本發(fā)明涉及無線通信中的速率預(yù)測技術(shù)，尤其涉及一種時分同步碼分多址(timedivision-synchronouscodedivisionmultipleaccess，td-scdma)中g(shù)n接口下載速率預(yù)測方法和裝置。

背景技術(shù)：

td-scdma網(wǎng)絡(luò)是第三代移動通信網(wǎng)絡(luò)，目前已獲得了廣泛的應(yīng)用。在td-scdma小區(qū)中，gn接口下載速率是影響用戶體驗的關(guān)鍵指標，而影響gn接口下載速率的因素較多，包括：時分(timedivision，td)覆蓋場景、每話務(wù)量(erl)掉話次數(shù)、td平均接入時長、分組域無線接入承載(packetswitching_radioaccessbearer，ps_rab)擁塞次數(shù)、碼資源利用率、分組域(packetswitching，ps)誤塊率、無線資源控制(radioresourcecontrol，rrc)擁塞次數(shù)等。因此，為了提高gn接口下載速率，必須降低gn接口下載速率的各影響因素對gn接口下載速率的影響。

現(xiàn)有的技術(shù)方案中，可以對gn接口下載速率與gn接口下載速率的影響因素之間進行簡單的定性分析，即：通過調(diào)節(jié)gn接口下載速率的影響因素，能改善gn接口下載速率。例如，根據(jù)經(jīng)驗得知：當ps誤塊率高時gn接口下載速率會降低，那么，可以在gn接口下載速率降低時通過采取一些降低ps誤塊率的方法提高下載速率。然而，現(xiàn)有技術(shù)存在以下問題：不能對gn接口下載速率與gn接口下載速率的影響因素之間進行定量分析，即：當調(diào)整某一項或多項gn接口下載速率的影響因素后，無法對gn接口下載速率的改善程度進行準確的估計。

技術(shù)實現(xiàn)要素：

有鑒于此，本發(fā)明實施例期望提供一種td-scdma中g(shù)n接口下載速率預(yù)測方法和裝置，能夠?qū)ο螺d速率的改善程度進行準確的估計。

為達到上述目的，本發(fā)明的技術(shù)方案是這樣實現(xiàn)的：

本發(fā)明提供了一種時分同步碼分多址中g(shù)n接口下載速率預(yù)測方法，所述方法包括：

預(yù)先采集訓練數(shù)據(jù)，并對訓練數(shù)據(jù)進行預(yù)處理；所述訓練數(shù)據(jù)包括：gn接口下載速率的訓練數(shù)據(jù)、gn接口下載速率的影響因素的訓練數(shù)據(jù)；

根據(jù)預(yù)處理后的訓練數(shù)據(jù)建立支持向量機預(yù)測模型；

根據(jù)所述支持向量機預(yù)測模型對gn接口下載速率的影響因素的待預(yù)測數(shù)據(jù)進行g(shù)n接口下載速率預(yù)測。

上述方案中，所述gn接口下載速率的影響因素包括但不限于：時分td覆蓋場景、每話務(wù)量erl掉話次數(shù)、td平均接入時長、分組域無線接入承載ps_rab擁塞次數(shù)、碼資源利用率、分組域ps誤塊率、無線資源控制rrc擁塞次數(shù)。

上述方案中，所述對訓練數(shù)據(jù)進行預(yù)處理包括：

根據(jù)所述訓練數(shù)據(jù)中td覆蓋場景的類型及預(yù)設(shè)的對應(yīng)關(guān)系獲取類型對應(yīng)值；

根據(jù)g1(x)＝smin+(x-xmin)(smax-smin)/(xmax-xmin)對gn接口下載速率的訓練數(shù)據(jù)、gn接口下載速率的影響因素中每一種影響因素的訓練數(shù)據(jù)分別單獨進行標準化處理；

其中，x為訓練數(shù)據(jù)值，xmax是當前訓練數(shù)據(jù)中的最大值，xmin是當前訓練數(shù)據(jù)中的最小值，smax＝1，smin＝-1。

