话务预测（2） 数据

　　在我们开始任务之前，我们还是来看看我们所拥有的数据。

数据项介绍

　　我们所拥有的是基站上采集的数据，并且是和话务量相关的指标。这里需要说明的是，虽然手机上网的数据都从基站走，但是我们并不对数据包的内同进行解析——如果恰恰有一条短信是，“我们明天一起来挑广场舞吧”，那肯定，明天这个小区的话务量可能会增加。我们是不对用户的上网数据进行解析的，我们仅仅是用和话务量相关是的指标来预测化话务量。
　　这样做的原因也很简单——文本内容的解析太过复杂，要考虑的因素太多。（比如淘宝预测用户即将购买的商品的时候，更多的是利用用户已经购买的商品的信息，而不会对用户的评价文本内容做深入解析（比如“我下周还要再买5套”这样的文本））。比如预测用户可能喜欢的电影，我们更多的是利用已有的打分，而不会花太大的气力去解析用户对电影的评价。而“话务指标”、“购买商品记录”、“用户打分记录”是同质的格式化的大量行为数据，这种数据内涵丰富并且可解释性非常好，做数据挖掘任务往往更加适宜。
　　基站上可以采集的和话务量相关的指标其实还是很多的，这里我们列出和技术人员讨论以后，确定的和基站的服务性能息息相关的几个关键指标。
　　
　　这些指标有一个共同的特征——越大越不好，并且这里的关系是一种“木桶效应”——一个指标不行了，整个基站的服务性能就会下降。

数据量和数据粒度

　　这里我们取的是江苏某省会城市的一共近2000个基站（共计近6000个小区）的话务数据。这8个指标都是每个小时产生一条数据。
　　数据标识方面，BSC地区编号、BTS基站编号、Cell小区编号及其所对应的3至4个载频的编号，这四个字段构成了所有基站每个载频的唯一标识。
　　我们预测的对象是小区，所以，我们拿其中前3个字段的拼接作为ID，而对于每个小区，我们将各个载频的指标的均值作为其指标值，也把该值作为预测的标准。这样做的原因有两个——一方面基站有一种均衡负载机制，会让每个负责某个小区的几个载频均分话务的负担，另一方面，系统会根据实际情况对载频的数量进行调整，所以求载频话务量的均值是统一和有效的指标。