据；
[0045] 对所述样本数据进行包括补足缺失数据的预处理；
[0046] 根据数据业务业务量预测需求以时间维度确定样本序列。
[0047] 本发明还公开了一种移动网络数据业务业务量的预测装置，其特征在于，所述装 置包括：
[0048] 数据获取单元，用于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；
[0049] 数据分析单元，用于对所述数据获取单元单元的样本序列进行自相似探测和多重 分形探测；
[0050] 预测单元，用于根据所述数据分析单元探测的所述样本序列特性，选择与其适应 的模型并进行数据预测；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。
[0051] 进一步的，所述装置还包括：
[0052] 分形单元，用于若所述数据分析单元探测的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；将所述分支样本序 列发送至数据探测模块进行探测后，所述预测单元对所述分支样本序列进行预测。
[0053] 具体的，
[0054] 所述分形单元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；
[0055] 所述数据分析单元对所述分形单元获得的多个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 所述分型单元继续对其进行分解，直到获得不具有多重分形特性的分支样本序列为止。
[0056] 具体的，所述预测单元进一步包括：
[0057] 模型选择模块，用于根据所述数据分析单元探测的所述样本序列特性，选择与其 适应的模型，发送给相应的模型预测单元进行预测；
[0058] FARIMA模型预测单元，用于对具有自相似特性的样本序列采用FARIMA模型对样 本序列进行建模预测；
[0059] ARMA模型预测单元，用于对不具有自相似特性的样本序列采用ARMA模型对样本 序列进行建模预测。
[0060] 具体的，所述数据分析单元进一步包括：
[0061] 自相似探测模块，用于计算所述数据获取单元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；
[0062]多重分形探测模块，用于计算经过所述自相似探测模块探测过的具有自相似特性 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。
[0063] 优选的，
[0064] 所述数据获取单元还包括：
[0065] 残差序列获取模块，用于计算所述样本序列实际值和其对应预测值的误差值，获 得残差序列；
[0066] 所述数据获取单元还用于接收与所述预测单元预测值相对应的实际值，加入到所 述样本序列中获得新样本序列；
[0067] 所述数据分析单元还包括：
[0068] 白噪声检验模块，用于对所述残差序列获取模块获得的残差序列进行白噪声检 验；
[0069] 所述自相似探测模块对所述数据获取单元获取的所述新样本序列计算自相似指 数Η' ；
[0070] 所述预测单元还包括：
[0071 ] 模型适用性确定模块，用于根据所述白噪声检验模块对所述残差序列的白噪声检 验结果与所述自相似探测模块计算的新样本序列自相似指数Η'，检验并确定所述新样本序 列使用的预测模型，发送给相应的模型预测单元进行预测。
[0072] 具体的，所述模型适用性确定模块完成模型确定的方法为：
[0073] 若所述自相似探测模块获得的新样本序列自相似指数Η'与所述样本序列自相似 指数H相同，且所述白噪声检验模块检验的残差序列仍为白噪声，则针对新样本序列使用 与所述样本序列相同的预测模型对下一时间点的值进行预测；
[0074] 若所述自相似探测模块获得的新样本序列的自相似指数Η'与所述样本序列自相 似指数H相同，且所述白噪声检验模块检验的新残差序列不是白噪声，则所述分形单元针 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与所述原样本序列相同的 预测模型对下一时间点的值进行预测；
[0075] 若所述自相似探测模块获得的新样本序列的自相似指数H'与所述样本序列自相 似指数H不同，则对所述新样本序列进行多重分形探测，根据所述探测结果结合所述新的 自相似指数H'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。
[0076] 具体的，所述预测单元采用FARIMA进行建模预测的方法为：
[0077] 根据所述FARIM模型结合所述样本序列X⑴的自相似指数H，计算其分数差分阶 数d ;
[0078] 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Y⑴；
[0079] 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);
[0080] 对所述序列W(t)进行ARM建模预测，得出预测值；
[0081] 具体的，所述预测单元采用ARMA进行建模预测的方法为：
[0082] 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；
[0083] 对所述序列M⑴进行ARMA (p，q)定阶；
[0084] 计算所述选定阶数的ARMA (p，q)模型参数；
[0085] 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。
[0086] 由上述技术方案可知，本发明所述的一种移动网络数据业务业务量的动态预测方 法，根据移动网络数据业务业务量的自身特点，通过先对样本序列进行自相似和多重分形 探测，根据探测的结果确定该样本序列适用的预测模型，避免对所有样本序列采用同样的 预测模型进行预测而产生的较大误差；同时引入动态预测方法，在样本序列中加入新到达 实际值，通过自相似指数和白噪声检验确定新样本序列特性是否发生变化，根据检验结果 确定适用的预测模型，不用每次都针对新到达数据进行新的建模预测，大大提高了预测效 率。
【附图说明】
[0087] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所 需要使用的附图作简单介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例， 对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获 得其他的附图。
[0088] 图1所示为本发明实施例一的方法流程图；
[0089] 图2所示为本发明实施例二的方法流程图；
[0090] 图3所示为本发明实施例二中的多重分形谱开口示意图；
[0091] 图4所不为本发明实施例二的方法流程图；
[0092] 图5所示为本发明实施例四的方法流程图；
[0093] 图6所示为本发明实施例五的方法流程图；
[0094] 图7所示为本发明实施例六的方法流程图；
[0095] 图8所示为本发明实施例六中19:00分支序列多重分形谱开口示意图；
[0096] 图9所示为本发明实施例六中19:00分支序列自相关函数ACF示意图；
[0097] 图10所示为本发明实施例六中误差序列自相关函数ACF示意图；
[0098] 图11所