区分析提供有效支撑，提升整体网络运行质量，优化用户对通信网络的使用感知。
21.上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
22.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
23.图1示出了本发明实施例提供的预警区域识别方法的流程示意图；
24.图2示出了本发明实施例提供的预警区域识别方法的步骤s12的流程示意图；
25.图3示出了本发明实施例提供的预警区域识别方法的用于预测值用户数计算的模型示意图；
26.图4示出了本发明实施例提供的预警区域识别方法的用于基准值用户数计算的方法示意图；
27.图5示出了本发明实施例提供的预警区域识别方法的确定基站覆盖区域的方法示意图；
28.图6示出了本发明实施例提供的预警区域识别装置的结构示意图；
29.图7示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
30.下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
31.图1示出了本发明实施例提供的预警区域识别方法的流程示意图。如图1所示，预警区域识别方法包括：
32.步骤s11：采集现网数据和历史数据，包括：连接用户数、邻区关系以及经纬度信息。
33.在本发明实施例中，现网数据采集可以通过全网后台指标监控平台自动对接完
成，采集数据主要信息包括：时间粒度、基站编号(enodebid)、小区编号(cellid)、连接用户数、经度(longitude)、纬度(latitude)以及邻区关系等信息。历史数据采集可以通过全网后台指标监控自动对接完成，采集数据主要信息包括：时间粒度、enodebid、cellid、连接用户数、longitude、latitude、邻区关系等信息。
34.然后对从采集的现网数据和历史数据中，清洗出历次重大活动数据，清洗出的现网数据和历史数据包括：历史日常和活动期间的时间粒度、enodebid、cellid以及连接用户数等信息。进一步对清洗后的现网数据和历史数据相同小区不同时间段进行数据清洗，剔除异常数据，并对重大活动中日常和活动数据整理汇聚，输出可用于分析、建模应用的格式，并进行存储。
35.步骤s12：根据所述现网数据和所述历史数据中小区的所述连接用户数计算小区的预测值用户数和基准值用户数。
36.在步骤s12中，如图2所示，包括：
37.步骤s121：根据所述现网数据和所述历史数据中小区的所述连接用户数采用长短期记忆网络算法获取小区的所述预测值用户数。
38.具体地，获取现网数据中小区内15分钟粒度的实时连续用户数，以及历史数据中小区内同时段历史15分钟粒度的连接用户数。采用机器学习中的长短期记忆网络(long short-term memory，lstm)算法根据一周粒度以15分钟时间对所述现网数据和所述历史数据进行切片建立模型，并根据所述历史数据对所述模型进行修正优化；进而根据所述现网数据和所述历史数据中小区的所述连接用户数应用所述模型预测以15分钟粒度的未来多个时段的所述预测值用户数。
39.图3为用于预测值用户数计算的模型示意图，首先对现网数据和部分历史数据根据一周粒度以15分钟时间进行时间切片编码，嵌入到lstm算法模型的输入端。对部分历史数据进行数据归一化，并进行批规范化处理(batchnorm)后经过第一线性层输出，并进行激活，与时间切片编码结果进行合并作为lstm算法模型的输入层x_in，经过lstm算法运算后经过输出层n_out以及第二线性层输出y_out。
40.根据历史数据和现网数据结合模型以15分钟粒度预测未来多个时段小区的预测值用户数。
41.步骤s122：根据所述历史数据中小区的所述连接用户数采用k-means聚类算法和阿波罗尼奥斯定理计算小区的所述基准值用户数。
42.根据15分钟粒度的所述历史数据，随机选取3个点，将每个15分钟粒度的所述连接用户数设置为簇c1、c2、c3，根据k-means算法将所述历史数据汇聚成3个区域e：
[0043][0044]
其中，质心μi是簇ci的均值向量，k，i＝1、2、3，
[0045][0046]
计算得出的3个质心，将3个质心连接形成三角形。
[0047]
如图4所示，根据阿波罗尼奥斯定理计算所述三角形的三条中线的交叉点对应的所述连接用户数，确定为小区的所述基准值用户数。
[0048]
步骤s13：将小区的所述预测值用户数和所述基准值用户数输入线性回归模型获取预警小区。
[0049]
