基站异常的监测方法、装置、设备及计算机可读存储介质与流程

1.本技术涉及通信技术，尤其涉及一种基站异常的监测方法、装置、设备及计算机可读存储介质。


背景技术：

2.随着网络技术的发展和网络规模日益扩大，网络拓扑结构和网络设备日趋复杂，承载的业务种类也逐渐增多。这些都使得网络中出现故障或性能问题的机会大大增加，网络监测面临更大的挑战。网络监测的目的是通过对网络设备和网络运行状况的连续监测，及时地发现网络中的异常情况，当网络中出现异常时能够及时发出报警通知，以提醒网管人员采取必要措施，来保持网络正常运行。
3.目前基于流量基站异常检测有两种：一种是针对网络流量突增的异常检测，另一种是针对网络流量降为零的异常检测。
4.但是，当基站流量在某时间段突降，低于正常状态的流量值，此时流量却大于零流量，并在之后的一段时间流量恢复至正常状态；还有当基站流量在某时间段猛增，在一定时间段内用户流量正常，但会有潜在的异常，现有的技术无法检测出此类网络异常，所以，导致现有基站异常检测的效率低。


技术实现要素：

5.本技术提供一种基站异常的监测方法、装置、设备及计算机可读存储介质，用以解决现有技术的基站异常检测效率低的问题。
6.本技术一实施例提供一种基站异常的监测方法，方法包括：
7.获取待监测基站在预设时间段内忙闲时的预测流量数据和在历史忙闲时的历史流量数据；
8.根据待监测基站在预设时间段内忙闲时的预测流量数据和在历史忙闲时历史流量数据，确定待监测基站的流量权重；
9.响应于流量权重大于预设权重阈值，则确定待监测基站出现隐形异常。
10.在一实施例中，获取待监测基站在预设时间段内忙闲时的预测流量数据，具体包括：
11.使用已训练的流量预测模型对待监测基站的历史流量数据进行预测，获得待监测基站在预设时间段内忙闲时的预测流量数据；
12.其中，已训练的流量预测模型是使用基站的覆盖场景和流量数据训练获得。
13.在一实施例中，在使用已训练的流量预测模型对待监测基站的历史流量数据进行预测，获得待监测基站在预设时间段内忙闲时的预测流量数据之前，方法还包括：
14.获取基站的覆盖场景和基站在各个时刻的业务数据，并根据各基站在各个时刻的业务数据进行忙闲时划分，获得基站的时间特征；其中，业务数据包括总流量数据；
15.将基站的覆盖场景和时间特征作为训练样本，将基站在各个时刻的总流量数据作
为训练样本的标签数据，使用训练样本和标签数据训练流量预测模型，获得已训练的流量预测模型。
16.在一实施例中，根据各基站在各个时刻的业务数据进行忙闲时划分，获得基站的时间特征，具体包括：
17.当基站在某一时段的总流量数据为总时段中的最大总流量数据，则确定时段为忙时；当基站在某一时段的总流量数据为总时段中的最小总流量数据，则确定时段为闲时；
18.或者
19.业务数据还包括用户接入数，当基站在某一时段的用户接入数为总时段中的最大用户接入数，则确定时段为忙时；当基站在某一时段的用户接入数为总时段中的最小用户接入数，则确定时段为闲时。
20.在一实施例中，根据待监测基站在预设时间段内忙闲时的预测流量数据和在历史忙闲时历史流量数据，确定待监测基站的流量权重，具体包括：
21.根据待监测基站在预设时间段内忙时的预测流量数据和在历史忙时的历史流量数据，获得第一流量权重；
22.根据待监测基站在预设时间段内闲时的预测流量数据和在历史闲时的历史流量数据，获得第二流量权重；
23.对第一流量权重和第二流量权重进行处理，获得待监测基站的流量权重。
24.在一实施例中，根据待监测基站在预设时间段内忙时的预测流量数据和在历史忙时的历史流量数据，获得第一流量权重，具体包括：
25.根据第一公式计算获得第一流量权重，第一公式具体包括：
[0026][0027]
其中，ω1为第一流量权重，a
pre
表示待监测基站在预设时间段内忙时的预测流量数据，min(a)待监测基站在历史忙时的最小历史流量数据，max(a)待监测基站在历史忙时的最大历史流量数据；
[0028]
根据待监测基站在预设时间段内闲时的预测流量数据和在历史闲时的历史流量数据，获得第二流量权重，具体包括：
