CN103227999A - 网络流量预测方法和装置 - Google Patents

Abstract

本发明提供一种网络流量预测方法和装置，方法包括：获取网络流量的流量样本数据；确定所述流量样本数据的长期变化趋势信息；根据所述流量样本数据和所述长期变化趋势信息，确定所述流量样本数据的周期变化信息；根据所述流量样本数据、所述长期变化趋势信息和所述周期变化信息，确定所述流量样本数据的随机变化信息；根据所述流量样本数据的所述长期变化趋势信息、周期变化信息、随机变化信息对网络流量进行预测。本发明实施例有效解决了现有技术中，通过采用对历史流量数据进行分析，获取长期变化趋势成分以及随机成分对网络内业务流量的发展规律预测不准确的问题。

Description

网络流量预测方法和装置

技术领域

本发明涉及通信技术，尤其涉及一种网络流量预测方法和装置。

背景技术

由于移动通信技术的快速发展和智能终端的迅速普及，传统的互联网业务逐渐向移动通信网络渗透，各种新应用不断涌现，业务流量飞速增长，给运营商的网络运营带了前所未有的冲击。

现有技术中，采用对历史流量数据进行分析，获取长期变化趋势成分以及随机成分对网络流量进行预测。然而，上述方法无法较为准确的预测网络内业务流量的发展规律，进而无法对网络进行合理的资源配置。

发明内容

本发明提供一种网络流量预测方法和装置，用以解决现有技术中，通过获取历史流量数据的长期变化趋势信息以及随机成分信息预测网络内业务流量的发展规律不准确的问题。

一方面，本发明实施例提供一种网络流量预测方法，其特征在于，包括：

获取网络流量的流量样本数据；

确定所述流量样本数据的长期变化趋势信息；

根据所述流量样本数据和所述长期变化趋势信息，确定所述流量样本数据的周期变化信息；

根据所述流量样本数据、所述长期变化趋势信息和所述周期变化信息，确定所述流量样本数据的随机变化信息；

根据所述流量样本数据的所述长期变化趋势信息、周期变化信息、随机变化信息对网络流量进行预测。

另一方面，本发明实施例提供一种网络流量预测装置，其特征在于，包括：获取模块、第一处理模块、第二处理模块、第三处理模块和预测模块；

所述获取模块，用于获取网络流量的流量样本数据；

所述第一处理模块，用于确定所述流量样本数据的长期变化趋势信息；

所述第二处理模块，用于根据所述流量样本数据和所述长期变化趋势信息，确定所述流量样本数据的周期变化信息；

所述第三处理模块，用于根据所述流量样本数据、所述长期变化趋势信息和所述周期变化信息，确定所述流量样本数据的随机变化信息；

所述预测模块，用于根据所述流量样本数据的所述长期变化趋势信息、周期变化信息、随机变化信息对网络流量进行预测。

本发明提供的网络流量预测方法和装置，通过对流量样本数据进行分析，获取该流量样本数据的长期变化趋势信息、周期变化信息和随机变化信息，并根据上述长期变化趋势信息、周期变化信息和随机变化信息对网络流量进行预测，提高了预测的准确性，进而可对网络进行合理的资源配置。

附图说明

图1为本发明提供的网络流量预测方法一个实施例的流程图；

图2为本发明提供的网络流量预测方法另一个实施例的流程图；

图3为本发明实施例中一频域数据对应的频谱图；

图4为本发明提供的网络流量预测装置一个实施例的结构示意图；

图5为本发明提供的网络流量预测装置另一个实施例的结构示意图。

具体实施方式

本文中描述的技术可用于各种通信网络的数据业务流量的预测，例如当前2G，3G通信系统和下一代通信系统，例如全球移动通信系统（GSM，GlobalSystem for Mobile communications），码分多址（CDMA，Code Division MultipleAccess）系统，时分多址（TDMA，Time Division Multiple Access）系统，宽带码分多址（WCDMA，Wideband Code Division Multiple Access Wireless），频分多址（FDMA，Frequency Division Multiple Addressing）系统，正交频分多址（OFDMA，Orthogonal Frequency-Division Multiple Access）系统，单载波FDMA（SC-FDMA）系统，通用分组无线业务（GPRS，General Packet RadioService）系统，长期演进（LTE，Long Term Evolution）系统，以及其他此类通信系统。

