基于ARIMA模型的电信扩容指标预测研究

姜剑青

摘 要 本文针对电信网络负载均衡指标扩容的问题，在相关数据量有限的情况下，对其进行数据的描述性统计分析，利用传统的ARIMA模型对负载均衡指标HLR和VLR进行了时间序列预测模型的构建，精准预测HLR和VLR指标在天级以及小时级以及节假日上的变化趋势，帮助通信公司提前扩容以应对网络压力，丰富了ARIMA模型在实践应用上的场景。

关键词 ARIMA模型;电信数据;负载均衡;指标预测

1预测指标简介

本次分析数据一共选取了2016年1月至今以及2016年五一前后共10天的两期数据，HLR和VLR两个关键性指标。

1.1 指标概述

HLR（home location register）保存的是用户的基本信息，如你的SIM的卡号、手机号码、签约信息等，和动态信息，如当前的位置、是否已经关机等;

VLR（visiting location register）保存的是用户的动态信息和状态信息，以及从HLR下载的用户的签约信息。

2基于月度与日度的指标时序分析

2.1 基于HLR/VLR日维度数据

（1）基于日维度数据数介绍

Hlr：共429条记录，没有缺失值，3个维度变量，分别是账期，取值范围20160101-20170301，HLR利用率（HLR生成用户数/HLR容量），取值范围0.694-0.335（0-1），HLR生成用户数（HLR生成用户数/HLR容量），取值范围178-368（万户）。

Vlr：共429条记录，少量缺失，3个维度变量，分别是账期，取值范围20160101-20170301，VLR利用率（VLR登记用户数/VLR容量），取值范围0.211-0.928（0-1），VLR登记用户数（VLR登记用户数/VLR容量），取值范围66-291。

（2）异常点检测与分析

通过作箱线图，从箱线图可以看出有不少异常点，其中HLR离群点约73个，对此本文看一下这些点对应的日期：2016年2月18个、3月28个、4月17个、6月1个、7月1个、10月3个、11月1个;2017年1月4个。所以可以得出初步结论是从2月到4月中旬指标连续都处于一个很低的水平，可能跟吉林这段时间的电信政策有关系。

（3）基于月度的时序图分

从HLR看出随着月份的增加，HLR有一个缓慢的增加趋势，但是异常值影响明显（异常值都是下偏数据），可以着重分析一下异常数据的原因，因为量还不少，为73/426（17%）左右。从VLR可以看出随着月份的增加，VLR利用率小幅度稳定增长，可以根据这个趋势来设立阀值，如果是节假日可以关注那些远高于正常值的异常值，并在异常值长做好容灾，设立扩容指标（预警值）。

2.2基于HLR/VLR小时维度数据

（1）基于小时维度数据数介绍

HLR：数据共335条，4个维度变量，其中账期、HLR利用率、hlr生成用户数与前文相同，无缺失值，新增小时变量，取值0-23.

VLR：数据共335条，4个维度变量，其中账期、HLR利用率、HLR生成用户数与前文相同，无缺失值，新增小时变量，取值0-23.

（2）异常点检测与分析

通过分别绘制HLR＼VLR的箱线图可以得出HLR利用率上有2个异常点，VLR利用率上有1个异常点，可以查看一下异常点的原因，因为是下偏所以对于扩容来说意义不大。

（3）基于日度的时序图分析

从上图可以看出HLR整体稳定，有异常值，而且异常值呈现某种规律，可以留意，下偏，对扩容没意义。VLR周期性波动趋势明显，4点到10点呈现稳步上涨趋势，10点到7点稳定，7点以后急剧下跌，且五一前后呈现出一种节前节后的利用率高于节日期间的现象[1-5]。

3基于节假日的指标时序分析

3.1 基于2015年“五一”数据的时序图分析

（1）异常值检验与分析

通过绘制箱线图可以得出从年份来说，HLR和VLR的利用率整体都在稳健上涨，VLR涨幅远大于HLR，但是2016年较2015年异常数据过于异常，没有15年稳定。

（2）基于五一节假日的时序图分析

通过绘制时序折线图，可以看出规律相同，HLR每天的利用规律都是0点到1间有个稳定的增长，达到峰值后开始保持平稳，直到第二天0点断崖式下降，再重新在第二天的0点到1点间稳增长。节假日期间HLR呈现稳定增加，或者先增加再减少的趋势。而VLR则每天都是在凌晨的3点多达到最低值，在5点以后稳定增长，在10点以后达到峰值，并保持稳定到6点多下班时间，之后稳定下降，呈现一种稳定周期的特性，而在节假日期间呈现节假日前中期波动，甚至节假期期间下降，节后上升的情况，这有点符合人们节假日后进入工作，交流变多的一种生活常态。