上述方案中，所述根據(jù)預(yù)處理后的訓練數(shù)據(jù)建立支持向量機預(yù)測模型，包括：

將gn接口下載速率作為模型輸出變量，gn接口下載速率的影響因素作為模型輸入變量；

采用支持向量機回歸算法建立支持向量機預(yù)測模型。

上述方案中，所述根據(jù)所述支持向量機預(yù)測模型對gn接口下載速率的影響因素的待預(yù)測數(shù)據(jù)進行g(shù)n接口下載速率預(yù)測之前，所述方法還包括：對gn接口下載速率的影響因素的待預(yù)測數(shù)據(jù)進行預(yù)處理；

其中，所述對gn接口下載速率的影響因素的待預(yù)測數(shù)據(jù)進行預(yù)處理包括：

根據(jù)所述待預(yù)測數(shù)據(jù)中td覆蓋場景的類型及預(yù)設(shè)的對應(yīng)關(guān)系獲取類型對應(yīng)值；

根據(jù)g2(x')＝smin+(x'-x'min)(smax-smin)/(x'max-x'min)對gn接口下載速率的影響因素中每一種影響因素的待預(yù)測數(shù)據(jù)分別單獨進行標準化處理；

其中，x'為任意一種影響因素的待預(yù)測數(shù)據(jù)值，x'max是該影響因素的訓練數(shù)據(jù)中的最大值，x'min是該影響因素的訓練數(shù)據(jù)中的最小值，smax＝1，smin＝-1。

上述方案中，所述根據(jù)所述支持向量機預(yù)測模型對gn接口下載速率的影響因素的待預(yù)測數(shù)據(jù)進行g(shù)n接口下載速率預(yù)測，包括：

將所述gn接口下載速率的影響因素的待預(yù)測數(shù)據(jù)作為所述支持向量機預(yù)測模型的輸入，并獲取計算結(jié)果；

將所述計算結(jié)果根據(jù)h(x”)＝(x”-smin)(x”max-x”min)/(smax-smin)+x”min進行反標準化處理，獲取預(yù)測結(jié)果；

其中，x”為計算結(jié)果數(shù)據(jù)值，x”max是gn接口下載速率的訓練數(shù)據(jù)中的最大值，x”min是gn接口下載速率的訓練數(shù)據(jù)中的最小值，smax＝1，smin＝-1。

本發(fā)明還提供了一種時分同步碼分多址中g(shù)n接口下載速率預(yù)測裝置，所述裝置包括：數(shù)據(jù)處理單元、模型建立單元、結(jié)果預(yù)測單元；其中，

所述數(shù)據(jù)處理單元，用于預(yù)先采集訓練數(shù)據(jù)，并對訓練數(shù)據(jù)進行預(yù)處理；所述訓練數(shù)據(jù)包括：gn接口下載速率的訓練數(shù)據(jù)、gn接口下載速率的影響因素的訓練數(shù)據(jù)；

所述模型建立單元，用于根據(jù)預(yù)處理后的訓練數(shù)據(jù)建立支持向量機預(yù)測模型；

所述結(jié)果預(yù)測單元，用于根據(jù)所述支持向量機預(yù)測模型對gn接口下載速率的影響因素的待預(yù)測數(shù)據(jù)進行g(shù)n接口下載速率預(yù)測。

上述方案中，所述gn接口下載速率的影響因素包括但不限于：td覆蓋場景、每erl掉話次數(shù)、td平均接入時長、ps_rab擁塞次數(shù)、碼資源利用率、ps誤塊率、rrc擁塞次數(shù)。

上述方案中，所述數(shù)據(jù)處理單元，具體用于：

根據(jù)所述訓練數(shù)據(jù)中td覆蓋場景的類型及預(yù)設(shè)的對應(yīng)關(guān)系獲取類型對應(yīng)值；

根據(jù)g1(x)＝smin+(x-xmin)(smax-smin)/(xmax-xmin)對gn接口下載速率的訓練數(shù)據(jù)、gn接口下載速率的影響因素中每一種影響因素的訓練數(shù)據(jù)分別單獨進行標準化處理；

其中，x為訓練數(shù)據(jù)值，xmax是當前訓練數(shù)據(jù)中的最大值，xmin是當前訓練數(shù)據(jù)中的最小值，smax＝1，smin＝-1。

