一种时序指标预测方法、装置、电子设备及存储介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115842742A(43)申请公布日2023.03.24(21)申请号202111093637.6(22)申请日2021.09.17(71)申请人中兴通讯股份有限公司地址518057广东省深圳市南山区高新技术产业园科技南路中兴通讯大厦(72)发明人谭耀斌(74)专利代理机构北京国昊天诚知识产权代理有限公司11315专利代理师马瑞(51)Int.Cl.H04L41/147(2022.01)权利要求书2页说明书8页附图3页(54)发明名称一种时序指标预测方法、装置、电子设备及存储介质(57)摘要本发明涉及通信领域，公开了一种时序指标预测方法、装置、电子设备、计算机可读存储介质，方法包括：获取结构因果模型；所述结构因果模型用于指示各时序指标各自的影响因素及各自影响因素的影响程度；根据待预测的时序指标，从所述结构因果模型中获取所述待预测的时序指标的影响因素；其中，所述待预测的时序指标根据对网络的干预动作确定；根据获取的所述待预测的时序指标的影响因素，进行时序指标的预测。解决了现有技术中基于深度学习的方法，用数据进行拟合的过程中，数据不够完整、详细等情况下指标后续趋势预测不够准确的问题，极大地减少了指标后续变化的预测对足够多且详细的数据过度依赖的情形。CN115842742ACN115842742A权利要求书1/2页1.一种时序指标预测方法，其特征在于，包括：获取结构因果模型；所述结构因果模型用于指示各时序指标各自的影响因素及各自影响因素的影响程度；根据待预测的时序指标，从所述结构因果模型中获取所述待预测的时序指标的影响因素；其中，所述待预测的时序指标根据对网络的干预动作确定；根据获取的所述待预测的时序指标的影响因素，进行时序指标的预测。2.根据权利要求1所述的时序指标预测方法，其特征在于，所述获取结构因果模型，包括：采集数据；获取初始化的结构因果模型，所述初始化的结构因果模型包括与各时序指标有相关关系的因素；根据所述采集的数据对初始化的结构因果模型进行修正，得到所述结构因果模型；其中，所述修正包括根据历史数据中的干预动作对时序指标的影响，获取与所述各时序指标有因果关系的影响因素，并采用反事实验证法对与所述各时序指标有因果关系的影响因素进行验证。3.根据权利要求2所述的时序指标预测方法，其特征在于，所述初始化的结构因果模型根据专家经验或数据关系生成。4.根据权利要求2所述的时序指标预测方法，其特征在于，所述采集的数据包括以下类型之一或其任意组合：网元工程参数数据、网元指标数据、感知数据、B域数据。5.根据权利要求1至4中任一项所述的时序指标预测方法，其特征在于，所述根据获取的所述待预测的时序指标的影响因素，进行时序指标的预测，包括：将所述获取的所述待预测的时序指标的影响因素，输入与所述干预动作对应的预测模型，得到所述预测模型输出的所述待预测的时序指标预测值。6.根据权利要求5所述的时序指标预测方法，其特征在于，所述预测模型的自变量包括：外生变量、内生变量和白噪声；所述将所述获取的所述待预测的时序指标的影响因素，输入与所述干预动作对应的预测模型，包括：将所述获取的所述待预测的时序指标的影响因素作为所述内生变量输入与所述干预动作对应的预测模型。7.根据权利要求1至4中任一项所述的时序指标预测方法，其特征在于，所述干预动作包括以下之一或其任意组合：新网建设、同制式扩容、小区退服。8.一种时序指标预测的装置，其特征在于，包括：获取模块，用于获取结构因果模型；所述结构因果模型用于指示各时序指标各自的影响因素及各自影响因素的影响程度；预测模块，用于根据待预测的时序指标，从所述结构因果模型中获取所述待预测的时序指标的影响因素，并根据获取的所述待预测的时序指标的影响因素，进行时序指标的预测，其中，所述待预测的时序指标根据对网络的干预动作确定。2CN115842742A权利要求书2/2页9.一种电子设备，其特征在于，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一项所述的时序指标预测方法。10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的时序指标预测方法。3CN115842742A说明书1/8页一种时序指标预测方法、装置、电子设备及存储介质技术领域[0001]本发明涉及通信领域，尤其涉及通信领域中时序指标的预测。背景技术[0002]在对时序指标后续变化进行预测时，由于其波动性不太规律，普通的预测，一般是结合多模型针对网元做预测，本质还是深度学习方式，并不能准确把握