基于趋势拟合法、平滑法和ARIMA模型的流量预测.docxVIP

60

60 2023/07/DTPT

基于趋势拟合法、平滑法和

ARIMA模型的流量预测

1研究背景

随着宽带用户网络需求的快速增长和固网数据的大幅提升，运营商越来越重视宽带用户的使用体验，并投入更多的精力用于固网宽带网络设备的扩容和维护［1-2］，科学规划网络容量已成为运营商发展的重要议题。网络流量指标是评价网络管理质量的重要

——————————

收稿日期：2023-05-22

参数，对流量的预测是指依据设备历史数据对未来一段时间的流量进行建模与估计，相较于流量达到告警阈值后再升级设备，流量预测可以帮助网络管理员掌握网络变化的规律，更合理地安排预算、设备升级和割接计划，也极大地改善了用户上网体验。此外，随着运营商算力的提升，流量预测甚至可以应用到用户级别，为提供个性化服务做支撑，因此流量预测一直是网络研究领域的重要研究方向［3-5］。

通常当OLT上联口的宽带利用率峰值到达70%

时就需要开始考虑流量扩容［6］，同时用户的下行网络流量往往要高于上行网络流量，因此对OLT上联口的下行流量速率峰值进行时间序列的分析、预测具有重要意义，是OLT扩容的主要技术指标。

宽带设备的流量速率是网管系统记录的主要数据之一，OLT下行流量速率峰值数据可以看做是一组时间序列，对于时间序列的分析主要包括模型识别、模型拟合、模型诊断3个步骤［7］。

在模型识别阶段需要根据时间序列的时序图特征和统计量特征选择合适的模型。时间序列的统计学模型有很多，包括趋势拟合法、平滑法及ARIMA等模型。运营商积累了大量流量数据，但对这类数据的

处理往往比较粗犷，经常使用到的流量预测方法有线

性拟合法和移动平均法，这些方法操作简单，模型直观，但也存在拟合度低、预测效果差的缺点［8］。相比而言，Holt-Winters模型和ARIMA模型增加了更复杂的模型维度和参数类别，可以更充分地拟合复杂的流量

趋势及短期的随机趋势。

2建模及预测

选取一台典型的OLT的上联口，将其周末的下行速率峰值数据（以下简称流量数据）作为研究对象，时间跨度为2018年9月到2019年5月，共33周。将前30周数据作为训练集，后3周数据作为测试集。图1所示为流量数据训练集的时序图、自相关系数图（ACF）和偏自相关系数图（PACF）。

速率（/

速率（/Mbit/s）

800

700

600

2018-09—2019-05流量时序图

0 5 10 15 20 25 30

序列

1.0

0.8

0.6

ACF

ACF

0.2

0.0

-0.2

-0.4

自相关系数图

0 5 10 15 20 25

延迟

0.6

Par

PartialACF

0.2

0.0

-0.2

-0.4

偏自相关系数图

2 4 6 8 10 12 14

延迟

图1流量数据训练集的时序图和相关性分析

2.1趋势拟合法

趋势拟合法就是将时间作为自变量，对应的流量观察值作为因变量，建立序列值随时间变化的回归模型的方法。依据观察值的时序图，如果时序图中序列表现出线性的长期趋势，可以考虑使用线性拟合；如果长期趋势呈现出非线性特征，则可以尝试使用曲线拟合［9］。

从图1的流量时序图中可以看出流量趋势平稳上

升，呈现出线性趋势，因此进行线性拟合，结果如图2所示。

该线性拟合模型可以表示为：

900

速率（/

速率（/Mbit/s）

700

600

0 5 10 15 20 25 30

序列

图2线性拟合模型

xt=11.219t+612.671+εt,εt~N(0,62.732)（1）

序号预测值真实值误差率/%31960.4600895.637.2432971

序号

预测值

真实值

误差率/%

31

960.4600

895.63

7.24

32

971.6790

956.31

1.61

33

982.8980

941.13

4.44

平滑法

平滑法通过对过去数据的加权平均处理，减少短期波动对序列的影响，尽可能地展示数据的直观趋 势。

表1线性拟合模型的3期预测值与误差率

移动平均法是最常见的数据统计分析方法之一，通过计算过去n期数据的平均值作为预测值，其表达式为：

参数指数平滑模型，该模型除了可以拟合长期趋势，还可以拟合周期性变化。

考虑到图1流量时序图中仅包含递增趋势，为其

~ 1 建立Holt两参数指数平滑模型并进行3期数据预测，

x