上述方案中，所述模型建立單元，具體用于：

將gn接口下載速率作為模型輸出變量，gn接口下載速率的影響因素作為模型輸入變量；

采用支持向量機回歸算法建立支持向量機預(yù)測模型。

上述方案中，所述數(shù)據(jù)處理單元還用于：在根據(jù)所述支持向量機預(yù)測模型對gn接口下載速率的影響因素的待預(yù)測數(shù)據(jù)進行g(shù)n接口下載速率預(yù)測之前，對gn接口下載速率的影響因素的待預(yù)測數(shù)據(jù)進行預(yù)處理；

其中，所述對gn接口下載速率的影響因素的待預(yù)測數(shù)據(jù)進行預(yù)處理包括：

根據(jù)所述待預(yù)測數(shù)據(jù)中td覆蓋場景的類型及預(yù)設(shè)的對應(yīng)關(guān)系獲取類型對應(yīng)值；

根據(jù)g2(x')＝smin+(x'-x'min)(smax-smin)/(x'max-x'min)對gn接口下載速率的影響因素中每一種影響因素的待預(yù)測數(shù)據(jù)分別單獨進行標準化處理；

其中，x'為任意一種影響因素的待預(yù)測數(shù)據(jù)值，x'max是該影響因素的訓練數(shù)據(jù)中的最大值，x'min是該影響因素的訓練數(shù)據(jù)中的最小值，smax＝1，smin＝-1。

上述方案中，所述結(jié)果預(yù)測單元，具體用于：

將所述gn接口下載速率的影響因素的待預(yù)測數(shù)據(jù)作為所述支持向量機預(yù)測模型的輸入，并獲取計算結(jié)果；

將所述計算結(jié)果根據(jù)h(x”)＝(x”-smin)(x”max-x”min)/(smax-smin)+x”min進行反標準化處理，獲取預(yù)測結(jié)果；

其中，x”為計算結(jié)果數(shù)據(jù)值，x”max是gn接口下載速率的訓練數(shù)據(jù)中的最大值，x”min是gn接口下載速率的訓練數(shù)據(jù)中的最小值，smax＝1，smin＝-1。

本發(fā)明實施例提供的td-scdma中g(shù)n接口下載速率預(yù)測方法和裝置，預(yù)先采集gn接口下載速率的訓練數(shù)據(jù)以及gn接口下載速率的影響因素的訓練數(shù)據(jù)，并對訓練數(shù)據(jù)進行預(yù)處理；根據(jù)預(yù)處理后的訓練數(shù)據(jù)建立支持向量機預(yù)測模型；根據(jù)所述支持向量機預(yù)測模型對gn接口下載速率的影響因素的待預(yù)測數(shù)據(jù)進行g(shù)n接口下載速率預(yù)測。可見，本發(fā)明實施例基于gn接口相關(guān)的歷史數(shù)據(jù)建立支持向量機預(yù)測模型，并對未來td-scdma中g(shù)n接口下載速率進行預(yù)測，如此，當調(diào)整某一項或多項gn接口下載速率的影響因素后，能夠?qū)n接口下載速率的改善程度進行準確的估計；還能夠解決現(xiàn)有技術(shù)方案通過分析重疊覆蓋率、弱覆蓋率等二次統(tǒng)計指標對下載速率進行估計，而存在的準確度不高的問題；此外，通過分析gn接口下載速率與gn接口下載速率的影響因素之間的關(guān)系，能夠為進一步提升用戶體驗效果提供參考與幫助。

附圖說明

圖1為本發(fā)明實施例td-scdma中g(shù)n接口下載速率預(yù)測方法的實現(xiàn)流程示意圖；

圖2為本發(fā)明實施例td-scdma中g(shù)n接口下載速率預(yù)測裝置的組成結(jié)構(gòu)示意圖。

具體實施方式

本發(fā)明實施例提供的一種td-scdma中g(shù)n接口下載速率預(yù)測方法，如圖1所示，所述方法包括：

步驟101：預(yù)先采集訓練數(shù)據(jù)，并對訓練數(shù)據(jù)進行預(yù)處理；

這里，所述訓練數(shù)據(jù)包括：gn接口下載速率的訓練數(shù)據(jù)、gn接口下載速率的影響因素的訓練數(shù)據(jù)。

這里，所述gn接口下載速率的影響因素包括但不限于：td覆蓋場景、每erl掉話次數(shù)、td平均接入時長、ps_rab擁塞次數(shù)、碼資源利用率、ps誤塊率、rrc擁塞次數(shù)等。

