一種移動(dòng)網(wǎng)絡(luò)數(shù)據(jù)業(yè)務(wù)業(yè)務(wù)量的預(yù)測方法和裝置的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明移動(dòng)通信數(shù)據(jù)業(yè)務(wù)領(lǐng)域，具體的涉及移動(dòng)通信網(wǎng)絡(luò)數(shù)據(jù)業(yè)務(wù)業(yè)務(wù)量的預(yù)測 方法。
【背景技術(shù)】
[0002] 隨著3G、WLAN等移動(dòng)通信技術(shù)及通信網(wǎng)絡(luò)的快速發(fā)展和移動(dòng)智能終端的快速普 及，伴隨微博、微信等各種互聯(lián)網(wǎng)新興業(yè)務(wù)的迅猛發(fā)展，移動(dòng)通信網(wǎng)絡(luò)承載的數(shù)據(jù)業(yè)務(wù)也急 速增長。為了在管理層面緊跟數(shù)據(jù)業(yè)務(wù)的快速發(fā)展，為了科學(xué)地進(jìn)行網(wǎng)絡(luò)規(guī)劃和優(yōu)化，對網(wǎng) 絡(luò)進(jìn)行主動(dòng)性能監(jiān)控，了解電信網(wǎng)絡(luò)運(yùn)營的發(fā)展情況和趨勢是必不可少的，因此準(zhǔn)確地預(yù) 測移動(dòng)通信網(wǎng)絡(luò)數(shù)據(jù)業(yè)務(wù)的業(yè)務(wù)量意義重大。
[0003] 移動(dòng)網(wǎng)絡(luò)中包含有語音業(yè)務(wù)和數(shù)據(jù)業(yè)務(wù)，眾所周知，通信語音業(yè)務(wù)的業(yè)務(wù)量即話 務(wù)量（erl)的到達(dá)模型是泊松模型，因此其話務(wù)量動(dòng)力學(xué)模型是線性的，現(xiàn)有技術(shù)中可用 綜合了趨勢和季節(jié)性的ARMA模型獲得好的預(yù)測模型和準(zhǔn)確的預(yù)測結(jié)果。從1990年的研 究開始，人們發(fā)現(xiàn)數(shù)據(jù)業(yè)務(wù)的到達(dá)特點(diǎn)和數(shù)據(jù)業(yè)務(wù)業(yè)務(wù)量的分布特點(diǎn)與語音業(yè)務(wù)有著很大 的不同：數(shù)據(jù)業(yè)務(wù)中的分組到達(dá)不再符合泊松分布，而是遵從Pareto等長尾分布。在發(fā)現(xiàn) 了 Internet數(shù)據(jù)業(yè)務(wù)存在自相似特性后，有一些關(guān)于如何對Internet數(shù)據(jù)量如何預(yù)測的 研究，這些方法包括基于神經(jīng)網(wǎng)絡(luò)方法、支持向量機(jī)方法、小波分解+灰色預(yù)測方法等；因 此，Internet網(wǎng)絡(luò)中的業(yè)務(wù)量序列不能再簡單地用動(dòng)力學(xué)系統(tǒng)中的ARMA模型建模，因?yàn)?Internet數(shù)據(jù)量序列中的自相似會(huì)導(dǎo)致序列的長相關(guān)性，而ARMA模型只適合短相關(guān)序列。
[0004] 移動(dòng)網(wǎng)絡(luò)中的數(shù)據(jù)業(yè)務(wù)采用的網(wǎng)絡(luò)、協(xié)議和Internet網(wǎng)絡(luò)有很多相似地方，由 于無線信道和無線接入網(wǎng)存在，移動(dòng)網(wǎng)絡(luò)和Internet也有很多不一樣的地方。