图1为本发明提供的网络流量预测方法一个实施例的流程图。如图1所示，以下步骤的执行主体可以为网络中的网络设备、服务器，或是集成在该网络设备或服务器上的模块、芯片等。如图1所示，该网络流量预测方法具体包括：

S101，获取网络流量的流量样本数据；

该流量样本数据可以是现有网络架构中，流经某一网元如：无线网络控制器（Radio Network Controller，RNC）、服务GPRS支持节点（Serving GPRSSupport Node，SGSN）、网关GPRS支持节点(Gateway GPRS Support NodeGGSN)的流量的相关信息。该流量样本数据具体可以包括：流量样本采集时刻信息、流量样本大小信息和产生流量样本的网元信息等，例如网元的识别号。该流量样本数据可以通过上述执行主体周期性或实时对网元进行数据采集后获得。

S102，确定流量样本数据的长期变化趋势信息；

该流量样本数据的长期变化趋势信息可以反应网络流量随时间变化的一个整体的，长期的趋势。本方案中可以采用一元线性回归模型：

T_t=b+kt

来表示流量样本数据的长期变化趋势信息。其中b是常数（流量样本的初始值），k是流量样本的增长率，t表示一元线性时间序列中的时间序数，例如：0、1、2、3…，T_t表示时间序数为t时的流量样本值；

其中，一元线性回归模型常数b和回归参数k（流量样本的增长率）采用最小二乘法进行估计：

$b=\frac{1}{n}(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i-k\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{t}_i)$

$k=\frac{n{\mathrm{\Σ}}_{i=1}^n\left(t_i{y}_i\right)-{\mathrm{\Σ}}_{i=1}^n{t}_i{\mathrm{\Σ}}_{i=1}^n{y}_i}{n{\mathrm{\Σ}}_{i=1}^n{t_i}^2-{\left({\mathrm{\Σ}}_{i=1}^n{t}_i\right)}^2}$

其中，n表示样本数量，y_i表示第i个样本的网络流量，t_i表示第i个样本的时间序数，k表示网络流量增长率，b表示流量样本的初始值。

S103，根据流量样本数据和长期变化趋势信息，确定流量样本数据的周期变化信息；

具体地，可以将流量样本数据和长期变化趋势信息进行运算，得到流量样本数据的周期变化信息，该周期变化信息可以反应网络流量随时间变化的一个周期性的趋势。

S104，根据上述流量样本数据、长期变化趋势信息和周期变化信息，确定该流量样本数据的随机变化信息；

具体地，可以将流量样本数据、长期变化趋势信息以及周期变化信息进行运算，得到流量样本数据的随机变化信息。该随机变化信息可以反应出网络流量随时间变化的流量随机分布的概率。

S105，根据该流量样本数据的长期变化趋势信息、周期变化信息、随机变化信息对网络流量进行预测。

本实施例中，可以通过将流量样本数据、长期变化趋势信息、周期变化信息以及随机变化信息进行运算，得到网络流量的预测模型，该预测模型可以从流量样本数据的长期变化趋势特性、周期变化特性和随机变化特性几方面来对网络流量进行预测。该模型可以预测产生上述流量样本的网元在时间序数为t_i时对应的网络流量值，该预测的网络流量值也可以作为与该网元具有相近物理场景特征的相近区域的网络流量预测值。

本发明提供的网络流量预测方法，通过对流量样本数据进行分析，获取该流量样本数据的长期变化趋势信息、周期变化信息和随机变化信息，并通过该流量样本数据的长期变化趋势信息、周期变化信息和随机变化信息对网络流量进行预测，提高了预测的准确性，进而可对网络进行合理的资源配置。

图2为本发明提供的网络流量预测方法另一个实施例的流程图，是如图1所示实施例的一种具体的实现方式。如图2所示，所述方法具体包括：

S201，获取网络流量的流量样本数据；该流量样本数据包括：流量样本采集时刻信息、流量样本大小信息和产生流量样本的网元信息。

获取网络流量的流量样本数据的步骤可参看步骤101的相应内容。

S202，确定流量样本数据的长期变化趋势信息；该确定过程可参看步骤102的相应内容。

S203，根据长期变化趋势信息对流量样本数据进行去长期趋势化处理；

该去长期趋势化处理就是将长期变化趋势信息从流量样本数据中去除掉。采用的方法可以是用流量样本数据直接减去长期变化趋势信息，或者在长期变化趋势信息上乘以一定系数，再做减法运算，具体运算过程不作限定。优选的，本方案采用流量样本数据直接减去长期变化趋势信息实现对流量样本数据的去长期趋势化处理，这种方法简单，易于实现。

