CN112398670A - 流量预测方法、装置、计算设备及计算机存储介质 - Google Patents
流量预测方法、装置、计算设备及计算机存储介质 Download PDFInfo
- Publication number
- CN112398670A CN112398670A CN201910754000.3A CN201910754000A CN112398670A CN 112398670 A CN112398670 A CN 112398670A CN 201910754000 A CN201910754000 A CN 201910754000A CN 112398670 A CN112398670 A CN 112398670A
- Authority
- CN
- China
- Prior art keywords
- time
- model
- time series
- prediction
- trend
- 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
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
Abstract
本发明实施例涉及通信网络技术领域,公开了一种流量预测方法、装置、计算设备及计算机存储介质,该方法包括:根据待预测小区的流量数据绘制时间序列;根据所述时间序列随时间的变化趋势以及季节趋势构建时间序列模型;应用至少一个预测模型与所述时间序列模型进行拟合;选择拟合效果最优的所述预测模型对所述待预测小区进行流量预测。通过上述方式,本发明实施例能够预测未来小时级流量变化情况,缩短了预测时间,使得能够及时发现网络异常行为,提高网络服务质量。
Description
技术领域
本发明实施例涉及通信网络技术领域,具体涉及一种流量预测方法、装置、计算设备及计算机存储介质。
背景技术
通过对流量序列自相似性分析,提出一种差分自回归移动平均模型(Autoregressive Integrated Moving Average Model,ARIMA)补偿极限学习机(Extremelearning machine,ELM)的流量预测方法;首先利用ELM对流量序列进行预测,然后对流量预测的误差序列通过ARIMA模型进行修正,最后将ELM预测值与ARIMA模型修正值进行叠加得到最终的预测值。其利用ARIMA模型对预测误差数据进行拟合,将ELM的预测值与ARIMA预测的残差进行叠加得到最终的预测值。
在实现本发明实施例的过程中,发明人发现:现有技术需要先通过ELM进行预测,再利用ARIMA模型对预测误差数据进行拟合,最终完成高精度预测,预测过程时间较长。
发明内容
鉴于上述问题,本发明实施例提供了一种流量预测方法、装置、计算设备及计算机存储介质,克服了上述问题或者至少部分地解决了上述问题。
根据本发明实施例的一个方面,提供了一种流量预测方法,所述方法包括:根据待预测小区的流量数据绘制时间序列;根据所述时间序列随时间的变化趋势以及季节趋势构建时间序列模型;应用至少一个预测模型与所述时间序列模型进行拟合;选择拟合效果最优的所述预测模型对所述待预测小区进行流量预测。
在一种可选的方式中,所述根据待预测小区的流量数据绘制时间序列之前,包括:根据预设条件筛选所述待预测小区,其中,所述预设条件为小区为高负荷小区或弱覆盖小区;获取所述待预测小区的流量数据。
在一种可选的方式中,在所述根据所述时间序列随时间的变化趋势以及季节趋势构建时间序列模型之前,包括:若所述时间序列为非平稳序列,则对所述流量数据进行差分运算,化为平稳时间序列。
在一种可选的方式中,所述根据所述时间序列随时间的变化趋势以及季节趋势构建时间序列模型,包括:在所述时间序列模型中拟合入季节性趋势,所述季节性趋势s(t)满足以下关系式:
其中,t为时间,an、bn为傅立叶系数,n为整数。
在一种可选的方式中,所述根据所述时间序列随时间的变化趋势以及季节趋势构建时间序列模型,还包括:在所述时间序列模型中拟合入节假日效应,所述节假日效应h(t)满足以下关系式:
其中,t为时间,N表示有节假日总个数,Di表示该节假日前后一段时间,Ci表示影响节假日的范围。
在一种可选的方式中,所述根据所述时间序列随时间的变化趋势以及季节趋势构建的时间序列模型满足以下关系式:
y(t)=g(t)+s(t)+h(t)+∈t
其中,t为时间,y(t)为观察值,g(t)为随时间的变化趋势项;s(t)为季节性趋势项;h(t)为节假日效应项;∈t为误差项。
在一种可选的方式中,所述选择所述拟合效果最优的所述预测模型对所述待预测小区进行流量预测,包括:获取至少一个预测模型对所述时间序列拟合的度量参数;根据所述度量参数确定所述拟合效果;根据所述拟合效果选择最优的所述预测模型对所述待预测小区进行流量预测。
根据本发明实施例的另一个方面,提供了一种流量预测装置,所述装置包括:绘制单元,根据待预测小区的流量数据绘制时间序列;构建单元,用于根据所述时间序列随时间的变化趋势以及季节趋势构建时间序列模型;拟合单元,用于应用至少一个预测模型与所述时间序列模型进行拟合;预测单元,用于选择拟合效果最优的所述预测模型对所述待预测小区进行流量预测。
根据本发明实施例的另一方面,提供了一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行上述流量预测方法的步骤。
根据本发明实施例的又一方面,提供了一种计算机存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使所述处理器执行上述流量预测方法的步骤。
本发明实施例通过根据待预测小区的流量数据绘制时间序列;根据所述时间序列随时间的变化趋势以及季节趋势构建时间序列模型;应用至少一个预测模型与所述时间序列模型进行拟合;选择拟合效果最优的所述预测模型对所述待预测小区进行流量预测,能够预测未来小时级流量变化情况,缩短了预测时间,使得能够及时发现网络异常行为,提高网络服务质量。
