數據預測的方法和裝置與流程
2023-05-12 10:15:36 2
本發明涉及電網業務應用領域，具體而言，涉及一種數據預測的方法和裝置。
背景技術：
隨著加強智能電網的建設，電力數據網及其承載業務系統得到迅猛發展，電力數據網在運行保障和業務質量監測等方面的要求也越來越高，實現對未來一段時間內鏈路通道中所有業務量的預測對保障電力數據網網絡質量，對提高網絡利用率，防止網絡擁塞具有重要意義。
在流量的預測模型中，主要有傅立葉級數模型、結構分量模型(如holt-winter’s模型)以及時間序列模型(如arima模型)三大模型體系。
然而，無論對於上述哪一模型體系，目前的研究主要都是針對某單一業務類型進行建模預測，而對於電力數據網來說需要從承載了各種業務的整個信道的宏觀角度來進行流量預測，因為個別幾個業務量的此消彼長並不會帶來網絡隱患，也不會形成網絡擁塞。
相關技術中，該現有技術1提供了一種屬於網絡安全技術領域，尤其涉及一種基於arima模型的無線傳感器網絡流量異常檢測方法。該現有技術1公開一種基於arima模型的無線傳感器網絡流量異常檢測方法，使用arima模型，進行d次差分使序列平穩，適用於流量非均衡、不平穩的無線傳感網絡條件；使用窗口大小合適的滑動窗口使歷史建模數據量固定，既保證了建模的快速性，還保證了歷史數據的最新有效性；每一次滑動窗口建立最優的arima(p,d,q)模型，保證了預測值的準確性；對最終用於異常判定的下一時刻流量預測值由前l次的預測值指數加權平均生成，這樣對流量的預測引入一定的「慣性」，當異常流量來臨時，不能輕易的改變正常的流量預測模型，而能更好的得到正常流量的預測值，更輕易的檢測流量異常。
現有技術2，屬於流量實時監控領域，尤其涉及利用差分自回歸移動平均模型對流量進行預測的方法和系統。該現有技術2公開了自適應的差分自回歸移動平均模型的流量預測方法和系統，讓模型更加的吻合當前流量的數據走勢。其技術方案為：利用arima模型對流量進行預測，當實際值偏離預測的置信區間時，產生報警；產生報警的同時，啟動備選方案來進行監控流量數據，用以防止異常數據進入arima模型預測；在arima模型正常運作時，實時判別arima模型的參數是否還適用，若發現不再適用時，自動進行再學習，通過再學習獲得新的模型參數，以此提高模型預測的準確性。
現有技術3:專利號為cn105471631a的《基於流量趨勢的網絡流量預測方法》專利，屬於計算機網絡領域，尤其涉及一種基於流量趨勢的網絡流量預測方法。該現有技術3提出了一種基於流量趨勢的網絡流量預測方法，該方法按照以下步驟進行：s1：提取當前時間周期i之前的n個時間周期下的網絡流量趨勢，以及當前時間周期i中從第1個時刻到時刻c的流量趨勢，n為正整數；s2：根據提取的網絡流量趨勢，預測未來時刻的網絡流量趨勢；s3：計算提取的網絡流量值和其網絡流量趨勢之間的誤差，預測流量誤差；s4：根據步驟s2中預測的網絡流量趨勢和s3中預測的流量誤差，預測未來時刻的網絡流量預測值；s5：令c＝c+k，如果c大於或等於時間周期i的結束時刻，則程序結束；否則返回步驟s2。該發明提高了預測精度的同時，大大減少了預測所需要的訓練樣本數，更易於應用在實際網絡管理和測量中。
但是，已有的現有技術1中公開了一種基於arima模型的無線傳感器網絡流量異常檢測方法，使用arima模型，通過選擇大小合適的滑動窗口建模，保證了建模的快速性和預測值的穩定性，利用模型進行d次差分使序列平穩，適用於流量非均衡、不平穩的無線傳感網絡條件。但整數次差分有時會造成過差分，使得數據一定程度失真，影響預測的精確度。
已有的現有技術2中採用了自適應的差分自回歸移動平均模型的流量預測方法和系統，利用arima模型對流量進行預測，在arima模型正常運作時，實時判別arima模型的參數是否還適用，若發現不再適用時，自動進行再學習，通過再學習獲得新的模型參數，以此提高模型預測的準確性。該方案雖然提高了預測準確性，但實現起來較複雜，實時處理工作量大大增加，負擔和代價較大。
