一種基于時序分析的光傳輸網(wǎng)絡(luò)趨勢預(yù)測方法
【專利摘要】本發(fā)明公開了一種基于時序分析的光傳輸網(wǎng)絡(luò)趨勢預(yù)測方法，具體步驟包括:1)網(wǎng)管性能參數(shù)篩選。選擇能夠反映網(wǎng)絡(luò)運行狀態(tài)的網(wǎng)管性能參數(shù)。2)網(wǎng)管性能數(shù)據(jù)獲取。通過光傳輸設(shè)備網(wǎng)管的北向接口獲取指定的網(wǎng)管性能數(shù)據(jù)。3)時間序列形成。在采樣周期內(nèi)不間斷采集網(wǎng)管性能數(shù)據(jù)，按一定的時間間隔排列成某性能參數(shù)特征量數(shù)值的時間序列。4)時間序列分解。通過對時間序列樣本的分析，分解出時間序列中的趨勢項、周期項和隨機項。5)分項預(yù)測值計算。針對三種不同類型的分解項，根據(jù)各自的預(yù)測模型分別估算預(yù)測值。6)最終預(yù)測值計算。根據(jù)時間序列加法模型，計算最終的預(yù)測值，并與真實值進(jìn)行交叉驗證。
【專利說明】
-種基于時序分析的光傳輸網(wǎng)絡(luò)趨勢預(yù)測方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及基于時序分析的光傳輸網(wǎng)絡(luò)趨勢預(yù)測模型研究，特別是設(shè)及一種基于 時序分析的光傳輸網(wǎng)絡(luò)趨勢預(yù)測方法。屬于電力通信技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 電力通信網(wǎng)絡(luò)運行狀態(tài)的實時診斷直接關(guān)系到電力系統(tǒng)的安全穩(wěn)定運行。隨著電 力企業(yè)智能電網(wǎng)和"Ξ集五大"體系的全面推進(jìn)，越來越多的電網(wǎng)運行控制業(yè)務(wù)與企業(yè)管理 信息業(yè)務(wù)需要通過電力通信網(wǎng)進(jìn)行傳輸，使得電力系統(tǒng)對于通信網(wǎng)的依賴程度不斷加大， 通信網(wǎng)的單點故障可能會對電力系統(tǒng)的安全生產(chǎn)造成不利影響。
[0003] 傳統(tǒng)的電力通信網(wǎng)監(jiān)控與診斷主要是基于專業(yè)網(wǎng)絡(luò)管理系統(tǒng)提示的告警信息，但 對于那些征兆不明顯、可能存在隱患的性能信息則缺乏有效的診斷手段。隨著電力通信網(wǎng) 規(guī)模和專業(yè)網(wǎng)絡(luò)管理系統(tǒng)的不斷擴大，原有的運種實時監(jiān)控和事后處理的診斷手段已無法 滿足電力通信精益化管理的需要。通信運行維護人員不僅需要了解通信網(wǎng)絡(luò)當(dāng)前的運行狀 態(tài)，更希望了解網(wǎng)絡(luò)未來的運行趨勢W及運行狀態(tài)的變化，W便能夠合理調(diào)整通信設(shè)備的 運行方式，并且可W科學(xué)地延長通信設(shè)備的維修間隔，最大限度地提高通信設(shè)備的效率。

【發(fā)明內(nèi)容】

[0004] 為了解決傳統(tǒng)的電力通信網(wǎng)對那些征兆不明顯、存在隱患的性能信息缺乏有效的 診斷手段運一現(xiàn)實問題，本發(fā)明從專業(yè)網(wǎng)絡(luò)管理系統(tǒng)提供的表征網(wǎng)絡(luò)運行狀態(tài)的性能參數(shù) 入手，W概率論與數(shù)理統(tǒng)計理論為基礎(chǔ)并根據(jù)時序分析基本理論及方法，通過構(gòu)建網(wǎng)絡(luò)趨 勢預(yù)測模型，能準(zhǔn)確預(yù)測出通信網(wǎng)絡(luò)的運行狀態(tài)，從而為基于設(shè)備狀態(tài)檢修的主動維護模 式提供技術(shù)支撐。
[0005] 本發(fā)明解決其技術(shù)問題所依據(jù)的科學(xué)原理：
[0006] 時間序列分析(Time Series Analysis)通過分析不同時刻變量的相關(guān)關(guān)系，掲示 其與時間序列相關(guān)的結(jié)構(gòu)與規(guī)律，從而認(rèn)識產(chǎn)生時間序列系統(tǒng)的固有特性，掌握數(shù)據(jù)內(nèi)部 系統(tǒng)與外部的聯(lián)系規(guī)律，從系統(tǒng)的過去值去預(yù)測與控制將來值。
[0007] 設(shè)一組隨機變量值，其構(gòu)成的序列稱為隨機序列，用表示。如果下標(biāo)是整數(shù)變量， 它代表時間間隔的時刻增長量，如第t時刻、第t天、第t次，稱運種隨機序列為時間序列。
[000引將某一特征量的數(shù)值按一定的時間間隔排列就可W得到該特征量數(shù)值的時間序 列。現(xiàn)實中監(jiān)測到的光傳輸網(wǎng)絡(luò)性能參數(shù)的時間序列變化受許多因素的影響：
[0009] 1)因偶然的、非決定性的隨機因素影響表現(xiàn)出其隨機的波動性和不規(guī)則性。比如 光傳輸網(wǎng)絡(luò)性能參數(shù)在監(jiān)測過程中受到某些隨機干擾，使得其特征量的數(shù)據(jù)表現(xiàn)出某種隨 機的波動。
