CN109088742B - 一种业务预测方法及网元设备、计算机可读存储介质 - Google Patents

一种业务预测方法及网元设备、计算机可读存储介质 Download PDF

Info

Publication number
CN109088742B
CN109088742B CN201710454470.9A CN201710454470A CN109088742B CN 109088742 B CN109088742 B CN 109088742B CN 201710454470 A CN201710454470 A CN 201710454470A CN 109088742 B CN109088742 B CN 109088742B
Authority
CN
China
Prior art keywords
value
service load
time period
weight
service
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.)
Active
Application number
CN201710454470.9A
Other languages
English (en)
Other versions
CN109088742A (zh
Inventor
王希栋
何金薇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Mobile Communications Group Co Ltd
China Mobile Communications Ltd Research Institute
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Communications Ltd Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Mobile Communications Group Co Ltd, China Mobile Communications Ltd Research Institute filed Critical China Mobile Communications Group Co Ltd
Priority to CN201710454470.9A priority Critical patent/CN109088742B/zh
Publication of CN109088742A publication Critical patent/CN109088742A/zh
Application granted granted Critical
Publication of CN109088742B publication Critical patent/CN109088742B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/04—Arrangements for maintaining operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour

Abstract

本发明公开了一种业务预测方法和网元设备、计算机可读存储介质，其中，所述方法包括：根据历史业务负荷数据得到第一业务负荷值；根据当天业务负荷数据得到第二业务负荷值；根据所述第一业务负荷值和所述第二业务负荷值得到业务负荷预测值；所述业务负荷预测值为当天非本时段的前一时段预测值时，对所述前一时段预测值与获得的实际业务负荷进行差值运算，得到差值；如果所述差值小于等于门限值，则在本时段采用所述前一时段的运算参数进行业务负荷的预测，否则，对所述前一时段的运算参数进行调整，在本时段根据调整后的运算参数进行业务负荷的预测。

