一种忙时忙区预测方法及装置
技术领域
本发明涉及移动通信技术领域，尤其涉及一种忙时忙区预测方法及装置。
背景技术
目前，为了避免忙时忙区影响用户的业务体验，现有推广使用的预测平台及方法采用的针对预判扩容小区预测时间维度为天，小区维度为小区，使用七天求平均值的方法获得一周均值作为预测条件，形成周扩容粒度列表，通过该扩容粒度列表采取后续相应的应对措施，来缓解网络拥塞的问题；
然而，一方面，现有预测忙时忙区算法存在时间维度只有天级别，滞后时间一周，时延长、实际获得扩容列表后来不及扩容实施，形成拥塞情况；另一方面，使用七求平均算法不存在任何趋势计算方式，算法粗糙，精度不够，可能出现个别时段突发拥塞而误判为下一周扩容小区，造成不必要的扩容资源浪费；此外，现有技术中的数据来源于网优平台，在七天求平均评估是否忙时忙区计算方式下，如一周内部分日期数据丢失即可能造成评估为非忙时忙区，导致来不及实施相应的拥塞应对措施，造成用户体验差的问题。
由此可知，现有技术采用七天求平均算法不存在任务趋势计算方式、算法粗糙、精度不够、时延长、实际获得扩容列表后来不及实施扩容，形成拥塞情况，造成用户体验差的问题。
发明内容
本发明实施例的目的是提供一种忙时忙区预测方法及装置，以解决现有技术使用七天求平均算法不存在任务趋势计算方式、算法粗糙、精度不够、时延长、实际获得扩容列表后来不及实施扩容，形成拥塞情况，造成用户体验差的问题。
为了解决上述技术问题，本发明实施例是这样实现的：
第一方面，本发明实施例提供了一种忙时忙区预测方法，包括：
获取目标小区在预设周期内同一指定时间段的历史话务数据，其中，所述历史话务数据的数据类别包括：有效RRC用户数、PRB利用率、业务消耗流量中至少一类话务指标；
针对每个所述数据类别，根据该数据类别下的所述历史话务数据，确定在所述指定时间段内用于表征该数据类别的数据变化趋势的斜率；
根据所述历史话务数据和各所述数据类别对应的所述斜率，判断所述目标小区是否满足预设扩容条件；
若判断结果为是，则将所述目标小区确定为忙时忙区。
第二方面，本发明实施例提供了一种忙时忙区预测装置，包括：
数据获取模块，用于获取目标小区在预设周期内同一指定时间段的历史话务数据，其中，所述历史话务数据的数据类别包括：有效RRC用户数、PRB利用率、业务消耗流量中至少一类话务指标；
斜率确定模块，用于针对每个所述数据类别，根据该数据类别下的所述历史话务数据，确定在所述指定时间段内用于表征该数据类别的数据变化趋势的斜率；
扩容条件判断模块，用于根据所述历史话务数据和各所述数据类别对应的所述斜率，判断所述目标小区是否满足预设扩容条件；
忙时忙区确定模块，用于若判断结果为是，则将所述目标小区确定为忙时忙区。
第三方面，本发明实施例提供了一种计算机设备，包括处理器、通信接口、存储器和通信总线；其中，所述处理器、所述通信接口以及所述存储器通过总线完成相互间的通信；所述存储器，用于存放计算机程序；所述处理器，用于执行所述存储器上所存放的程序，实现如第一方面所述的忙时忙区预测方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现如第一方面所述的忙时忙区预测方法的步骤。
本发明实施例中的忙时忙区预测方法及装置，获取目标小区在预设周期内同一指定时间段的历史话务数据，其中，历史话务数据的数据类别包括：有效RRC用户数、PRB利用率、业务消耗流量中至少一类话务指标；针对每个数据类别，根据该数据类别下的历史话务数据，确定在指定时间段内用于表征该数据类别的数据变化趋势的斜率；根据历史话务数据和各数据类别对应的斜率，判断目标小区是否满足预设扩容条件；若判断结果为是，则将目标小区确定为忙时忙区。通过对目标小区同一指定时间段的数据在预设周期内对比做趋势预测，数据稳定性较高，此外，根据历史话务数据和斜率，判断目标小区是否满足预设扩容标准的判断方式，对忙时忙区趋势可预测性较高、准确度较高、时延短、有效避免了实际获得扩容列表后来不及实施扩容，形成拥塞情况，造成用户体验差的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的忙时忙区预测方法的第一种流程示意图；
