一种基于事件约束与边界递推的UPF流量预测方法
本发明属于通信网络智能运维及时间序列预测,具体涉及一种基于事件约束与边界递推的upf流量预测方法。
背景技术:
1、在5g核心网中,upf网元负责用户面数据转发,预测其流量可为容量评估和资源配置提供依据,upf流量除周期变化和长期趋势外,还可能受节假日、计划升级和维护等事件影响,现有方法将事件信息与历史流量、日历记录一起输入预测模型,但输入事件起止时间,并不等于在计算中限定事件响应的作用范围,当事件起止时刻落在采样区间内部时,还需要考虑事件只覆盖部分区间的情况,同时,若各位置的事件响应分开计算,缺少共同约束,就难以同时考虑相邻位置和事件边界的影响,新增实际流量观测值到达后,还需要据此修正后续流量预测值,直接将局部残差用于后续位置,可能扩大局部波动的影响;在线调整模型参数,则可能改变模型已学习的流量规律,针对上述问题,本发明根据事件区间确定覆盖位置和覆盖比例,通过联合求解约束域内响应和边界响应,新增观测到达后,利用观测约束递推修正待观测位置的流量预测值,同一预测窗口内的已训练网络参数和首次生成的基础流量预测向量保持不变。
技术实现思路
1、为解决上述问题,本发明公开了一种基于事件约束与边界递推的upf流量预测方法,提高流量预测精度,增强事件扰动与流量波动等复杂场景下的预测稳定性,实现新增实际流量观测值驱动的在线流量预测修正,为upf网元容量评估、资源配置和风险预警提供流量预测依据。
2、为达到上述目的,本发明的技术方案如下:
3、一种基于事件约束与边界递推的upf流量预测方法,包括以下步骤:
4、s1、确定预测起点和未来预测窗口,明确首次流量预测可使用的流量观测记录和事件信息范围;
5、s2、根据历史流量、日历记录和历史事件状态构建历史联合状态,生成未来预测窗口的基础流量预测向量;
6、s3、筛选候选事件,根据事件区间与未来采样区间的交集确定覆盖位置和事件覆盖比例,设置域内响应节点和辅助边界节点,并形成事件覆盖域;
7、s4、根据历史联合状态、事件属性和节点特征生成事件响应参数,构建对称正定线性系统,联合求解事件响应;
8、s5、按事件覆盖比例将域内事件响应映射至未来采样位置,与对应的基础流量预测值相加,输出首次流量预测值;
9、s6、实际流量观测值到达后,以实际流量值与基础流量预测值的差值为修正目标,结合覆盖映射构建观测约束,用首次流量预测残差确定约束精度;
10、s7、同一预测窗口内,已训练网络参数和首次生成的基础流量预测向量保持不变;将线性系统分块,向已观测分块加入观测约束后消去已观测响应变量,求解剩余响应,仅更新待观测位置的流量预测值。
11、进一步地,步骤s1包括以下子步骤:
12、s101、确定预测起点与未来预测窗口:将最新已观测流量对应的采样位置记为,将该位置对应的采样时刻定义为预测起点;选取截至该时刻的连续个采样位置构成历史窗口,将其后的个采样位置作为未来预测窗口。
13、s102、确定事件信息边界:首次流量预测仅使用预测起点之前已登记或确认的事件信息。
14、进一步地,步骤s2中,生成标准化基础流量预测向量包括以下子步骤:
15、s201、历史流量标准化:对历史流量进行标准化,使用目标upf网元训练区间的对数流量均值和标准差计算标准化流量值及历史流量列向量:
16、;
17、其中,为第个采样位置的实际流量值,为标准化流量值,为标准化历史流量向量。
18、s202、构建历史位置特征:将第个历史采样位置的标准化流量值、日历记录编码和历史事件状态向量拼接为特征向量;包括小时、星期和节假日标记,包括事件类型编码、事件相对阶段、标准化事件强度和强度有效性标记。
19、s203、生成基础流量预测值:按预设长度和步长划分历史位置特征序列,经共享片段映射和时序编码得到历史联合状态,由基础流量预测分支生成标准化基础流量预测向量:
20、;
21、其中,为历史联合状态,为维标准化基础流量预测向量。
22、进一步地,步骤s3中,筛选候选事件并构建事件覆盖域包括以下子步骤:
23、s301、筛选候选事件:将事件区间与未来预测窗口存在时间段重叠的事件作为候选事件;无候选事件时执行步骤s503。
24、s302、计算覆盖区间:将候选事件在预测起点采用的起止边界分别记为和,第个未来采样区间记为,计算事件区间与各未来采样区间的交集。
25、s303、确定覆盖位置与覆盖比例:交集区间、事件覆盖比例、覆盖位置集合及事件相对阶段分别为:
26、;
27、其中,为交集区间,dur表示区间时长,为事件覆盖比例,为覆盖位置集合;
28、s304、构建增广响应节点集合:在包含的个覆盖位置分别设置域内响应节点,每个节点对应一个待求事件响应变量;按时间排列各节点,并在两端设置辅助边界节点,共同组成增广响应节点集合。
