CN109981327B - 一种业务量的预测方法及系统 - Google Patents
一种业务量的预测方法及系统 Download PDFInfo
- Publication number
- CN109981327B CN109981327B CN201711463189.8A CN201711463189A CN109981327B CN 109981327 B CN109981327 B CN 109981327B CN 201711463189 A CN201711463189 A CN 201711463189A CN 109981327 B CN109981327 B CN 109981327B
- Authority
- CN
- China
- Prior art keywords
- traffic
- value
- month
- linear adjustment
- adjustment model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013213 extrapolation Methods 0.000 claims abstract description 65
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000004891 communication Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 6
- 238000010295 mobile communication Methods 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- 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
-
- 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)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供一种业务量的预测方法及系统,用以解决现有技术中存在的对移动通信业务量的预测的准确性较低的技术问题。获取第N年中待预测的第k个月份的第一业务量预测值,及第k个月份之前的i个月份的第二业务量集合,其中,第二业务量集合包括i个月份中每个月份在第N年中的第二业务量预测值和业务量实际值,第一业务量预测值及第二业务量预测值由相应月份的趋势外推预测模型确定;对第二业务量集合进行相对误差分析,建立线性调整模型,线性调整模型用于确定第一业务量预测值的线性调整模型值;基于线性调整模型对第一业务量预测值进行调整,输出第k个月份的最终业务量预测值。
Description
技术领域
本发明涉及数据预测领域,尤其涉及一种业务量的预测方法及系统。
背景技术
移动通信业务量是表示需要传递的电信信息数量,是核算各类网元设备、生产人员和组织生产的主要依据,例如话务量、彩信量、短信量等。移动通信业务量的特点是总体呈现明显趋势性和周期性,但局部变化较大,容易受短期突发政策等因素的影响。
现有技术中,移动通信业务量的预测,是从相关历史记录资料中获得通信系统业务量变化的规律与特性,建立一个可以描述移动通信业务量变化特性的数学模型,进而在一定精度要求下,利用该数学模型预测未来某个时段的业务量。而趋势外推法作为一种利用研究对象的发展趋势,对未来状况进行预测的统计方法,被广泛地应用于移动通信业务量预测。传统的趋势外推法通常利用历史同周期时间节点的观测值来建立长期趋势,并认为未来数据也服从这个稳定的趋势。虽然移动通信业务量存在较强的趋势性与周期性,但局部变化比较大,短期突发因素的影响往往会影响预测精度,而且随着这种影响的累积,数据本身的趋势性也会发生较大的改变。因此,传统的趋势外推法难以及时对这种短期突发政策等因素的冲击进行反应和调整,进而导致对移动通信业务量的预测的准确性较低。
综上可知,现有技术中存在对移动通信业务量的预测的准确性较低的技术问题。
发明内容
本发明实施例提供一种业务量的预测方法及系统,用以解决现有技术中存在的对移动通信业务量的预测的准确性较低的技术问题。
第一方面,本发明实施例提供一种业务量的预测方法,包括:
获取第N年中待预测的第k个月份的第一业务量预测值,及所述第k个月份之前的i个月份的第二业务量集合,其中,所述第二业务量集合包括所述i个月份中每个月份在所述第N年中的第二业务量预测值和业务量实际值,所述第一业务量预测值及所述第二业务量预测值由相应月份的趋势外推预测模型确定,N为大于等于1的整数,k取1至12中的任一整数,i为小于等于k的整数;
对所述第二业务量集合进行相对误差分析,建立线性调整模型,所述线性调整模型用于确定所述第一业务量预测值的线性调整模型值;
