基于數據波動的短期態勢分析方案

汪汀嵐，王首峰，張冬晨，孟德香

（中國移動通信集團設計院有限公司，北京 100080）

基于數據波動的短期態勢分析方案

汪汀嵐，王首峰，張冬晨，孟德香

（中國移動通信集團設計院有限公司，北京 100080）

就基于海量網管信息，依據其數據波動規律，對其短期頻譜資源使用態勢等問題進行了研究探討，提出了一種基于數據波動的短期態勢分析方案。在保持網絡穩定性及網絡覆蓋的基礎上，減少不必要的空閑頻譜容量，為頻譜資源預警、設置載波參數提供有力支撐，提高經濟效益和社會效益。

無線電頻譜資源；預測；混沌時間序列；加權一階局域法

1 引言

隨著科學技術的發展，人們對無線電頻譜的利用更趨頻繁，使無線電頻譜資源的稀缺程度不斷加大。準確的短期預測，有助于經濟合理地設置載波等參數，保持網絡的安全穩定性的同時，減少空閑頻譜資源，提高頻譜資源的經濟效益和社會效益。

論文基于改進相空間加權局域法的混沌時序預測和基于改進相空間加權局域法的混沌時序預測，講解了兩種改進型的混沌時序預測方法，但均沒有聯系實際問題[1，2]。論文基于混沌理論的話務量時間序列預測研究，研究了話務量時間序列依據混沌理論進行預測的方法，但未對數據流量、深層次網管提取的波動數據進行研究。

本文就基于數據波動的短期態勢方案進行深入淺出的研究和分析，研究工作主要包括以下幾個方面：分析移動網絡網管歷史波動數據；闡述基于數據波動的短期態勢預測方案；研究短期態勢分析方案中的誤差及其補償方案。

2 移動網絡中網管歷史波動數據分析

網管統計和DPI分析是目前網絡可用的分析手段，DPI統計位于無線側與核心網的接口，可以統計詳細的業務量數據，但無法獲取對應的無線側資源消耗。同時，完整保存DPI數據所需存儲空間較大。本文主要借助于廣泛使用的網管統計指標，實現業務與網絡承載資源關系的計算與判定，便于技術應用。下面對移動網絡中網管歷史波動數據進行詳細的分析。

2.1 空間維度場景劃分

同種載波配置情況下不同場景的無線利用率和數據業務量有較大區別，所以頻譜態勢分析中應分場景考慮無線資源使用。在應用場景特征的基礎上，從空間上，精細化分析無線資源使用和需求的差異，如圖1中所示，將業務承載情況依照象限進行劃分，尋找小區業務承載的特征。

從圖2中可以觀測到車站場景情況下的業務分布中語音話務量占據主要部分。而在商業區場景中，語音話務量及數據業務量均較高。對比可以看出，商業區場景相對于車站場景的用戶的業務量更大。

當訓練過大量數據后，針對每種場景情況，挖掘出一個場景補償參數Si，在短期預測后對結果進行補償，進而使得分場景的研究短期態勢預測方案更加準確。目前DPI剛剛部署，未來考慮結合DPI數據分析，給出基于數據業務分類的精細化流量經營和網絡分擔評估。

圖1 業務象限分析

2.2 時間維度數據波動

不同應用場景，從圖3移動網絡中網管歷史波動數據中可以觀察到，從時間上精細化分析無線資源使用和需求的差異主要有兩種形式：（1）具有依照時間上的不同周期性重復規律，其中部分樣本點屬于平滑小幅度波動點，其余樣本點屬于周期性出現的波谷點；（2）由于突發因素導致的非周期性峰值，小區網管歷史波動數據平緩波動中突現BURST點；（3）網管歷史波動數據波動平緩，無明顯周期性和BURST點出現。

3 基于數據波動的短期態勢預測方案

綜合空間及時間維度，本文提出基于數據波動的短期態勢預測方案，該方案針對不同特征的歷史波動數據進行不同的處理。

3.1 周期性波動數據處理方案

周期性波動數據的規律可建模為平滑小幅度波動樣本點集和波谷樣本點集，令樣本點屬于平滑小幅度波動點，A(i)＝{A1，A2， A3……An}；

樣本點屬于周期性出現的波谷點， B(i)＝{B1，B2，B3……Bn}。

分離兩種樣本點進行分部預測，基于每個小區的網管歷史波動數據，尋找出具有周期性小區的周期性序列T(i)＝{T1，T2， T3……Tn}。計算得出A(i)和B(i)的數列差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）

