一种移动网络数据业务业务量的预测方法和装置的制造方法
【技术领域】
[0001] 本发明移动通信数据业务领域，具体的涉及移动通信网络数据业务业务量的预测 方法。
【背景技术】
[0002] 随着3G、WLAN等移动通信技术及通信网络的快速发展和移动智能终端的快速普 及，伴随微博、微信等各种互联网新兴业务的迅猛发展，移动通信网络承载的数据业务也急 速增长。为了在管理层面紧跟数据业务的快速发展，为了科学地进行网络规划和优化，对网 络进行主动性能监控，了解电信网络运营的发展情况和趋势是必不可少的，因此准确地预 测移动通信网络数据业务的业务量意义重大。
[0003] 移动网络中包含有语音业务和数据业务，众所周知，通信语音业务的业务量即话 务量（erl)的到达模型是泊松模型，因此其话务量动力学模型是线性的，现有技术中可用 综合了趋势和季节性的ARMA模型获得好的预测模型和准确的预测结果。从1990年的研 究开始，人们发现数据业务的到达特点和数据业务业务量的分布特点与语音业务有着很大 的不同：数据业务中的分组到达不再符合泊松分布，而是遵从Pareto等长尾分布。在发现 了 Internet数据业务存在自相似特性后，有一些关于如何对Internet数据量如何预测的 研究，这些方法包括基于神经网络方法、支持向量机方法、小波分解+灰色预测方法等；因 此，Internet网络中的业务量序列不能再简单地用动力学系统中的ARMA模型建模，因为 Internet数据量序列中的自相似会导致序列的长相关性，而ARMA模型只适合短相关序列。
[0004] 移动网络中的数据业务采用的网络、协议和Internet网络有很多相似地方，由 于无线信道和无线接入网存在，移动网络和Internet也有很多不一样的地方。移动网络 中数据业务业务量与语音业务业务量和internet网络业务量存在相似之处，同时又具备 自身的特点，因此对移动网络中数据业务业务量的预测不能单纯套用语音业务量预测和 internet数据业务业务量预测的方法，将已有的语音业务量预测和internet数据业务业 务量预测方法盲目套用到移动网络数据业务中来，会导致其预测结果的不准确，直接影响 移动通信网络的运营维护。
[0005] 移动通信网络数据业务的高速发展最近几年的事情，目前为止在移动网络数据业 务业务量的建模和预测方面的研究还少见。而对于最近迅猛发展的移动互联网的数据流量 的特性则缺乏研究进展的报告。随着移动通信业务发展和竞争加剧，各运营商们迫切地需 要掌握移动业务量发展趋势，如何对移动网络数据业务业务量进行准确的预测成为亟待解 决的问题。
【发明内容】
[0006] 本发明目的在于提供一种移动网络数据业务业务量的预测方法和装置，其特征在 于，所述方法包括下述步骤：
[0007] A :获取基于时间顺序的移动网络数据业务业务量历史值序列作为样本序列；
[0008] B :对所述样本序列进行自相似探测和多重分形探测，根据探测结果确定对所述样 本序列的预测方法：
[0009] 若所述样本序列不具有自相似特性，则根据ARMA模型对所述样本序列进行预测， 获得预测值；若所述样本序列仅具有自相似特性不具有多重分形特性，则根据FARIMA模型 对所述样本序列进行建模预测，获得预测值。
[0010] 进一步的，
[0011] 若所述样本序列具有自相似特性和多重分形特性，则消除所述样本序列的多重分 形特性后，获得分支样本序列，依照所述步骤B对所述分支样本序列进行预测。
[0012] 具体的，所述消除所述样本序列的多重分形特性后获得分支样本序列的方法具体 为：
[0013] 依照数据业务业务量时间点分布特性分解所述具有多重分形特性的样本序列，得 到多个分支序列；
[0014] 对所述分支序列进行多重分形探测，若该分支序列已不具有多重分形特性，则不 用继续分解；若该分支序列仍具有多重分形特性，则继续对其进行分解和探测，直到获得不 具有多重分形特性的分支样本序列为止。
[0015] 具体的，
[0016] 获得所述样本序列的自相似指数值H，根据H值确定样本序列的自相似特性；
[0017] 计算所述具有自相似特性样本序列的多重分形谱，根据其多重分形谱开口Λ α 确定所述样本序列是否具有多重分形特性。
[0018] 优选的，
[0019] 当与所述预测值相对应的实际值到达时，计算所述样本序列实际值和其对应预测 值的误差值，组成残差序列；
[0020] 获取所述残差序列的自相关函数ACF并对所述残差序列进行白噪声检验；
[0021] 将所述实际值加入所述样本序列中组成新样本序列，获取所述新样本序列的自相 似指数Η' ；
[0022] 根据对所述残差序列的白噪声检验结果与所述新样本序列的自相似指数Η'，确定 新样本序列的适用预测模型，获得下一时间点的预测值。
[0023] 进一步的，
[0024] 所述根据对所述新残差序列的白噪声检验结果与所述新样本序列的自相似指数 Η'，确定新样本序列的适用预测模型，获得下一时间点的预测值的方法具体为：
[0025] 若所述新样本序列的自相似指数Η'与所述自相似指数H相同，且所述残差序列仍 为白噪声，则针对新样本序列使用所述样本序列相同的预测方法对下一时间点的值进行预 测；
[0026] 若所述新样本序列的自相似指数Η'与所述自相似指数H相同，且所述新残差序列 不是白噪声，则针对新样本序列进行多重分形后，针对所述经过分形后的序列使用所述原 样本序列采用的模型对下一时间点的值进行预测；
[0027] 若所述新样本序列的自相似指数Η'与所述自相似指数H不同，则对所述新样本序 列进行自相似长相关探测，根据所述探测结果结合所述新的自相似指数Η'对新样本序列重 新选择相应模型对下一时间点的值进行预测。
[0028] 具体的，
[0029] 所述采用FARIMA模型对样本序列进行建模预测，获得预测值的方法具体为：
[0030] 根据所述FARIMA模型结合所述样本序列X (t)的自相似指数H，计算其分数差分阶 数d ;
[0031] 根据以及所述分数差分阶数d对所述样本序列进行分数差分得到序列Y (t);
[0032] 对所述分数差分序列Y (t)进行季节探测获得其周期系数，对其进行周期为η的季 节差分，得到序列W(t);
[0033] 对所述序列W(t)进行ARM建模预测，得出预测值。
[0034] 具体的，
[0035] 所述采用ARMA模型对样本序列进行建模预测，得出预测值的方法具体为：
[0036] 对所述样本序列X (t)进行季节探测获得其周期系数，对其进行周期为m的季节差 分，得到序列M(t);
[0037] 对所述序列M (t)进行ARM (p，q)定阶；
[0038] 计算所述选定阶数的ARM (p，q)模型参数；
[0039] 根据所述确定阶数和模型参数的ARM(p，q)模型，对所述样本序列X(t)进行预 测。
[0040] 优选的，
[0041] 当所述各序列的自相似指数值0. 5〈H〈1，确定该序列具有自相似特性；
[0042] 当所述各序列的多重分形谱开口Λ α >0. 7,确定该序列具有多重分形特性。
[0043] 优选的，
[0044] 从移动网络数据库中选取数据业务业务量历史值作为样本，至少选取过去一个月 以上的样本数