Research on Combination Traffic Forecasting Method Based on Power Grid IMS Platform Framework
国网甘肃省电力公司 信息通信公司,甘肃 兰州 730030
Information and Communication Company, State Grid Gansu Electric Power Company, Lanzhou 730030, China
摘要
网络流量预测能够指导电网新型多媒体联动调度平台的规划与建设,确保数据通信网的安全运行。为了提高智能电网背景下的业务流量预测精度,在分析流量变化特征的基础上,提出一种二维组合预测方法。该方法首先在横向维度和纵向维度分别建立模糊神经网络（Fuzzy Neural Network, FNN）和差分自回归滑动平均（Auto Regressive Integrated Moving Average, ARIMA）模型,对同时刻点流量进行初步预测;然后基于单指数平滑算法实现动态权重更新,对两个维度的预测结果进行最优变权组合,得到最终预测值。实验结果表明,该方法的预测精度可达95.7%,平均误差为3.41%,相比单维FNN和ARIMA模型预测效果更佳。
关键词 : 电网业务流量; IMS架构; 多媒体调度平台; 神经网络; 自回归模型; 组合预测;
DOI：10.16543/j.2095-641x.electric.power.ict.2018.03.007
ABSTRACT
The prediction of network traffic can guide the planning and construction of new multimedia linkage dispatching platform, and ensure the security operation of data communication network. In order to improve the prediction accuracy of power grid traffic in smart grid, a two-dimensional combination forecasting method is proposed based on the analysis of traffic change characteristics. Firstly, the fuzzy neural network and the differential auto-regressive moving average model are established respectively in the horizontal dimension and the longitudinal dimension, which are used for the prediction of traffic data at the same time point. Then, the dynamic weight updating is realized based on the single exponential smoothing algorithm, and prediction results of two dimensions are combined by optimal variable weight to get the final predictive value. Experimental results show that the prediction accuracy of proposed method can reach 95.7%, the average error is 3.41%, and has a better prediction effect compared with the single dimension FNN and ARIMA model.
KEY WORDS : power grid services traffic; IMS framework; multimedia dispatching platform; neural network; auto regressive model; combination forecasting;
著录格式：李炜, 马乐, 孙向聚, 等.基于电网IMS平台架构的组合流量预测方法研究[J]. 电力信息与通信技术, 2018, 16(3): 43-49.
0 引言
随着智能电网信息化建设的不断深入,IT集约化建设管控逐步加强,信息化应用对网络的需求呈现出快速增长的势头[1-2]。为了更有效地对网络资源进行管理,提高网络的智能化水平和对电网的调度驾驭能力,基于IP多媒体子系统（IP Multimedia Subsystem, IMS）架构的新型多媒体联动调度平台已广泛应用于智能电网,作为电力数据通信网的典型信息化应用,其建设水平应满足通信系统的发展需求。如何有效评估数据通信网综合业务的带宽需求,进而开展多媒体调度平台的合理规划建设,网络流量预测技术可起到关键作用。
目前,电力通信网流量预测与带宽估算方法主要集中在弹性系数法[3-4]和排队论[5]两方面,有效支撑了现行电力业务流量预测,解决了通信传输带宽估算问题。但是弹性系数法多凭借经验公式估算业务流量,未考虑具体业务的行为特征和时序特征,准确性不高。排队论则只在业务流量服从泊松分布时具有较好的预测效果,而智能电网背景下的用电业务更兼具长相关特性。此外,以回归分析法、时间序列法、灰色理论为基础的传统预测方法和以人工神经网络（Artificial Neural Network, ANN）、支持向量回归（Support Vector Regression, SVR）为代表的机器学习算法在公网流量预测中也取得了不错的效果。文献[6]提出一种基于经验模态分解和自回归滑动平均模型的自相似网络流量预测方法,在降低算法复杂度的同时可有效提高预测精度;文献[7]针对网络流量时间序列的非线性和多时间尺度特性,将灰色系统理论和马尔可夫链相结合,提出灰色马尔可夫模型对实际网络流量进行预测;文献[8]将模糊逻辑和神经网络有机结合起来,构造模糊神经网络用于自相似业务流量预测,相比传统神经网络不仅收敛速度快,预测效果也更好;文献[9]为解决SVR模型易陷入局部最优问题,采用混沌粒子群优化算法（Chaos Particle Swarm Optimization, CPSO）进行参数选择,预测结果表明模型泛化性能可得到明显提高。然而电网中大量二次设备的接入以及业务种类的增加,使数据通信网业务流量变化更加复杂,波动性更加明显。若直接采用上述方法进行一维预测,则很难捕捉流量序列的突变、转折点,势必会影响到预测精度。