具体地，根据历史重大活动日常连接用户数和活动期间连接用户数建立线性回归模型；将所述预测值用户数和所述基准值用户数输入所述线性回归模型，确定满足持续增幅的小区为所述预警小区。
[0050]
在本发明实施例中，选取历史重大活动日常连接用户数和活动期间连接用户数，通过历史重大活动日常连接用户数和活动期间连接用户数建立线性回归模型。在线性回归模型中，将日常连接用户数设置为x，活动连接用户数设置为y，建立的线性回归模型为：
[0051]
y＝h
θ
(x)＝x
·
θ
t
[0052]
根据多个活动期间连接用户数对数据进行修正计算如下：
[0053][0054][0055]
其中，m为样本个数，θ为关系矩阵，l为活动连接用户数计算值与实际值的差值，i，j为正整数。
[0056]
根据进行回归，a为系数，最终确定最准确的线性回归模型。
[0057]
本发明实施例通过预测多期的数据增幅情况和线性回归模型进行对比，并在每个增幅中设置修正值，优选为正负3％，需输入的信息如表1：
[0058]
表1输入线性回归模型中的信息
[0059][0060][0061]
通过对比结果，如满足持续增幅条件的小区为预警小区。其中，持续增幅条件是指预测值用户数与基准值用户数的差持续增加。
[0062]
步骤s14：应用泰森多边形根据所述邻区关系以及所述经纬度信息对所述预警小区进行汇聚和覆盖区域识别，输出预警区域。
[0063]
在步骤s14中，获取所述预警小区的信息，至少包括经纬度信息和邻区关系；根据
所述经纬度信息找到所述预警小区的基站，并根据所述基站的所述经纬度信息和所述邻区关系进行基站汇聚；根据基站的经纬度信息应用泰森多边形中的算法构建所有基站的德洛内三角网，连接每个基站的相邻三角形的外接圆圆心，得到所有基站的覆盖区域；根据所述预警小区的邻区关系以及基站的覆盖区域输出所述预警区域。
[0064]
在本发明实施例中，获取所有基站的覆盖区域时，如图5所示，根据基站的经纬度信息应用泰森多边形中的算法对与某一个基站相邻的三角形按顺时针或逆时针方向排序，设某一个基站为o。找出以基站o为顶点的一个三角形，设为三角形a；取三角形a除基站o以外的另一顶点，设为基站a，则另一个顶点也可找出，即为基站f；则下一个三角形必然是以of为边的，即为三角形f；三角形f的另一顶点为基站e，则下一三角形是以oe为边的；如此重复进行，直到回到oa边，并计算每个三角形的外接圆圆心，并记录。根据每个基站的相邻三角形，连接这些相邻三角形的外接圆圆心，得到多边形a’b’c’d’e’f’，该多边形a’b’c’d’e’f’所限定的区域即为基站o的覆盖区域。
[0065]
在计算基站的覆盖区域中，设平面区域b上有一组离散点(x
j
,y
j
)，i＝1，2，3，
…
，k，k为离散点点数。若将区域b用一组直线段分成k个互相邻接的多边形，需满足：
[0066]
(1)每个多边形内含有且仅含有一个离散点。
[0067]
(2)若区域b上任意一点(x1,y1)位于含离散点(x
j
,y
j
)的多边形内，以下不等式在(i≠j)时恒成立：
[0068][0069]
(3)若点(x1,y1)位于含离散点(x
j
,y
j
)的两个多边形的公共边上，则以下等式成立：
[0070][0071]
在本发明实施例中，进行预警区域识别时，确定的所有基站覆盖区域后，如果根据基站经纬度确定任一所述预警小区的基站周边无预警小区，则将所述预警小区的基站与周边有邻区关系的基站进行汇聚，并根据基站的覆盖区域输出所述预警区域。
[0072]
如果根据基站经纬度确定任一所述预警小区的基站周边有预警小区，则外扩确定预警基站，通过网络爬虫爬取所有预警基站的覆盖区域，输出所述预警区域。具体地，根据继续外扩的规则，确定最终预警基站。即汇聚该预警小区的基站以及与该预警小区的基站周边有邻区关系的基站，直至任一预警小区的基站周边无预警小区，从而确定最终预警基站。然后应用网络爬虫技术根据预警基站清单以及前述泰森多边形中的算法爬取基站边界，输出最终的预警区域。
[0073]
本发明实施例利用机器学习的方法进行智能预警，可对全省小区智能监控预警，预警范围广；相比传统人工根据地图手动圈小区，本发明实施例可提前自动发现预警小区，并自动汇聚，实现提前预知，效率高、成本低；本发明实施例可以基于重大活动智能预警方法进行进一步推广，关联小区内用户数流量等变化信息，可识别高价值区域，并可对高负荷小区分析提供有效支撑，提升整体网络运行质量。
[0074]
本发明实施例通过采集现网数据和历史数据，包括：连接用户数、邻区关系以及经