Description

一种业务预测方法及网元设备、计算机可读存储介质
技术领域
本发明涉及通信技术，尤其涉及一种业务预测方法及网元设备、计算机可读存储介质。
背景技术
随着近年来移动通信技术的发展和移动通信用户数的不断攀升，移动通信为用户提供的业务种类和业务速率也大幅提高，以4G网络为例，用户可享受的瞬时下行速率已经超过100M。用户体验的改善和用户数量的上升也导致了网络业务负荷的上涨。据统计，到2020年，全球移动网络平均速度将比2015年(2.0Mbps)增长3.2倍，达到6.5Mbps。全球4G采用率是移动速度提升的主要催化剂。分析同时说明到2020年：4G联接将占到总体移动联接数量的40.5％，相比2015年的13.7％增长显著；同时从2015年到2020年，4G流量将增长13倍。
移动通信业务量的急剧增长导致了网络规模的不断扩大和网络架构的日趋复杂。面对庞大而复杂的现网环境，运营商需要更加精确而及时的网络规划和优化。
网络业务负荷预测，作为网络规划和优化的重要手段，可以准确的预测网络业务负荷变化能够辅助网络进行有效管理和维护，保证网络稳定运行。但是，由于移动通信业务同时具有较强的规律性又有一定的突发性的特点，因此，准确预测业务负荷变化一直是网络规划优化中的难点。
目前，业务预测方法主要有回归分析预测法和时间序列预测法两类。时间序列预测法，是将预测目标的历史数据按照时间的顺序排列成为时间序列，然后分析它随时间的变化趋势，外推预测目标的未来值。而回归分析预测法是从各种数据之间的相互关系出发，通过对与预测对象有联系的现象变动趋势的分析，是推算预测对象未来状态数量表现的一种预测方法。
采用上述业务预测方法存在的缺陷是：1)在多元线性回归运算中，认为输入序列所有点均有一样的权值，忽视了业务量周期性变化的特点，且回归分析预测法是根据输入序列进行单向预测，没有对预测结果进行自适应、自学习的修正，当预测结果出现偏差时，无法自动调整以获得更好的预测准确率。2)时间序列预测方法虽然会选取不同维度的历史数据赋予不同的权值，对离预测时间点较近的历史数据有更高的权重。但是，同样的，预测对象在预测期总是无法突破历史出现的顶峰或者最低谷。这种缺陷的存在，对于单一趋势的序列预测，同样将会产生越来越大的误差。
发明内容
有鉴于此，本发明实施例希望提供一种业务预测方法及网元设备，至少解决了上述业务预测技术存在的问题。
本发明实施例的技术方案是这样实现的：
本发明实施例的一种业务预测方法，所述方法包括：
根据历史业务负荷数据得到第一业务负荷值；
根据当天业务负荷数据得到第二业务负荷值；
根据所述第一业务负荷值和所述第二业务负荷值得到业务负荷预测值；
所述业务负荷预测值为当天非本时段的前一时段预测值时，对所述前一时段预测值与获得的实际业务负荷进行差值运算，得到差值；
如果所述差值小于等于门限值，则在本时段采用所述前一时段的运算参数进行业务负荷的预测，否则，对所述前一时段的运算参数进行调整，在本时段根据调整后的运算参数进行业务负荷的预测。
上述方案中，所述根据历史业务负荷数据得到第一业务负荷值，包括：
获取当天之前至少两天的历史业务负荷数据；
根据所述历史业务负荷数据中，当天之前的每天第n时段的业务负荷数据进行预测，得到至少一个第一业务负荷值。
上述方案中，所述根据当天业务负荷数据得到第二业务负荷值，包括：
获取当天业务负荷数据；
根据所述当天业务负荷数据中，当天第n时段之前时段的业务负荷数据进行预测，得到至少一个第二业务负荷值。
上述方案中，所述根据所述第一业务负荷值和所述第二业务负荷值得到业务负荷预测值，包括：
将所述至少一个第一业务负荷值按照时间序列进行预测，得到当天第n-1时段的第一业务负荷值；
将所述至少一个第二业务负荷值按照回归分析进行预测，得到当天第n-1时段的第二业务负荷值；
根据所述当天第n-1时段的第一业务负荷值和所述当天第n-1时段的第二业务负荷值，得到所述当天非本时段的前一时段预测值，记为第n-1时段的预测值。
上述方案中，如果所述差值小于等于门限值，则在本时段采用所述前一时段的运算参数进行业务负荷的预测，否则，对所述前一时段的运算参数进行调整，在本时段根据调整后的运算参数进行业务负荷的预测，包括：
根据所述第n-1时段的预测值与第n-1时段实际业务负荷得到所述差值；
当所述差值小于等于门限值时，在第n时段，仍以所述第n-1时段的预测值对应的权值为第n时段的权值；
当所述差值大于门限值时，在第n时段，根据预设策略重新计算第n时段的权值。
上述方案中，所述根据预设策略重新计算第n时段的权值，包括：
以所述第n-1时段实际业务负荷为输出参数；
以所述第n-1时段的预测值对应的所述第n-1时段的第一业务负荷值作为第一输入参数，与所述第一业务负荷值对应的权值记为第一权值；
以所述第n-1时段的预测值对应的所述第n-1时段的第二业务负荷值作为第二输入参数，与所述第二业务负荷值对应的权值记为第二权值；
根据所述输出参数、所述第一输入参数、所述第一权值、所述第二输入参数、所述第二权值构建运算模型时，若能确保所述第一权值和所述第二权值的和运算符合指定值，则将所述第一权值和所述第二权值确定为所述第n时段的权值，否则，将运算结果最接近所述输出参数的两个权值确定为所述第n时段的权值。
本发明实施例的一种网元设备，所述网元设备包括：
存储器，用于存储能够在处理器上运行的计算机程序；
处理器，用于运行所述计算机程序时，根据历史业务负荷数据得到第一业务负荷值；根据当天业务负荷数据得到第二业务负荷值；根据所述第一业务负荷值和所述第二业务负荷值得到业务负荷预测值；所述业务负荷预测值为当天非本时段的前一时段预测值时，对所述前一时段预测值与获得的实际业务负荷进行差值运算，得到差值；如果所述差值小于等于门限值，则在本时段采用所述前一时段的运算参数进行业务负荷的预测，否则，对所述前一时段的运算参数进行调整，在本时段根据调整后的运算参数进行业务负荷的预测。
上述方案中，所述处理器，进一步用于运行所述计算机程序时，获取当天之前至少两天的历史业务负荷数据；根据所述历史业务负荷数据中，当天之前的每天第n时段的业务负荷数据进行预测，得到至少一个第一业务负荷值。
上述方案中，所述处理器，进一步用于运行所述计算机程序时，获取当天业务负荷数据；根据所述当天业务负荷数据中，当天第n时段之前时段的业务负荷数据进行预测，得到至少一个第二业务负荷值。
