[发明专利]流量预测方法、装置、计算设备及计算机存储介质

说明书

本发明实施例涉及通信网络技术领域，公开了一种流量预测方法、装置、计算设备及计算机存储介质，该方法包括：根据待预测小区的流量数据绘制时间序列；根据所述时间序列随时间的变化趋势以及季节趋势构建时间序列模型；应用至少一个预测模型与所述时间序列模型进行拟合；选择拟合效果最优的所述预测模型对所述待预测小区进行流量预测。通过上述方式，本发明实施例能够预测未来小时级流量变化情况，缩短了预测时间，使得能够及时发现网络异常行为，提高网络服务质量。

技术领域

本发明实施例涉及通信网络技术领域，具体涉及一种流量预测方法、装置、计算设备及计算机存储介质。

背景技术

通过对流量序列自相似性分析，提出一种差分自回归移动平均模型(Autoregressive Integrated Moving Average Model，ARIMA)补偿极限学习机(Extremelearning machine，ELM)的流量预测方法；首先利用ELM对流量序列进行预测，然后对流量预测的误差序列通过ARIMA模型进行修正，最后将ELM预测值与ARIMA模型修正值进行叠加得到最终的预测值。其利用ARIMA模型对预测误差数据进行拟合，将ELM的预测值与ARIMA预测的残差进行叠加得到最终的预测值。

在实现本发明实施例的过程中，发明人发现：现有技术需要先通过ELM进行预测，再利用ARIMA模型对预测误差数据进行拟合，最终完成高精度预测，预测过程时间较长。

发明内容

鉴于上述问题，本发明实施例提供了一种流量预测方法、装置、计算设备及计算机存储介质，克服了上述问题或者至少部分地解决了上述问题。

根据本发明实施例的一个方面，提供了一种流量预测方法，所述方法包括：根据待预测小区的流量数据绘制时间序列；根据所述时间序列随时间的变化趋势以及季节趋势构建时间序列模型；应用至少一个预测模型与所述时间序列模型进行拟合；选择拟合效果最优的所述预测模型对所述待预测小区进行流量预测。

在一种可选的方式中，所述根据待预测小区的流量数据绘制时间序列之前，包括：根据预设条件筛选所述待预测小区，其中，所述预设条件为小区为高负荷小区或弱覆盖小区；获取所述待预测小区的流量数据。

在一种可选的方式中，在所述根据所述时间序列随时间的变化趋势以及季节趋势构建时间序列模型之前，包括：若所述时间序列为非平稳序列，则对所述流量数据进行差分运算，化为平稳时间序列。

在一种可选的方式中，所述根据所述时间序列随时间的变化趋势以及季节趋势构建时间序列模型，包括：在所述时间序列模型中拟合入季节性趋势，所述季节性趋势s(t)满足以下关系式：

其中，t为时间，a_n、b_n为傅立叶系数，n为整数。

在一种可选的方式中，所述根据所述时间序列随时间的变化趋势以及季节趋势构建时间序列模型，还包括：在所述时间序列模型中拟合入节假日效应，所述节假日效应h(t)满足以下关系式：

其中，t为时间，N表示有节假日总个数，D_i表示该节假日前后一段时间，C_i表示影响节假日的范围。

在一种可选的方式中，所述根据所述时间序列随时间的变化趋势以及季节趋势构建的时间序列模型满足以下关系式：

y(t)＝g(t)+s(t)+h(t)+∈_t

其中，t为时间，y(t)为观察值，g(t)为随时间的变化趋势项；s(t)为季节性趋势项；h(t)为节假日效应项；∈_t为误差项。