CN113672642A - 一种基于时序预测移动网络性能的方法及其系统 - Google Patents

一种基于时序预测移动网络性能的方法及其系统 Download PDF

Info

Publication number
CN113672642A
CN113672642A CN202110769334.5A CN202110769334A CN113672642A CN 113672642 A CN113672642 A CN 113672642A CN 202110769334 A CN202110769334 A CN 202110769334A CN 113672642 A CN113672642 A CN 113672642A
Authority
CN
China
Prior art keywords
data
data stream
module
value
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.)
Pending
Application number
CN202110769334.5A
Other languages
English (en)
Inventor
袁旭明
杨太星
郭磊
靳森
潘洋
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.)
Detsaiwei Technology Co ltd
Original Assignee
Detsaiwei Technology Co ltd
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 Detsaiwei Technology Co ltd filed Critical Detsaiwei Technology Co ltd
Priority to CN202110769334.5A priority Critical patent/CN113672642A/zh
Publication of CN113672642A publication Critical patent/CN113672642A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2455—Query execution
    • G06F16/24568—Data stream processing; Continuous queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Algebra (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Fuzzy Systems (AREA)
  • Operations Research (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于时序预测移动网络性能的方法，包括S1、获取数据源中的数据流A，并发送数据流A给数据收集模块；S2、数据收集模块对数据流A进行提取后生成数据流B，并发送数据流B给数据处理模块；S3、数据处理模块对数据流B处理后生成数据流C，数据流C分为两个部分，一部分为训练数据流C1,另一部分为预测数据流C2，发送训练数据流C1给模型训练模块；S4、模型训练模块采用差分自回归移动平均算法和线性算法对训练数据流C1进行训练并生成差分自回归移动平均模型和线性模型，发送给预测模块；S5、预测模块对预测数据流C2进行预测，根据预测结果进行处理生成数据流D，将数据流D发送给分布式存储数据库。