29、s305、构建链式邻接关系:按时间顺序连接各域内响应节点和辅助边界节点,构造节点特征矩阵;包含节点相对时间、事件相对阶段、覆盖比例、辅助边界节点类型、边界来源和约束有效性,为选取左右辅助边界响应的端点选择矩阵,为对称半正定的链式拉普拉斯矩阵。
30、进一步地,步骤s4中,生成事件响应参数并联合求解事件响应包括以下子步骤:
31、s401、参数输入:针对候选事件,以历史联合状态、事件属性向量和节点特征矩阵为输入;由事件类型编码、标准化事件强度和强度有效性标记组成;
32、s402、生成节点参数:通过共享节点参数生成函数,得到响应先验中心、响应先验精度矩阵、左右端点约束目标向量、端点约束精度矩阵和链式协调权重:
33、;
34、s403、构建线性系统:以全部增广节点响应为变量,将响应先验一致性约束、相邻节点响应差异约束和端点约束纳入同一线性系统。
35、联合求解系统为:
36、;
37、其中,为按节点顺序排列的增广响应向量,为链式拉普拉斯矩阵,为选取左右辅助边界响应的端点选择矩阵;系数矩阵记为,右端向量记为。
38、进一步地,步骤s5中,得到首次流量预测值包括以下子步骤:
39、s501、映射事件响应:针对候选事件构建事件覆盖映射矩阵,按事件覆盖比例将中的域内响应映射至未来个采样位置;
40、s502、组合流量预测值:将映射后的事件响应与标准化基础流量预测向量相加,经逆标准化、指数运算后减一及非负截断,得到原始流量尺度下的首次流量预测值:
41、;
42、其中,和均为维向量,为维全1列向量。
43、s503、无候选事件分支:无候选事件时,直接将标准化基础流量预测向量经逆标准化、逆流量变换及非负截断后输出。
44、进一步地,步骤s6中,确定观测边界并构建观测约束包括以下子步骤:
45、s601、确定观测边界与节点集合:在本次未来预测窗口内,实际流量观测值按时间顺序连续到达,将最后一个已观测覆盖位置作为观测边界,首个覆盖位置至观测边界的采样位置组成已观测采样位置集合,对应的域内响应节点集合记为,其余域内响应节点与两个辅助边界节点组成剩余增广响应节点集合;
46、s602、构建修正目标:修正目标、观测映射子矩阵及首次流量预测残差分别为:
47、;
48、其中,为标准化实际流量向量,为首次标准化基础流量预测子向量,为修正目标,为观测映射子矩阵,为首次联合求解的响应子向量,为标准化首次流量预测残差;
49、s603、确定观测约束精度:根据首次流量预测残差的绝对值,按指数衰减关系计算第个已观测位置的观测约束精度:
50、;
51、其中,为第个已观测位置的观测约束精度,和分别为预设精度下界和上界;为衰减尺度参数,为首次流量预测残差向量的第个分量,各位置的精度组成对角矩阵。
52、进一步地,步骤s7中,执行剩余事件覆盖子域递推包括以下子步骤:
53、s701、对联合求解系统分块:将系数矩阵和右端向量按节点集合与对应的响应变量分块,得到矩阵分块、、、及向量分块、;
54、s702、加入观测约束并消元:根据观测映射子矩阵、修正目标及精度,向已观测分块的系数矩阵和右端向量加入约束项,再消去已观测域内响应变量,得到剩余系统:
55、;
56、其中,、、和为的对应分块,和为的对应分块;为剩余系统的系数矩阵。
57、s703、求解剩余响应并更新流量预测值:求解剩余增广响应,将其中的域内响应按事件覆盖比例映射至待观测位置,与标准化基础流量预测值相加,经尺度还原及非负截断后更新流量预测值:
58、;
59、其中,为剩余增广响应向量,为事件覆盖域内尚未获得实际流量观测值的未来采样位置集合;为待观测位置与剩余响应变量对应的事件覆盖映射子矩阵;为待观测位置的首次标准化基础流量预测子向量,为与待观测位置数同维的全1列向量,已观测位置不再输出流量预测值。
60、s704、更新观测边界:随实际流量观测值按时间顺序连续到达,推进观测边界,扩大、缩小,重复步骤s6、s7,直至事件覆盖域内无待观测位置,同一窗口内保持预测起点、窗口长度、节点结构、已训练网络参数及首次生成的标准化基础流量预测向量不变。
61、本发明的有益效果为:
62、本发明根据事件区间与未来采样区间的交集确定覆盖位置和事件覆盖比例,并联合求解域内响应与边界响应,使事件对流量的影响与实际覆盖范围相对应,新增实际流量观测值到达后,利用观测约束更新待观测位置的流量预测值,无需改变同一预测窗口内的已训练网络参数和首次生成的基础流量预测向量。根据首次流量预测残差确定观测约束精度,降低较大残差对后续流量预测的影响,首次流量预测仅使用预测起点可用的信息,上述方法有助于提高事件扰动和流量波动场景下的upf流量预测精度与稳定性,为容量评估、资源配置和风险预警提供依据。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com