移動(dòng)網(wǎng)絡(luò) 中數(shù)據(jù)業(yè)務(wù)業(yè)務(wù)量與語音業(yè)務(wù)業(yè)務(wù)量和internet網(wǎng)絡(luò)業(yè)務(wù)量存在相似之處，同時(shí)又具備 自身的特點(diǎn)，因此對移動(dòng)網(wǎng)絡(luò)中數(shù)據(jù)業(yè)務(wù)業(yè)務(wù)量的預(yù)測不能單純套用語音業(yè)務(wù)量預(yù)測和 internet數(shù)據(jù)業(yè)務(wù)業(yè)務(wù)量預(yù)測的方法，將已有的語音業(yè)務(wù)量預(yù)測和internet數(shù)據(jù)業(yè)務(wù)業(yè) 務(wù)量預(yù)測方法盲目套用到移動(dòng)網(wǎng)絡(luò)數(shù)據(jù)業(yè)務(wù)中來，會(huì)導(dǎo)致其預(yù)測結(jié)果的不準(zhǔn)確，直接影響 移動(dòng)通信網(wǎng)絡(luò)的運(yùn)營維護(hù)。
[0005] 移動(dòng)通信網(wǎng)絡(luò)數(shù)據(jù)業(yè)務(wù)的高速發(fā)展最近幾年的事情，目前為止在移動(dòng)網(wǎng)絡(luò)數(shù)據(jù)業(yè) 務(wù)業(yè)務(wù)量的建模和預(yù)測方面的研究還少見。而對于最近迅猛發(fā)展的移動(dòng)互聯(lián)網(wǎng)的數(shù)據(jù)流量 的特性則缺乏研究進(jìn)展的報(bào)告。隨著移動(dòng)通信業(yè)務(wù)發(fā)展和競爭加劇，各運(yùn)營商們迫切地需 要掌握移動(dòng)業(yè)務(wù)量發(fā)展趨勢，如何對移動(dòng)網(wǎng)絡(luò)數(shù)據(jù)業(yè)務(wù)業(yè)務(wù)量進(jìn)行準(zhǔn)確的預(yù)測成為亟待解 決的問題。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明目的在于提供一種移動(dòng)網(wǎng)絡(luò)數(shù)據(jù)業(yè)務(wù)業(yè)務(wù)量的預(yù)測方法和裝置，其特征在 于，所述方法包括下述步驟：
[0007] A :獲取基于時(shí)間順序的移動(dòng)網(wǎng)絡(luò)數(shù)據(jù)業(yè)務(wù)業(yè)務(wù)量歷史值序列作為樣本序列；
[0008] B :對所述樣本序列進(jìn)行自相似探測和多重分形探測，根據(jù)探測結(jié)果確定對所述樣 本序列的預(yù)測方法：
[0009] 若所述樣本序列不具有自相似特性，則根據(jù)ARMA模型對所述樣本序列進(jìn)行預(yù)測， 獲得預(yù)測值；若所述樣本序列僅具有自相似特性不具有多重分形特性，則根據(jù)FARIMA模型 對所述樣本序列進(jìn)行建模預(yù)測，獲得預(yù)測值。
[0010] 進(jìn)一步的，
[0011] 若所述樣本序列具有自相似特性和多重分形特性，則消除所述樣本序列的多重分 形特性后，獲得分支樣本序列，依照所述步驟B對所述分支樣本序列進(jìn)行預(yù)測。
[0012] 具體的，所述消除所述樣本序列的多重分形特性后獲得分支樣本序列的方法具體 為：
[0013] 依照數(shù)據(jù)業(yè)務(wù)業(yè)務(wù)量時(shí)間點(diǎn)分布特性分解所述具有多重分形特性的樣本序列，得 到多個(gè)分支序列；
[0014] 對所述分支序列進(jìn)行多重分形探測，若該分支序列已不具有多重分形特性，則不 用繼續(xù)分解；若該分支序列仍具有多重分形特性，則繼續(xù)對其進(jìn)行分解和探測，直到獲得不 具有多重分形特性的分支樣本序列為止。
[0015] 具體的，
[0016] 獲得所述樣本序列的自相似指數(shù)值H，根據(jù)H值確定樣本序列的自相似特性；
[0017] 計(jì)算所述具有自相似特性樣本序列的多重分形譜，根據(jù)其多重分形譜開口Λ α 確定所述樣本序列是否具有多重分形特性。
[0018] 優(yōu)選的，
[0019] 當(dāng)與所述預(yù)測值相對應(yīng)的實(shí)際值到達(dá)時(shí)，計(jì)算所述樣本序列實(shí)際值和其對應(yīng)預(yù)測 值的誤差值，組成殘差序列；