Description

一种基于时序预测移动网络性能的方法及其系统
技术领域
本发明涉及时序预测方法技术领域，具体来说，涉及一种基于时序预测移动网络性能的方法及其系统。
背景技术
随着移动通信技术的不断发展，网络给人们带来了极大便利的同时，也使得移动流量呈现爆炸式增长，从而基站的移动网络性能优化问题变得越来越重要。一方面，在流量高峰期，大量基站呈现出负荷超过容量的问题，使得即使信号条件很好，网络速度也非常慢，给用户非常差的体验。另一方面，由于基站的潮汐现象，使得某些时段用户数量会大幅降低。这些问题可以通过对基站的频段控制、基站重新规划改善，解决忙时基站流量负载，闲时资源浪费的问题。而移动基站的指标预测对于关键基站的拥堵控制、基站规划有重要的作用，基站的指标数据不仅是区域的静态表现，同时也反映区域人员的流动特性，基站数据具有非线性混沌的特性，而传统的线性时间序列方法比如自回归移动平均模型难以有效的捕获实际基站流量序列中的非线性因素，同时，深度学习中的时间序列算法如长短期记忆神经网络需要的计算资源庞大，计算费时。
传统的自回归移动平均模型需要确定p、d和q的参数，而这对于每个基站进行建模需要维护的参数多，耗时长，传统的自回归移动平均模型难以有效的捕获实际基站流量序列中的非线性因素，因为自回归移动平均模型本身解决的是线性问题。传统的自回归移动平均模型的准确率并不高，会与实际的结果存在较大误差，传统的时间序列算法无法保证准确率。因此，需要一种基于时序预测移动网络性能的方法，能够结合大数据平台可实现对全网移动网络指标进行预测，实时勘测基站工作情况，精确指导基站规划和优化工作，显著节约无线网络运维成本。
发明内容
为解决现有技术中存在的问题，本发明提供一种基于时序预测移动网络性能的方法，具有采更高效率和更准确的优点，同时，本预测方法不仅局限于流量预测。
为实现上述目的，本发明采用的技术方案是：一种基于时序预测移动网络性能的方法，包括以下步骤：
S1、获取数据源中的数据流A，并发送数据流A给数据收集模块；
S2、数据收集模块对数据流A进行提取后生成数据流B，并发送数据流B给数据处理模块；
S3、数据处理模块对数据流B处理后生成数据流C，数据流C分为两个部分，一部分为训练数据流C1,另一部分为预测数据流C2，发送训练数据流C1给模型训练模块；
S4、模型训练模块采用差分自回归移动平均算法和线性算法对训练数据流 C1进行训练并生成差分自回归移动平均模型和线性模型，然后将所述差分自回归移动平均模型和线性模型发送给预测模块；
S5、预测模块对预测数据流C2进行预测，根据预测结果进行处理生成数据流D，将数据流D发送给分布式存储数据库。
在本技术方案中，数据源为分布式数据源；数据收集模块2收集分布式数据源的移动网网元基础数据、性能指标数据、PM指标数据和逻辑小区PM数据，并进行提取；数据处理模块包括格式转换、缺失值处理、异常值处理和数据重组，处理数据收集模块的数据；模型训练模块采用差分自回归移动平均算法与线性算法训练数据处理模块的数据；预测模块根据模型训练模块的模型进行指标预测；分布式存储数据库储存预测模块预测的数据。通过将日期拆分，并使用差分自回归移动平均算法与线性算法预测，大幅提供了预测的准确性，能有效通过预测数据调整基站维护策略。
在进一步的技术方案中，步骤S1中的数据流A包括：
数据源的移动网网元基础数据、性能指标数据、PM指标数据和逻辑小区PM 数据。
在本技术方案中，读取分布式数据源，数据收集模块收集基站的待预测指标，有效的捕获实际基站流量，且数据流A还包括移动网络各网元的配置数据、性能数据、测量数据、信令面和用户面详单数据、DPI数据、告警数据等。
在进一步的技术方案中，步骤S2中的数据流B包括：
移动网网元流量指标、利用率指标和用户相关指标。
在本技术方案中，区别于传统的自回归移动平均模型，本技术方案得到数据流无需逐步建模，先用时序图进行直观的判断再利用相关图进行更进一步的检验。
在进一步的技术方案中，步骤S3包括：
S3.1、统一时间格式，通过格式转换将每一列时间数据都设置为统一的固定的格式；
S3.2、统计数据流B中缺失值占比超过阈值的待预测指标，判断待预测指标数据量不足时，对待预测指标不进行预测，并进行缺失值处理，所述缺失值处理包括通过历史数据的移动平均值对缺失值进行填充；
S3.3、对数据流B的异常值采用分箱法进行处理；
S3.4、对数据流B进行有效性标识，将通过数据重组的数据流B分为按时间周期提取的数据，并生成数据流C。