纬度信息；根据所述现网数据和所述历史数据中小区的所述连接用户数计算小区的预测值用户数和基准值用户数；将小区的所述预测值用户数和所述基准值用户数输入线性回归模型获取预警小区；应用泰森多边形根据所述邻区关系以及所述经纬度信息对所述预警小区进行汇聚和覆盖区域识别，输出预警区域，能够提前精准发现预警小区，对高负荷小区分析提供有效支撑，提升整体网络运行质量，优化用户对通信网络的使用感知。
[0075]
图6示出了本发明实施例的预警区域识别装置的结构示意图。如图6所示，该预警区域识别装置包括：数据采集单元601、计算单元602、预警小区获取单元603以及预警区域识别单元604。其中：
[0076]
数据采集单元601用于集现网数据和历史数据，包括：连接用户数、邻区关系以及经纬度信息；计算单元602用于根据所述现网数据和所述历史数据中小区的所述连接用户数计算小区的预测值用户数和基准值用户数；预警小区获取单元603用于将小区的所述预测值用户数和所述基准值用户数输入线性回归模型获取预警小区；预警区域识别单元604用于应用泰森多边形根据所述邻区关系以及所述经纬度信息对所述预警小区进行汇聚和覆盖区域识别，输出预警区域。
[0077]
在一种可选的方式中，计算单元602用于：根据所述现网数据和所述历史数据中小区的所述连接用户数采用长短期记忆网络算法获取小区的所述预测值用户数；据所述历史数据中小区的所述连接用户数采用k-means聚类算法和阿波罗尼奥斯定理计算小区的所述基准值用户数。
[0078]
在一种可选的方式中，计算单元602还用于：采用长短期记忆网络算法根据一周粒度以15分钟时间对所述现网数据和所述历史数据进行切片建立模型，并根据所述历史数据对所述模型进行修正优化；根据所述现网数据和所述历史数据中小区的所述连接用户数应用所述模型预测以15分钟粒度的未来多个时段的所述预测值用户数。
[0079]
在一种可选的方式中，计算单元602还用于：根据15分钟粒度的所述历史数据，随机选取3个点，将每个15分钟粒度的所述连接用户数设置为簇c1、c2、c3，根据k-means算法将所述历史数据汇聚成3个区域e：
[0080]
其中，质心μi是簇ci的均值向量，k，i＝1、2、3，
[0081]
将3个质心连接形成三角形；根据阿波罗尼奥斯定理计算所述三角形的三条中线的交叉点对应的所述连接用户数，确定为小区的所述基准值用户数。
[0082]
在一种可选的方式中，预警小区获取单元603用于：根据历史重大活动日常连接用户数和活动期间连接用户数建立线性回归模型；将所述预测值用户数和所述基准值用户数输入所述线性回归模型，确定满足持续增幅的小区为所述预警小区。
[0083]
在一种可选的方式中，预警区域识别单元604用于：获取所述预警小区的信息，至少包括经纬度信息和邻区关系；根据所述经纬度信息找到所述预警小区的基站，并根据所述基站的所述经纬度信息和所述邻区关系进行基站汇聚；根据基站的经纬度信息应用泰森多边形中的算法构建所有基站的德洛内三角网，连接每个基站的相邻三角形的外接圆圆心，得到所有基站的覆盖区域；根据所述预警小区的邻区关系以及基站的覆盖区域输出所述预警区域。
[0084]
在一种可选的方式中，预警区域识别单元604用于：如果根据基站经纬度确定任一所述预警小区的基站周边无预警小区，则将所述预警小区的基站与周边有邻区关系的基站进行汇聚，并根据基站的覆盖区域输出所述预警区域；如果根据基站经纬度确定任一所述预警小区的基站周边有预警小区，则外扩确定预警基站，通过网络爬虫爬取所有预警基站的覆盖区域，输出所述预警区域。
[0085]
本发明实施例通过采集现网数据和历史数据，包括：连接用户数、邻区关系以及经纬度信息；根据所述现网数据和所述历史数据中小区的所述连接用户数计算小区的预测值用户数和基准值用户数；将小区的所述预测值用户数和所述基准值用户数输入线性回归模型获取预警小区；应用泰森多边形根据所述邻区关系以及所述经纬度信息对所述预警小区进行汇聚和覆盖区域识别，输出预警区域，能够提前精准发现预警小区，对高负荷小区分析提供有效支撑，提升整体网络运行质量，优化用户对通信网络的使用感知。
[0086]
本发明实施例提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的预警区域识别方法。
[0087]
可执行指令具体可以用于使得处理器执行以下操作：
[0088]
采集现网数据和历史数据，包括：连接用户数、邻区关系以及经纬度信息；
[0089]
根据所述现网数据和所述历史数据中小区的所述连接用户数计算小区的预测值用户数和基准值用户数；
[0090]
将小区的所述预测值用户数和所述基准值用户数输入线性回归模型获取预警小区；
[0091]
应用泰森多边形根据所述邻区关系以及所述经纬度信息对所述预警小区进行汇聚和覆盖区域识别，输出预警区域。
[0092]