[0010] 2)由于受到某些固定因素或周期性因素的、決定性的影響使其變化呈現(xiàn)出某種趨 勢和一定的規(guī)律性。當(dāng)監(jiān)測過程中光傳輸網(wǎng)絡(luò)受到某潛在故障的影響時，其性能參數(shù)數(shù)值 通常會表現(xiàn)出某種持續(xù)上升或下降的趨勢。
[0011] 3)在監(jiān)測過程中又受到某些周期性的運行條件影響，其數(shù)值又會呈現(xiàn)出周期性的 規(guī)律波動。在監(jiān)測過程中又受到某些周期性的運行條件影響，其數(shù)值又會呈現(xiàn)出周期性的 規(guī)律波動。
[0012] 本文引入時間序列分解方法的目的，就是想通過分析并區(qū)分影響特征量數(shù)值變化 的因素，并分別分析其對時問序列變動的規(guī)律，W掲示因通信設(shè)備潛在故障引起的長期趨 勢變化規(guī)律，并預(yù)測其未來發(fā)展趨勢，為實行通信網(wǎng)絡(luò)狀態(tài)檢修提供技術(shù)支持。
[0013] 為了解決上述問題，本發(fā)明所采取的技術(shù)方案是：
[0014] 1、一種基于時序分析的光傳輸網(wǎng)絡(luò)趨勢預(yù)測方法，其特征在于:具體包括W下步 驟：
[0015] 步驟1:網(wǎng)管性能參數(shù)篩選，依據(jù)權(quán)威國家標(biāo)準(zhǔn)和行業(yè)標(biāo)準(zhǔn)、現(xiàn)場的實驗數(shù)據(jù)、大量 的文獻(xiàn)資料W及專家的建議，選擇能夠反映網(wǎng)絡(luò)運行狀態(tài)的網(wǎng)管性能參數(shù)；
[0016] 步驟2:網(wǎng)管性能數(shù)據(jù)獲取，通過光傳輸設(shè)備網(wǎng)管的北向接口獲取指定的網(wǎng)管性能 數(shù)據(jù)；
[0017] 步驟3:時間序列形成，在采樣周期內(nèi)不間斷采集網(wǎng)管性能數(shù)據(jù)，按一定的時間間 隔排列成某性能參數(shù)特征量數(shù)值的時間序列；
[0018] 步驟4:時間序列分解，通過對時間序列樣本的分析，分解出時間序列中的趨勢項、 周期項和隨機項；
[0019] 步驟5:分項預(yù)測值計算，針對Ξ種不同類型的分解項，根據(jù)各自的預(yù)測模型分別 估算預(yù)測值，趨勢項通過滑動平均算法分解得到，周期項通過多周期疊加平均方法計算，再 使用延拓方法進(jìn)行后續(xù)周期數(shù)據(jù)的預(yù)測，隨機項使用ARMA(p，g)模型得到隨機項的預(yù)測數(shù) 據(jù)；
[0020] 步驟6:最終預(yù)測值計算，根據(jù)時間序列加法模型，計算最終的預(yù)測值，并與真實值 進(jìn)行交叉驗證。
[0021] 前述的一種基于時序分析的光傳輸網(wǎng)絡(luò)趨勢預(yù)測方法，其特征在于:在步驟1中， 在光傳輸設(shè)備中，對通信網(wǎng)絡(luò)運行狀態(tài)及承載的業(yè)務(wù)質(zhì)量有影響的性能參數(shù)包括背景塊誤 碼、誤碼塊、誤碼秒、誤碼率、不可用秒、嚴(yán)重誤碼秒、連續(xù)嚴(yán)重誤碼秒、FEC糾正字節(jié)計數(shù)、 FEC不能糾正的帖計數(shù)、CRC校驗錯、指針調(diào)整計數(shù)、保護倒換計數(shù)、工作溫度、輸入光功率、 輸出光功率、激光器偏置電流，其中，誤碼率和光功率是衡量通信網(wǎng)絡(luò)信號傳輸質(zhì)量的重要 指標(biāo)。
[0022] 前述的一種基于時序分析的光傳輸網(wǎng)絡(luò)趨勢預(yù)測方法，其特征在于:在步驟3中， 時間序列的形成：設(shè)一組隨機變量值，其構(gòu)成的序列稱為隨機序列，用Xt(t=l，2. ..η)表 示，如果下標(biāo)是整數(shù)變量，它代表時間間隔的時刻增長量，如第t時刻、第t天、第t次，稱運種 隨機序列為時間序列。
[0023] 前述的一種基于時序分析的光傳輸網(wǎng)絡(luò)趨勢預(yù)測方法，其特征在于:步驟4中，時 間序列分解的詳細(xì)分析過程:根據(jù)現(xiàn)代實用統(tǒng)計學(xué)相關(guān)理論，任何時間序列經(jīng)過合理的函 數(shù)變換，都可W被認(rèn)為由趨勢項，周期項，隨機項Ξ部分疊加而成，現(xiàn)實中監(jiān)測到的光傳輸 網(wǎng)絡(luò)性能參數(shù)的時間序列變化受許多因素的影響：
[0024] 1)因偶然的、非決定性的隨機因素影響表現(xiàn)出其隨機的波動性和不規(guī)則性，光傳 輸網(wǎng)絡(luò)性能參數(shù)在監(jiān)測過程中受到某些隨機干擾，使得其特征量的數(shù)據(jù)表現(xiàn)出某種隨機的 波動；
[0025] 2)由于受到某些周期性因素的影響使其變化呈現(xiàn)出一定的規(guī)律性，在監(jiān)測過程中 又受到某些周期性的運行條件影響，其數(shù)值會呈現(xiàn)出周期性的規(guī)律波動；