上述说明仅是本发明实施例技术方案的概述,为了能够更清楚了解本发明实施例的技术手段,而可依照说明书的内容予以实施,并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例利用SPSS Modeler搭建的预测流示意图;
图2示出了本发明实施例提供的流量预测方法的流程示意图;
图3示出了本发明实施例提供的流量预测方法的拖尾示意图;
图4示出了本发明实施例提供的流量预测方法的截尾示意图;
图5示出了本发明实施例提供的流量预测装置的指数平滑法预测的残差示意图;
图6示出了本发明实施例提供的流量预测装置的指数平滑法预测的预测结果示意图;
图7示出了本发明实施例提供的流量预测装置的ARIMA预测的残差示意图;
图8示出了本发明实施例提供的流量预测装置的ARIMA预测的预测结果示意图;
图9示出了本发明实施例提供的流量预测装置的结构示意图;
图10示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
统计产品与服务解决方案(Statistical Product and Service Solutions,SPSS)是世界上最早采用图形菜单驱动界面的统计软件,最突出的特点就是操作界面极为友好,输出结果美观漂亮;将几乎所有的功能都以统一、规范的界面展现出来,使用Windows的窗口方式展示各种管理和分析数据方法的功能,对话框展示出各种功能选择项。SPSSModeler是一个业界领先的数据挖掘平台。SPSS Modeler强大的数据挖掘功能将复杂的统计方法和机器学习技术应用到数据当中。本发明实施例利用统计产品与服务解决方案(Statistical Product and Service Solutions,SPSS)的数据挖掘软件(Modeler)搭建预测流。如图1所示,获取原始的与流量监测相关的学习样本数据,形成原始表格,经过滤器过滤后筛选出物理资源块(physical resource block,PRB)利用率数据以及流量数据,分别形成PRB利用率序列图和流量序列图,筛选出待预测小区,形成筛选小区表格,进而选择预测类型,如上下行PRB利用率、上下行流量等,并填充表格,选择预测模型与时间序列模型进行拟合和预测,获取对应的拟合图以及预测结果。
图2示出了本发明实施例提供的流量预测方法的流程示意图。如图2所示,流量预测方法包括:
步骤S11:根据待预测小区的流量数据绘制时间序列。
在步骤S11之前,根据预设条件筛选所述待预测小区,其中,所述预设条件为小区为高负荷小区或弱覆盖小区;获取所述待预测小区的流量数据。
在本发明实施例中,高负荷小区为PRB利用率大于50%的小区。具体为每天小区自忙时上行或下行PRB利用率大于50%,且有效无线资源控制协议(Radio ResourceControl,RRC)连接平均数大于30的小区。
室外弱覆盖小区:测量报告(MeasurementReport,MR)中参考信号接收功率(Reference Signal Receiving Power,RSRP)<-110dbm的采样点占比大于20%的小区。
室内弱覆盖小区:MR RSRP<-110dbm的采样点占比大于10%的小区。
流量数据可以为上、下行流量数据,或者上、下行PRB利用率数据。在步骤S11中,分别绘制上下行流量、上下行PRB利用率随时间的变化趋势序列图。在本发明的其他实施例中,流量数据也可以为与网络流量相关的其他监测数据,在此不作限制。网络流量与PRB利用率是目前网络管理的两个重要参数,在网络资源有限的情况下设计网络的拥塞控制策略时,网络流量的准确预测对于减少网络拥塞、合理分配资源、提高网络服务质量以及发现网络异常行为等具有非常重要的作用。
步骤S12:根据所述时间序列随时间的变化趋势以及季节趋势构建时间序列模型。
在步骤S12中,根据流量、PRB利用率随时间变化的周期性、季节性、有无线性等规律确定时间序列模型。若时间序列为简单呈现季节性序列,可以采用季节模型和趋势模型加上误差来拟合形成时间序列模型。若时间序列为非平稳序列,在步骤S12之前,对所述流量数据进行差分运算,化为平稳时间序列,再用适当的模型去拟合该差分序列形成时间序列模型。其中,非平稳序列(non-stationary series)是指包含趋势性、季节性或周期性等特性的时间序列,它可能只含有其中的一种成分,也可能是几种成分的组合。
在本发明实施例中,时间序列随时间的变化趋势可以选择以下几种:
(1)简单:没有趋势或季节性的序列,唯一平滑参数是水平。
(2)霍尔特(Holt)线性趋势:有线性趋势并没有季节性序列,其平滑参数是水平和趋势,互相不受影响。
(3)布朗(Brown)线性趋势:有线性趋势并没有季节性序列,其平滑参数是水平和趋势,假定二者等同。
(4)阻尼趋势:有线性趋势序列且线性逐渐消失并没有季节性,其平滑参数是水平、趋势和阻尼趋势。
(5)简单季节性趋势:没有趋势且季节性影响随时间变动恒定的序列,其平滑参数是水平和季节。
(6)Winters可加性趋势:有线性趋势和不依赖于序列水平的季节性效应的序列,其平滑参数是水平、趋势和季节。
(7)Winters相乘性趋势:有线性趋势和依赖于序列水平的季节性效应的序列,其平滑参数是水平、趋势和季节。
在本发明实施例中,时间序列通常会随着天,周,月,年等季节性的变化而呈现季节性的变化,也称为周期性的变化。区间内的周期性函数是可以通过正弦和余弦的函数来表示的:假设f(x)是以2π为周期的函数,其傅立叶级数为:在步骤S12中,使用傅立叶级数来模拟时间序列周期性。即在所述时间序列模型中拟合入季节性趋势,所述季节性趋势s(t)满足以下关系式:
其中,t为时间,an、bn为傅立叶系数,n为整数。假设T为时间序列周期,当T=365.25,N=10,则表示以年为周期;当T=7,N=3,则表示以周为周期。
在本发明实施例中,节假日可以看作相互独立模型,设置不同的影响前后窗口值。在所述时间序列模型中还可以拟合入节假日效应,所述节假日效应h(t)满足以下关系式:
其中,t为时间,N表示有节假日总个数,Di表示该节假日前后一段时间,Ci表示影响节假日的范围。节假日效应是指时间序列在每个节假日前后呈现规律性的变化。
