基于ARIMA模型的電信擴容指標預測研究

姜劍青

摘 要 本文針對電信網絡負載均衡指標擴容的問題，在相關數據量有限的情況下，對其進行數據的描述性統計分析，利用傳統的ARIMA模型對負載均衡指標HLR和VLR進行了時間序列預測模型的構建，精準預測HLR和VLR指標在天級以及小時級以及節假日上的變化趨勢，幫助通信公司提前擴容以應對網絡壓力，豐富了ARIMA模型在實踐應用上的場景。

關鍵詞 ARIMA模型;電信數據;負載均衡;指標預測

1預測指標簡介

本次分析數據一共選取了2016年1月至今以及2016年五一前后共10天的兩期數據，HLR和VLR兩個關鍵性指標。

1.1 指標概述

HLR（home location register）保存的是用戶的基本信息，如你的SIM的卡號、手機號碼、簽約信息等，和動態信息，如當前的位置、是否已經關機等;

VLR（visiting location register）保存的是用戶的動態信息和狀態信息，以及從HLR下載的用戶的簽約信息。

2基于月度與日度的指標時序分析

2.1 基于HLR/VLR日維度數據

（1）基于日維度數據數介紹

Hlr：共429條記錄，沒有缺失值，3個維度變量，分別是賬期，取值范圍20160101-20170301，HLR利用率（HLR生成用戶數/HLR容量），取值范圍0.694-0.335（0-1），HLR生成用戶數（HLR生成用戶數/HLR容量），取值范圍178-368（萬戶）。

Vlr：共429條記錄，少量缺失，3個維度變量，分別是賬期，取值范圍20160101-20170301，VLR利用率（VLR登記用戶數/VLR容量），取值范圍0.211-0.928（0-1），VLR登記用戶數（VLR登記用戶數/VLR容量），取值范圍66-291。

（2）異常點檢測與分析

通過作箱線圖，從箱線圖可以看出有不少異常點，其中HLR離群點約73個，對此本文看一下這些點對應的日期：2016年2月18個、3月28個、4月17個、6月1個、7月1個、10月3個、11月1個;2017年1月4個。所以可以得出初步結論是從2月到4月中旬指標連續都處于一個很低的水平，可能跟吉林這段時間的電信政策有關系。

（3）基于月度的時序圖分

從HLR看出隨著月份的增加，HLR有一個緩慢的增加趨勢，但是異常值影響明顯（異常值都是下偏數據），可以著重分析一下異常數據的原因，因為量還不少，為73/426（17%）左右。從VLR可以看出隨著月份的增加，VLR利用率小幅度穩定增長，可以根據這個趨勢來設立閥值，如果是節假日可以關注那些遠高于正常值的異常值，并在異常值長做好容災，設立擴容指標（預警值）。

2.2基于HLR/VLR小時維度數據

（1）基于小時維度數據數介紹

HLR：數據共335條，4個維度變量，其中賬期、HLR利用率、hlr生成用戶數與前文相同，無缺失值，新增小時變量，取值0-23.

VLR：數據共335條，4個維度變量，其中賬期、HLR利用率、HLR生成用戶數與前文相同，無缺失值，新增小時變量，取值0-23.

（2）異常點檢測與分析

通過分別繪制HLR＼VLR的箱線圖可以得出HLR利用率上有2個異常點，VLR利用率上有1個異常點，可以查看一下異常點的原因，因為是下偏所以對于擴容來說意義不大。

（3）基于日度的時序圖分析

從上圖可以看出HLR整體穩定，有異常值，而且異常值呈現某種規律，可以留意，下偏，對擴容沒意義。VLR周期性波動趨勢明顯，4點到10點呈現穩步上漲趨勢，10點到7點穩定，7點以后急劇下跌，且五一前后呈現出一種節前節后的利用率高于節日期間的現象[1-5]。

3基于節假日的指標時序分析

3.1 基于2015年“五一”數據的時序圖分析

（1）異常值檢驗與分析

通過繪制箱線圖可以得出從年份來說，HLR和VLR的利用率整體都在穩健上漲，VLR漲幅遠大于HLR，但是2016年較2015年異常數據過于異常，沒有15年穩定。

（2）基于五一節假日的時序圖分析

通過繪制時序折線圖，可以看出規律相同，HLR每天的利用規律都是0點到1間有個穩定的增長，達到峰值后開始保持平穩，直到第二天0點斷崖式下降，再重新在第二天的0點到1點間穩增長。節假日期間HLR呈現穩定增加，或者先增加再減少的趨勢。而VLR則每天都是在凌晨的3點多達到最低值，在5點以后穩定增長，在10點以后達到峰值，并保持穩定到6點多下班時間，之后穩定下降，呈現一種穩定周期的特性，而在節假日期間呈現節假日前中期波動，甚至節假期期間下降，節后上升的情況，這有點符合人們節假日后進入工作，交流變多的一種生活常態。

