买专利,只认龙图腾
首页 专利交易 科技果 科技人才 科技服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

【发明授权】基于双周期Holt-Winters模型和SARIMA模型的组合预测方法_北京邮电大学_202010731814.8 

申请/专利权人:北京邮电大学

申请日:2020-07-27

公开(公告)日:2021-10-12

公开(公告)号:CN112105048B

主分类号:H04W24/08(20090101)

分类号:H04W24/08(20090101);H04W28/06(20090101);G06F17/18(20060101);G06Q10/04(20120101);G06Q50/30(20120101)

优先权:

专利状态码:有效-授权

法律状态:2021.10.12#授权;2021.01.05#实质审查的生效;2020.12.18#公开

摘要:本发明公开了基于双周期Holt‑Winters模型和SARIMA模型的组合预测方法,属于无线网络流量预测和网络优化领域。首先提取基站m个无线网络流量数据,利用前m‑k项数据,进行预测步长为k的双周期Holt‑Winters模型预测和SARIMA模型预测,分别存入数组和将m‑k~m时刻的原始流量数据与预测结果和分别对比,计算误差平方和EDHW及ESA。然后利用误差平方和倒数法确定DHW模型和SARIMA模型的权系数;同理对前m项数据进行双周期Holt‑Winters模型预测和SARIMA模型预测,将m+1~m+k时刻的预测结果存入数组yDHW和ySA中,并利用权系数wDHW和wSA,将对应时刻的预测结果进行加权组合,得到之后k个时间粒度的预测结果ycombine[i]。最后利用预测结果观测未来k小时的流量数据变化情况。本发明计算效率高,提升了稳定度与准确度。

主权项:1.基于双周期Holt-Winters模型和SARIMA模型的组合预测方法,其特征在于,流程如下:步骤一、提取基站无线网络流量数据,共有m个数据,预测长度为k;步骤二、利用前m-k项数据,进行预测步长为k的双周期Holt-Winters模型预测,得到未来k个时间粒度的预测结果,并存入数组双周期Holt-Winters模型的改进之处是:将原模型中的季节项拆分为两部分:和并将γ和σ作为季节项的平滑指数;具体步骤如下:步骤201、初始化参数α、β、γ、σ,并采用L-BFGS算法对这四个参数进行优化;目标函数为均方根误差,其中,α是水平项的指数平滑系数,β是趋势项的指数平滑系数,γ是季节项1的指数平滑系数,σ是季节项2的指数平滑系数;步骤202、对水平项、趋势项和两个季节项的初始值公式选取如下:水平项的初始值:趋势项的初始值:季节项的初始值: 其中,p1为周期长度1,p2为周期长度2,Yi为第i个流量数据;步骤203、利用如下水平值、趋势值和季节值的迭代公式,以及前m-k个数据计算出第m-k时刻的水平值L′m-k、趋势值T′m-k和季节值迭代公式t=1,2,3,…,m-k-1:t时刻的水平值:t时刻的趋势值:T′t=βL′t-L′t-1+1-βT′t-1t时刻的季节值1:t时刻的季节值2:m-k时刻的水平值: m-k时刻的趋势值:T′m-k=βL′m-k-L′m-k-1+1-βT′m-k-1m-k时刻的季节值1: m-k时刻的季节值2: 步骤204、利用m-k时刻的预测公式计算之后m-k+l时刻的流量预测结果,并存入数组m-k+l时刻的预测公式为:其中,l=1,2,3…k;步骤三、将m-k~m时刻的原始流量数据与预测结果对比,利用如下公式计算误差平方和EDHW;误差平方和公式:其中,代表数组的第i个预测值,Ym-k+i代表第m-k+i时刻实际流量数据;步骤四、利用前m-k项数据,进行预测步长为k的SARIMA模型预测,得到未来k个时间粒度的预测结果,并存入数组SARIMA模型预测的具体步骤如下:步骤401、在参数范围内,使用“网格搜索”方法来迭代地搜寻SARIMAp,d,qP,D,Q,s中p、d、q、P、D、Q参数的不同组合,输出每个模型的Akaike信息标准AIC值;其中,p为自回归的阶数、q为移动平均的阶数,P为季节值回归平均的阶数、Q为季节移动平均的阶数,d为逐期差分的阶数,D为季节差分的阶数;参数p、d、q、P、D、Q的取值范围均设定在0到2之间;s是周期长度,由数据周期决定;对于这些参数的每个组合,使用python中statsmodels模块的SARIMAX函数拟合一个新的SARIMA模型,并输出每个模型的Akaike信息标准AIC值;AIC计算公式如下:AIC=2k-2lnL其中k是预测长度,L是似然函数;步骤402、在输出的AIC值中,选取最小的AIC值对应的参数模型SARIMApm,dm,qmPm,Dm,Qm,s作为相对最佳模型;步骤403、判断相对最佳模型的残差序列是否满足白噪声的特点,如果是,则模型合理,否则模型不合理;步骤404、利用模型SARIMApm,dm,qmPm,Dm,Qm,s,对之后m-k~m时刻的无线网络下行流量进行预测,得到预测结果;步骤五、将m-k~m时刻的原始流量数据与预测结果对比,利用如下公式计算误差平方和ESA; 其中,代表数组的第i个预测值,Ym-k+i代表第m-k+i时刻实际流量数据;步骤六、利用误差平方和倒数法确定DHW模型和SARIMA模型的权系数;DHW模型的权系数wDHW计算公式如下: SARIMA模型的权系数wSA计算公式如下: 步骤七、利用前m项数据,重复步骤二进行预测步长为k的双周期Holt-Winters模型预测,将m+1~m+k时刻的预测结果存入数组yDHW中;步骤八、利用前m项数据,重复步骤四进行预测步长为k的SARIMA模型预测,将m+1~m+k时刻的预测结果存入数组ySA中;步骤九、利用权系数wDHW和wSA,将数组yDHW、ySA对应时刻的预测结果进行加权组合,得到之后k个时间粒度的预测结果ycombine[i],即未来k小时的无线网络流量预测结果;ycombine[i]=wDHW*yDHW[i]+wSA*ySA[i]i=0,1,2…,k-1步骤十、利用预测结果ycombine观测未来k小时的流量数据变化情况,为网络资源调度与管理提供指导。

全文数据:

权利要求:

百度查询: 北京邮电大学 基于双周期Holt-Winters模型和SARIMA模型的组合预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。