本发明实施例涉及无线网络规划，尤其涉及一种网元负荷的预测模型的训练方法、预测方法及装置。
背景技术：
1、在通信技术飞速发展下，全球网络智能化加速演进，智能化网络在网络规划、建设、维护、优化等方向具有诸多优势。其中，智能化无线网络建设规划是最具价值的发展方向，能够帮助电信运营商更加精确预测网络服务需求和匹配软硬件资源建设投资，提升网络基础设施利用效率，降低网络建设和运维成本，加速全社会数字信息基础设施普及。网元负荷预测是实现智能化无线网络规划的重要手段，网元负荷主要包含上行流量、下行流量、物理资源块利用率等指标。
2、目前已有的预测方法主要通过数学模型的算法如自回归模型(autoregreesion，ar)、逻辑回归模型、多项式模型等，基于数据驱动的方法如长短时记忆网络(long short-term memory，lstm)、卷积神经网络-长短时记忆网络(convolutional neural networklong short-term memory，cnn-lstm)等模型进行预测。但基于数学模型的方法主要通过历史时段内的单指标流量数据进行回归预测，需要多步求解，在参数固定后只能进行滑窗形式单步预测，在完成未来较长时间段的预测时性能十分受限，大数据背景下局限性大大增加；基于cnn和lstm模型的方案只局限于流量指标的预测，对于物理资源块利用率没有较好的预测效果；并且对于大规模多场景下的网元预测，模型参数较多、复杂度较高，且精度受限，难以落地。
技术实现思路
1、本发明实施例提供一种网元负荷的预测模型的训练方法、预测方法及装置，以解决现有的无法对大规模多场景下的网元负荷进行预测的问题。
2、为了解决上述技术问题，本发明是这样实现的：
3、第一方面，本发明实施例提供了一种网元负荷的预测模型的训练方法，包括：
4、获取网元负荷指标的训练数据，所述网元负荷指标数据包括以下至少一项：上行流量数据、下行流量数据和物理资源块利用率数据；
5、将所述网元负荷指标的训练数据输入网元负荷预测模型，所述网元负荷预测模型包括第一模型和第二模型，所述第一模型将所述网元负荷指标的训练数据中的物理资源块利用率数据进行时间空间编码，并对时间空间编码后的物理资源块利用率数据进行网元特征提取，再根据提取的网元特征输出预测的所述物理资源块利用率数据的网元负荷预测结果；所述第二模型对所述网元负荷指标的训练数据中的上行流量数据和下行流量数据进行预测，输出预测的所述上行流量数据和所述下行流量数据的网元负荷预测结果；
6、根据预设的损失函数将所述预测的网元负荷预测结果和真实的网元负荷结果进行比较，并调整所述网元负荷预测模型的参数，当所述损失函数满足预设阈值时，得到训练后的网元负荷预测模型。
7、可选的，所述获取网元负荷指标的训练数据之前，还包括：
8、获取样本网元负荷指标数据；
9、根据预设的筛选条件对所述样本网元负荷指标数据进行筛选，将根据所述预设的筛选条件筛选出来的样本网元负荷指标数据进行第一聚类处理；并对未筛选出来的所述样本网元负荷指标数据进行第二聚类处理；
10、将进行所述第一聚类处理和所述第二聚类处理的样本网元负荷指标数据进行异常值剔除处理，得到网元负荷指标的训练数据。
11、可选的，所述第一模型将所述网元负荷指标的训练数据中的物理资源块利用率数据进行时间空间编码，并对时间空间编码后的物理资源块利用率数据进行网元特征提取，再根据提取的网元特征输出预测的所述物理资源块利用率数据的网元负荷预测结果，包括：
12、对所述网元负荷数据进行时间空间编码处理，并对时间空间编码后的物理资源块利用率数据进行网元特征提取，得到第一网元负荷数据；
13、将所述第一网元负荷数据进行注意力值计算得到第二网元负荷数据；
14、将所述第二网元负荷数据经过所述第一模型内置的线性层和卷积神经层进行预测计算，得到预测的所述物理资源块利用率数据的网元负荷预测结果。