[0026] 3)由于受到某些固定因素的影響，時間序列呈一定的趨勢，當(dāng)監(jiān)測過程中光傳輸 網(wǎng)絡(luò)受到某潛在故障的影響時，其性能參數(shù)數(shù)值通常會表現(xiàn)出某種持續(xù)上升或下降的趨 勢；
[0027] 根據(jù)影響通信網(wǎng)絡(luò)狀態(tài)監(jiān)測量時間序列的因素，時間序列的變化大體可分解為W 下Ξ種形式：
[0028] (1)趨勢變動：指現(xiàn)象受固定因素影響隨時間變化朝著一定方向表現(xiàn)出持續(xù)穩(wěn)定 地上升、下降或平穩(wěn)的趨勢；
[0029] (2)循環(huán)變動：指現(xiàn)象受周期性因素影響按某固定周期表現(xiàn)出的周期性波動，同 樣，周期變動也是由于某些因素導(dǎo)致數(shù)據(jù)呈現(xiàn)周期性波動；
[0030] (3)隨機變動:指現(xiàn)象受偶然因素的影響而表現(xiàn)出的不規(guī)則波動；
[0031] 時間序列分析的首要任務(wù)是通過對采集到的性能參數(shù)進(jìn)行分析，將時間序列中的 趨勢項、周期項和隨機項分解出來，對分解的Ξ種不同類型項分別建立不同的回歸模型，并 通過己知性能參數(shù)數(shù)據(jù)進(jìn)行估計，最終實現(xiàn)基于時間序列的趨勢預(yù)測。
[0032] 前述的一種基于時序分析的光傳輸網(wǎng)絡(luò)趨勢預(yù)測方法，其特征在于:步驟5中，對 于趨勢項預(yù)測，采用多元線性回歸模型進(jìn)行估計和預(yù)測，多元線性回歸模型的一般形式為：
[0033] γ=μ〇+μιχι+...+μ"ιΧιη+ε (2)
[0034] 其中μ〇，μι......是m+1個未知參數(shù)，稱為回歸系數(shù)，y稱為被解釋變量，而xi， X2......Xm是m個采集得到的一般變量，即解釋變量，當(dāng)m= 1時，即為一元線性回歸模型; 2時，則為多元線性回歸模型，ε表示隨機誤差；
[0035] 對于我們獲得的Ν組監(jiān)測數(shù)據(jù)，第i組可W表示為:yi = xii，.....Xim，其中i = 1， 2,3……η，則線性回歸模型可表示為：
[0036]
[0037]由于實際值與估計值之間存在殘差61 = ；7廣(4日+41^；1葉。+41曲111+6〇，利用最小二乘 估計法，使得殘差的平方和最小，提高估計值的精度：
[0043] 對估計值少=，估計值與實際值的偏差為y - = €，因此， 一F二來+ e二義其+ e通過左右同時乘Wx'，可得到妙=姑片+扣而x'e=〇,故；
[0044] 根據(jù)采集到的性能參數(shù)樣本計算出估計值各，并通過實際值進(jìn)行驗證，從而得到 最終的樣本回歸方程：
[0045]
[0046] 由于少是E(y)的無偏估計，故可用少作為最終的預(yù)測值。
[0047] 前述的一種基于時序分析的光傳輸網(wǎng)絡(luò)趨勢預(yù)測方法，其特征在于:步驟5中，對 周期項St進(jìn)行分解，其相同相位上的數(shù)據(jù)點就構(gòu)成了序列。
[004引設(shè)周期項序列為{1'(*)八=1，2，...的，周期了 = }1，相同相位的數(shù)據(jù)點構(gòu)成同一列， 則原序列可變換為如下矩陣：
[0049]
[0050] 把上述矩陣（8)按列向量拆分成h個不同相位的子序列，從而完成了周期內(nèi)的重 構(gòu)，對每個子序列進(jìn)行建模，通過模擬相同相位在不同周期內(nèi)的變化規(guī)律，可W預(yù)測出此相 位在下一周期的數(shù)據(jù)值，從而把多步預(yù)測轉(zhuǎn)化為單步預(yù)測，周期項通過一次移動平均法得 到，即多周期觀察值疊加平均，利用運一均值作為下一期的預(yù)測值。
[0051] 前述的一種基于時序分析的光傳輸網(wǎng)絡(luò)趨勢預(yù)測方法，其特征在于:步驟5中，隨 機項預(yù)測，采用自回歸滑動平均模型的時序分析方法來建模和預(yù)測，采用自回歸滑動平均 模型簡稱ARMA模型，ARMA作為有限參數(shù)模型，只要確定有限個參數(shù)，即可完全確定模型，利 用ARMA模型來計算隨機項下一時刻的預(yù)測值主要根據(jù)其t時刻之前的P個歷史值和q個誤差 值線性計算得到，ARMA(p，g)模型具體可描述為：
[0化2]
[0化3] 公式(9)中￥4+1)為下一時刻隨機項的預(yù)測值，^^和0為不等于零的待定系數(shù)，口和 q分別為ARMA模型自回歸階數(shù)和移動平均階數(shù);V(t+l-i)為在t時刻前的隨機項測量值，e(t + l-j)為t時刻前的隨機項預(yù)測誤差項，因此，隨機項預(yù)測模型中最重要的是確定模型參數(shù)P 與階次q的值，
[0054] 對于階次q的取值，當(dāng)時間序列的自相關(guān)系數(shù)在某d階后有近95%的數(shù)值均落在2 倍標(biāo)準(zhǔn)差范圍內(nèi)，且自相關(guān)系數(shù)的衰減為小值的波動過程，則可認(rèn)為模型階數(shù)為此d值，