S204，对去长期趋势化处理后得到的数据进行快速傅里叶变换；

将上述去长期趋势化处理后得到的数据进行快速傅里叶变换，得到该数据的频域数据。

S205，根据快速傅里叶变换后得到数据的频谱图，确定流量样本数据的周期变化信息。

将经过上述快速傅里叶变换后得到的频域数据，根据其对应的频谱图特点对该频域数据的周期特性进行分析，从而确定流量样本数据的周期变化信息。具体的，本方案提供了确定该周期变化信息的一种具体实现方法。该方法包括：

将经过上述快速傅里叶变换后得到的频域数据对应的频谱图，按幅值大小进行降序排序处理；

在降序排序后的结果中选取满足一定条件的主要频点；该条件可以是针对幅值大小的或其他的限定条件。优选的，本方案中选取的主要频点其对应的幅值中最小的为不低于最大幅值的a%，a可以为0～100的任一数值。这样限定之后，就可以保证得到的频点的幅值是远大于未选中的频点的，其组合可以尽可能的展现出去长期趋势化处理后得到的数据的周期性信息的变化规律。对选取的主要频点，根据：

进行计算，得到流量样本数据的周期变化信息C_t，其中ω_i为所述主要频点对应的角频率，a_i为根据快速傅里叶变换后得到的数据，获得的所述主要频点对应的估计幅值，

为根据快速傅里叶变换后得到的数据，获得的主要频点对应的起始角度。本实施例中，采用最小二乘法对上述a_i和

进行参数估计。对于根据上述快速傅里叶变换后得到数据的频谱图，确定流量样本数据的周期变化信息的方法，本方案不作限定，本领域技术人员还可以根据上述数据信息运用其他方法或借助软件程序得到周期变化信息。上述步骤203～205为图1所示方法中步骤103的具体过程。

S206，根据流量样本数据、长期变化趋势信息和周期变化信息，确定该流量样本数据的随机变化信息I_t，其中I_t服从正态分布：

$f\left(x\right)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}{e}^{-\frac{{(x-\mathrm{\μ})}^2}{{2\mathrm{\σ}}^2}}$

其中，μ和σ²分别为所述流量样本数据进行去长期变化趋势信息和周期变化信息处理后获得的流量数据的均值和方差；

具体地，将流量样本数据、长期变化趋势信息和周期变化信息进行运算，得到流量样本数据的随机变化信息。该方法可以为：

将长期变化趋势信息和周期变化信息从流量样本数据中去除，该去除过程可以是流量样本数据直接减去长期变化趋势信息和周期变化信息，也可以是在长期变化趋势信息和周期变化信息前乘以一定系数，再做减法，得到随机变化信息，具体运算方法不作限定。

根据中心极限定理，可以认为该随机变化信息服从正态分布规律：

$f\left(x\right)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}{e}^{-\frac{{(x-\mathrm{\μ})}^2}{{2\mathrm{\σ}}^2}}$

其中，μ和σ²分别为流量样本数据进行去长期变化趋势信息和周期变化信息处理后获得的流量数据的均值和方差。

S207，根据流量预测模型：Y_t=T_t+C_t+I_t对网络流量进行预测，以获得网络流量预测值Y_t；其中，T_t为长期变化趋势信息、C_t为周期变化信息，I_t为随机变化信息。

将上述获取到的长期变化趋势信息、周期变化信息和随机变化信息进行运算，得到流量预测模型。优选的，本方案将上述长期变化趋势信息、周期变化信息，随机变化信息进行叠加得到流量预测模型，本领域技术人员也可以通过其他运算方法实现该流量预测模型的搭建。通过该流量预测模型：Y_t=T_t+C_t+I_t可以实现对网络流量的预测。

举例说明：选取A省2012年10月8日至10月13日WCDMA全网Gn口的网络流量数据实际测量值，如表1所示。其中，以前五天的网络流量数据作为流量样本数据，用来得到流量预测模型；第六天的数据作为对比数据，用来与通过预测模型得到的第六天的流量预测值进行对比。

