[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

说明书

本发明公开了一种基于时序预测移动网络性能的方法，包括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，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。

技术领域

本发明涉及时序预测方法技术领域，具体来说，涉及一种基于时序预测移动网络性能的方法及其系统。

背景技术

随着移动通信技术的不断发展，网络给人们带来了极大便利的同时，也使得移动流量呈现爆炸式增长，从而基站的移动网络性能优化问题变得越来越重要。一方面，在流量高峰期，大量基站呈现出负荷超过容量的问题，使得即使信号条件很好，网络速度也非常慢，给用户非常差的体验。另一方面，由于基站的潮汐现象，使得某些时段用户数量会大幅降低。这些问题可以通过对基站的频段控制、基站重新规划改善，解决忙时基站流量负载，闲时资源浪费的问题。而移动基站的指标预测对于关键基站的拥堵控制、基站规划有重要的作用，基站的指标数据不仅是区域的静态表现，同时也反映区域人员的流动特性，基站数据具有非线性混沌的特性，而传统的线性时间序列方法比如自回归移动平均模型难以有效的捕获实际基站流量序列中的非线性因素，同时，深度学习中的时间序列算法如长短期记忆神经网络需要的计算资源庞大，计算费时。

传统的自回归移动平均模型需要确定p、d和q的参数，而这对于每个基站进行建模需要维护的参数多，耗时长，传统的自回归移动平均模型难以有效的捕获实际基站流量序列中的非线性因素，因为自回归移动平均模型本身解决的是线性问题。传统的自回归移动平均模型的准确率并不高，会与实际的结果存在较大误差，传统的时间序列算法无法保证准确率。因此，需要一种基于时序预测移动网络性能的方法，能够结合大数据平台可实现对全网移动网络指标进行预测，实时勘测基站工作情况，精确指导基站规划和优化工作，显著节约无线网络运维成本。

发明内容

为解决现有技术中存在的问题，本发明提供一种基于时序预测移动网络性能的方法，具有采更高效率和更准确的优点，同时，本预测方法不仅局限于流量预测。

为实现上述目的，本发明采用的技术方案是：一种基于时序预测移动网络性能的方法，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。