在本发明实施例中,根据所述时间序列随时间的变化趋势以及季节趋势构建的时间序列模型y(t)满足以下关系式:
y(t)=g(t)+s(t)+h(t)+∈t
其中,t为时间,y(t)为观察值,g(t)为随时间的变化趋势项;s(t)为季节性趋势项;h(t)为节假日效应项;∈t为误差项。
需要说明的是:时间序列模型y(t)可以时间序列的变化趋势适当地进行调整。如果时间序列只为简单的某一种趋势,则对应的时间序列模型y(t)可以不必考虑后面的季节性趋势项、节假日效应项以及误差项;如果时间序列包括季节性的变化,则对应的时间序列模型y(t)至少需要考虑变化趋势项、季节性趋势项以及误差项;如果时间序列包括季节性的变化和节假日效应,则对应的时间序列模型y(t)需要考虑变化趋势项、季节性趋势项、节假日效应项以及误差项。
本发明实施例通过在时间序列模型y(t)中增加了流量、PRB利用率预测随时间变化的周期性、季节性、有无线性等规律,使得在精准度上,流量、PRB利用率的预测精度能够缩小至小时级,使得在网络资源有限的情况下能够合理设计网络的拥塞控制策略,进而可以减少网络拥塞、合理分配资源、提高网络服务质量以及及时发现网络异常行为。
步骤S13:应用至少一个预测模型与所述时间序列模型进行拟合。
在本发明实施例中,主要针对指数平滑法和ARIMA模型进行说明。尝试专家建模器、指数平滑法、ARIMA算法等分别对流量、PRB利用率进行预测。专家建模器会自动查找每个相依时间序列模型最佳拟合预测模型,适当时采用差分、平方根或自然对数转换等对模型变量进行转换。既可以考虑指数平滑法模型也可以考虑ARIMA模型。指数平滑法和ARIMA模型在处理趋势和季节性上有所不同。其中,指数平滑法模型分为季节性模型和非季节性模型,季节性模型只有在为数据集定义周期时才可以使用,ARIMA模型与Winters可加的指数平滑法极为相似。指数平滑法和ARIMA模型都可以应用前述的几种随时间的变化趋势。
在本发明实施例中,指数平滑法在处理趋势与季节性上有所不同,可以根据不同情况从各种指数平滑法上进行选择。通过计算指数平滑值,配合一定的时间序列模型对现象的未来进行预测。其原理是任一期的指数平滑值都是本期实际观察值与前一期指数平滑值的加权平均。本发明实施例中的指数平滑法主要考虑一次指数平滑预测和二次指数平滑预测。当然在本发明的其他实施例中也可以考虑其他的指数平滑预测,如三次指数平滑预测等,在此不作限制。
对于一次指数平滑预测,当时间序列无明显的趋势变化,可用一次指数平滑预测。
y′t+1=a*yt+(1-a)*y′t
其中,y′t+1为t+1期预测值,即本期(t期)平滑值St,yt为t期实际值,y′t为t期预测值,即上期的平滑值St-1。平滑系数a越小,平滑作用越强,但对实际数据的变动反应迟缓。当出现明显的滞后偏差,可以在一次指数平滑的基础上进行二次指数平滑。
二次指数平滑是对一次指数平滑的再平滑,适用于具线性趋势的时间序列。
二次指数平滑数学模型如下:
其中,T为预测超前期数。
在本发明实施例中,应用指数平滑法预测模型拟合时间序列模型时,对应的参数Alpha和Delta可以根据经验获取。其中,Alpha为与指数平滑法预测模型拟合的时间序列模型的截距项的平滑系数,相当于时间序列模型随时间的变化趋势的为水平的平滑参数;Delta为与指数平滑法预测模型拟合的时间序列模型的趋势项的平滑系数,相当于时间序列模型随时间的变化趋势的为趋势的平滑参数。
ARIMA预测包含显示指定自回归的阶和移动平均值的阶、以及差分度,包含自变量(预测变量),并为当中的任何一个或全部定义转换函数,可以指定自动检测离群值或指定显示离群值集合。本发明实施例采用的ARIMA预测模型如下:
(1)通过一阶或二阶差分法将非平稳序列转化为平稳序列,参数d为时间序列成为平稳序列时所做的差分次数。
(2)确定模型的形式,确定模型属于自回归(Auto-Regressive,AR)模型、移动平均(Moving Average,MA)模型、ARIMA模型中的哪一种,主要是通过模型识别来解决。
AR(p)表示自回归模型,参数p为常数,是阶自回归模型的系数。
其中,yt为当前值,μ为常数项,p为阶数,γi为自相关系数,∈t为误差。AR模型描述当前值与历史值之间的关系,用变量自身的历史时间数据对自身进行预测,必须满足平稳性的要求。
MA(q)表示移动平均模型,参数q为常数,是阶移动平均模型的系数。
该MA模型关注的是自回归模型中的误差项的累加,移动平均法能有效地消除预测中的随机波动。
建立ARIMA模型一般有三个阶段,分别是模型识别和定阶、参数估计和模型检验。ARIMA(p,d,q)自回归差分移动平均模型的识别问题和定阶问题主要是确定p,d,q三个参数,差分的阶数d一般通过观察图示,可以为1阶或2阶。
(3)确定变量的滞后阶数,也是通过模型识别完成的。
自相关函数(Auto Correlation Function,ACF)描述的是时间序列观测值与其过去的观测值之间的线性相关性。计算公式如下:
其中,k为滞后阶数,ρk为自相关系数,Cov表示协方差,Var表示方差。
偏自相关函数(Partial Correlation Function,PACF)描述的是在给定中间观测值的条件下,时间序列观测值与其过去的观测值之间的线性相关性。当k=3,描述yt和yt-3的相关性,但是其还受到yt-1和yt-2的影响。PACF消除了这个影响,而ACF包含该影响。
如图3和图4所示,拖尾指序列以指数率单调递减或震荡衰减,而截尾指序列从某个时点变得非常小。p,q的确定基于如下的规则:
模型 | AR(p) | MA(q) | ARIMA(p,q) |
自相关函数 | 拖尾 | 第q个后截尾 | 拖尾 |
偏相关函数 | 第p个后截尾 | 拖尾 | 拖尾 |
根据不同的截尾和拖尾的情况,可以选择合适的AR模型,也可以选择MA模型,当然也可以选择ARIMA模型。因此,应用ARIMA预测模型拟合时间序列模型时,对应的参数p、d、q也可以根据经验获取。
