CN107277844A - 一种基于时间序列的电信网络高负荷小区预警方法 - Google Patents
一种基于时间序列的电信网络高负荷小区预警方法 Download PDFInfo
- Publication number
- CN107277844A CN107277844A CN201710610159.9A CN201710610159A CN107277844A CN 107277844 A CN107277844 A CN 107277844A CN 201710610159 A CN201710610159 A CN 201710610159A CN 107277844 A CN107277844 A CN 107277844A
- Authority
- CN
- China
- Prior art keywords
- high load
- load capacity
- capacity cell
- index
- cell
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000004891 communication Methods 0.000 title claims abstract description 16
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract description 24
- 238000012544 monitoring process Methods 0.000 claims abstract description 12
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 6
- 241001269238 Data Species 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 230000003449 preventive effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000001960 triggered effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000010295 mobile communication Methods 0.000 abstract description 3
- 240000002853 Nelumbo nucifera Species 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 2
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于时间序列的电信网络高负荷小区预警方法,属于移动通信网络技术领域,使用ARIMA模型对电信网络高负荷小区相关的周期性指标进行预测,高负荷小区根据周期性指标集合的预测值进行综合判断,指标预测的时间长度根据指标的周期进行调整,高负荷小区相关的每一个指标对应一个ARIMA模型。本发明解决了传统监控方法只能事后进行网络调整的问题,可以提前对高负荷小区进行预测,并采取相应措施进行网络优化调整,有效减少因为小区指标超负荷导致的网络问题,提高网络优化响应速度,提升用户的网络使用满意度。
Description
技术领域
本发明涉及移动通信网络技术领域,具体涉及一种基于时间序列的电信网络高负荷小区预警方法。
背景技术
移动通信网络管理系统中,针对网络中的高负荷小区的监控,是监控和保障通信网络正常运行的重要手段。如果小区网络指标超出阈值,需要快速定位并查出导致网络质量下降的原因,采取应急资源调度等措施保证网络质量。
这种事中监控,事后处理的方法无法对网络状况进行提前判断,无法对高负荷小区进行预警,造成网络质量下降后相关处理手段才开始执行,导致用户的网络体验受到较大影响。
发明内容
本发明的技术任务是提供一种基于时间序列的电信网络高负荷小区预警方法,通过对高负荷小区相关的周期性指标进行预测,利用预测的指标值进行高负荷小区判断,可以提前对相关小区进行高负荷预警,对预测出的高负荷小区提前进行应急资源调度等相关措施。
本发明解决其技术问题所采用的技术方案是:
一种基于时间序列的电信网络高负荷小区预警方法,使用ARIMA模型对电信网络高负荷小区相关的周期性指标进行预测, 高负荷小区根据周期性指标集合的预测值进行综合判断, 指标预测的时间长度根据指标的周期进行调整, 高负荷小区相关的每一个指标对应一个ARIMA模型。
该方法的实现步骤为:
1)、根据高负荷小区的判断规则提取所有相关小区指标数据,对小区高负荷相关指标进行处理,将按照时间统计的指标值转换为时间序列,并对时间序列进行缺失值填充、异常值处理;
2)、对小区高负荷相关的指标进行周期性分析,确定所有指标都有周期性特征,使得利用周期性时间序列ARIMA模型能够准确的进行相关指标预测,并将指标周期作为预测长度的基准;
3)、利用高负荷小区相关指标的历史时间序列,完成各个指标的ARIMA预测模型训练;
4)、利用ARIMA预测模型分别对高负荷小区相关指标进行预测,预测多个周期,遍历指标集完成高负荷小区相关所有指标预测;
5)、根据ARIMA模型的指标预测结果,利用预测的指标值结合高负荷规则对小区进行高负荷判断,将高负荷小区进行标识更新在数据库中;
6)、将预测出的高负荷小区相关信息推送至监控人员,监控人员可以通过手工方式进行故障工单派发,也可以自动触发进行工单派发,根据高负荷小区工单,进行应急资源调度等处理手段进行网络负荷提前预防;
7)、根据预测结果结合网络负荷预防效果,综合评价ARIMA预测高负荷小区的准确性,并不断优化完善ARIMA预测模型。
本发明的一种基于时间序列的电信网络高负荷小区预警方法与现有技术相比,具有以下有益效果:
利用周期性时间序列ARIMA模型,对高负荷小区相关指标进行预测,并利用预测结果对小区提前进行高负荷判断,可以提前几个小时甚至几天对相关小区进行高负荷预警,对预测出的高负荷小区提前进行应急资源调度等相关措施,解决了传统监控方法无法提前进行网络负荷评估的问题。利用高负荷小区预测结果,可以提前对网络资源进行调度配置,对于通信网络的监控从事后处理转变为事先预测、提前预防,有效降低了因为网络负荷带来的用户网络体验差问题。提高网络优化响应速度,提升用户的网络使用满意度。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
一种基于时间序列的电信网络高负荷小区预警方法,使用ARIMA模型对电信网络高负荷小区相关的周期性指标进行预测, 高负荷小区根据周期性指标集合的预测值进行综合判断, 指标预测的时间长度根据指标的周期进行调整, 高负荷小区相关的每一个指标对应一个ARIMA模型。
该方法的实现步骤为:
1)、根据高负荷小区的判断规则提取所有相关小区指标数据,对小区高负荷相关指标进行处理,将按照时间统计的指标值转换为时间序列,并对时间序列进行缺失值填充、异常值处理;
2)、对小区高负荷相关的指标进行周期性分析,确定所有指标都有周期性特征,使得利用周期性时间序列ARIMA模型能够准确的进行相关指标预测,并将指标周期作为预测长度的基准;
3)、利用高负荷小区相关指标的历史时间序列,完成各个指标的ARIMA预测模型训练;
4)、利用ARIMA预测模型分别对高负荷小区相关指标进行预测,预测多个周期,遍历指标集完成高负荷小区相关所有指标预测;
5)、根据ARIMA模型的指标预测结果,利用预测的指标值结合高负荷规则对小区进行高负荷判断,将高负荷小区进行标识更新在数据库中;
6)、将预测出的高负荷小区相关信息推送至监控人员,监控人员可以通过手工方式进行故障工单派发,也可以自动触发进行工单派发,根据高负荷小区工单,进行应急资源调度等处理手段进行网络负荷提前预防;
7)、根据预测结果结合网络负荷预防效果,综合评价ARIMA预测高负荷小区的准确性,并不断优化完善ARIMA预测模型。
利用周期性时间序列预测ARIMA模型对小区无线网络指标进行预测,并结合各个指标的预测值进行小区高负荷判断,提前预警小区网络负荷,提高了应急资源调度的准确性,增强用户对于网络体验的满意度水平。这种方法解决了传统监控方法只能事后进行网络调整的问题,可以提前对高负荷小区进行预测,并采取相应措施进行网络优化调整,减少因为小区指标超负荷导致的网络问题。
通过上面具体实施方式,所述技术领域的技术人员可容易的实现本发明。但是应当理解,本发明并不限于上述的具体实施方式。在公开的实施方式的基础上,所述技术领域的技术人员可任意组合不同的技术特征,从而实现不同的技术方案。
Claims (2)
1.一种基于时间序列的电信网络高负荷小区预警方法,其特征在于使用ARIMA模型对电信网络高负荷小区相关的周期性指标进行预测, 高负荷小区根据周期性指标集合的预测值进行综合判断, 指标预测的时间长度根据指标的周期进行调整, 高负荷小区相关的每一个指标对应一个ARIMA模型。
2.根据权利要求1所述的一种基于时间序列的电信网络高负荷小区预警方法,其特征在于该方法的实现步骤为:
1)、根据高负荷小区的判断规则提取所有相关小区指标数据,对小区高负荷相关指标进行处理,将按照时间统计的指标值转换为时间序列,并对时间序列进行缺失值填充、异常值处理;
2)、对小区高负荷相关的指标进行周期性分析,确定所有指标都有周期性特征,使得利用周期性时间序列ARIMA模型能够准确的进行相关指标预测,并将指标周期作为预测长度的基准;
3)、利用高负荷小区相关指标的历史时间序列,完成各个指标的ARIMA预测模型训练;
4)、利用ARIMA预测模型分别对高负荷小区相关指标进行预测,预测多个周期,遍历指标集完成高负荷小区相关所有指标预测;
5)、根据ARIMA模型的指标预测结果,利用预测的指标值结合高负荷规则对小区进行高负荷判断,将高负荷小区进行标识更新在数据库中;
6)、将预测出的高负荷小区相关信息推送至监控人员,监控人员可以通过手工方式进行故障工单派发,也可以自动触发进行工单派发,根据高负荷小区工单,进行应急资源调度等处理手段进行网络负荷提前预防;
7)、根据预测结果结合网络负荷预防效果,综合评价ARIMA预测高负荷小区的准确性,并不断优化完善ARIMA预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710610159.9A CN107277844A (zh) | 2017-07-25 | 2017-07-25 | 一种基于时间序列的电信网络高负荷小区预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710610159.9A CN107277844A (zh) | 2017-07-25 | 2017-07-25 | 一种基于时间序列的电信网络高负荷小区预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107277844A true CN107277844A (zh) | 2017-10-20 |
Family
ID=60079130
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710610159.9A Pending CN107277844A (zh) | 2017-07-25 | 2017-07-25 | 一种基于时间序列的电信网络高负荷小区预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107277844A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108777870A (zh) * | 2018-06-06 | 2018-11-09 | 湖北邮电规划设计有限公司 | 基于皮尔森系数的lte高负荷小区甄别方法及系统 |
