CN109587713B - 一种基于arima模型的网络指标预测方法、装置及存储介质 - Google Patents
一种基于arima模型的网络指标预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN109587713B CN109587713B CN201811485502.2A CN201811485502A CN109587713B CN 109587713 B CN109587713 B CN 109587713B CN 201811485502 A CN201811485502 A CN 201811485502A CN 109587713 B CN109587713 B CN 109587713B
- Authority
- CN
- China
- Prior art keywords
- arima model
- sequence
- prediction
- index
- determining
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
Abstract
本发明公开了一种基于ARIMA模型的网络指标预测方法、装置及存储介质,所述方法包括:采集待预测指标变量在某时间段内的指标数据,作为训练数据集;以进行预处理后的训练数据集作为输入,构建网络指标预测的ARIMA模型;将设定的待预测指标变量的未来时间长度,和选取的已通过d阶差分后的平稳序列,共同输入到所述ARIMA模型,计算得到目标预测值。本发明通过统计用户对无线网络需求的变化规律,能够预测未来某一时间内的某指标的变化序列值,为优化无线网络资源调配与性能优化提供了更有效的数据参考。
Description
技术领域
本发明涉及数据挖掘技术领域,尤其涉及一种基于ARIMA模型的网络指标预测方法、装置及存储介质。
背景技术
随着通信信息技术的快速发展及无线网络大规模普及,庞大的用户量对网络的需求使得传统运维手段不得不寻求更高效的数据决策方法。如何提前并准确地量化预知用户对网络的使用情况,避免或降低网络堵塞出现概率,提高资源分配效率,是通信运营商日常运维优化的重点内容之一。
目前,对网络通信问题情况的事先预知并发现的方法是欠缺的,并且问题事后的分析往往主要基于指标间的简单一维的线性分析,无法有效地综合时序变化规律数据来提前预知和反馈未来一段时间内的无线网络需求。
在对现有技术的研究和实践中,本发明的发明人发现,现有的网络通信指标分析方法,主要面临以下问题:
1)常用的线性预测方法、神经网络等方法实用性较差,在小样本下预测结果不稳定,无法很好地兼容时序变化规律的情况;
2)易忽略指标周期性的变化情况。
发明内容
本发明所要解决的技术问题在于,提供一种基于ARIMA模型的网络指标预测方法、装置及存储介质,通过统计用户对无线网络需求的变化规律,能够预测未来某一时间内的某指标的变化序列值,为优化无线网络资源调配与性能优化提供了更有效的数据参考。
为解决上述问题,本发明的一个实施例提供一种基于ARIMA模型的网络指标预测方法,包括:
采集待预测指标变量在某时间段内的指标数据,作为训练数据集;
以进行预处理后的训练数据集作为输入,构建网络指标预测的ARIMA模型;
将设定的待预测指标变量的未来时间长度,和选取的已通过d阶差分后的平稳序列,共同输入到所述ARIMA模型,计算得到目标预测值。
进一步地,所述训练数据集包括指标数据序列Xtrain={x1,x2,…xL}和时间序列L={L1,L2,…LL};
所述训练数据集的预处理为,将训练数据集分解为趋势部分、周期部分和残差部分;具体的,
Xtrain={T1,T2,…TL}+{S1,S2,…SL}+{R1,R2,…RL};
xi=Ti+Si+Ri,i=1,2,…,L;
其中,Ti、Si、Ri分别为指标数据序列分解出来的趋势分量、周期分量和误差项。
进一步地,所述构建网络指标预测的ARIMA模型,指的是确定ARIMA模型的参数p,d,q和其他相关参数;
确定参数p,d,q,具体包括:
将预处理得到的趋势分量序列进行平稳性检验和d阶差分处理,直至得到平稳序列,确定参数d;
在得到平稳序列后,分别利用PACF方法和ACF方法确定参数p和参数q;
