利用周期分解的自回归预测模型预测VoLTE话务量的方法与流程

本发明属于电信网络运营支撑和大数据信令监测，具体涉及一种利用周期分解的自回归预测模型预测volte话务量的方法。

背景技术：

1、volte语音呼叫作为4g网络的语音解决方案，得到了广泛的应用。随着volte语音呼叫业务的增加，给通信容量增加了负担，也是对网络建设的巨大考验。同时随着通讯信息技术的不断发展，volte的语音呼叫和视频呼叫应用的越来越广，这些业务的增加对网络的建设有了更高的要求，使得人们对网络的运行状况要进行分析和研究来保障网络的性能。

2、因此不仅要对volte的话务量的特征进行分析，从理论上掌握volte话务量的变化情况，及时制定维持volte网络状态稳定的措施，还要采集网络运行的真实话务量数据进行实验分析和预测，进而建立一种符合volte话务量变化特性的volte话务量预测模型，通过对话务量的特性分析和预测，来评估网络性能，及时发现网络异常和故障，制定应对策略，维持网络的稳定，提高网络的服务质量。同时volte话务量预测研究也为接下来网络设计和管理，通信协议的制定和日常话务量的控制提供依据。因此对移动volte话务量进行建模预测对整个网络的建设具有非常重要的意义。

3、现有技术在对volte话务量进行预测时，通常通过回归滑动平均模型进行预测。回归滑动平均模型适用于线性预测，通过时间序列预测的方式，但是这种模型只适合于volte话务量波动性不太大的模型，而对于通信链路波动性较大的情况，该预测模型预测结果不够准确。因此，现有技术的volte话务量预测方法精度较低。

技术实现思路

1、鉴于上述的分析，本发明旨在公开了一种利用周期分解的自回归预测模型预测volte话务量的方法，解决volte话务量进行准确的建模与预测问题。

2、本发明公开了一种利用周期分解的自回归预测模型预测volte话务量的方法，包括：

3、步骤s1、对历史volte话务量数据的预处理得到第一数据序列；所述第一数据序列为从当前时间往前推的历史时间内每固定时间间隔的话务量指标数据；

4、步骤s2、对第一数据序列进行平滑处理后得到第二数据序列；

5、步骤s3、对第二数据序列进行自相关处理和偏相关处理得到自回归的自相关阶数和移动平均的偏相关阶数；

6、步骤s4、基于自相关阶数、偏相关阶数以及设定的预测小周期数和预测大周期数，分别建立基本预测模型、小周期预测模型和大周期预测模型；采用第二数据序列，利用最小二乘法，分别对基本预测模型、小周期预测模型和大周期预测模型的模型参数进行估计；

7、步骤s5、将模型参数估计好的基本预测模型、小周期预测模型和大周期预测模型组合得到双周期的话务量模型，用于volte话务量预测。

8、进一步地，在步骤s2的平滑处理中，采用循环减差处理，实现第一数据序列的数据平滑得到第二数据序列；

9、所述循环减差处理中，将历史数据的连续的多个时刻的值进行平滑化的处理后，得到t时刻的滤波结果。

10、进一步地，所述循环减差过程中，

11、

12、其中，yt为循环减差后得到的t时刻的滤波结果；xt为第一数据序列中当前t时刻的数据的值，xt-i为t时刻之前的第i个数据的值，xt+i为t时刻之后的i个数据的值；α为平滑参数α∈(0,1)，n为循环减差过程中i的取值范围。

13、进一步地，在步骤s3中，通过第二数据序列的自相关图像和偏相关图像得到自回归的自相关阶数p和移动平均的偏相关阶数q；

14、在以纵坐标为相关系数，横坐标为阶数的自相关图像和偏相关图像中，选取自相关图像的最小周期数作为自相关阶数p，选取偏相关图像的最小周期数作为的偏相关阶数q。

15、进一步地，在步骤s4中，基于自相关阶数p、偏相关阶数q建立的基本预测模型：

16、

17、其中，l代表的是预测的步长，t＝l-j；为在t时刻采用基本预测模型以步长l进行预测的预测值；φj为基本预测模型自回归的相关系数，p为自回归的相关阶数，θj为基本预测模型移动平均的偏相关系数，q为移动平均的偏相关阶数，为预测的误差均值系数。

18、进一步地，在步骤s4中，基于自相关阶数p、偏相关阶数q和预测大周期数s1建立的大周期预测模型：

19、

20、其中，l代表的是预测的步长，t＝l-j；为在t时刻采用大周期预测模型以步长l进行预测的预测值；φj为大周期预测模型自回归的相关系数，p为自回归的相关阶数，θj为大周期预测模型移动平均的偏相关系数，q为移动平均的偏相关阶数，为预测的误差均值系数。

21、进一步地，在步骤s4中，基于自相关阶数p、偏相关阶数q和预测小周期数s2建立的小周期预测模型：

22、

23、其中，l代表的是预测的步长，t＝l-j；为在t时刻采用小周期预测模型以步长l进行预测的预测值；γj为小周期预测模型自回归的相关系数，p为自回归的相关阶数，ψj为小周期预测模型移动平均的偏相关系数，q为移动平均的偏相关阶数，为预测的误差均值系数。

24、进一步地，采用基于线性最小方差预测原理的多步astrom递推预报算法分别对基本预测模型、大周期预测模型和小周期预测模型进行预测分析。

25、进一步地，在预测过程中，建立的预测误差为：

26、

27、其中，εt+l,εt+l-1,…,εt+1为步长l中各时刻的预测误差，ψ0,ψ1,…,ψl-1为步长l中各时刻的预测误差的系数；yt+l为t+l时刻的第二数据序列的数据值，为被估计的模型对t+l时刻的预测值；

28、建立的预测置信区间为：95％的置信区间：

29、进一步地，在步骤s5中，将模型参数估计好的基本预测模型、小周期预测模型和大周期预测模型组合得到双周期的话务量模型为：

30、

31、其中，l代表的是预测的步长，t＝l-j；为在t时刻采用双周期的话务量模型以步长l进行预测的预测值；p为自回归的相关阶数，q为移动平均的偏相关阶数；φj为在基本预测模型中估计出的自回归的相关系数，θj为在基本预测模型中估计出的移动平均的偏相关系数，φj为在大周期预测模型中估计出的自回归的相关系数，θj为在大周期预测模型中估计出的移动平均的偏相关系数，γj为在小周期预测模型中估计出的自回归的相关系数，ψj为小周期预测模型估计出的移动平均的偏相关系数；为t时刻双周期的话务量模型的预测值，为t时刻双周期的话务量模型预测的误差均值系数。

32、本发明可实现以下有益效果之一：

33、本发明的利用周期分解的自回归预测模型预测volte话务量的方法，基于volte话务量具有突发性和周期性的特点，实现更加准确的对volte话务量进行建模与预测；使网络运维人员可以提前掌握volte话务量的变化特征和趋势，制定合理有效的话务量管理策略，提高通信服务质量。

34、本发明可以减小volte话务量突发性对预测结果准确性的影响，在对历史话务量数据的处理上，采用了动态平滑处理，经过这样的处理后，输入预测模型的数据会变得更加平稳，从而使得预测的结果更准确。

35、由于volte话务量具有周期性的特点，为了提高预测的准确性采用了双周期叠加的方法对volte的话务量进行预测。按照52周的大周期提取volte话务量的大规律趋势，再按照7天小周期提取按天的变化趋势，最后，把两种预测趋势规律进行叠加后得到最终的volte话务量的预测结果。由于该方法考虑到了volte话务量周期性的规律，所以，该方法预测的准确性很高。