图2为本发明实施例提供的忙时忙区预测方法的第二种流程示意图；
图3为本发明实施例提供的数据类型为上行PRB利用率对应的斜率校正因子的实现原理示意图；
图4为本发明实施例提供的忙时忙区预测方法的第三种流程示意图；
图5为本发明实施例提供的忙时忙区预测装置的模块组成示意图；
图6为本发明实施例提供的计算机设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
本发明实施例提供了一种忙时忙区预测方法及装置，通过对目标小区同一指定时间段的数据在预设周期内对比做趋势预测，数据稳定性较高，此外，根据历史话务数据和斜率，判断目标小区是否满足预设扩容标准的判断方式，对忙时忙区趋势可预测性较高、准确度较高、时延短、有效避免了实际获得扩容列表后来不及实施扩容，形成拥塞情况，造成用户体验差的问题。
图1为本发明实施例提供的忙时忙区预测方法的第一种流程示意图，如图1所示，该方法至少包括以下步骤：
步骤S101，获取目标小区在预设周期内同一指定时间段的历史话务数据，其中，历史话务数据的数据类别包括：有效RRC用户数、PRB利用率、业务消耗流量中至少一类话务指标；
具体的，由于现有技术中数据来源于网优平台，在7天求平均评估是否忙时忙区计算方式下，如一周内部分日期数据丢失即可能造成评估为非忙时忙区，导致来不及实施相应的拥塞应对措施，造成用户体验差，此外数据丢失是所有平台共通问题所在。为避免上述数据丢失造成评估不准确而给用户带来不好的体验效果，本申请实施例中的数据来源于通过现网网管数据为历史话务信息的数据，例如获取CI为460-00-10001-131的目标小区在三十天内每天指定时间段为上午9点到10点一个小时内的历史话务数据，总共获得三十行历史话务数据，其中，每行历史话务数据中包含三类KPI指标，分别为：有效RRC用户数、上下行PRB利用率、上下行业务消耗流量。
步骤S102，针对每个数据类别，根据该数据类别下的历史话务数据，确定在指定时间段内用于表征该数据类别的数据变化趋势的斜率，其中，在获取到上述三十天内的历史话务数据后，首先对获取到的历史话务数据进行数据清洗，该数据清洗过程包括：对获取到的历史话务数据进行空值遍历识别，对字符格式为“NA”填充“0”；然后，针对上述历史话务数据的每个数据类别，根据该数据类别下的历史话务数据，将各数据类别下的历史话务数据代如入到各数据类别所对应的斜率拟合模型中，通过各自对应的斜率拟合模型，确定在指定时间段内用于表征该数据类别的数据变化趋势的斜率，最终获得各数据类别对应的斜率，即有效RRC用户数斜率、上下行PRB利用率斜率、上下行流量斜率；
步骤S103，根据历史话务数据和各数据类别对应的斜率，判断目标小区是否满足预设扩容条件，其中，上述预设扩容条件包括：有效RRC用户数达到门限，且上行PRB利用率达到门限、且上行流量达到门限，且有效RRC用户数斜率大于0，且上行PRB利用率斜率大于0，且上行业务消耗流量斜率大于0；或，有效RRC用户数达到门限，且下行PRB利用率达到门限、且下行流量达到门限，且有效RRC用户数斜率大于0，且下行PRB利用率斜率大于0，且下行业务消耗流量斜率大于0；
表1为按照大、中、小包的小区分类确定标准及各数据类型所对应的历史话务数据扩容标准的门限值，当小区自忙时满足上述预设扩容标准时实施载频扩容。小区分类标准及各数据类型所对应的历史话务数据扩容门限如表1所示：