[0055] 對于模型參數(shù)P的取值，通過采集N個樣本數(shù)據(jù)，利用最小二乘回歸法估計，取得殘 差值為：
[0化6]
[0057] 其中，p = l，2，…，N，V(t+l)為t+l時候的實際值，殘差e為實際值和預(yù)測值的偏差， N為樣本數(shù)量，根據(jù)公式(4)趨勢項預(yù)測的最小二乘回歸法，可得到其解為
[0058] 模型參數(shù)P與階次q的值確定后，則根據(jù)歷史數(shù)據(jù)對隨機項進(jìn)行預(yù)測。
[0059] 前述的一種基于時序分析的光傳輸網(wǎng)絡(luò)趨勢預(yù)測方法，其特征在于:步驟6 :最終 預(yù)測值計算，由于影響通信網(wǎng)絡(luò)監(jiān)測的性能參數(shù)特征量的因素是相互獨立的，因此得到的 預(yù)測量應(yīng)該是Ξ種因素影響之和，可采用時間序列分析的加法模型：
[0060] Xt=Mt+St+It (1)
[006。 其中：Xt為原始數(shù)據(jù)項，Mt為趨勢項，St為周期項，且滿^
d表示 時間間隔數(shù)，It為隨機項。
[0062] 前述的一種基于時序分析的光傳輸網(wǎng)絡(luò)趨勢預(yù)測方法，其特征在于:對計算得到 的最小二乘線性回歸估計值/^進(jìn)行必要的檢驗與評價，即檢驗在總體水平上因變量和自 變量之間是否存在線性關(guān)系，具體包括：回歸方程擬合程度的測定、估計標(biāo)準(zhǔn)誤差、回歸方 程的假設(shè)檢驗、回歸系數(shù)的假設(shè)檢驗和多重共線性判別。
[0063] 本發(fā)明所達(dá)到的有益效果:本發(fā)明基于時序分析的光傳輸網(wǎng)絡(luò)趨勢預(yù)測方法，可 為通信網(wǎng)絡(luò)狀態(tài)檢修提供技術(shù)支持和判斷依據(jù)。根據(jù)時間序列分析理論，從專業(yè)設(shè)備網(wǎng)管 所提供的表征網(wǎng)絡(luò)運行狀態(tài)的性能參數(shù)入手，W概率論與數(shù)理統(tǒng)計理論為基礎(chǔ)，建立了基 于時間序列變化分解的網(wǎng)絡(luò)性能特征量趨勢預(yù)測模型，并通過實際采集的性能參數(shù)數(shù)據(jù)對 分解模型和算法進(jìn)行了驗證。本發(fā)明方法能夠提前發(fā)現(xiàn)通信設(shè)備的潛伏性故障，降低了通 信設(shè)備檢修維護費用，提高了通信網(wǎng)運行安全性和可靠性。
【附圖說明】
[0064] 圖1是趨勢預(yù)測模型算法流程圖。
[0065] 圖2是原始數(shù)據(jù)曲線圖。
[0066] 圖3是預(yù)測數(shù)據(jù)與真實數(shù)據(jù)比較圖。
【具體實施方式】
[0067] 下面結(jié)合附圖對本發(fā)明作進(jìn)一步描述。W下實施例僅用于更加清楚地說明本發(fā)明 的技術(shù)方案，而不能W此來限制本發(fā)明的保護范圍。
[0068] 如圖1所示，一種基于時序分析的光傳輸網(wǎng)絡(luò)趨勢預(yù)測方法，其特征在于:具體包 括W下步驟：
[0069] 步驟1:網(wǎng)管性能參數(shù)篩選，依據(jù)權(quán)威國家標(biāo)準(zhǔn)和行業(yè)標(biāo)準(zhǔn)、現(xiàn)場的實驗數(shù)據(jù)、大量 的文獻(xiàn)資料W及專家的建議，選擇能夠反映網(wǎng)絡(luò)運行狀態(tài)的網(wǎng)管性能參數(shù)。
[0070] 步驟2:網(wǎng)管性能數(shù)據(jù)獲取，通過光傳輸設(shè)備網(wǎng)管的北向接口獲取指定的網(wǎng)管性能 數(shù)據(jù)；
[0071] 步驟3:時間序列形成，在采樣周期內(nèi)不間斷采集網(wǎng)管性能數(shù)據(jù)，按一定的時間間 隔排列成某性能參數(shù)特征量數(shù)值的時間序列；
[0072] 步驟4:時間序列分解，通過對時間序列樣本的分析，分解出時間序列中的趨勢項、 周期項和隨機項；
[0073] 步驟5:分項預(yù)測值計算，針對Ξ種不同類型的分解項，根據(jù)各自的預(yù)測模型分別 估算預(yù)測值，趨勢項通過滑動平均算法分解得到，周期項通過多周期疊加平均方法計算，再 使用延拓方法進(jìn)行后續(xù)周期數(shù)據(jù)的預(yù)測，隨機項使用ARMA(p，g)模型得到隨機項的預(yù)測數(shù) 據(jù)；
[0074] 步驟6:最終預(yù)測值計算，根據(jù)時間序列加法模型，計算最終的預(yù)測值，并與真實值 進(jìn)行交叉驗證。
[0075] 本發(fā)明對趨勢預(yù)測模型的推算結(jié)果：
[0076] 根據(jù)影響通信網(wǎng)絡(luò)狀態(tài)監(jiān)測量時間序列的因素，時間序列的變化大體可分解為W 下Ξ種形式：
[0077] (1)趨勢變動：指現(xiàn)象受固定因素影響隨時間變化朝著一定方向表現(xiàn)出持續(xù)穩(wěn)定 地上升、下降或平穩(wěn)的趨勢。