基于混沌理論，預測點的演化行為可有其鄰近點的演化行為反應出來，即在相空間中尋找預測點的最鄰近點，并將此最鄰近點在軌道的下一點作為預測值輸出，為了達到更好的預測精度，鄰近點可以選擇多個[1]。只要能夠實時地擬合局部模型的系數，就能夠較精確的反映整個吸引子的演化特性。

圖2 空間上精細化分析無線資源使用和需求的差異

圖3 移動網絡中網管歷史波動數據

預測值可能的取值波動建模為多位相空間。在相空間中找到與參考點最相似的（m+1）個相點，并根據這（m+1） 個相點演化一步的規律進行一步預測。

時間序列{x1， x2， x3…xn}中n為序列長度。根據Grassberger-Procaccia算法[2～4]可得出關聯維度d，選定嵌入維數m=2d+1，然后求取平均軌道周期t，根據t=(m-1)τ得出延遲時間τ[5，6]，然后重構相空間：Yi=(xi，xi+τ，…，xi+(m-1)τ)，i=1，2，…， M， M是重構相空間中相點的個數，M=N-(m-1)τ。設中心點YM的鄰近點為YMi，i=1，2，…q，令到YM的間距為di，設dmin是di中的最小值，設定點Yki的權值為：

令參考向量集{YMi}， i=1， 2，…q，表示中心點YM的第k步演化后的相點集合。對{YMi}進行一階局域線性擬合，

YMi+k=ake+bkYMi（4）

其中， i=1，2， …q，利用加權最小二乘法計算得，

以ak，bk為變量等式兩邊求偏導，

化簡，

簡寫為，

求解方程，

求得，

對于混沌時間序列，相空間中一對最近鄰隨時間演化遵循的是一種指數規律e-λt，當嵌入維數m＞1，且需進行k，其中k＞1步進行預測時，可以類似應用加權一階局域法一步預報模型，根據這(m+1)個相點演化出第k步的規律。根據求得的ak、 bk， 代入k步的預測公式YM+k=ake+bkYM中，得出演化k步后相點的預測值YM+k。

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

其中，YM+k中的第m個元素xM+k+(m-1)τ即為原序列的k步的預測值N+k。計算出序列差后與前一點值相加即為預測點值。

3.2 突發BURST數據預測

對于無規律的突發數據點，需要結合設備和相應日期的活動事件進行統計分析。

如果是基站設備問題，則進行設備維護及維修。

如果是特殊活動，記錄入特殊活動集C(i)={C1，C2， C3……Cn}，采用混沌時間序列預測法中的加權一階局域預測法，建立基于空間場景的時序分析。基于空間場景的時序分析分類示意如圖4所示。

圖4 基于空間場景的時序分析分類示意圖（學校）

對于小區網管歷史波動數據波動平緩無周期性或BURST點，采用混沌時間序列預測法中的加權一階局域預測法。

4 數據驗證和分析

4.1 最大可預報時間

基于中國移動某省公司某網絡底層網管數據，以采集得到的100個數據點，每增加50個點計算一次，得到的時間序列最大Lyapunov指數及其最大可預報時間，如表1所示。

表1 底層網管數據時間序列最大Lyapunov指數及其最大可預報時間

所求底層網管數據時間序列的最大Lyapunov指數均為正數，由此可確定此時間序列具有混沌特性。

4.2 數據驗證

基于中國移動某省公司某網絡底層網管數據時間序列進行預測，得到的參數a，b的計算結果、預測值如表2所示。

表2 加權一階局域法參數計算值及預測結果

經過對省公司底層網管數據的驗證和分析，表明加權一階局域預測法具備擬合速度快的特性，但需要實時地擬合系數a、b，受精度計算的影響，這在一定程度上影響了預測精度，將在后續研究中進一步改進。

4.3 誤差分析及補償方案

加權一階局域法預報模型是依據參考相點來預測下一個相點的數值，對于一步預測而言，所得到的預測相點中，前（m-1）個相點在實際上都是時間序列中的已知點，只有第m個相點才是所求的未知點，將前（m-1）個相點與已知時間序列中的相應點進行比較，

TN915

A

1008-5599（2015）03-0076-05

2014-07-31