在本技术方案中，将数据都设置为固定的格式，统计数据中缺失值占比超过预设值的待预测指标，认为这部分指标数据量不足，对这部分指标不进行预测，然后进行缺失值填充，将数据进行差分，对差分后的数值进行分位差法处理，再将数据进行差分数据还原，得到平稳的时间序列，对数据进行有效性标识，并将数据按时间周期拆分。
在进一步的技术方案中，步骤S4包括：
S4.1、对训练数据流C1中流量过高且周期性明显的基站数据进行参数调整，确定自回归阶数p、差分次数d和移动平均阶数q的阶数，并根据p和q获取参数调整值xt，其具体表达式为：
Figure RE-GDA0003254049820000041
其中，
Figure RE-GDA0003254049820000042
是自相关系数，μt与μt-i是误差项，θi为系数；
S4.2、结合差分自回归移动平均算法和参数调整值Xt对训练数据流C1进行建模得到差分自回归移动平均模型；
S4.3、对处理后的训练数据流C1进行线性建模获取线性模型，其表达式为：
Figure RE-GDA0003254049820000043
其中，y为当前值，X为索引。
在本技术方案中，针对流量过高且周期性明显的基站数据进行调参，确定p、 d和q的阶数，基于该参数进行差分自回归移动平均算法建模，对处理后的数据进行线性建模。
在进一步的技术方案中，步骤S5包括：
S5.1、分别使用差分自回归移动平均模型和线性模型对预测数据流C2进行预测，获取数据流D；
S5.2、计算差分自回归移动平均算法与线性模型预测值的加权平均值，其表达式为：ypre＝w1ymodel1+w2ymodel2，其中，ypre为预测值，w1为差分自回归移动平均模型权数，ymodel1为差分自回归移动平均模型的总体数值，w2为线性模型权数，ymodel2为线性模型的总体数值；
S5.3、分别找到预测数据流C1和数据流D中数据大于和小于均值的数据，并求出这些数据的均值，用数据流D乘均值系数，将数据流D放大到与预测数据流C1一个区间，其表达式为：
Figure RE-GDA0003254049820000051
Figure RE-GDA0003254049820000052
其中，ypre[y＞mean]为预测值中大于均值的数据，mean代表求均值，y[y＞mean]代表真实数据组大于均值的数据；
S5.4、对数据流D进行差分处理，处理掉异常值并存放在分布式存储数据库中；
S5.5、生成最终结果。
在本技术方案中，分别使用差分自回归移动平均算法模型与线性模型对基站指标进行预测，计算差分自回归移动平均算法与线性模型预测值的加权平均值，分别求出原始和预测数据中大于和小于均值的数据，并求出这些数据的均值，再用预测数据分别乘均值系数，将预测数据放大到与原始数据一个区间，对预测数据进行差分处理，处理掉异常值，将预测模块预测的数据存放值分布式数据库。
本发明还提供了一种基于时序预测移动网络性能的系统，包括数据源模块、数据收集模块、数据处理模块、模型训练模块和预测模块，其中：
数据源模块，用于获取数据源中的数据流A，并发送数据流A给数据收集模块；
数据收集模块，用于提取数据流A并生成数据流B，发送数据流B给数据处理模块；
数据处理模块，对数据流B处理后生成数据流C，数据流C分为两个部分，一部分为训练数据流C1,另一部分为预测数据流C2，发送训练数据流C1给模型训练模块，发送预测数据流C2给预测模块；
模型训练模块，用于采用差分自回归移动平均算法和线性算法对训练数据流C1进行训练并生成差分自回归移动平均模型和线性模型，并发送给预测模块；
预测模块，用于对预测数据流C2进行预测，根据预测结果进行处理生成数据流D，将数据流D发送给分布式存储数据库。
在本技术方案中，一种大数据移动网络性能指标预测系统，包括分布式数据源、数据收集模块、数据处理模块、模型训练模块、预测模块和分布式数据库，数据收集模块收集分布式数据源的移动网络性能数据并进行提取；数据处理模块对数据进行格式转换、缺失值处理、异常值处理和数据重组；模型训练模块采用差分自回归移动平均算法与线性算法训练数据；预测模块根据模型进行指标预测；分布式数据库储存预测的数据，本系统提供移动网络性能指标大数据预测系统和移动网络性能预测方法使得大数据预测系统能自动进行海量基站指标预测，减少操作人员负担。
本发明的有益效果是：
(1)本发明提供一种基于时序预测移动网络性能的系统，管理方便，基于时序预测移动网络性能的方法使得大数据预测系统能自动进行时序预测移动网络的性能，不需要专人进行基站维护操作，减少操作人员负担；