表1A省2012年10月8日至10月13日WCDMA全网Gn口的网络流量数据实际测量值（时间/日-小时、流量值/MB）

时间	流量值	时间	流量值	时间	流量值	时间	流量值
								8-00	590877.8	9-12	754942.05	11-00	641467.2	12-12	777335.69
8-01	344479.11	9-13	825876.72	11-01	396176.21	12-13	856824.62
								8-02	216019.9	9-14	745582.82	11-02	278202.47	12-14	798260.85
8-03	149220.43	9-15	756692.22	11-03	205007.05	12-15	795305.2
								8-04	114691.36	9-16	762909.88	11-04	173782.99	12-16	780536.66
8-05	113691.6	9-17	718219.06	11-05	172517.76	12-17	763508.03
								8-06	195403.34	9-18	692612.16	11-06	256372.83	12-18	750706.8
8-07	341861.89	9-19	804344.59	11-07	413135.42	12-19	862368.32
								8-08	508356.78	9-20	927498.38	11-08	575261.74	12-20	962762.57
8-09	633065.35	9-21	1063723.48	11-09	704925.86	12-21	1093100.01
								8-10	707892.65	9-22	1107648.33	11-10	758777.36	12-22	1142465.4
8-11	708288.58	9-23	939379.71	11-11	733519.95	12-23	1017778.14
								8-12	723634.88	10-00	618689.08	11-12	762960.28	13-00	726473.14
8-13	808995.07	10-01	374146.29	11-13	867404.16	13-01	467492.2
								8-14	729091.86	10-02	252964.29	11-14	771152.16	13-02	321022.69
8-15	748048.77	10-03	191999.47	11-15	770465.85	13-03	228816
								8-16	732209.89	10-04	153415.56	11-16	764271.52	13-04	195794.43
8-17	710908.69	10-05	143411.22	11-17	721093.36	13-05	191348.78
								8-18	693366.77	10-06	241712.61	11-18	720523.17	13-06	283321.3
8-19	790430.47	10-07	408362.59	11-19	849395.32	13-07	477305.41
								8-20	938030.99	10-08	578745.21	11-20	976430.51	13-08	625218.11
8-21	1060497.02	10-09	691768.01	11-21	1086948.01	13-09	722484.66
								8-22	1076523.5	10-10	754382.62	11-22	1128627.01	13-10	775711.1
8-23	923686.3	10-11	749973.17	11-23	960485.71	13-11	808714.73
								9-00	625316.8	10-12	762773	12-00	638234.29	13-12	824364.44
9-01	371933.02	10-13	825183.14	12-01	392104.18	13-13	858313.13
								9-02	238311.39	10-14	743433.63	12-02	260466.15	13-14	826336.97
9-03	168506.19	10-15	750706.43	12-03	190223.1	13-15	806633.88
								9-04	129558.02	10-16	755500.76	12-04	161102.7	13-16	810591.13
9-05	132364.89	10-17	725213.99	12-05	167254.48	13-17	812382.82
								9-06	225877.17	10-18	704974.18	12-06	265008.16	13-18	810941.02
9-07	380468.04	10-19	823959.19	12-07	433688.66	13-19	897065.7
								9-08	542972.85	10-20	958634.23	12-08	593041.06	13-20	1010129.87
9-09	683745.79	10-21	1077366.01	12-09	719281.61	13-21	1144381.4
								9-10	744493.31	10-22	1110307.22	12-10	784517.36	13-22	1160920.2
9-11	732940.61	10-23	929086.3	12-11	765095.36	13-23	1023686.59

对表中数据套用一元线性回归模型，运用最小二乘法进行参数估计，得到拟合的参数如下：

流量样本的增长率k=1.9658GB/h

流量样本的初始值b=519.58GB

流量样本数据的长期变化趋势信息：T_t=1.9658t+519.58

对上述样本流量数据进行去长期趋势处理，并将处理后得到的数据进行快速傅里叶变换，得到该数据的频域数据。图3为该频域数据对应的频谱图。依照提取的点的幅值不低于最大幅值的10%的原则。提取频点值，从图中可以看出，应该为五个频点，它们分别为

和对应的时域周期分别为120小时、24小时、12小时、8小时和6小时。根据流量样本数据在时域存在的这种周期特性，用五个周期分别为120、24、12、8和6的正弦函数叠加来建模流量样本数据的周期变化信息，如下表达式：