基于所述线性调整模型对所述第一业务量预测值进行调整,输出所述第k个月份的最终业务量预测值。
在一种可能的实现方式中,对所述第二业务量集合进行相对误差分析,建立线性调整模型,包括:
基于所述第二业务量集合确定所述i个月份对应的相对误差集合,其中,所述相对误差集合包括所述i个月份中每个月份的所述第二业务量预测值与所述业务量实际值之间的相对误差值;
基于所述相对误差集合和权重向量建立所述线性调整模型,所述权重向量包括i个权重分量,所述i个权重分量中的一个权重分量指示了所述相对误差集合中一个所述相对误差值的权重。
在一种可能的实现方式中,基于所述线性调整模型对所述第一业务量预测值进行调整,输出所述第k个月份的最终业务量预测值,包括:
基于所述线性调整模型计算用于调整所述第一业务量预测值的线性调整模型值;
基于所述线性调整模型值和所述第一业务量预测值获得所述第k个月份的最终业务量预测值并输出。
在一种可能的实现方式中,基于所述线性调整模型计算用于调整所述第一业务量预测值的线性调整模型值,包括:
基于所述线性调整模型及所述第二业务量集合包括的至少一个月份中的每个月份在所述第N年中的第二业务量预测值和业务量实际值,确定所述i的第一取值和权重向量的第二取值;
将所述第一取值和所述第二取值代入所述线性调整模型进行计算,获得所述第一业务量预测值的线性调整模型值。
在一种可能的实现方式中,在获取第N年中待预测的第k个月份的第一业务量预测值,及所述第k个月份之前的i个月份的第二业务量集合之前,还包括:
获取源业务量集合,所述源业务量集合包括所述第N年之前的N年中每个月份的业务量,及所述第N年中前k-1个月每个月份的业务量;
按月对所述源业务量集合进行汇总,获得第三业务量集合,所述第三业务量集合包括所述N年和所述第N年中前k-1个月的第k月份对应的业务量总值;
基于所述第三业务量集合建立所述N年和所述第N年中前k-1个月的第k月份对应的趋势外推预测模型;
基于所述趋势外推预测模型确定所述第一业务量预测值和所述第二业务量预测值。
第二方面,本发明实施例提供一种预测系统,包括:
数据获取模块,用于获取第N年中待预测的第k个月份的第一业务量预测值,及所述第k个月份之前的i个月份的第二业务量集合,其中,所述第二业务量集合包括所述i个月份中每个月份在所述第N年中的第二业务量预测值和业务量实际值,所述第一业务量预测值及所述第二业务量预测值由相应月份的趋势外推预测模型确定,N为大于等于1的整数,k取1至12中的任一整数,i为小于等于k的整数;
线性调整模型构建模块,用于对所述第二业务量集合进行相对误差分析,建立线性调整模型,所述线性调整模型用于确定所述第一业务量预测值的线性调整模型值;
趋势外推预测值调整模块,用于基于所述线性调整模型对所述第一业务量预测值进行调整,输出所述第k个月份的最终业务量预测值。
在一种可能的实现方式中,所述线性调整模型构建模块具体用于:
基于所述第二业务量集合确定所述i个月份对应的相对误差集合,其中,所述相对误差集合包括所述i个月份中每个月份的所述第二业务量预测值与所述业务量实际值之间的相对误差值;
基于所述相对误差集合和权重向量建立所述线性调整模型,所述权重向量包括i个权重分量,所述i个权重分量中的一个权重分量指示了所述相对误差集合中一个所述相对误差值的权重。
在一种可能的实现方式中,所述趋势外推预测值调整模块具体用于:
基于所述线性调整模型计算用于调整所述第一业务量预测值的线性调整模型值;
基于所述线性调整模型值和所述第一业务量预测值获得所述第k个月份的最终业务量预测值并输出。
在一种可能的实现方式中,所述趋势外推预测值调整模块还用于:
基于所述线性调整模型及所述第二业务量集合包括的至少一个月份中的每个月份在所述第N年中的第二业务量预测值和业务量实际值,确定所述i的第一取值和权重向量的第二取值;
将所述第一取值和所述第二取值代入所述线性调整模型进行计算,获得所述第一业务量预测值的线性调整模型值。
在一种可能的实现方式中,所述系统还包括:
趋势外推预测模型构建模块,用于获取源业务量集合,所述源业务量集合包括所述第N年之前的N年中每个月份的业务量,及所述第N年中前k-1个月每个月份的业务量;
按月对所述源业务量集合进行汇总,获得第三业务量集合,所述第三业务量集合包括所述N年和所述第N年中前k-1个月的第k月份对应的业务量总值;
基于所述第三业务量集合建立所述N年和所述第N年中前k-1个月的第k月份对应的趋势外推预测模型;
基于所述趋势外推预测模型确定所述第一业务量预测值和所述第二业务量预测值。
第三方面,本发明实施例提供一种计算机装置,所述计算机装置包括:
至少一个处理器,以及
与所述至少一个处理器通信连接的存储器、通信接口;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述至少一个处理器通过执行所述存储器存储的指令,利用所述通信接口执行如第一方面所述的方法。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,当所述计算机指令在计算机上运行时,使得计算机执行如第一方面所述的方法。
