[发明专利]一种基于时序预测移动网络性能的方法及其系统

权利要求书

1.一种基于时序预测移动网络性能的方法，其特征在于，包括以下步骤：

S1、获取数据源中的数据流A，并发送数据流A给数据收集模块；

S2、数据收集模块对数据流A进行提取后生成数据流B，并发送数据流B给数据处理模块；

S3、数据处理模块对数据流B处理后生成数据流C，数据流C分为两个部分，一部分为训练数据流C1,另一部分为预测数据流C2，发送训练数据流C1给模型训练模块；

S4、模型训练模块采用差分自回归移动平均算法和线性算法对训练数据流C1进行训练并生成差分自回归移动平均模型和线性模型，然后将所述差分自回归移动平均模型和线性模型发送给预测模块；

S5、预测模块对预测数据流C2进行预测，根据预测结果进行处理生成数据流D，将数据流D发送给分布式存储数据库。

2.根据权利要求1所述的一种基于时序预测移动网络性能的方法，其特征在于，所述步骤S1中的数据流A包括：

移动网络各网元的配置数据、性能数据、测量数据、信令面和用户面详单数据、DPI数据、告警数据。

3.根据权利要求1所述的一种基于时序预测移动网络性能的方法，其特征在于，所述步骤S2中的数据流B包括：

移动网网元流量指标、利用率指标和用户相关指标。

4.根据权利要求1所述的一种基于时序预测移动网络性能的方法，其特征在于，所述步骤S3包括：

S3.1、统一时间格式，通过格式转换将每一列时间数据都设置为统一的固定的格式；

S3.2、统计数据流B中缺失值占比超过阈值的待预测指标，如果缺失值占比超过阈值的指标则不进行预测，并进行缺失值处理，所述缺失值处理包括通过历史数据的移动平均值对缺失值进行填充；

S3.3、对数据流B的异常值采用分箱法进行处理；

S3.4、对数据流B进行有效性标识，将通过数据重组的数据流B分为按时间周期提取的数据，并生成数据流C。

5.根据权利要求1所述的一种基于时序预测移动网络性能的方法，其特征在于，所述步骤S4包括：

S4.1、对训练数据流C1中流量过高且周期性明显的基站数据进行参数调整，确定自回归阶数p、差分次数d和移动平均阶数q的阶数，并根据p和q获取参数调整值x_t，其具体表达式为：其中，是自相关系数，μ_t与μ_t-i是误差项，θ_i为系数。

S4.2、结合差分自回归移动平均算法和参数调整值x_t对训练数据流C1进行建模得到差分自回归移动平均模型；

S4.3、对处理后的训练数据流C1进行线性建模获取线性模型，其表达式为：其中，y为当前值，X为索引。

6.根据权利要求1所述的一种基于时序预测移动网络性能的方法，其特征在于，所述步骤S5包括：

S5.1、分别使用差分自回归移动平均模型和线性模型对预测数据流C2进行预测，获取数据流D；

S5.2、计算差分自回归移动平均算法与线性模型预测值的加权平均值，其表达式为：y_pre＝w₁y_model1+w₂y_model2，其中，y_pre为预测值，w1为差分自回归移动平均模型权数，y_model1为差分自回归移动平均模型的总体数值，w₂为线性模型权数，y_model2为线性模型的总体数值；

S5.3、分别找到预测数据流C1和数据流D中数据大于和小于均值的数据，并求出这些数据的均值，用数据流D乘均值系数，将数据流D放大到与预测数据流C1一个区间，其表达式为：

其中，y_{pre[y＞mean]}为预测值中大于均值的数据，mean代表求均值，y_[y＞mean]代表真实数据组大于均值的数据；

S5.4、对数据流D进行差分处理，处理掉异常值并存放在分布式存储数据库中；

S5.5、生成最终结果。

7.一种基于时序预测移动网络性能的系统，其特征在于，包括数据源模块、数据收集模块、数据处理模块、模型训练模块和预测模块，其中：

数据源模块，用于获取数据源中的数据流A，并发送数据流A给数据收集模块；

数据收集模块，用于提取数据流A并生成数据流B，发送数据流B给数据处理模块；

数据处理模块，对数据流B处理后生成数据流C，数据流C分为两个部分，一部分为训练数据流C1,另一部分为预测数据流C2，发送训练数据流C1给模型训练模块，发送预测数据流C2给预测模块；

模型训练模块，用于采用差分自回归移动平均算法和线性算法对训练数据流C1进行训练并生成差分自回归移动平均模型和线性模型，并发送给预测模块；

预测模块，用于对预测数据流C2进行预测，根据预测结果进行处理生成数据流D，将数据流D发送给分布式存储数据库。