通讯网络指标告警预测方法研究与应用.docVIP

通讯网络指标告警预测方法研究与应用 　　[摘要]：以时间序列ARMA模型为基础，加以BP神经网络的学习方法的模型，并利用区间估计的置信区间来过滤异常数据。对某通讯企业网络指标数据进行预测的结果表明，该模型与传统的模型相比具有较强的适应能力和较好的预测效果，从而验证了本模型与算法的可行性、有效性和可靠性。 　　[关键词]：预测；BP神经网络；ARMA模型；时间序列 　　中图分类号： TP 文献标识码：A文章编号：1002-6908（2007）0610048-02 　　 　　引言 　　 　　基于时间序列和神经网络的理论，提出了在通信企业的网络中心进行指标数据告警的预测模型。时间序列理论中的自回归滑动平均(ARMA)模型已经广泛应用于时间序列数据的预测中；神经网络上有的自组织、自适应和并行处理、强大的非线性映射能力、易于学习和训练的特点；利用这两种理论方法可以使数据的预测具有较快的预测速度、较高的预测精度和较强的泛化能力，并在预测的前期及后期利用统计方法对异常数据进行过滤，使之具备一定的抗干扰能力。 　　 　　1．预测方法 　　 　　 1.1时间序列的ARMA模型 　　 ARMA模型是一种深刻描述平稳时间序列底层生成机制与数据间相互关系的基本模型，ARMA模型将预测过程表述为预测数据依赖于现在的连续p个观测数据以及过去连续q个干扰数据，以及当前的一个随机扰动at,，用方程即表述为： 　　 1.1 　　 当Zt是零均值，方差为σ2的白噪声时，方程1.1可以表述如下： 　　 1.2 　　 　　其中 ， 分别为p阶自回归模型和q阶滑动平均模型，B为延迟算子，由于实际的数据总含有周期性、季节性、趋势性等非平稳的因素，在利用上式前需要采用常规差分和季节性差分等方法对数据进行处理，消除周期性、季节性、趋势性，使数据近似为平稳的时间序列再进行参数估计。 　　1.2 BP神经网络模型 　　BP神经网络学习不是简单的记忆已学过的输入，而是通过训练样本，学习隐含在样本中的有关系统本身的内在规律性，从而对未出现在训练集中的输入也能给出正确反应。其网络模型如图1所示，它是一个带权的前向网络。 　　 　　 图1 BP神经网络的结构 　　 BP神经网络的预测过程实际上是分为两步来完成： 　　 第一步：工作信号正向传播：输入信号从输入层经过隐层单元，传向输出层，在输出端产生输出信号，这是工作信号的正向传播。在信号的向前传递过程中网络的权值是固定不变的，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入误差信号反向传播。 　　第二步：误差信号反向传播：网络的实际输出与期望输出之间差值即为误差信号，误差信号由输出端开始逐层向前传播，这是误差信号的反向传播。在误差信号反向传播的过程中，网络的权值由误差反馈进行调节。通过权值的不断修正使网络的实际输出更接近期望输出。 　　以上两个步骤反复交替，直到收敛为止，从而得到能拟合该映射关系的BP网络。BP神经网络最重要的一个计算过程即权值的修正计算，标准BP算法的权值修正是沿着误差性能函数梯度的反方向进行的，本文对加入了惯性项以及采用了动态步长等参数，以加快网络的收敛速度，其权值的修正过程为： 　　 　　即 2.1 　　1.3 抗干扰的措施 　　业务数据中异常值可能会对预测的精确性有一定的影响，因此需要在预测前对样本数据进行抗干扰处理。可以采用区间估计的方法求出大多数样本所在的置信区间，从而就可以过滤到部分异常的数据。 　　对大样本数据采用正态分布去求边界误差 ，小样本数据采用自由度为n-1的t分析来求边界误差 ，因此样本的总体均值置信空间为： 　　 　　 　　其中 分别表示标准正态分布与t分布右侧面积为α/2时的z和t值。 　　考虑到时间序列的周期性的特点，可将样本数据按周期长度划分为多个不同的子序列，序列中的样本数据彼此相隔1个或多个周期。 　　对于每个子序列分别采用区间估计的方法来求出样本数据的置信空间，将处于此置信区间外的数据都可作为异常值过滤。 　　2．采用预测算法进行预测告警 　　2.1 预测告警的步骤 　　 采用预测算法进行设备指标数据告警的步骤如下： 　　 第一步：采集数据，根据网管底层程序采集的数据，并选择训练样本的规模(历史数据的长度)，一般来选择是的利用一个月的样本来预测下一周的指标数据。 　　 第二步：对时间序列进行预处理，包括过滤异常点，消除其季节性、周期性、趋势性等非平稳因素。 　　 第三步：采用时间序列和神经网络的模型进行样本训练，以期获得稳定的神经网络模型。 　　 第四步：利用此神经网络模型进行预测，在这里的预测过程是一个反复迭代的过程，当需要预测第2个值时，需要将前面预测的值作为