表1
步骤S104，若判断结果为是，则将目标小区确定为忙时忙区，例如：某目标小区判定为小包小区(小区自忙时平均E-RAB流量<300KB)，有数据传输的RRC数＝60，上行利用率＝68％，下行利用率为77％，上行流量为0.4GB，下行流量为0.2GB。则有上行条件代入到核定逻辑中为[有效RRC用户数60>50”且“上行利用率68％>50％”且“上行流量0.4GB>0.3GB]”逻辑结果为1，且通过将各数据类别下的历史话务数据代如入到各数据类别所对应的斜率拟合模型中，得到有效RRC用户数斜率大于0，且上行PRB利用率斜率大于0，且上行业务消耗流量斜率大于0，即上行满足所有条件；同理下行条件代入因下行流量只有0.2GB未达到小包小区流量条件2.2GB，所以下行逻辑结果为0，上行与下行逻辑为[1或0]＝1，所以该小包小区满足忙时忙区条件，将该目标小区确定为忙时忙区，并将该目标小区加入到忙时忙区列表中。
本发明实施例中，通过对目标小区同一指定时间段的数据在预设周期内对比做趋势预测，数据稳定性较高，此外，根据历史话务数据和斜率，判断目标小区是否满足预设扩容标准的判断方式，对忙时忙区趋势可预测性较高、准确度较高、时延短、有效避免了实际获得扩容列表后来不及实施扩容，形成拥塞情况，造成用户体验差的问题。
其中，考虑到现有的而预测忙时忙区的算法采用的是七天求平均值的算法不存在任何趋势的计算方式，算法较粗糙，本实施例中利用斜率能够反映数据的总体趋势，斜率小于0，说明数据总体是以下降的趋势为主，斜率大于0，说明数据总体上是以上升的趋势为主，如图2所示，上述S102，针对每个数据类别，根据该数据类别下的历史话务数据，确定在指定时间段内用于表征该数据类别的数据变化趋势的斜率，包括：
步骤S1021，针对每个数据类别，在预先建立的多个斜率预测模型中，选取与该数据类别对应的目标斜率预测模型，其中，上述斜率预测模型是预先基于每个数据类别的样本数据训练得到的；具体的，针对每个数据类别，在多个预先建立的斜率预测模型中，选取出与上述数据类别相对应的目标斜率预测模型；
步骤S1022，将数据类别下的历史话务数据输入至目标斜率预测模型，得到在指定时间段内用于表征该数据类别的数据变化趋势的斜率，具体的，例如将上述获取到的CI为460-00-10001-131的目标小区在三十天内每天指定时间段为上午9点到10点一个小时内的历史话务数据，按照数据类别，将数据类别为有效RRC用户数的历史话务数据输入至目标斜率模型为有效RRC用户数的目标斜率模型中，得到在指定时间段内用于表征有效RRC用户数的数据变化趋势的斜率；将数据类别为PRB利用率的历史话务数据输入至目标斜率模型为PRB利用率的目标斜率模型中，分别得到在指定时间段内用于表征上下行PRB利用率的数据变化趋势的斜率；将数据类别为业务消耗流量的历史话务数据输入至目标斜率模型业务消耗流量的目标斜率模型中，分别得到在指定时间段内用于表征上下行业务消耗流量的历史话务数据的变化趋势的斜率；
其中，考虑到获取到的历史话务数据的数据类别包括：有效RRC用户数、PRB利用率、业务消耗流量中至少一类话务指标，每种类别的历史话务数据特点有所不同，因此在上述S1021，针对每个数据类别，在预先建立的多个斜率预测模型中，选取与该数据类别对应的目标斜率预测模型之前，还包括：
步骤一：针对每个数据类别，获取与该数据类别对应的多组样本数据，具体的，针对数据类别为有效RRC用户数的历史话务数据，预先获取与该数据类别对应的多组有效RRC用户数的样本数据；针对数据类别为PRB利用率的历史话务数据，分别预先获取与该数据类别对应的多组上行PRB利用率的样本数据和下行PRB利用率的样本数据；针对数据类别为业务消耗流量的历史话务数据，分别预先获取与该数据类别对应的多组上行业务消耗流量的样本数据和下行业务消耗流量的样本数据；