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0093]
根据所述现网数据和所述历史数据中小区的所述连接用户数采用长短期记忆网络算法获取小区的所述预测值用户数；
[0094]
据所述历史数据中小区的所述连接用户数采用k-means聚类算法和阿波罗尼奥斯定理计算小区的所述基准值用户数。
[0095]
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0096]
采用长短期记忆网络算法根据一周粒度以15分钟时间对所述现网数据和所述历史数据进行切片建立模型，并根据所述历史数据对所述模型进行修正优化；
[0097]
根据所述现网数据和所述历史数据中小区的所述连接用户数应用所述模型预测以15分钟粒度的未来多个时段的所述预测值用户数。
[0098]
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0099]
根据15分钟粒度的所述历史数据，随机选取3个点，将每个15分钟粒度的所述连接用户数设置为簇c1、c2、c3，根据k-means算法将所述历史数据汇聚成3个区域e：
[0100]
其中，质心μi是簇ci的均值向量，k，i＝1、2、3，
[0101]
将3个质心连接形成三角形；
[0102]
根据阿波罗尼奥斯定理计算所述三角形的三条中线的交叉点对应的所述连接用户数，确定为小区的所述基准值用户数。
[0103]
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0104]
根据历史重大活动日常连接用户数和活动期间连接用户数建立线性回归模型；
[0105]
将所述预测值用户数和所述基准值用户数输入所述线性回归模型，确定满足持续增幅的小区为所述预警小区。
[0106]
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0107]
获取所述预警小区的信息，至少包括经纬度信息和邻区关系；
[0108]
根据所述经纬度信息找到所述预警小区的基站，并根据所述基站的所述经纬度信息和所述邻区关系进行基站汇聚；
[0109]
根据基站的经纬度信息应用泰森多边形中的算法构建所有基站的德洛内三角网，连接每个基站的相邻三角形的外接圆圆心，得到所有基站的覆盖区域；
[0110]
根据所述预警小区的邻区关系以及基站的覆盖区域输出所述预警区域。
[0111]
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0112]
如果根据基站经纬度确定任一所述预警小区的基站周边无预警小区，则将所述预警小区的基站与周边有邻区关系的基站进行汇聚，并根据基站的覆盖区域输出所述预警区域；
[0113]
如果根据基站经纬度确定任一所述预警小区的基站周边有预警小区，则外扩确定预警基站，通过网络爬虫爬取所有预警基站的覆盖区域，输出所述预警区域。
[0114]
本发明实施例通过采集现网数据和历史数据，包括：连接用户数、邻区关系以及经纬度信息；根据所述现网数据和所述历史数据中小区的所述连接用户数计算小区的预测值用户数和基准值用户数；将小区的所述预测值用户数和所述基准值用户数输入线性回归模型获取预警小区；应用泰森多边形根据所述邻区关系以及所述经纬度信息对所述预警小区进行汇聚和覆盖区域识别，输出预警区域，能够提前精准发现预警小区，对高负荷小区分析提供有效支撑，提升整体网络运行质量，优化用户对通信网络的使用感知。
[0115]
本发明实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机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，使所述计算机执行上述任意方法实施例中的预警区域识别方法。
[0116]
可执行指令具体可以用于使得处理器执行以下操作：
[0117]
采集现网数据和历史数据，包括：连接用户数、邻区关系以及经纬度信息；
[0118]
根据所述现网数据和所述历史数据中小区的所述连接用户数计算小区的预测值用户数和基准值用户数；
[0119]
将小区的所述预测值用户数和所述基准值用户数输入线性回归模型获取预警小区；
[0120]
应用泰森多边形根据所述邻区关系以及所述经纬度信息对所述预警小区进行汇聚和覆盖区域识别，输出预警区域。
[0121]
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0122]
根据所述现网数据和所述历史数据中小区的所述连接用户数采用长短期记忆网络算法获取小区的所述预测值用户数；
[0123]
据所述历史数据中小区的所述连接用户数采用k-means聚类算法和阿波罗尼奥斯定理计算小区的所述基准值用户数。
[0124]
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0125]
采用长短期记忆网络算法根据一周粒度以15分钟时间对所述现网数据和所述历史数据进行切片建立模型，并根据所述历史数据对所述模型进行修正优化；
[0126]
根据所述现网数据和所述历史数据中小区的所述连接用户数应用所述模型预测以15分钟粒度的未来多个时段的所述预测值用户数。
[0127]
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0128]
根据15分钟粒度的所述历史数据，随机选取3个点，将每个15分钟粒度的所述连接用户数设置为簇c1、c2、c3，根据k-means算法将所述历史数据汇聚成3个区域e：
[0129]
其中，质心μi是簇ci的均值向量，k，i＝1、2、3，
[0130]
将3个质心连接形成三角形；
[0131]
根据阿波罗尼奥斯定理计算所述三角形的三条中线的交叉点对应的所述连接用户数，确定为小区的所述基准值用户数。
[0132]
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0133]
根据历史重大活动日常连接用户数和活动期间连接用户数建立线性回归模型；
[0134]
将所述预测值用户数和所述基准值用户数输入所述线性回归模型，确定满足持续增幅的小区为所述预警小区。
[0135]
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0136]
获取所述预警小区的信息，至少包括经纬度信息和邻区关系；
[0137]
根据所述经纬度信息找到所述预警小区的基站，并根据所述基站的所述经纬度信息和所述邻区关系进行基站汇聚；
[0138]
根据基站的经纬度信息应用泰森多边形中的算法构建所有基站的德洛内三角网，连接每个基站的相邻三角形的外接圆圆心，得到所有基站的覆盖区域；
[0139]
根据所述预警小区的邻区关系以及基站的覆盖区域输出所述预警区域。
[0140]
在一种可选的方式中，所述可执行指令使所述处理器执行以下操作：
[0141]
如果根据基站经纬度确定任一所述预警小区的基站周边无预警小区，则将所述预警小区的基站与周边有邻区关系的基站进行汇聚，并根据基站的覆盖区域输出所述预警区域；
[0142]
如果根据基站经纬度确定任一所述预警小区的基站周边有预警小区，则外扩确定预警基站，通过网络爬虫爬取所有预警基站的覆盖区域，输出所述预警区域。
[0143]
本发明实施例通过采集现网数据和历史数据，包括：连接用户数、邻区关系以及经纬度信息；根据所述现网数据和所述历史数据中小区的所述连接用户数计算小区的预测值用户数和基准值用户数；将小区的所述预测值用户数和所述基准值用户数输入线性回归模型获取预警小区；应用泰森多边形根据所述邻区关系以及所述经纬度信息对所述预警小区进行汇聚和覆盖区域识别，输出预警区域，能够提前精准发现预警小区，对高负荷小区分析提供有效支撑，提升整体网络运行质量，优化用户对通信网络的使用感知。
[0144]
图7示出了本发明实施例提供的计算设备的结构示意图，本发明具体实施例并不对设备的具体实现做限定。
[0145]
如图7所示，该计算设备可以包括：处理器(processor)702、通信接口(communications interface)704、存储器(memory)706、以及通信总线708。
[0146]
其中：处理器702、通信接口704、以及存储器706通过通信总线708完成相互间的通信。通信接口704，用于与其它设备比如客户端或其它服务器等的网元通信。处理器702，用于执行程序710，具体可以执行上述预警区域识别方法实施例中的相关步骤。
[0147]
具体地，程序710可以包括程序代码，该程序代码包括计算机操作指令。
[0148]
处理器702可能是中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或各个集成电路。设备包括的一个或各个处理器，可以是同一类型的处理器，如一个或各个cpu；也可以是不同类型的处理器，如一个或各个cpu以及一个或各个asic。
[0149]
存储器706，用于存放程序710。存储器706可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0150]
程序710具体可以用于使得处理器702执行以下操作：