$C_t=a_1\sin (\frac{\mathrm{\π}}{60}t+c_1)+a_2\sin (\frac{\mathrm{\π}}{12}t+c_2)+a_3\sin (\frac{\mathrm{\π}}{6}t+c_3)$

$+a_4\sin (\frac{\mathrm{\π}}{4}t+c_4)+a_5\sin (\frac{\mathrm{\π}}{3}t+c_5)$

采用最小二乘法对模型中的相关参数进行估计，参数估计结果为：a₁=67.13，c₁=1.605，a₂=302.6，c₂=3.091，a₃=235，c₃=2.102，a₄=70.27，c₄=2.258，a₅=49.94，c₅=3.225。因此，流量样本数据的周期变化信息可以表示为：

$C_t=67.13\sin (\frac{\mathrm{\π}}{60}t+1.605)+302.6\sin (\frac{\mathrm{\π}}{12}t+3.091)+235\sin (\frac{\mathrm{\π}}{6}t+2.102)$

$+70.27\sin (\frac{\mathrm{\π}}{4}t+2.258)+49.94\sin (\frac{\mathrm{\π}}{3}t+3.225)$

将长期变化趋势信息和周期变化信息从流量样本数据中去除，并对去除后的流量样本数据进行均值和方差计算，得到：

均值μ=-0.6126GB，方差σ²=729.14GB，假设随机变化信息服从正态分布，则随机变化信息对应的分布为：

其中，μ为上述均值，σ²为上述方差，该随机变化信息可表示为：I_t=N(-0.6126,729.14)。

则根据流量预测模型：Y_t=T_t+C_t+I_t得到的预测模型表达式为：

$Y_t=T_t+C_t+I_t$

$=1.9658t+519.58+67.13\sin (\frac{\mathrm{\π}}{60}t+1.605)+302.6\sin (\frac{\mathrm{\π}}{12}t+3.091)$

$+235\sin (\frac{\mathrm{\π}}{6}t+2.102)+70.27\sin (\frac{\mathrm{\π}}{4}t+2.258)+49.94\sin (\frac{\mathrm{\π}}{3}t+3.225)$

$+N(-\mathrm{0.6126,729.14})$

通过上述预测模型对13日的流量进行预测。为了对预测准确性进行定量的评估，引入预测误差率ε这个指标。预测误差率ε定义为：

$\mathrm{\ϵ}=\frac{1}{m}\underset{t=1}{\overset{m}{\mathrm{\Σ}}}\frac{|P\left(t\right)-X\left(t\right)|}{X\left(t\right)}$

其中P(t)指示t时刻的网络流量的预测值，X(t)指示t时刻网络流量的实测值，m为预测的时长，单位为小时。因此，ε值越小，则预测准确率越高，反之，预测准确性则越低。按照ε的定义，求得2012年10月13日（周六）业务流量预测的误差率为5.83%。

本发明提供的网络流量预测方法，通过对流量样本数据进行分析，获取该流量样本数据的长期变化趋势信息、周期变化信息和随机变化信息，并通过该流量样本数据的长期变化趋势信息、周期变化信息和随机变化信息对网络流量进行预测，提高了预测的准确性，进而可对网络进行合理的资源配置。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

图4为本发明提供的网络流量预测装置一个实施例的结构示意图。该结构示意图可以执行如图1实施例中的网络流量预测方法的步骤。如图4所示，该网络流量预测装置包括：获取模块41、第一处理模块42、第二处理模块43、第三处理模块44和预测模块45，其中：

获取模块41，用于获取网络流量的流量样本数据；

第一处理模块42，用于确定流量样本数据的长期变化趋势信息；

第二处理模块43，用于根据流量样本数据和长期变化趋势信息，确定该流量样本数据的周期变化信息；

第三处理模块44，用于根据流量样本数据、长期变化趋势信息和周期变化信息，确定该流量样本数据的随机变化信息；

预测模块45，用于根据流量样本数据的长期变化趋势信息、周期变化信息、随机变化信息对网络流量进行预测。

具体地，当需要对现网中流经某一网元的流量值进行预测时，需通过获取模块41获取流经该网元的网络流量的流量样本数据。该网元可以为：无线网络控制器（Radio Network Controller，RNC）、服务GPRS支持节点（ServingGPRS Support Node，SGSN）、网关GPRS支持节点(Gateway GPRS SupportNode GGSN)的流量相关信息。该流量样本数据具体可以包括：流量样本采集时刻信息、流量样本大小信息和产生流量样本的网元信息，例如网元的识别号。该流量样本数据可以通过上述执行主体周期性或实时对网元进行数据采集后获得。

