[发明专利]一种基站流量的联合预测方法

说明书

本发明提出了一种基站流量的联合预测方法，用于解决当流量数据呈现非线性且存在突变值时，传统线性算法预测性能较差的问题。首先从基站采集流量数据作为数据集，对于异常值和缺失值进行数据预处理；接着采用小波变换来分解处理过的数据，使流量数据平滑，易于预测；而后对分解得出的序列进行单一重构，低频信号采用回声状态网络模型进行预测，高频信号采用自回归积分滑动平均模型进行预测；最后对单个序列的预测数值进行线性累和得出最终结果。本发明的联合模型方法较之于单一模型预测能够达到更好的预测精度，降低平均绝对百分比误差达6％，并在一定程度上降低归一化均方根误差；基站的流量数据预测准确性提高，有利于提高网络资源合理分配性。

技术领域

本发明涉及采用ESN、ARIMA模型预测基站流量的技术领域，尤其涉及一种基于小波分解变换联合回声网络状态的基站流量预测方法。

背景技术

随着无线通信技术的发展，流量预测已成为近年来最热门的研究课题之一。大规模的多媒体服务被认为是智慧城市最突出的特征之一。一方面，大多数用户更喜欢选择用移动设备在外上网，这将花费大量来自无线传输的流量数据，另一方面，通信运营商也需要知道某些区域使用的流量数据量，掌握区域流量数据的分配层次。当流量的峰值超过设备可承受的阈值时，应更换基站中的设备或对其进行流量供给的扩容，以保证数据传输的速度。

因此，基站的流量预测在无线通信技术中起着重要作用。用户体验质量(QoE)被认为是最突出的评估指标之一，已逐渐取代服务质量(QoS)来衡量用户体验。为了保证用户的QoE，思科和华为等知名网络设备提供商更加关注流量预测和流量趋势。显然，对于用户和网络设备提供商来说，流量预测仍然是一个紧迫的问题。

流量预测很大程度上取决于来自不同基站的历史流量数据。在科技飞速发展的情况下，流量数据呈现出各种不同的类型，这将增加模型或算法的复杂性。如今，可以预测流量数据的现有算法分为两种，即参数预测算法和非参数预测算法。具体而言，诸如自回归模型(AR)，自回归滑动平均模型(ARIMA)和滑动平均模型(MA)等一些模型可以通过时间序列分析来预测流量数据。但这些算法模型依然存在一些问题。众所周知，许多传统模型通常假设网络流量是线性的，因此采用线性技术进行预测。实际上，来自基站的大量流量数据并没有随着时间的推移显示出明显的规律性，因为它包含许多非线性因素，如基站的位置，不同的时间段等。一些常见的模型，如时间序列模型和线性回归模型只能在一定程度上解决流量数据之间的线性关系。随着深度学习算法的发展，一些神经网络可以很好地预测非线性的流量数据。总之，不同类型的算法或模型在流量数据中具有不同的性能。

发明内容

本发明目的在于提出了一种基站流量的联合预测方法，解决现有技术用于预测流量数据时准确率偏低的问题，

为了实现上述目的，本发明的技术解决方案为：一种基站流量的联合预测方法，其特征在于包括：

S1：收集通信运营商在基站中采集到的真实流量数据作为数据集，并进行数据预处理；

S2：对预处理过的数据进行一级以上的小波分解变换，分解为相对的高频分量和低频分量，并对每个分量所对应的各支序列进行单一重建；

S3：利用回声状态网络模型处理低频分量，利用自回归滑动平均模型处理高频分量，完成各单一序列分量的流量预测；

S4：将各单一序列的预测值进行线性累和，得到流量预测的输出结果。

进一步地，步骤S1中所述数据集包含千级个数的基站及对应各基站的流量数据，每条流量数据的字段属性信息至少包括基站的ID、基站的地理位置、数据的收集时间、基站日流量值和基站的覆盖区域。

进一步地，步骤S1中所述预处理指对每条流量数据中的缺失值，使用两个相邻值的平均值填充缺失值。