示为本发明实施例七移动网络数据业务业务量的预测装置结构示意图。
[0099] 图12所示为本发明实施例八移动网络数据业务业务量的预测装置结构示意图。
【具体实施方式】
[0100] 为使本发明实施例的目的、技术方案、及优点更加清楚明白，以下参照附图对本发 明实施例提供的技术方案进行详细说明。
[0101] 目前的数据业务业务量的特性研究主要是针对Internet的，缺乏对移动互联网 的情况研究。另外，在Internet上的预测方案上，一方面说法不一，有自相似说，也有泊松 分布说。而针对自相似时，有FARIMA说，也有FARIMA失效说。在研究运营商实际上下行数 据量序列的自相似和多重分形特性时，明确了移动互联网流量序列在SGSN(Serving GPRS SUPPORT NODE，GPRS服务支持节点）粒度上同时存在泊松特性和自相似特性，其特性与忙 时还是闲时相关。并针对该特性设计了一种结合FARIMA和ARMA的综合预测方法，在保证 预测准确性同时，提高了预测的效率。
[0102] 请参见图1，为本发明实施例一提供的一种移动网络数据业务业务量的预测方法 流程图，该方法包括如下步骤：
[0103] 步骤SlOl :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。
[0104] 为保证预测结果的准确性，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据。
[0105] 对所述样本数据进行包括补足缺失数据的预处理。
[0106] 根据数据业务业务量预测需求以时间维度确定样本序列。可以小时为粒度、以天 为粒度或以一个时间段为粒度，可根据实际需求确定。
[0107] 移动网络数据业务业务量可以是各网元中Gb 口上下行流量数据，基于时间顺序 获取数据业务业务量，可以根据具体的业务需求以不同的时间粒度获取数据，实际操作中 常以小时为粒度，获取一个时间段内以每个小时为时间点的数据业务业务量构成样本序 列。
[0108] 步骤S102 :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：
[0109] 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。
[0110] 所述的探测结果，是指所探测的样本序列是否具有自相似特性和多重分形特性。 由于不具有自相似特性的数据业务业务量样本序列的分布特点接近泊松分布，因此采用 ARMA模型进行建模预测。单纯具有自相似特性而不具有多重分形特性的数据业务业务量样 本序列，由于其具备的自相似特性，可采用FARIMA模型对其进行建模预测。
[0111] 本方法中根据样本序列的自身特性，采用不同的模型进行建模预测，比统一采用 ARMA模型或统一采用FARIMA模型预测要准确率提高很多。
[0112] 由于移动网络数据业务业务量庞大,在选取样本序列时,样本序列很可能还具有 多重分形特性，在样本序列具有多重分形特性时，会导致预测结果的不准确，因此需要对样 本序列进行分解，消除样本序列的多重分形特性后，再采用实施例一所述的方法对其进行 预测。
[0113] 为了对具有多重分形特性的样本序列进行预测，基于本发明实施例一，如图2所 示，给出本发明实施例二。
[0114] 步骤S201 :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。
[0115] 可根据实际需求以不同时间粒度选取数据作为样本序列。
[0116] 以运营商SGSN网元为例，采集该网元中Gb 口上下行流量数据序列，粒度为小时。 取从2012-3-300:00:00开始到2012-9-1823:00:00中每个时间点的数据业务业务量构成 样本序列（每个小时为一个时间点)。如表1所示，截取中间的部分数据。Datetime表示获 取时间，XXXX表示某网元名称，Iu_PS uplink表示上行流量，Iu_PS downlink表示下行流 量。
[0117] 表1选取的数据业务业务量样本数据
[0118]
【主权项】
1. 一种移动网络数据业务业务量的预测方法，其特征在于，所述方法包括下述步骤： 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； 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： 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。
2. 根据权利要求1所述的预测方法，其特征在于，所述方法还包括： 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。
3. 根据权利要求2所述的方法，其特征在于，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： 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； 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。
4. 根据权利要求3所述的方法，其特征在于，所述方法还包括： 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； 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A a确定 所述样本序列是否具有多重分形特性。
5. 根据权利要求4所述的方法，其特征在于，所述方法还包括： 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； 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； 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H' ； 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H'，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。
6. 根据权利要求5所述的方法，其特征在于，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H'，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： 若所述新样本序列的自相似指数H'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； 若所述新样本序列的自相似指数H'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； 若所述新样本序列的自相似指数H'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。
7. 根据权利要求1-6中任一所述的方法，其特征在于，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： 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； 根据以及所述分数差分阶数d对所述样本序列