這里，所述訓練數(shù)據(jù)可以是一個或一個以上小區(qū)內(nèi)的gn接口下載速率的訓練數(shù)據(jù)、以及對應(yīng)的gn接口下載速率的影響因素的訓練數(shù)據(jù)。在實際應(yīng)用中，可根據(jù)模型精確度、復(fù)雜度等因素綜合考慮需要選擇的小區(qū)數(shù)量。

相應(yīng)的，所述對訓練數(shù)據(jù)進行預(yù)處理包括：根據(jù)表1中預(yù)設(shè)的td覆蓋場景的類型及其對應(yīng)值獲取所述訓練數(shù)據(jù)中td覆蓋場景的對應(yīng)值；對訓練數(shù)據(jù)進行標準化處理；其中，表1為td覆蓋場景的類型及其對應(yīng)值的對應(yīng)關(guān)系表。

具體的，所述td覆蓋場景為枚舉類型值，而其它數(shù)據(jù)都是數(shù)值型的，因此，需要根據(jù)表1將td覆蓋場景的枚舉類型值轉(zhuǎn)換為數(shù)值型數(shù)據(jù)，例如，td覆蓋場景為別墅群，則轉(zhuǎn)換為數(shù)值1；其中，所述表1中td覆蓋場景的類型與數(shù)值之間的對應(yīng)關(guān)系，還可以根據(jù)實際情況進行調(diào)整。

這里，所述對訓練數(shù)據(jù)進行標準化處理包括：對gn接口下載速率的訓練數(shù)據(jù)、gn接口下載速率的影響因素的訓練數(shù)據(jù)分別單獨進行標準化處理。其中，所述標準化處理，是將所有不同的數(shù)據(jù)進行無單位化，并將數(shù)據(jù)值標準化到同一個值域。本發(fā)明實施例中，具體采用最大最小法對訓練數(shù)據(jù)進行標準化處理，將數(shù)據(jù)值全部標準化到-1至1之間，所述標準化處理采用公式(1)為：

g1(x)＝smin+(x-xmin)(smax-smin)/(xmax-xmin)(1)

其中，x為訓練數(shù)據(jù)值，xmax是當前訓練數(shù)據(jù)中的最大值，xmin是當前訓練數(shù)據(jù)中的最小值，smax＝1，smin＝-1。假設(shè)當前訓練數(shù)據(jù)為gn接口下載速率的訓練數(shù)據(jù)，則x為gn接口下載速率的訓練數(shù)據(jù)中任意一個數(shù)據(jù)值，xmax是gn接口下載速率的訓練數(shù)據(jù)中的最大值，xmin是gn接口下載速率的訓練數(shù)據(jù)中的最小值。

表1

步驟102：根據(jù)預(yù)處理后的訓練數(shù)據(jù)建立支持向量機預(yù)測模型；

具體的，將步驟101中預(yù)處理后的gn接口下載速率的訓練數(shù)據(jù)作為模型輸出，gn接口下載速率的影響因素的訓練數(shù)據(jù)作為模型輸入，通過采用支持向量機算法建立支持向量機預(yù)測模型。

這里，所述支持向量機算法用于函數(shù)回歸分析，支持向量機(supportvectormachine，svm)用于函數(shù)回歸分析的基本思想是：把訓練集數(shù)據(jù)從輸入空間非線性地映射到一個高維的特征空間，然后，在高維的特征空間中根據(jù)最小化某種損失函數(shù)得到一個線性的擬合函數(shù)；根據(jù)mercer定理，該線性函數(shù)的參數(shù)可以通過求解對偶空間中一個有限維數(shù)的二次規(guī)劃問題得到。