已有的現有技術3中提出了一種基於流量趨勢的網絡流量預測方法，通過計算提取的網絡流量值和其網絡流量趨勢之間的誤差，預測流量誤差，再根據預測的網絡流量趨勢和s3中預測的流量誤差，預測未來時刻的網絡流量預測值。該方案減少了預測所需要的訓練樣本數，易於應用在實際網絡管理和測量中，但並未具體介紹如何預測網絡流量值和預測誤差，只是提出了一種預測策略，內部的預測細節有待設計改良。
針對上述由於現有技術中的缺陷，導致的對計算數據的預測精度帶來的影響的問題，目前尚未提出有效的解決方案。
技術實現要素：
本發明實施例提供了一種數據預測的方法和裝置，以至少解決由於現有技術中的缺陷，導致的對計算數據的預測精度帶來的影響的技術問題。
根據本發明實施例的一個方面，提供了一種數據預測的方法，包括：採集數據流量信息；通過預設協議對數據流量信息進行分析聚類，得到平穩性序列；通過選擇對應的量化值對平穩性序列進行定階，得到流量預測模型；依據流量預測模型對數據流量進行預測。
可選的，採集數據流量信息包括：在通信網中部署探針；依據探針採集數據流量信息。
進一步地，可選的，通過預設協議對數據流量信息進行分析聚類，得到平穩性序列包括：對在預設採集時間內的數據流量信息進行求和操作；對數據流量信息中的數據求均值，得到均值為0的時間序列；對時間序列進行去噪，並判斷去噪後的時間序列是否為非平穩時間序列；在判斷結果為是的情況下，通過對非平穩時間序列進行差分，得到平穩序列。
可選的，通過選擇對應的量化值對平穩性序列進行定階，得到流量預測模型包括：依據數據流量的業務類型分別進行定階，通過選擇對應的量化值，選取對應的模型，並將模型作為流量預測模型。
可選的，在依據流量預測模型對數據流量進行預測之前，該方法還包括：對殘差進行檢驗，對流量預測模型進行擬合，得到檢驗後的流量預測模型。
根據本發明實施例的另一方面，還提供了一種數據預測的裝置，包括：採集模塊，用於採集數據流量信息；分析模塊，用於通過預設協議對數據流量信息進行分析聚類，得到平穩性序列；計算模塊，用於通過選擇對應的量化值對平穩性序列進行定階，得到流量預測模型；預測模塊，用於依據流量預測模型對數據流量進行預測。
可選的，採集模塊包括：部署單元，用於在通信網中部署探針；採集單元，用於依據探針採集數據流量信息。
進一步地，可選的，分析模塊包括：第一計算單元，用於對在預設採集時間內的數據流量信息進行求和操作；第二計算單元，用於對數據流量信息中的數據求均值，得到均值為0的時間序列；判斷單元，用於對時間序列進行去噪，並判斷去噪後的時間序列是否為非平穩時間序列；第三計算單元，用於在判斷結果為是的情況下，通過對非平穩時間序列進行差分，得到平穩序列。
可選的，計算模塊包括：第四計算單元，用於依據數據流量的業務類型分別進行定階，通過選擇對應的量化值，選取對應的模型，並將模型作為流量預測模型。
可選的，該裝置還包括：檢驗模塊，用於在依據流量預測模型對數據流量進行預測之前，對殘差進行檢驗，對流量預測模型進行擬合，得到檢驗後的流量預測模型。
在本發明實施例中，通過採集數據流量信息；通過預設協議對數據流量信息進行分析聚類，得到平穩性序列；通過選擇對應的量化值對平穩性序列進行定階，得到流量預測模型；依據流量預測模型對數據流量進行預測，達到了提升數據計算精度的目的，從而實現了提升計算數據的預測精度的技術效果，進而解決了由於現有技術中的缺陷，導致的對計算數據的預測精度帶來的影響的技術問題。
附圖說明
此處所說明的附圖用來提供對本發明的進一步理解，構成本申請的一部分，本發明的示意性實施例及其說明用於解釋本發明，並不構成對本發明的不當限定。在附圖中：
圖1是根據本發明實施例的數據預測的方法的流程示意圖；