确定其他相关参数,具体包括:
在确定参数p,d,q后,ARIMA模型的预测公式表示为:
其中,μ为常数项,ρj为p阶自回归过程的系数,εi为误差常数,θj为q阶移动平均过程误差项系数;
加上预处理得到的周期分量序列后,ARIMA模型的预测公式表示为,
进一步地,所述的基于ARIMA模型的网络指标预测方法,还包括:
将目标预测值与周期分量序列进行叠加,得到实际预测值。
进一步地,所述的基于ARIMA模型的网络指标预测方法,还包括:
对所述目标预测值和实际预测值进行误差计算,得到标准差和相对误差。
本发明的另一个实施例还提供一种基于ARIMA模型的网络指标预测装置,包括:
采集模块,用于采集待预测指标变量在某时间段内的指标数据,作为训练数据集;
模型构建模块,用于以进行预处理后的训练数据集作为输入,构建网络指标预测的ARIMA模型;
预测模块,用于将设定的待预测指标变量的未来时间长度,和选取的已通过d阶差分后的平稳序列,共同输入到所述ARIMA模型,计算得到目标预测值。
进一步地,所述的基于ARIMA模型的网络指标预测装置,还包括预处理模块,用于将训练数据集分解为趋势部分、周期部分和残差部分;具体的,
Xtrain={T1,T2,…TL}+{S1,S2,…SL}+{R1,R2,…RL};
xi=Ti+Si+Ri,i=1,2,…,L;
其中,所述训练数据集包括指标数据序列Xtrain={x1,x2,…xL}和时间序列L={L1,L2,…LL};Ti、Si、Ri分别为指标数据序列分解出来的趋势分量、周期分量和误差项。
进一步地,所述的基于ARIMA模型的网络指标预测装置,还包括:
预测模块,还用于将目标预测值与周期分量序列进行叠加,得到实际预测值。
进一步地,所述的基于ARIMA模型的网络指标预测装置,还包括:
误差分析模块,用于对所述目标预测值和实际预测值进行误差计算,得到标准差和相对误差。
本发明的又一个实施例还提供一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的基于ARIMA模型的网络指标预测方法。
实施本发明的实施例能够有效地从历史数据的变化中统计用户对无线网络需求的变化规律,有效地预测未来某一时间内的某指标的变化序列值,为优化无线网络资源调配与性能优化提供了更有效的数据参考。
附图说明
图1是本发明的一个实施例提供的一种基于ARIMA模型的网络指标预测方法的流程示意图;
图2是本发明的一个实施例提供的一种基于ARIMA模型的网络指标预测方法的另一流程示意图;
图3是本发明的一个实施例提供的一种基于ARIMA模型的网络指标预测方法的又一流程示意图;
图4是本发明的一个实施例提供的一种基于ARIMA模型的网络指标预测装置的结构示意图;
图5是本发明的一个实施例提供的一种基于ARIMA模型的网络指标预测装置的又一结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,文中出现的步骤编号仅是为了方便说明,不作为步骤的执行先后顺序限定。
请参阅图1-3。本发明的一个实施例提供了一种基于ARIMA模型的网络指标预测方法,包括:
S1、采集待预测指标变量在某时间段内的指标数据,作为训练数据集。
其中,所述训练数据集包括指标数据序列Xtrain={x1,x2,…xL}和时间序列L={L1,L2,…LL};
在具体的实施例当中,可以选取网络通信指标变量某历史时间段内(以1小时/1天为粒度)的数据作为模型的训练数据集。
例如,以某座城市为单位,选取该城市基站采集的若干指标变量的时间序列历史数据,如需预测话务量在某区域的未来一周变化情况,则分别以全网、网元或小区为区域粒度、选择时间为1小时的粒度的话务量指标作为训练数据。
S2、以进行预处理后的训练数据集作为输入,构建网络指标预测的ARIMA模型。
其中,所述训练数据集的预处理为,将训练数据集分解为趋势部分、周期部分和残差部分;具体的,
Xtrain={T1,T2,…TL}+{S1,S2,…SL}+{R1,R2,…RL};
xi=Ti+Si+Ri,i=1,2,…,L;
其中,Ti、Si、Ri分别为指标数据序列分解出来的趋势分量、周期分量和误差项。