[0029]
根据第二公式计算获得第二流量权重，第二公式具体包括：
[0030][0031]
其中，ω2为第二流量权重，b
pre
表示待监测基站在预设时间段内闲时的预测流量数据，min(b)待监测基站在历史闲时的最小历史流量数据，max(b)待监测基站在历史闲时的最大历史流量数据。
[0032]
在一实施例中，对第一流量权重和第二流量权重进行处理，获得待监测基站的流量权重，具体包括：
[0033]
根据第三公式计算获得待监测基站的流量权重，第三公式具体包括：
[0034]
ω＝αω1+βω2[0035]
ω为待监测基站的流量权重，α为第一流量权重的占比系数，β为第二流量权重的
占比系数。
[0036]
本技术另一实施例提供一种基站异常的监测装置，包括：
[0037]
获取模块，用于获取待监测基站在预设时间段内忙闲时的预测流量数据和在历史忙闲时的历史流量数据；
[0038]
处理模块，用于根据待监测基站在预设时间段内忙闲时的预测流量数据和在历史忙闲时历史流量数据，确定待监测基站的流量权重；
[0039]
处理模块还用于响应于流量权重大于预设权重阈值，则确定待监测基站出现隐形异常。
[0040]
本技术再一实施例提供一种监测设备，包括：存储器和处理器；
[0041]
存储器内存储计算机执行指令；
[0042]
处理器执行存储器存储的计算机执行指令，以实现如权利要求1至7中任一项的方法。
[0043]
本技术又一实施例提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现如权利要求1至7任一项的方法。
[0044]
本技术再一实施例提供一种计算机程序产品，包括计算机程序，计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
[0045]
本技术提供的基站异常的监测方法、装置、设备及计算机可读存储介质，通过获取待监测基站在预设时间段内忙闲时的预测流量数据和在历史忙闲时的历史流量数据；根据待监测基站在预设时间段内忙闲时的预测流量数据和在历史忙闲时历史流量数据，确定待监测基站的流量权重；若流量权重大于预设权重阈值，则确定待监测基站出现隐形异常。通过获取闲忙时的预测流量数据和历史流量数据，进而确定流量权重；通过流量权重，确定待监测基站是否出现隐形异常，解决现有技术基站异常检测的效率低的问题。
附图说明
[0046]
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
[0047]
图1为本技术一实施例提供的一种基站异常的监测方法流程图；
[0048]
图2为本技术另一实施例提供的一种基站异常的监测方法流程图；
[0049]
图3为本技术再一实施例提供的一种基站异常的监测方法流程图；
[0050]
图4为本技术又一实施例提供的一种确定待监测基站的流量权重方法流程图；
[0051]
图5为本技术再一实施例提供的基站异常的监测装置的结构示意图；
[0052]
图6为本技术又一实施例提供的一种监测设备结构示意图。
[0053]
通过上述附图，已示出本技术明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本技术构思的范围，而是通过参考特定实施例为本领域技术人员说明本技术的概念。
具体实施方式
[0054]
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及
附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
[0055]
随着网络技术的发展和网络规模日益扩大，网络拓扑结构和网络设备日趋复杂，承载的业务种类也逐渐增多。这些都使得网络中出现故障或性能问题的机会大大增加，网络监测面临更大的挑战。网络监测的目的是通过对网络设备和网络运行状况的连续监测，及时地发现网络中的异常情况，当网络中出现异常时能够及时发出报警通知，以提醒网管人员采取必要措施，来保持网络正常运行。