(2)本发明不需要针对每个基站进行p，d，q参数的确定，解决了自回归移动平均模型面对海量基站难以维护的问题，解决了传统时序算法准确率低的问题，大幅提高了模型的精度，解决了时序算法不能识别基站中非线性因素，采用回归算法与时序算法的组合，可以有效解决以上问题；
(3)本发明通过将日期拆分，并使用差分自回归移动平均算法与线性算法预测，大幅提供了预测的准确性，能有效通过预测数据调整基站维护策略；
(4)本发明通过运用大数据分析手段，采集海量基站终端的基本信息并利用机器学习的时序算法和回归算法预测未来一段时间基站的流量指标、用户相关指标、利用率指标等，用于监控基站的运行状态，得出准确的基站信息，提高了效率和准确性，结合大数据平台可实现对全网移动网络指标进行预测，实时勘测基站工作情况，精确指导基站规划和优化工作，显著节约无线网络运维成本。
附图说明
图1是本发明所述的一种基于时序预测移动网络性能的方法的流程图；
图2是本发明所述的一种基于时序预测移动网络性能的系统的结构示意图。
附图标记说明：
10、数据源模块；11、数据收集模块；12、数据处理模块；13、模型训练模块；14、预测模块。
具体实施方式
下面结合附图对本发明的实施例进行详细说明。
实施例：
如图1所示，本发明提供了一种基于时序预测移动网络性能的方法，包括以下步骤：
S1、获取数据源中的数据流A，并发送数据流A给数据收集模块；
S2、数据收集模块对数据流A进行提取后生成数据流B，并发送数据流B给数据处理模块；
S3、数据处理模块对数据流B处理后生成数据流C，数据流C分为两个部分，一部分为训练数据流C1,另一部分为预测数据流C2，发送训练数据流C1给模型训练模块；
S4、模型训练模块采用差分自回归移动平均算法和线性算法对训练数据流 C1进行训练并生成差分自回归移动平均模型和线性模型，然后将所述差分自回归移动平均模型和线性模型发送给预测模块；
S5、预测模块对预测数据流C2进行预测，根据预测结果进行处理生成数据流D，将数据流D发送给分布式存储数据库。
在本实施例中，数据源为分布式数据源；数据收集模块收集分布式数据源的移动网网元基础数据、性能指标数据、PM指标数据和逻辑小区PM数据，并进行提取；数据处理模块包括格式转换、缺失值处理、异常值处理和数据重组，处理数据收集模块的数据；模型训练模块采用差分自回归移动平均算法与线性算法训练数据处理模块的数据；预测模块根据模型训练模块的模型进行指标预测；分布式存储数据库储存预测模块预测的数据。通过将日期拆分，并使用差分自回归移动平均算法与线性算法预测，大幅提供了预测的准确性，能有效通过预测数据调整基站维护策略。
在另一个实施例中，步骤S1中的数据流A包括：
数据源的移动网网元基础数据、性能指标数据、PM指标数据和逻辑小区PM 数据。
在本实施例中，读取分布式数据源，数据收集模块收集基站的待预测指标，有效的捕获实际基站流量，且数据流A还包括移动网络各网元的配置数据、性能数据、测量数据、信令面和用户面详单数据、DPI数据、告警数据等。
在另一个实施例中，步骤S2中的数据流B包括：
移动网网元流量指标、利用率指标和用户相关指标。
在本实施例中，区别于传统的自回归移动平均模型，本实施例得到数据流无需逐步建模，先用时序图进行直观的判断再利用相关图进行更进一步的检验。
在另一个实施例中，步骤S3包括：
S3.1、统一时间格式，通过格式转换将每一列时间数据都设置为统一的固定的格式；
S3.2、统计数据流B中缺失值占比超过阈值的待预测指标，判断待预测指标数据量不足时，对待预测指标不进行预测，并进行缺失值处理，所述缺失值处理包括通过历史数据的移动平均值对缺失值进行填充；
S3.3、对数据流B的异常值采用分箱法进行处理；
S3.4、对数据流B进行有效性标识，将通过数据重组的数据流B分为按时间周期提取的数据，并生成数据流C。
在本实施例中，将数据都设置为固定的格式，统计数据中缺失值占比超过预设值的待预测指标，认为这部分指标数据量不足，对这部分指标不进行预测，然后进行缺失值填充，将数据进行差分，对差分后的数值进行分位差法处理，再将数据进行差分数据还原，得到平稳的时间序列，对数据进行有效性标识，并将数按时间周期拆分。
在另一个实施例中，步骤S4包括：
S4.1、对训练数据流C1中流量过高且周期性明显的基站数据进行参数调整，确定自回归阶数p、差分次数d和移动平均阶数q的阶数，并根据p和q获取参数调整值xt，其具体表达式为：
Figure RE-GDA0003254049820000091
其中，
