【技术实现步骤摘要】
基于双周期Holt-Winters模型和SARIMA模型的组合预测方法
本专利技术属于无线网络流量预测和网络优化领域，具体是一种基于双周期Holt-Winters模型和SARIMA模型的组合预测方法。
技术介绍
随着移动通信技术的飞速发展，人们对通信的需求逐渐增大，移动设备的不断普及，无线网络也悄无声息进入了人们的生产生活中，并逐渐成为必不可少的工具，具体表现在无线网络流量的爆发式增长。正在到来的5G时代和高速率低时延的传输，使无线网络的应用场景更加丰富，从而导致无线网络流量数据不断增长，网络变得越来越拥挤，而用户对体验质量的要求也越来越高，这给网络优化和管理带来了更大的难度。准确的流量预测模型可以提供未来流量的变化趋势，从而使运营商可以进行有效的访问控制、拥塞管理和网络资源分配等。在数据预测的实践过程中，往往会发现各种预测方式都有可能会出现时好时坏的现象，除了数据本身特性的影响，还有可能是因为不同的预测方法对于数据信息的提取方式不同，进而在预测某项数据时会因忽略某种特征而导致预测的误差较大。目前已有研究表明...
【技术保护点】
1.基于双周期Holt-Winters模型和SARIMA模型的组合预测方法，其特征在于，流程如下：/n步骤一、提取基站无线网络流量数据，共有m个数据，预测长度为k；/n步骤二、利用前m-k项数据，进行预测步长为k的双周期Holt-Winters模型预测，得到未来k个时间粒度的预测结果，并存入数组
【技术特征摘要】
1.基于双周期Holt-Winters模型和SARIMA模型的组合预测方法，其特征在于，流程如下：
步骤一、提取基站无线网络流量数据，共有m个数据，预测长度为k；
步骤二、利用前m-k项数据，进行预测步长为k的双周期Holt-Winters模型预测，得到未来k个时间粒度的预测结果，并存入数组
双周期Holt-Winters模型的改进之处是：将原模型中的季节项拆分为两部分：和并将γ和σ作为季节项的平滑指数；
具体步骤如下：
步骤201、初始化参数α、β、γ、σ，并采用L-BFGS算法对这四个参数进行优化；
目标函数为均方根误差，其中，α是水平项的指数平滑系数，β是趋势项的指数平滑系数，γ是季节项1的指数平滑系数，σ是季节项2的指数平滑系数；
步骤202、对水平项、趋势项和两个季节项的初始值公式选取如下：
水平项的初始值：
趋势项的初始值：
季节项的初始值：
其中，p1为周期长度1，p2为周期长度2，Yi为第i个流量数据；
步骤203、利用如下水平值、趋势值和季节值的迭代公式，以及前m-k个数据计算出第m-k时刻的水平值L′m-k、趋势值T′m-k和季节值
迭代公式(t＝1,2,3,…,m-k-1)：
t时刻的水平值：
t时刻的趋势值：T′t＝β(L′t-L′t-1)+(1-β)T′t-1
t时刻的季节值1：
t时刻的季节值2：
m-k时刻的水平值：
m-k时刻的趋势值：
T′m-k＝β(L′m-k-L′m-k-1)+(1-β)T′m-k-1
m-k时刻的季节值1：
m-k时刻的季节值2：
步骤204、利用m-k+l时刻的预测公式计算之后m-k～m时刻的流量预测结果，并存入数组
m-k+l时刻的预测公式为：
其中，l＝1,2,3…k；
步骤三、将m-k～m时刻的原始流量数据与预测结果对比，利用如下公式计算误差平方和EDHW；
误差平方和公式：
其中，代表数组的第i个预测值，Ym-k+i代表第m-k+i时刻实际流量数据；
步骤四、利用前m-k项数据，进行预测步长为k的SARIMA模型预测，得到未来k个时间粒度的预测结果，并存入数组
步骤五、将m-k～m时刻的原始流量数据与预测结果对比，利用如下公式计算误差平方和ESA；
其中，代表数组的第i个预测值，Ym-k+i代表第m-k+i时刻实际流...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。