[0056]
目前基于流量基站异常检测有两种：一种是针对网络流量突增的异常检测，另一种是针对网络流量降为零的异常检测。
[0057]
但是，当基站流量在某时间段突降，低于正常状态的流量值，此时流量却大于零流量，并在之后的一段时间流量恢复至正常状态；还有当基站流量在某时间段猛增，在一定时间段内用户流量正常，但会有潜在的异常，现有的技术无法检测出此类网络异常，所以，导致现有基站异常检测的效率低。
[0058]
针对上述问题，本技术实施例提供一种基站异常的监测方法、装置、设备及计算机可读存储介质，旨在解决现有技术的基站异常检测效率低的问题。本技术的技术构思是：通过获取待监测基站在预设时间段内忙闲时的预测流量数据和在历史忙闲时的历史流量数据；根据待监测基站在预设时间段内忙闲时的预测流量数据和在历史忙闲时历史流量数据，确定待监测基站的流量权重；若流量权重大于预设权重阈值，则确定待监测基站出现隐形异常。本技术的方法，通过获取闲忙时的预测流量数据和历史流量数据，进而确定流量权重；通过流量权重，确定待监测基站是否出现隐形异常，解决现有技术基站异常检测的效率低的问题。
[0059]
如图1所示，本技术一实施例提供一种基站异常的监测方法，方法包括如下步骤：
[0060]
s101、获取待监测基站在预设时间段内忙闲时的预测流量数据和在历史忙闲时的历史流量数据。
[0061]
在该步骤中，忙闲时是从基站工作对应一整天的时间段内，按照流量数据的大小确定忙闲时。
[0062]
示例性的，可以通过已训练的基站流量预测模型、基于长短期记忆神经网络模型进而获取待监测基站在预设时间段内忙闲时的预测流量数据。
[0063]
示例性的，可以通过相应的基站控制平台、ossim开源安全信息管理系统(open source security information management)平台获取待监测基站在历史忙闲时的历史流量数据。
[0064]
可以理解的是，待监测基站在预设时间段内忙闲时的预测流量数据和在历史忙闲时的历史流量数据的获取不仅限于上述实施例中描述的，也可以根据实际工况为其他的获取方式，对此，本实施例不作限定。
[0065]
s102、根据待监测基站在预设时间段内忙闲时的预测流量数据和在历史忙闲时历史流量数据，确定待监测基站的流量权重。
[0066]
在该步骤中，根据待监测基站在预设时间段内闲时的预测流量数据和在历史闲时最小的流量数据，从而获得预设时间段内闲时的预测流量数据和在历史闲时最小的流量数
据差值；根据待监测基站在历史闲时最大的流量数据和在历史闲时最小的流量数据，从而获得闲时最大的流量数据和在历史闲时最小的流量数据差值。并将两个差值进行运算。
[0067]
根据待监测基站在预设时间段内忙时的预测流量数据和在历史忙时最小的流量数据，从而获得预设时间段内忙时的预测流量数据和在历史忙时最小的流量数据差值；根据待监测基站在历史忙时最大的流量数据和在历史忙时最小的流量数据，从而获得忙时最大的流量数据和在历史忙时最小的流量数据差值。并将两个差值进行运算。
[0068]
分别对闲时和忙时的差值运算结果进行一定的权重赋值，从而确定待监测基站的流量权重。
[0069]
可以理解的是，分别对闲时和忙时的差值运算结果进行一定的权重赋值可以根据实际工况来赋值，对此，本实施例不作限定。
[0070]
s103、若流量权重大于预设权重阈值。
[0071]
在该步骤中，预设权重阈值是根据基站的情况事先预设的值，预设流量权重阈值为运营商根据所述覆盖场景设定的流量权重标准值，不同覆盖场景的阈值大小有所不同，在上述步骤获得流量权重之后，判断流量权重是否大于预设权重阈值。
[0072]
可以理解的是，预设权重阈值可以根据实际工况来赋值，对此，本实施例不作限定。
[0073]
s104、确定待监测基站出现隐形异常。
[0074]
在该步骤中，隐形异常并非传统意义上的基站故障，本发明中的隐形异常为基站实际运行脱离正常运行范围的，此现象定义为基站的隐形异常现象。
[0075]
通过判断流量权重大于预设权重阈值时，确定待监测基站出现隐形异常。