[0020] 獲取所述殘差序列的自相關(guān)函數(shù)ACF并對所述殘差序列進(jìn)行白噪聲檢驗(yàn)；
[0021] 將所述實(shí)際值加入所述樣本序列中組成新樣本序列，獲取所述新樣本序列的自相 似指數(shù)Η' ；
[0022] 根據(jù)對所述殘差序列的白噪聲檢驗(yàn)結(jié)果與所述新樣本序列的自相似指數(shù)Η'，確定 新樣本序列的適用預(yù)測模型，獲得下一時(shí)間點(diǎn)的預(yù)測值。
[0023] 進(jìn)一步的，
[0024] 所述根據(jù)對所述新殘差序列的白噪聲檢驗(yàn)結(jié)果與所述新樣本序列的自相似指數(shù) Η'，確定新樣本序列的適用預(yù)測模型，獲得下一時(shí)間點(diǎn)的預(yù)測值的方法具體為：
[0025] 若所述新樣本序列的自相似指數(shù)Η'與所述自相似指數(shù)H相同，且所述殘差序列仍 為白噪聲，則針對新樣本序列使用所述樣本序列相同的預(yù)測方法對下一時(shí)間點(diǎn)的值進(jìn)行預(yù) 測；
[0026] 若所述新樣本序列的自相似指數(shù)Η'與所述自相似指數(shù)H相同，且所述新殘差序列 不是白噪聲，則針對新樣本序列進(jìn)行多重分形后，針對所述經(jīng)過分形后的序列使用所述原 樣本序列采用的模型對下一時(shí)間點(diǎn)的值進(jìn)行預(yù)測；
[0027] 若所述新樣本序列的自相似指數(shù)Η'與所述自相似指數(shù)H不同，則對所述新樣本序 列進(jìn)行自相似長相關(guān)探測，根據(jù)所述探測結(jié)果結(jié)合所述新的自相似指數(shù)Η'對新樣本序列重 新選擇相應(yīng)模型對下一時(shí)間點(diǎn)的值進(jìn)行預(yù)測。
[0028] 具體的，
[0029] 所述采用FARIMA模型對樣本序列進(jìn)行建模預(yù)測，獲得預(yù)測值的方法具體為：
[0030] 根據(jù)所述FARIMA模型結(jié)合所述樣本序列X (t)的自相似指數(shù)H，計(jì)算其分?jǐn)?shù)差分階 數(shù)d ;
[0031] 根據(jù)以及所述分?jǐn)?shù)差分階數(shù)d對所述樣本序列進(jìn)行分?jǐn)?shù)差分得到序列Y (t);
[0032] 對所述分?jǐn)?shù)差分序列Y (t)進(jìn)行季節(jié)探測獲得其周期系數(shù)，對其進(jìn)行周期為η的季 節(jié)差分，得到序列W(t);
[0033] 對所述序列W(t)進(jìn)行ARM建模預(yù)測，得出預(yù)測值。
[0034] 具體的，
[0035] 所述采用ARMA模型對樣本序列進(jìn)行建模預(yù)測，得出預(yù)測值的方法具體為：
[0036] 對所述樣本序列X (t)進(jìn)行季節(jié)探測獲得其周期系數(shù)，對其進(jìn)行周期為m的季節(jié)差 分，得到序列M(t);
[0037] 對所述序列M (t)進(jìn)行ARM (p，q)定階；
[0038] 計(jì)算所述選定階數(shù)的ARM (p，q)模型參數(shù)；
[0039] 根據(jù)所述確定階數(shù)和模型參數(shù)的ARM(p，q)模型，對所述樣本序列X(t)進(jìn)行預(yù) 測。
[0040] 優(yōu)選的，
[0041] 當(dāng)所述各序列的自相似指數(shù)值0. 5〈H〈1，確定該序列具有自相似特性；
[0042] 當(dāng)所述各序列的多重分形譜開口Λ α >0. 7,確定該序列具有多重分形特性。
[0043] 優(yōu)選的，
[0044] 從移動(dòng)網(wǎng)絡(luò)數(shù)據(jù)庫中選取數(shù)據(jù)業(yè)務(wù)業(yè)務(wù)量歷史值作為樣本，至少選取過去一個(gè)月 以上的樣本數(shù)