假設(shè)一個有l(wèi)個樣本的訓練集m：m＝{(xi,yi)|i＝1,2,3,...,l}，其中輸入數(shù)據(jù)為xi∈rⁿ，輸出數(shù)據(jù)為yi∈r；支持向量機函數(shù)擬合可以采用回歸函數(shù)f(x)＝ω*φ(x)+b擬合(xi,yi)，i＝1,2,3,...,l，即只需要確定參數(shù)ω和b。

根據(jù)統(tǒng)計學理論，可采用ε-不敏感損失函數(shù)算法來求取所述參數(shù)ω和b，那么，上述求解參數(shù)ω和b的問題則變?yōu)榍蠼庀旅娴淖顑?yōu)問題：

s.t.(ω*xi+b)-yi≤ε+ξi,i＝1,2,3,...,l,

其中，ξi和為松弛變量。

引入拉格朗日lagrange函數(shù)，則上述最優(yōu)問題再次轉(zhuǎn)化為求解拉格朗日方程：

其中，lagrange乘子滿足令l對ω，b，ξ^*的偏導(dǎo)數(shù)(或梯度)為0，并對它關(guān)于a^(*)求極大；然后，考慮高維特征空間的點積運算k(xi,xj)＝φ(xi)*φ(xj)；其中，k(xi,xj)稱為核函數(shù)，則可將求解上述拉格朗日方程問題進一步轉(zhuǎn)化為求解下面的最小優(yōu)化問題：

其中，ε、c為正數(shù)。這里，常用的核函數(shù)有多種類型，比如多項式核函數(shù)、高斯核函數(shù)、rbf核函數(shù)、傅里葉核函數(shù)等，本發(fā)明實施例以核函數(shù)為高斯核函數(shù)為例，所述高斯核函數(shù)為

通過對上述最小優(yōu)化問題進行求解，即可解出拉格朗日方程的待定系數(shù)從而獲得參數(shù)ω和b。本發(fā)明實施例以序列最小最優(yōu)化算法為例，求取拉格朗日方程的待定系數(shù)，即求解

這里，通常情況下，大部分ai和的值等于零，不為零的ai和所對應(yīng)的樣本被稱為支持向量。

這里，構(gòu)造的回歸函數(shù)(即預(yù)測模型)為：

其中，b的計算公式如下：

用任意一個支持向量代入上述b的計算公式就可以計算出b的值。此外，也可以采用對所有支持向量分別計算b的值，然后求取b的平均值的方法。采用上述構(gòu)造的預(yù)測模型對待預(yù)測數(shù)據(jù)進行預(yù)測，實際上是計算各個訓練樣本與待預(yù)測樣本之間的核函數(shù)k(xi,x)。

步驟103：根據(jù)所述支持向量機預(yù)測模型對待預(yù)測數(shù)據(jù)進行g(shù)n接口下載速率預(yù)測；

這里，所述待預(yù)測數(shù)據(jù)為gn接口下載速率的影響因素的待預(yù)測數(shù)據(jù)。

本發(fā)明實施例中，在所述根據(jù)所述支持向量機預(yù)測模型對待預(yù)測數(shù)據(jù)進行g(shù)n接口下載速率預(yù)測之前，該方法還包括：對待預(yù)測數(shù)據(jù)進行預(yù)處理；

其中，所述對待預(yù)測數(shù)據(jù)進行預(yù)處理具體包括：

根據(jù)表1中預(yù)設(shè)的td覆蓋場景的類型及其對應(yīng)值獲取所述待預(yù)測數(shù)據(jù)中td覆蓋場景的對應(yīng)值；

根據(jù)g2(x')＝smin+(x'-x'min)(smax-smin)/(x'max-x'min)對gn接口下載速率的影響因素中每一種影響因素的待預(yù)測數(shù)據(jù)分別單獨進行標準化處理。

其中，x'為任意一種影響因素的待預(yù)測數(shù)據(jù)值，x'max是該影響因素的訓練數(shù)據(jù)中的最大值，x'min是該影響因素的訓練數(shù)據(jù)中的最小值，smax＝1，smin＝-1。假設(shè)x”為gn接口下載速率的影響因素中碼資源利用率的待預(yù)測數(shù)據(jù)，則x'max是碼資源利用率的訓練數(shù)據(jù)中的最大值，x'min是碼資源利用率的訓練數(shù)據(jù)中的最小值。