15、可选的，所述第二模型为历史平均模型；
16、所述第二模型对所述网元负荷指标的训练数据中的上行流量数据和下行流量数据进行预测，输出预测的所述上行流量数据和所述下行流量数据的网元负荷预测结果，包括：
17、通过历史平均模型对所述上行流量数据和所述下行流量数据进行预测，输出预测的所述上行流量和所述下行流量的网元负荷预测结果。
18、可选的，所述第二模型对所述网元负荷指标的训练数据中的上行流量数据和下行流量数据进行预测，输出预测的所述上行流量数据和所述下行流量数据的网元负荷预测结果，包括：
19、根据不同历史时段的网元负荷指标数据均值和不同历史时段的网元负荷指标数据的值进行加权得到预测的所述上行流量数据和所述下行流量数据的网元负荷预测结果。
20、第二方面，本发明实施例提供了一种网元负荷的预测方法，包括：
21、获取待预测的网元负荷指标数据，所述网元负荷指标数据包括以下至少一项：上行流量数据、下行流量数据和物理资源块利用率数据；
22、将所述待预测的网元负荷数据输入网元负荷预测模型，所述网元负荷预测模型包括第一模型和第二模型，所述第一模型将所述待预测的网元负荷指标数据中的物理资源块利用率数据进行时间空间编码，并对时间空间编码后的物理资源块利用率数据进行网元特征提取，再根据提取的网元特征输出预测的所述物理资源块利用率数据的网元负荷预测结果；所述第二模型对所述待预测的网元负荷指标数据中的上行流量数据和下行流量数据进行预测，输出预测的所述上行流量数据和所述下行流量数据的网元负荷预测结果。
23、第三方面，本发明实施例提供了一种网元负荷的预测模型的训练装置，包括：
24、第一获取模块，用于获取网元负荷指标的训练数据，所述网元负荷指标数据包括以下至少一项：上行流量数据、下行流量数据和物理资源块利用率数据；
25、第一预测模块，用于将所述网元负荷指标的训练数据输入网元负荷预测模型，所述网元负荷预测模型包括第一模型和第二模型，所述第一模型将所述网元负荷指标的训练数据中的物理资源块利用率数据进行时间空间编码，并对时间空间编码后的物理资源块利用率数据进行网元特征提取，再根据提取的网元特征输出预测的所述物理资源块利用率数据的网元负荷预测结果；所述第二模型对所述网元负荷指标的训练数据中的上行流量数据和下行流量数据进行预测，输出预测的所述上行流量数据和所述下行流量数据的网元负荷预测结果；
26、优化模块，用于根据预设的损失函数将所述预测的网元负荷预测结果和真实的网元负荷结果进行比较，并调整所述网元负荷预测模型的参数，当所述损失函数满足预设阈值时，得到训练后的网元负荷预测模型。
27、可选的，还包括：
28、第三获取模块，用于获取样本网元负荷指标数据；
29、筛选模块，用于根据预设的筛选条件对所述样本网元负荷指标数据进行筛选，将根据所述预设的筛选条件筛选出来的样本网元负荷指标数据进行第一聚类处理；并对未筛选出来的所述样本网元负荷指标数据进行第二聚类处理；
30、异常值剔除模块，用于将进行所述第一聚类处理和所述第二聚类处理的样本网元负荷指标数据进行异常值剔除处理，得到网元负荷指标的训练数据。
31、可选的，所述第一预测模块，包括：
32、第一处理子模块，用于对所述网元负荷数据进行时间空间编码处理，并对时间空间编码后的物理资源块利用率数据进行网元特征提取，得到第一网元负荷数据；
33、第二处理子模块，用于将所述第一网元负荷数据进行注意力值计算得到第二网元负荷数据；
34、第三处理子模块，用于将所述第二网元负荷数据经过所述第一模型内置的线性层和卷积神经层进行预测计算，得到预测的所述物理资源块利用率数据的网元负荷预测结果。
35、可选的，所述第二模型为历史平均模型；
36、所述第一预测模块，包括：
37、第四处理子模块，用于通过历史平均模型对所述上行流量数据和所述下行流量数据进行预测，输出预测的所述上行流量和所述下行流量的网元负荷预测结果。