通过第一处理模块42确定由获取模块41获取的流量样本数据的长期变化趋势信息。该流量样本数据的长期变化趋势信息可以反应网络流量随时间变化的一个整体的，长期的趋势。具体确定方法可参见步骤102的相应内容。

通过第二处理模块43，根据上述流量样本数据和长期变化趋势信息，确定流量样本数据的周期变化信息；具体地，可以将流量样本数据和长期变化趋势信息进行运算，得到流量样本数据的周期变化信息，该周期变化信息可以反应网络流量随时间变化的一个周期性的趋势。

通过第三处理模块44，根据上述流量样本数据、长期变化趋势信息和周期变化信息，确定该流量样本数据的随机变化信息；具体地，可以将流量样本数据、长期变化趋势信息以及周期变化信息进行运算，得到流量样本数据的随机变化信息。该随机变化信息可以反应出网络流量随时间变化的流量随机分布的概率。

通过预测模块45，根据流量样本数据的长期变化趋势信息、周期变化信息、随机变化信息对网络流量进行预测。具体地，可以将流量样本数据、长期变化趋势信息、周期变化信息以及随机变化信息进行运算，得到网络流量的预测模型，该预测模型可以从流量样本数据的长期变化趋势特性、周期变化特性和随机变化特性几方面来对网络流量进行预测。该模型可以预测产生上述流量样本的网元在时间序数为t_i时对应的网络流量值。该预测的网络流量值也可以作为与该网元具有相近物理场景特征的相近区域的网络流量预测值。

本发明提供的网络流量预测装置，通过对流量样本数据进行分析，获取该流量样本数据的长期变化趋势信息、周期变化信息和随机变化信息，并通过该流量样本数据的长期变化趋势信息、周期变化信息和随机变化信息对网络流量进行预测，提高了预测的准确性，进而可对网络进行合理的资源配置。

图5为本发明提供的网络流量预测装置另一个实施例的结构示意图。该结构示意图是如图4所示实施例的一种具体的实现方式，可以执行如图2所示的网络流量预测方法的步骤。如图5所示，该网络流量预测装置包括：获取模块51、第一处理模块52、第二处理模块53、第三处理模块54和预测模块55，其中：

获取模块51，用于获取网络流量的流量样本数据；

第一处理模块52，用于确定流量样本数据的长期变化趋势信息；所述获取模块获取网络流量的流量样本数据包括：流量样本采集时刻信息、流量样本大小信息和产生流量样本的网元信息；

第二处理模块53，用于根据流量样本数据和长期变化趋势信息，确定该流量样本数据的周期变化信息，该第二处理模块53具体包括：第一处理单元531、变换单元532、选取单元533和第二处理单元534，其中：

第一处理单元531，用于根据长期变化趋势信息对流量样本数据进行去长期趋势化处理；

变换单元532，用于对去长期趋势化处理后得到的数据进行快速傅里叶变换；

选取单元533，用于选取上述根据快速傅里叶变换后得到数据的频谱图中的主要频点，以及该主要频点对应的幅值；

第二处理单元534，用于根据：

确定该流量样本数据的周期变化信息C_t；其中ω_i为所述主要频点对应的角频率，a_i为根据快速傅里叶变换后得到的数据，获得的所述主要频点对应的估计幅值，

为根据快速傅里叶变换后得到的数据，获得的主要频点对应的起始角度。

第三处理模块54，用于根据流量样本数据、长期变化趋势信息和周期变化信息，确定该流量样本数据的随机变化信息I_t；具体地，该随机变化信息I_t服从正态分布： $f\left(x\right)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}{e}^{-\frac{{(x-\mathrm{\μ})}^2}{{2\mathrm{\σ}}^2}}$

其中，μ和σ²分别为所述流量样本数据进行去长期变化趋势信息和周期变化信息处理后获得的流量数据的均值和方差。

预测模块55，用于根据流量预测模型：Y_t=T_t+C_t+I_t对网络流量进行预测，以获得网络流量预测值Y_t；其中，T_t为长期变化趋势信息、C_t为周期变化信息，I_t为随机变化信息。