在本发明实施例中,也可以通过计算ACF、PACF,以及根据截尾和拖尾的情况评估指数平滑预测模型和ARIMA预测模型的预测结果。
步骤S14:选择拟合效果最优的所述预测模型对所述待预测小区进行流量预测。
在步骤S14中,获取至少一个预测模型对所述时间序列拟合的度量参数;根据所述度量参数确定所述拟合效果;根据所述拟合效果选择最优的所述预测模型对所述待预测小区进行流量预测。
在本发明实施例中,度量参数可以包括平稳R平方、R平方等。其中,平稳R平方表示输出平稳的R方统计量,用于比较预测模型中的固定成份和简单均值模型的差别,取正值时表示预测模型要优于简单均值模型。R平方表示输出模型的R方统计量,表示预测模型所能解释的数据变异占总变异的比例。当时间序列含有趋势或季节成分时,平稳的R平方统计量要优于R平方统计量。在本发明的其他实施例中,度量参数还可以包括均方根误差、平均绝对误差百分比、平均绝对误差、绝对误差百分比、绝对误差等,在此不作限制。
以下以分别应用指数平滑法预测模型和ARIMA预测模型对下行PRB平均利用率进行预测为例进行说明。
应用指数平滑法预测模型对下行PRB平均利用率的时间序列进行拟合后得到的指数平滑法预测模型统计资料如下表1,其中,Ljung-Box Q(18)统计量表示将检验最多滞后k(18)的自相关等于零的原假设,即数据值在某一滞后数k(18)之前是随机和独立的。
表1指数平滑法预测模型统计资料
从表1中可以看出,R平方为0.895,拟合度不错,显著性为0.012,在0.01附近,自由度(DF)为16,Alpha和Delta系数分别为1和1.368E-6,Delta显著性为1,系数趋近于0。
指数平滑法预测模型对下行PRB平均利用率的时间序列模型进行拟合后得到的指数平滑法预测模型参数如表2,其中,T为T值检验中的T值、SE为标准误差。
表2指数平滑法预测模型参数
得到的预测结果参见图5和图6,其中,图5为残差ACF和残差PACF图。其中,横坐标为残差(Residual),纵坐标的落后即为延迟数。从图5可以看出,残差的ACF和PACF都是平稳的,沿中线对称波动,且波动在预值范围内。将预测值绘制到实线后,如图6,横坐标为日期,纵坐标的Number为下行PRB平均利用率值。图中左侧曲线1为下行PRB平均利用率学习样本,曲线2为应用指数平滑法预测模型对下行PRB平均利用率的时间序列模型进行拟合后的调整值,曲线3和4分别为学习样本残差余量的上、下限,右侧曲线5为下行PRB平均利用率的预测值,曲线6和7分别为下行PRB平均利用率的预测值的残差余量的上、下限。从图中可以看出,下行PRB平均利用率小时级预测波形较为平缓,而残差余量的上、下限随时间逐渐变化,说明残差余量变化趋势随时间性、季节性上下浮动变化,与真实值接近。该指数平滑法预测模型针对流量、PRB利用率波动较大的小区预测拟合度较高。
应用ARIMA预测模型对下行PRB平均利用率的时间序列模型进行拟合后得到的ARIMA预测模型统计资料如下表3。从表3中可知,R平方为0.844,显著性为0.002,小于0.01,可以采纳该ARIMA模型。
表3 ARIMA预测模型统计资料
根据表1的指数平滑法预测模型统计资料和表3中ARIMA预测模型统计资料可知,对于PRB平均利用率的时间序列模型的相同学习样本,ARIMA预测模型对下行PRB平均利用率的时间序列模型进行拟合后得到的拟合效果会更好。
ARIMA预测模型对下行PRB平均利用率的时间序列模型进行拟合后得到的ARIMA预测模型参数如表4,其中,T为T值检验中的T值、SE为标准误差。
表4 ARIMA预测模型参数
得到的预测结果参见图7和图8,其中,图7为残差ACF和残差PACF图。从图7可以看出,残差(Residual)的ACF和PACF都是平稳的,沿中线对称波动,且波动在预值范围内。通过残差的ACF和PACF图判断预测结果的甩尾能力,进而判断时间序列预测是否满足要求。将预测值绘制到实线后,小时级PRB下行利用率预测数据结果如图8,图中左侧曲线1为下行PRB平均利用率学习样本,曲线2为应用ARIMA预测模型对下行PRB平均利用率的时间序列模型进行拟合后的调整值,曲线3和4分别为学习样本残差余量的上、下限,右侧曲线5为下行PRB平均利用率的预测值,曲线6和7分别为下行PRB平均利用率的预测值的残差余量的上、下限。从图中可以看出,从预测结果上看PRB平均利用率小时级预测波形较为平缓,余量预测波动趋势与学习样本相同,预测结果与真实值接近。该ARIMA预测模型预测方法可针对流量、PRB平均利用率波动较小的小区预测拟合度较高。残差余量的上、下限相对于指数平滑法预测模型要平稳。因此,对于该PRB平均利用率学习样本,ARIMA预测模型比指数平滑法预测模型要好一些。
需要说明的是,本发明实施例中,ARIMA预测模型的预测结果比指数平滑法预测模型的预测结果更接近真实值。在实际应用时,可以在分别获取到ARIMA预测模型和指数平滑法预测模型的统计资料时,根据两者的平稳R平方、R平方以及显著性等情况即可确定选择哪一种预测模型,直接应用选择的预测模型进行预测即可。
在本发明实施例中,可以对待预测小区的上、下行流量数据以及上、下行PRB利用率进行预测。对于同一待预测小区的上、下行流量数据以及上、下行PRB平均利用率等网络监测数据,可以按照预设的顺序分别根据确定的预测模型以及参数依次进行预测。不同的网络监测数据应用的预测模型和参数都可以不同。网络流量与PRB利用率是目前网络管理的两个重要参数,在网络资源有限的情况下设计网络的拥塞控制策略时,网络流量的准确预测对于减少网络拥塞、合理分配资源、提高网络服务质量以及发现网络异常行为等具有非常重要的作用。本发明实施例通过增加流量、PRB利用率预测随时间变化的周期性、季节性、有无线性等规律,预测精度缩小至小时级,同时通过ARIMA预测模型与指数平滑法预测模型进行预测缩短了预测时间。