上述方案中，所述处理器，进一步用于运行所述计算机程序时，将所述至少一个第一业务负荷值按照时间序列进行预测，得到当天第n-1时段的第一业务负荷值；将所述至少一个第二业务负荷值按照回归分析进行预测，得到当天第n-1时段的第二业务负荷值；根据所述当天第n-1时段的第一业务负荷值和所述当天第n-1时段的第二业务负荷值，得到所述当天非本时段的前一时段预测值，记为第n-1时段的预测值。
上述方案中，所述处理器，进一步用于运行所述计算机程序时，根据所述第n-1时段的预测值与第n-1时段实际业务负荷得到所述差值；当所述差值小于等于门限值时，在第n时段，仍以所述第n-1时段的预测值对应的权值为第n时段的权值；当所述差值大于门限值时，在第n时段，根据预设策略重新计算第n时段的权值。
上述方案中，所述处理器，进一步用于运行所述计算机程序时，以所述第n-1时段实际业务负荷为输出参数；以所述第n-1时段的预测值对应的所述第n-1时段的第一业务负荷值作为第一输入参数，与所述第一业务负荷值对应的权值记为第一权值；以所述第n-1时段的预测值对应的所述第n-1时段的第二业务负荷值作为第二输入参数，与所述第二业务负荷值对应的权值记为第二权值；根据所述输出参数、所述第一输入参数、所述第一权值、所述第二输入参数、所述第二权值构建运算模型时，若能确保所述第一权值和所述第二权值的和运算符合指定值，则将所述第一权值和所述第二权值确定为所述第n时段的权值，否则，将运算结果最接近所述输出参数的两个权值确定为所述第n时段的权值。
本发明实施例的一种网元设备，所述网元设备包括：
第一数据处理单元，用于根据历史业务负荷数据得到第一业务负荷值；
第二数据处理单元，用于根据当天业务负荷数据得到第二业务负荷值；
预测值运算单元，用于根据所述第一业务负荷值和所述第二业务负荷值得到业务负荷预测值。差值运算单元，用于所述业务负荷预测值为当天非本时段的前一时段预测值时，对所述前一时段预测值与获得的实际业务负荷进行差值运算，得到差值。预测处理单元，用于如果所述差值小于等于门限值，则在本时段采用所述前一时段的运算参数进行业务负荷的预测，否则，对所述前一时段的运算参数进行调整，在本时段根据调整后的运算参数进行业务负荷的预测。
本发明实施例的一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如上述方案中任一项所述方法的步骤。
本发明实施例的业务预测方法，包括：根据历史业务负荷数据得到第一业务负荷值；根据当天业务负荷数据得到第二业务负荷值；根据所述第一业务负荷值和所述第二业务负荷值得到业务负荷预测值；所述业务负荷预测值为当天非本时段的前一时段预测值时，对所述前一时段预测值与获得的实际业务负荷进行差值运算，得到差值；如果所述差值小于等于门限值，则在本时段采用所述前一时段的运算参数进行业务负荷的预测，否则，对所述前一时段的运算参数进行调整，在本时段根据调整后的运算参数进行业务负荷的预测。
采用本发明实施例，根据历史和当天业务负荷数据可以对业务负荷值进行预测，实现了对预测结果的自适应、自学习的修正。当业务负荷预测值为当天非本时段的前一时段预测值时，对所述前一时段预测值与获得的实际业务负荷进行差值运算，得到差值。如果所述差值小于等于门限值，则在本时段采用所述前一时段的运算参数进行业务负荷的预测，否则，对所述前一时段的运算参数进行调整，在本时段根据调整后的运算参数进行业务负荷的预测，由于当预测结果出现偏差时，可以自动调整以获得更好的预测准确率，从而，能对网络业务负荷变化进行准确的预测，进而辅助网络进行有效管理和维护，保证网络稳定运行。
附图说明
图1为本发明实施例一方法实现流程图；
图2为本发明实施例一业务预测场景的处理流程示意图。
具体实施方式
下面结合附图对技术方案的实施作进一步的详细描述。
本发明实施例的业务预测方法，如图1所示，所述方法包括：
步骤101、根据历史业务负荷数据得到第一业务负荷值。
这里，是考虑到业务的周期性对历史业务负荷数据的统计分析。
步骤102、根据当天业务负荷数据得到第二业务负荷值。
这里，是考虑到当天的业务波动情况对当天业务负荷数据的统计分析。
步骤103、根据所述第一业务负荷值和所述第二业务负荷值得到业务负荷预测值。
步骤104、所述业务负荷预测值为当天非本时段的前一时段预测值时，对所述前一时段预测值与获得的实际业务负荷进行差值运算，得到差值。
步骤105、当所述差值小于等于门限值时，则在本时段采用所述前一时段的运算参数进行业务负荷的预测，结束预测流程。
步骤106、当所述差值大于门限值时，则根据业务变化对所述前一时段的运算参数进行调整，在本时段根据调整后的运算参数进行业务负荷的预测，结束预测流程。
这里，运算参数可以为权值，即：若前一时段预测得到的业务负荷预测值，其偏差不大，则在本时段仍以前一时段权值作为本时段的权值，不需要对权值进行动态调整。本文中，当天中非本时段的前一时段以“n-1”时段表示，当天中本时段以第“n”时段表示。采用本发明实施例，通过步骤101-106的业务预测的自学习运算，可以预测网络的业务负荷，通过对业务负荷预测结果的自适应和自学习的调整(或称修正)，当业务负荷预测结果出现偏差时可以自动调整。以本时段而言，可以根据业务变化来动态的优化前一时段的运算参数(如权值)，对所述前一时段的运算参数(如权值)进行调整后，根据调整后的运算参数(如权值)进行本时段业务负荷的预测。
本实施例中，在对业务负荷预测结果自适应和自学习的调整过程中，通过自学习改变预测公式权值的网络能效优化策略，具体是根据n-1时段预测的准确性，来判断是否需要更改权值。由于通过自学习改变权值实现了及时的纠偏，因此，实现了更精准的业务负荷预测。
采用本发明实施例，结合历史业务负荷数据和当天业务数据并且根据业务变化动态优化权值的业务负荷预测方法。若n-1时段预测的业务负荷与实际获得的业务负荷的差值低于门限,说明n-1时段预测基本准确，则在第n时段仍以n-1时段使用的权值作为本时段权值；若差值高于门限，说明n-1时段的预测结果存在较大偏差，则进一步判断n-1时段的预测结果跟历史业务的预测值和n-1时段预测值的距离，减小差值小的那一方的加权比例，重新预测n时段的业务量。
