用戶接入數的確定方法、裝置、設備及可讀存儲介質與流程

本技術涉及無線網絡，特別是指一種用戶接入數的確定方法、裝置、設備及可讀存儲介質。

背景技術：

1、大話務場景中小區接入用戶數的變化規律與日常場景中小區接入用戶數的變化規律差別很大，針對大話務場景，目前通常靠人工經驗基于歷史統計數據對小區接入用戶數進行評估，首先，在冷啟動時，小區級接入人數難以進行預估；其次，當大話務量場景活動信息變化較大時，人工經驗難以評估小區接入人數變化情況。近年來，大型賽事活動、演唱會等大話務場景越來越多，大話務保障十分重要，但現有方案針對大話務場景并不能準確預估小區接入用戶數。

技術實現思路

1、本技術的目的是提供一種用戶接入數的確定方法、裝置、設備及可讀存儲介質，以解決現有方案針對大話務場景并不能準確預估小區接入用戶數的問題。

2、為達到上述目的，本技術的實施例提供一種用戶接入數的確定方法，其特征在于，包括：

3、獲取目標數據，所述目標數據包括活動信息、活動對應的場館地圖信息、活動對應的場館周圍的小區的工程參數、活動對應的場館周圍的興趣點poi信息中的至少一項；

4、根據所述目標數據，構建節點屬性信息，所述節點與所述小區對應；

5、構建邊關系信息，所述邊關系信息用于指示小區之間的關聯關系；

6、對所述場館地圖信息進行柵格化處理，得到柵格矩陣，其中，所述柵格矩陣用于指示柵格的地圖信息和活動環境信息；

7、將所述節點屬性信息、邊關系信息以及所述柵格矩陣輸入深度學習模型，得到所述小區在目標時間段內每個預設時間間隔的用戶接入數。

8、可選地，所述深度學習模型包括圖神經網絡和卷積神經網絡；

9、所述將所述節點屬性信息、邊關系信息以及所述柵格矩陣輸入深度學習模型，得到所述小區在目標時間段內每個預設時間間隔的用戶接入數，包括：

10、將所述節點屬性信息和邊關系信息輸入至圖神經網絡，得到每個節點的多維映射特征；

11、將所述柵格矩陣輸入至卷積神經網絡，得到節點數關于柵格的多維映射特征；

12、對每個節點的多維映射特征和節點書關于柵格的多維映射特征進行拼接，得到每個小區在目標時間點的用戶接入數；

13、根據每個小區在目標時間點的用戶接入數，得到小區在目標時間段內每個預設時間間隔的用戶接入數。

14、可選地，所述方法還包括：

15、獲取歷史數據，所述歷史數據包括歷史活動信息、歷史活動對應的場館地圖信息、歷史活動對應的場館周圍的小區的工程參數、歷史活動對應的場館周圍的興趣點poi信息中的至少一項以及歷史移動管理實體mme數據，其中，歷史mme數據用于統計小區在預設時間段內每隔預設時間間隔的用戶接入數；

16、根據所述歷史數據進行模型訓練，得到所述深度學習模型。

17、可選地，根據所述目標數據，構建節點屬性信息，包括以下至少一項：

18、根據活動對應的場館周圍的小區的工程參數，獲取第一節點屬性信息，所述第一節點屬性信息包括小區的功率、位置坐標、小區相對于場館的位置信息、小區的覆蓋類型、小區對應的基站類型中的至少一項；

19、根據活動對應的場館周圍的小區的工程參數以及興趣點poi信息，獲取第二節點屬性信息，所述第二節點屬性信息包括小區的poi屬性信息；

20、根據所述活動信息、活動對應的場館周圍的小區的工程參數以及興趣點poi信息，獲取第三節點屬性信息，所述第三節點屬性信息包括小區的地理位置信息；

21、根據所述活動信息，獲取第四節點屬性信息，所述第四節點屬性信息包括小區對應的活動信息。

22、可選地，構建邊關系信息，包括以下至少一項：

23、根據mme數據中目標時間段內的轉移記錄，構建變關系信息，所述轉移記錄用于指示用戶在小區間的切換關系；

24、根據鄰區表構建邊關系信息，所述鄰區表包括小區的鄰區關系信息；

25、根據小區距離構建邊關系信息；

26、根據測量報告mr數據構建邊關系信息。

27、本技術實施例還提供了一種用戶接入數的確定裝置，包括

28、第一獲取模塊，用于獲取目標數據，所述目標數據包括活動信息、活動對應的場館地圖信息、活動對應的場館周圍的小區的工程參數、活動對應的場館周圍的興趣點poi信息中的至少一項；