在具体的实施例当中,根据不同的时间粒度,,将具有周期性特征的序列进行周期性特征提取,此处使用的是时序周期规律计算分解中一种常见的算法STL(Seasonal-Trenddecomposition procedure based on Loess),基于LOESS将某时刻的数据xi分解为趋势分量(T)、周期分量(S)和误差项(R)。
需要说明的是,趋势分量(Ti)体现的是趋势部分;周期分量(Si)体现的是周期部分;误差项(Ri)体现的是残差部分。
其中,所述构建网络指标预测的ARIMA模型,指的是确定ARIMA模型的参数p,d,q和其他相关参数。
确定参数p,d,q,具体包括:
将预处理得到的趋势分量序列进行平稳性检验和d阶差分处理,直至得到平稳序列,确定参数d;
在得到平稳序列后,分别利用PACF方法和ACF方法确定参数p和参数q。
在具体的实施例当中,经步骤周期性规律处理后,由于趋势分量序列代表的是原始数据序列中的变化情况,因为取趋势分量序列T={T1,T2,…TL}进行下一步的模型参数训练。
平稳性统计检验:采用ADF检验(Augmented-Dickey-Fuller test)方法对T={T1,T2,…TL}序列的平稳性进行单位根检验,若ADF检验通过,即序列T′={T′1,T′2,…T′L}为平稳序列。
若ADF检验不通过,即序列T为非平稳序列(存在单位根),则需对该序列进行一阶差分处理,即,
Ti_diff={Ti2-Ti1,Ti3-Ti2,…Tin-Tin-1}。
通常地,趋势分量序列通过一阶差分后便满足ADF检验,达到平稳序列。但若一阶差分后仍无法通过ADF检验,则进行循环差分处理,直至得到序列平稳T′={T′1,T′2,…T′L},以及参数d(循环差分的阶数)。
确定参数p:在得到T′={T′1,T′2,…T′L}平稳序列后,对于自回归过程AR(p)中,使用偏自相关系数(PACF)方法表示为:
Φ11=ρ1;
其中,用Φkj表示k阶自回归式中第j个回归系数,ρj是自相关系数,通过最小二乘法求得,Φkj=Φk-1,j-ΦkkΦk-1,k-1,j=1,2,3,…,k-1;当k≤p时,Φkk≠0;当k>p时,Φkk趋近于0,即T′L和T′L-k的偏自相关系数趋近于0,说明偏自相关函数在滞后期p以后截尾特征有效,因此可用此特征识别AR(p)过程的阶数,得到模型参数p。
确定参数q:在得到T′={T′1,T′2,…T′L}平稳序列后,由于移动平均法目的是有效地消除预测中的随机波动,对于移动平均模型过程MA(q)中,使用自相关函数(ACF)方法表示为:
确定其他相关参数,具体包括:
在确定参数p,d,q后,ARIMA模型的预测公式表示为:
其中,μ为常数项,ρj为p阶自回归过程的系数,εi为误差常数,θj为q阶移动平均过程误差项系数。
在具体的实施例当中,当有多组备选参数p,d,q可以选择时,这时候就要根据AIC和BIC值进行模型参数的选择,通过衡量模型的复杂度来选择更简单的模型,AIC(赤池信息量)和BIC(贝叶斯信息量)值越低越好,其值越低,模型越简单。
由于以上步骤得到只是针对原始序列提取出来的趋势部分数据进行预测,因此最终结果需加上中的周期特征序列Si。
加上预处理得到的周期分量序列后,ARIMA模型的预测公式表示为,
S3、将设定的待预测指标变量的未来时间长度,和选取的已通过d阶差分后的平稳序列,共同输入到所述ARIMA模型,计算得到目标预测值。
在具体的实施例当中,预测未来时间长度为L′的预测值:即设待预测值为待预测所需输入的时间定义数据表示为L*={L1,L2,…LL+1,…LL+L′},由L*、T′输入模型重复迭代计算可得到向量的目标预测值。
在一优选实施例当中,所述的基于ARIMA模型的网络指标预测方法,还包括:
S4、将目标预测值与周期分量序列进行叠加,得到实际预测值。
在一优选实施例当中,所述的基于ARIMA模型的网络指标预测方法,还包括:
S5、对所述目标预测值和实际预测值进行误差计算,得到标准差和相对误差。
实际操作过程中,网络优化工程师可根据预测需求定义输入不同区域粒度、不同时间跨度的模型数据指标进行模型训练与预测分析,模型对未来某段时间的有效预测,很大程度上有助于网络运维过程中的提前规划,以制定有效的资源调配策略。
