[发明专利]小区网络流量预测方法及装置

说明书

本发明实施例公开一种小区网络流量预测方法及装置，能提高小区网络流量预测的精度和准确度。方法包括：获取待预测小区历史一段时间内的流量数据，根据所述流量数据生成流量时间序列；将所述流量时间序列输入预先训练好的预测模型，得到所述待预测小区的流量预测结果，其中，所述预测模型为单整自回归移动平均模型、灰色预测模型和小波神经网络模型的加权组合，所述加权组合的权重根据人工蜂群算法确定。

技术领域

本发明实施例涉及通信技术领域，具体涉及一种小区网络流量预测方法及装置。

背景技术

小区流量是表示小区忙闲程度的一个重要指标，它是指在一段时间内，经过该小区的所有数据量的总和。小区流量的变化，表现了该小区内用户使用数据业务的变化情况，且成正相关。为了掌握网络流量动态变化趋势，为异常流量安全监控、网络资源分配规划以及优化网络协议性能提供依据，需要对小区流量进行预测。

目前，有一种使用BP(Back Propagation，反向传播)神经网络模型的网络流量预测方法，主要包括如下步骤：通过小波包分解对原始网络流量时间序列信号数据进行预定层数序列分解得到子序列；根据子序列建立BP神经网络模型，并利用飞蛾纵横交叉捕焰算法自适应调整BP神经网络模型的阈值和权值；根据调整后的阈值和权值，利用BP神经网络模型对子序列进行优化，得到子序列预测值；将子序列预测值进行叠加重构得到网络流量的预测结果。该使用BP神经网络模型的预测方法，可以识别复杂的非线性系统，但模型中的参数具有很大的随机性，网络在训练时容易陷入局部最优导致模型逼近能力弱、预测精度不高。

发明内容

针对现有技术存在的不足和缺陷，本发明实施例提供一种小区网络流量预测方法及装置。

一方面，本发明实施例提出一种小区网络流量预测方法，包括：

S1、获取待预测小区历史一段时间内的流量数据，根据所述流量数据生成流量时间序列，其中，所述流量时间序列包括按时间顺序从前到后排列的多个流量值，所述多个流量值中的每一个流量值均对应一个时间点，所述多个流量值中的第一个流量值为所述待预测小区在第一时间段内的流量数据的总量，所述第一时间段为该第一个流量值对应的时间点与初始时间点之间的时间段，所述初始时间点在所述第一时间点之前，所述第一时间段的时长为第一时长，对于所述多个流量值中除所述第一个流量值外的其它每一个流量值，该流量值为所述待预测小区在该流量值对应的时间点与所述多个流量值对应的时间点中该时间点前一个时间点之间的时间段内流量数据的总量，所述多个流量值对应的时间点中每两个相邻的时间点之间的时长为所述第一时长；

S2、将所述流量时间序列输入预先训练好的预测模型，得到所述待预测小区的流量预测结果，其中，所述预测模型为单整自回归移动平均模型、灰色预测模型和小波神经网络模型的加权组合，所述加权组合的权重根据人工蜂群算法确定。

另一方面，本发明实施例提出一种小区网络流量预测装置，包括：

生成单元，用于获取待预测小区历史一段时间内的流量数据，根据所述流量数据生成流量时间序列，其中，所述流量时间序列包括按时间顺序从前到后排列的多个流量值，所述多个流量值中的每一个流量值均对应一个时间点，所述多个流量值中的第一个流量值为所述待预测小区在第一时间段内的流量数据的总量，所述第一时间段为该第一个流量值对应的时间点与初始时间点之间的时间段，所述初始时间点在所述第一时间点之前，所述第一时间段的时长为第一时长，对于所述多个流量值中除所述第一个流量值外的其它每一个流量值，该流量值为所述待预测小区在该流量值对应的时间点与所述多个流量值对应的时间点中该时间点前一个时间点之间的时间段内流量数据的总量，所述多个流量值对应的时间点中每两个相邻的时间点之间的时长为所述第一时长；

预测单元，用于将所述流量时间序列输入预先训练好的预测模型，得到所述待预测小区的流量预测结果，其中，所述预测模型为单整自回归移动平均模型、灰色预测模型和小波神经网络模型的加权组合，所述加权组合的权重根据人工蜂群算法确定。