本发明实施例中，所述根据历史业务负荷数据得到第一业务负荷值，包括：获取当天之前至少两天的历史业务负荷数据。根据所述历史业务负荷数据中，当天之前的每天第n时段的业务负荷数据进行预测，得到至少一个第一业务负荷值。具体的，是根据当天之前p天的历史业务数据中每天第n时段的业务负荷数据进行预测，得到至少一个第一业务负荷值，比如，用hm-1，n，hm-2，n…hm-p，n表示历史数据中在当天之前p天第n时刻的业务负荷值。
本发明实施例中，所述根据当天业务负荷数据得到第二业务负荷值，包括：获取当天业务负荷数据。根据所述当天业务负荷数据中，当天第n时段之前时段的业务负荷数据进行预测，得到至少一个第二业务负荷值。具体的，是根据当天前q个时段的业务负荷数据进行预测，，得到至少一个第二业务负荷值，比如，用tm，n-1，tm，n-2…tm，n-q表示当天n时段之前q个时段的业务负荷值。
采用本发明实施例是根据历史业务负荷数据和当天业务数据并且根据业务变化动态优化权值的业务负荷预测方案。若n-1时段预测的业务负荷与实际获得的业务负荷的差值低于门限，说明n-1时段预测基本准确，则在第n时段仍以n-1时段使用的权值作为本时段权值；若差值高于门限，说明n-1时段的预测结果存在较大偏差，则进一步判断n-1时段的预测结果跟历史业务的预测值和n-1时段预测值的距离，减小差值小的那一方的加权比例，重新预测n时段的业务量。
本发明实施例中，根据所述第一业务负荷值和所述第二业务负荷值得到业务负荷预测值，包括：将所述至少一个第一业务负荷值按照时间序列进行预测，得到当天第n-1时段的第一业务负荷值，可以采用时间序列预测算法得到当天第n-1时段的第一业务负荷值。
本发明实施例中，根据所述第一业务负荷值和所述第二业务负荷值得到业务负荷预测值，还包括：将所述至少一个第二业务负荷值按照回归分析进行预测，得到当天第n-1时段的第二业务负荷值，可以采用回归分析预测算法得到当天第n-1时段的第二业务负荷值。
本发明实施例中，根据所述第一业务负荷值和所述第二业务负荷值得到业务负荷预测值，还包括：根据所述当天第n-1时段的第一业务负荷值和所述当天第n-1时段的第二业务负荷值，得到所述当天非本时段的前一时段预测值，记为第n-1时段的预测值。
本发明实施例中，在对业务负荷预测结果进行上述自适应和自学习的调整过程中，还可以通过自学习改变预测公式的权值对网络能效进行优化。具体的，是根据n-1时段预测的准确性，来判断是否需要更改权值。如果所述差值小于等于门限值，则在本时段采用所述前一时段的运算参数进行业务负荷的预测，否则，对所述前一时段的运算参数进行调整，在本时段根据调整后的运算参数进行业务负荷的预测，以便通过自学习改变权值实现了及时的纠偏，从而，实现了更精准的业务负荷预测。
根据n-1时段预测的准确性，来判断是否需要更改权值，具体包括：根据所述第n-1时段的预测值与第n-1时段实际业务负荷得到所述差值，当所述差值小于等于门限值时，在第n时段，仍以所述第n-1时段的预测值对应的权值为第n时段的权值；当所述差值大于门限值时，在第n时段，根据预设策略重新计算第n时段的权值。
一个实例为：若前一时段预测的业务负荷与实际获得的业务负荷的差值小于低于门限1，即：|lm，n-1-Lm，n-1|≤Δ1，说明前一时段预测基本准确，即n-1时段预测基本准确，则在第n时段仍以n-1时段使用的权值作为本时段权值；若差值高于门限1，即：|lm，n-1-Lm，n-1|＞Δ1，说明前一时段的预测结果存在较大偏差，需要更改权值，即n-1时段的预测结果存在较大偏差，则进一步判断n-1时段的预测结果跟历史业务的预测值和n-1时段预测值的距离，减小差值小的那一方的加权比例，重新预测n时段的业务量。
本发明实施例中，在n-1时段的预测结果存在较大偏差时，需要进一步判断n-1时段的预测结果跟历史业务的预测值和n-1时段预测值的距离，减小差值小的那一方的加权比例，重新预测n时段的业务量。重新预测n时段的业务量的过程中，以所述第n-1时段实际业务负荷(如hm，n)为输出参数，以所述第n-1时段的预测值对应的所述第n-1时段的第一业务负荷值(如hm,n-1)作为第一输入参数，与所述第一业务负荷值对应的权值记为第一权值(如am,n)。以所述第n-1时段的预测值对应的所述第n-1时段的第二业务负荷值(如tm,n-1)作为第二输入参数，与所述第二业务负荷值对应的权值记为第二权值(如bm,n)。根据所述输出参数、所述第一输入参数、所述第一权值、所述第二输入参数、所述第二权值构建运算模型，如Lm，n-1＝am，n*hm，n-1+bm，n*tm，n-1时，若能确保所述第一权值和所述第二权值的和运算符合指定值，所述指定值可以为1，即满足：am,n+bm,n＝1时，将所述第一权值和所述第二权值确定为所述第n时段的权值，否则，将运算结果最接近所述输出参数的两个权值确定为所述第n时段的权值。
本发明实施例的一种网元设备，所述网元设备包括：第一数据处理单元，用于根据历史业务负荷数据得到第一业务负荷值。第二数据处理单元，用于根据当天业务负荷数据得到第二业务负荷值。预测值运算单元，用于根据所述第一业务负荷值和所述第二业务负荷值得到业务负荷预测值。差值运算单元，用于所述业务负荷预测值为当天非本时段的前一时段预测值时，对所述前一时段预测值与获得的实际业务负荷进行差值运算，得到差值。预测处理单元，用于如果所述差值小于等于门限值，则在本时段采用所述前一时段的运算参数进行业务负荷的预测，否则，对所述前一时段的运算参数进行调整，在本时段根据调整后的运算参数进行业务负荷的预测。
本发明实施例一实施方式中，所述第一数据处理单元，进一步用于：获取当天之前至少两天的历史业务负荷数据；根据所述历史业务负荷数据中，当天之前的每天第n时段的业务负荷数据进行预测，得到至少一个第一业务负荷值。
本发明实施例一实施方式中，所述第二数据处理单元，进一步用于：获取当天业务负荷数据；根据所述当天业务负荷数据中，当天第n时段之前时段的业务负荷数据进行预测，得到至少一个第二业务负荷值。
本发明实施例一实施方式中，所述预测值运算单元，进一步用于：将所述至少一个第一业务负荷值按照时间序列进行预测，得到当天第n-1时段的第一业务负荷值；将所述至少一个第二业务负荷值按照回归分析进行预测，得到当天第n-1时段的第二业务负荷值；根据所述当天第n-1时段的第一业务负荷值和所述当天第n-1时段的第二业务负荷值，得到所述当天非本时段的前一时段预测值，记为第n-1时段的预测值。