在本发明实施例中,也可以对待预测小区的其他网络监测数据进行预测,还可以对不同待预测小区的多个不同的网络监测数据进行监测,在此不作限制。具体地,对于多个不同的高负荷小区和/或弱覆盖小区的不同网络监测数据,同样可以按照预设的顺序分别根据确定的预测模型以及参数依次进行预测。其中,预设的顺序可以是根据待预测小区类型不同依次分别对待预测小区的不同网络监测数据进行预测,例如,先对高负荷小区的不同网络监测数据进行预测,再对弱覆盖小区的不同网络监测数据进行预测,或者相反。预设的顺序也可以是直接根据待预测小区的编号依次分别对不同待预测小区的不同网络监测数据进行预测。
本发明实施例通过根据待预测小区的流量数据绘制时间序列;根据所述时间序列随时间的变化趋势以及季节趋势构建时间序列模型;应用至少一个预测模型与所述时间序列模型进行拟合;选择拟合效果最优的所述预测模型对所述待预测小区进行流量预测,能够预测未来小时级流量变化情况,缩短了预测时间,使得能够及时发现网络异常行为,提高网络服务质量。
图9示出了本发明实施例的流量预测装置的结构示意图。如图9所示,该流量预测装置包括:绘制单元91、构建单元92、拟合单元93以及预测单元94。其中:
绘制单元91用于根据待预测小区的流量数据绘制时间序列;构建单元92用于根据所述时间序列随时间的变化趋势以及季节趋势构建时间序列模型;拟合单元93用于应用至少一个预测模型与所述时间序列模型进行拟合;预测单元94用于选择拟合效果最优的所述预测模型对所述待预测小区进行流量预测。
在一种可选的方式中,绘制单元91用于:根据预设条件筛选所述待预测小区,其中,所述预设条件为小区为高负荷小区或弱覆盖小区;获取所述待预测小区的流量数据。
在一种可选的方式中,构建单元92用于:若所述时间序列为非平稳序列,则对所述流量数据进行差分运算,化为平稳时间序列。
在一种可选的方式中,构建单元92用于:在所述时间序列模型中拟合入季节性趋势,所述季节性趋势s(t)满足以下关系式:
其中,t为时间,an、bn为傅立叶系数,n为整数。
在一种可选的方式中,构建单元92用于:在所述时间序列模型中拟合入节假日效应,所述节假日效应h(t)满足以下关系式:
其中,t为时间,N表示有节假日总个数,Di表示该节假日前后一段时间,Ci表示影响节假日的范围。
在一种可选的方式中,所述根据所述时间序列随时间的变化趋势以及季节趋势构建的时间序列模型满足以下关系式:
y(t)=g(t)+s(t)+h(t)+∈t
其中,t为时间,y(t)为观察值,g(t)为随时间的变化趋势项;s(t)为季节性趋势项;h(t)为节假日效应项;∈t为误差项。
在一种可选的方式中,预测单元94用于:获取至少一个预测模型对所述时间序列拟合的度量参数;根据所述度量参数确定所述拟合效果;根据所述拟合效果选择最优的所述预测模型对所述待预测小区进行流量预测。
本发明实施例通过根据待预测小区的流量数据绘制时间序列;根据所述时间序列随时间的变化趋势以及季节趋势构建时间序列模型;应用至少一个预测模型与所述时间序列模型进行拟合;选择拟合效果最优的所述预测模型对所述待预测小区进行流量预测,能够预测未来小时级流量变化情况,缩短了预测时间,使得能够及时发现网络异常行为,提高网络服务质量。
本发明实施例提供了一种非易失性计算机存储介质,所述计算机存储介质存储有至少一可执行指令,该计算机可执行指令可执行上述任意方法实施例中的流量预测方法。
可执行指令具体可以用于使得处理器执行以下操作:
根据待预测小区的流量数据绘制时间序列;
根据所述时间序列随时间的变化趋势以及季节趋势构建时间序列模型;
应用至少一个预测模型与所述时间序列模型进行拟合;
选择拟合效果最优的所述预测模型对所述待预测小区进行流量预测。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
根据预设条件筛选所述待预测小区,其中,所述预设条件为小区为高负荷小区或弱覆盖小区;
获取所述待预测小区的流量数据。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
在所述根据所述时间序列随时间的变化趋势以及季节趋势构建时间序列模型之前,若所述时间序列为非平稳序列,则对所述流量数据进行差分运算,化为平稳时间序列。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
在所述时间序列模型中拟合入季节性趋势,所述季节性趋势s(t)满足以下关系式:
其中,t为时间,an、bn为傅立叶系数,n为整数。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
在所述时间序列模型中拟合入节假日效应,所述节假日效应h(t)满足以下关系式:
其中,t为时间,N表示有节假日总个数,Di表示该节假日前后一段时间,Ci表示影响节假日的范围。
在一种可选的方式中,所述根据所述时间序列随时间的变化趋势以及季节趋势构建的时间序列模型满足以下关系式:
y(t)=g(t)+s(t)+h(t)+∈t
其中,t为时间,y(t)为观察值,g(t)为随时间的变化趋势项;s(t)为季节性趋势项;h(t)为节假日效应项;∈t为误差项。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
获取至少一个预测模型对所述时间序列拟合的度量参数;
根据所述度量参数确定所述拟合效果;
根据所述拟合效果选择最优的所述预测模型对所述待预测小区进行流量预测。
本发明实施例通过根据待预测小区的流量数据绘制时间序列;根据所述时间序列随时间的变化趋势以及季节趋势构建时间序列模型;应用至少一个预测模型与所述时间序列模型进行拟合;选择拟合效果最优的所述预测模型对所述待预测小区进行流量预测,能够预测未来小时级流量变化情况,缩短了预测时间,使得能够及时发现网络异常行为,提高网络服务质量。
本发明实施例提供了一种计算机程序产品,所述计算机程序产品包括存储在计算机存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行上述任意方法实施例中的流量预测方法。
可执行指令具体可以用于使得处理器执行以下操作:
根据待预测小区的流量数据绘制时间序列;
根据所述时间序列随时间的变化趋势以及季节趋势构建时间序列模型;