圖2是根據本發明實施例的一種數據預測的方法的流程示意圖；
圖3是根據本發明實施例的一種數據預測的方法中全業務綜合流量預測模型的擬合對比圖；
圖4是根據本發明實施例的一種數據預測的方法中全業務綜合流量預測模型的預測結果圖；
圖5是根據本發明實施例的一種數據預測的方法中全業務綜合流量預測模型建模分析圖；
圖6是根據本發明實施例的一種數據預測的方法中三種預測模型預測精度對比圖；
圖7是根據本發明實施例的一種數據預測的方法中區分業務與不區分業務建模預測對比圖；
圖8是根據本發明實施例的數據預測的裝置的結構示意圖。
具體實施方式
為了使本技術領域的人員更好地理解本發明方案，下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發明一部分的實施例，而不是全部的實施例。基於本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都應當屬於本發明保護的範圍。
需要說明的是，本發明的說明書和權利要求書及上述附圖中的術語「第一」、「第二」等是用於區別類似的對象，而不必用於描述特定的順序或先後次序。應該理解這樣使用的數據在適當情況下可以互換，以便這裡描述的本發明的實施例能夠以除了在這裡圖示或描述的那些以外的順序實施。此外，術語「包括」和「具有」以及他們的任何變形，意圖在於覆蓋不排他的包含，例如，包含了一系列步驟或單元的過程、方法、系統、產品或設備不必限於清楚地列出的那些步驟或單元，而是可包括沒有清楚地列出的或對於這些過程、方法、產品或設備固有的其它步驟或單元。
實施例一
根據本發明實施例，提供了一種數據預測的方法實施例，需要說明的是，在附圖的流程圖示出的步驟可以在諸如一組計算機可執行指令的計算機系統中執行，並且，雖然在流程圖中示出了邏輯順序，但是在某些情況下，可以以不同於此處的順序執行所示出或描述的步驟。
圖1是根據本發明實施例的數據預測的方法的流程示意圖，如圖1所示，該方法包括如下步驟：
步驟s102，採集數據流量信息；
步驟s104，通過預設協議對數據流量信息進行分析聚類，得到平穩性序列；
步驟s106，通過選擇對應的量化值對平穩性序列進行定階，得到流量預測模型；
步驟s108，依據流量預測模型對數據流量進行預測。
本申請實施例提供的數據預測的方法中，通過採集數據流量信息；通過預設協議對數據流量信息進行分析聚類，得到平穩性序列；通過選擇對應的量化值對平穩性序列進行定階，得到流量預測模型；依據流量預測模型對數據流量進行預測，達到了提升數據計算精度的目的，從而實現了提升計算數據的預測精度的技術效果，進而解決了由於現有技術中的缺陷，導致的對計算數據的預測精度帶來的影響的技術問題。
可選的，步驟s102中採集數據流量信息包括：
step1，在通信網中部署探針；
step2，依據探針採集數據流量信息。
進一步地，可選的，步驟s104中通過預設協議對數據流量信息進行分析聚類，得到平穩性序列包括：
step1，對在預設採集時間內的數據流量信息進行求和操作；
step2，對數據流量信息中的數據求均值，得到均值為0的時間序列；
step3，對時間序列進行去噪，並判斷去噪後的時間序列是否為非平穩時間序列；
step4，在判斷結果為是的情況下，通過對非平穩時間序列進行差分，得到平穩序列。
可選的，步驟s106中通過選擇對應的量化值對平穩性序列進行定階，得到流量預測模型包括：
step1，依據數據流量的業務類型分別進行定階，通過選擇對應的量化值，選取對應的模型，並將模型作為流量預測模型。
可選的，在步驟s108中依據流量預測模型對數據流量進行預測之前，本申請實施例提供的數據預測的方法還包括：
步驟s107，對殘差進行檢驗，對流量預測模型進行擬合，得到檢驗後的流量預測模型。
綜上，本申請實施例提供的數據預測的方法具體如下：
