基于数据波动的短期态势分析方案

汪汀岚，王首峰，张冬晨，孟德香

（中国移动通信集团设计院有限公司，北京 100080）

基于数据波动的短期态势分析方案

汪汀岚，王首峰，张冬晨，孟德香

（中国移动通信集团设计院有限公司，北京 100080）

就基于海量网管信息，依据其数据波动规律，对其短期频谱资源使用态势等问题进行了研究探讨，提出了一种基于数据波动的短期态势分析方案。在保持网络稳定性及网络覆盖的基础上，减少不必要的空闲频谱容量，为频谱资源预警、设置载波参数提供有力支撑，提高经济效益和社会效益。

无线电频谱资源；预测；混沌时间序列；加权一阶局域法

1 引言

随着科学技术的发展，人们对无线电频谱的利用更趋频繁，使无线电频谱资源的稀缺程度不断加大。准确的短期预测，有助于经济合理地设置载波等参数，保持网络的安全稳定性的同时，减少空闲频谱资源，提高频谱资源的经济效益和社会效益。

论文基于改进相空间加权局域法的混沌时序预测和基于改进相空间加权局域法的混沌时序预测，讲解了两种改进型的混沌时序预测方法，但均没有联系实际问题[1，2]。论文基于混沌理论的话务量时间序列预测研究，研究了话务量时间序列依据混沌理论进行预测的方法，但未对数据流量、深层次网管提取的波动数据进行研究。

本文就基于数据波动的短期态势方案进行深入浅出的研究和分析，研究工作主要包括以下几个方面：分析移动网络网管历史波动数据；阐述基于数据波动的短期态势预测方案；研究短期态势分析方案中的误差及其补偿方案。

2 移动网络中网管历史波动数据分析

网管统计和DPI分析是目前网络可用的分析手段，DPI统计位于无线侧与核心网的接口，可以统计详细的业务量数据，但无法获取对应的无线侧资源消耗。同时，完整保存DPI数据所需存储空间较大。本文主要借助于广泛使用的网管统计指标，实现业务与网络承载资源关系的计算与判定，便于技术应用。下面对移动网络中网管历史波动数据进行详细的分析。

2.1 空间维度场景划分

同种载波配置情况下不同场景的无线利用率和数据业务量有较大区别，所以频谱态势分析中应分场景考虑无线资源使用。在应用场景特征的基础上，从空间上，精细化分析无线资源使用和需求的差异，如图1中所示，将业务承载情况依照象限进行划分，寻找小区业务承载的特征。

从图2中可以观测到车站场景情况下的业务分布中语音话务量占据主要部分。而在商业区场景中，语音话务量及数据业务量均较高。对比可以看出，商业区场景相对于车站场景的用户的业务量更大。

当训练过大量数据后，针对每种场景情况，挖掘出一个场景补偿参数Si，在短期预测后对结果进行补偿，进而使得分场景的研究短期态势预测方案更加准确。目前DPI刚刚部署，未来考虑结合DPI数据分析，给出基于数据业务分类的精细化流量经营和网络分担评估。

图1 业务象限分析

2.2 时间维度数据波动

不同应用场景，从图3移动网络中网管历史波动数据中可以观察到，从时间上精细化分析无线资源使用和需求的差异主要有两种形式：（1）具有依照时间上的不同周期性重复规律，其中部分样本点属于平滑小幅度波动点，其余样本点属于周期性出现的波谷点；（2）由于突发因素导致的非周期性峰值，小区网管历史波动数据平缓波动中突现BURST点；（3）网管历史波动数据波动平缓，无明显周期性和BURST点出现。

3 基于数据波动的短期态势预测方案

综合空间及时间维度，本文提出基于数据波动的短期态势预测方案，该方案针对不同特征的历史波动数据进行不同的处理。

3.1 周期性波动数据处理方案

周期性波动数据的规律可建模为平滑小幅度波动样本点集和波谷样本点集，令样本点属于平滑小幅度波动点，A(i)＝{A1，A2， A3……An}；

样本点属于周期性出现的波谷点， B(i)＝{B1，B2，B3……Bn}。

分离两种样本点进行分部预测，基于每个小区的网管历史波动数据，寻找出具有周期性小区的周期性序列T(i)＝{T1，T2， T3……Tn}。计算得出A(i)和B(i)的数列差A｀(i)＝{A｀1， A｀2， A｀3……A｀n}和B｀(i)＝{B｀1，B｀2， B｀3……B｀n}。

其中，

A｀(i)＝Ai+1－Ai（1）

B｀(i)＝Bi+1－Bi（2）

基于混沌理论，预测点的演化行为可有其邻近点的演化行为反应出来，即在相空间中寻找预测点的最邻近点，并将此最邻近点在轨道的下一点作为预测值输出，为了达到更好的预测精度，邻近点可以选择多个[1]。只要能够实时地拟合局部模型的系数，就能够较精确的反映整个吸引子的演化特性。

图2 空间上精细化分析无线资源使用和需求的差异

图3 移动网络中网管历史波动数据

预测值可能的取值波动建模为多位相空间。在相空间中找到与参考点最相似的（m+1）个相点，并根据这（m+1） 个相点演化一步的规律进行一步预测。

时间序列{x1， x2， x3…xn}中n为序列长度。根据Grassberger-Procaccia算法[2～4]可得出关联维度d，选定嵌入维数m=2d+1，然后求取平均轨道周期t，根据t=(m-1)τ得出延迟时间τ[5，6]，然后重构相空间：Yi=(xi，xi+τ，…，xi+(m-1)τ)，i=1，2，…， M， M是重构相空间中相点的个数，M=N-(m-1)τ。设中心点YM的邻近点为YMi，i=1，2，…q，令到YM的间距为di，设dmin是di中的最小值，设定点Yki的权值为：

令参考向量集{YMi}， i=1， 2，…q，表示中心点YM的第k步演化后的相点集合。对{YMi}进行一阶局域线性拟合，

YMi+k=ake+bkYMi（4）

其中， i=1，2， …q，利用加权最小二乘法计算得，

以ak，bk为变量等式两边求偏导，

化简，

简写为，

求解方程，

求得，

对于混沌时间序列，相空间中一对最近邻随时间演化遵循的是一种指数规律e-λt，当嵌入维数m＞1，且需进行k，其中k＞1步进行预测时，可以类似应用加权一阶局域法一步预报模型，根据这(m+1)个相点演化出第k步的规律。根据求得的ak、 bk， 代入k步的预测公式YM+k=ake+bkYM中，得出演化k步后相点的预测值YM+k。

YM+k=(xM+k， xM+k+τ， …， xM+k+(m-1)τ) （11）

其中，YM+k中的第m个元素xM+k+(m-1)τ即为原序列的k步的预测值N+k。计算出序列差后与前一点值相加即为预测点值。

3.2 突发BURST数据预测

对于无规律的突发数据点，需要结合设备和相应日期的活动事件进行统计分析。

如果是基站设备问题，则进行设备维护及维修。

如果是特殊活动，记录入特殊活动集C(i)={C1，C2， C3……Cn}，采用混沌时间序列预测法中的加权一阶局域预测法，建立基于空间场景的时序分析。基于空间场景的时序分析分类示意如图4所示。

图4 基于空间场景的时序分析分类示意图（学校）

对于小区网管历史波动数据波动平缓无周期性或BURST点，采用混沌时间序列预测法中的加权一阶局域预测法。

4 数据验证和分析

4.1 最大可预报时间

基于中国移动某省公司某网络底层网管数据，以采集得到的100个数据点，每增加50个点计算一次，得到的时间序列最大Lyapunov指数及其最大可预报时间，如表1所示。

表1 底层网管数据时间序列最大Lyapunov指数及其最大可预报时间

所求底层网管数据时间序列的最大Lyapunov指数均为正数，由此可确定此时间序列具有混沌特性。

4.2 数据验证

基于中国移动某省公司某网络底层网管数据时间序列进行预测，得到的参数a，b的计算结果、预测值如表2所示。

表2 加权一阶局域法参数计算值及预测结果

经过对省公司底层网管数据的验证和分析，表明加权一阶局域预测法具备拟合速度快的特性，但需要实时地拟合系数a、b，受精度计算的影响，这在一定程度上影响了预测精度，将在后续研究中进一步改进。

4.3 误差分析及补偿方案

加权一阶局域法预报模型是依据参考相点来预测下一个相点的数值，对于一步预测而言，所得到的预测相点中，前（m-1）个相点在实际上都是时间序列中的已知点，只有第m个相点才是所求的未知点，将前（m-1）个相点与已知时间序列中的相应点进行比较，

TN915

A

1008-5599（2015）03-0076-05

2014-07-31