[0078] (2)循環(huán)變動：指現(xiàn)象受周期性因素影響按某固定周期表現(xiàn)出的周期性波動。同 樣，周期變動也是由于某些因素導(dǎo)致數(shù)據(jù)呈現(xiàn)周期性波動。
[0079] (3)隨機變動:指現(xiàn)象受偶然因素的影響而表現(xiàn)出的不規(guī)則波動。
[0080] 時間序列分析的首要任務(wù)是通過對采集到的性能參數(shù)進(jìn)行分析，將時間序列中的 趨勢項、周期項和隨機項分解出來。對分解的Ξ種不同類型項分別建立不同的回歸模型，并 通過己知性能參數(shù)數(shù)據(jù)進(jìn)行估計，最終實現(xiàn)基于時間序列的趨勢預(yù)測。
[0081] 具體采用何種方法分析和評測時間序列中各因素的變動規(guī)律或變動特征主要取 決于對Ξ種變動因素之間相互關(guān)系的假設(shè)。通常時間序列各變動因素的關(guān)系主要有兩種加 法關(guān)系和乘法關(guān)系，相應(yīng)的形成了加法模型或乘法模型。
[0082] 由于影響通信網(wǎng)絡(luò)監(jiān)測的性能參數(shù)特征量的因素是相互獨立的，因此.得到的預(yù) 測量應(yīng)該是Ξ種因素影響之和，可采用時間序列分析的加法模型：
[0083] Xt=Mt+St+It (1)
[0084] 其中：Xt為原始數(shù)據(jù)項，Mt為趨勢項，St為周期項，且滿月
It為隨 機項。
[0085] 1)趨勢項預(yù)測模型
[0086] 對于趨勢項，通?？刹捎枚嘣€性回歸模型進(jìn)行估計和預(yù)測。多元線性回歸模型 的一般形式為：
[0087] γ=μ〇+μιχι+.··+μιιιΧιη+ε (2)
[0088] 其中μ〇，μι......μη是m+l個未知參數(shù)，稱為回歸系數(shù)，y稱為被解釋變量，而XI， X2......Xm是m個采集得到的一般變量，即解釋變量。當(dāng)m=l時，即為一元線性回歸模型; 2時，則為多元線性回歸模型，ε表示隨機誤差。
[0089] 對于我們獲得的Ν組監(jiān)測數(shù)據(jù)，第i組可W表示為：yi=Xil，Xi2.....Xim，其中i = l， 2,3……η，則線性回歸模型可表示為：
[0090]
[0091] 由于實際值與估計值之間存在殘差ei = yi-(y帥ixii+…+μηΧιη+ε〇,利用最小二乘 估計法，使得殘差的平方和最小，提高估計值的精度：
[0092] Σ 6i 二 Σ (γ?-(μ〇+μιΧ??Η l~]imXim+￡i) ) (4)
[0093] 其必要條件為：
[0094]
[00M]經(jīng)計算，公式(4)可轉(zhuǎn)化為：
[0096]
[0097] 對估計值支=義為，估計值與實際值的偏差為/ -弟=6。因此， y =少+ e =義為+ e,通過左右同時乘Wx'，可得到種=x'z為+成，而X' e = 0，故： 爲(wèi)=(X嗦)-?χ少 打
[0098] 對計算得到的最小二乘線性回歸估計值/i，進(jìn)行必要的檢驗與評價，即檢驗在總 體水平上，因變量和自變量之間是否存在線性關(guān)系，具體包括：回歸方程擬合程度的測定、 估計標(biāo)準(zhǔn)誤差、回歸方程的假設(shè)檢驗、回歸系數(shù)的假設(shè)檢驗和多重共線性判別等等。
[0099] 根據(jù)采集到的性能參數(shù)樣本計算出估計值/?，并通過實際值進(jìn)行驗證，從而得到 最終的樣本回歸方程：
[0100]
[0101] 由于少是6(7)的無偏估計，故可用#作為最終的預(yù)測值。
[0102] 2)周期項預(yù)測模型
[0103] 周期項具有周期變化特征，在某段時間內(nèi)不斷做著有規(guī)律的重復(fù)，因此，相同相位 上的點會在一個特定的值附近上下變動。對周期項St進(jìn)行分解，其相同相位上的數(shù)據(jù)點就 構(gòu)成了序列。
[0104] 設(shè)周期項序列為{1'(*)八=1，2，-，的，周期了 = }1，相同相位的數(shù)據(jù)點構(gòu)成同一列， 則原序列可變換為如下矩陣：
[0105]
[0106] 把上述矩陣（8)按列向量拆分成h個不同相位的子序列，從而完成了周期內(nèi)的重 構(gòu)。對每個子序列進(jìn)行建模，通過模擬相同相位在不同周期內(nèi)的變化規(guī)律，可W預(yù)測出此相 位在下一周期的數(shù)據(jù)值，從而把多步預(yù)測轉(zhuǎn)化為單步預(yù)測。
[0107] 3)隨機項預(yù)測模型
[0108] 時間序列中除了趨勢項和周期項W外，還可能存在某種平衡波動性，運種時間序 列通常為平穩(wěn)序列。對于平穩(wěn)序列，可采用自回歸滑動平均模型（Auto-Regressive and Moving Average Model，簡稱ARMA模型）的時序分析方法來建模和預(yù)測。ARMA作為有限參數(shù) 模型，只要確定有限個參數(shù)，即可完全確定模型。利用ARMA模型來計算隨機項下一時刻的預(yù) 測值主要根據(jù)其t時刻之前的P個歷史值和q個誤差值線性計算得到。ARMA(p，g)模型具體可 描述為：
