CN113890837B - 基于滑动窗***叉算法预测指标劣化的方法及*** - Google Patents
基于滑动窗***叉算法预测指标劣化的方法及*** Download PDFInfo
- Publication number
- CN113890837B CN113890837B CN202111065844.0A CN202111065844A CN113890837B CN 113890837 B CN113890837 B CN 113890837B CN 202111065844 A CN202111065844 A CN 202111065844A CN 113890837 B CN113890837 B CN 113890837B
- Authority
- CN
- China
- Prior art keywords
- sliding window
- prediction model
- data
- prediction
- indexes
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000015556 catabolic process Effects 0.000 title claims abstract description 19
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 19
- 238000004891 communication Methods 0.000 claims abstract description 35
- 230000001052 transient effect Effects 0.000 claims 4
- 238000013480 data collection Methods 0.000 claims 1
- 238000007405 data analysis Methods 0.000 abstract description 2
- 208000018910 keratinopathic ichthyosis Diseases 0.000 description 25
- 238000013178 mathematical model Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006866 deterioration Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开基于滑动窗***叉算法预测指标劣化的方法及***,涉及数据分析技术领域;以完成网络操作的时间点为分界点,将分界点往前的历史数据作为建模数据,建立瞬时预测模型和基于滑动窗***叉算法的滑动窗口预测模型,通过瞬时预测模型和滑动窗口预测模型分别获得预测结果,将分界点往后一段时间的数据作为待比对数据,通过比对预测结果与待比对数据,判断通信网络KPI的指标是否劣化。
Description
技术领域
本发明公开方法及***,涉及数据分析技术领域,具体地说是基于滑动窗***叉算法预测指标劣化的方法及***。
背景技术
通信中KPI,通常指关键性能指标。内容有:掉话率、接通率、数据业务下载速率、网络质量现场测试与竞争对手领先程度、网络投诉总量同比完成情况等。
在完成网络操作以后,人工对通信网络KPI进行核对分析,往往无法及时、准确地发现问题,给网络运行维护带来巨大隐患。
发明内容
本发明针对现有技术的问题,提供基于滑动窗***叉算法预测指标劣化的方法及***,具有通用性强、实施简便等特点,具有广阔的应用前景。
本发明提出的具体方案是:
基于滑动窗***叉算法预测指标劣化的方法,以完成网络操作的时间点为分界点,将分界点往前的历史数据作为建模数据,建立瞬时预测模型和基于滑动窗***叉算法的滑动窗口预测模型,通过瞬时预测模型和滑动窗口预测模型分别获得预测结果,
将分界点往后一段时间的数据作为待比对数据,通过比对预测结果与待比对数据,判断通信网络KPI的指标是否劣化。
进一步,所述的基于滑动窗***叉算法预测指标劣化的方法中划分分界点往前的时间段,根据时间段获取历史数据作为建模数据,其中根据按天划分的时间段获取的建模数据建立基于滑动窗***叉算法的滑动窗口预测模型,根据按小时划分的时间段获取的建模数据建立瞬时预测模型。
进一步,所述的基于滑动窗***叉算法预测指标劣化的方法中分别通过滑动窗口预测模型和瞬时预测模型结合置信区间算法确定预测结果。
进一步,所述的基于滑动窗***叉算法预测指标劣化的方法中劣化判断,包括:
若指标越大越恶化,分界点后通信网络KPI的指标>Max(滑动窗口预测模型的预测结果,瞬时预测模型的预测结果),则认为通信网络KPI指标为自然劣化;
若指标越小越恶化,分界点后通信网络KPI的指标<Max(滑动窗口预测模型的预测结果,瞬时预测模型的预测结果),则认为通信网络KPI指标为自然劣化。
基于滑动窗***叉算法预测指标劣化的***,包括数据采集模块、模型建立模块及对比模块,
数据采集模块以完成网络操作的时间点为分界点,将分界点往前的历史数据作为建模数据,将分界点往后一段时间的数据作为待比对数据,
模型建立模块建立瞬时预测模型和基于滑动窗***叉算法的滑动窗口预测模型,通过瞬时预测模型和滑动窗口预测模型分别获得预测结果,
对比模块通过比对预测结果与待比对数据,判断通信网络KPI的指标是否劣化。