Figure RE-GDA0003254049820000092
是自相关系数，μt与μt-i是误差项，θi为系数；
S4.2、结合差分自回归移动平均算法和参数调整值Xt对训练数据流C1进行建模得到差分自回归移动平均模型；
S4.3、对处理后的训练数据流C1进行线性建模获取线性模型，其表达式为：
Figure RE-GDA0003254049820000101
其中，y为当前值，X为索引。
在本实施例中，针对流量过高且周期性明显的基站数据进行调参，确定p、 d和q的阶数，基于该参数进行差分自回归移动平均算法建模，对处理后的数据进行线性建模。
在另一个实施例中，步骤S5包括：
S5.1、分别使用差分自回归移动平均模型和线性模型对预测数据流C2进行预测，获取数据流D；
S5.2、计算差分自回归移动平均算法与线性模型预测值的加权平均值，其表达式为：ypre＝w1ymodel1+w2ymodel2，其中，ypre为预测值，w1为差分自回归移动平均模型权数，ymodel1为差分自回归移动平均模型的总体数值，w2为线性模型权数，ymodel2为线性模型的总体数值；
S5.3、分别找到预测数据流C1和数据流D中数据大于和小于均值的数据，并求出这些数据的均值，用数据流D乘均值系数，将数据流D放大到与预测数据流C1一个区间，其表达式为：
Figure RE-GDA0003254049820000102
Figure RE-GDA0003254049820000103
其中，ypre[y＞mean]为预测值中大于均值的数据，mean代表求均值，y[y＞mean]代表真实数据组大于均值的数据；
S5.4、对数据流D进行差分处理，处理掉异常值并存放在分布式存储数据库中；
S5.5、生成最终结果。
在本实施例中，分别使用差分自回归移动平均算法模型与线性模型对基站指标进行预测，计算差分自回归移动平均算法与线性模型预测值的加权平均值，分别求出原始和预测数据中大于和小于均值的数据，并求出这些数据的均值，再用预测数据分别乘均值系数，将预测数据放大到与原始数据一个区间，对预测数据进行差分处理，处理掉异常值，表达式为：
diffpre[i]＝ypre[i]-ypre[i-1]
diffi＝yi-yi-1
diffpre[Outlier]＝0.75×diffmax
ypre[i]＝ypre[i-1]+diffpre[i]
再将预测模块预测的数据存放值分布式数据库。
本发明还提供了一种基于时序预测移动网络性能的系统，如图2所示，包括数据源模块、数据收集模块、数据处理模块、模型训练模块和预测模块，其中：
数据源模块，用于获取数据源中的数据流A，并发送数据流A给数据收集模块；
数据收集模块，用于提取数据流A并生成数据流B，发送数据流B给数据处理模块；
数据处理模块，对数据流B处理后生成数据流C，数据流C分为两个部分，一部分为训练数据流C1,另一部分为预测数据流C2，发送训练数据流C1给模型训练模块，发送预测数据流C2给预测模块；
模型训练模块，用于采用差分自回归移动平均算法和线性算法对训练数据流C1进行训练并生成差分自回归移动平均模型和线性模型，并发送给预测模块；
预测模块，用于对预测数据流C2进行预测，根据预测结果进行处理生成数据流D，将数据流D发送给分布式存储数据库。
在本实施例中，一种基于时序预测移动网络性能的系统，包括分布式数据源、数据收集模块、数据处理模块、模型训练模块、预测模块和分布式数据库，数据收集模块收集分布式数据源的基站数据并进行提取；数据处理模块对数据进行格式转换、缺失值处理、异常值处理和数据重组；模型训练模块采用差分自回归移动平均算法与线性算法训练数据；预测模块根据模型进行指标预测；分布式数据库储存预测的数据，本系统提供移动网络性能指标大数据预测系统和移动网络性能预测方法使得大数据预测系统能自动进行海量基站指标预测，减少操作人员负担。
在另一个实施例中，本预测方法不仅使用在流量预测上，还可以应用在一切满足待预测指标与时间关系强相关且有周期性的移动网络性能预测问题上，包括分布式数据源、数据收集模块、数据处理模块、模型训练模块、预测模块和分布式数据库，数据收集模块收集分布式数据源的数据并进行提取；数据处理模块对数据进行格式转换、缺失值处理、异常值处理和数据重组；模型训练模块采用差分自回归移动平均算法与线性算法训练数据；预测模块根据模型进行指标预测；分布式数据库储存预测的数据。
以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (7)

