基于时间序列分析及机器学习的移动网络业务量预测技术.docxVIP

?

?

基于时间序列分析及机器学习的移动网络业务量预测技术

?

?

江元杨波赵东来郑黎明武悦王钢

摘要：随着NB-IoT及5G网络建设的不断拓展，越来越多的物联网设备通过公共移动通信网络接入，传输数据至云计算服务器进行集中处理。通过移动通信网络承载物联网数据及业务，为车联网、广域感知及可穿戴设备等需要在更广范围内进行数据传输的场景提供有效的通信手段，同时也对移动网络自身提出了更高的要求，带来了网络流量的爆炸性增长。因此，对业务量的提前预测成为物联网时代移动通信网络的迫切需求。文中主要通过时间序列分析技术及机器学习方法对网络业务量及网络终端数量进行预测，并利用真实移动通信网络中业务量及终端数量进行仿真和验证，证明了所提方法的有效性，此外也证明了基于神经网络的机器学习方法在业务量及终端数量预测中相较传统方法具有更高的预测准确性。

关键词：物联网;时间序列分析;机器学习;神经网络;业务量预测;激活函数

：TP391.7：A：2095-1302（2020）06-00-04

0引言

物联网是一系列技术工具的组合，从物联网作为数据收集、传输、处理及利用的视角来看，物联网可以大致分为四层，即基于传感器技术的感知层、基于通信及网络技术的传输层、基于云计算与存储的数据层及提供各类服务的应用层[1]。传输层是物联网技术中极其重要的一个环节，传统物联网主要通过私有、局部的网络进行数据传输，这在很大程度上限制了物联网技术的发展。私有网络区域较为狭窄，无法承载车联网、可穿戴设备及大范围内的智能感知业务，没有泛在接入的移动互联网就不会有当前丰富的移动互联网业务，同样只有通过更大范围的泛在物联网接入，才能促进物联网技术的真正普及。

我国基于公共移动网络的物联网接入技术及系统近年来越来越受瞩目[2-3]。从2018年起，中国三大运营商开始大规模部署基于移动网络的窄带物联网技术NB-IoT系统，2019年

我国又开始大规模进行5G网络建设。其中5G网络应用的一个主要场景—增强型机器类型通信（eMTC），主要面向物联网场景，提供每平方千米一百万台终端的连接能力，将极大促进物联网相关技术及产业的发展[4-5]。同时，随着物联网设备接入能力的提升，网络也面临着吞吐量指数增长的压力，因此针对业务预测的网络优化成为稳定支撑海量终端的关键。本文在此背景下对这一问题进行探索，通过时间序列分析及机器学习方法来完成基于历史数据的业务预测。

1业务量预测基本模型

1.1乘积ARIMA模型

ARIMA模型是最常用的时间序列分析方法，被广泛应用于各类时间序列分析的应用中[6]。序列的季节性是指序列具有长度固定的周期，不同周期的同一时刻之间具有一定的关系，ARIMA模型就考虑了相邻或相似序列之间的相关性。假定S为序列周期，，考虑季节性滞后的简单季节模型为：

式中：;;{Φi}与{Θj}是季节性AR与MA的系数。假设季节影响与其他影响之间是乘积关系，构造乘积ARIMA模型，不仅仅在季节性滞后具有相关性，在相近的序列值之间也有关联特征，通常表示为，模型公式：

通常模型建立包括以下6个基本步骤：

（1）采用定性观察与定量检验相结合的方法识别时间序列平稳性;

（2）若时间序列不平稳，则用差分变换等方法进行处理，完成后再次判断序列平稳性;

（3）根据自相关函数与偏相关函数大致判断阶数范围，联合准则函数找到最优阶数，完成模型识别;

（4）进行模型的参数估计;

（5）得到拟合模型后的残差序列，分析残差序列的特性，判断残差是否满足白噪聲的特性;

（6）已经通过检验的模型进一步对未来进行预测，分析预测误差。

1.2Holt-Winters模型

Holt-Winters是基于指数平滑的一种，包括加法季节和乘法季节两种模型[7]。当季节变量在整个序列中大致不变时，加性模型更有效;当季节变量随时间序列成比例变化时，乘积Holt-Winters模型更适用。Holt-Winters模型对序列在不同时间点的水平成分为lt，斜率成分为bt和季节性成分为st。具有线性时间趋势符合加法模型特性的序列可以使用基于加法的Holt-Winters模型，时间序列xt平滑后的序列xt由下式得出：

式中：;m为季节性周期;lt表示序列的水平部分;bt表示趋势成分;St为季节成分;h为预测时向后推迟的时间点，其值大于0;xt+h|t是h步后的预测值。参数α，β和γ的取值为[0，1]，这三个值的取值与1越相近，说明与当前观测点越近的值对未来预测值的影响就越大。序列的平滑性由当前时间点上的取值水平分量、趋势成分分量和季节性成分分量共同决定。

基于乘法的Holt-Winters季节模型适用于有线性时间趋势和符合乘法模型特性的序列。时间序列xt平滑后的序列xt由下式得出：

Holt-Winters模型基于迭代关系