[发明专利]基于ARMA-ARCH模型族的GSM通信系统GPRS数据业务的预测方法

说明书

技术领域：

本发明涉及GSM通信，尤其是通信系统中GPRS数据业务流量的预测技术领域。

背景技术：

纵观无线移动通信市场的发展趋势，近年来呈现的一个明显特征是用户对于移动数据业务的需求不断上升。尤其是近几年随着移动通信市场竞争加剧，移动话务业务的资费已呈现下降趋势，而与话务业务收入持续下降形成鲜明对比的是数据业务正在形成新的收入增长点，而且这一新的收益源还将保持持续增长态势。飞速增长的数据业务固然带来了无限商机，但也给移动通信运营商的网络容量和优化带来了新的挑战。GPRS网络作为目前移动通信运营商提供数据业务的主要承载网络，其网络质量的好坏直接影响了用户对移动数据业务使用的满意度。对通信过程中用于描述当前网络运行状态、性能的参数进行分析是无线通信网规划扩容、维护和优化的重要参考手段。提前预测网络的数据流量变化趋势，有计划的做好网络扩容和优化，对网络高质量和低成本运营至关重要，是一种任何国家的运营商都优先选择的统筹方案。

从已有的文献和专利检索结果来看，围绕时间序列预测问题已经取得了很多研究成果，有大量可以采用的成熟算法，比如ARMA模型、灰色系统理论、神经网络和支持向量机，这些算法和研究成果成为提升预测有效性的重要保障。但是针对GPRS数据业务的相关预测研究较少，但话务业务的相关预测研究则较成熟，对数据业务预测有参考作用。目前研究话务业务数据预测的方法中，无论是线性模型还是智能模型，大都是从数据本身值的大小考虑预测模型的建立，很少涉及从数据的波动性即方差角度来进行数据预测。

1982年，恩格尔[R.F.Engle，“Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation”，Econometrica，vol.50，no.4，pp.987-1007，1982]首次提出自回归条件异方差模型(ARCH)就是从波动性角度进行数据预测，在处理呈现波动聚集性序列时有着很好的解释和描述能力，并成功应用于解决英国通货膨胀指数波动性研究。为解决有时ARCH模型阶数过高的问题，波勒斯勒夫[T.Bollerslev，“Generalized autoregressive conditional heteroskedasticity”，Journal of Econometrics，vol.31，no.3，pp.307-327，1986]于1986年提出了广义自回归条件异方差模型(GARCH)。另外，在对ARCH模型的理论研究和应用中，人们发现时间序列的条件方差只依赖于有限个历史值，给ARCH模型带来了局限性，而GARCH模型就很好地解决了这个问题，使方差依赖全部历史值。

对于数据业务的分析及预测，国内外很少有学者做出研究，但是可以借助于分析话务量及其预测的方法，结合数据业务自身的特点，建立适合数据业务的预测模型，当然首先要分析数据业务和话务业务数据的异同点：

1)数据分布都依赖于一天中某些时间段

虽然近几年数据业务得到了极大的发展，但是人们对数据业务的使用远不及对话务业务的使用，话务业务已经深入到绝大多数人们的生活和工作中，可以说现代社会是离不开话务业务的，尤其是在工作中话务业务起着巨大作用。数据业务的普及率是远远不如话务业务的，虽然数据业务也开始应用在人们的工作中，但是大多数的应用来自人们的娱乐，比如：浏览网页、手机QQ、在线小说、在线视频观看、网络游戏等。这就决定了数据的业务的分布与话务业务数据分布是不同的。推测数据业务的高峰将出现在人们不工作，休息的时间；而话务业务将在工作时间和休息时间都可能出现高峰。图1(a)和(b)分别所示为一天24小时的话务量和数据分布曲线。

从图1我们可以发现，话务量具有以天为周期的特性。一天中有两个峰值，分别是上午的10∶00～11∶00和夜间的19∶00～20∶00，结合人们的实际生活习惯很容易理解。而数据流量的高峰来自20∶00～22∶00，这个时间段是大多数人休息的时刻了，另外在工作时间10∶00和14∶00左右数据流量也可以达到一个小高峰，说明数据业务也一定程度被应用在人们工作中。可见，无论是话务量还是数据流量，它们的大小和它所在的时间点息息相关。也就是说，这两种数据都依赖于一天中的某些时间段。

2)数据流量呈现以月为周期的季节性