一种移动网络数据流量分析及预测方法
【专利摘要】本发明涉及一种移动网络数据流量分析及预测方法，属于移动通信【技术领域】。该方法在传统时间序列预测方法的基础之上，考虑流量特性与社会因素之间的关联性，将流量预测分为工作日和休息日两个不同的角度进行：针对任意一天工作日的流量预测，采用与这一天相关性最强的两天流量序列进行组合，并与上一周该天产生的流量序列求平均值，作为工作日流量预测最终模型；针对任意一天休息日的流量预测，采用对工作日进行流量尺度补偿后，取与这一天相关性最强的五天的流量序列进行组合，并与上一周该天产生的流量序列求平均值，作为休息日流量预测最终模型。本方法减小了非相关天数产生的流量对预测准确性的影响，计算量较低，并能够达到较高的预测效果。
【专利说明】一种移动网络数据流量分析及预测方法
【技术领域】
[0001] 本发明属于移动通信【技术领域】，涉及一种移动网络数据流量分析及预测方法，特 别是一种将社会因素与时间序列预测相结合的移动数据流量分析及预测方法。
【背景技术】
[0002] 过去几十年里，移动网络以其可移动性、高传输速率、易于扩展和良好的性价比等 优势获得了迅猛的发展，网络中承载的数据业务流量越来越大，业务类型越来越多，流量特 性也越来越复杂。根据Cisco统计，2012年，全球移动数据流量是2000年的12倍，并预测 2012年至2017年里，全球移动数据流量将增长13倍。此外，统计还表明移动流量已经由语 音向多媒体多元化发展，其中视频流量占据全球移动数据总流量的三分之二。
[0003] 日益增长的网络规模和用户需求给移动网络带来了诸多挑战，其中急剧增长的网 络流量给当前网络架构造成了巨大的压力，同时也降低了用户体验。
[0004] 网络流量预测是对网络进行有效管理、维护和安全保障的重要手段，通过对历史 数据进行分析，可以了解网络的运营环境以及网络服务状态等方面的情况，为网络的升级 和改进提供必要的参考。然而，随着移动网络的迅速发展，终端设备的不断增多，网络流量 数据将呈现大幅度的增长，网络流量即将迈向大数据时代。在大数据流量背景下，终端业务 类型的急剧增加导致流量性质发生改变，传统的流量预测方法已不适用于当今乃至未来移 动网络的分析与预测。
[0005] 目前，大多数预测方法仅从微观层面、网络的角度来探究流量特性变化的原因， 如，终端数据包传输机制、多样化业务类型以及其产生的相关协议是导致流量特性变化的 重要因素。然而，随着移动网络的发展，流量变化现象的出现并不局限于此，对于宏观层面 分析流量变化，将流量特性变化与社会因素相关联也是十分必要的。此外，针对流量分析及 预测提出的方法，如基于神经网络的预测方法、小波算法等能够达到较高的预测效果，却因 其结构复杂、参数众多，导致算法收敛速度慢、预测时间较长而无法用于实际网络流量预测 中，因此对网络流量的分析及预测势在必行。
【发明内容】
[0006] 有鉴于此，本发明的目的在于提供一种移动网络数据流量分析及预测方法，该方 法在传统时间序列预测原理基础之上，考虑流量特性与社会因素之间的关联性，将流量预 测分为工作日和休息日两个不同的角度进行。
[0007] 为达到上述目的，本发明提供如下技术方案：
[0008] -种移动网络数据流量分析及预测方法，该方法在传统时间序列预测方法的基础 之上，考虑流量特性与社会因素之间的关联性，将流量预测分为工作日和休息日两个不同 的角度进行：针对任意一天工作日的流量预测，采用与这一天相关性最强的两天流量序列 进行组合，并与上一周该天产生的流量序列求平均值，作为工作日流量预测最终模型；针对 任意一天休息日的流量预测，采用对工作日进行流量尺度补偿后，取与这一天相关性最强 的五天的流量序列进行组合，并与上一周该天产生的流量序列求平均值，作为休息日流量 预测最终模型。