本实施例主要基于历史积累的无线网络通信指标数据,运用ARIMA时间序列数据挖掘智能算法,构建基于周期性(季节性)的预测模型,有效地从数据历史变化中发现并归纳出历史数据中用户对无线网络需求的变化规律,有效地预测未来某一时间内的某指标的变化序列值,为优化无线网络资源调配与性能优化提供了更有效的数据参考。
请参阅图4-5。本发明的另一个实施例还提供一种基于ARIMA模型的网络指标预测装置,包括:
采集模块21,用于采集待预测指标变量在某时间段内的指标数据,作为训练数据集。
其中,所述训练数据集包括指标数据序列Xtrain={x1,x2,…xL}和时间序列L={L1,L2,…LL};
在具体的实施例当中,可以选取网络通信指标变量某历史时间段内(以1小时/1天为粒度)的数据作为模型的训练数据集。
例如,以某座城市为单位,选取该城市基站采集的若干指标变量的时间序列历史数据,如需预测话务量在某区域的未来一周变化情况,则分别以全网、网元或小区为区域粒度、选择时间为1小时的粒度的话务量指标作为训练数据。
模型构建模块22,用于以进行预处理后的训练数据集作为输入,构建网络指标预测的ARIMA模型。
优选地,所述的基于ARIMA模型的网络指标预测装置,还包括预处理模块24,用于将训练数据集分解为趋势部分、周期部分和残差部分;具体的,
Xtrain={T1,T2,…TL}+{S1,S2,…SL}+{R1,R2,…RL};
xi=Ti+Si+Ri,i=1,2,…,L;
其中,所述训练数据集包括指标数据序列Xtrain={x1,x2,…xL}和时间序列L={L1,L2,…LL};Ti、Si、Ri分别为指标数据序列分解出来的趋势分量、周期分量和误差项。
在具体的实施例当中,根据不同的时间粒度,,将具有周期性特征的序列进行周期性特征提取,此处使用的是时序周期规律计算分解中一种常见的算法STL(Seasonal-Trenddecomposition procedure based on Loess),基于LOESS将某时刻的数据xi分解为趋势分量(T)、周期分量(S)和误差项(R)。
需要说明的是,趋势分量(Ti)体现的是趋势部分;周期分量(Si)体现的是周期部分;误差项(Ri)体现的是残差部分。
其中,所述构建网络指标预测的ARIMA模型,指的是确定ARIMA模型的参数p,d,q和其他相关参数。
确定参数p,d,q,具体包括:
将预处理得到的趋势分量序列进行平稳性检验和d阶差分处理,直至得到平稳序列,确定参数d;
在得到平稳序列后,分别利用PACF方法和ACF方法确定参数p和参数q。
在具体的实施例当中,经步骤周期性规律处理后,由于趋势分量序列代表的是原始数据序列中的变化情况,因为取趋势分量序列T={T1,T2,…TL}进行下一步的模型参数训练。
平稳性统计检验:采用ADF检验(Augmented-Dickey-Fuller test)方法对T={T1,T2,…TL}序列的平稳性进行单位根检验,若ADF检验通过,即序列T′={T′1,T′2,…T′L}为平稳序列。
若ADF检验不通过,即序列T为非平稳序列(存在单位根),则需对该序列进行一阶差分处理,即,
Ti_diff={Ti2-Ti1,Ti3-Ti2,…Tin-Tin-1}。
通常地,趋势分量序列通过一阶差分后便满足ADF检验,达到平稳序列。但若一阶差分后仍无法通过ADF检验,则进行循环差分处理,直至得到序列平稳T′={T′1,T′2,…T′L},以及参数d(循环差分的阶数)。
确定参数p:在得到T′={T′1,T′2,…T′L}平稳序列后,对于自回归过程AR(p)中,使用偏自相关系数(PACF)方法表示为:
Φ11=ρ1;
其中,用Φkj表示k阶自回归式中第j个回归系数,ρj是自相关系数,通过最小二乘法求得,Φkj=Φk-1,j-ΦkkΦk-1,k-1,j=1,2,3,…,k-1;当k≤p时,Φkk≠0;当k>p时,Φkk趋近于0,即T′L和T′L-k的偏自相关系数趋近于0,说明偏自相关函数在滞后期p以后截尾特征有效,因此可用此特征识别AR(p)过程的阶数,得到模型参数p。
确定参数q:在得到T′={T′1,T′2,…T′L}平稳序列后,由于移动平均法目的是有效地消除预测中的随机波动,对于移动平均模型过程MA(q)中,使用自相关函数(ACF)方法表示为:
确定其他相关参数,具体包括:
在确定参数p,d,q后,ARIMA模型的预测公式表示为:
其中,μ为常数项,ρj为p阶自回归过程的系数,εi为误差常数,θj为q阶移动平均过程误差项系数。
在具体的实施例当中,当有多组备选参数p,d,q可以选择时,这时候就要根据AIC和BIC值进行模型参数的选择,通过衡量模型的复杂度来选择更简单的模型,AIC(赤池信息量)和BIC(贝叶斯信息量)值越低越好,其值越低,模型越简单。
由于以上步骤得到只是针对原始序列提取出来的趋势部分数据进行预测,因此最终结果需加上中的周期特征序列Si。
加上预处理得到的周期分量序列后,ARIMA模型的预测公式表示为,
预测模块23,用于将设定的待预测指标变量的未来时间长度,和选取的已通过d阶差分后的平稳序列,共同输入到所述ARIMA模型,计算得到目标预测值。
在具体的实施例当中,预测未来时间长度为L′的预测值:即设待预测值为待预测所需输入的时间定义数据表示为L*={L1,L2,…LL+1,…LL+L′},由L*、T′输入模型重复迭代计算可得到向量的目标预测值。
在一优选实施例当中,所述的基于ARIMA模型的网络指标预测装置,还包括:
预测模块23,还用于将目标预测值与周期分量序列进行叠加,得到实际预测值。
在一优选实施例当中,所述的基于ARIMA模型的网络指标预测装置,还包括:
误差分析模块25,用于对所述目标预测值和实际预测值进行误差计算,得到标准差和相对误差。
实际操作过程中,网络优化工程师可根据预测需求定义输入不同区域粒度、不同时间跨度的模型数据指标进行模型训练与预测分析,模型对未来某段时间的有效预测,很大程度上有助于网络运维过程中的提前规划,以制定有效的资源调配策略。
本实施例主要基于历史积累的无线网络通信指标数据,运用ARIMA时间序列数据挖掘智能算法,构建基于周期性(季节性)的预测模型,有效地从数据历史变化中发现并归纳出历史数据中用户对无线网络需求的变化规律,有效地预测未来某一时间内的某指标的变化序列值,为优化无线网络资源调配与性能优化提供了更有效的数据参考。
本发明的又一个实施例还提供一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的基于ARIMA模型的网络指标预测方法。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和变形,这些改进和变形也视为本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
Claims (9)
1.一种基于ARIMA模型的网络指标预测方法,其特征在于,包括:
采集待预测指标变量在某时间段内的指标数据,作为训练数据集;
以进行预处理后的训练数据集作为输入,构建网络指标预测的ARIMA模型;
将设定的待预测指标变量的未来时间长度,和选取的已通过d阶差分后的平稳序列,共同输入到所述ARIMA模型,计算得到目标预测值;
所述构建网络指标预测的ARIMA模型,指的是确定ARIMA模型的参数p,d,q和其他相关参数;
确定参数p,d,q,具体包括:
将预处理得到的趋势分量序列进行平稳性检验和d阶差分处理,直至得到平稳序列,确定参数d;
在得到平稳序列后,分别利用PACF方法和ACF方法确定参数p和参数q;
确定其他相关参数,具体包括:
在确定参数p,d,q后,ARIMA模型的预测公式表示为:
其中,μ为常数项,ρj为p阶自回归过程的系数,εi为误差常数,θj为q阶移动平均过程误差项系数;
加上预处理得到的周期分量序列后,ARIMA模型的预测公式表示为,
2.根据权利要求1所述的基于ARIMA模型的网络指标预测方法,其特征在于,所述训练数据集包括指标数据序列Xtrain={x1,x2,...xL}和时间序列L={L1,L2,...LL};
所述训练数据集的预处理为,将训练数据集分解为趋势部分、周期部分和残差部分;具体的,
Xtrain={T1,T2,...TL}+{S1,S2,...SL}+{R1,R2,...RL};
xi=Ti+Si+Ri,i=1,2,...,L;
其中,Ti、Si、Ri分别为指标数据序列分解出来的趋势分量、周期分量和误差项。