這里，所述根據(jù)所述支持向量機預(yù)測模型對待預(yù)測數(shù)據(jù)進行g(shù)n接口下載速率預(yù)測，包括：

將所述gn接口下載速率的影響因素的待預(yù)測數(shù)據(jù)作為所述支持向量機預(yù)測模型的輸入，并獲取計算結(jié)果；

具體的，將td覆蓋場景、每erl掉話次數(shù)、td平均接入時長、ps_rab擁塞次數(shù)、碼資源利用率、ps誤塊率、rrc擁塞次數(shù)等7個gn接口下載速率的影響因素作為步驟102中所構(gòu)造的預(yù)測模型的輸入，輸出gn接口下載速率的計算結(jié)果。

將所述計算結(jié)果根據(jù)h(x”)＝(x”-smin)(x”max-x”min)/(smax-smin)+x”min進行反標準化處理，獲取預(yù)測結(jié)果；

其中，x”為計算結(jié)果數(shù)據(jù)值，x”max是gn接口下載速率的訓練數(shù)據(jù)中的最大值，x”min是gn接口下載速率的訓練數(shù)據(jù)中的最小值，smax＝1，smin＝-1。

這里，由于建立預(yù)測模型以及模型預(yù)測過程中都對數(shù)據(jù)進行了預(yù)處理，即將其原始值進行了一定的轉(zhuǎn)化，為了獲得所需要的數(shù)據(jù)類型，因此，需要對輸出的結(jié)果數(shù)據(jù)進行反標準化處理。

本發(fā)明實施例還提供了一種td-scdma中g(shù)n接口下載速率預(yù)測裝置，如圖2所示，所述裝置包括：數(shù)據(jù)處理單元21、模型建立單元22、結(jié)果預(yù)測單元23；其中，

所述數(shù)據(jù)處理單元21，用于預(yù)先采集訓練數(shù)據(jù)，并對訓練數(shù)據(jù)進行預(yù)處理；

這里，所述訓練數(shù)據(jù)包括：gn接口下載速率的訓練數(shù)據(jù)、gn接口下載速率的影響因素的訓練數(shù)據(jù)；所述gn接口下載速率的影響因素包括但不限于：td覆蓋場景、每erl掉話次數(shù)、td平均接入時長、ps_rab擁塞次數(shù)、碼資源利用率、ps誤塊率、rrc擁塞次數(shù)等。

這里，所述訓練數(shù)據(jù)可以是一個或一個以上小區(qū)內(nèi)的gn接口下載速率的訓練數(shù)據(jù)、以及對應(yīng)的gn接口下載速率的影響因素的訓練數(shù)據(jù)。在實際應(yīng)用中，可根據(jù)模型精確度、復(fù)雜度等因素綜合考慮需要選擇的小區(qū)數(shù)量。

相應(yīng)的，所述對訓練數(shù)據(jù)進行預(yù)處理包括：根據(jù)表1中預(yù)設(shè)的td覆蓋場景的類型及其對應(yīng)值獲取所述訓練數(shù)據(jù)中td覆蓋場景的對應(yīng)值；對訓練數(shù)據(jù)進行標準化處理；其中，表1為td覆蓋場景的類型及其對應(yīng)值的對應(yīng)關(guān)系表。

表1

具體的，所述td覆蓋場景為枚舉類型值，而其他數(shù)據(jù)都是數(shù)值型的，因此，需要根據(jù)表1將td覆蓋場景的枚舉類型值轉(zhuǎn)換為數(shù)值型數(shù)據(jù)，例如，td覆蓋場景為村莊，則轉(zhuǎn)換為數(shù)值4；其中，所述表1中td覆蓋場景的類型與數(shù)值之間的對應(yīng)關(guān)系，還可以根據(jù)實際情況進行調(diào)整。

這里，所述對訓練數(shù)據(jù)進行標準化處理包括：對gn接口下載速率的訓練數(shù)據(jù)、gn接口下載速率的影響因素的訓練數(shù)據(jù)分別單獨進行標準化處理。其中，所述標準化處理，是將所有不同的數(shù)據(jù)進行無單位化，并將數(shù)據(jù)值標準化到同一個值域。本發(fā)明實施例中，具體采用最大最小法對訓練數(shù)據(jù)進行標準化處理，將數(shù)據(jù)值全部標準化到-1至1之間，所述標準化處理采用公式(1)為：

g1(x)＝smin+(x-xmin)(smax-smin)/(xmax-xmin)(1)