[0009] 进一步，该预测方法具体包括以下步骤：
[0010] 步骤一：对上一周原始流量数据进行采集，形成原始数据集；
[0011] 步骤二：将原始数据集划分为工作日数据集和休息日数据集；
[0012] 步骤三：分析工作日数据集和休息日数据集之间的相关性；
[0013] 步骤四：对于工作日的流量预测，首先，综合考虑工作日与休息日数据集之间的相 关性，根据相关性大小次序，用上一周的流量相关性组合来表征需要预测的时间段的流量， 其非连续时间相关性组合可以表示为：
【权利要求】
1. 一种移动网络数据流量分析及预测方法，其特征在于：该方法在传统时间序列预测 方法的基础之上，考虑流量特性与社会因素之间的关联性，将流量预测分为工作日和休息 日两个不同的角度进行：针对任意一天工作日的流量预测，采用与这一天相关性最强的两 天流量序列进行组合，并与上一周该天产生的流量序列求平均值，作为工作日流量预测最 终模型；针对任意一天休息日的流量预测，采用对工作日进行流量尺度补偿后，取与这一天 相关性最强的五天的流量序列进行组合，并与上一周该天产生的流量序列求平均值，作为 休息日流量预测最终模型。
2. 根据权利要求1所述的一种移动网络数据流量分析及预测方法，其特征在于：该预 测方法具体包括以下步骤： 步骤一：对上一周原始流量数据进行采集，形成原始数据集； 步骤二：将原始数据集划分为工作日数据集和休息日数据集； 步骤三：分析工作日数据集和休息日数据集之间的相关性； 步骤四：对于工作日的流量预测，首先，综合考虑工作日与休息日数据集之间的相关 性，根据相关性大小次序，用上一周的流量相关性组合来表征需要预测的时间段的流量，其 非连续时间相关性组合可以表示为：
其中，fjt) (t = 1，2, · · ·，n. i = 1，2, · · ·，m)表示在时间 t 上的组合序列 i,yweekdays(t) (t = I, 2,. . . , η)表示A (t)的序列组合；m个序列的组合向量表示为w = (W1, w2,. . . , wm), 并且满足下面条件： eTw = I ；w ^ O ；eT = (1,1,...,1)； 步骤五：对于休息日的流量预测，采用补偿因子来减少工作日和休息日产生的流量的 尺度的差别，补偿因子可以由以下公式获得：
其中，fj (t) (j = 1，2,. . .，5. t = 1，2,. . .，η)，表示工作日中第 j 天的序列，fs (t) (t = 1，2，···，η)表示要预测的星期天数在上一周产生的流量序列，p(t)是&(〇和仁(〇的比 值； 步骤六：将得到的补偿因子用于对工作日流量尺度的补偿，从而得到新的流量序列，如 下列公式所给出： fnew_j (t) = CF (t) * f j (t) 其中，表示经过补偿因子修复后得到的工作日流量序列，因此，休息日的非连 续时间相关性组合表示为：
其中，y_kmdS⑴（t = 1，2,. . .，n)表示相关天数产生的流量相关性组合； 步骤七：通过如下最优模型，得到最佳组合：
其中，fk(t)表示需要预测的序列对应上周工作日的流量值，fs(t)表示需要预测的 序列对应上周休息日的流量值，fA，&分别表示fk(t)和4(〇的平均值，y A，^分别表示 Keekdays ⑴和 yweekends(t)的平均值； 步骤八：求解得到最优组合向量后，通过以下公式求解流量预测序列：
其中，P^kdays⑴，Pwedtmds⑴分别表示工作曰和休息曰流量预测公式。
【文档编号】H04W24/00GK104394538SQ201410712877
【公开日】2015年3月4日 申请日期:2014年11月28日 优先权日:2014年11月28日
【发明者】贾云健, 万贝利, 梁靓 申请人:重庆大学