进一步,所述的基于滑动窗***叉算法预测指标劣化的***中数据采集模块划分分界点往前的时间段,根据时间段获取历史数据作为建模数据,其中模型建立模块根据按天划分的时间段获取的建模数据建立基于滑动窗***叉算法的滑动窗口预测模型,根据按小时划分的时间段获取的建模数据建立瞬时预测模型。
进一步,所述的基于滑动窗***叉算法预测指标劣化的***中模型建立模块分别通过滑动窗口预测模型和瞬时预测模型结合置信区间算法确定预测结果。
进一步,所述的基于滑动窗***叉算法预测指标劣化的***中对比模块中劣化判断,包括:
若指标越大越恶化,分界点后通信网络KPI的指标>Max(滑动窗口预测模型的预测结果,瞬时预测模型的预测结果),则认为通信网络KPI指标为自然劣化;
若指标越小越恶化,分界点后通信网络KPI的指标<Max(滑动窗口预测模型的预测结果,瞬时预测模型的预测结果),则认为通信网络KPI指标为自然劣化。
本发明的有益之处是:
本发明提供基于滑动窗***叉算法预测指标劣化的方法,利用瞬时预测模型和基于滑动窗***叉算法的滑动窗口预测模型分别获得预测结果,通过比对预测结果与待比对数据,判断通信网络KPI的指标是否劣化,能够进一步对通信网络KPI进行核对分析,并及时、准确地发现问题,高效、全面、准确地监控网络运行。
附图说明
图1是本发明方法滑动窗口预测展示示意图。
图2是本发明方法应用PRB利用率的预测展示图。
图3是本发明方法流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
本发明提供基于滑动窗***叉算法预测指标劣化的方法,以完成网络操作的时间点为分界点,将分界点往前的历史数据作为建模数据,建立瞬时预测模型和基于滑动窗***叉算法的滑动窗口预测模型,通过瞬时预测模型和滑动窗口预测模型分别获得预测结果,
将分界点往后一段时间的数据作为待比对数据,通过比对预测结果与待比对数据,判断通信网络KPI的指标是否劣化。
通过本发明方法利用瞬时预测模型和基于滑动窗***叉算法的滑动窗口预测模型分别获得预测结果,通过比对预测结果与待比对数据,判断通信网络KPI的指标是否劣化,能够进一步对通信网络KPI进行核对分析,并及时、准确地发现问题,高效、全面、准确地监控网络运行。
具体应用中,在本发明方法的一些实施例中,具体执行过程如下:
进行数据获取,其中完成网络操作时间点为分界点,划分分界点往前的时间段,以分界点往前14天*24小时历史数据作为建模数据,以分界点往后12小时数据作为待比对数据。
根据按天划分的14天*24小时历史数据,建立基于滑动窗***叉算法的滑动窗口预测模型,根据分界点往前7个小时获取的建模数据建立瞬时预测模型,其中通信网络KPI数据以一周时间为周期,参考图1粗框所示24行*8列为滑动窗口,每次向右移动一列,最终生成(6*24)行*8列建模数据。得到的建模数据共8列,前7列为输入变量,最后一列为目标数据建立线性回归模型。得到的滑动窗口预测模型以过往7天分界点相同时刻的7个数据为输入变量,输出操作分界点往后12个小时的预测数值,
瞬时数学模型以灰度预测算法实现,灰度预测算法适用于数据量少的短期、瞬时预测,是对原始数据做累加生成得到近似的指数规律在进行建模的方法。瞬时数学模型以分界点往前7个小时为输入变量,输出分界点后一个小时的预测数值。
分别通过滑动窗口预测模型和瞬时预测模型结合置信区间算法确定预测结果。其中置信区间算法
置信区间算法公式如下:
其中,S为输入参数的标准差,n为输入参数的数目,1.96为置信区间对应系数,b为预测偏置,
业务认为指标越大越恶化,则预测结果=预测数值+预测偏置;
业务认为指标越小越恶化,则预测结果=预测数值-预测偏置。
通过上述过程分别获得通信网络KPI的12小时的预测结果与1小时预测结果。
进行劣化判断时:
业务认为指标越大越恶化,分界点操作后下一时刻KPI值>Max(Y预测结果(滑动窗口模型),Y预测结果(瞬时数学模型)),则认为指标为自然劣化,判断为非操作导致;
业务认为指标越小越恶化,分界点操作后下一时刻KPI值<Max(Y预测结果(滑动窗口模型),Y预测结果(瞬时数学模型)),则认为指标为自然劣化,判断为非操作导致。
若分界点下一时刻非自然劣化,则对比12小时通信网络KPI值与滑动窗口模型预测的12小时预测结果,如果12小时中8小时以上为指标劣化,则判断为因操作导致。
本发明方法可以通过PRB利用率进行预测展示,比如以某地5G通信网络的操作日志为例,该用例上行PRB利用率的预测展示图,见图2显示在,坐标横轴为小时数,即时间,坐标纵轴为利用率百分率,该指标为越小越劣化,其中,短点相间线为预测值,短虚线为置信区间算法后的预测结果,实线为操作后12小时数据,算法判断为操作劣化。
同时本发明还提供基于滑动窗***叉算法预测指标劣化的***,包括数据采集模块、模型建立模块及对比模块,
数据采集模块以完成网络操作的时间点为分界点,将分界点往前的历史数据作为建模数据,将分界点往后一段时间的数据作为待比对数据,
模型建立模块建立瞬时预测模型和基于滑动窗***叉算法的滑动窗口预测模型,通过瞬时预测模型和滑动窗口预测模型分别获得预测结果,
对比模块通过比对预测结果与待比对数据,判断通信网络KPI的指标是否劣化。
上述***内的各模块之间的信息交互、执行过程等内容,由于与本发明方法实施例基于同一构思,具体内容可参见本发明方法实施例中的叙述,此处不再赘述。