[0076]
在上述技术方案中，通过获取待监测基站在预设时间段内忙闲时的预测流量数据和在历史忙闲时的历史流量数据；根据待监测基站在预设时间段内忙闲时的预测流量数据和在历史忙闲时历史流量数据，确定待监测基站的流量权重；若流量权重大于预设权重阈值，则确定待监测基站出现隐形异常。本技术的方法，通过获取闲忙时的预测流量数据和历史流量数据，进而确定流量权重；通过流量权重，确定待监测基站是否出现隐形异常，解决现有技术基站异常检测的效率低的问题。从而针对性的对该异常进行优化，主动提高用户的网络感知。
[0077]
如图2所示，本技术另一实施例提供的一种基站异常的监测方法，方法包括如下步骤：
[0078]
s201、使用已训练的流量预测模型对待监测基站的历史流量数据进行预测，获得待监测基站在预设时间段内忙闲时的预测流量数据；其中，已训练的流量预测模型是使用基站的覆盖场景和流量数据训练获得。
[0079]
在该步骤中，覆盖场景类型为基站下的接入用户所在的区域场景，根据区域场景进一步确定基站对应的覆盖场景。示例性的，区域场景包括但不限于：住宅区、商务办公区、工业园区、城中村、商业购物区、交通枢纽、城市干道、学校等。当基站下的接入用户所在的住宅区占多数，则可以确定基站的覆盖场景为住宅区。
[0080]
流量数据为基站在运行过程中所记录的业务流量使用数据，该数据可根据对应时间粒度的不同分为分钟数据、小时数据和天数据。示例性的，基站的历史流量数据为基站小区的分钟级别流量数据，所述流量单位为mb。
[0081]
使用基站的覆盖场景和流量数据对基于时间序列模型进行训练，从而获得流量预测模型。使用已训练的流量预测模型对待监测基站的历史流量数据进行预测，获得待监测基站在预设时间段内忙闲时的预测流量数据。
[0082]
s202、根据待监测基站在预设时间段内忙闲时的预测流量数据和在历史忙闲时历史流量数据，确定待监测基站的流量权重。
[0083]
此步骤在s102中已经详述，在此不再赘述。
[0084]
s203、若流量权重大于预设权重阈值。
[0085]
此步骤在s103中已经详述，在此不再赘述。
[0086]
s204、确定待监测基站出现隐形异常。
[0087]
此步骤在s104中已经详述，在此不再赘述。
[0088]
在上述技术方案中，通过使用已训练的流量预测模型对待监测基站的历史流量数据进行预测，获得待监测基站在预设时间段内忙闲时的预测流量数据；其中，已训练的流量预测模型是使用基站的覆盖场景和流量数据训练获得；根据待监测基站在预设时间段内忙闲时的预测流量数据和在历史忙闲时历史流量数据，确定待监测基站的流量权重；若流量权重大于预设权重阈值，则确定待监测基站出现隐形异常。通过建立预测模型并获取闲忙时的预测流量数据和历史流量数据，进而确定流量权重；通过流量权重，确定待监测基站是否出现隐形异常，解决现有技术基站异常检测的效率低的问题。
[0089]
如图3所示，本技术再一实施例提供的一种基站异常的监测方法，方法包括如下步骤：
[0090]
s301、获取基站的覆盖场景和基站在各个时刻的业务数据，并根据各基站在各个时刻的业务数据进行忙闲时划分，获得基站的时间特征；其中，业务数据包括总流量数据。
[0091]
在该步骤中，通过控制平台获取一定时期区域内的所有基站，并获取所有基站的基础建设数据和业务数据；其中，业务数据包括总流量数据。基础建设数据为基站在规划建设过程中的所确定的工程参数数据，也包括基站在运行维护过程中的工程参数调整等数据。流量数据为基站在运行过程中所记录的业务流量使用数据，该数据可根据对应时间粒度的不同分为分钟数据、小时数据和天数据。
[0092]
示例性的，基站小区的基础建设数据为基站高度、经纬度、方位角、下倾角、小区标识、频带、带宽、所属网格等，基站的历史流量数据为基站小区的分钟级别流量数据，流量单位为mb。
[0093]
根据基站基础建设数据中的覆盖特征，从而获得基站具体的覆盖场景。示例性的，区域场景包括但不限于：住宅区、商务办公区、工业园区、城中村、商业购物区、交通枢纽、城市干道、学校等。当基站下的接入用户所在的住宅区占多数，则可以确定基站的覆盖场景为住宅区。