本发明实施例一实施方式中，所述差值运算单元，进一步用于：根据所述第n-1时段的预测值与第n-1时段实际业务负荷得到所述差值；所述预测处理单元，进一步用于：当所述差值小于等于门限值时，在第n时段，仍以所述第n-1时段的预测值对应的权值为第n时段的权值；当所述差值大于门限值时，在第n时段，根据预设策略重新计算第n时段的权值。
本发明实施例一实施方式中，所述预测处理单元，进一步用于：以所述第n-1时段实际业务负荷为输出参数；以所述第n-1时段的预测值对应的所述第n-1时段的第一业务负荷值作为第一输入参数，与所述第一业务负荷值对应的权值记为第一权值；以所述第n-1时段的预测值对应的所述第n-1时段的第二业务负荷值作为第二输入参数，与所述第二业务负荷值对应的权值记为第二权值；根据所述输出参数、所述第一输入参数、所述第一权值、所述第二输入参数、所述第二权值构建运算模型时，若能确保所述第一权值和所述第二权值的和运算符合指定值，则将所述第一权值和所述第二权值确定为所述第n时段的权值，否则，将运算结果最接近所述输出参数的两个权值确定为所述第n时段的权值。
本发明实施例的一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如下步骤：
根据历史业务负荷数据得到第一业务负荷值；
根据当天业务负荷数据得到第二业务负荷值；
根据所述第一业务负荷值和所述第二业务负荷值得到业务负荷预测值；
所述业务负荷预测值为当天非本时段的前一时段预测值时，对所述前一时段预测值与获得的实际业务负荷进行差值运算，得到差值；
如果所述差值小于等于门限值，则在本时段采用所述前一时段的运算参数进行业务负荷的预测，否则，对所述前一时段的运算参数进行调整，在本时段根据调整后的运算参数进行业务负荷的预测。
本发明实施例一实施方式中，该计算机可读存储介质上存储的计算机程序，被处理器执行时还实现如下步骤：
获取当天之前至少两天的历史业务负荷数据；
根据所述历史业务负荷数据中，当天之前的每天第n时段的业务负荷数据进行预测，得到至少一个第一业务负荷值。
本发明实施例一实施方式中，该计算机可读存储介质上存储的计算机程序，被处理器执行时还实现如下步骤：
获取当天业务负荷数据；
根据所述当天业务负荷数据中，当天第n时段之前时段的业务负荷数据进行预测，得到至少一个第二业务负荷值。
本发明实施例一实施方式中，该计算机可读存储介质上存储的计算机程序，被处理器执行时还实现如下步骤：
将所述至少一个第一业务负荷值按照时间序列进行预测，得到当天第n-1时段的第一业务负荷值；
将所述至少一个第二业务负荷值按照回归分析进行预测，得到当天第n-1时段的第二业务负荷值；
根据所述当天第n-1时段的第一业务负荷值和所述当天第n-1时段的第二业务负荷值，得到所述当天非本时段的前一时段预测值，记为第n-1时段的预测值。
本发明实施例一实施方式中，该计算机可读存储介质上存储的计算机程序，被处理器执行时还实现如下步骤：
根据所述第n-1时段的预测值与第n-1时段实际业务负荷得到所述差值；
当所述差值小于等于门限值时，在第n时段，仍以所述第n-1时段的预测值对应的权值为第n时段的权值；
当所述差值大于门限值时，在第n时段，根据预设策略重新计算第n时段的权值。
本发明实施例一实施方式中，该计算机可读存储介质上存储的计算机程序，被处理器执行时还实现如下步骤：
以所述第n-1时段实际业务负荷为输出参数；
以所述第n-1时段的预测值对应的所述第n-1时段的第一业务负荷值作为第一输入参数，与所述第一业务负荷值对应的权值记为第一权值；
以所述第n-1时段的预测值对应的所述第n-1时段的第二业务负荷值作为第二输入参数，与所述第二业务负荷值对应的权值记为第二权值；
根据所述输出参数、所述第一输入参数、所述第一权值、所述第二输入参数、所述第二权值构建运算模型时，若能确保所述第一权值和所述第二权值的和运算符合指定值，则将所述第一权值和所述第二权值确定为所述第n时段的权值，否则，将运算结果最接近所述输出参数的两个权值确定为所述第n时段的权值。
本发明实施例的一种网元设备，所述网元设备包括：
存储器，用于存储能够在处理器上运行的计算机程序；
处理器，用于运行所述计算机程序时，执行如下步骤：
根据历史业务负荷数据得到第一业务负荷值；
根据当天业务负荷数据得到第二业务负荷值；
根据所述第一业务负荷值和所述第二业务负荷值得到业务负荷预测值；
所述业务负荷预测值为当天非本时段的前一时段预测值时，对所述前一时段预测值与获得的实际业务负荷进行差值运算，得到差值；
如果所述差值小于等于门限值，则在本时段采用所述前一时段的运算参数进行业务负荷的预测，否则，对所述前一时段的运算参数进行调整，在本时段根据调整后的运算参数进行业务负荷的预测。
本发明实施例一实施方式中，所述处理器，进一步用于运行所述计算机程序时，执行如下步骤：
获取当天之前至少两天的历史业务负荷数据；
根据所述历史业务负荷数据中，当天之前的每天第n时段的业务负荷数据进行预测，得到至少一个第一业务负荷值。
本发明实施例一实施方式中，所述处理器，进一步用于运行所述计算机程序时，执行如下步骤：
获取当天业务负荷数据；
根据所述当天业务负荷数据中，当天第n时段之前时段的业务负荷数据进行预测，得到至少一个第二业务负荷值。
本发明实施例一实施方式中，所述处理器，进一步用于运行所述计算机程序时，执行如下步骤：
将所述至少一个第一业务负荷值按照时间序列进行预测，得到当天第n-1时段的第一业务负荷值；
将所述至少一个第二业务负荷值按照回归分析进行预测，得到当天第n-1时段的第二业务负荷值；
根据所述当天第n-1时段的第一业务负荷值和所述当天第n-1时段的第二业务负荷值，得到所述当天非本时段的前一时段预测值，记为第n-1时段的预测值。
本发明实施例一实施方式中，所述处理器，进一步用于运行所述计算机程序时，执行如下步骤：
根据所述第n-1时段的预测值与第n-1时段实际业务负荷得到所述差值；
当所述差值小于等于门限值时，在第n时段，仍以所述第n-1时段的预测值对应的权值为第n时段的权值；