其中，x為訓練數(shù)據(jù)值，xmax是當前訓練數(shù)據(jù)中的最大值，xmin是當前訓練數(shù)據(jù)中的最小值，smax＝1，smin＝-1。假設(shè)當前訓練數(shù)據(jù)為gn接口下載速率的訓練數(shù)據(jù)，則x為gn接口下載速率的訓練數(shù)據(jù)中任意一個數(shù)據(jù)值，xmax是gn接口下載速率的訓練數(shù)據(jù)中的最大值，xmin是gn接口下載速率的訓練數(shù)據(jù)中的最小值。

所述模型建立單元22，用于根據(jù)預(yù)處理后的訓練數(shù)據(jù)建立支持向量機預(yù)測模型；

具體的，將數(shù)據(jù)處理單元21預(yù)處理后的gn接口下載速率的訓練數(shù)據(jù)作為模型輸出，gn接口下載速率的影響因素的訓練數(shù)據(jù)作為模型輸入，通過采用支持向量機算法建立支持向量機預(yù)測模型。

這里，所述支持向量機算法用于函數(shù)回歸分析，支持向量機(supportvectormachine,svm)用于函數(shù)回歸分析的基本思想是：把訓練集數(shù)據(jù)從輸入空間非線性地映射到一個高維的特征空間，然后，在高維的特征空間中根據(jù)最小化某種損失函數(shù)得到一個線性的擬合函數(shù)；根據(jù)mercer定理，該線性函數(shù)的參數(shù)可以通過求解對偶空間中一個有限維數(shù)的二次規(guī)劃問題得到。

假設(shè)一個有l(wèi)個樣本的訓練集m：m＝{(xi,yi)|i＝1,2,3,...,l}，其中輸入數(shù)據(jù)為xi∈rⁿ，輸出數(shù)據(jù)為yi∈r；支持向量機函數(shù)擬合可以采用回歸函數(shù)f(x)＝ω*φ(x)+b擬合(xi,yi)，i＝1,2,3,...,l，即只需要確定參數(shù)ω和b。

根據(jù)統(tǒng)計學理論，可采用ε-不敏感損失函數(shù)算法來求取所述參數(shù)ω和b，那么，上述求解參數(shù)ω和b的問題則變?yōu)榍蠼庀旅娴淖顑?yōu)問題：

s.t.(ω*xi+b)-yi≤ε+ξi,i＝1,2,3,...,l,

其中，ξi和為松弛變量。

引入拉格朗日(lagrange)函數(shù)，則上述最優(yōu)問題再次轉(zhuǎn)化為求解拉格朗日方程：

其中，lagrange乘子滿足令l對ω，b，ξ^*的偏導(dǎo)數(shù)(或梯度)為0，并對它關(guān)于a^(*)求極大；然后，考慮高維特征空間的點積運算k(xi,xj)＝φ(xi)*φ(xj)；其中，k(xi,xj)稱為核函數(shù)，則可將上述拉格朗日方程問題進一步轉(zhuǎn)化為求解下面的最小優(yōu)化問題：

其中，ε、c為正數(shù)。這里，常用的核函數(shù)有多種類型，比如多項式核函數(shù)、高斯核函數(shù)、rbf核函數(shù)、傅里葉核函數(shù)等，本發(fā)明實施例以核函數(shù)為高斯核函數(shù)為例，所述高斯核函數(shù)為

通過對上述最小優(yōu)化問題進行求解，即可解出拉格朗日方程的待定系數(shù)從而獲得參數(shù)ω和b。本發(fā)明實施例以序列最小最優(yōu)化算法為例求取拉格朗日方程的待定系數(shù)，即求解