本申請實施例提供的數據預測的方法，通過對電力數據網的業務類型及傳輸特性分析，發現不同子網承載的業務流從流量分形層面有部分重合，雖然同類型業務由於內涵內容不同而對子網的傳輸qos需求不同，但由於信源數據流產生機制相同，因此仍然可以採用對現有實際電力數據網同類數據流採樣和整形分析完成模型建立。而這種通過從實際運行的電力數據網絡中採樣同質數據的方法可有效保證模型的有效性，對電力數據網建設具有實際工程可應用性。
目前電力數據網的信息業務類型大致分為數據類業務、語音業務、視頻類業務，下面對應這幾種業務類型進行流量特性分析。
1.語音業務:語音業務是電力數據網的傳統業務，主要包括調度電話、辦公行政電話和會議電話等。語音業務對可靠性和實時性的要求比較高，對帶寬的要求不高。隨著ip電話的普及，voip語音業務呈現出與原有程控電話不同的業務屬性。
2.視頻業務:視頻業務是近幾年興起的業務類型，是多媒體監控領域不可或缺基本業務之一，主要包括電視會議和無人值班變電站及其他視頻監視，這類業務的特點是對網絡時延及帶寬均有較高要求。
3.數據業務:包括scada類數據業務和mis類數據業務。scada數據業務對可靠性和實時性要求高，流量一般較小(300kbps～800kbps)，對時延要求較高。mis類數據流的突發流量很大(峰值可達4～6mbps)，網絡傳輸對帶寬要求較高，對網絡時延沒有嚴格要求。
本申請實施例提供的數據預測的方法基於實際採集的不同電力數據網流量進行流量分析和模型建立。通過對三類主要業務流量的特性分析，發現隨著voip語音業務的出現，傳統意義上語音模型已經不再適用語音業務。對於視頻和數據業務而言也遇到同樣的情況。業務流量不但存在短相關性，在較大的時間尺度內呈現出了自相似性，也可稱為長相關性。主要表現在所測網絡流量的時間序列在一個範圍很大的時間尺度上具有突發性，表現為非常集中的高或低活動期。前者會造成延時增大、持續周期性擁塞和緩存溢出率高，後者則給系統的資源造成不必要的浪費，給電力數據網絡設計、流量控制和資源管理等帶來了更多的困難。突發並沒有明確的長度，而目前大多數的網絡流量模型一般只能處理短相關性，對具有長相關特性的業務往往力不從心。本文選擇兼具長相關和短相關特性的f-arima模型和具有季節性的s-arima模型作為基礎，構建全業務綜合流量模型，描述電力數據網絡鏈路通道內業務的真實情況，並進行擬合和預測。
針對語音、數據業務的突發性和視頻業務的長時性，本文基於s-arima模型擬合語音類和數據類業務流量，基於f-arima模型擬合視頻類業務流量，提出如下電力數據網全業務綜合流量預測模型：
其中，
特別地，當i＝2時，
上式中，i＝1,2,3分別代表了語音、視頻、數據三個業務類型，b為後移算子，{εt}是一個均值為零的白噪聲序列，ωi(b)和φi(b)為常規的自回歸算子和移動平均算子，和為季節性自回歸算子和移動平均算子，gi,gi,li,li為各算子階數，di為差分階數，di為季節性差分階數，為差分算子，為季節性差分算子，si為季節周期。
下面介紹各相關參數的估計方法及模型的殘差檢驗方法。
1.差分階數di的估計方法
由文獻可知，差分階數d和時間序列的赫斯特(hurst)指數存在d＝h-0.5的關係。所以，可以先求出時間序列的赫斯特指數，由此得到差分階數d。
赫斯特指數的計算方法有很多，如：聚合方差法、r/s分析法、周期圖法、絕對值法、殘差方差法、小波分析法以及whittle法。其中，聚合方差法計算速度最快，r/s分析法速度較慢，whittle速度最慢，但精度很高。綜合考慮，本方法選擇r/s分析法估計赫斯特指數，繼而求得差分階數。
2.模型階次gi,li的估計方法
1)基於自相關函數和偏自相關函數的定階方法
本申請實施例提供的數據預測的方法主要由自相關函數{ρk}和偏自相關函數{φkk}的截尾性判斷模型的階數，如表1所示。通過求得流量序列的自相關函數圖和偏自相關函數圖，觀察圖形的結尾性判定階數。