当所述差值大于门限值时，在第n时段，根据预设策略重新计算第n时段的权值。
本发明实施例一实施方式中，所述处理器，进一步用于运行所述计算机程序时，执行如下步骤：
以所述第n-1时段实际业务负荷为输出参数；
以所述第n-1时段的预测值对应的所述第n-1时段的第一业务负荷值作为第一输入参数，与所述第一业务负荷值对应的权值记为第一权值；
以所述第n-1时段的预测值对应的所述第n-1时段的第二业务负荷值作为第二输入参数，与所述第二业务负荷值对应的权值记为第二权值；
根据所述输出参数、所述第一输入参数、所述第一权值、所述第二输入参数、所述第二权值构建运算模型时，若能确保所述第一权值和所述第二权值的和运算符合指定值，则将所述第一权值和所述第二权值确定为所述第n时段的权值，否则，将运算结果最接近所述输出参数的两个权值确定为所述第n时段的权值。
以一个现实应用场景为例对本发明实施例阐述如下：
采用本发明是一种自学习的移动通信业务预测方案。涉及如下算法：
一、时间序列预测算法
时间序列预测算法，是通过编制和分析时间序列，根据时间序列所反映出来的发展过程、方向和趋势，进行类推或延伸，借以预测下一段时间或以后若干年内可能达到的水平。在时间序列预测法中，加权移动平均法是最常用的方法。移动平均法是根据时间序列资料逐项推移，一次计算包含一定项数得时序平均数，以反映长期趋势的方法。当时间序列的数值由于受周期变动和不规则变动的影响，起伏较大，不易显示出发展趋势时，可用移动平均法消除这些因素的影响，分析、预测序列的长期趋势。简单移动平均将选择各期等同看待，如果预测目标存在较大变化，会产生较大的预测偏差和滞后。而加权移动平均法选择各期置以不同的权重(通常距离预测期越近权重越大)，采用加权移动平均法来预测。预测公式为：
Figure BDA0001321947720000151
其中
Figure BDA0001321947720000152
二、回归分析预测算法
回归分析预测算法，根据自变量的多少、自变量与因变量之间关系的不同情况可以分为一元线性回归、多元线性回归、虚拟变量回归以及各种非线性回归等。以一元线性回归为例：
设x为自变量，y为与x之间存在某种线性关系，即一元线性回归模型为
yi＝a+bxi+εi，i＝1，2，3…；
上式中：y为因变量，也就是预测目标；x为自变量；ε为随机影响因子或者称之为白噪声，它服从N(0，σ2)的标准正态分布；a和b为回归系数。
利用最小二乘法(OLS，Ordinary Least Square)，可以很方便的得到对回归系数a，b的估计值
Figure BDA0001321947720000161
为
Figure BDA0001321947720000162
对于求出的回归系数和回归方程，还要进行显著性检验，以确定变量之间具有显著的线性相关关系。
除了上述算法，本发明实施例中，还通过将历史业务负荷数据和当天业务负荷数据结合，既考虑了业务的周期性，同时又考虑了业务波动的情况，经过自学习算法计算后可获得更加准确的业务预测结果，是一种结合历史业务负荷数据和当天业务数据并且根据业务变化动态优化权值的业务负荷预测方案。其基本计算公式如下：
lm，n＝a*hm，n+b*tm，n
上式中，lm，n表示业务负荷预测值，其中m表示日期，n表示时间，hm，n表示基于历史同周期业务计算得出的业务负荷值，tm，n表示基于当天前周期业务计算得出的业务负荷值，a、b为计算权值。
本发明实施例的业务负荷预测流程图如图2所示，包括：
步骤201、基于历史数据预测hm，n。
这里，根据之前p天的历史业务数据每天第n时段的业务负荷值进行预测，用hm-1，n，hm-2，n…hm-p，n表示历史数据中在之前p天第n时刻的业务负荷值。由于移动通信用户的日常行为具有一定的时间规律性，因此由此产生的业务负荷也在时间上有一定的规律性，比如住宅区每天业务负荷较高的时段主要是晚上19:00-24:00，周末的业务负荷要比工作日高等。基于这种业务负荷的周期性，采用了时间序列预测算法预测下一时段的业务负荷。
hm，n＝α1×hm-p，n+α2×hm-p+1，n+…+αp×hm-1，n
步骤202、基于当天数据预测tm，n。
这里，根据当天前q个时段的业务负荷值进行预测，用tm，n-1，tm，n-2…tm，n-q表示当天n时段之前q个时段的业务负荷值。考虑到移动通信业务具有一定的突发性，因此当天相近时段的业务变化也可能获得较为准确的业务预测结果。由于当天业务预测时间较短，不具备明显的时间周期性，因此可以选择回归分析预测法进行预测，获得tm，n。
步骤203、比较两种预测值，即：判断前一时段预测值lm,n-1与实际值Lm,n-1的比值是否大于门限1。
这里，若前一时段预测的业务负荷与实际获得的业务负荷的差值小于低于门限1，即：|lm，n-1-Lm，n-1|≤Δ1，说明前一时段预测基本准确，进行步骤204；若差值高于门限1，即：|lm，n-1-Lm，n-1|＞Δ1,说明前一时段的预测结果存在较大偏差，进行步骤205。
步骤204、权值获取，若前一时段预测值偏差不大，则在第n时段仍以前一时段权值作为本时段权值：
am，n＝am，n-1
bm，n＝bm，n-1
步骤205、权值重新计算，以前一时段实际业务负荷值Lm，n-1为输出值，前一时段两个预测值hm，n-1和tm，n-1为输入，获得下式：
Lm，n-1＝am，n*hm，n-1+bm，n*tm，n-1
同时am，n和bm，n需满足下式：
am，n+bm，n＝1
若不存在同时满足两式的am，n和bm，n，则选择最逼近Lm，n-1的权值做解。
步骤206、计算本时段业务负荷值。
将以上步骤获得hm，n、tm，n、am，n和bm，n，根据公式(1)计算本时段的业务负荷值：
lm，n＝am，n*hm，n+bm，n*tm，n (1)
本发明实施例所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本发明实施例不限制于任何特定的硬件和软件结合。
相应的，本发明实施例还提供一种计算机存储介质，其中存储有计算机程序，该计算机程序用于执行本发明实施例的业务预测方法。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (14)