1.一种基于时序预测移动网络性能的方法，其特征在于，包括以下步骤：
S1、获取数据源中的数据流A，并发送数据流A给数据收集模块；
S2、数据收集模块对数据流A进行提取后生成数据流B，并发送数据流B给数据处理模块；
S3、数据处理模块对数据流B处理后生成数据流C，数据流C分为两个部分，一部分为训练数据流C1,另一部分为预测数据流C2，发送训练数据流C1给模型训练模块；
S4、模型训练模块采用差分自回归移动平均算法和线性算法对训练数据流C1进行训练并生成差分自回归移动平均模型和线性模型，然后将所述差分自回归移动平均模型和线性模型发送给预测模块；
S5、预测模块对预测数据流C2进行预测，根据预测结果进行处理生成数据流D，将数据流D发送给分布式存储数据库。
2.根据权利要求1所述的一种基于时序预测移动网络性能的方法，其特征在于，所述步骤S1中的数据流A包括：
移动网络各网元的配置数据、性能数据、测量数据、信令面和用户面详单数据、DPI数据、告警数据。
3.根据权利要求1所述的一种基于时序预测移动网络性能的方法，其特征在于，所述步骤S2中的数据流B包括：
移动网网元流量指标、利用率指标和用户相关指标。
4.根据权利要求1所述的一种基于时序预测移动网络性能的方法，其特征在于，所述步骤S3包括：
S3.1、统一时间格式，通过格式转换将每一列时间数据都设置为统一的固定的格式；
S3.2、统计数据流B中缺失值占比超过阈值的待预测指标，如果缺失值占比超过阈值的指标则不进行预测，并进行缺失值处理，所述缺失值处理包括通过历史数据的移动平均值对缺失值进行填充；
S3.3、对数据流B的异常值采用分箱法进行处理；
S3.4、对数据流B进行有效性标识，将通过数据重组的数据流B分为按时间周期提取的数据，并生成数据流C。
5.根据权利要求1所述的一种基于时序预测移动网络性能的方法，其特征在于，所述步骤S4包括：
S4.1、对训练数据流C1中流量过高且周期性明显的基站数据进行参数调整，确定自回归阶数p、差分次数d和移动平均阶数q的阶数，并根据p和q获取参数调整值xt，其具体表达式为：
Figure FDA0003152154020000021
其中，
Figure FDA0003152154020000022
是自相关系数，μt与μt-i是误差项，θi为系数。
S4.2、结合差分自回归移动平均算法和参数调整值xt对训练数据流C1进行建模得到差分自回归移动平均模型；
S4.3、对处理后的训练数据流C1进行线性建模获取线性模型，其表达式为：
Figure FDA0003152154020000023
其中，y为当前值，X为索引。
6.根据权利要求1所述的一种基于时序预测移动网络性能的方法，其特征在于，所述步骤S5包括：
S5.1、分别使用差分自回归移动平均模型和线性模型对预测数据流C2进行预测，获取数据流D；
S5.2、计算差分自回归移动平均算法与线性模型预测值的加权平均值，其表达式为：ypre＝w1ymodel1+w2ymodel2，其中，ypre为预测值，w1为差分自回归移动平均模型权数，ymodel1为差分自回归移动平均模型的总体数值，w2为线性模型权数，ymodel2为线性模型的总体数值；
S5.3、分别找到预测数据流C1和数据流D中数据大于和小于均值的数据，并求出这些数据的均值，用数据流D乘均值系数，将数据流D放大到与预测数据流C1一个区间，其表达式为：
Figure FDA0003152154020000031
Figure FDA0003152154020000032
其中，ypre[y＞mean]为预测值中大于均值的数据，mean代表求均值，y[y＞mean]代表真实数据组大于均值的数据；
S5.4、对数据流D进行差分处理，处理掉异常值并存放在分布式存储数据库中；
S5.5、生成最终结果。
7.一种基于时序预测移动网络性能的系统，其特征在于，包括数据源模块、数据收集模块、数据处理模块、模型训练模块和预测模块，其中：
数据源模块，用于获取数据源中的数据流A，并发送数据流A给数据收集模块；
数据收集模块，用于提取数据流A并生成数据流B，发送数据流B给数据处理模块；
数据处理模块，对数据流B处理后生成数据流C，数据流C分为两个部分，一部分为训练数据流C1,另一部分为预测数据流C2，发送训练数据流C1给模型训练模块，发送预测数据流C2给预测模块；
模型训练模块，用于采用差分自回归移动平均算法和线性算法对训练数据流C1进行训练并生成差分自回归移动平均模型和线性模型，并发送给预测模块；
预测模块，用于对预测数据流C2进行预测，根据预测结果进行处理生成数据流D，将数据流D发送给分布式存储数据库。
CN202110769334.5A 2021-07-07 2021-07-07 一种基于时序预测移动网络性能的方法及其系统 Pending CN113672642A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110769334.5A CN113672642A (zh) 2021-07-07 2021-07-07 一种基于时序预测移动网络性能的方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110769334.5A CN113672642A (zh) 2021-07-07 2021-07-07 一种基于时序预测移动网络性能的方法及其系统