本发明实施例提供的一种业务量的预测方法,通过对第二业务量集合进行相对误差分析,建立线性调整模型,进而基于线性调整模型对第一业务量预测值进行调整,以输出待预测的第k个月份的最终业务量预测值,提高了对第k个月份的通信业务量的预测的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍,显而易见地,下面所介绍的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中提供的一种业务量的预测方法的流程示意图;
图2为本发明实施例中对源业务量集合进行按月划分的示意图;
图3为本发明实施例中对Sk+1的业务量进行预测的流程图;
图4为本发明实施例中公式(4)的计算示意图;
图5为本发明实施例中预测系统的模块示意图;
图6为本发明实施例中提供的一种计算机装置的示意图。
具体实施方式
为了使本发明实施例的目的、技术方案和优点更加清楚,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。
首先,对本发明实施例提供的一种业务量的预测方法的总体思路进行介绍如下。
本发明实施例中,通过对不同年的同月份分别建立趋势外推预测模型,以实现对每个月份的如话务量、彩信量、短信量等通信业务量的预测,然后利用每个月的业务量预测值和业务量实际值之间的相对误差,建立线性调整模型,以调整待预测月份的业务量预测值,输出待预测月份的最终业务量预测值,进而实现业务量的月滚动预测。
当然,本发明实施例中的业务量的预测方法,后续也可以推广到其他与通信业务具有相似数据特征的其他业务的业务量预测上,以实现服务资源的优化配置,同时也为业务拓展提供基础能力的储备。
下面结合附图对本发明优选的实施例作详细的介绍。
实施例一
请参见图1,本发明实施例提供一种业务量的预测方法,其实现流程可以描述如下:
S101:获取第N年中待预测的第k个月份的第一业务量预测值,及第k个月份之前的i个月份的第二业务量集合,其中,第二业务量集合包括i个月份中每个月份在第N年中的第二业务量预测值和业务量实际值,第一业务量预测值及第二业务量预测值由相应月份的趋势外推预测模型确定,N为大于等于1的整数,k取1至12中的任一整数,i为小于等于k的整数;
S102:对第二业务量集合进行相对误差分析,建立线性调整模型,线性调整模型用于确定第一业务量预测值的线性调整模型值;
S103:基于线性调整模型对第一业务量预测值进行调整,输出第k个月份的最终业务量预测值。
本发明实施例中,在S101之前,可以建立不同年的同月份的趋势外推预测模型,用于对相应月份的业务量进行预测。
比如,1月的趋势外推预测模型可以用于对2009年1月、2010年1月、2011年1月等月份的业务量进行预测,2月的趋势外推预测模型可以用于对2009年2月、2010年2月、2011年2月等月份的业务量进行预测。
具体地,不同年的同月份的趋势外推预测模型建立过程可以描述如下:
在对第N年第k个月份的业务量进行预测之前,可以首先获得源业务量集合,其中,源业务量集合包括第N年之前的N年中每个月份的业务量,及第N年中前k-1个月每个月份的业务量。
比如,在实际应用中,可以从各类数据仓库、关系型数据库或者分布式文件系统等获取第N年第k个月份之前每个月份的业务量,作为后续建立趋势外推预测模型的源数据。
然后,可以按月对源业务量集合进行汇总,获得第三业务量集合,第三业务量集合包括N年和第N年中前k-1个月的第k月份对应的业务量总值。
举例来说,可以参见图2,假设源业务量集合为S,可以将S包括的N年中每一年各个月份的业务量,以及第N年中前k-1个月中各个月份的业务量,按照12个月份进行处理划分,可以规整为S1,S2,Sk…S12共12份数据,而Sk可以表示N年和第N年中前k-1个月按照时间顺序划分为12个月后,这12个月份中的第k月份的业务量总值。
以1月份为例,S1对应的数据格式可以如表1所示,需要说明的是,表1中的业务量数据只是示意性的,并不代表真实数据更不是用于对本发明实施例的限制。
表1
时间 | 时间节点 | 业务量 |
2009/01 | 0 | 10000 |
2010/01 | 1 | 20000 |
…… | …… | …… |
表1中,时间节点为自定义设置的,起始点可以设置为0或者1,可以随着同一月份的不同年份递增。
在获得第三业务量集合之后,可以根据第三业务量集合建立N年和所述第N年中前k-1个月的第k月份对应的趋势外推预测模型。