1.一种业务预测方法，其特征在于，所述方法包括：
根据移动通信业务的历史业务负荷数据得到第一业务负荷值；
根据移动通信业务的当天业务负荷数据得到第二业务负荷值；其中，所述移动通信业务具有突发性；
根据所述第一业务负荷值和所述第二业务负荷值得到业务负荷预测值；
所述业务负荷预测值为当天非本时段的前一时段预测值时，对所述前一时段预测值与获得的实际业务负荷进行差值运算，得到差值；
如果所述差值小于等于门限值，则在本时段采用所述前一时段的运算参数进行业务负荷的预测，否则，对所述前一时段的运算参数进行调整，在本时段根据调整后的运算参数进行业务负荷的预测；所述运算参数包括所述第一业务负荷值对应的权值以及所述第二业务负荷值对应的权值。
2.根据权利要求1所述的方法，其特征在于，所述根据移动通信业务的历史业务负荷数据得到第一业务负荷值，包括：
获取当天之前至少两天的历史业务负荷数据；
根据所述历史业务负荷数据中，当天之前的每天第n时段的业务负荷数据进行预测，得到至少一个第一业务负荷值。
3.根据权利要求2所述的方法，其特征在于，所述根据移动通信业务的当天业务负荷数据得到第二业务负荷值，包括：
获取当天业务负荷数据；
根据所述当天业务负荷数据中，当天第n时段之前时段的业务负荷数据进行预测，得到至少一个第二业务负荷值。
4.根据权利要求3所述的方法，其特征在于，所述根据所述第一业务负荷值和所述第二业务负荷值得到业务负荷预测值，包括：
将所述至少一个第一业务负荷值按照时间序列进行预测，得到当天第n-1时段的第一业务负荷值；
将所述至少一个第二业务负荷值按照回归分析进行预测，得到当天第n-1时段的第二业务负荷值；
根据所述当天第n-1时段的第一业务负荷值和所述当天第n-1时段的第二业务负荷值，得到所述当天非本时段的前一时段预测值，记为第n-1时段的预测值。
5.根据权利要求4所述的方法，其特征在于，如果所述差值小于等于门限值，则在本时段采用所述前一时段的运算参数进行业务负荷的预测，否则，对所述前一时段的运算参数进行调整，在本时段根据调整后的运算参数进行业务负荷的预测，包括：
根据所述第n-1时段的预测值与第n-1时段实际业务负荷得到所述差值；
当所述差值小于等于门限值时，在第n时段，仍以所述第n-1时段的预测值对应的权值为第n时段的权值；
当所述差值大于门限值时，在第n时段，根据预设策略重新计算第n时段的权值。
6.根据权利要求5所述的方法，其特征在于，所述根据预设策略重新计算第n时段的权值，包括：
以所述第n-1时段实际业务负荷为输出参数；
以所述第n-1时段的预测值对应的所述第n-1时段的第一业务负荷值作为第一输入参数，与所述第一业务负荷值对应的权值记为第一权值；
以所述第n-1时段的预测值对应的所述第n-1时段的第二业务负荷值作为第二输入参数，与所述第二业务负荷值对应的权值记为第二权值；
根据所述输出参数、所述第一输入参数、所述第一权值、所述第二输入参数、所述第二权值构建运算模型时，若能确保所述第一权值和所述第二权值的和运算符合指定值，则将所述第一权值和所述第二权值确定为所述第n时段的权值，否则，将运算结果最接近所述输出参数的两个权值确定为所述第n时段的权值。
7.一种网元设备，其特征在于，所述网元设备包括：
存储器，用于存储能够在处理器上运行的计算机程序；
处理器，用于运行所述计算机程序时，根据移动通信业务的历史业务负荷数据得到第一业务负荷值；根据移动通信业务的当天业务负荷数据得到第二业务负荷值；其中，所述移动通信业务具有突发性；根据所述第一业务负荷值和所述第二业务负荷值得到业务负荷预测值；所述业务负荷预测值为当天非本时段的前一时段预测值时，对所述前一时段预测值与获得的实际业务负荷进行差值运算，得到差值；如果所述差值小于等于门限值，则在本时段采用所述前一时段的运算参数进行业务负荷的预测，否则，对所述前一时段的运算参数进行调整，在本时段根据调整后的运算参数进行业务负荷的预测；所述运算参数包括所述第一业务负荷值对应的权值以及所述第二业务负荷值对应的权值。
8.根据权利要求7所述的网元设备，其特征在于，所述处理器，进一步用于运行所述计算机程序时，获取当天之前至少两天的历史业务负荷数据；根据所述历史业务负荷数据中，当天之前的每天第n时段的业务负荷数据进行预测，得到至少一个第一业务负荷值。
9.根据权利要求7所述的网元设备，其特征在于，所述处理器，进一步用于运行所述计算机程序时，获取当天业务负荷数据；根据所述当天业务负荷数据中，当天第n时段之前时段的业务负荷数据进行预测，得到至少一个第二业务负荷值。
10.根据权利要求9所述的网元设备，其特征在于，所述处理器，进一步用于运行所述计算机程序时，将所述至少一个第一业务负荷值按照时间序列进行预测，得到当天第n-1时段的第一业务负荷值；将所述至少一个第二业务负荷值按照回归分析进行预测，得到当天第n-1时段的第二业务负荷值；根据所述当天第n-1时段的第一业务负荷值和所述当天第n-1时段的第二业务负荷值，得到所述当天非本时段的前一时段预测值，记为第n-1时段的预测值。
11.根据权利要求10所述的网元设备，其特征在于，所述处理器，进一步用于运行所述计算机程序时，根据所述第n-1时段的预测值与第n-1时段实际业务负荷得到所述差值；当所述差值小于等于门限值时，在第n时段，仍以所述第n-1时段的预测值对应的权值为第n时段的权值；当所述差值大于门限值时，在第n时段，根据预设策略重新计算第n时段的权值。
12.根据权利要求11所述的网元设备，其特征在于，所述处理器，进一步用于运行所述计算机程序时，以所述第n-1时段实际业务负荷为输出参数；以所述第n-1时段的预测值对应的所述第n-1时段的第一业务负荷值作为第一输入参数，与所述第一业务负荷值对应的权值记为第一权值；以所述第n-1时段的预测值对应的所述第n-1时段的第二业务负荷值作为第二输入参数，与所述第二业务负荷值对应的权值记为第二权值；根据所述输出参数、所述第一输入参数、所述第一权值、所述第二输入参数、所述第二权值构建运算模型时，若能确保所述第一权值和所述第二权值的和运算符合指定值，则将所述第一权值和所述第二权值确定为所述第n时段的权值，否则，将运算结果最接近所述输出参数的两个权值确定为所述第n时段的权值。
13.一种网元设备，其特征在于，所述网元设备包括：
第一数据处理单元，用于根据移动通信业务的历史业务负荷数据得到第一业务负荷值；
第二数据处理单元，用于根据移动通信业务的当天业务负荷数据得到第二业务负荷值；其中，所述移动通信业务具有突发性；
预测值运算单元，用于根据所述第一业务负荷值和所述第二业务负荷值得到业务负荷预测值；差值运算单元，用于所述业务负荷预测值为当天非本时段的前一时段预测值时，对所述前一时段预测值与获得的实际业务负荷进行差值运算，得到差值；预测处理单元，用于如果所述差值小于等于门限值，则在本时段采用所述前一时段的运算参数进行业务负荷的预测，否则，对所述前一时段的运算参数进行调整，在本时段根据调整后的运算参数进行业务负荷的预测；所述运算参数包括所述第一业务负荷值对应的权值以及所述第二业务负荷值对应的权值。
14.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。
CN201710454470.9A 2017-06-14 2017-06-14 一种业务预测方法及网元设备、计算机可读存储介质 Active CN109088742B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710454470.9A CN109088742B (zh) 2017-06-14 2017-06-14 一种业务预测方法及网元设备、计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710454470.9A CN109088742B (zh) 2017-06-14 2017-06-14 一种业务预测方法及网元设备、计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN109088742A CN109088742A (zh) 2018-12-25
CN109088742B true CN109088742B (zh) 2021-11-19