具体地，当需要对现网中流经某一网元的流量值进行预测时，需通过获取模块51获取流经该网元的网络流量的流量样本数据。该网元可以为：无线网络控制器（Radio Network Controller，RNC）、服务GPRS支持节点（ServingGPRS Support Node，SGSN）、网关GPRS支持节点(Gateway GPRS SupportNode GGSN)的流量相关信息。该流量样本数据具体可以包括：流量样本采集时刻信息、流量样本大小信息和产生流量样本的网元信息，例如网元的识别号。该流量样本数据可以通过上述执行主体周期性或实时对网元进行数据采集后获得。

通过第一处理模块52确定由获取模块51获取的流量样本数据的长期变化趋势信息。该流量样本数据的长期变化趋势信息可以反应网络流量随时间变化的一个整体的，长期的趋势。具体确定方法可参见步骤102的相应内容。

通过第二处理模块53，根据上述流量样本数据和长期变化趋势信息，确定流量样本数据的周期变化信息；具体地，可以通过第二处理模块53中的第一处理单元531根据长期变化趋势信息对流量样本数据进行去长期趋势化处理，该处理过程可参看步骤203的相应内容。通过变换单元532，对去长期趋势化处理后得到的数据进行快速傅里叶变换，得到该数据的频域数据。最后通过选取单元533和第二处理单元534，根据快速傅里叶变换后得到数据的频谱图，确定流量样本数据的周期变化信息；具体地，可以通过选取单元533在进行降序排序处理后的上述频域数据对应的频谱图中选取主要频点以及该频点对应的幅值；然后通过第二处理单元534，根据：

确定该流量样本数据的周期变化信息C_t；其中ω_i为所述主要频点对应的角频率，a_i为根据快速傅里叶变换后得到的数据，获得的所述主要频点对应的估计幅值，为根据快速傅里叶变换后得到的数据，获得的主要频点对应的起始角度。该选取单元533以及第二处理单元534的具体功能及步骤，可参看步骤205的相应内容。

通过第三处理模块54，根据流量样本数据、长期变化趋势信息和周期变化信息，确定该流量样本数据的随机变化信息I_t，其中I_t服从正态分布：

$f\left(x\right)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}{e}^{-\frac{{(x-\mathrm{\μ})}^2}{{2\mathrm{\σ}}^2}}$

其中，μ和σ²分别为所述流量样本数据进行去长期变化趋势信息和周期变化信息处理后获得的流量数据的均值和方差；

具体地,通过第三处理模块54，根据流量样本数据、长期变化趋势信息和周期变化信息，确定该流量样本数据的随机变化信息I_t的步骤可参看步骤206的相应内容。

通过预测模块55，根据流量预测模型：Y_t=T_t+C_t+I_t对网络流量进行预测，以获得网络流量预测值Y_t；其中，T_t为长期变化趋势信息、C_t为周期变化信息，I_t为随机变化信息。具体的，对应流量预测模型的选取和对网络流量进行预测的具体步骤可参看步骤207的相应内容。

本发明提供的网络流量预测装置，通过对流量样本数据进行分析，获取该流量样本数据的长期变化趋势信息、周期变化信息和随机变化信息，并通过该流量样本数据的长期变化趋势信息、周期变化信息和随机变化信息对网络流量进行预测，提高了预测的准确性，进而可对网络进行合理的资源配置。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种网络流量预测方法，其特征在于，包括：

获取网络流量的流量样本数据；

确定所述流量样本数据的长期变化趋势信息；

根据所述流量样本数据和所述长期变化趋势信息，确定所述流量样本数据的周期变化信息；

根据所述流量样本数据、所述长期变化趋势信息和所述周期变化信息，确定所述流量样本数据的随机变化信息；

根据所述流量样本数据的所述长期变化趋势信息、周期变化信息、随机变化信息对网络流量进行预测。

2.根据权利要求1所述的网络流量预测方法，其特征在于，所述流量样本数据包括：流量样本采集时刻信息、流量样本大小信息和产生流量样本的网元信息。

3.根据权利要求1或2所述的网络流量预测方法，其特征在于，所述根据所述流量样本数据和所述长期变化趋势信息，确定所述流量样本数据的周期变化信息，包括：

根据所述长期变化趋势信息对所述流量样本数据进行去长期趋势化处理；

对去长期趋势化处理后得到的数据进行快速傅里叶变换；

选取所述快速傅里叶变换后得到数据的频谱图中的主要频点，以及所述主要频点对应的幅值，根据：

确定所述流量样本数据的周期变化信息C_t；其中ω_i为所述主要频点对应的角频率，a_i为根据所述快速傅里叶变换后得到的数据，获得的所述主要频点对应的估计幅值，为根据所述快速傅里叶变换后得到的数据，获得的所述主要频点对应的起始角度。