3.根据权利要求1所述的基于ARIMA模型的网络指标预测方法,其特征在于,还包括:
将目标预测值与周期分量序列进行叠加,得到实际预测值。
4.根据权利要求3所述的基于ARIMA模型的网络指标预测方法,其特征在于,还包括:
对所述目标预测值和实际预测值进行误差计算,得到标准差和相对误差。
5.一种基于ARIMA模型的网络指标预测装置,其特征在于,包括:
采集模块,用于采集待预测指标变量在某时间段内的指标数据,作为训练数据集;
模型构建模块,用于以进行预处理后的训练数据集作为输入,构建网络指标预测的ARIMA模型;
预测模块,用于将设定的待预测指标变量的未来时间长度,和选取的已通过d阶差分后的平稳序列,共同输入到所述ARIMA模型,计算得到目标预测值;
所述构建网络指标预测的ARIMA模型,指的是确定ARIMA模型的参数p,d,q和其他相关参数;
确定参数p,d,q,具体包括:
将预处理得到的趋势分量序列进行平稳性检验和d阶差分处理,直至得到平稳序列,确定参数d;
在得到平稳序列后,分别利用PACF方法和ACF方法确定参数p和参数q;
确定其他相关参数,具体包括:
在确定参数p,d,q后,ARIMA模型的预测公式表示为:
其中,μ为常数项,ρj为p阶自回归过程的系数,εi为误差常数,θj为q阶移动平均过程误差项系数;
加上预处理得到的周期分量序列后,ARIMA模型的预测公式表示为,
6.根据权利要求5所述的基于ARIMA模型的网络指标预测装置,其特征在于,还包括预处理模块,用于将训练数据集分解为趋势部分、周期部分和残差部分;具体的,
Xtrain={T1,T2,...TL}+{S1,S2,...SL}+{R1,R2,...RL};
xi=Ti+Si+Ri,i=1,2,...,L;
其中,所述训练数据集包括指标数据序列Xtrain={x1,x2,...xL}和时间序列L={L1,L2,...LL};Ti、Si、Ri分别为指标数据序列分解出来的趋势分量、周期分量和误差项。
7.根据权利要求5所述的基于ARIMA模型的网络指标预测装置,其特征在于,还包括:
预测模块,还用于将目标预测值与周期分量序列进行叠加,得到实际预测值。
8.根据权利要求7所述的基于ARIMA模型的网络指标预测装置,其特征在于,还包括:
误差分析模块,用于对所述目标预测值和实际预测值进行误差计算,得到标准差和相对误差。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储了计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至4任一项所述的基于ARIMA模型的网络指标预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811485502.2A CN109587713B (zh) | 2018-12-05 | 2018-12-05 | 一种基于arima模型的网络指标预测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811485502.2A CN109587713B (zh) | 2018-12-05 | 2018-12-05 | 一种基于arima模型的网络指标预测方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109587713A CN109587713A (zh) | 2019-04-05 |
CN109587713B true CN109587713B (zh) | 2022-01-11 |
Family
ID=65926106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811485502.2A Active CN109587713B (zh) | 2018-12-05 | 2018-12-05 | 一种基于arima模型的网络指标预测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109587713B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110062114A (zh) * | 2019-04-09 | 2019-07-26 | 国家计算机网络与信息安全管理中心 | 基于arima的诈骗电话预测方法及预测系统 |