同样地,本发明***可以利用瞬时预测模型和基于滑动窗***叉算法的滑动窗口预测模型分别获得预测结果,通过比对预测结果与待比对数据,判断通信网络KPI的指标是否劣化,能够进一步对通信网络KPI进行核对分析,并及时、准确地发现问题,高效、全面、准确地监控网络运行。
需要说明的是,上述较佳实施例中各流程和各***结构中不是所有的步骤和模块都是必须的,可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序不是固定的,可以根据需要进行调整。上述各实施例中描述的***结构可以是物理结构,也可以是逻辑结构,即,有些模块可能由同一物理实体实现,或者,有些模块可能分由多个物理实体实现,或者,可以由多个独立设备中的某些部件共同实现。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (6)
1.基于滑动窗***叉算法预测指标劣化的方法,其特征是以完成网络操作的时间点为分界点,将分界点往前的历史数据作为建模数据,建立瞬时预测模型和基于滑动窗***叉算法的滑动窗口预测模型,通过瞬时预测模型和滑动窗口预测模型分别获得预测结果,
将分界点往后一段时间的数据作为待比对数据,通过比对预测结果与待比对数据,判断通信网络KPI的指标是否劣化,包括:
若指标越大越恶化,分界点后通信网络KPI的指标>Max(滑动窗口预测模型的预测结果,瞬时预测模型的预测结果),则认为通信网络KPI指标为自然劣化;
若指标越小越恶化,分界点后通信网络KPI的指标 <Max(滑动窗口预测模型的预测结果,瞬时预测模型的预测结果),则认为通信网络KPI指标为自然劣化。
2.根据权利要求1所述的基于滑动窗***叉算法预测指标劣化的方法,其特征是划分分界点往前的时间段,根据时间段获取历史数据作为建模数据,其中根据按天划分的时间段获取的建模数据建立基于滑动窗***叉算法的滑动窗口预测模型,根据按小时划分的时间段获取的建模数据建立瞬时预测模型。
3.根据权利要求1或2所述的基于滑动窗***叉算法预测指标劣化的方法,其特征是分别通过滑动窗口预测模型和瞬时预测模型结合置信区间算法确定预测结果。
4.基于滑动窗***叉算法预测指标劣化的***,其特征是包括数据采集模块、模型建立模块及对比模块,
数据采集模块以完成网络操作的时间点为分界点,将分界点往前的历史数据作为建模数据,将分界点往后一段时间的数据作为待比对数据,
模型建立模块建立瞬时预测模型和基于滑动窗***叉算法的滑动窗口预测模型,通过瞬时预测模型和滑动窗口预测模型分别获得预测结果,
对比模块通过比对预测结果与待比对数据,判断通信网络KPI的指标是否劣化,包括:
若指标越大越恶化,分界点后通信网络KPI的指标>Max(滑动窗口预测模型的预测结果,瞬时预测模型的预测结果),则认为通信网络KPI指标为自然劣化;
若指标越小越恶化,分界点后通信网络KPI的指标 <Max(滑动窗口预测模型的预测结果,瞬时预测模型的预测结果),则认为通信网络KPI指标为自然劣化。
5.根据权利要求4所述的基于滑动窗***叉算法预测指标劣化的***,其特征是数据采集模块划分分界点往前的时间段,根据时间段获取历史数据作为建模数据,其中模型建立模块根据按天划分的时间段获取的建模数据建立基于滑动窗***叉算法的滑动窗口预测模型,根据按小时划分的时间段获取的建模数据建立瞬时预测模型。
6.根据权利要求4或5所述的基于滑动窗***叉算法预测指标劣化的***,其特征是模型建立模块分别通过滑动窗口预测模型和瞬时预测模型结合置信区间算法确定预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111065844.0A CN113890837B (zh) | 2021-09-13 | 2021-09-13 | 基于滑动窗***叉算法预测指标劣化的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111065844.0A CN113890837B (zh) | 2021-09-13 | 2021-09-13 | 基于滑动窗***叉算法预测指标劣化的方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113890837A CN113890837A (zh) | 2022-01-04 |
CN113890837B true CN113890837B (zh) | 2023-03-24 |
Family
ID=79008997
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111065844.0A Active CN113890837B (zh) | 2021-09-13 | 2021-09-13 | 基于滑动窗***叉算法预测指标劣化的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113890837B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112257901A (zh) * | 2020-09-24 | 2021-01-22 | 北京航天测控技术有限公司 | 一种航天器的异常预警方法和装置 |