29、第一構建模塊，用于根據所述目標數據，構建節點屬性信息，所述節點與所述小區對應；

30、第二構建模塊，用于構建邊關系信息，所述邊關系信息用于指示小區之間的關聯關系；

31、第二獲取模塊，用于對所述場館地圖信息進行柵格化處理，得到柵格矩陣，其中，所述柵格矩陣用于指示柵格的地圖信息和活動環境信息；

32、第三獲取模塊，用于將所述節點屬性信息、邊關系信息以及所述柵格矩陣輸入深度學習模型，得到所述小區在目標時間段內每個預設時間間隔的用戶接入數。

33、可選地，所述深度學習模型包括圖神經網絡和卷積神經網絡；

34、所述第三獲取模塊包括：

35、第一獲取子模塊，用于將所述節點屬性信息和邊關系信息輸入至圖神經網絡，得到每個節點的多維映射特征；

36、第二獲取子模塊，用于將所述柵格矩陣輸入至卷積神經網絡，得到節點數關于柵格的多維映射特征；

37、第三獲取子模塊，用于對每個節點的多維映射特征和節點書關于柵格的多維映射特征進行拼接，得到每個小區在目標時間點的用戶接入數；

38、第四獲取子模塊，用于根據每個小區在目標時間點的用戶接入數，得到小區在目標時間段內每個預設時間間隔的用戶接入數。

39、可選地，所述方法還包括：

40、第四獲取模塊，用于獲取歷史數據，所述歷史數據包括歷史活動信息、歷史活動對應的場館地圖信息、歷史活動對應的場館周圍的小區的工程參數、歷史活動對應的場館周圍的興趣點poi信息中的至少一項以及歷史移動管理實體mme數據，其中，歷史mme數據用于統計小區在預設時間段內每隔預設時間間隔的用戶接入數；

41、訓練模塊，用于根據所述歷史數據進行模型訓練，得到所述深度學習模型。

42、可選地，所述第一構建模塊用于執行以下至少一項：

43、根據活動對應的場館周圍的小區的工程參數，獲取第一節點屬性信息，所述第一節點屬性信息包括小區的功率、位置坐標、小區相對于場館的位置信息、小區的覆蓋類型、小區對應的基站類型中的至少一項；

44、根據活動對應的場館周圍的小區的工程參數以及興趣點poi信息，獲取第二節點屬性信息，所述第二節點屬性信息包括小區的poi屬性信息；

45、根據所述活動信息、活動對應的場館周圍的小區的工程參數以及興趣點poi信息，獲取第三節點屬性信息，所述第三節點屬性信息包括小區的地理位置信息；

46、根據所述活動信息，獲取第四節點屬性信息，所述第四節點屬性信息包括小區對應的活動信息。

47、可選地，所述第二構建模塊用于執行以下至少一項：

48、根據mme數據中目標時間段內的轉移記錄，構建變關系信息，所述轉移記錄用于指示用戶在小區間的切換關系；

49、根據鄰區表構建邊關系信息，所述鄰區表包括小區的鄰區關系信息；

50、根據小區距離構建邊關系信息；

51、根據測量報告mr數據構建邊關系信息。

52、本技術實施例還提供了一種用戶接入數的確定設備，包括：收發機和處理器；

53、所述處理器用于：獲取目標數據，所述目標數據包括活動信息、活動對應的場館地圖信息、活動對應的場館周圍的小區的工程參數、活動對應的場館周圍的興趣點poi信息中的至少一項；根據所述目標數據，構建節點屬性信息，所述節點與所述小區對應；構建邊關系信息，所述邊關系信息用于指示小區之間的關聯關系；對所述場館地圖信息進行柵格化處理，得到柵格矩陣，其中，所述柵格矩陣用于指示柵格的地圖信息和活動環境信息；將所述節點屬性信息、邊關系信息以及所述柵格矩陣輸入深度學習模型，得到所述小區在目標時間段內每個預設時間間隔的用戶接入數。

54、本技術實施例還提供了一種用戶接入數的確定設備，包括：收發器、處理器、存儲器及存儲在所述存儲器上并可在所述處理器上運行的程序或指令；其特征在于，所述處理器執行所述程序或指令時實現如上所述的用戶接入數的確定方法的步驟。

55、本技術實施例還提供了一種可讀存儲介質，其上存儲有程序或指令，所述程序或指令被處理器執行時實現如上所述的用戶接入數的確定方法的步驟。

56、本技術的上述技術方案的有益效果如下：

57、本技術實施例中，提取活動信息、活動對應的場館地圖信息、活動對應的場館周圍的小區的工程參數和/或活動對應的場館周圍的興趣點poi信息，基于提取的信息構建節點屬性信息，并構建邊關系信息和場館地圖信息對應的柵格矩陣，然后，基于節點屬性信息、邊關系信息以及所述柵格矩陣輸入深度學習模型，得到所述小區在目標時間段內每個預設時間間隔的用戶接入數。由此實現了通過多渠道數據以及深度學習模型對大話務活動的小區用戶接入數進行預測的目的，從而能夠有效保障大話務場景中的通信質量。