3.2 基于2015-2017“春節”數據的時序圖分析

（1）異常點檢測與分析

通過分別繪制2015、2016、2017指標箱線圖可以看出：

1）2015年至2016年HLR利用率上漲很多，但是從2016年到2017年，其實HLR利用率并沒有沿著之前的趨勢上漲，反而下降了。

2）不同于HLR，VLR指標從2015年到現在呈現出了一個穩定增長的情況，且區間穩定，沒有過于異常的異常值。

（2）基于春節假日的時序圖分析

通過分別繪制HLR2015、2016、2017的時序圖可以看出2015年春節期間，HLR呈現節前節后穩定增長的態勢，2015到2016年HLR穩定增長，2016年春節期間節前穩定，節后下降的趨勢，且2016年到2017年，HLR利用率不增反而小幅度減少。

通過分別繪制VLR2015、2016、2017的時序圖可以看出相對于HLR指標，VLR指標呈現，節假日前高，節假日期間下降，節假日后波動，或者小幅度回升的趨勢，從2015年到2017年，整體的VLR指標利用率穩增長，并且已將近6個點的速度增長，且波動區間也在6個點左右。

3.3 探索性分析結論

通過選取了2016年到2017年16個月每天上午10點的數據，以及2015、2016年五一節假日期間，以及2015年到2017年節假日期間的數據，通過一些描述性分析，我們可以得出一些整體的情況：HLR指標在2015年到2016年是穩定增長的，但在2017年則小幅度下降，并且，2016、2017年的異常數據過于異常（可能數據質量差，或者業務出現了問題造成了波動），尤其是2016年的2月到5月期間，對于每天的HLR指標進行分析，發現除了從凌晨0點到1點期間有個斷崖式的增長，其他時間整體穩定，而在節假日期間也無明顯穩定規律，整體是波動的態勢，這應該跟節假日期間的政策有關，因此HLR指標對擴容的相和性不是很好，可以不做考慮。

VLR指標隨著月份年份的增加，是穩定的一個增長趨勢，且節假日期間呈現，節前節后高，節假日期間反而低的常態，但是基于其穩定的增長率，以及穩定的日規律性，可以用來作為擴容的一個指標預測，預警。

4基于AIRIMA模型的時間序列預測模型研究

基于以往的VLR數據，商榷一個VLR預測值為（月，日，小時）（根據業務需求），然后依據影響的因素（時序等），以及影響的系數（年，月，日），其中時間精度越大，準確率越大。以此構建一個預測模型，并設立一個閾值，來鑒別是否擴容[6-10]。

4.1 預測指標數據來源介紹

HLR：2016.01.01-2017.03.06每天10點數據和2016.04.25-2016.05.08每天24小時數據。

VLR：2016.01.01-2017.03.06每天10點數據和2016.04.25-2016.05.08每天24小時數據。

ARIMA模型的構建順序通常是：①先劃出時序圖;②做自相關和偏自相關分析以確定是否需要做差分和階數;③最后做白噪聲檢驗。

（1）基于ARIMA的HLR日維度時間序列模型

5總結與展望

基于節假日的指標預測，維度單一，簡單但卻復雜，本文主要采用的是ARIMA模型進行的擬合預測，在沒有明確精度要求的情況或者對比下，結果良好，后續可以考慮加法組合模型來對ARIMA進行殘差優化，提高精確度，由于數據的局限性，本案例并不繼續深入研究探討，文章按照了數據分析的一般流程進行的分析，后續一些描述性分析的代碼會放入附錄里面，希望本案例對其他學者以后的分析有參考和借鑒意義。

參考文獻

[1] 劉芹，鄒波，朱平華，等.基于時間序列自回歸移動平均模型的湖北省衛生技術人員需求預測[J].醫學與社會，2020，（2）：266-269.

[2] 周亮.機器學習融合ARIMA模型的離岸人民幣匯率預測[J].統計學報，2020，（2）：48-56.

[3] 楊雨芳，趙慧峰.基于ARIMA模型的河北省肉牛生產波動分析與預測[J].黑龍江畜牧獸醫，2020，（6）：16-19.

[4] 劉忠廣，劉德欣.河南省城鎮居民人均消費支出預測[J].北方經貿，2020，（3）：31-33.

[5] 耿獻輝，安寧.基于ARIMA模型的梨果價格波動及市場行情預測[J].北方果樹，2020，（2）：1-4.

[6] 陶艷麗.基于ARIMA模型的河北省居民消費價格指數實證分析[J].河北企業，2020，（3）：66-67.

[7] 吳榮火，歐詩德，農品玉.基于乘積季節模型的我國流通中現金預測[J].中國市場，2020，（7）：43-46.

[8] 高嵐嵐，張雪莉，段占祺，等.基于ARIMA模型對四川省醫療機構衛生資源需求預測分析[J].預防醫學情報雜志，2020，（2）：197-202.

[9] 李媛，鄭安剛，譚煌，等.基于時間序列的電能表月故障數預測方法[J].中國電力，2020，（2）：51.

[10] 周友維，姚建剛，王欣，等.基于時間序列模型的劣化絕緣子紅外熱像檢測方法[J].電瓷避雷器，2020，（1）：149-155.