面向工程建设决策的移动话务量预测研究

图12012年X区日话务量分布面向工程建设决策的移动话务量预测研究乐可争（中国移动通信集团上海有限公司，上海200060）摘要：随着通信网应用和规模的不断增加，新一代的网络建设规模对业务量的预测也提出了新的需求，其中通信话务量的预测分析已经成为其中非常重要的一部分。准确的话务量预测对网络管理、规划和设计具有重要意义。文章旨在对移动网络中的话务量随时间或事件变化的特性进行分析研究，建立合理科学的话务模型，并采用综合的预测方法进行预测研究。从而辅助通信运营商实时把握用户的行为习惯和话务量的发展趋势，并进行合理决策和投资。关键词：话务量分析；话务模型；预测算法中图分类号：TP311.52文献标识码：A文章编号：1673-1131（2014）02-0216-03TELETRAFFICPREDICTIONMODELSFACINGDECISIONMAKINGOFCONSTRUCTIONABSTRACT：Withtheincreaseoftheapplicationsandsizeofthecommunicationnetworks，thenewgenerationofnetworkmanagementsystemforpredictingbusinesshasmadenewdemands,inwhichcommunicationtrafficforecastinghasbecomeoneofthemostimportantparts．Accuratetrafficforecastfornetworkmanagement,planning,designisofgreatsignificance．Thispaperaimsattheresearchofthecharacteroftrafficinmobilenetworksunderdifferentsituationortime,alsotoestablishascientificandreasonabletrafficmodel,andmakepredictionoffuturetrafficusingcombinedmethods．Telecommunicationsoperatorsmaygraspthereal-timeuserbehavior,traffictrendofdevelopmentandcarryoutrationaldecision-makingandinvestment．KEYWORDS:communicationtrafficanalysis,communicationtrafficmodel,predictionalgorithm随着当代中国的迅速发展，通信行业亦突飞猛进。移动通信用户数已远超固网用户数，这给网络容量造成空前压力。移动通信话务量超过一定容量时易造成通信系统过载，影响网络稳定性。因此根据话务统计对移动通信话务量进行预测，以此来确定工程扩容量，决定满足设计容量的设备数量对运营商来说非常有必要。以上海移动X区分公司为例，据上海移动话务网管系统统计显示，2012年最忙时无线利用率达到78%，超过了75%的警戒上限。如果话务量继续增长，会对网络通信质量构成严重威胁。为了解决这种状况，网络的建设规模究竟应该如何决策，这成为了事关公司发展前景的重要课题。在这个决策中，如何准确预测下阶段的话务量发展趋势是重中之重，解决好这个问题才能保证高投入产出比。目前对话务量的预测主要分为定性预测与定量预测两大类。定性预测的方法就是我们经常说的专家评估法或者直观判断法，这种方法的预测精度具有比较大的主观性，难以指导具体网络规划建设。定量预测的方法有多种，实际工程中较多使用单机话务量、趋势外推、同比增长、移动平均等，这类方法对话务量趋势预测较准。本文通过将其分为多个分量分别进行分析预测，利用用趋势预测话务量的基本规律变化，从而更加准确地预测话务量增长情况。1话务量分析X区分公司地处市区，用户密集，话务量较高。