步骤二：利用预设曲线拟合原理确定各组样本数据对应的斜率拟合值，建立数据类别对应的斜率预测模型，其中，上述预设曲线拟合原理为最小二乘法，针对每个数据类别所对应的样本数据，在已知离散点上的样本数据集，即已知在点集上的函数值，构造一个解析函数使在原离散点上尽可能接近给定的值。对给定数据点集合{(Xi，yi)}(i＝0，1，2，...，m)，在取定的函数类
本实施例中数据源为同小区同时段数据源，表示为listA＝[data(0)，data(1)，data(2)，…,data(i)](data(i)为第i天某目标小区某时段的指标值)，n标识n次项式，k为样本listA的长度。
def fits(listA,n,k):
x＝np.arange(1,k,1)
y＝np.array(m)
z1＝np.polyfit(x,y,n)
p1＝np.poly1d(z1)
yvals＝p1(x)
plot1＝plt.plot(x,y,'*',label＝'original values')
plot2＝plt.plot(x,yvals,'r',label＝'polyfit values')
plt.show()
return list(p1)[0]
#最终返回值为线性拟合后对应的斜率；
其中，为了避免通过预设曲线拟合原理建立的斜率预测模型存在过拟合的问题，上述步骤二，利用预设曲线拟合原理确定各组样本数据对应的斜率拟合值，建立数据类别对应的斜率预测模型，包括：
步骤a，利用预设曲线拟合原理确定各组样本数据对应的斜率拟合值，建立数据类型对应的初始预测模型；
步骤b，确定数据类别对应的斜率校正因子；
步骤c，基于斜率校正因子，对初始预测模型进行优化，得到目标预测模型；
步骤d，将目标预测模型确定为数据类别对应的斜率预测模型。
具体的，针对每个数据类别所对应的大量样本数据，利用预设曲线拟合原理将上述每个数据类别所对应的大量样本数据进行拟合处理，确定各组样本数据对应的斜率拟合值，通过上述确定的各组样本数据所对应的斜率拟合值，建立各数据类型所对应的初始预测模型；同时，分别确定各数据类别所对应的斜率校正因子；根据上述分别确定出的各数据类别所对应的斜率校正因子，对上述建立的各数据类型所对应的初始预测模型进行优化处理，得到各数据类别所对应的目标预测模型，并将上述各数据类别所对应的目标预测模型确定为各数据类别所对应的斜率预测模型，通过各数据类别所对应的斜率预测模型输出的斜率值，由于加入了各数据类别所对应的斜率校正因子，有效避免了过拟合的问题，进一步提升了各数据类别所对应的斜率预测模型的准确度。
其中，由于通过对初始预测模型进行优化，在上述各数据类别所对应的初始预测模型中加入斜率校正因子，使得所得到的各数据类型所对应的斜率预测模型具有较高的准确度，上述步骤b，确定数据类别对应的斜率校正因子，包括：根据各组样本数据对应的斜率拟合值和公式
具体的，在本提案申请中有效RRC用户数的取值范围为0～1000(根据参数配置不同而不同)，PRB利用率范围取值为0～100，业务消耗流量的取值范围为0～∞，每种数据类型的数据体量不一样，针对每种数据类别，获取与该数据类别对应的多组第二样本数据，其中，每组第二样本数据包括：经过连续多组样本数据拟合成的斜率拟合值；利用预设曲线拟合原理分别对各组第二样本数据进行斜率拟合处理，确定对应的斜率拟合值；根据各组样本数据对应的斜率拟合值和公式
