层节点输出如式（1)，输出层节点输出入式（2)
^为此1'161：母小波基函数我力=(：〇3(；1.75)0_1!2/2，>%为输入层节点到隐含层节点的连 接权值，Wife为隐含层节点到输出层的权值，七为小波基函数的伸缩因子为小波基函数 的平移因子。
[0030] 3)计算小波神经网络预测误差如式（3) S =V-JF (3) V为实际输出，7为预测输出。
[0031] 4)更新网络权值和小波基函数系数如式（4)到式（9)
7为学习速率。
[0032] 5)若还有下一组数据，则读取下一组数据返回到1);若没有下一组数据则结束训 练。
[0033] 差分自回归移动平均（ARIM)算法训练过程： 对每一组参数(Pd)计算一个最小信息准则（AIC)值，选择最小信息准则（AIC)值最 小的一组参数为差分自回归移动平均（ARIM)算法的阶数。
[0034] 3、确定横向、纵向单指数平滑算法参数。
式（10)、（ 11)分别为横向和纵向对应的单指数平滑法数学表达式。式中\和&即为 横向和纵向精确度指标，' 和\即为横向和纵向I时刻预测误差值。确定一个单指数平滑 模型，需要确定式中两个参数f和权值系数A、巧。I取值与神经网络算法的输入层节点数 一致。将横向和纵向预测的历史误差值，按照提取历史流量数据相同的方法提取出误差序 列并取绝对值得到误差绝对值序列。利用误差绝对值序列训练单指数平滑算，按照最小均 方误差准则分别确定横向和纵向单指数平滑算法的A、％值，其取值范围为[0. 1-0. 9]。
[0036] 如图4所示，步骤4的具体实现步骤包括： 1、对t时刻到达的新数据，计算横向和纵向两个维度的数据流量预测模型在t时刻的 预测误差气，气。
[0037] 气=?-A (E) 式（12)、（13)中，x,和乃分别为！时刻横向和纵向预测的数据流量预测值，vf为！时刻 数据流量的真实值。
[0038] 2、用步骤2中得到的横向预测模型中数据流量预测模型和单指数平滑算法，分别 计算出横向数据流量预测值和横向精确度指标。用纵向预测模型中数据流量预测 模型和单指数算法，分别计算出纵向数据流量预测值和纵向精确度指标巧^。
[0039] 3、选择精确度指标较小的维度所对应的数据流量预测值为最终预测输出，若Atw 〈&#，则选择横向流量预测值％1，否则选择纵向流量预测模型预测值乃+r。
[0040] 本发明实施后，具有以下优点： 1、本发明通过将历史流量数据提取出横向流量序列和纵向流量序列，充分利用了历史 流量数据。
[0041] 2、本发明利用提取的横向流量数据序列和纵向流量数据序列电网，建立横向预测 和纵向预测模型，组合为一个二维预测模型。预测结果符合综合业务网数据流量的日周期 性，在保证非转折点处精度的同时，提高了预测算法在转折点的预测精度。
[0042] 本领域的技术人员应明白，本申请的实施例可提供为方法、装置（设备）、或计算 机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方 面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的 计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机 程序产品的形式。
[0043] 本申请是参照根据本申请实施例的方法、装置（设备）和计算机程序产品的流程 图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一 流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算 机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理 器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生 用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能 的装置。
[0044] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特 定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指 令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或 多个方框中指定的功能。
[0045] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计 算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或 其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图 一个方框或多个方框中指定的功能的步骤。
