一种基站流量的联合预测方法技术

本发明专利技术提出了一种基站流量的联合预测方法，用于解决当流量数据呈现非线性且存在突变值时，传统线性算法预测性能较差的问题。首先从基站采集流量数据作为数据集，对于异常值和缺失值进行数据预处理；接着采用小波变换来分解处理过的数据，使流量数据平滑，易于预测；而后对分解得出的序列进行单一重构，低频信号采用回声状态网络模型进行预测，高频信号采用自回归积分滑动平均模型进行预测；最后对单个序列的预测数值进行线性累和得出最终结果。本发明专利技术的联合模型方法较之于单一模型预测能够达到更好的预测精度，降低平均绝对百分比误差达6％，并在一定程度上降低归一化均方根误差；基站的流量数据预测准确性提高，有利于提高网络资源合理分配性。

【技术实现步骤摘要】
一种基站流量的联合预测方法
本专利技术涉及采用ESN、ARIMA模型预测基站流量的
，尤其涉及一种基于小波分解变换联合回声网络状态的基站流量预测方法。
技术介绍
随着无线通信技术的发展，流量预测已成为近年来最热门的研究课题之一。大规模的多媒体服务被认为是智慧城市最突出的特征之一。一方面，大多数用户更喜欢选择用移动设备在外上网，这将花费大量来自无线传输的流量数据，另一方面，通信运营商也需要知道某些区域使用的流量数据量，掌握区域流量数据的分配层次。当流量的峰值超过设备可承受的阈值时，应更换基站中的设备或对其进行流量供给的扩容，以保证数据传输的速度。因此，基站的流量预测在无线通信技术中起着重要作用。用户体验质量(QoE)被认为是最突出的评估指标之一，已逐渐取代服务质量(QoS)来衡量用户体验。为了保证用户的QoE，思科和华为等知名网络设备提供商更加关注流量预测和流量趋势。显然，对于用户和网络设备提供商来说，流量预测仍然是一个紧迫的问题。流量预测很大程度上取决于来自不同基站的历史流量数据。在科技飞速发展的情况下，流量数据呈现出各种不同的类型，这将增加模型或算法的复杂性。如今，可以预测流量数据的现有算法分为两种，即参数预测算法和非参数预测算法。具体而言，诸如自回归模型(AR)，自回归滑动平均模型(ARIMA)和滑动平均模型(MA)等一些模型可以通过时间序列分析来预测流量数据。但这些算法模型依然存在一些问题。众所周知，许多传统模型通常假设网络流量是线性的，因此采用线性技术进行预测。实际上，来自基站的大量流量数据并没有随着时间的推移显示出明显的规律性，因为它包含许多非线性因素，如基站的位置，不同的时间段等。一些常见的模型，如时间序列模型和线性回归模型只能在一定程度上解决流量数据之间的线性关系。随着深度学习算法的发展，一些神经网络可以很好地预测非线性的流量数据。总之，不同类型的算法或模型在流量数据中具有不同的性能。
技术实现思路
本专利技术目的在于提出了一种基站流量的联合预测方法，解决现有技术用于预测流量数据时准确率偏低的问题，为了实现上述目的，本专利技术的技术解决方案为：一种基站流量的联合预测方法，其特征在于包括：S1：收集通信运营商在基站中采集到的真实流量数据作为数据集，并进行数据预处理；S2：对预处理过的数据进行一级以上的小波分解变换，分解为相对的高频分量和低频分量，并对每个分量所对应的各支序列进行单一重建；S3：利用回声状态网络模型处理低频分量，利用自回归滑动平均模型处理高频分量，完成各单一序列分量的流量预测；S4：将各单一序列的预测值进行线性累和，得到流量预测的输出结果。进一步地，步骤S1中所述数据集包含千级个数的基站及对应各基站的流量数据，每条流量数据的字段属性信息至少包括基站的ID、基站的地理位置、数据的收集时间、基站日流量值和基站的覆盖区域。进一步地，步骤S1中所述预处理指对每条流量数据中的缺失值，使用两个相邻值的平均值填充缺失值。进一步地，步骤S2中所述小波分解变换的小波基函数为sym6，且自第二级小波分解变换起仅对前一级变化所得的较低频部分进行变换，较高频部分留存待用；小波分解变换止于最近一次分解所得低频部分的趋势与小波分解变换前的原始数据的曲线一致且圆滑。更进一步地，步骤S2设对预处理过的数据进行四级小波分解变换：f(t)＝C4(t)+D1(t)+D2(t)+D3(t)+D4(t)，得低频分量C4(t)、高频分量D1(t)、高频分量D2(t)、高频分量D3(t)和高频分量D4(t)，其中f(t)是一条关于流量值Kb的时间序列，且低频分量C4(t)为f(t)经四级分解所得的唯一低频部分。更进一步地，对分解所得的低频部分和全部高频部分不同长度的序列分别进行单一重建，重建的序列长度与原始数据长度相同，且序列的线性和等于原始数据。进一步地，步骤S3中利用回声状态网络模型处理低频分量通过状态更新方程和输出状态方程完成预测，其中状态更新方程为：x(t+1)＝f(Win·u(t+1)+W·x(t))，x(t)是在t时刻下的网络存储状态，x(t+1)是在t的下一时刻的网络存储状态，u(t+1)是在t的下一时刻下的输入状态，f是神经激活函数，Win和W是神经网络最初建立时随机初始化的定值；通过训练状态和输出的线性拟合，得出隐藏层到输出层的连接权值Wout，然后利用输出状态方程：来预测流量的输出，y(t)是t时刻的预测输出，是t的下一时刻的预测输出。进一步地，步骤S3中利用自回归滑动平均模型处理高频分量，且自回归滑动平均模型的数学描述为：其中△dyt表示yt经d次差分转换之后的序列，εt是t时刻的随机误差，是相互独立的白噪声序列，且服从均值为0，方差为常量σ2的正态分布；φi和θj是模型的待估计参数，在算法中通过训练得出，p为自回归项，q为移动平均项数，可以看偏相关图来估计。与现有技术相比，本专利技术具有突出的实质性特点和显著的进步性，表现为：1.利用回声状态网络ESN来预测低频流量数据，对于没有噪声点的非线性流量数据部分，可以获得比其他模型更好的结果。2.面对流量数据的不同类型不同趋势，提出WT算法来分解初始数据，这可以降低流量数据的复杂性，使序列的突变信息变得平滑，以实现更好的规律性，易于预测。3.基于ESN和ARIMA神经网络提出了用于流量预测的联合WT模型，相比于单一模型，可以获得更高的预测精度。基站的流量数据可以由此预测结果获得更好的分配。附图说明图1为本专利技术的方法流程图。图2为本专利技术方法的联合模型算法流程图。图3为本专利技术方法的ESN、ARIMA和联合模型三者的流量预测趋势图。具体实施方式神经网络在非线性流量数据中具有更好的性能。一种称为回声状态网络(ESN)的递归神经网络(RNN)可以很好地预测流量趋势。但当流量趋势变得更加复杂时，实际值和预测值之间也存在一些误差。因此，首先选择小波变换(WT)算法将初始数据分解为不同的系数。然后，利用系数的不同特征来进行单一重构，再利用ESN和ARIMA分别对不同频率的信号进行流量数据的预测，将单一序列的预测值进行线性累和，完成最终流量预测。最后根据误差值得出，该联合预测方法比单一模型具有更好的准确性。下面结合说明书附图对本专利技术创造作进一步的详细说明。如图1所示，本专利技术提供了一种基于小波变换-回声状态网络的基站流量的联合预测方法，该方法包括如下步骤：S1：对基站流量进行数据采集，对数据集中的异常值和缺失值进行处理，完成数据预处理的工作。(1-1)收集通信运营商在基站中采集到的真实流量数据作为数据集，数据集包含2000个基站的流量数据，每条流量数据的字段属性信息包括：①noid：基站的ID；②Name：基站的地理位置信息；③Time：数据的收集时间；④Kb：基站一天的流量值；⑤Area：基站的覆盖区域。(1-2)数据预处理：对每条流量数据中的缺失值，使用两个相邻值的平均值来填充缺失值。S2：对预处理过的数据进行小波分解变换，分解为高频分量和低频分量，并对每个分量所对应的各支序列进行单一重建。(2-1)对步骤1中进行过预处理的流量数据进行小波变换分解为不同频率的不同分量，其中，小波基函数是sym6。设信号为f(t)＝C1+D1，其中f(t)是一条关于流量值Kb的时间序列，本文档来自技高网...