這里，通常情況下，大部分ai和的值等于零，不為零的ai和所對應(yīng)的樣本被稱為支持向量。

這里，構(gòu)造的回歸函數(shù)(即預(yù)測模型)為：

其中，b的計算公式如下：

用任意一個支持向量代入上述b的計算公式就可以計算出b的值。此外，也可以采用對所有支持向量分別計算b的值，然后求取b的平均值的方法。采用上述構(gòu)造的預(yù)測模型對待預(yù)測數(shù)據(jù)進行預(yù)測，實際上是計算各個訓練樣本與待預(yù)測樣本之間的核函數(shù)k(xi,x)。

所述數(shù)據(jù)處理單元21，還用于對待預(yù)測數(shù)據(jù)進行預(yù)處理；

這里，所述待預(yù)測數(shù)據(jù)為gn接口下載速率的影響因素的待預(yù)測數(shù)據(jù)。

其中，所述對待預(yù)測數(shù)據(jù)進行預(yù)處理具體包括：

根據(jù)表1中預(yù)設(shè)的td覆蓋場景的類型及其對應(yīng)值獲取所述待預(yù)測數(shù)據(jù)中td覆蓋場景的對應(yīng)值；

根據(jù)g2(x')＝smin+(x'-x'min)(smax-smin)/(x'max-x'min)對gn接口下載速率的影響因素中每一種影響因素的待預(yù)測數(shù)據(jù)分別單獨標準化處理。

其中，x'為任意一種影響因素的待預(yù)測數(shù)據(jù)值，x'max是該影響因素的訓練數(shù)據(jù)中的最大值，x'min是該影響因素的訓練數(shù)據(jù)中的最小值，smax＝1，smin＝-1。假設(shè)x”為gn接口下載速率的影響因素中碼資源利用率的待預(yù)測數(shù)據(jù)，則x'max是碼資源利用率的訓練數(shù)據(jù)中的最大值，x'min是碼資源利用率的訓練數(shù)據(jù)中的最小值。

所述結(jié)果預(yù)測單元23，用于根據(jù)所述支持向量機預(yù)測模型對待預(yù)測數(shù)據(jù)進行g(shù)n接口下載速率預(yù)測；

這里，所述結(jié)果預(yù)測單元23根據(jù)所述支持向量機預(yù)測模型對待預(yù)測數(shù)據(jù)進行g(shù)n接口下載速率預(yù)測，包括：

將所述gn接口下載速率的影響因素的待預(yù)測數(shù)據(jù)作為模型建立單元22中建立的支持向量機預(yù)測模型的輸入，并獲取計算結(jié)果；

具體的，將td覆蓋場景、每erl掉話次數(shù)、td平均接入時長、ps_rab擁塞次數(shù)、碼資源利用率、ps誤塊率、rrc擁塞次數(shù)等7個gn接口下載速率的影響因素作為模型建立單元22中所構(gòu)造的預(yù)測模型的輸入，輸出gn接口下載速率的計算結(jié)果。

將所述計算結(jié)果根據(jù)h(x”)＝(x”-smin)(x”max-x”min)/(smax-smin)+x”min進行反標準化處理，獲取預(yù)測結(jié)果；

其中，x”為計算結(jié)果數(shù)據(jù)值，x”max是gn接口下載速率的訓練數(shù)據(jù)中的最大值，x”min是gn接口下載速率的訓練數(shù)據(jù)中的最小值，smax＝1，smin＝-1。

這里，由于建立預(yù)測模型以及模型預(yù)測過程中都對數(shù)據(jù)進行了預(yù)處理，即將其原始值進行了一定的轉(zhuǎn)化，為了獲得所需要的數(shù)據(jù)類型，因此需要對輸出的結(jié)果數(shù)據(jù)進行反標準化處理。

在實際應(yīng)用中，所述數(shù)據(jù)處理單元21、模型建立單元22、結(jié)果預(yù)測單元23均可由位于終端的中央處理器(cpu)、微處理器(mpu)、數(shù)字信號處理器(dsp)、或現(xiàn)場可編程門陣列(fpga)等實現(xiàn)。

以上所述，僅為本發(fā)明的較佳實施例而已，并非用于限定本發(fā)明的保護范圍。凡在本發(fā)明的精神和范圍之內(nèi)所作的任何修改、等同替換和改進等，均包含在本發(fā)明的保護范圍之內(nèi)。