CN111356148A (zh) * | 2018-12-21 | 2020-06-30 | 中兴通讯股份有限公司 | 一种实现网络优化的方法及相关设备 |
CN111385128A (zh) * | 2018-12-29 | 2020-07-07 | 中兴通讯股份有限公司 | 突发负荷的预测方法及装置、存储介质、电子装置 |
CN112308345A (zh) * | 2020-11-30 | 2021-02-02 | 中国联合网络通信集团有限公司 | 通信网络负荷预测方法、装置及服务器 |
CN115396328A (zh) * | 2021-05-08 | 2022-11-25 | 中国移动通信有限公司研究院 | 一种网络指标预测方法、装置及电子设备 |
-
2017
- 2017-07-25 CN CN201710610159.9A patent/CN107277844A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108777870A (zh) * | 2018-06-06 | 2018-11-09 | 湖北邮电规划设计有限公司 | 基于皮尔森系数的lte高负荷小区甄别方法及系统 |
CN108777870B (zh) * | 2018-06-06 | 2021-06-08 | 湖北邮电规划设计有限公司 | 基于皮尔森系数的lte高负荷小区甄别方法及系统 |
CN113133035A (zh) * | 2018-06-06 | 2021-07-16 | 湖北邮电规划设计有限公司 | 一种lte高负荷小区甄别方法及系统 |
CN113133035B (zh) * | 2018-06-06 | 2022-07-22 | 湖北邮电规划设计有限公司 | 一种lte高负荷小区甄别方法及系统 |
CN111356148A (zh) * | 2018-12-21 | 2020-06-30 | 中兴通讯股份有限公司 | 一种实现网络优化的方法及相关设备 |
CN111356148B (zh) * | 2018-12-21 | 2023-03-24 | 中兴通讯股份有限公司 | 一种实现网络优化的方法及相关设备 |
CN111385128A (zh) * | 2018-12-29 | 2020-07-07 | 中兴通讯股份有限公司 | 突发负荷的预测方法及装置、存储介质、电子装置 |
CN112308345A (zh) * | 2020-11-30 | 2021-02-02 | 中国联合网络通信集团有限公司 | 通信网络负荷预测方法、装置及服务器 |
CN115396328A (zh) * | 2021-05-08 | 2022-11-25 | 中国移动通信有限公司研究院 | 一种网络指标预测方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107277844A (zh) | 一种基于时间序列的电信网络高负荷小区预警方法 | |
CN103632212B (zh) | 一种时变用户均衡动态网络演化客流预测系统和方法 | |
CN109272276B (zh) | 一种库存补货管理方法以及装置 | |
CN103018418A (zh) | 景观水体水质在线预警系统 | |
CN106779129A (zh) | 一种考虑气象因素的短期电力负荷预测方法 | |
KR101379407B1 (ko) | 기후요인의 연직변화량을 고려한 초고층 빌딩 건설 프로젝트 공사기간 예측 시스템 | |
KR101800286B1 (ko) | 대용량 에너지 사용 데이터를 이용한 에너지 관리 서비스 방법 및 이를 위한 에너지 관리 시스템 | |
US20100274611A1 (en) | Discrete resource management | |
CN102184490A (zh) | 城市水资源实时监控与管理系统及方法 | |
Cats et al. | Evaluating the added-value of online bus arrival prediction schemes | |
CN110889466B (zh) | 一种基于线损分类器的台区线损分析方法 | |
CN108615391A (zh) | 一种公交智能调度方法、系统及介质 | |
Wang et al. | A load modeling algorithm for distribution system state estimation | |
CN115689177A (zh) | 一种基于机器学习的变电检修计划智能排程策略方法 | |
CN116843071B (zh) | 一种用于智慧港口的运输网络运行指数预测方法及装置 | |
KR101049405B1 (ko) | 교량 자산관리 시스템 | |
CN107527121A (zh) | 一种电网的信息系统运行状态诊断预测的方法 | |
CN106713267A (zh) | 一种网络安全评估方法及系统 | |
CN105488572A (zh) | 一种配电设备健康状态评价方法 | |
CN107679666A (zh) | 一种基于Shapley值及经济发展的用电预测方法 | |
CN104618133B (zh) | 一种电网电压质量监测数据采集方法及系统 | |
CN103530190B (zh) | 一种负载预测方法及装置 | |
CN106447067A (zh) | 基于自适应非线性回归模型的台区日用电量的预测方法 | |
CN110689197A (zh) | 一种增量配电网投资决策方法 | |
CN116050788A (zh) | 一种工业智能排产管理系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171020 |
|
WD01 | Invention patent application deemed withdrawn after publication |