【技术保护点】
1.一种基站流量的联合预测方法，其特征在于包括：S1：收集通信运营商在基站中采集到的真实流量数据作为数据集，并进行数据预处理；S2：对预处理过的数据进行一级以上的小波分解变换，分解为相对的高频分量和低频分量，并对每个分量所对应的各支序列进行单一重建；S3：利用回声状态网络模型处理低频分量，利用自回归滑动平均模型处理高频分量，完成各单一序列分量的流量预测；S4：将各单一序列的预测值进行线性累和，得到流量预测的输出结果。

【技术特征摘要】
1.一种基站流量的联合预测方法，其特征在于包括：S1：收集通信运营商在基站中采集到的真实流量数据作为数据集，并进行数据预处理；S2：对预处理过的数据进行一级以上的小波分解变换，分解为相对的高频分量和低频分量，并对每个分量所对应的各支序列进行单一重建；S3：利用回声状态网络模型处理低频分量，利用自回归滑动平均模型处理高频分量，完成各单一序列分量的流量预测；S4：将各单一序列的预测值进行线性累和，得到流量预测的输出结果。2.根据权利要求1所述基站流量的联合预测方法，其特征在于，步骤S1中所述数据集包含千级个数的基站及对应各基站的流量数据，每条流量数据的字段属性信息至少包括基站的ID、基站的地理位置、数据的收集时间、基站日流量值和基站的覆盖区域。3.根据权利要求1所述基站流量的联合预测方法，其特征在于，步骤S1中所述预处理指对每条流量数据中的缺失值，使用两个相邻值的平均值填充缺失值。4.根据权利要求1所述基站流量的联合预测方法，其特征在于，步骤S2中所述小波分解变换的小波基函数为sym6，且自第二级小波分解变换起仅对前一级变化所得的低频部分进行变换，高频部分留存待用；小波分解变换的标准是最近一次分解所得低频部分的趋势与小波分解变换前的原始数据的曲线一致且圆滑。5.根据权利要求4所述基站流量的联合预测方法，其特征在于，步骤S2设对预处理过的数据进行四级小波分解变换：f(t)＝C4(t)+D1(t)+D2(t)+D3(t)+D4(t)，得低频分量C4(t)、高频分量D1(t)、...

【专利技术属性】
技术研发人员：周亮，唐菁，魏昕，包秋霞，高赟，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏,32