基于趋势拟合法、平滑法和ARIMA模型的流量预测

摘  要

以OLT上联口的下行流量为研究对象，分别使用趋势拟合法、平滑法和ARIMA模型建模并进行流量预测。其中趋势拟合法选择了典型的线性拟合，平滑法使用了平均移动法和Holt两参数指数平滑模型，ARIMA则选择了ARIMA（0，1，1）模型进行建模分析。对4种模型的绝对百分比误差（MAPE）进行了对比，结果表明ARIMA模型和Holt两参数指数平滑模型预测精度相似，都取得了良好的预测效果，适合用于OLT上联口流量预测，而线性回归和平均移动法预测结果较差，不适合做精度要求较高的流量预测。

   0 1   

研究背景

随着宽带用户网络需求的快速增长和固网数据的大幅提升，运营商越来越重视宽带用户的使用体验，并投入更多的精力用于固网宽带网络设备的扩容和维护［1-2］，科学规划网络容量已成为运营商发展的重要议题。网络流量指标是评价网络管理质量的重要参数，对流量的预测是指依据设备历史数据对未来一段时间的流量进行建模与估计，相较于流量达到告警阈值后再升级设备，流量预测可以帮助网络管理员掌握网络变化的规律，更合理地安排预算、设备升级和割接计划，也极大地改善了用户上网体验。此外，随着运营商算力的提升，流量预测甚至可以应用到用户级别，为提供个性化服务做支撑，因此流量预测一直是网络研究领域的重要研究方向［3-5］。

通常当OLT上联口的宽带利用率峰值到达70%时就需要开始考虑流量扩容［6］，同时用户的下行网络流量往往要高于上行网络流量，因此对OLT上联口的下行流量速率峰值进行时间序列的分析、预测具有重要意义，是OLT扩容的主要技术指标。

宽带设备的流量速率是网管系统记录的主要数据之一，OLT下行流量速率峰值数据可以看做是一组时间序列，对于时间序列的分析主要包括模型识别、模型拟合、模型诊断3个步骤［7］。

在模型识别阶段需要根据时间序列的时序图特征和统计量特征选择合适的模型。时间序列的统计学模型有很多，包括趋势拟合法、平滑法及ARIMA等模型。运营商积累了大量流量数据，但对这类数据的处理往往比较粗犷，经常使用到的流量预测方法有线性拟合法和移动平均法，这些方法操作简单，模型直观，但也存在拟合度低、预测效果差的缺点［8］。相比而言，Holt-Winters模型和ARIMA模型增加了更复杂的模型维度和参数类别，可以更充分地拟合复杂的流量趋势及短期的随机趋势。

   0 2   

建模及预测

选取一台典型的OLT的上联口，将其周末的下行速率峰值数据（以下简称流量数据）作为研究对象，时间跨度为2018年9月到2019年5月，共33周。将前30周数据作为训练集，后3周数据作为测试集。图1所示为流量数据训练集的时序图、自相关系数图（ACF）和偏自相关系数图（PACF）。

图1 流量数据训练集的时序图和相关性分析

2.1 趋势拟合法

趋势拟合法就是将时间作为自变量，对应的流量观察值作为因变量，建立序列值随时间变化的回归模型的方法。依据观察值的时序图，如果时序图中序列表现出线性的长期趋势，可以考虑使用线性拟合；如果长期趋势呈现出非线性特征ÿ