本发明专利技术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。分布式存储数据库。分布式存储数据库。
【技术实现步骤摘要】
一种基于时序预测移动网络性能的方法及其系统
[0001]本专利技术涉及时序预测方法
，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。
技术介绍
[0002]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。
[0003]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。
技术实现思路
[0004]为解决现有技术中存在的问题，本专利技术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。
[0005]为实现上述目的，本专利技术采用的技术方案是：一种基于时序预测移动网络性能的方法，包括以下步骤：
[0006]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；
[0007]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；
[0008]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；
[0009]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；
[0010]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。
[0011]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。
[0012]在进一步的技术方案中，步骤S1中的数据流A包括：
[0013]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。
[0014]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。
[0015]在进一步的技术方案中，步骤S2中的数据流B包括：
[0016]移动网网元流量指标、利用率指标和用户相关指标。
[0017]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。
[0018]在进一步的技术方案中，步骤S3包括：
[0019]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；
[0020]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；
[0021]S3.3、对数据流B的异常值采用分箱法进行处理；
[0022]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。
[0023]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。
[0024]在进一步的技术方案中，步骤S4包括：
[0025]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x
t
，其具体表达式为：其中，是自相关系数，μ
t
与μ
t
‑
i
是误差项，θ
i
为系数；
[0026]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；
[0027]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：
[0028]其中，y为当前值，X为索引。
[0029]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。
[0030]在进一步的技术方案中，步骤S5包括：
[0031]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；
[0032]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：y
pre
＝w1y
model1
+w2y
model2
，其中，y
pre
为预测值，w1为差分自回归移动平均模型权数，y
model1
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，y
model2
为线性模型的总本文档来自技高网...
【技术保护点】
【技术特征摘要】
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x
t
，其具体表达式为：其中，是自相关系数，μ
t
与μ
t
‑
i
是误差项，θ
i
为系数。S4.2、结合差分自回归移动平均算法和参数调整值x<...
【专利技术属性】
技术研发人员：袁旭明，杨太星，郭磊，靳森，潘洋，
申请(专利权)人：德特赛维技术有限公司，
类型：发明
国别省市：
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。