[0109]
[0110] 公式(9)中V(t+1)為下一時刻隨機項的預(yù)測值，f和Θ為不等于零的待定系數(shù)，P和q 分別為ARMA模型自回歸階數(shù)和移動平均階數(shù);V(t+1-i)為在t時刻前的隨機項測量值，ε (t+ 1-j)為t時刻前的隨機項預(yù)測誤差項。因此，隨機項預(yù)測模型中最重要的是確定模型參數(shù)p 與階次q的值。
[0111] 對于階次q的取值，當(dāng)時間序列的自相關(guān)系數(shù)在某d階后有近95%的數(shù)值均落在2 倍標(biāo)準(zhǔn)差范圍內(nèi)，且自相關(guān)系數(shù)的衰減為小值的波動過程，則可認(rèn)為模型階數(shù)為此d值。
[0112] 對于模型參數(shù)P的取值，通過采集N個樣本數(shù)據(jù)，利用最小二乘回歸法估計，取得殘 差值為：
[0113]
[0114] 其中，p = l，2，…，N，V(t+l)為t+l時候的實際值，殘差e為實際值和預(yù)測值的偏差， N為樣本數(shù)量。根據(jù)公式(4)趨勢項預(yù)測的最小二乘回歸法，可得到其解為= (x'：x尸《少 〇
[0115] 模型參數(shù)P與階次q的值確定后，則可根據(jù)歷史數(shù)據(jù)對隨機項進(jìn)行預(yù)測。
[0116] 下面結(jié)合本發(fā)明實施所依據(jù)的趨勢預(yù)測模型算法流程圖（如圖1)產(chǎn)生原始數(shù)據(jù)曲 線圖（如圖2)，最終獲得與真實數(shù)據(jù)吻合較好的預(yù)測模型預(yù)測數(shù)據(jù)與真實數(shù)據(jù)比較圖（如圖 3)對本方法做描述：
[0117] 1、網(wǎng)管性能參數(shù)篩選
[0118] 在光傳輸設(shè)備中，對通信網(wǎng)絡(luò)運行狀態(tài)及承載的業(yè)務(wù)質(zhì)量有影響的性能參數(shù)包括 背景塊誤碼、誤碼塊、誤碼秒、誤碼率、不可用秒、嚴(yán)重誤碼秒、連續(xù)嚴(yán)重誤碼秒、FEC糾正字 節(jié)計數(shù)、FEC不能糾正的帖計數(shù)、CRC校驗錯、指針調(diào)整計數(shù)、保護倒換計數(shù)、工作溫度、輸入 光功率、輸出光功率、激光器偏置電流等。其中，誤碼率和光功率是衡量通信網(wǎng)絡(luò)信號傳輸 質(zhì)量的重要指標(biāo)。
[0119] 2、網(wǎng)管性能數(shù)據(jù)獲取
[0120] 本節(jié)W-個實際的某省電力通信網(wǎng)光傳輸設(shè)備的光功率發(fā)送值為例，時間段為一 年內(nèi)的特征值，采集周期為24小時，共獲取了 365組數(shù)據(jù)。原始數(shù)據(jù)曲線圖見圖2。
[0121] 3、基于時間序列的預(yù)測模型推算
[0122] 基于時間序列的趨勢預(yù)測算法，采用時間序列預(yù)測步驟如下：
[0123] 1)趨勢項通過滑動平均算法分解得到，再進(jìn)行多項式最小二乘回歸得到趨勢項的 預(yù)測數(shù)據(jù)，其中階次選擇8次。
[0124] 2)周期項通過多周期疊加平均得到，再使用延拓方法進(jìn)行后續(xù)周期數(shù)據(jù)的預(yù)測。
[0125] 3)隨機項通過得到，再使用ARMA(p，g)模型（自回歸滑動平均模型)得到隨機項的 預(yù)測數(shù)據(jù)。
[0126] 4)通過時間序列加法模型，得到最終的預(yù)測值。并通過交叉對比驗證預(yù)測方法的 精確性。
[0127] 4、與真實值進(jìn)行交叉驗證
[0128] 由圖3可見，預(yù)測趨勢與實際監(jiān)測趨勢吻合度較高，具有較好的實用性。
[0129] W上顯示和描述了本發(fā)明的基本原理、主要特征及優(yōu)點。本行業(yè)的技術(shù)人員應(yīng)該 了解，本發(fā)明不受上述實施例的限制，上述實施例和說明書中描述的只是說明本發(fā)明的原 理，在不脫離本發(fā)明精神和范圍的前提下，本發(fā)明還會有各種變化和改進(jìn)，運些變化和改進(jìn) 都落入要求保護的本發(fā)明范圍內(nèi)。本發(fā)明要求保護范圍由所附的權(quán)利要求書及其等效物界 定。
【主權(quán)項】