针对Sk,请参见图3,为对Sk+1的业务量进行预测的流程图。在建立与Sk(1≤k≤12)对应的趋势外推预测模型时,可以对Sk以时间为自变量、业务量为因变量进行趋势外推模型拟合,即寻找最佳的至少一个拟合模型,然后分别采用至少一个拟合模型中的每个拟合模型计算Sk的业务量预测值,将计算出Sk的各个业务量预测值与Sk的实际业务量值进行对比,选择对Sk预测误差最小的一个或者多个最佳拟合模型进行拟合,进而确定Sk对应的趋势外推预测模型,以对未来业务量,如Sk+1的业务量进行预测;其中,在趋势外推预测模型当中,拟合模型通常有线性模型、指数模型、生长曲线模型、包络曲线模型等。
比如,对于2017年k(1≤k≤12)月,可以通过2009年~2016年k月的业务量数据建立趋势外推预测模型,并通过趋势外推预测模型预测2017年k月的业务量。
通过公式(1)的最小化目标函数,确定趋势外推预测模型f(t)。
进而可以通过公式(2)实现对下一时间节点的业务量的预测:
也就是说,本发明实施例中可以对不同年份的同一月份建立趋势外推预测模型,以对下一时间节点进行业务量的预测,如可以根据2009年1月份的业务量和2010年1月份的业务量,建立1月份的趋势外推预测模型,进而可以通过1月份的趋势外推预测模型对2011年1月份的业务量进行预测。
或者,又如可以根据2009年3月份的业务量、2010年3月份的业务量以及2011年3月份的业务量,建立3月份的趋势外推预测模型,进而可以通过3月份的趋势外推预测模型对2012年3月份的业务量进行预测。
在建立12个月份中每个月份的趋势外推预测模型之后,可以进入S101,即可以根据第k个月份的趋势外推预测模型对待预测的第k个月份的业务量进行预测,获得第一业务量预测值,以及,可以根据第k个月份之前的i个月份中每个月份的趋势外推预测模型对相应月份的业务量进行预测,获得i个月份中每个月份的第二业务量预测值。
而由于是对第k个月份进行预测,因此,第k个月份之前的i个月份中每个月份也是具有业务量实际值的,可以获得i个月份中每个月份在第N年中的业务量实际值。
比如,如果需要对2013年6月份的业务量进行预测,则可以根据2009年、2010年、2011年和2012年,以及2013年6月份之前的1-5月份建立2013年6月份的趋势外推预测模型。相应地,2013年5月份的趋势外推预测模型可以根据2009年、2010年、2011年和2012年中各个月份的业务量实际值,以及2013年5月份之前1-4月份中各个月份的业务量实际值建立,其他月份的趋势外推预测模型类似于6月份或者5月份的趋势外推预测模型的建立,本发明实施例不作赘述。
而各个月份对应的趋势外推预测模型可以根据各个月份实际业务量的获得进行更新。
那么在S101中,可以根据6月份的趋势外推预测模型获取2013年6月份的第一业务量预测值;可以根据1-5月份中各个月份对应的趋势外推预测模型,分别获取2012年1月份、2012年2月份、2012年3月份、2012年4月份和2012年5月份的第二业务量预测值;同时,获取2012年1-5月份各个月份的业务量实际值。
由于利用各个月份的趋势外推预测模型对业务量进行预测,对于业务量具有稳定发展趋势的情况可以有较好的预测精度,但是对于受短期影响因素显著的通信业务的业务量数据的预测,其预测精度可能达不到预设的要求。
因此,本发明实施例中可以对近期的趋势外推预测模型的预测结果进行整合再分析,即进入S102,可以对第二业务集合进行相对误差分析,建立线性调整模型,以确定出可以用于对第一业务量预测值进行调整的线性调整模型值。
其中,S102的具体实现过程可以描述如下:
可以根据第二业务量集合确定i个月份对应的相对误差集合,其中,相对误差集合包括i个月份中每个月份的第二业务量预测值与业务量实际值之间的相对误差值;
进而可以根据相对误差集合和权重向量建立线性调整模型,权重向量包括i个权重分量,i个权重分量中的一个权重分量指示了相对误差集合中一个相对误差值的权重。
举例来说,可以通过公式(3)计算i个月份中的每个月份的第二业务量预测值与业务量实际值之间的相对误差值。
通过公式(3)可以获得i个月份中每个月份的第二业务量预测值与业务量实际值之间的相对误差值,进而可以根据公式(4)建立线性调整模型。
公式(4)中,wi表示权重向量的第i个权重分量。
在建立线性调整模型之后,可以进入S103,即可以根据线性调整模型对第一业务量预测值进行调整,并输出第k个月份的最终业务量预测值。由于本发明实施例中相比于传统的趋势外推法,增加了线性调整模型,对传统的趋势外推预测值进行了误差修正,解决了传统趋势法对于短期突发影响因素反应不灵敏的问题,使得业务量的预测精度得到了有效提升。
在一种可能的实现方式中,可以根据线性调整模型计算用于调整第一业务量预测值的线性调整模型值。
具体地,可以基于线性调整模型及第二业务量集合包括的至少一个月份中的每个月份在第N年中的第二业务量预测值和业务量实际值,确定i的第一取值和权重向量的第二取值;