表1截尾性階數判定
2)利用信息準則定階方法
bic準則：bic準則的函數表達式為：其中，n代表樣本個數，是擬合模型殘差的方差，g,l的上限值一般取或定階方法即為求得使上式值最小的g和l。
本申請實施例提供的數據預測的方法利用基於自相關函數和偏自相關函數的定階和利用信息準則定階相結合的方法確定模型階次。
3.算子係數ωi,k,ωi,k,ψi,k的估計方法
各算子係數的估計方法主要有：矩估計、極大似然估計和最小二乘法。本方法選擇最大似然法估計各算子的係數。
4.模型的殘差檢驗方法
參數估計後,要檢驗所選的模型殘差εt是否是白噪聲。殘差檢驗是模型擬合的重要部分,我們一般採用ljung-box檢驗
原假設:殘差序列為白噪聲序列,即h0:ρ1＝ρ2＝…＝ρm＝0，
檢驗統計量為lb(ljung-box)統計量：
如果拒絕原假設,說明殘差序列中還殘留著相關信息,擬合模型不顯著；如果沒有拒絕原假設,說明擬合模型顯著有效。
此外,還可以通過殘差的自相關和偏自相關函數圖進行白噪聲檢驗。如果殘差的自相關函數和偏自相關函數值均落在95％的置信區間內,則認為殘差序列為白噪聲序列。
在上述基本概念及方法明確後，本申請實施例提供的數據預測的方法流程如下所述：
step1:在電力通信網中通過一定的部署策略進行探針部署，由此來採集電力數據網流量信息。
step2:對探針採集上來的流量數據進行基於協議和埠的分析聚類，將其區分為語音、視頻、數據三大類型。
step3:對三種類型的數據分別在一定尺度上做聚合操作。聚合方法是對一個平穩時間序列x＝{x(i),i＞0}取1分鐘或1小時長的數據塊作求和操作即聚合後的時間序列更利於分析和預測。
step4:對給定的網絡流量數據進行處理得到一個均值為0的時間序列。
step5:對經過上述操作後的時間序列做去噪處理。目前常用的時間序列去噪方法有：加窗函數、指數濾波器、小波變換等，本方法不對去噪處理進行限制。
step6:如若得到的給定時間序列為非平穩的，還需要做平穩化操作(即差分)以得到平穩性序列。
step7:對三大業務類型的流量數據分別進行定階，選擇適當的gi,di,li,gi,di,li值，選擇一個嘗試性的模型。通過預處理後序列的自相關值求得全業務綜合流量預測模型各參數的初估計。
step8:模型經擬合後，對殘差運用診斷檢驗過程，或者導致接受試驗性模型，或者指出可以改進的方式，進而重新擬合及重複進行診斷檢驗。
step9:基於上述獲得的模型，對綜合信道內所有流量進行預測並分析。
由上可知，圖2是根據本發明實施例的一種數據預測的方法的流程示意圖，本申請實施例提供的數據預測的方法具體如圖2所示。
本申請實施例提供的數據預測的方法依據現網業務特性，對電力數據網信道內全業務進行分類；針對語音、數據業務的突發性和視頻業務的長時性，本文基於s-arima模型擬合語音類和數據類業務流量，基於f-arima模型擬合視頻類業務流量，最終形成電力數據網全業務綜合數據流量預測模型，並基於此模型進行流量預測。
本申請實施例提供的數據預測的方法立足於電力數據網信道內的全業務流量，利用時間序列模型實現流量預測，首先依據現網的業務特性對信道內的各種業務進行分類，之後針對語音、視頻、數據三大業務類型，通過一定時間尺度上的聚合操作、零均值化以及去噪操作對各類流量進行預處理，繼而依據f-arima和s-arima模型對三類業務數據分別進行擬合，在此基礎上提出全業務綜合流量預測模型，並基於此模型進行流量預測。仿真試驗表明，本發明所提方法，提高了預測的準確性，而預測步長也得到了一定提升。
具體的，對經過零均值化、差分以及去噪操作後的鏈路總流量序列進行模型擬合，模型擬合值與觀測值的對比圖如圖3所示，圖3是根據本發明實施例的一種數據預測的方法中全業務綜合流量預測模型的擬合對比圖。圖中橫坐標為時間，數據截取的部分為9:01-17:21時間段內的業務量。虛線為經過處理後的時間序列原始值，黑線為全業務綜合流量預測模型的擬合值。
