学位论文 > 优秀研究生学位论文题录展示

时间序列分析技术在移动网络性能建模与预测中的应用

作　者: 王辉明
导　师: 王东；李勇航
学　校: 湖南大学
专　业: 软件工程
关键词: GSM/GPRS网络季节性ARIMA模型数据流量预测时间序列
分类号: F224
类　型: 硕士论文
年　份: 2009年
下　载: 55次
引　用: 0次
阅　读: 论文下载

内容摘要

移动数据业务的迅猛发展,网络规模的不断扩大,对无线信道容量和设备处理能力的不断增长的需求与有限的网络资源之间形成极大的矛盾。通过分析和预测网络运行中产生的性能统计数据,将有限的资源用在网络热点地区,是缓解这一矛盾的有效手段之一。而从目前进行统计分析的手段来看,对统计数据的分析主要依赖于经验,分析的效果因人而异,而且由于数据种类繁多,数据量巨大,难以科学地对网络性能进行预测。为解决这个困难,本文将时间序列建模技术引入移动网络性能统计数据的分析和预测工作。在无线通信网络性能统计数据中,有三种类型的统计值得网络维护人员关注:描述网络资源利用情况的统计项目、描述设备硬件负载情况和描述业务流量的统计项目,因此,本文选择了三个典型的统计项目作为建模对象:蜂窝小区PDCH信道利用率、PCU业务处理板负载和PCU Gb流量。在现有的时间序列模型中,ARIMA模型可以较好的获取网络的业务特性,对于存在一个或多个周期的序列,可以使用由ARIMA模型变化而来的季节性ARMIA模型来描述。但ARIMA模型建模及预测过程比较复杂,尤其是季节性模型,本文提出了一个比较实用,同时利于软件实现的建模方法:首先通过频谱分析检验数据的周期性,确定数据ARIMA模型的类型,以此为依据,本人对训练数据进行季节性差分和平稳化差分后,通过分析新序列的相关函数特征,找出相关函数非零点的位置,以这些非零点作为模型自回归和移动平均阶数的组合,使用最小二乘法估计多项式参数,然后根据AIC准则找出最合适的模型。本文以常德移动GSM/GPRS网络3类性能统计数据过去长达8个月的统计数据,以其中前7个月的统计数据为训练数据,使用本文提出的ARIMA模型建模方法进行建模,获得模型的类型、阶数和参数,并在此基础上作出30天的预测,结果与实际网络中的数据比较接近,相对误差小于0.05,说明ARIMA模型在网络性能统计数据时间序列建模上是很有效的。另外,由于移动网络的蜂窝小区众多,对于小区级的统计项目而言,如果要对每个小区进行建模,其计算量非常巨大,导致算法无法实用。因此,本文提出一个解决方案:先对蜂窝小区使用聚类算法进行分类,然后对每一类中的中心小区进行ARIMA建模,所得模型作为每类小区的统一模型。经过实际计算,本人发现同一类小区的模型阶数相同,模型参数基本一致,证明这个方法是可行的。最后,通过SQL Server 2005分析服务插件算法接口,本人实现了一个与分析服务集成的支持通用型ARMA系列模型的插件软件。

全文目录

摘要  5-7
Abstract  7-11
插图索引  11-12
附表索引  12-13
第1章绪论  13-17
  1.1 研究背景及意义  13-14
  1.2 研究状况  14-15
  1.3 论文主要研究内容  15-16
  1.4 论文的组织结构  16-17
第2章理论基础  17-37
  2.1 GSM 移动通信网络简介  17-19
  2.2 GPRS 移动数据网络简介  19-21
  2.3 OMCR 系统简介  21-23
  2.4 聚类分析简介  23-24
  2.5 时间序列建模技术简介  24-32
  2.6 微软 SQL Server 2005 分析服务功能简介  32-35
  2.7 SQL Server 2005 数据挖掘扩展插件算法简介  35-36
  2.8 本章小结  36-37
第3章 GSM/GPRS 性能统计数据时间序列建模  37-54
  3.1 研究准备  37
  3.2 蜂窝小区分类  37-40
    3.2.1 小区分类的目的  37-38
    3.2.2 聚类算法的使用  38-40
    3.2.3 分类结论  40
  3.3 下行PDCH 信道利用率建模  40-46
    3.3.1 建模需要的训练数据介绍  40-42
    3.3.2 数据平稳化  42-43
    3.3.3 建立模型  43-44
    3.3.4 模型预测检验  44-45
    3.3.5 模型对其它同类性小区的适用性  45-46
  3.4 PCU 板件负载建模  46-50
    3.4.1 模型识别  47-48
    3.4.2 建模步骤  48-49
    3.4.3 模型验证  49-50
  3.5 GB 链路流量建模  50-53
    3.5.1 数据平稳化  50-51
    3.5.2 模型确定  51-52
    3.5.3 模型预测与检验  52-53
  3.6 本章小结  53-54
第4章季节性ARIMA 模型插件开发  54-64
  4.1 季节性ARIMA 插件算法设计  54-56
    4.1.1 与SQL Server 2005 分析服务集成算法选择  54-55
    4.1.2 插件算法接口设计  55-56
  4.2 ARIMA 算法设计与实现  56-63
    4.2.1 软件架构设计  56-57
    4.2.3 模型训练流程  57-59
    4.2.4 模型训练过程中主要函数介绍  59-61
    4.2.5 软件运行界面  61-63
  4.3 本章小结  63-64
第5章结论  64-67
  5.1 论文工作总结  64-65
  5.2 问题和展望  65-67
参考文献  67-70
致谢  70-71
附录 A 攻读硕士期间发表论文及参加的科研项目  71

时间序列分析技术在移动网络性能建模与预测中的应用

内容摘要

全文目录

相似论文