将第一取值和第二取值代入线性调整模型进行计算,获得第一业务量预测值的线性调整模型值。
在实际应用中,可以构建损失目标函数如下:
然后,可以通过线性调整模型及第二业务量集合包括的至少一个月份中的每个月份在第N年中的第二业务量预测值和业务量实际值,对上述损失目标函数进行样本训练,可以获得最佳的i,W(W={w1,w2,…,wi})组合,即i的第一取值和权重向量的第二取值,其中,权重向量的第二取值为与i相关的向量。
进而,将i,W(W={w1,w2,…,wi})代入公式(4)中进行计算,可以获得第一业务量预测值的线性调整模型值。
比如,计算2017年1-9月趋势外推预测误差。以2017年1-6月为训练集,2017年7-9月为测试集,通过使得损失目标函数在“2017年1-6月趋势外推预测误差绝对值的平均”达到最小循环训练得到:i=3,w1=0.8,w2=0.1,w3=0.1,从而可以计算6-9月中各个月份的线性调整模型值。
基于线性调整模型值和第一业务量预测值获得第k个月份的最终业务量预测值并输出。
可以通过公式(5)确定第k个月份的最终业务量预测值。
综上所述,本发明实施例的一个或者多个技术方案,至少具有如下技术效果或者优点:
第一、本发明实施例提供的一种业务量的预测方法,通过对第二业务量集合进行相对误差分析,建立线性调整模型,进而基于线性调整模型对第一业务量预测值进行调整,以输出待预测的第k个月份的最终业务量预测值,提高了对第k个月份的通信业务量的预测的准确性。
第二、由于本发明实施例中相比于传统的趋势外推法,增加了线性调整模型,对传统的趋势外推预测值进行了误差修正,解决了传统趋势法对于短期突发影响因素反应不灵敏的问题,使得业务量的预测精度得到了有效提升。
第三、由于本发明实施例中为解决短期局部的突发政策等因素影响业务量预测效果,构建了线性调整模型,通过对第k个月份之前的i个月份中每个月份的业务量预测值相较于相应月份的业务量实际值的预测误差进行加权求和,可以对当前观测点,即第k月份的预测结果进行快速修正,有效的平滑了短期的突发因素带来的局部影响,保证了趋势外推预测业务量的精确性。
实施例二
请参见图5,基于同一发明构思,本发明实施例提供一种预测系统,包括:
数据获取模块51,用于获取第N年中待预测的第k个月份的第一业务量预测值,及所述第k个月份之前的i个月份的第二业务量集合,其中,所述第二业务量集合包括所述i个月份中每个月份在所述第N年中的第二业务量预测值和业务量实际值,所述第一业务量预测值及所述第二业务量预测值由相应月份的趋势外推预测模型确定,N为大于等于1的整数,k取1至12中的任一整数,i为小于等于k的整数;
线性调整模型构建模块52,用于对所述第二业务量集合进行相对误差分析,建立线性调整模型,所述线性调整模型用于确定所述第一业务量预测值的线性调整模型值;
趋势外推预测值调整模块53,用于基于所述线性调整模型对所述第一业务量预测值进行调整,输出所述第k个月份的最终业务量预测值。
在一种可能的实现方式中,所述线性调整模型构建模块52具体用于:
基于所述第二业务量集合确定所述i个月份对应的相对误差集合,其中,所述相对误差集合包括所述i个月份中每个月份的所述第二业务量预测值与所述业务量实际值之间的相对误差值;
基于所述相对误差集合和权重向量建立所述线性调整模型,所述权重向量包括i个权重分量,所述i个权重分量中的一个权重分量指示了所述相对误差集合中一个所述相对误差值的权重。
在一种可能的实现方式中,所述趋势外推预测值调整模块53具体用于:
基于所述线性调整模型计算用于调整所述第一业务量预测值的线性调整模型值;
基于所述线性调整模型值和所述第一业务量预测值获得所述第k个月份的最终业务量预测值并输出。
在一种可能的实现方式中,所述趋势外推预测值调整模块53还用于:
基于所述线性调整模型及所述第二业务量集合包括的至少一个月份中的每个月份在所述第N年中的第二业务量预测值和业务量实际值,确定所述i的第一取值和权重向量的第二取值;
将所述第一取值和所述第二取值代入所述线性调整模型进行计算,获得所述第一业务量预测值的线性调整模型值。
在一种可能的实现方式中,所述系统还包括:
趋势外推预测模型构建模块,用于获取源业务量集合,所述源业务量集合包括所述第N年之前的N年中每个月份的业务量,及所述第N年中前k-1个月每个月份的业务量;
按月对所述源业务量集合进行汇总,获得第三业务量集合,所述第三业务量集合包括所述N年和所述第N年中前k-1个月的第k月份对应的业务量总值;
基于所述第三业务量集合建立所述N年和所述第N年中前k-1个月的第k月份对应的趋势外推预测模型;
基于所述趋势外推预测模型确定所述第一业务量预测值和所述第二业务量预测值。
实施例三
请参见图6,基于同一发明构思,本发明实施例中提供一种计算机装置,包括至少一个处理器61,以及与所述至少一个处理器61通信连接的存储器62和通信接口63,图6中以示出一个处理器61为例。