应用至少一个预测模型与所述时间序列模型进行拟合;
选择拟合效果最优的所述预测模型对所述待预测小区进行流量预测。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
根据预设条件筛选所述待预测小区,其中,所述预设条件为小区为高负荷小区或弱覆盖小区;
获取所述待预测小区的流量数据。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
在所述根据所述时间序列随时间的变化趋势以及季节趋势构建时间序列模型之前,若所述时间序列为非平稳序列,则对所述流量数据进行差分运算,化为平稳时间序列。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
在所述时间序列模型中拟合入季节性趋势,所述季节性趋势s(t)满足以下关系式:
其中,t为时间,an、bn为傅立叶系数,n为整数。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
在所述时间序列模型中拟合入节假日效应,所述节假日效应h(t)满足以下关系式:
其中,t为时间,N表示有节假日总个数,Di表示该节假日前后一段时间,Ci表示影响节假日的范围。
在一种可选的方式中,所述根据所述时间序列随时间的变化趋势以及季节趋势构建的时间序列模型满足以下关系式:
y(t)=g(t)+s(t)+h(t)+∈t
其中,t为时间,y(t)为观察值,g(t)为随时间的变化趋势项;s(t)为季节性趋势项;h(t)为节假日效应项;∈t为误差项。
在一种可选的方式中,所述可执行指令使所述处理器执行以下操作:
获取至少一个预测模型对所述时间序列拟合的度量参数;
根据所述度量参数确定所述拟合效果;
根据所述拟合效果选择最优的所述预测模型对所述待预测小区进行流量预测。
本发明实施例通过根据待预测小区的流量数据绘制时间序列;根据所述时间序列随时间的变化趋势以及季节趋势构建时间序列模型;应用至少一个预测模型与所述时间序列模型进行拟合;选择拟合效果最优的所述预测模型对所述待预测小区进行流量预测,能够预测未来小时级流量变化情况,缩短了预测时间,使得能够及时发现网络异常行为,提高网络服务质量。
图10示出了本发明实施例提供的计算设备的结构示意图,本发明具体实施例并不对设备的具体实现做限定。
如图10所示,该计算设备可以包括:处理器(processor)1002、通信接口(Communications Interface)1004、存储器(memory)1006、以及通信总线1008。
其中:处理器1002、通信接口1004、以及存储器1006通过通信总线1008完成相互间的通信。通信接口1004,用于与其它设备比如客户端或其它服务器等的网元通信。处理器1002,用于执行程序1010,具体可以执行上述流量预测方法实施例中的相关步骤。
具体地,程序1010可以包括程序代码,该程序代码包括计算机操作指令。
处理器1002可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或各个集成电路。设备包括的一个或各个处理器,可以是同一类型的处理器,如一个或各个CPU;也可以是不同类型的处理器,如一个或各个CPU以及一个或各个ASIC。
存储器1006,用于存放程序1010。存储器1006可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序1010具体可以用于使得处理器1002执行以下操作:
根据待预测小区的流量数据绘制时间序列;
根据所述时间序列随时间的变化趋势以及季节趋势构建时间序列模型;
应用至少一个预测模型与所述时间序列模型进行拟合;
选择拟合效果最优的所述预测模型对所述待预测小区进行流量预测。
在一种可选的方式中,所述程序1010使所述处理器执行以下操作:
根据预设条件筛选所述待预测小区,其中,所述预设条件为小区为高负荷小区或弱覆盖小区;
获取所述待预测小区的流量数据。
在一种可选的方式中,所述程序1010使所述处理器执行以下操作:
在所述根据所述时间序列随时间的变化趋势以及季节趋势构建时间序列模型之前,若所述时间序列为非平稳序列,则对所述流量数据进行差分运算,化为平稳时间序列。
在一种可选的方式中,所述程序1010使所述处理器执行以下操作:
在所述时间序列模型中拟合入季节性趋势,所述季节性趋势s(t)满足以下关系式:
其中,t为时间,an、bn为傅立叶系数,n为整数。
在一种可选的方式中,所述程序1010使所述处理器执行以下操作:
在所述时间序列模型中拟合入节假日效应,所述节假日效应h(t)满足以下关系式:
其中,t为时间,N表示有节假日总个数,Di表示该节假日前后一段时间,Ci表示影响节假日的范围。
在一种可选的方式中,所述根据所述时间序列随时间的变化趋势以及季节趋势构建的时间序列模型满足以下关系式:
y(t)=g(t)+s(t)+h(t)+∈t
其中,t为时间,y(t)为观察值,g(t)为随时间的变化趋势项;s(t)为季节性趋势项;h(t)为节假日效应项;∈t为误差项。
在一种可选的方式中,所述程序1010使所述处理器执行以下操作:
获取至少一个预测模型对所述时间序列拟合的度量参数;
根据所述度量参数确定所述拟合效果;
根据所述拟合效果选择最优的所述预测模型对所述待预测小区进行流量预测。
本发明实施例通过根据待预测小区的流量数据绘制时间序列;根据所述时间序列随时间的变化趋势以及季节趋势构建时间序列模型;应用至少一个预测模型与所述时间序列模型进行拟合;选择拟合效果最优的所述预测模型对所述待预测小区进行流量预测,能够预测未来小时级流量变化情况,缩短了预测时间,使得能够及时发现网络异常行为,提高网络服务质量。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤,除有特殊说明外,不应理解为对执行顺序的限定。
Claims (10)
1.一种流量预测方法,其特征在于,所述方法包括:
根据待预测小区的流量数据绘制时间序列;