[0094]
根据基站的流量数据，将流量数据时间段分为工作日、周末和节假日。更进一步的，将工作日、周末和节假日基于时间维度划分为闲时、忙时，从而获得基站的时间特征。
[0095]
示例性的，工作日、周末和节假日可根据基站所在地的日期属性进行区分，闲忙时可根据所述基站所在地的闲忙时属性进行划分。例如，某区域某工作日的18时-24时为工作日忙时时间段，某区域某工作日的0时-18时为工作日忙时时间段。
[0096]
可以理解的是，基站的覆盖场景和基站在各个时刻的业务数据的获取不仅限于上
述实施例中描述的，也可以根据实际工况为其他的获取方式，对此，本实施例不作限定。
[0097]
在一具体实施例中，根据各基站在各个时刻的业务数据进行忙闲时划分，获得基站的时间特征，具体包括：
[0098]
s301a、当基站在某一时段的总流量数据为总时段中的最大总流量数据，则确定时段为忙时；当基站在某一时段的总流量数据为总时段中的最小总流量数据，则确定时段为闲时。
[0099]
在该步骤中，根据基站的小时粒度流量数据，选择流量最大的小时作为基站的忙时，选择流量最小的小时作为所述基站的闲时。
[0100]
在另一具体实施例中，根据各基站在各个时刻的业务数据进行忙闲时划分，获得基站的时间特征，具体还可以包括：
[0101]
s301b、业务数据还包括用户接入数，当基站在某一时段的用户接入数为总时段中的最大用户接入数，则确定时段为忙时；当基站在某一时段的用户接入数为总时段中的最小用户接入数，则确定时段为闲时。
[0102]
在该步骤中，基站闲忙时的确定也可根据基站小时粒度的用户连接数，选择用户连接最多的小时为忙时，用户连接最少的小时为闲时。
[0103]
s302、将基站的覆盖场景和时间特征作为训练样本，将基站在各个时刻的总流量数据作为训练样本的标签数据，使用训练样本和标签数据训练流量预测模型，获得已训练的流量预测模型。
[0104]
在该步骤中，在上述步骤s301中获得基站的覆盖场景和时间特征之后，根据基站的覆盖场景和时间特征对应的流量数据为训练样本，以基站历史每个小时的总流量作为训练样本标签，建立基于时间序列的基站流量预测模型，其中，时间序列模型为目前机器学习领域普遍适用的有监督算法。根据基站的历史小时粒度真实流量数据，通过流量预测模型对待监测基站的历史流量数据进行预测，获得待监测基站在预设时间段内忙闲时的预测流量数据。
[0105]
示例性的，时间序列模型可以选择lstm(long short-term memory)模型，按照时序特征将基站的每个时刻的场景类型和流量输入到模型的单元中去，通过每个单元对时序数据特征的提取和记忆信息的融合，最终得到每个基站在下一个时间段的流量使用情况。
[0106]
可以理解的是，时间序列模型不仅限于上述实施例中描述的，也可以根据实际需求为其他的模型，对此，本实施例不作限定。
[0107]
s303、使用已训练的流量预测模型对待监测基站的历史流量数据进行预测，获得待监测基站在预设时间段内忙闲时的预测流量数据；其中，已训练的流量预测模型是使用基站的覆盖场景和流量数据训练获得。
[0108]
此步骤在s201中已经详述，在此不再赘述。
[0109]
s304、根据待监测基站在预设时间段内忙闲时的预测流量数据和在历史忙闲时历史流量数据，确定待监测基站的流量权重。
[0110]
此步骤在s102中已经详述，在此不再赘述。
[0111]
s305、若流量权重大于预设权重阈值。
[0112]
此步骤在s103中已经详述，在此不再赘述。
[0113]
s306、确定待监测基站出现隐形异常。
[0114]
此步骤在s104中已经详述，在此不再赘述。
[0115]