[0151]
采集现网数据和历史数据，包括：连接用户数、邻区关系以及经纬度信息；
[0152]
根据所述现网数据和所述历史数据中小区的所述连接用户数计算小区的预测值用户数和基准值用户数；
[0153]
将小区的所述预测值用户数和所述基准值用户数输入线性回归模型获取预警小区；
[0154]
应用泰森多边形根据所述邻区关系以及所述经纬度信息对所述预警小区进行汇聚和覆盖区域识别，输出预警区域。
[0155]
在一种可选的方式中，所述程序710使所述处理器执行以下操作：
[0156]
根据所述现网数据和所述历史数据中小区的所述连接用户数采用长短期记忆网络算法获取小区的所述预测值用户数；
[0157]
据所述历史数据中小区的所述连接用户数采用k-means聚类算法和阿波罗尼奥斯定理计算小区的所述基准值用户数。
[0158]
在一种可选的方式中，所述程序710使所述处理器执行以下操作：
[0159]
采用长短期记忆网络算法根据一周粒度以15分钟时间对所述现网数据和所述历史数据进行切片建立模型，并根据所述历史数据对所述模型进行修正优化；
[0160]
根据所述现网数据和所述历史数据中小区的所述连接用户数应用所述模型预测以15分钟粒度的未来多个时段的所述预测值用户数。
[0161]
在一种可选的方式中，所述程序710使所述处理器执行以下操作：
[0162]
根据15分钟粒度的所述历史数据，随机选取3个点，将每个15分钟粒度的所述连接用户数设置为簇c1、c2、c3，根据k-means算法将所述历史数据汇聚成3个区域e：
[0163]
其中，质心μi是簇ci的均值向量，k，i＝1、2、3，
[0164]
将3个质心连接形成三角形；
[0165]
根据阿波罗尼奥斯定理计算所述三角形的三条中线的交叉点对应的所述连接用户数，确定为小区的所述基准值用户数。
[0166]
在一种可选的方式中，所述程序710使所述处理器执行以下操作：
[0167]
根据历史重大活动日常连接用户数和活动期间连接用户数建立线性回归模型；
[0168]
将所述预测值用户数和所述基准值用户数输入所述线性回归模型，确定满足持续增幅的小区为所述预警小区。
[0169]
在一种可选的方式中，所述程序710使所述处理器执行以下操作：
[0170]
获取所述预警小区的信息，至少包括经纬度信息和邻区关系；
[0171]
根据所述经纬度信息找到所述预警小区的基站，并根据所述基站的所述经纬度信息和所述邻区关系进行基站汇聚；
[0172]
根据基站的经纬度信息应用泰森多边形中的算法构建所有基站的德洛内三角网，连接每个基站的相邻三角形的外接圆圆心，得到所有基站的覆盖区域；
[0173]
根据所述预警小区的邻区关系以及基站的覆盖区域输出所述预警区域。
[0174]
在一种可选的方式中，所述程序710使所述处理器执行以下操作：
[0175]
如果根据基站经纬度确定任一所述预警小区的基站周边无预警小区，则将所述预警小区的基站与周边有邻区关系的基站进行汇聚，并根据基站的覆盖区域输出所述预警区域；
[0176]
如果根据基站经纬度确定任一所述预警小区的基站周边有预警小区，则外扩确定预警基站，通过网络爬虫爬取所有预警基站的覆盖区域，输出所述预警区域。
[0177]
本发明实施例通过采集现网数据和历史数据，包括：连接用户数、邻区关系以及经纬度信息；根据所述现网数据和所述历史数据中小区的所述连接用户数计算小区的预测值用户数和基准值用户数；将小区的所述预测值用户数和所述基准值用户数输入线性回归模型获取预警小区；应用泰森多边形根据所述邻区关系以及所述经纬度信息对所述预警小区进行汇聚和覆盖区域识别，输出预警区域，能够提前精准发现预警小区，对高负荷小区分析提供有效支撑，提升整体网络运行质量，优化用户对通信网络的使用感知。
[0178]
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
[0179]
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
[0180]
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要
求本身都作为本发明的单独实施例。
[0181]
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
[0182]
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
[0183]
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。