具体的，以数据类别为上行PRB利用率为例，图3为本发明实施例提供的数据类型为上行PRB利用率对应的斜率校正因子的实现原理示意图，如图3所示，将数据类型为上行PRB利用率对应的多组样本数据进行处理，得到多组斜率拟合值，其中，Sn为一组连续7天同小区相同预设时间段内的斜率拟合值；例如，S1是一组连续7天内CI为460-00-10001-131的目标小区在每天指定时间段为上午9点到10点一个小时内的第一组斜率拟合值，对获得的多组斜率拟合值求平均值得到斜率拟合值的平均值
其中，基于各数据类别所对应的斜率校正因子优化得到的斜率预测模型，将目标小区的预设周期内同一指定时间段的各数据类别所对应的历史话务数据输入至上述斜率预测模型，得到各数据类别所对应的斜率，如图4所示，上述S103，根据历史话务数据和各数据类别对应的斜率，判断目标小区是否满足预设扩容条件，包括：
步骤S1031，针对每个数据类别，从该数据类别下的历史话务数据选取目标话务数据；
步骤S1032，判断各数据类别对应的目标话务数据是否大于相应的预设门限阈值；以及，
步骤S1033，判断各数据类别对应的斜率是否大于零；
步骤S1034，若判断结果均为是，则确定目标小区满足预设扩容条件。
其中，上述目标历史话务数据可以是历史话务数据中距离预测日期最近那天的目标小区预设时间段内的历史话务数据；例如，获取到的CI为460-00-10001-131的目标小区从1月1日至1月30日期间，每天指定时间段为上午9点到10点一个小时内的历史话务数据，则针对每个数据类别，从该数据类别下的历史数据选取的目标话务数据为该目标小区在1月30日上午9点到10点一个小时内的历史话务数据；
若该目标小区判定为小包小区(小区自忙时平均E-RAB流量<300KB)，从该目标小区在1月30日上午9点到10点一个小时内的历史话务数据中获取到的数据类别为有数据传输的RRC数＝60，上行利用率＝68％，下行利用率为77％，上行流量为0.4GB，下行流量为0.2GB。则根据表1，由上行条件代入到核定逻辑中为[有效RRC用户数60>50”且“上行利用率68％>50％”且“上行流量0.4GB>0.3GB]”逻辑结果为1，且通过将各数据类别下的历史话务数据代如入到各数据类别所对应的斜率拟合模型中，得到有效RRC用户数斜率大于0，且上行PRB利用率斜率大于0，且上行业务消耗流量斜率大于0，即上行满足所有条件；同理下行条件代入因下行流量只有0.2GB未达到小包小区流量条件2.2GB，所以下行逻辑结果为0，上行与下行逻辑为[1或0]＝1，所以该小包小区满足忙时忙区条件，将该目标小区确定为忙时忙区，则确定该目标小区满足预设扩容条件。
进一步的，为了避免由于偶发问题的存在，可能导致该目标小区在预设周期内某天的预测结果为忙时忙区，使得对该目标小区在预测周期内预测的准确度降低，在上述S104，将目标小区确定为忙时忙区之后，还包括：
步骤一，针对预设周期内每个监控日期，判断该监控日期对应的偶发识别参数是否大于预设阈值，其中，偶发识别参数是通过公式
步骤二，若预设周期内至少预设数量个偶发识别参数大于预设阈值，则将目标小区由忙时忙区变更为非忙时忙区。
具体的，考量离散度的值标准差作为评估偶发的标准之一，结合上述预设扩容条件，如果针对预设周期内每个监控日期，判断该监控日期对应的偶发识别参数是否大于预设阈值，其中，偶发识别参数是通过公式
经过以上步骤后获得预测忙时忙区列表与实际忙时忙区列表，从而获得预测出现数(预测忙时忙区，实际也是忙时忙区)，即可得查全率＝预测出现数/实际忙时忙区数，精度＝预测出现数/预测忙时忙区数。将预估准确率的参数带入到公式中，即可得准确率＝(2*召回率*精度)/(召回率+精度)，其中，召回率R：用实际预测到的忙时忙区为分子，所有实际需扩容的忙时忙区分母；精度P：用实际预测到的忙时忙区为分子，所有预测为忙时忙区总数作为分母；结合业界预测F1-score算法获得准确率。
其中，经过上述预测情况可得斜率校正因子β对查全率与精度的影响如表2所示：