在上述技术方案中，获取基站的覆盖场景和基站在各个时刻的业务数据，当基站在某一时段的总流量数据为总时段中的最大总流量数据，则确定时段为忙时；当基站在某一时段的总流量数据为总时段中的最小总流量数据，则确定该时段为闲时，获得基站的时间特征；或者是，业务数据还包括用户接入数，当基站在某一时段的用户接入数为总时段中的最大用户接入数，则确定时段为忙时；当基站在某一时段的用户接入数为总时段中的最小用户接入数，则确定时段为闲时。再将基站的覆盖场景和时间特征作为训练样本，将基站在各个时刻的总流量数据作为训练样本的标签数据，使用训练样本和标签数据训练流量预测模型，获得已训练的流量预测模型。使用已训练的流量预测模型对待监测基站的历史流量数据进行预测，获得待监测基站在预设时间段内忙闲时的预测流量数据；进而确定待监测基站的流量权重；若流量权重大于预设权重阈值，则自动识别出待监测基站出现隐形异常。解决现有技术基站异常检测的效率低的问题，从而针对性的对该异常进行优化，主动提高用户的网络感知。
[0116]
如图4所示，本技术又一实施例提供的一种确定待监测基站的流量权重方法，方法包括如下步骤：
[0117]
s401、根据待监测基站在预设时间段内忙时的预测流量数据和在历史忙时的历史流量数据，获得第一流量权重。
[0118]
在该步骤中，根据第一公式计算获得第一流量权重，第一公式具体包括：
[0119][0120]
其中，ω1为第一流量权重，a
pre
表示待监测基站在当时忙时的预测流量数据，min(a)待监测基站在历史忙时的最小历史流量数据，max(a)待监测基站在历史忙时的最大历史流量数据
[0121]
s402、根据待监测基站在预设时间段内闲时的预测流量数据和在历史闲时的历史流量数据，获得第二流量权重。
[0122]
在该步骤中，根据第二公式计算获得第二流量权重，第二公式具体包括：
[0123][0124]
其中，ω2为第二流量权重，b
pre
表示待监测基站在当时闲时的预测流量数据，min(b)待监测基站在历史闲时的最小历史流量数据，max(b)待监测基站在历史闲时的最大历史流量数据。
[0125]
s403、对第一流量权重和第二流量权重进行处理，获得待监测基站的流量权重。
[0126]
在该步骤中，根据第三公式计算获得待监测基站的流量权重，第三公式具体包括：
[0127]
ω＝αω1+βω2[0128]
ω为待监测基站的流量权重，α为第一流量权重的占比系数，β为第二流量权重的占比系数。
[0129]
可以理解的是，α和β根据实际工况来设置，对此，本实施例不作限定。
[0130]
如图5所示，本技术再一实施例提供的基站异常的监测装置500，装置包括：
[0131]
获取模块501，用于获取待监测基站在预设时间段内忙闲时的预测流量数据和在历史忙闲时的历史流量数据；
[0132]
处理模块502，用于根据待监测基站在预设时间段内忙闲时的预测流量数据和在历史忙闲时历史流量数据，确定待监测基站的流量权重；
[0133]
处理模块502，还用于若流量权重大于预设权重阈值，则确定待监测基站出现隐形异常。
[0134]
在一实施例中，获取待监测基站在预设时间段内忙闲时的预测流量数据，具体包括：
[0135]
处理模块502，还用于使用已训练的流量预测模型对待监测基站的历史流量数据进行预测，获得待监测基站在预设时间段内忙闲时的预测流量数据；
[0136]
其中，已训练的流量预测模型是使用基站的覆盖场景和流量数据训练获得。
[0137]
在一实施例中，在使用已训练的流量预测模型对待监测基站的历史流量数据进行预测，获得待监测基站在预设时间段内忙闲时的预测流量数据之前，方法还包括：
[0138]
处理模块502，还用于获取基站的覆盖场景和基站在各个时刻的业务数据，并根据各基站在各个时刻的业务数据进行忙闲时划分，获得基站的时间特征；其中，业务数据包括总流量数据；
[0139]
处理模块502，还用于将基站的覆盖场景和时间特征作为训练样本，将基站在各个时刻的总流量数据作为训练样本的标签数据，使用训练样本和标签数据训练流量预测模型，获得已训练的流量预测模型。
[0140]
在一实施例中，根据各基站在各个时刻的业务数据进行忙闲时划分，获得基站的时间特征，具体包括：
[0141]
处理模块502，还用于当基站在某一时段的总流量数据为总时段中的最大总流量数据，则确定时段为忙时；当基站在某一时段的总流量数据为总时段中的最小总流量数据，则确定时段为闲时；