持续较高的话务量造成X区的无线利用率不断上升，2012年中普遍无线利用率在65%左右浮动，虽然采用了开启半速率及载频正负扩容等手段予以控制调整，但在2012年末还是突破了70%的警戒线，网络容量趋于饱和。网络的高利用率虽然体现了整个网络具有较高的投资收益比，但是过高的利用率会给网络的正常运行带来一定的隐患。通过上海移动话务网管系统取出了2012年全年的日话务量数据进行分析，情况如图1所示。通过观察可以发现，全年数据个别时段波动频繁的特点。波动剧烈的时段均与国定小长假相吻合。受节假日影响，话务量会有大幅下降；而在平时，话务量会有显著抬升。宏观呈现出以一定幅度的震动。这种特性说明对待话务量的数据分析不能仅仅采用传统的方法，如果对所有数据进行统一处理必然会有较大偏差。分析以上话务数据，可发现以下几个特点：（1）话务量波动的频率为每7天中有2天话务量处于低谷，这2天出现的时间基本为周六、周日；（2）波峰相对于波谷的增幅大致在30％左右。由此可以判断，必须分开波峰波谷独立分析，否则两者数据的合并后将产生较大误差。从上图可见，工作日和双休日的数据可以单独分析，而小长假对话务数据的影响仅仅是数量上的，对分布特性影响很小；（3）观察周数据可以发现，每周同一日的波峰和波谷之间变化幅度很小。这也说明用分别预测的方法能降低数据间的偏差，相互之间偏离较小的数据更有利于取得精确的预测结果。2话务量预测模型建立按照时间序列来分析建立模型的步骤：（1）按时序列出原始数据时序图：从时序图中能看出数据在时间上的大致趋势：围绕某个值上下波动；围绕某条直线上下波动；呈现指数上升或者下降的趋势；亦或在不同的季节显示出不同的特性等。根据时序图显示的特征初步判断序列是平稳的还是非平稳的；，（2）如果序列呈现非平稳性，则要通过相应的变换使其变换为平稳序列。若其呈现线性趋势则进行差分，呈现指数趋势则先取对数再进行差分；（3）变换后再检验序列是否平稳：看变换后序列的相关图，时序图和单位根检验，综合来看序列是否平稳。若仍非平稳，建议再进行一次差分；（4）对平稳的序列建立模型：根据变换后的相关图来识别序列适用哪种模型。罗列最终选定模型的估计结果、呈现真实值、拟合值和残差的时序图，分析预测效果；（5）选定模型并且进行预测：根据选定模型计算得出预测值，如果模型是对变换后序列建立的，要对预测序列进行逆变换从而得到预测结果。2.1影响话务量的时序因素分解大规模的通信网络是复杂非线性系统，而且受外界因素的影响很大，宏观数据复杂多变，数据中不仅含有多种周期性的波动，还呈现非线性的浮动，同时经常会受到未知随机因素的影响，为更好地分析流量的特性，所以拟对以上种种特性进行分解，同时也为选择话务量预测的方法提供宝贵经验。根据以上的分析，将模型分为四种因素作为分量：周期分量、随机分量、趋势分量和突变分量。本文采用加法型将各类分量表示如下：Yt=St+Et+Tt+0Yt为原始时间序列，St为周期分量，Et为随机分量，Tt为趋势分量0为突变分量。这些影响因素按其性质可分为四类：周期变动因素、偶然变动因素、长期趋势因素和不规则变动因素，其中趋势分量的分析是核心问题。随机分量虽属可预测成分，但考虑到其并不会对分析和预测产生重要的影响，本文不分析预测随机分量。2.2周期分量的分析话务数据的波动存在周期性，分析显示，最小的波动周期单位为一天，也就是24小时，所以分析每日最忙时（一般为晚忙时）的话务量以作参考。上文中也说到，由于人们工作的周期特点，话务量也受此影响，具有以7天为单位的周期性。对于一些节假日的情况，如春节、中秋、十一等固定性的节日，话务量相对平日会有较大的变动，而这些日子的数据都可以看作都是以年为周期的。对于这种长周期的日期的预测考虑，过往年份的数据可以参考。对这类数据的预测应侧重于分析该时间前后数据变化的相对特征，而数据本身绝对值的参考意义就不那么大了。2.3突变分量的分析在话务数据中，会有其他各种突发因素带来的影响。