表2
本发明实施例中的忙时忙区预测方法，获取目标小区在预设周期内同一指定时间段的历史话务数据，其中，历史话务数据的数据类别包括：有效RRC用户数、PRB利用率、业务消耗流量中至少一类话务指标；针对每个数据类别，根据该数据类别下的历史话务数据，确定在指定时间段内用于表征该数据类别的数据变化趋势的斜率；根据历史话务数据和各数据类别对应的斜率，判断目标小区是否满足预设扩容条件；若判断结果为是，则将目标小区确定为忙时忙区。通过对目标小区同一指定时间段的数据在预设周期内对比做趋势预测，数据稳定性较高，此外，根据历史话务数据和斜率，判断目标小区是否满足预设扩容标准的判断方式，对忙时忙区趋势可预测性较高、准确度较高、时延短、有效避免了实际获得扩容列表后来不及实施扩容，形成拥塞情况，造成用户体验差的问题。
对应上述实施例提供的忙时忙区预测方法，基于相同的技术构思，本发明实施例还提供了一种忙时忙区预测装置，图5为本发明实施例提供的忙时忙区预测装置的模块组成示意图，该忙时忙区预测装置用于执行图1至图4描述的忙时忙区预测方法，如图5所示，该忙时忙区预测装置包括：
数据获取模块501，用于获取目标小区在预设周期内同一指定时间段的历史话务数据，其中，所述历史话务数据的数据类别包括：有效RRC用户数、PRB利用率、业务消耗流量中至少一类话务指标；
斜率确定模块502，用于针对每个所述数据类别，根据该数据类别下的所述历史话务数据，确定在所述指定时间段内用于表征该数据类别的数据变化趋势的斜率；
扩容条件判断模块503，用于根据所述历史话务数据和各所述数据类别对应的所述斜率，判断所述目标小区是否满足预设扩容条件；
忙时忙区确定模块504，用于若判断结果为是，则将所述目标小区确定为忙时忙区。
本发明实施例中，通过对目标小区同一指定时间段的数据在预设周期内对比做趋势预测，数据稳定性较高，此外，根据历史话务数据和斜率，判断目标小区是否满足预设扩容标准的判断方式，对忙时忙区趋势可预测性较高、准确度较高、时延短、有效避免了实际获得扩容列表后来不及实施扩容，形成拥塞情况，造成用户体验差的问题。
可选地，上述斜率确定模块502，具体用于：
针对每个所述数据类别，在预先建立的多个斜率预测模型中，选取与该数据类别对应的目标斜率预测模型；
将所述数据类别下的所述历史话务数据输入至所述目标斜率预测模型，得到在所述指定时间段内用于表征该数据类别的数据变化趋势的斜率。
可选地，上述斜率确定模块502，进一步具体用于：
针对每个数据类别，获取与该数据类别对应的多组样本数据；
利用预设曲线拟合原理确定各组所述样本数据对应的斜率拟合值，建立所述数据类别对应的斜率预测模型。
可选地，上述斜率确定模块502，更进一步具体用于：
利用预设曲线拟合原理确定各组所述样本数据对应的斜率拟合值，建立所述数据类型对应的初始预测模型；
确定所述数据类别对应的斜率校正因子；
基于所述斜率校正因子，对所述初始预测模型进行优化，得到目标预测模型；
将所述目标预测模型确定为所述数据类别对应的斜率预测模型。
可选地，上述斜率确定模块502，更进一步具体用于：
根据各组所述样本数据对应的斜率拟合值和公式
可选地，上述扩容条件判断模块503，具体用于：
针对每个所述数据类别，从该数据类别下的所述历史话务数据选取目标话务数据；
判断各所述数据类别对应的所述目标话务数据是否大于相应的预设门限阈值；以及，
判断各所述数据类别对应的所述斜率是否大于零；
若判断结果均为是，则确定所述目标小区满足预设扩容条件。
可选地，上述忙时忙区确定模块504，具体用于：
针对所述预设周期内每个监控日期，判断该监控日期对应的偶发识别参数是否大于预设阈值，其中，所述偶发识别参数是通过公式