针对以上分析,本文基于ARIMA模型和FNN提出一种二维组合预测算法（Two Dimensional Combination Forecasting Algorithm, 2D-CFA）。考虑到电力通信网业务具有明显日周期性,该方法从两个维度分别提取出历史流量数据,在水平维度建立FNN模型预测流量序列当天的变化趋势,采用ARIMA模型进行纵向预测来捕捉流量序列转折点位置,最后基于单指数平滑算法实现动态权重更新,以此结合两个维度的预测结果。对甘肃电网多媒体联动调度平台融合的业务流量进行实例分析,结果表明该方法的预测效果比较理想。
1 新型多媒体联动调度平台
IP多媒体子系统是下一代网络控制的核心[10],支持多种业务系统的灵活接入,可实现网络业务层与控制层完全分离。基于IMS架构的新型多媒体联动调度交互平台（见
图1 基于IMS的新型多媒体联动调度平台架构Fig.1 The new multimedia linkage dispatching platform architecture based on IMS
该平台主要融合了语音会话、视频会议、视频监控、应急告警等多种业务,同时还接入以远程协助、可视图文、短信服务、IP传真、邮件和Web服务为主的多媒体业务系统,实现语音、视频、报警、多媒体信息的相互联动。但不同类别的业务流量特性不尽相同,如语音类业务一般表现出短相关特性,而视频、多媒体类业务不仅具有自相似性,其长相关特性更为突出[11]。因此,常规单一预测模型很难诠释混合业务流量的变化规律,而组合模型通过结合多算法、多维度预测的优势,具有更好的适应性。
2 二维组合流量预测模型设计
2.1 水平维度预测
电网业务流量的横向数据序列日周期性趋势显著,非线性特性较强。FNN是模糊逻辑与神经网络的结合,网络结构简单,收敛速度快,对非线性时间序列具有良好的自适应感知能力和拟合效果。因此,本文建立多输入单输出FNN模型来预测横向数据流。
图2 模糊神经网络结构Fig.2 Fuzzy neural network structure
图3 横向维度数据采样方式Fig.3 Horizontal dimension data sampling method
根据
式中,cij、bij分别是隶属度函数 
式中,E为误差函数,0<a<1为学习率。
当迭代步长s达到上限或E满足最小误差时,参数寻优结束。在横向一步预测中,只需在t时刻点输入{xi | i=t, t-1,…, t-k+1},便可预测出t+1时刻流量值x′t+1。
2.2 纵向维度预测
纵向维度数据采样方式如
图4 纵向维度数据采样方式Fig.4 Longitudinal dimension data sampling method
令第t(t=1,2,…,ΔT/Δt)个时刻点纵向流量序列Yt={yt,1,yt,2,…,yt,Ly,Ly=m},yt,i表示第i天t时刻点的流量值。若Yt不满足平稳性要求,ARIMA算法将对其做d次差分处理成为平稳时间序列ΔYt={Δyt,i|i=1,2,…,Ly-d}后,构建ARIMA(p, d, q)模型,具体表示为：
ARIMA算法以时间序列的自相关分析为基础,对短期趋势的预测效果较好。与横向一步预测过程相似,在t时刻点输入{Δyt,i|i=Ly-d-p+1,…,Ly-d}至ARIMA模型中,输出Δyt,Ly+1-d,然后进行d次反差分处理得到第Ly+1天t时刻的流量预测值y′t,Ly+1。
2.3 二维组合预测
横向预测可较好地捕获数据流量当天的趋势,纵向预测则能够反映出业务流量的转折点位置。本文采用一种二维组合预测模型结合两个维度的预测结果,以得到最优预测值。2D-CFA模型预测流程如
图5 2D-CFA模型预测流程Fig.5 The forecasting process of 2D-CFA model
2D-CFA以预测误差作为精确度指标,通过单指数平滑算法[15]动态更新权重,赋予预测误差最小的单维度流量值以较大权重,具体为：
在获得x′t、y′t和vt值后,wt最优最小值可表示为：
此时,t+1时刻的权重预测值w′t+1根据单指数平滑算法由下式给出：
Fig.6 Original traffic data (2016/06/01-2016/06/21) 
图6 2016年6月1日至21日期间的原始流量数据Fig.6 Original traffic data (2016/06/01-2016/06/21)
为了避免数据输入输出相差太大而影响到预测精度,本文在模型训练之前,按照式（15）将所有数据归一化到[0, 1]区间,同时对2016年6月22日的流量进行预测以验证该方法的准确性和可行性,并选取相对误差、准确率和平均绝对百分比误差分析流量预测效果,即：
式中,k、
纵向流量序列Yt代
表1 差分判定Tab.1 Differential decision
可以看出,在d=1时方差最小。随后分别对p=0,1,2,3和q=0,1,2,3的情况进行AIC值分析,当p=3,q=2时,AIC=-4.718值最小,因此确定模型为ARIMA（3,1,2）。由最小二乘法估计得到模型方程为：
Tab.2 Comparison of traffic forecasting results (2016/6/22) " style="box-sizing: border-box; color: rgb(43, 43, 43); text-decoration-line: none;">
表2 2016年6月22日流量预测结果对比Tab.2 Comparison of traffic forecasting results (2016/6/22)
图7 2016年6月22日流量预测曲线Fig.7 Traffic forecasting curve (2016/06/22)
图8 3种流量预测方法的相对误差比较Fig.8 Relative error of three traffic forecasting methods
由
4 结语
智能电网背景下的电力数据网业务流量不确定性、复杂性和非线性特征明显,常规的预测模型只从单维度方向很难捕捉出流量序列的内在关系,较少应用于电网流量预测。本文根据甘肃电网多媒体联动调度平台所融合的业务特点,提出一种二维组合预测方法。该方法在纵向维度上利用ARIMA模型捕捉流量序列的转折点,并通过横向FNN模型对流量趋势性进行预测,然后动态更新权重实现两个单维度预测结果的最优变权组合。通过对比实验发现,所提方法的预测准确率可以提高2.7%以上,预测效果明显优于单维预测模型,可为当地多媒体联动调度平台的优化与建设提供可靠的理论依据。
(编辑:邹海彬)
参考文献
[1]
[2]
[3]
[4]
[5]
[6]
[7]
[8]
[9]
[10]
[11]
[12]