在重要节日、重大事件发生的时段，话务量就会呈现突增或者突降。这种突变对于长期性话务的分析和预测是有害的，其发生的幅度、时间、频率等不具有周期性。如果需要预测出准确结果，这些突变值会带来负面影响，所以对话务量进行分析预测的时候，首先要去除其中的突变分量。去除突变分量的主要原则是：将原始数据序列与某阈值比较，一旦超出设定的阀值，则认为是突变分量，需要用另一值代替该数据，使这一数值回归到设定的阈值范围内。参考阈值的设置可以采用中位数估计法。中位数估计具有对原始数据改变较小的优点，使用相邻数据合理替代，减小由于处理数据而产生的误差。阀值的选择可以由实践来确定，其确定原则就是使过分突出的点被处理掉，而大多数的原始数据得以保留。2.4趋势分量的分析趋势成分反映的是话务量因网络用户或环境因素而引起的长期变化趋势，是话务量预测中的核心部分。趋势成分具有比较稳定的特性，可以在一段时间内保持相对平稳。对趋势分量的提取有两方面用途：一方面可以提供数据变化宏观趋势的展示，另一方面对于中长期预测来说，趋势分量是分析数据的一个基础。对趋势的分析可以根据不同需要，从不同角度来进行。例如，短期的分析可以将趋势呈现为分段水平线段，中期分析可以将趋势呈现为有分段斜率的直线，将趋势呈现为小幅度波动的曲线也是一种选择。从不同需要角度考虑，趋势分析可以采用多种方法。本文采用GM(1，1)模型来对趋势分量进行分析，GM(1，1)也称为灰色系统模型。灰色系统通过鉴别系统内发展趋势的相异程度来进行相关性分析，同时对原始数据进行生成处理以寻找系统变动的规律，转化为有较强规律性的数据序列，然后通过建立的微分方程模型，达到预测事务未来发展趋势的目的。设原始序列X(0)有n个观察值：X(0)={X(0)(1)，X(0)(2)，．．．，X(0)(n)}。通过累加生成新序列X(1)={X(1)(1)，X(1)(2)，．．．，X(1)(n)}，则GM(1，1)模型的微分方程为：最终得到的预测模型为：将趋势成分的模型a(t)定义为：即用预测的次日相对前日数据的变化量作为变化的趋势。假设话务量数据是呈现增长的趋势，用此种方法可以得到话务量的增长幅度趋势模型。灰色系统的趋势曲线一般近似于一条直线，数据在直线上下零散分布，不过对于长期趋势变化较陡的情况预测结果差距会变大。3预测算法及其实现分析数据来自于上海移动X区分公司年2012年全年的历史话务量数据。话务量报表数据直接选取最忙时的数据进行预测。预测结果就是2013年晚忙时峰值话务量的预测值。预测过程流程图图2。图2话务量分析模型的主要步骤（1）根据周期选取合适峰值数据：选取出来的全年晚忙时话务量序列会存在周期性突降。比如双休日的话务量，呈现出以7天为周期的周期性下降，在预测峰值时，有必要将其剔除出预测序列，仅选取平稳并且较高的工作日数据进行预测以保证预测结果的准确。（2）突变分量处理：对选取全年工作日忙时数据后，还可能存在突发性话务量突增或者骤降的情况。比如春节、中秋、国庆或者局部地区突发事件造成的群体聚集引发的话务量突变。对这些在序列中产生的不规律数据进行处理，输出比较217平缓的序列曲线。（3）趋势分量预测：针对输入的数据进行下一年趋势预测，得出的结果即为忙时话务量预测值。这个结果也是一个比较平缓的序列曲线，用来表示大致的话务量压力，至于特殊时段如中秋、国庆等日期的突发话务量情况还需以年为周期，参考同期数据进行适当预测。（4）精度分析及结果评价：对预测结果进行精度评估并检验预测方法和预测结果。GM（1,1）灰色预测法：灰色系统的特点是对既含有未知信息又含有确定已知的信息系统进行预测，是对与时间有关的、在一定范围内变化的灰色过程进行预测。虽然灰色过程中所呈现的数据是随机的，但却是有序的，这一序列存在潜在规律。灰色预测是通过鉴别系统因素之间发展趋势的相异程度来进行关联分析的。它对原始数据进行处理，形成有规律性的数据序列，然后建立微分方程模型，从而寻找到系统变动的规律，达到预测事物未来的发展趋势的目的。利用等时距观测到的反映预测对