其中,所述存储器62存储有可被所述至少一个处理器61执行的指令,所述至少一个处理器61通过执行所述存储器62存储的指令,利用所述通信接口63执行实施例一中所述的方法。
实施例四
基于同一发明构思,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,当所述计算机指令在计算机上运行时,使得计算机执行如实施例一所述的方法。
在具体的实施过程中,计算机可读存储介质包括:通用串行总线闪存盘(Universal Serial Bus flash drive,USB)、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的存储介质。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元/模块可以是或者也可以不是物理上分开的,作为单元/模块显示的部件可以是或者也可以不是物理单元/模块,即可以位于一个地方,或者也可以分布到多个网络单元/模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上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精神和范围。
Claims (10)
1.一种业务量的预测方法,其特征在于,包括:
获取第N年中待预测的第k个月份的第一业务量预测值,及所述第k个月份之前的i个月份的第二业务量集合,其中,所述第二业务量集合包括所述i个月份中每个月份在所述第N年中的第二业务量预测值和业务量实际值,所述第一业务量预测值及所述第二业务量预测值由相应月份的趋势外推预测模型确定,N为大于等于1的整数,k取1至12中的任一整数,i为小于等于k的整数;
对所述第二业务量集合进行相对误差分析,建立线性调整模型,所述线性调整模型用于确定所述第一业务量预测值的线性调整模型值;
基于所述线性调整模型对所述第一业务量预测值进行调整,输出所述第k个月份的最终业务量预测值;
在获取第N年中待预测的第k个月份的第一业务量预测值,及所述第k个月份之前的i个月份的第二业务量集合之前,还包括:
获取源业务量集合,所述源业务量集合包括所述第N年之前的N年中每个月份的业务量,及所述第N年中前k-1个月每个月份的业务量;
按月对所述源业务量集合进行汇总,获得第三业务量集合,所述第三业务量集合包括所述N年和所述第N年中前k-1个月的第k月份对应的业务量总值;
基于所述第三业务量集合建立所述N年和所述第N年中前k-1个月的第k月份对应的趋势外推预测模型;
基于所述趋势外推预测模型确定所述第一业务量预测值和所述第二业务量预测值。
2.如权利要求1所述的方法,其特征在于,对所述第二业务量集合进行相对误差分析,建立线性调整模型,包括:
基于所述第二业务量集合确定所述i个月份对应的相对误差集合,其中,所述相对误差集合包括所述i个月份中每个月份的所述第二业务量预测值与所述业务量实际值之间的相对误差值;
基于所述相对误差集合和权重向量建立所述线性调整模型,所述权重向量包括i个权重分量,所述i个权重分量中的一个权重分量指示了所述相对误差集合中一个所述相对误差值的权重。
3.如权利要求1或2所述的方法,其特征在于,基于所述线性调整模型对所述第一业务量预测值进行调整,输出所述第k个月份的最终业务量预测值,包括:
基于所述线性调整模型计算用于调整所述第一业务量预测值的线性调整模型值;
基于所述线性调整模型值和所述第一业务量预测值获得所述第k个月份的最终业务量预测值并输出。
4.如权利要求3所述的方法,其特征在于,基于所述线性调整模型计算用于调整所述第一业务量预测值的线性调整模型值,包括:
基于所述线性调整模型及所述第二业务量集合包括的至少一个月份中的每个月份在所述第N年中的第二业务量预测值和业务量实际值,确定所述i的第一取值和权重向量的第二取值;
将所述第一取值和所述第二取值代入所述线性调整模型进行计算,获得所述第一业务量预测值的线性调整模型值。
5.一种预测系统,其特征在于,包括:
数据获取模块,用于获取第N年中待预测的第k个月份的第一业务量预测值,及所述第k个月份之前的i个月份的第二业务量集合,其中,所述第二业务量集合包括所述i个月份中每个月份在所述第N年中的第二业务量预测值和业务量实际值,所述第一业务量预测值及所述第二业务量预测值由相应月份的趋势外推预测模型确定,N为大于等于1的整数,k取1至12中的任一整数,i为小于等于k的整数;
线性调整模型构建模块,用于对所述第二业务量集合进行相对误差分析,建立线性调整模型,所述线性调整模型用于确定所述第一业务量预测值的线性调整模型值;
趋势外推预测值调整模块,用于基于所述线性调整模型对所述第一业务量预测值进行调整,输出所述第k个月份的最终业务量预测值;
趋势外推预测模型构建模块,用于获取源业务量集合,所述源业务量集合包括所述第N年之前的N年中每个月份的业务量,及所述第N年中前k-1个月每个月份的业务量;