US11063842B1 (en) * | 2020-01-10 | 2021-07-13 | Cisco Technology, Inc. | Forecasting network KPIs |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8676964B2 (en) * | 2008-07-31 | 2014-03-18 | Riverbed Technology, Inc. | Detecting outliers in network traffic time series |
CN103178990A (zh) * | 2011-12-20 | 2013-06-26 | ***通信集团青海有限公司 | 一种网络设备性能监控方法及网络管理*** |
CN105512741A (zh) * | 2014-09-26 | 2016-04-20 | 山西云智慧科技股份有限公司 | 一种公交客流组合预测方法 |
CN110086649B (zh) * | 2019-03-19 | 2023-06-16 | 深圳壹账通智能科技有限公司 | 异常流量的检测方法、装置、计算机设备及存储介质 |
CN113065678A (zh) * | 2019-12-13 | 2021-07-02 | 中兴通讯股份有限公司 | 一种性能指标的预警方法、装置、设备及存储介质 |
CN113099476B (zh) * | 2021-05-13 | 2022-12-06 | 中国联合网络通信集团有限公司 | 网络质量检测方法、装置、设备及存储介质 |
-
2021
- 2021-09-13 CN CN202111065844.0A patent/CN113890837B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11063842B1 (en) * | 2020-01-10 | 2021-07-13 | Cisco Technology, Inc. | Forecasting network KPIs |
CN112257901A (zh) * | 2020-09-24 | 2021-01-22 | 北京航天测控技术有限公司 | 一种航天器的异常预警方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113890837A (zh) | 2022-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107204894B (zh) | 网络业务质量的监控方法及装置 | |
CN109656793A (zh) | 一种基于多源异构数据融合的信息***性能立体监测方法 | |
CN101442762B (zh) | 网络性能分析以及网络故障定位方法和装置 | |
CN102082703A (zh) | 业务支撑***设备性能监控的方法及装置 | |
CN103730118A (zh) | 语音信号采集方法和移动终端 | |
CN108898504B (zh) | 一种移动查勘定损***的智能训练及完善方法 | |
CN112787878A (zh) | 一种网络指标的预测方法及电子设备 | |
CN106372134A (zh) | 一种车联网实时数据处理方法及*** | |
CN112862593A (zh) | 信用评分卡模型训练方法、装置、***及计算机存储介质 | |
CN110134040B (zh) | 工业设备的运行数据的处理方法及*** | |
CN114995342A (zh) | 一种基于大数据技术的c3无线通信超时分析方法及*** | |
CN113890837B (zh) | 基于滑动窗***叉算法预测指标劣化的方法及*** | |
CN114841843A (zh) | 一种分析可疑绿通车的方法和*** | |
CN109995549B (zh) | 一种评估流量价值的方法及装置 | |
CN111105070B (zh) | 客流预警方法及*** | |
CN116109007B (zh) | 发电功率确定方法、服务器及存储介质 | |
CN102547789B (zh) | 端到端业务质量预警方法、装置及*** | |
CN116566839A (zh) | 一种电力企业通信资源质量评估*** | |
CN109951856B (zh) | 网元状态的检测方法、装置以及计算机可读存储介质 | |
EP2947910A2 (en) | Performance optimizations for wireless access points | |
CN115866289A (zh) | 一种机务数据整合管理*** | |
CN114626662A (zh) | 绿色工厂评价方法和界面及计算机可读存储介质 | |
CN114661700A (zh) | 一种基于ai的人工影响天气作业效果检验方法 | |
CN112561153A (zh) | 一种基于模型集成的景区人群聚集预测方法 | |
US12019869B2 (en) | Method, electronic device, and computer program product for scheduling data collection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |