[发明专利]一种移动网络数据业务业务量的预测方法和装置

说明书

本发明公开了一种移动网络数据业务业务量的预测方法，所述方法包括下述步骤：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；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。同时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。采用本发明能够根据数据业务业务量的实际特点选择恰当的预测模型进行准确预测，填补现有技术中无法准确预测数据业务业务量的空白。

技术领域

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

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。

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。

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。

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

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：

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。

进一步的，

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。