【技术实现步骤摘要】
面向家宽的业务量和网络容量预测方法及系统
[0001]本专利技术涉及大数据处理
，具体地说是面向家宽的业务量和网络容量预测方法及系统。
技术介绍
[0002]BRAS、OLT、PON口设备的带宽利用率、承载用户数，PON口、一级分光器、二级分光器设备的端口利用率等业务量及网络容量指标都有一定的上限，若设备业务量及网络容量指标接近上限，会影响用户上网，需要及时采取扩容等举措，增加设备业务量及网络容量的承载量，来避免用户上网质量差。
[0003]但根据现有数据只能观测到历史指标趋势，无法准确预测出设备未来业务量及网络容量是否会超限。
[0004]如何根据历史数据预测家宽网元设备性能数据未来变化趋势，以针对业务量、网络容量超限情况采取对应措施，避免业务量和网络容量超限影响用户体验，是需要解决的技术问题。
技术实现思路
[0005]本专利技术的技术任务是针对以上不足，提供面向家宽的业务量和网络容量预测方法及系统，来解决如何根据历史数据预测家宽网元设备性能数据未来变化趋势的技术问题。
[0...
【技术保护点】
【技术特征摘要】
1.一种面向家宽的业务量和网络容量预测方法，其特征在于，包括如下步骤：采集家宽网元设备的历史业务量和网络容量作为样本数据；对所述样本数据进行数据预处理，包括本数据进行空缺值处理和离散值处理，得到预处理后样本数据；对所述预处理后样本数据进行离散小波变换，将预处理后样本数据分解为多个子序列，所述子序列包括平稳序列和非平稳序列；基于平稳序列构建并训练ARIMA模型，并通过训练后ARIMA模型进行平稳序列预测，得到平稳序列的预测值；基于非平稳序列、通过萤火虫算法训练ELM模型，得到FA
‑
ELM模型，通过FA
‑
ELM模型进行非平稳序列预测，得到非平稳序列的预测值；通过离散小波逆变换将平稳序列的预测值和非平稳序列的预测值进行合并，得到最终预测值。2.根据权利要求1所述的面向家宽的业务量和网络容量预测方法，其特征在于，所述家宽网元设备包括BRAS、OLT、PON口、一级分光器以及二级分光器。3.根据权利要求1所述的面向家宽的业务量和网络容量预测方法，其特征在于，通过删除缺失值以及填充缺失值的方式对样本数据进行缺失值处理，其中，通过均值插补、极大似然估计以及插值法填充的方式进行缺失值填充，所述插值法填充采用的方法包括随机插值、多重插补法、拉格朗日插值以及牛顿插值；通过绝对值中位数法、标准差法、百分位法以及聚类算法对样本数据进行离散值处理。4.根据权利要求1所述的面向家宽的业务量和网络容量预测方法，其特征在于，对所述预处理后样本数据进行离散小波变换时，通过如下操作确定小波函数和分解层数：通过对比实验选择合适的小波函数；确定小波函数后，采用半子带滤波和两倍下采样进行离散小波变换，每次变换得到的结果为一个低频序列和一个高频序列，迭代的对低频序列进行变换，直至得到的低频序列满足残差检验的要求，将已进行的变换次数作为分解层数。5.根据权利要求1所述的面向家宽的业务量和网络容量预测方法，其特征在于，基于平稳序列构建并训练ARIMA模型，包括如下步骤：模型识别：通过平稳序列的自相关函数偏自相关函数作为识别ARIMA模型阶数的基本工具，识别一个或多个ARIMA模型作为试验模型；参数估计：通过非线性结构化对试验模型的参数进行估计，得到暂时接受的ARIMA模型；诊断检查：用诊断统计数据和残差图来检验暂时接受的ARIMA模型对样本数据的拟合度，若ARIMA模型不充分，则选择新的试验模型继续进行参数估计和诊断检查。6.根据权利要求1所述的面向家宽的业务量和网络容量预测方法，其特征在于，基于非平稳序列、通过萤火虫算法训练ELM模型，得到FA
‑
ELM模型时，每个萤火虫的位置代表ELM模型参数的一个可行解，萤火虫的亮度表示所述萤火虫位置的适应度，萤火虫位置的适应度通过EIM模型的损失函数计算得到，其中，表ELM模型参数包括权重和偏差；萤火虫行为规则为：萤火虫个体之间，每个萤火虫向着亮度比自己高的个体飞行来搜寻更优的位置，每只萤火虫对其他萤火虫的吸引度与亮度呈正比、与距离呈反比；
基于所述萤火虫行为规则，多次迭代搜索寻找最亮的萤火虫位置的方式，得到用于训练ELM模型的最优参数。7.一种面向家宽的业务量和网络容量预测系统，其特征在于，用于通过如权利要求1
‑
6任一项所述的...
【专利技术属性】
技术研发人员：张梦妍，刘康，张京辉，
申请(专利权)人：浪潮通信信息系统有限公司，
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。