根据所述时间序列随时间的变化趋势以及季节趋势构建时间序列模型;
应用至少一个预测模型与所述时间序列模型进行拟合;
选择拟合效果最优的所述预测模型对所述待预测小区进行流量预测。
2.根据权利要求1所述的方法,其特征在于,所述根据待预测小区的流量数据绘制时间序列之前,包括:
根据预设条件筛选所述待预测小区,其中,所述预设条件为小区为高负荷小区或弱覆盖小区;
获取所述待预测小区的流量数据。
3.根据权利要求1所述的方法,其特征在于,在所述根据所述时间序列随时间的变化趋势以及季节趋势构建时间序列模型之前,包括:
若所述时间序列为非平稳序列,则对所述流量数据进行差分运算,化为平稳时间序列。
6.根据权利要求5所述的方法,其特征在于,所述根据所述时间序列随时间的变化趋势以及季节趋势构建的时间序列模型满足以下关系式:
y(t)=g(t)+s(t)+h(t)+∈t
其中,t为时间,y(t)为观察值,g(t)为随时间的变化趋势项;s(t)为季节性趋势项;h(t)为节假日效应项;∈t为误差项。
7.根据权利要求1-6中任一项所述的方法,其特征在于,所述选择所述拟合效果最优的所述预测模型对所述待预测小区进行流量预测,包括:
获取至少一个预测模型对所述时间序列拟合的度量参数;
根据所述度量参数确定所述拟合效果;
根据所述拟合效果选择最优的所述预测模型对所述待预测小区进行流量预测。
8.一种流量预测装置,其特征在于,所述装置包括:
绘制单元,根据待预测小区的流量数据绘制时间序列;
构建单元,用于根据所述时间序列随时间的变化趋势以及季节趋势构建时间序列模型;
拟合单元,用于应用至少一个预测模型与所述时间序列模型进行拟合;
预测单元,用于选择拟合效果最优的所述预测模型对所述待预测小区进行流量预测。
9.一种计算设备,其特征在于,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行根据权利要求1-7中任一项所述的流量预测方法的步骤。
10.一种计算机存储介质,其特征在于,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行根据权利要求1-7中任一项所述的流量预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910754000.3A CN112398670A (zh) | 2019-08-15 | 2019-08-15 | 流量预测方法、装置、计算设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910754000.3A CN112398670A (zh) | 2019-08-15 | 2019-08-15 | 流量预测方法、装置、计算设备及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112398670A true CN112398670A (zh) | 2021-02-23 |
Family
ID=74601839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910754000.3A Pending CN112398670A (zh) | 2019-08-15 | 2019-08-15 | 流量预测方法、装置、计算设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112398670A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113139643A (zh) * | 2021-03-09 | 2021-07-20 | 卓望数码技术(深圳)有限公司 | 网卡流量模型构建方法、流量预测方法、设备及存储介质 |
CN115473821A (zh) * | 2021-06-11 | 2022-12-13 | 中国移动通信集团广东有限公司 | 网络容量预测方法、装置、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101729389A (zh) * | 2008-10-21 | 2010-06-09 | 北京启明星辰信息技术股份有限公司 | 基于流量预测和可信网络地址学习的流量控制装置和方法 |
CN104811336A (zh) * | 2015-04-02 | 2015-07-29 | 南京邮电大学 | 基于智能优化的分布式网络流量预测方法 |
CN105471631A (zh) * | 2015-11-17 | 2016-04-06 | 重庆大学 | 基于流量趋势的网络流量预测方法 |
CN106302433A (zh) * | 2016-08-11 | 2017-01-04 | 华侨大学 | 一种基于网络流量预测与熵的网络流水印检测方法及系统 |
CN107547154A (zh) * | 2016-06-23 | 2018-01-05 | 华为技术有限公司 | 一种建立视频流量预测模型的方法及装置 |
CN109302719A (zh) * | 2018-11-05 | 2019-02-01 | 北京市天元网络技术股份有限公司 | 一种lte小区容量预测分析方法及装置 |
CN109327844A (zh) * | 2018-11-27 | 2019-02-12 | 中国联合网络通信集团有限公司 | 一种小区扩容方法及装置 |
CN109951358A (zh) * | 2019-03-21 | 2019-06-28 | 北京交通大学 | 数据网流量预测方法 |
-
2019
- 2019-08-15 CN CN201910754000.3A patent/CN112398670A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101729389A (zh) * | 2008-10-21 | 2010-06-09 | 北京启明星辰信息技术股份有限公司 | 基于流量预测和可信网络地址学习的流量控制装置和方法 |