CN110070215B (zh) * | 2019-04-09 | 2022-08-23 | 南京邮电大学 | 基于自适应的季节性arima模型的太阳能收集功率预测方法 |
CN110298690B (zh) * | 2019-05-31 | 2023-07-18 | 创新先进技术有限公司 | 对象类目的周期判断方法、装置、服务器及可读存储介质 |
CN112149860A (zh) * | 2019-06-28 | 2020-12-29 | 中国电力科学研究院有限公司 | 一种自动异常检测方法和系统 |
CN112203320B (zh) * | 2019-07-08 | 2023-04-28 | 中国移动通信集团贵州有限公司 | 一种基于灰色模型预测目标网络参数的方法和装置 |
CN110674019B (zh) * | 2019-08-30 | 2023-02-07 | 中国人民财产保险股份有限公司 | 一种预测系统故障的方法、装置及电子设备 |
CN113114520A (zh) * | 2020-01-10 | 2021-07-13 | 华为技术有限公司 | 一种传输数据的方法和终端 |
CN111444246B (zh) * | 2020-05-07 | 2021-01-29 | 北京工业大数据创新中心有限公司 | 一种基于时序数据的颗粒度线性趋势自动生成方法及系统 |
CN111611519B (zh) * | 2020-05-28 | 2023-07-11 | 上海观安信息技术股份有限公司 | 一种个人异常行为检测方法及装置 |
CN112115416A (zh) * | 2020-08-06 | 2020-12-22 | 深圳市水务科技有限公司 | 预测性维护方法、设备及存储介质 |
CN111898758B (zh) * | 2020-09-29 | 2021-03-02 | 苏宁金融科技(南京)有限公司 | 一种用户异常行为识别方法、装置及计算机可读存储介质 |
CN112131212A (zh) * | 2020-09-29 | 2020-12-25 | 合肥城市云数据中心股份有限公司 | 基于集成学习技术面向混合云场景的时序数据异常预测方法 |
CN114428803B (zh) * | 2020-10-29 | 2023-05-26 | 上海浦昊节能环保科技有限公司 | 空压站运行优化方法、系统、存储介质及终端 |
CN112862159B (zh) * | 2021-01-13 | 2023-04-28 | 中铁第四勘察设计院集团有限公司 | 电离层的总电子含量预测方法、装置、设备及存储介质 |
CN112884503A (zh) * | 2021-01-21 | 2021-06-01 | 百果园技术(新加坡)有限公司 | 一种用户规模预测方法、装置、设备和介质 |
CN112929214A (zh) * | 2021-02-02 | 2021-06-08 | 北京明朝万达科技股份有限公司 | 模型构建方法、装置、设备及存储介质 |
CN112929215B (zh) * | 2021-02-04 | 2022-10-21 | 博瑞得科技有限公司 | 一种网络流量预测方法、系统、计算机设备及存储介质 |
CN113329128B (zh) * | 2021-06-04 | 2023-01-06 | 中国电信股份有限公司 | 话务数据预测方法及装置、电子设备、存储介质 |
CN113672642A (zh) * | 2021-07-07 | 2021-11-19 | 德特赛维技术有限公司 | 一种基于时序预测移动网络性能的方法及其系统 |
CN117455666A (zh) * | 2023-10-16 | 2024-01-26 | 厦门国际银行股份有限公司 | 一种基于神经网络的交易技术指标预测方法、装置及设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102088709A (zh) * | 2010-11-30 | 2011-06-08 | 哈尔滨工业大学 | 基于聚类和arima模型的话务量预测方法 |
