一种基于机器学习的光信道误码率预测方法技术

本发明专利技术提供一种基于机器学习的光信道误码率预测方法，包括建模及训练阶段和部署推理阶段，所述建模及训练阶段包括数据采集

【技术实现步骤摘要】
一种基于机器学习的光信道误码率预测方法


[0001]本专利技术涉及
AI
监督学习领域及预测性运维领域，具体为一种基于机器学习的光信道误码率预测方法
。

技术介绍

[0002]光传送网
(OTN)
技术是电网络与全光网折衷的产物，指在光域内实现业务信号的传送
、
复用
、
路由选择
、
监控，并且保证其性能指标和生存性的传送网络；因此光信道
OCh
层具备了类似
SDH/SONet
网络中基于单波长的
OMAP
功能，目前业界针对光信道误码率的预测主要采用基于深度学习的循环神经网络
RNN
算法，其中
ARIMA
模型是时间序列预测分析最主要的机器学习方法之一
。
[0003]现有技术中，光信道误码率数据存在较多的突变“数据段”，且突变是跨数量级的，这就导致即便用
n
阶差分，都不可能消除这样数据的不平稳性；但是“数据段”内的数据又是“平稳的”，所以从理论上来说，即便数据段突变处可能无法预测准确，但是突变后的“数据段”内的数据又基本上是“平稳的”，另一方面光信道误码率数据存在较多的突变“数据点”(
噪声
)
，噪声达到一定数量，将会对机器学习造成严重的影响
。

技术实现思路

[0004]针对现有技术存在的不足，本专利技术目的是提供一种基于机器学习的光信道误码率预测方法，以解决上述
技术介绍
中提出的问题，本专利技术解决了光信道误码率数据平稳性问题，实现利用
ARIMA
这样的“小型”机器学习模型对对光网络的光信道误码率进行建模
、
学习
、
训练和预测
。
[0005]为了实现上述目的，本专利技术是通过如下的技术方案来实现：一种基于机器学习的光信道误码率预测方法，包括建模及训练阶段和部署推理阶段，所述建模及训练阶段包括数据采集
、
数据对数化
、
数据动态偏置
、
数据幂指变换
、
数据平稳性检验
、
数据差分
、
模型定阶
、
模型构建
、
模型检验
、
模型评价，所述部署推理阶段包括数据采集
、
数据对数化
、
数据动态偏置
、
数据幂指变换
、
数据差分
、
推理引擎推力
、
数据幂指恢复
、
数据动态偏置恢复
、
数据指数化
、
输出预测结果，通过上述过程并用
ARIMA
模型来对光网络的光域光信道误码率进行建模
、
学习
、
训练和预测
。
[0006]进一步的，该预测方法包含“数据对数变换可差分化方法”：降低数据数量级将数据范围缩小至
(
约
‑
10
，
0)
范围内，解决误码率数量级变化导致的不可“差分”问题
。
[0007]进一步的，所述该预测方法包含“基于幂指函数动态偏置的
ARIMA
模型”方法，解决光信道误码数据中“突变数据”“不平稳数据”导致无法进行自回归问题
。
[0008]进一步的，在
ARIMA
模型中首先通过“幂指函数动态偏置”其中将其数据变的更加“平稳”,
然后再利用
ARIMA
模型针对
y'
数据进
[0020]S1.2
数据对数化表
1、
表2的数据均来采自同一个光信道的不同时段的数据，从表
1、
表2的数据可以看出光信道误码率的数据是一个非常小的数据；从数值来看表1的数据是一个相对平稳的数据比较符合机器学习算法
ARIMA(
差分自回归移动平均模型
)
对时序数据的要求；但是表2的数据，变化幅度就很大了，属于数量级的变化，这样大幅度的变化就不能够够再使用“自回归移动平均模型”，即便通过“差分”也不能够是数据“平稳”因为数据的差别是跨数量级的；以此首先需要解决数据变化跨数量级的问题，使其数据存在“差分”的可能性；在此本专利技术提出了数据对数化的方法，见如下公式4，对其数据进行对数化处理，解决数据变化跨数量级的问题；其中
x
t
是输入数据，是经过以
10
为底进行对数变换后的数据，通过以
10
为底
的对数变换，使其数据更加“接近”，但是大部分情况下对数据进行对数变换后，依然是达不到
ARIMA
算法对数据“平稳性”的要求，后续还需对数据进一步的处理和变换；以表
1、
表2为例输入数据经过数据变换后分别如下表3和表4所示；表3：表1数据对数化表4：表2数据对数化
[0021]S1.3
数据动态偏置数据动态偏置主要有三方面作用：
(
一
)
进一步的“平稳化”数据；
(
二
)、
通过偏置项将数据拉到以“0”为中心附近波动，为后一步进一步“拉伸
‑
挤压”，使其平稳作准备；
(
三
)、
在数据变换过程中要将影响该数据变换趋势的因素考虑进来，这就是为什么第
t
偏置量的大小采用之前
(t
‑
1,t
‑
T)
时刻数据均值作为偏置值；从本质上来说这个偏置项也是一种“差分”，
ARIMA
算法中的差分仅考虑了前后单个数据之间的关系，而此处的动态偏置“差分”则考虑了与该
t
时刻相关的
T
周期内的数据的影响因素；另外这里的偏置项是动态的，因为数据的变化是动态，因此仅考虑将数据拉至“0”而采用一个固定偏置值是不够科学的，无法在数据中包含趋势的动态变化，及时序数据之
间的关联性；在这里机器学习中需要确定的参数是数据周期
T
，丛理论上来说这个
T
要大于等于
AIRMA
算法中的数据相关性阶数
p
，也就是
T≥p
；但在实际操作层面是先确认
T
，及其后续数据变化操作，产生“平稳”数据后再通过数据分析去确认和调整
AIRMA
算法中的
p
；因此根据实践经验，在
ARIMA
算法中
p
值的范围在4～8之间居多，因此可以先初始化一个
T
值，然后再手工调参
(
图
1“总体流程图”所示
)
；另外这个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于机器学习的光信道误码率预测方法，其特征在于：包括建模及训练阶段和部署推理阶段，所述建模及训练阶段包括数据采集
、
数据对数化
、
数据动态偏置
、
数据幂指变换
、
数据平稳性检验
、
数据差分
、
模型定阶
、
模型构建
、
模型检验
、
模型评价，所述部署推理阶段包括数据采集
、
数据对数化
、
数据动态偏置
、
数据幂指变换
、
数据差分
、
推理引擎推力
、
数据幂指恢复
、
数据动态偏置恢复
、
数据指数化
、
输出预测结果，通过上述过程并用
ARIMA
模型来对光网络的光域光信道误码率进行建模
、
学习
、
训练和预测，该预测方法包含数据对数变换可差分化方法：降低数据数量级将数据范围缩小至
‑
10
～0范围内，解决误码率数量级变化导致的不可差分问题，所述该预测方法包含基于幂指函数动态偏置的
ARIMA
模型方法，解决光信道误码数据中“突变数据”“不平稳数据”导致无法进行自回归问题，在
ARIMA
模型中首先通过幂指函数动态偏置，其中将其数据变的更加平稳
,
然后再利用
ARIMA
模型针对
y'
数据进行机器学习得到模型，所述幂指函数动态偏置的过程中，动态偏置将其数据变换至以“0”为中心附近波动；且幂指函数将数据向
+1...

【专利技术属性】
技术研发人员：何舟，张鹏，肖泳，胡昱，李莹玉，陈晓辉，
申请(专利权)人：华中科技大学武汉慧联无限科技有限公司中国地质大学武汉，
类型：发明
国别省市：