1. 一種基于時序分析的光傳輸網(wǎng)絡(luò)趨勢預(yù)測方法，其特征在于:具體包括以下步驟： 步驟1:網(wǎng)管性能參數(shù)篩選，依據(jù)權(quán)威國家標(biāo)準(zhǔn)和行業(yè)標(biāo)準(zhǔn)、現(xiàn)場的實驗數(shù)據(jù)、大量的文 獻(xiàn)資料以及專家的建議，選擇能夠反映網(wǎng)絡(luò)運行狀態(tài)的網(wǎng)管性能參數(shù)； 步驟2:網(wǎng)管性能數(shù)據(jù)獲取，通過光傳輸設(shè)備網(wǎng)管的北向接口獲取指定的網(wǎng)管性能數(shù) 據(jù)； 步驟3:時間序列形成，在采樣周期內(nèi)不間斷采集網(wǎng)管性能數(shù)據(jù)，按一定的時間間隔排 列成某性能參數(shù)特征量數(shù)值的時間序列； 步驟4:時間序列分解，通過對時間序列樣本的分析，分解出時間序列中的趨勢項、周期 項和隨機項； 步驟5:分項預(yù)測值計算，針對三種不同類型的分解項，根據(jù)各自的預(yù)測模型分別估算 預(yù)測值，趨勢項通過滑動平均算法分解得到，周期項通過多周期疊加平均方法計算，再使用 延拓方法進(jìn)行后續(xù)周期數(shù)據(jù)的預(yù)測，隨機項使用ARMA(p，g)模型得到隨機項的預(yù)測數(shù)據(jù)； 步驟6:最終預(yù)測值計算，根據(jù)時間序列加法模型，計算最終的預(yù)測值，并與真實值進(jìn)行 交叉驗證。2. 根據(jù)權(quán)利要求1所述的一種基于時序分析的光傳輸網(wǎng)絡(luò)趨勢預(yù)測方法，其特征在于： 在步驟1中，在光傳輸設(shè)備中，對通信網(wǎng)絡(luò)運行狀態(tài)及承載的業(yè)務(wù)質(zhì)量有影響的性能參數(shù)包 括背景塊誤碼、誤碼塊、誤碼秒、誤碼率、不可用秒、嚴(yán)重誤碼秒、連續(xù)嚴(yán)重誤碼秒、FEC糾正 字節(jié)計數(shù)、FEC不能糾正的幀計數(shù)、CRC校驗錯、指針調(diào)整計數(shù)、保護倒換計數(shù)、工作溫度、輸 入光功率、輸出光功率、激光器偏置電流，其中，誤碼率和光功率是衡量通信網(wǎng)絡(luò)信號傳輸 質(zhì)量的重要指標(biāo)。3. 根據(jù)權(quán)利要求2所述的一種基于時序分析的光傳輸網(wǎng)絡(luò)趨勢預(yù)測方法，其特征在于： 在步驟3中，時間序列的形成:設(shè)一組隨機變量值，其構(gòu)成的序列稱為隨機序列，用Xt(t = 1，2...η)表示，如果下標(biāo)是整數(shù)變量，它代表時間間隔的時刻增長量，如第t時刻、第t天、 第t次，稱這種隨機序列為時間序列。4. 根據(jù)權(quán)利要求3所述的一種基于時序分析的光傳輸網(wǎng)絡(luò)趨勢預(yù)測方法，其特征在于： 步驟4中，時間序列分解的詳細(xì)分析過程:根據(jù)現(xiàn)代實用統(tǒng)計學(xué)相關(guān)理論，任何時間序列經(jīng) 過合理的函數(shù)變換，都可以被認(rèn)為由趨勢項，周期項，隨機項三部分疊加而成，現(xiàn)實中監(jiān)測 到的光傳輸網(wǎng)絡(luò)性能參數(shù)的時間序列變化受許多因素的影響： 1) 因偶然的、非決定性的隨機因素影響表現(xiàn)出其隨機的波動性和不規(guī)則性，光傳輸網(wǎng) 絡(luò)性能參數(shù)在監(jiān)測過程中受到某些隨機干擾，使得其特征量的數(shù)據(jù)表現(xiàn)出某種隨機的波 動； 2) 由于受到某些周期性因素的影響使其變化呈現(xiàn)出一定的規(guī)律性，在監(jiān)測過程中又受 到某些周期性的運行條件影響，其數(shù)值會呈現(xiàn)出周期性的規(guī)律波動； 3) 由于受到某些固定因素的影響，時間序列呈一定的趨勢，當(dāng)監(jiān)測過程中光傳輸網(wǎng)絡(luò) 受到某潛在故障的影響時，其性能參數(shù)數(shù)值通常會表現(xiàn)出某種持續(xù)上升或下降的趨勢； 根據(jù)影響通信網(wǎng)絡(luò)狀態(tài)監(jiān)測量時間序列的因素，時間序列的變化大體可分解為以下三 種形式： (1)趨勢變動：指現(xiàn)象受固定因素影響隨時間變化朝著一定方向表現(xiàn)出持續(xù)穩(wěn)定地上 升、下降或平穩(wěn)的趨勢； (2) 循環(huán)變動：指現(xiàn)象受周期性因素影響按某固定周期表現(xiàn)出的周期性波動，同樣，周 期變動也是由于某些因素導(dǎo)致數(shù)據(jù)呈現(xiàn)周期性波動； (3) 隨機變動:指現(xiàn)象受偶然因素的影響而表現(xiàn)出的不規(guī)則波動； 時間序列分析的首要任務(wù)是通過對采集到的性能參數(shù)進(jìn)行分析，將時間序列中的趨勢 項、周期項和隨機項分解出來，對分解的三種不同類型項分別建立不同的回歸模型，并通過 己知性能參數(shù)數(shù)據(jù)進(jìn)行估計，最終實現(xiàn)基于時間序列的趨勢預(yù)測。5.根據(jù)權(quán)利要求4所述的一種基于時序分析的光傳輸網(wǎng)絡(luò)趨勢預(yù)測方法，其特征在于： 步驟5中，對于趨勢項預(yù)測，采用多元線性回歸模型進(jìn)行估計和預(yù)測，多元線性回歸模型的 一般形式為： y = μ〇+μιχι+· · · +ymxm+ ε (2) 其中μ〇，μι......ym是m+1個未知參數(shù)，稱為回歸系數(shù)，y稱為被解釋變量，而XI， X2......Xm是m個采集得到的一般變量，即解釋變量，當(dāng)m = 1時，即為一元線性回歸模型;m彡 2時，則為多元線性回歸模型，ε表示隨機誤差； 對于我們獲得的Ν組監(jiān)測數(shù)據(jù)，第i組可以表示為：yi = Xll，xl2……xim，其中i = l，2， 3……η，則線性回歸模型可表示為：由于實際值與估計值之間存在殘差61 = 5^-(以0+以出1 + "_+以11^111+￡1)，利用最小二乘估計 法，使得殘差的平方和最小，提高估計值的精度： Σ θ? 