4.根据权利要求3所述的网络流量预测方法，其特征在于，所述根据所述流量样本数据、所述长期变化趋势信息和所述周期变化信息，确定所述流量样本数据的随机变化信息I_t服从正态分布：

$f\left(x\right)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}{e}^{-\frac{{(x-\mathrm{\μ})}^2}{{2\mathrm{\σ}}^2}}$

其中，μ和σ²分别为所述流量样本数据进行去长期变化趋势信息和周期变化信息处理后获得的流量数据的均值和方差。

5.根据权利要求1或2或4所述的网络流量预测方法，其特征在于，所述根据所述流量样本数据的所述长期变化趋势信息、周期变化信息、随机变化信息对网络流量进行预测，具体为：

根据流量预测模型：Y_t=T_t+C_t+I_t对网络流量进行预测，以获得网络流量预测值Y_t；其中，T_t为所述长期变化趋势信息、C_t为所述周期变化信息，I_t为所述随机变化信息。

6.一种网络流量预测装置，其特征在于，包括：获取模块、第一处理模块、第二处理模块、第三处理模块和预测模块；

所述获取模块，用于获取网络流量的流量样本数据；

所述第一处理模块，用于确定所述流量样本数据的长期变化趋势信息；

所述第二处理模块，用于根据所述流量样本数据和所述长期变化趋势信息，确定所述流量样本数据的周期变化信息；

所述第三处理模块，用于根据所述流量样本数据、所述长期变化趋势信息和所述周期变化信息，确定所述流量样本数据的随机变化信息；

所述预测模块，用于根据所述流量样本数据的所述长期变化趋势信息、周期变化信息、随机变化信息对网络流量进行预测。

7.根据权利要求6所述的网络流量预测装置，其特征在于，所述获取模块获取网络流量的流量样本数据包括：流量样本采集时刻信息、流量样本大小信息和产生流量样本的网元信息。

8.根据权利要求6或7所述的网络流量预测装置，其特征在于，所述第二处理模块包括：第一处理单元、变换单元、选取单元和第二处理单元；

所述第一处理单元，用于根据所述长期变化趋势信息对所述流量样本数据进行去长期趋势化处理；

所述变换单元，用于对去长期趋势化处理后得到的数据进行快速傅里叶变换；

所述选取单元，用于选取所述快速傅里叶变换后得到数据的频谱图中的主要频点，以及所述主要频点对应的幅值；

所述第二处理单元，用于根据：

确定所述流量样本数据的周期变化信息C_t；其中ω_i为所述主要频点对应的角频率，a_i为根据所述快速傅里叶变换后得到的数据，获得的所述主要频点对应的估计幅值，

为根据所述快速傅里叶变换后得到的数据，获得的所述主要频点对应的起始角度。

9.根据权利要求8所述的网络流量预测装置，其特征在于，所述第三处理模块根据所述流量样本数据、所述长期变化趋势信息和所述周期变化信息，确定所述流量样本数据的随机变化信息I_t服从正态分布：

$f\left(x\right)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}{e}^{-\frac{{(x-\mathrm{\μ})}^2}{{2\mathrm{\σ}}^2}}$

其中，μ和σ²分别为所述流量样本数据进行去长期变化趋势信息和周期变化信息处理后获得的流量数据的均值和方差。

10.根据权利要求6或7或9所述的网络流量预测装置，其特征在于，所述预测模块根据所述流量样本数据的所述长期变化趋势信息、周期变化信息、随机变化信息对网络流量进行预测，具体为：

根据流量预测模型：Y_t=T_t+C_t+I_t对网络流量进行预测，以获得网络流量预测值Y_t；其中，T_t为所述长期变化趋势信息、C_t为所述周期变化信息，I_t为所述随机变化信息。

Images