按月对所述源业务量集合进行汇总,获得第三业务量集合,所述第三业务量集合包括所述N年和所述第N年中前k-1个月的第k月份对应的业务量总值;
基于所述第三业务量集合建立所述N年和所述第N年中前k-1个月的第k月份对应的趋势外推预测模型;
基于所述趋势外推预测模型确定所述第一业务量预测值和所述第二业务量预测值。
6.如权利要求5所述的系统,其特征在于,所述线性调整模型构建模块具体用于:
基于所述第二业务量集合确定所述i个月份对应的相对误差集合,其中,所述相对误差集合包括所述i个月份中每个月份的所述第二业务量预测值与所述业务量实际值之间的相对误差值;
基于所述相对误差集合和权重向量建立所述线性调整模型,所述权重向量包括i个权重分量,所述i个权重分量中的一个权重分量指示了所述相对误差集合中一个所述相对误差值的权重。
7.如权利要求5或6所述的系统,其特征在于,所述趋势外推预测值调整模块具体用于:
基于所述线性调整模型计算用于调整所述第一业务量预测值的线性调整模型值;
基于所述线性调整模型值和所述第一业务量预测值获得所述第k个月份的最终业务量预测值并输出。
8.如权利要求7所述的系统,其特征在于,所述趋势外推预测值调整模块还用于:
基于所述线性调整模型及所述第二业务量集合包括的至少一个月份中的每个月份在所述第N年中的第二业务量预测值和业务量实际值,确定所述i的第一取值和权重向量的第二取值;
将所述第一取值和所述第二取值代入所述线性调整模型进行计算,获得所述第一业务量预测值的线性调整模型值。
9.一种计算机装置,其特征在于,所述计算机装置包括:
至少一个处理器,以及
与所述至少一个处理器通信连接的存储器、通信接口;
其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述至少一个处理器通过执行所述存储器存储的指令,利用所述通信接口执行如权利要求1-4中任一项所述的方法。
10.一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有计算机指令,当所述计算机指令在计算机上运行时,使得计算机执行如权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711463189.8A CN109981327B (zh) | 2017-12-28 | 2017-12-28 | 一种业务量的预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711463189.8A CN109981327B (zh) | 2017-12-28 | 2017-12-28 | 一种业务量的预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109981327A CN109981327A (zh) | 2019-07-05 |
CN109981327B true CN109981327B (zh) | 2022-05-10 |
Family
ID=67075061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711463189.8A Active CN109981327B (zh) | 2017-12-28 | 2017-12-28 | 一种业务量的预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109981327B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112766529A (zh) * | 2019-11-05 | 2021-05-07 | 顺丰科技有限公司 | 物流日度件量预测优化方法、装置、设备、及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886391A (zh) * | 2014-03-21 | 2014-06-25 | 广州杰赛科技股份有限公司 | 业务量预测方法和装置 |
CN105873087A (zh) * | 2015-01-22 | 2016-08-17 | 中国移动通信集团浙江有限公司 | 一种网络指标预测方法、装置及电子设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102111284B (zh) * | 2009-12-28 | 2013-09-04 | 北京亿阳信通科技有限公司 | 电信业务量预测方法和装置 |
US8499066B1 (en) * | 2010-11-19 | 2013-07-30 | Amazon Technologies, Inc. | Predicting long-term computing resource usage |
