在当前与无线网络容量相关的工作中，话务预测的内涵已不再局限于对用户数和业务流量的预测，而是逐步扩展为对各类话务相关指标的综合预测，即那些随着用户数和业务流量变化而相应波动的性能指标。
当前，话务预测主要应用于短期容量监控和中长期容量扩容两类场景。无线话务预测算法在应用中存在以下挑战：
无线网络话务相关指标在不同区域、场景以及网络发展阶段中表现出显著差异，难以通过单一模型实现通用适配。
对话务预测算法的评估需综合考虑多个维度，如预测准确度、计算效率、场景适应性及算法稳健性等。传统的单一算法往往在某些方面表现突出，但在其他方面存在短板，因此难以在所有指标上实现全面领先。
上述挑战导致业界在不同细分场景下发展出众多算法，给用户的选择和应用带来一定困难。为应对这些挑战，中兴通讯精准规划NGI-RSH平台的话务预测功能打造了一套综合性无线话务预测解决方案，通过集成多种具有不同优势的算法，既可以组合使用，也可独立部署，提供具备高度场景适应性的无线话务预测能力。
数据特征分析
话务相关指标的历史数据通常属于非平稳时间序列，其变化规律具有趋势性、季节性、周期性和随机性四个构成要素。在实际无线网络数据中，上述构成要素表现出以下特点：
强烈的季节性特征：主要体现在节假日周期，尤其是中国传统节日（如春节、中秋等）。由于这些节日为农历节日，其在公历年份中的时间点不固定，因此其对应的话务波动也呈现出非固定周期的季节性特征。
显著的周期性波动：主要表现为一年内不同月份、一周内工作日与周末之间的差异，具有较强的重复性。
独特的场景特点：如学校寒暑假、景区节假日、医院工作日与周末等场景，受场景用户行为的影响，话务特征具有与其他场景迥异的特点。
网络发展阶段的差异性：在网络建设初期，网络结构和用户规模变化较大，话务波动频繁；在网络成熟期，虽然网络和用户趋于稳定，但受资费政策、运营策略等因素影响，话务模式仍可能发生显著变化。
应用算法
基于无线网络话务数据的特征，对预测算法的评估应从准确度、效率、场景适应性、稳健性（鲁棒性）等因素综合考虑。在业界常用的算法中，回归、平滑移动等传统算法虽然效率较高，但是对数据特征有较高要求，如线性、平稳性等，在复杂场景中应用受限，稳健性较差。而XGBoost、LSTM等机器学习和深度学习算法虽然提升了预测准确度和稳健性，降低了对数据特征的依赖，但计算效率较低，且在长周期预测或特征突变时表现不稳定，场景泛化能力有限。
针对无线网络话务数据的特点，NGI-RSH平台采用多算法组合的方式，首先对数据进行分解，分离出季节项和周期项。这一处理方式更符合无线网络话务的实际规律。对去除季节与周期影响后的残差数据，进行趋势建模。采用集成学习框架，综合运用多种机器学习和统计学习算法进行协同分析，并通过加权融合策略对预测结果进行优化整合。该多模型集成方法融合不同算法的优势特征，兼顾不同场景的数据特性，提升了算法的整体适用性和预测鲁棒性。
此外，功能支持按全网、场景、站点级等不同粒度。当网络中存在特征差异明显的场景时，采用分场景建模的方法已成为行业通用做法。
应用实例
图1 话务预测功能应用示例
当前，平台的功能已在国内外4G和5G网络中广泛应用，图1展示了一个小区的流量、PRB利用率、最大RRC连接数和平均RRC连接数的预测结果。话务预测功能的场景适应能力体现在以下几个方面：
支持多种关键指标预测，如PDCP层上下行用户面流量、RRC连接用户数、上下行RPB利用率等；
支持小区、站点、场景等粒度；
提供灵活的模型选择，用户可选用适应性广的多算法组合模型，也可根据需求选择专为特定场景优化的单一模型。
随着未来数字孪生平台的发展，话务相关指标的预测将逐步向网络状态预测演进，对预测算法的包容性和可扩展性提出更高要求。算法的智能化水平不仅体现在预测精度上，更需体现在对不同场景的适应能力上，以满足日益复杂和多变的网络环境需求。 