[0046] 尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造 性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括 优选实施例以及落入本申请范围的所有变更和修改。显然，本领域的技术人员可以对本申 请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变 型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在 内。
【主权项】
1. 一种电力综合业务网流量预测方法，其特征在于，所述方法包括： 步骤1:从电力综合业务网流量数据库中，提取出横向流量数据序列和纵向流量数据 序列； 步骤2 :建立二维预测模型； 步骤3 :读取I时刻的新数据，其中t当前采样时刻； 步骤4 :利用二维预测模型对i+r时刻的流量数据进行预测并输出预测结果，其中T为采样周期； 步骤5 :等待直到下一采样时刻返回步骤3。2. 根据权利要求1所述的方法，其特征在于，所述步骤1具体包括： 从电力综合业务网流量数据库中，提取一段长时间的历史流量数据； 把不同日期同一时刻的流量数据，按照日期从小到大排列成纵向数据流量序列； 把每一天内的数据按照时间从小到大排列，再按日期从小到大把数据排列成横向数据 流量序列。3. 根据权利要求2所述的方法，其特征在于，所述步骤2具体包括： 选择小波神经网络算法作为横向预测算法，选择差分自回归移动平均（ARIMA)算法作 为纵向预测算法； 利用横向流量数据序列对小波神经网络算法进行训练，得到横向流量预测模型； 利用纵向流量数据序列对差分自回归移动平均（ARIMA)算法进行训练，得到纵向流量 预测模型； 确定横向、纵向单指数平滑算法参数。4. 根据权利要求3所述的方法，其特征在于，所述利用横向流量数据序列对小波神经 网络算法进行训练，包括： 1) 读取一组数据; 2) 计算隐含层节点输出如式（1)，输出层节点输出入式（2)炉为Morlet母小波基函数奴功=COS(175)e^2,、为输入层节点到隐含层节点的连 接权值，化为隐含层节点到输出层的权值，气，?为小波基函数的伸缩因子，&为小波基函数 的平移因子； 3) 计算小波神经网络预测误差如式（3) v为实际输出，7为预测输出； 4) 更新网络权值和小波基函数系数如式（4)到式（9)g为学习速率； 5)若还有下一组数据，则读取下一组数据返回到1);若没有下一组数据则结束训练。5. 根据权利要求3所述的方法，其特征在于，所述利用纵向流量数据序列对差分自回 归移动平均（ARIMA)算法进行训练，包括： 对每一组参数计算一个最小信息准则（AIC)值，选择最小信息准则（AIC)值最 小的一组参数为差分自回归移动平均（ARIMA)算法的阶数。6. 根据权利要求3所述的方法，其特征在于，还包括：通过公式（10)、（ 11)分别计算所 述确定横向、纵向单指数平滑算法参数7. 根据权利要求2所述的方法，其特征在于，所述步骤4具体包括： 首先，对t时刻到达的新数据，计算横向和纵向两个维度的数据流量预测模型在t时刻 的预测误差气，'，式（12)、（ 13)中，巧和只分别为^时刻横向和纵向预测的数据流量预测值，v,为#时刻 数据流量的真实值； 其次，用所述步骤2中得到的横向预测模型中数据流量预测模型和单指数平滑算法， 分别计算出横向数据流量预测值和横向精确度指标4#，用纵向预测模型中数据流量 预测模型和单指数算法，分别计算出纵向数据流量预测值7,+r和纵向精确度指标5jw; 最后，选择精确度指标较小的维度所对应的数据流量预测值为最终预测输出，若 〈，则选择横向流量预测值?，否则选择纵向流量预测模型预测值。
【专利摘要】本申请提供一种电力综合业务网流量预测方法，所述方法包括：步骤1，从电力综合业务网流量数据库中，提取出横向流量数据序列和纵向流量数据序列；步骤2，建立二维预测模型；步骤3，读取时刻的新数据，其中t当前采样时刻；步骤4，利用二维预测模型对时刻的流量数据进行预测并输出预测结果，其中T为采样周期；步骤5，等待直到下一采样时刻返回步骤3。
【IPC分类】H04L12/24
【公开号】CN104993966
【申请号】CN201510414563
【发明人】冯伟东, 孙勇, 罗欢, 张天魁
【申请人】国家电网公司, 国网湖北省电力公司信息通信公司, 北京创铭科技有限公司
【公开日】2015年10月21日
【申请日】2015年7月15日