一 Σ (yi-(]i〇+]ilXil+'' +]imXim'l'￡ i ) ) (4 ) 其必要條件為：經(jīng)計算，公式(4)可轉(zhuǎn)化為：對估計值，=估計值與實際值的偏差為，- ,=e，因此，尸=/ + +氣 通過左右同時乘以X'，可得到力7 = Α，而1、= 0,故：3 根據(jù)采集到的性能參數(shù)樣本計算出估計值A(chǔ) ,并通過實際值進(jìn)行驗證，從而得到最終的 樣本回歸方程： # - 4 + v + + - + (7) 由于#是E(y)的無偏估計，故可用f作為最終的預(yù)測值。6. 根據(jù)權(quán)利要求4所述的一種基于時序分析的光傳輸網(wǎng)絡(luò)趨勢預(yù)測方法，其特征在于： 步驟5中，對周期項St進(jìn)行分解，其相同相位上的數(shù)據(jù)點就構(gòu)成了序列。 設(shè)周期項序列為{1'(〇4 = 1，2，一《，周期1 = 11，相同相位的數(shù)據(jù)點構(gòu)成同一列，則原 序列可變換為如下矩陣：把上述矩陣(8)按列向量拆分成h個不同相位的子序列，從而完成了周期內(nèi)的重構(gòu)，對 每個子序列進(jìn)行建模，通過模擬相同相位在不同周期內(nèi)的變化規(guī)律，可以預(yù)測出此相位在 下一周期的數(shù)據(jù)值，從而把多步預(yù)測轉(zhuǎn)化為單步預(yù)測，周期項通過一次移動平均法得到，即 多周期觀察值疊加平均，利用這一均值作為下一期的預(yù)測值。7. 根據(jù)權(quán)利要求4所述的一種基于時序分析的光傳輸網(wǎng)絡(luò)趨勢預(yù)測方法，其特征在于： 步驟5中，隨機項預(yù)測，采用自回歸滑動平均模型的時序分析方法來建模和預(yù)測，采用自回 歸滑動平均模型簡稱ARMA模型，ARMA作為有限參數(shù)模型，只要確定有限個參數(shù)，即可完全確 定模型，利用ARMA模型來計算隨機項下一時刻的預(yù)測值主要根據(jù)其t時刻之前的p個歷史值 和q個誤差值線性計算得到，ARMA(p，g)模型具體可描述為：公式(9)中V(t+1)為下一時刻隨機項的預(yù)測值，0和Θ為不等于零的待定系數(shù)，p和q分別 為ARMA模型自回歸階數(shù)和移動平均階數(shù);V(t+l_i)為在t時刻前的隨機項測量值，ε(t+1-j) 為t時刻前的隨機項預(yù)測誤差項，因此，隨機項預(yù)測模型中最重要的是確定模型參數(shù)ρ與階 次q的值， 對于階次q的取值，當(dāng)時間序列的自相關(guān)系數(shù)在某d階后有近95%的數(shù)值均落在2倍標(biāo) 準(zhǔn)差范圍內(nèi)，且自相關(guān)系數(shù)的衰減為小值的波動過程，則可認(rèn)為模型階數(shù)為此d值， 對于模型參數(shù)P的取值，通過采集N個樣本數(shù)據(jù)，利用最小二乘回歸法估計，取得殘差值 為：其中，？=1，2，一，1￥(〖+1)為〖+1時候的實際值，殘差6為實際值和預(yù)測值的偏差4為 樣本數(shù)量，根據(jù)公式(4)趨勢項預(yù)測的最小二乘回歸法，可得到其解為# = 模型參數(shù)P與階次q的值確定后，則根據(jù)歷史數(shù)據(jù)對隨機項進(jìn)行預(yù)測。8. 根據(jù)權(quán)利要求5所述的一種基于時序分析的光傳輸網(wǎng)絡(luò)趨勢預(yù)測方法，其特征在于： 步驟6:最終預(yù)測值計算，由于影響通信網(wǎng)絡(luò)監(jiān)測的性能參數(shù)特征量的因素是相互獨立的， 因此得到的預(yù)測量應(yīng)該是三種因素影響之和，可采用時間序列分析的加法模型： Xt=Mt+St+It(l) 其中:xt為原始數(shù)據(jù)項，Mt為趨勢項，St為周期項，f d表示時間間 隔數(shù)，It為隨機項。9.根據(jù)權(quán)利要求5所述的一種基于時序分析的光傳輸網(wǎng)絡(luò)趨勢預(yù)測方法，其特征在于： 對計算得到的最小二乘線性回歸估計值進(jìn)行必要的檢驗與評價，即檢驗在總體水平上 因變量和自變量之間是否存在線性關(guān)系，具體包括：回歸方程擬合程度的測定、估計標(biāo)準(zhǔn)誤 差、回歸方程的假設(shè)檢驗、回歸系數(shù)的假設(shè)檢驗和多重共線性判別。
【文檔編號】H04B10/079GK106059661SQ201510994093
【公開日】2016年10月26日
【申請日】2015年12月25日
【發(fā)明人】繆巍巍, 吳海洋, 郭波, 李偉, 王磊, 張云翔, 賈平, 蔣承伶, 顧斌, 施健, 董宇鵬
【申請人】國家電網(wǎng)公司, 江蘇省電力公司信息通信分公司, 南京南瑞集團公司, 南京南瑞信息通信科技有限公司