Publications (1)

Publication Number Publication Date
CN113672642A true CN113672642A (zh) 2021-11-19

Family

ID=78539010

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110769334.5A Pending CN113672642A (zh) 2021-07-07 2021-07-07 一种基于时序预测移动网络性能的方法及其系统

Country Status (1)

Country Link
CN (1) CN113672642A (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102102626A (zh) * 2011-01-30 2011-06-22 华北电力大学 风电场短期功率预测方法
CN105139079A (zh) * 2015-07-30 2015-12-09 广州时韵信息科技有限公司 一种基于混合模型的税收收入预测方法及装置
CN109379240A (zh) * 2018-12-25 2019-02-22 湖北亿咖通科技有限公司 车联网流量预测模型构建方法、装置和电子设备
CN109587713A (zh) * 2018-12-05 2019-04-05 广州数锐智能科技有限公司 一种基于arima模型的网络指标预测方法、装置及存储介质
CN109995562A (zh) * 2017-12-30 2019-07-09 中国移动通信集团河北有限公司 网络业务量预测方法、装置、设备及介质
CN110633846A (zh) * 2019-09-02 2019-12-31 北京市燃气集团有限责任公司 燃气负荷预测方法和装置
CN111465025A (zh) * 2020-03-06 2020-07-28 重庆邮电大学 一种基于新型容量预测模型的旅游城市5g网络组网方法
CN111931354A (zh) * 2020-07-20 2020-11-13 南京南瑞信息通信科技有限公司 基于灰色-自回归差分移动平均模型的变压器顶层油温预测方法
CN112529053A (zh) * 2020-11-26 2021-03-19 苏州浪潮智能科技有限公司 一种服务器中时序数据短期预测方法及系统
CN112633556A (zh) * 2020-12-01 2021-04-09 东莞理工学院 一种基于混合模型的短期电力负荷预测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102102626A (zh) * 2011-01-30 2011-06-22 华北电力大学 风电场短期功率预测方法
CN105139079A (zh) * 2015-07-30 2015-12-09 广州时韵信息科技有限公司 一种基于混合模型的税收收入预测方法及装置
CN109995562A (zh) * 2017-12-30 2019-07-09 中国移动通信集团河北有限公司 网络业务量预测方法、装置、设备及介质
CN109587713A (zh) * 2018-12-05 2019-04-05 广州数锐智能科技有限公司 一种基于arima模型的网络指标预测方法、装置及存储介质
CN109379240A (zh) * 2018-12-25 2019-02-22 湖北亿咖通科技有限公司 车联网流量预测模型构建方法、装置和电子设备
CN110633846A (zh) * 2019-09-02 2019-12-31 北京市燃气集团有限责任公司 燃气负荷预测方法和装置
CN111465025A (zh) * 2020-03-06 2020-07-28 重庆邮电大学 一种基于新型容量预测模型的旅游城市5g网络组网方法
CN111931354A (zh) * 2020-07-20 2020-11-13 南京南瑞信息通信科技有限公司 基于灰色-自回归差分移动平均模型的变压器顶层油温预测方法
CN112529053A (zh) * 2020-11-26 2021-03-19 苏州浪潮智能科技有限公司 一种服务器中时序数据短期预测方法及系统
CN112633556A (zh) * 2020-12-01 2021-04-09 东莞理工学院 一种基于混合模型的短期电力负荷预测方法