如圖3所示，模型的擬合效果良好，下一步進行流量預測。由於數據量較大，全部展示效果不顯著，故截取其中90步長的預測值同真實值進行對比分析，如圖4所示，圖4是根據本發明實施例的一種數據預測的方法中全業務綜合流量預測模型的預測結果圖。圖4中橫坐標為時間序列步長，虛曲線為預測值，實體曲線為真實值。
由圖4可以看出，本申請實施例提供的數據預測的方法提出的預測模型的預測效果良好，用求得的預測數據，再經過差分、一次減均值以及去噪操作對應的反處理，即可得到原始流量對應的預測值。
為檢驗模型的合理性，我們對模型進行殘差檢驗。圖5是根據本發明實施例的一種數據預測的方法中全業務綜合流量預測模型建模分析圖，由上到下三幅圖分別表示預測模型的殘差、對應的殘差acf圖和對應的殘差ljung-box檢驗。圖中，殘差分布近似於白噪聲的分布，其acf值均在95％置信區間內且近乎為零，並且通過了殘差ljung-box檢驗。所以本申請實施例提供的數據預測的方法提出的全業務綜合流量預測模型很好的利用了數據中的有效信息，是一種合理有效的預測模型。
為描述全業務綜合流量預測模型的預測精度，本申請實施例提供的數據預測的方法採用平均誤差(meanerror,me)、平均絕對誤差(meanabsolutedeviation,mad)、均方誤差(meansquareerror,mse)、平均百分比誤差(meanpercentageerror,mpe)以及平均絕對百分比誤差(meanabsolutepercentageerror,mape)五項指標進行評價。me、mad、mse受時間序列數據的水平和計量單位的影響，適合用來比較同一數據的不同模型的擬合效果。mpe、mape消除了時間序列數據的水平和計量單位的影響，反映了誤差大小的相對值。具體計算公式如下：
平均誤差：
平均絕對誤差：
均方誤差：
平均百分比誤差：
平均絕對百分比誤差：
上式中，表示時間序列的預測值，zi表示時間序列的真實值，n表示總步長數，δ表示各個方法計算的誤差值。各個誤差值越小，說明模型的預測精度越高。
對一天中鏈路內的總流量值運用傅立葉級數模型、holt-winter’s模型和本文提出的全業務綜合流量預測模型進行流量預測，並與實際流量值進行對比，分別計算上述預測精度指標，結果如圖6所示，圖6是根據本發明實施例的一種數據預測的方法中三種預測模型預測精度對比圖。
從圖6中可以看出，由於傅立葉級數模型對於隨機性較小且周期性較強的數據進行擬合效果較好，而實際現網一天內的流量數據隨機性較大，周期性較弱，故傅立葉級數模型表現的精度較差。holt-winter’s模型可以較好的適應隨機性較大的數據，然而其對鏈路中流量值較低的時段預測時效果較差，預測效果相較於全業務綜合流量預測模型稍微差一些。
為展示對鏈路內總流量值分業務類型進行擬合預測的優勢，我們對同樣的數據分別用f-arima模型和s-arima模型單獨對鏈路內總流量值不區分業務類型進行建模預測，結果與本文提出的模型進行精度對比，如圖7所示，圖7是根據本發明實施例的一種數據預測的方法中區分業務與不區分業務建模預測對比圖。
由圖7可知，f-arima模型和s-arima模型對鏈路內流量值整體建模預測的精度雖然比傅立葉級數模型和holt-winter’s模型好，但相較於本文提出的做了業務特性區分的全業務綜合流量預測模型的預測精度還是較差些。由此可見，本申請實施例提供的數據預測的方法針對電力數據網現網業務特性對鏈路內流量進行聚類分析擬合之後再進行建模預測的效果比直接對鏈路流量總和進行建模預測好，提高了預測的精度。
實施例二
根據本發明實施例的另一方面，還提供了一種數據預測的裝置，圖8是根據本發明實施例的數據預測的裝置的結構示意圖，如圖8所示，包括：