38、可选的，所述第一预测模块，包括：
39、第五处理子模块，用于根据不同历史时段的网元负荷指标数据均值和不同历史时段的网元负荷指标数据的值进行加权得到预测的所述上行流量数据和所述下行流量数据的网元负荷预测结果。
40、第四方面，本发明实施例提供了一种网元负荷的预测装置，包括：
41、第二获取模块，用于获取待预测的网元负荷指标数据，所述网元负荷指标数据包括以下至少一项：上行流量数据、下行流量数据和物理资源块利用率数据；
42、第二预测模块，用于将所述待预测的网元负荷数据输入网元负荷预测模型，所述网元负荷预测模型包括第一模型和第二模型，所述第一模型将所述待预测的网元负荷指标数据中的物理资源块利用率数据进行时间空间编码，并对时间空间编码后的物理资源块利用率数据进行网元特征提取，再根据提取的网元特征输出预测的所述物理资源块利用率数据的网元负荷预测结果；所述第二模型对所述待预测的网元负荷指标数据中的上行流量数据和下行流量数据进行预测，输出预测的所述上行流量数据和所述下行流量数据的网元负荷预测结果。
43、第五方面，本发明实施例提供了一种电子设备，包括处理器，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，所述程序或指令被所述处理器执行时实现如第一方面中任一项所述的网元负荷的预测模型的训练方法，或如第二方面中任一项所述的网元负荷的预测方法中的步骤。
44、第六方面，本发明实施例提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面中任一项所述的网元负荷的预测模型的训练方法，或如第二方面中任一项所述的网元负荷的预测方法中的步骤。
45、在本发明中，通过对多场景下网元负荷预测模型进行训练，并通过特征加强，提高模型精度，并且通过模型融合充分发挥不同方法对不同指标预测的优势，提高最终预测精度，提高了模型在多场景网元负荷预测下的适用性。
1.一种网元负荷的预测模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的网元负荷的预测模型的训练方法，其特征在于，所述获取网元负荷指标的训练数据之前，还包括：
3.根据权利要求1所述的网元负荷的预测模型的训练方法，其特征在于，所述第一模型将所述网元负荷指标的训练数据中的物理资源块利用率数据进行时间空间编码，并对时间空间编码后的物理资源块利用率数据进行网元特征提取，再根据提取的网元特征输出预测的所述物理资源块利用率数据的网元负荷预测结果，包括：
4.根据权利要求1所述的网元负荷的预测模型的训练方法，其特征在于，所述第二模型为历史平均模型；
5.根据权利要求4所述的网元负荷的预测模型的训练方法，其特征在于，所述第二模型对所述网元负荷指标的训练数据中的上行流量数据和下行流量数据进行预测，输出预测的所述上行流量数据和所述下行流量数据的网元负荷预测结果，包括：
6.一种网元负荷的预测方法，其特征在于，包括：
7.一种网元负荷的预测模型的训练装置，其特征在于，包括：
8.一种网元负荷的预测装置，其特征在于，包括：
9.一种电子设备，其特征在于：包括处理器，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，所述程序或指令被所述处理器执行时实现如权利要求1至6中任一项所述的网元负荷的预测模型的训练方法，或如权利要求7中任一项所述的网元负荷的预测方法中的步骤。
10.一种可读存储介质，其特征在于：所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如权利要求1至6中任一项所述的网元负荷的预测模型的训练方法，或如权利要求7中任一项所述的网元负荷的预测方法中的步骤。