CN104811336A (zh) * | 2015-04-02 | 2015-07-29 | 南京邮电大学 | 基于智能优化的分布式网络流量预测方法 |
CN105471631A (zh) * | 2015-11-17 | 2016-04-06 | 重庆大学 | 基于流量趋势的网络流量预测方法 |
CN107547154A (zh) * | 2016-06-23 | 2018-01-05 | 华为技术有限公司 | 一种建立视频流量预测模型的方法及装置 |
CN106302433A (zh) * | 2016-08-11 | 2017-01-04 | 华侨大学 | 一种基于网络流量预测与熵的网络流水印检测方法及系统 |
CN109302719A (zh) * | 2018-11-05 | 2019-02-01 | 北京市天元网络技术股份有限公司 | 一种lte小区容量预测分析方法及装置 |
CN109327844A (zh) * | 2018-11-27 | 2019-02-12 | 中国联合网络通信集团有限公司 | 一种小区扩容方法及装置 |
CN109951358A (zh) * | 2019-03-21 | 2019-06-28 | 北京交通大学 | 数据网流量预测方法 |
Non-Patent Citations (1)
Title |
---|
SEAN J. TAYLOR,BENJAMIN LETHAM: "Forecasting at Scale", 《AMERICAN STATISTICIAN》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113139643A (zh) * | 2021-03-09 | 2021-07-20 | 卓望数码技术(深圳)有限公司 | 网卡流量模型构建方法、流量预测方法、设备及存储介质 |
CN115473821A (zh) * | 2021-06-11 | 2022-12-13 | 中国移动通信集团广东有限公司 | 网络容量预测方法、装置、电子设备及存储介质 |
CN115473821B (zh) * | 2021-06-11 | 2023-09-08 | 中国移动通信集团广东有限公司 | 网络容量预测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9696786B2 (en) | System and method for optimizing energy consumption by processors | |
US9047559B2 (en) | Computer-implemented systems and methods for testing large scale automatic forecast combinations | |
CN112398670A (zh) | 流量预测方法、装置、计算设备及计算机存储介质 | |
CN108038040A (zh) | 计算机集群性能指标检测方法、电子设备及存储介质 | |
WO2021174811A1 (zh) | 车流量时间序列的预测方法及预测装置 | |
AU2016328959A1 (en) | Updating attribute data structures to indicate trends in attribute data provided to automated modeling systems | |
WO2021129086A1 (zh) | 流量预测方法、装置以及存储介质 | |
CN110689070B (zh) | 一种业务预测模型的训练方法及装置 | |
CN109586954B (zh) | 一种网络流量预测方法、装置及电子设备 | |
CN112418921A (zh) | 用电需量预测方法、装置、系统与计算机存储介质 | |
CN112529301A (zh) | 用电量预测方法、设备及存储介质 | |
CN108989889A (zh) | 一种视频播放量预测方法、装置及电子设备 | |
CN111523084A (zh) | 业务数据预测方法、装置、电子设备及计算机可读存储介质 | |
Kacar et al. | A comparison of multiple linear regression approaches for fitting clearing functions to empirical data | |
CN110766185A (zh) | 用户量的确定方法和系统、计算机系统 | |
CN110569190B (zh) | 交易压力测试方法和装置、以及电子设备和可读存储介质 | |
CN112328395A (zh) | 一种云资源容量规划方法和系统 | |
CN111897706A (zh) | 服务器性能预测方法、装置、计算机系统和介质 | |
Chen et al. | Methods for estimating vehicle queues at a marine terminal: A computational comparison | |
CN110826196B (zh) | 一种工业设备运行数据的处理方法及装置 | |
CN108009859A (zh) | 农产品价格波动预警方法及设备 | |
CN103530190A (zh) | 一种负载预测方法及装置 | |
CN116523446A (zh) | 物品流转量信息发送方法、装置、设备和计算机可读介质 | |
Subash Babu et al. | A model to derive software maintenance policy decision | |
CN108471362B (zh) | 资源分配预测方法和装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210223 |