3.2 基于2015-2017“春节”数据的时序图分析

（1）异常点检测与分析

通过分别绘制2015、2016、2017指标箱线图可以看出：

1）2015年至2016年HLR利用率上涨很多，但是从2016年到2017年，其实HLR利用率并沒有沿着之前的趋势上涨，反而下降了。

2）不同于HLR，VLR指标从2015年到现在呈现出了一个稳定增长的情况，且区间稳定，没有过于异常的异常值。

（2）基于春节假日的时序图分析

通过分别绘制HLR2015、2016、2017的时序图可以看出2015年春节期间，HLR呈现节前节后稳定增长的态势，2015到2016年HLR稳定增长，2016年春节期间节前稳定，节后下降的趋势，且2016年到2017年，HLR利用率不增反而小幅度减少。

通过分别绘制VLR2015、2016、2017的时序图可以看出相对于HLR指标，VLR指标呈现，节假日前高，节假日期间下降，节假日后波动，或者小幅度回升的趋势，从2015年到2017年，整体的VLR指标利用率稳增长，并且已将近6个点的速度增长，且波动区间也在6个点左右。

3.3 探索性分析结论

通过选取了2016年到2017年16个月每天上午10点的数据，以及2015、2016年五一节假日期间，以及2015年到2017年节假日期间的数据，通过一些描述性分析，我们可以得出一些整体的情况：HLR指标在2015年到2016年是稳定增长的，但在2017年则小幅度下降，并且，2016、2017年的异常数据过于异常（可能数据质量差，或者业务出现了问题造成了波动），尤其是2016年的2月到5月期间，对于每天的HLR指标进行分析，发现除了从凌晨0点到1点期间有个断崖式的增长，其他时间整体稳定，而在节假日期间也无明显稳定规律，整体是波动的态势，这应该跟节假日期间的政策有关，因此HLR指标对扩容的相和性不是很好，可以不做考虑。

VLR指标随着月份年份的增加，是稳定的一個增长趋势，且节假日期间呈现，节前节后高，节假日期间反而低的常态，但是基于其稳定的增长率，以及稳定的日规律性，可以用来作为扩容的一个指标预测，预警。

4基于AIRIMA模型的时间序列预测模型研究

基于以往的VLR数据，商榷一个VLR预测值为（月，日，小时）（根据业务需求），然后依据影响的因素（时序等），以及影响的系数（年，月，日），其中时间精度越大，准确率越大。以此构建一个预测模型，并设立一个阈值，来鉴别是否扩容[6-10]。

4.1 预测指标数据来源介绍

HLR：2016.01.01-2017.03.06每天10点数据和2016.04.25-2016.05.08每天24小时数据。

VLR：2016.01.01-2017.03.06每天10点数据和2016.04.25-2016.05.08每天24小时数据。

ARIMA模型的构建顺序通常是：①先划出时序图;②做自相关和偏自相关分析以确定是否需要做差分和阶数;③最后做白噪声检验。

（1）基于ARIMA的HLR日维度时间序列模型

5总结与展望

基于节假日的指标预测，维度单一，简单但却复杂，本文主要采用的是ARIMA模型进行的拟合预测，在没有明确精度要求的情况或者对比下，结果良好，后续可以考虑加法组合模型来对ARIMA进行残差优化，提高精确度，由于数据的局限性，本案例并不继续深入研究探讨，文章按照了数据分析的一般流程进行的分析，后续一些描述性分析的代码会放入附录里面，希望本案例对其他学者以后的分析有参考和借鉴意义。

参考文献

[1] 刘芹，邹波，朱平华，等.基于时间序列自回归移动平均模型的湖北省卫生技术人员需求预测[J].医学与社会，2020，（2）：266-269.

[2] 周亮.机器学习融合ARIMA模型的离岸人民币汇率预测[J].统计学报，2020，（2）：48-56.

[3] 杨雨芳，赵慧峰.基于ARIMA模型的河北省肉牛生产波动分析与预测[J].黑龙江畜牧兽医，2020，（6）：16-19.

[4] 刘忠广，刘德欣.河南省城镇居民人均消费支出预测[J].北方经贸，2020，（3）：31-33.

[5] 耿献辉，安宁.基于ARIMA模型的梨果价格波动及市场行情预测[J].北方果树，2020，（2）：1-4.

[6] 陶艳丽.基于ARIMA模型的河北省居民消费价格指数实证分析[J].河北企业，2020，（3）：66-67.

[7] 吴荣火，欧诗德，农品玉.基于乘积季节模型的我国流通中现金预测[J].中国市场，2020，（7）：43-46.

[8] 高岚岚，张雪莉，段占祺，等.基于ARIMA模型对四川省医疗机构卫生资源需求预测分析[J].预防医学情报杂志，2020，（2）：197-202.

[9] 李媛，郑安刚，谭煌，等.基于时间序列的电能表月故障数预测方法[J].中国电力，2020，（2）：51.

[10] 周友维，姚建刚，王欣，等.基于时间序列模型的劣化绝缘子红外热像检测方法[J].电瓷避雷器，2020，（1）：149-155.