若所述预设周期内至少预设数量个所述偶发识别参数大于预设阈值，则将所述目标小区由忙时忙区变更为非忙时忙区。
本发明实施例中的忙时忙区预测装置，获取目标小区在预设周期内同一指定时间段的历史话务数据，其中，历史话务数据的数据类别包括：有效RRC用户数、PRB利用率、业务消耗流量中至少一类话务指标；针对每个数据类别，根据该数据类别下的历史话务数据，确定在指定时间段内用于表征该数据类别的数据变化趋势的斜率；根据历史话务数据和各数据类别对应的斜率，判断目标小区是否满足预设扩容条件；若判断结果为是，则将目标小区确定为忙时忙区。通过对目标小区同一指定时间段的数据在预设周期内对比做趋势预测，数据稳定性较高，此外，根据历史话务数据和斜率，判断目标小区是否满足预设扩容标准的判断方式，对忙时忙区趋势可预测性较高、准确度较高、时延短、有效避免了实际获得扩容列表后来不及实施扩容，形成拥塞情况，造成用户体验差的问题。
本发明实施例提供的忙时忙区预测装置能够实现上述忙时忙区预测方法对应的实施例中的各个过程，为避免重复，这里不再赘述。
需要说明的是，本发明实施例提供的忙时忙区预测装置与本发明实施例提供的忙时忙区预测方法基于同一发明构思，因此该实施例的具体实施可以参见前述网络质量异常的定位方法的实施，重复之处不再赘述。
对应上述实施例提供的忙时忙区预测方法，基于相同的技术构思，本发明实施例还提供了一种计算机设备，该设备用于执行上述的忙时忙区预测方法，图6为实现本发明各个实施例的一种计算机设备的结构示意图，如图6所示。计算机设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上的处理器601和存储器602，存储器602中可以存储有一个或一个以上存储应用程序或数据。其中，存储器602可以是短暂存储或持久存储。存储在存储器602的应用程序可以包括一个或一个以上模块(图示未示出)，每个模块可以包括对计算机设备中的一系列计算机可执行指令。更进一步地，处理器601可以设置为与存储器602通信，在计算机设备上执行存储器602中的一系列计算机可执行指令。计算机设备还可以包括一个或一个以上电源603，一个或一个以上有线或无线网络接口604，一个或一个以上输入输出接口605，一个或一个以上键盘606。
具体在本实施例中，计算机设备包括有处理器、通信接口、存储器和通信总线；其中，处理器、通信接口以及存储器通过总线完成相互间的通信；存储器，用于存放计算机程序；处理器，用于执行存储器上所存放的程序，实现以下方法步骤：
获取目标小区在预设周期内同一指定时间段的历史话务数据，其中，所述历史话务数据的数据类别包括：有效RRC用户数、PRB利用率、业务消耗流量中至少一类话务指标；
针对每个所述数据类别，根据该数据类别下的所述历史话务数据，确定在所述指定时间段内用于表征该数据类别的数据变化趋势的斜率；
根据所述历史话务数据和各所述数据类别对应的所述斜率，判断所述目标小区是否满足预设扩容条件；
若判断结果为是，则将所述目标小区确定为忙时忙区。
本申请实施例还提供一种计算机可读存储介质，存储介质内存储有计算机程序，计算机程序被处理器执行时实现以下方法步骤：
获取目标小区在预设周期内同一指定时间段的历史话务数据，其中，所述历史话务数据的数据类别包括：有效RRC用户数、PRB利用率、业务消耗流量中至少一类话务指标；
针对每个所述数据类别，根据该数据类别下的所述历史话务数据，确定在所述指定时间段内用于表征该数据类别的数据变化趋势的斜率；
根据所述历史话务数据和各所述数据类别对应的所述斜率，判断所述目标小区是否满足预设扩容条件；
若判断结果为是，则将所述目标小区确定为忙时忙区。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