CN104994539B (zh) * | 2015-06-30 | 2018-03-30 | 电子科技大学 | 一种基于arima模型的无线传感器网络流量异常检测方法 |
-
2018
- 2018-12-05 CN CN201811485502.2A patent/CN109587713B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109587713A (zh) | 2019-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109587713B (zh) | 一种基于arima模型的网络指标预测方法、装置及存储介质 | |
CN109816221A (zh) | 项目风险决策方法、装置、计算机设备和存储介质 | |
CN112910690A (zh) | 基于神经网络模型的网络流量预测方法、装置及设备 | |
CN110930198A (zh) | 基于随机森林的电能替代潜力预测方法、系统、存储介质及计算机设备 | |
CN110621026B (zh) | 一种基站流量多时刻预测方法 | |
CN115545331A (zh) | 控制策略预测方法和装置、设备及存储介质 | |
CN115394383A (zh) | 磷光材料的发光波长预测方法及系统 | |
CN108595526A (zh) | 资源推荐方法及装置 | |
CN109255389B (zh) | 一种装备评价方法、装置、设备及可读存储介质 | |
CN115883424B (zh) | 一种高速骨干网间流量数据预测方法及系统 | |
CN113223502A (zh) | 语音识别系统优化方法、装置、设备及可读存储介质 | |
CN113704389A (zh) | 一种数据评估方法、装置、计算机设备及存储介质 | |
CN110222840B (zh) | 一种基于注意力机制的集群资源预测方法和装置 | |
Deng et al. | A novel method for elimination of inconsistencies in ordinal classification with monotonicity constraints | |
CN111654853A (zh) | 一种基于用户信息的数据分析方法 | |
da Silva et al. | Automated Machine Learning for Time Series Prediction | |
CN113762356B (zh) | 基于聚类和注意力机制的集群负载预测方法及系统 | |
CN115237606B (zh) | 一种边缘计算控制系统 | |
CN115238583B (zh) | 一种支持增量日志的业务流程剩余时间预测方法与系统 | |
WO2022254607A1 (ja) | 情報処理装置、差分抽出方法、及び非一時的なコンピュータ可読媒体 | |
CN117009752A (zh) | 一种基于poa-vmd-ssa-kelm模型的用电需求预测方法 | |
CN117973604A (zh) | 一种混合预测模型的负荷短期预测方法及系统 | |
He et al. | HSMS-ADP: Adaptive DNNs Partitioning for End-Edge Collaborative Inference in High-Speed Mobile Scenarios | |
Laksana et al. | Predicting Passenger Occupancy of Commercial Buses Using Regression Approach of Machine Learning | |
CN114282937A (zh) | 一种基于物联网的楼宇经济预测方法与系统 |
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 |