CN102740341B (zh) * | 2011-04-02 | 2014-11-19 | 中国联合网络通信集团有限公司 | 网络业务量的预测方法及设备 |
CN104504479B (zh) * | 2015-01-05 | 2018-04-27 | 国家电网公司 | 两种考虑温度和经济增长因素的月度全社会用电量预测方法 |
CN107230977A (zh) * | 2017-05-05 | 2017-10-03 | 浙江工商大学 | 基于误差修正和提升小波组合预测模型的风电功率预测方法 |
-
2017
- 2017-12-28 CN CN201711463189.8A patent/CN109981327B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886391A (zh) * | 2014-03-21 | 2014-06-25 | 广州杰赛科技股份有限公司 | 业务量预测方法和装置 |
CN105873087A (zh) * | 2015-01-22 | 2016-08-17 | 中国移动通信集团浙江有限公司 | 一种网络指标预测方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109981327A (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109697522B (zh) | 一种数据预测的方法和装置 | |
CA2983495C (en) | Improving performance of communication network based on end to end performance observation and evaluation | |
CA3062119A1 (en) | Method and device for setting sample weight, and electronic apparatus | |
CN111738408A (zh) | 损失函数的优化方法、装置、设备及存储介质 | |
CN105120487A (zh) | 一种业务数据预测方法及装置 | |
CN113054651B (zh) | 一种网络拓扑优化方法、装置以及系统 | |
CN114500339B (zh) | 一种节点带宽监测方法、装置、电子设备及存储介质 | |
CN111160614B (zh) | 资源转移预测模型的训练方法、装置及计算设备 | |
CN113055923A (zh) | 移动网络流量预测方法、装置及设备 | |
CN111294227A (zh) | 基于神经网络的流量预测的方法、装置、设备和介质 | |
CN109981327B (zh) | 一种业务量的预测方法及系统 | |
WO2013167908A1 (en) | Method of operating a server apparatus for delivering website content, server apparatus and device in communication with server apparatus | |
CN114742237A (zh) | 联邦学习模型聚合方法、装置、电子设备及可读存储介质 | |
CN109978172B (zh) | 一种基于极限学习机的资源池利用率预测方法及装置 | |
CN107026755A (zh) | 一种基于排序学习的服务推荐方法 | |
CN113222245A (zh) | 居民用户月度电量电费异常核查方法及系统、存储介质 | |
CN113127803A (zh) | 业务集群容量预估模型的建立方法、装置及电子设备 | |
CN114565190B (zh) | 预测大气环境容量的方法、装置及电子设备 | |
CN117540677A (zh) | 功率放大器模型的获取方法、装置及功率放大器模型 | |
CN111711957B (zh) | 基于流量的站点扩容预测方法、装置及系统 | |
CN110134575B (zh) | 一种服务器集群的服务能力计算方法及装置 | |
CN113822464A (zh) | 用户信息的处理方法及装置、电子设备、存储介质 | |
CN111490889B (zh) | 一种无线业务增长预估方法及装置 | |
CN113780703A (zh) | 一种指标调整方法和装置 | |
KR102708175B1 (ko) | 유동 인구 분석 장치 및 방법 |
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 |