採集模塊82，用於採集數據流量信息；
分析模塊84，用於通過預設協議對數據流量信息進行分析聚類，得到平穩性序列；
計算模塊86，用於通過選擇對應的量化值對平穩性序列進行定階，得到流量預測模型；
預測模塊88，用於依據流量預測模型對數據流量進行預測。
本申請實施例提供的數據預測的裝置中，通過採集數據流量信息；通過預設協議對數據流量信息進行分析聚類，得到平穩性序列；通過選擇對應的量化值對平穩性序列進行定階，得到流量預測模型；依據流量預測模型對數據流量進行預測，達到了提升數據計算精度的目的，從而實現了提升計算數據的預測精度的技術效果，進而解決了由於現有技術中的缺陷，導致的對計算數據的預測精度帶來的影響的技術問題。
可選的，採集模塊82包括：部署單元，用於在通信網中部署探針；採集單元，用於依據探針採集數據流量信息。
進一步地，可選的，分析模塊84包括：第一計算單元，用於對在預設採集時間內的數據流量信息進行求和操作；第二計算單元，用於對數據流量信息中的數據求均值，得到均值為0的時間序列；判斷單元，用於對時間序列進行去噪，並判斷去噪後的時間序列是否為非平穩時間序列；第三計算單元，用於在判斷結果為是的情況下，通過對非平穩時間序列進行差分，得到平穩序列。
可選的，計算模塊86包括：第四計算單元，用於依據數據流量的業務類型分別進行定階，通過選擇對應的量化值，選取對應的模型，並將模型作為流量預測模型。
可選的，該裝置還包括：檢驗模塊，用於在依據流量預測模型對數據流量進行預測之前，對殘差進行檢驗，對流量預測模型進行擬合，得到檢驗後的流量預測模型。
上述本發明實施例序號僅僅為了描述，不代表實施例的優劣。
在本發明的上述實施例中，對各個實施例的描述都各有側重，某個實施例中沒有詳述的部分，可以參見其他實施例的相關描述。
在本申請所提供的幾個實施例中，應該理解到，所揭露的技術內容，可通過其它的方式實現。其中，以上所描述的裝置實施例僅僅是示意性的，例如所述單元的劃分，可以為一種邏輯功能劃分，實際實現時可以有另外的劃分方式，例如多個單元或組件可以結合或者可以集成到另一個系統，或一些特徵可以忽略，或不執行。另一點，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些接口，單元或模塊的間接耦合或通信連接，可以是電性或其它的形式。
所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位於一個地方，或者也可以分布到多個單元上。可以根據實際的需要選擇其中的部分或者全部單元來實現本實施例方案的目的。
另外，在本發明各個實施例中的各功能單元可以集成在一個處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個單元中。上述集成的單元既可以採用硬體的形式實現，也可以採用軟體功能單元的形式實現。
所述集成的單元如果以軟體功能單元的形式實現並作為獨立的產品銷售或使用時，可以存儲在一個計算機可讀取存儲介質中。基於這樣的理解，本發明的技術方案本質上或者說對現有技術做出貢獻的部分或者該技術方案的全部或部分可以以軟體產品的形式體現出來，該計算機軟體產品存儲在一個存儲介質中，包括若干指令用以使得一臺計算機設備(可為個人計算機、伺服器或者網絡設備等)執行本發明各個實施例所述方法的全部或部分步驟。而前述的存儲介質包括：u盤、只讀存儲器(rom，read-onlymemory)、隨機存取存儲器(ram，randomaccessmemory)、移動硬碟、磁碟或者光碟等各種可以存儲程序代碼的介質。
以上所述僅是本發明的優選實施方式，應當指出，對於本技術領域的普通技術人員來說，在不脫離本發明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應視為本發明的保護範圍。