[0142]
或者
[0143]
处理模块502，还用于业务数据还包括用户接入数，当基站在某一时段的用户接入数为总时段中的最大用户接入数，则确定时段为忙时；当基站在某一时段的用户接入数为总时段中的最小用户接入数，则确定时段为闲时。
[0144]
在一实施例中，根据待监测基站在预设时间段内忙闲时的预测流量数据和在历史忙闲时历史流量数据，确定待监测基站的流量权重，具体包括：
[0145]
处理模块502，还用于根据待监测基站在预设时间段内忙时的预测流量数据和在历史忙时的历史流量数据，获得第一流量权重；
[0146]
处理模块502，还用于根据待监测基站在预设时间段内闲时的预测流量数据和在历史闲时的历史流量数据，获得第二流量权重；
[0147]
处理模块502，还用于对第一流量权重和第二流量权重进行处理，获得待监测基站的流量权重。
[0148]
在一实施例中，根据待监测基站在预设时间段内忙时的预测流量数据和在历史忙时的历史流量数据，获得第一流量权重，具体包括：
[0149]
处理模块502，还用于根据第一公式计算获得第一流量权重，第一公式具体包括：
[0150][0151]
其中，ω1为第一流量权重，a
pre
表示待监测基站在当时忙时的预测流量数据，min(a)待监测基站在历史忙时的最小历史流量数据，max(a)待监测基站在历史忙时的最大历史流量数据；
[0152]
处理模块502，还用于根据待监测基站在预设时间段内闲时的预测流量数据和在历史闲时的历史流量数据，获得第二流量权重，具体包括：
[0153]
处理模块502，还用于根据第二公式计算获得第二流量权重，第二公式具体包括：
[0154][0155]
其中，ω2为第二流量权重，b
pre
表示待监测基站在当时闲时的预测流量数据，min(b)待监测基站在历史闲时的最小历史流量数据，max(b)待监测基站在历史闲时的最大历史流量数据。
[0156]
在一实施例中，对第一流量权重和第二流量权重进行处理，获得待监测基站的流量权重，具体包括：
[0157]
处理模块502，还用于根据第三公式计算获得待监测基站的流量权重，第三公式具体包括：
[0158]
ω＝αω1+βω2[0159]
ω为待监测基站的流量权重，α为第一流量权重的占比系数，β为第二流量权重的占比系数。
[0160]
如图6所示，本技术又一实施例提供一种监测设备600，监测设备600包括存储器601和处理器602。
[0161]
其中，存储器601用于存储处理器可执行的计算机指令；
[0162]
处理器602在执行计算机指令时实现上述实施例中方法中的各个步骤。具体可以参见前述方法实施例中的相关描述。
[0163]
可选地，上述存储器601既可以是独立的，也可以跟处理器602集成在一起。当存储器601独立设置时，该电子设备还包括总线，用于连接存储器601和处理器602。
[0164]
本技术实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机指令，当处理器执行计算机指令时，实现上述实施例中方法中的各个步骤。
[0165]
本技术实施例还提供一种计算机程序产品，包括计算机指令，该计算机指令被处理器执行时实现上述实施例中方法中的各个步骤。
[0166]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本技术的其它实施方案。本技术旨在涵盖本技术的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本技术的一般性原理并包括本技术未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本技术的真正范围和精神由下面的权利要求书指出。
[0167]
应当理解的是，本技术并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本技术的范围仅由所附的权利要求书来限制。