Family

ID=64839061

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710454470.9A Active CN109088742B (zh) 2017-06-14 2017-06-14 一种业务预测方法及网元设备、计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN109088742B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111222695A (zh) * 2019-12-31 2020-06-02 新奥数能科技有限公司 一种电负荷预测方法及装置
CN111985689A (zh) * 2020-07-17 2020-11-24 江苏方天电力技术有限公司 一种短时负荷预测方法及系统
CN114615698B (zh) * 2020-12-09 2023-07-18 中国移动通信集团四川有限公司 一种ibcf互通网关负荷调整方法和装置
CN112434885B (zh) * 2020-12-15 2023-06-06 中国联合网络通信集团有限公司 节能小区的业务预测方法和装置
CN113516292A (zh) * 2021-05-24 2021-10-19 中国工商银行股份有限公司 业务量的预测方法、装置、电子设备以及可读存储介质
CN117149099B (zh) * 2023-10-31 2024-03-12 江苏华鲲振宇智能科技有限责任公司 一种计算存储分体式服务器系统及控制方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2672748B1 (en) * 2011-09-19 2017-04-05 Huawei Technologies Co., Ltd. Load prediction method, apparatus and energy-saving control communication system
US8804523B2 (en) * 2012-06-21 2014-08-12 Microsoft Corporation Ensuring predictable and quantifiable networking performance
CN103593718A (zh) * 2013-11-26 2014-02-19 国家电网公司 一种负荷组合预测方法及装置
CN104008430B (zh) * 2014-05-29 2017-04-26 华北电力大学 一种构建拟境挖掘动态智能负荷预测模型的方法

Also Published As

Publication number Publication date
CN109088742A (zh) 2018-12-25

Similar Documents

Publication Publication Date Title
CN109088742B (zh) 一种业务预测方法及网元设备、计算机可读存储介质
Toka et al. Machine learning-based scaling management for kubernetes edge clusters
CN103036974B (zh) 基于隐马尔可夫模型的云计算资源调度方法和系统
CN112037930B (zh) 一种传染病预测设备、方法、装置及存储介质
CN103987056A (zh) 基于大数据统计模型的无线网络话务量预测方法
Wang et al. Power allocation for energy harvesting transmitter with causal information
KR101318020B1 (ko) 네트워크 노드 내의 트래픽의 혼잡의 제어를 위한 방법, 혼잡 제어 디바이스, 네트워크 노드 및 네트워크 혼잡 제어 디바이스
CN107094093A (zh) 网络系统中的网络设备周期性的性能指标数据预测方法
CN107609583A (zh) 分类模型的参数优化方法、装置、计算机设备及存储介质
CN106600042A (zh) 一种手机用户上网时段预测方法
CN116842440A (zh) 基于情境感知的自适应链路切换方法及系统、设备、介质
CN117412365A (zh) 一种小区节能方法、系统、设备及介质
WO2021250445A1 (en) Network performance assessment
CN112100024A (zh) 一种资源负载异常检测方法、装置及设备
KR20200119923A (ko) 신재생 에너지 전력 공급량 및 전력 사용량의 실시간 예측을 위한 온라인 딥러닝 장치
JP6258900B2 (ja) 通信帯域算出装置、通信帯域算出方法、及び通信帯域算出プログラム
Wei et al. Proactive network slice reconfiguration by exploiting prediction interval and robust optimization
CN115225986A (zh) 一种osu带宽自适应调整的方法和装置
Wena et al. Multistage human resource allocation for software development by multiobjective genetic algorithm
Chen et al. Structure-enhanced deep reinforcement learning for optimal transmission scheduling
Tabatabaeimehr et al. Combining long-short term memory and reinforcement learning for improved autonomous network operation
Schoenen et al. Erlang analysis of cellular networks using stochastic Petri nets and user-in-the-loop extension for demand control
CN117479049B (zh) 用于智慧燃气的数据传输管控方法、物联网系统及介质
Bezerra et al. Hidden markov model spectrum predictor for poisson distributed traffic
Park et al. CAPL: Criticality-aware adaptive path learning for industrial wireless sensor-actuator networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant