Prophet混合模型应用于基站网络流量长期预测.docxVIP

? ? Prophet混合模型应用于基站网络流量长期预测 ? ? 张家晨，左兴权，黄 海，韩 静，张百胜 1.北京邮电大学 计算机学院（国家示范性软件学院），北京 100876 2.中兴通信股份有限公司，上海 201203 随着5G网络以及移动端设备的逐渐普及，人们对于移动数据流量的需求不断增加。随之而来的数据流量将会以指数形式增长，对于网络运营商而言，提供不受阻碍、无处不在的高质量服务意义重大。其中，如何建立准确的长周期预测基站小区网络流量的模型，以指导运营商扩容基站小区无线设备将是一个挑战。 基站小区网络流量通常以时间序列的形式呈现，预测周期可分为短周期时间序列预测（预测时长按分钟、小时和天）和长周期时间序列预测（预测时长按天、周和月）。短周期的基站小区网络流量预测相对成熟，主要包括三类方法，即传统统计模型建模方法、神经网络顸测方法、基于序列分解结合以上两种方法的混合模型方法。 传统统计模型建模方法主要包括自回归模型（autoregressive model，AR）[1]、滑动平均模型（moving average model，MA）[2]、回归滑动平均模型（autoregressive moving average model，ARMA）[3]、差分整合移动平均自回归模型（autoregressive integrated moving average model，ARIMA）[4]等模型及其改进。文献[5]使用线性回归和非线性回归方法，对4G基站流量进行预测，实验结果表明非线性预测算法性能优于线性机器学习算法对基站流量进行直接建模。文献[6]使用自回归滑动平均模型与三指数平滑模型，预测上传和下载热点的流量，结果表明三指数平滑模型具有更好的预测性能。文献[7]提出了基于SARIMA（seasonal auto regressive integrated moving average）模型对网络流量进行预测，实验表明当预测步长小于10时，预测精度更高。 用于网络流量预测的神经网络模型包括循环神经网络（recurrent neural network，RNN）[8]、BP神经网络（back propagation neural network，BPNN）[9]及其变体[10]。文献[11]利用RNN为网络流量建立预测模型，可准确预测各种网络应用场景下的流量变化趋势。文献[12]利用萤火虫群算法优化BP神经网络，对网络流量进行预测，仿真结果表明该算法具有较高的预测精度。 当前，以“分解和集成”方法为基础的混合模型预测方法在网络流量预测中表现良好。文献[13]提出基于EEMD与RBF神经网络组合模型对网络流量进行预测。文献[14]为了解决自相似网络流量预测，提出了集合EMD和ARMA的组合模型。文献[15]基于小波分解联合使用长短期记忆网络（long short-term memory，LSTM）模型，该组合预测模型在预测流量突发性方面的性能优于普通的LSTM网络模型。文献[16]提出了一种基于小波变换和SARIMA模型的方法，该方法比单一预测模型具有更高的预测精度。文献[17]提出基于经验模态分解（empirical mode decomposition，EMD）和支持向量机（support vector machine，SVM）模型对网络流量进行预测，比单独使用SVM模型具有较高的准确度。文献[18]提出小波分解联合BP神经网络的方法对网络流量进行预测，通过使用一种自适应学习率的方法对BP进行优化以提高预测准确度。 可以看出，以上研究大多对基站网络流量进行短期预测，缺乏长期预测研究，而只有对基站网络流量进行长期预测，才能更有效地指导基站的扩容。此外，基站网络流量数据存在较大的噪声以及数据缺失现象，当前方法普遍未全面考虑这些情况，导致难以保证实际预测效果。 本文提出了一种结合EEMD与Prophet模型的基站小区网络流量长期预测方法（E-Prophet）。EEMD是对EMD分解方法的一种改进，解决了EMD因极值点分布不均匀导致的“模式混合”现象，通过EEMD分解能够对信号进行平稳化处理，将时间序列分解为具有不同时间尺度的分量序列。相比小波分解，EEMD不依赖基函数且具有很好的自适应性。Prophet模型[19]能把时间序列分解成不同的成分，其中趋势项成分对于具有长期趋势性的时间序列预测具有较好的效果，季节项成分对于具有周期性（年、月和星期）的时间序列具有较好的效果。Prophet模型已经应用于时间序列预测领域，例如，2019新冠肺炎的分析和预测[20]，以及对LTE（long time evolution）小区流量增长和拥塞预测[21]等。通过观察，发现基站小区网络流量数据具有一定周期性，与此同时由于小波分解采用不同的