Similar Documents

Publication Publication Date Title
CN116646933A (zh) 一种基于大数据的电力负荷调度方法及系统
CN105740975B (zh) 一种基于数据关联关系的设备缺陷评估与预测方法
CN111178587B (zh) 一种基于spark框架的短期电力负荷快速预测方法
AU2022204116A1 (en) Verification method for electrical grid measurement data
CN116231871B (zh) 一种基于数字孪生的电网态势监管方法、系统及存储介质
CN116189436A (zh) 一种基于大数据的多源数据融合算法
CN204539486U (zh) 一种地铁线网客流样本追踪分析系统
CN102083087A (zh) 一种主客观模型结合的话务量异常检测方法
CN113065701B (zh) 一种轨道交通客流量智能预测方法和装置
CN111237646A (zh) 一种供水管网漏损的自动识别和定位方法
CN111652403A (zh) 一种基于反馈修正的工作平台任务工作量预测方法
CN115034422A (zh) 基于波动识别和误差修正的风电短期功率预测方法和系统
CN116962469A (zh) 一种智慧园区电能监测管理系统
CN107590747A (zh) 基于综合能源大数据分析的电网资产周转率计算方法
CN113672642A (zh) 一种基于时序预测移动网络性能的方法及其系统
CN116629448A (zh) 基于经验模态分解和神经网络相结合的光伏功率预测方法
CN115987692A (zh) 一种基于流量回溯分析的安全防护系统及方法
CN107194529B (zh) 基于挖掘技术的配电网可靠性经济效益分析方法及装置
CN110659681B (zh) 基于模式识别的时序数据预测系统及方法
CN115392663A (zh) 一种基于大数据的数据采集处理方法
CN114065651A (zh) 一种用于旋转类设备的故障时间预测方法
CN106777313A (zh) 基于全息时标量测电网数据计算值及计算值分量分析方法
CN111144696A (zh) 一种基于大数据的轨道交通数据分析方法
Prasetyo et al. A Simulation-based Method for Predicting the Time-varying Passenger Demand at Metro Rail Transit Line 3 Using Monte Carlo Simulation
CN117318053B (zh) 用于储能电站的能源需求预测方法及系统

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
CB02 Change of applicant information

Address after: 610000 No. 1001-1003, 10th floor, Huazhi center, No. 99, Tidu street, Qingyang District, Chengdu, Sichuan

Applicant after: Detsaiwei Technology Co.,Ltd.

Address before: 610000 No. 1001-1003, 10th floor, Huazhi center, No. 99, Tidu street, Jinjiang District, Chengdu, Sichuan

Applicant before: Detsaiwei Technology Co.,Ltd.

CB02 Change of applicant information