基于人工智能的移动通信基站流量预测- -2 基于ARIMA传统序列分析的基站流量预测

无线通信中的人工智能移动通信基站流量预测

基于ARIMA传统序列分析的基站流量预测1上节课回顾：时序数据探索性分析已有（观测）预测临近相关性周期相关性?趋势相关性不确定性有一定规律能被识别出

可预测性（Predictability）周末、工作日、地点：忙闲时模式不一2STL分解法ARMAARIMASTFTGraminAngularField时空序列深度网络图神经网络DeepSTConvLSTMconv3D时间序列机器学习深度学习STGCNASTGCNAGCRNSTFGNNXGBoostCNNLSTMRNNGRUSeq2seqtransformer时序分析预测建模基于机器学习/深度学习基于规则分解建模线性建模转换为频域数据转换为图像DNNProphet朴素预测法朴素周期法历史平均法预测方法进阶：基于规则基于机器学习3预测方法进阶：基于规则基于机器学习机器自动从数据中洞察规律基于机器学习的预测方法数据弊端模型维护人工成本高跨基站的应用性能差基于规则的预测方法基于人类认知制定规则，自动输出规则全国5G基站约145万个4教学内容数据驱动：以ARIMA为例的传统序列预测1深度模型：基于深度学习的LSTM预测模型（12周）2训练验证：时序流量数据集上的训练和验证3实践研讨：工程场景下的模型应用及拓展4作业拓展：科研平台支持扩展分析维度和角度5有信心、有兴趣，开展AI流量序列预测探索基于规则思考题：AI到底是什么？人工智能使计算机模仿人类智能的任何技术naive算法16数据驱动的AI预测：机器自动从数据中洞察规律人工智能计算机模仿人类机器学习统计模型＋经验深度学习多层神经网络＋海量数据7机器学习算法思考题：AI到底是什么？17数据：模型：

训练参数数据和模型联合的学习寻找模型参数组合8机器学习算法回顾18

训练好的模型预测任务的输入数据预测输出9机器学习算法回顾19ARIMA算法：原理和流程常数AR（自回归）MA（移动平均）I（差分而平稳）ARIMA原理110d次差分处理ACF图PACF图d=平稳化的差分次数p=自回归项的个数q=移动平均项的个数ARIMA(p,d,q)参数：对数据做差分处理，得到平稳的时间序列。绘制ACF图和PACF图。11ARIMA算法：原理和流程1模型ACFPACFAR（p）衰减趋于零（几何型或振荡型）p阶后截尾MA（q）q阶后截尾衰减趋于零（几何型或振荡型）ARMA（p,q)q阶后衰减趋于零（几何型或振荡型）p阶后衰减趋于零（几何型或振荡型）截尾:落在置信区间内(95%的点都符合该规则)11打开课程实例2、基于ARIMA的预测算法，根据发布的2个基站流量数据，运行Arima模型

√

基站#88

√

基站#100

请尝试用不同的(p,d,q)取值性能对比，分享最好的RMSE性能作答1.ARIMA算法实操及研讨截图（拍照）上传结果

主观题10分1212白盒方法：统计模型仅利用少量数据就可以预测短期预测性能好利13ARIMA算法：利与弊113小区900小区554小区105获取基站流量数据是否平稳d次差分进行零均值化计算自相关函数(ACF)与偏相关函数(PACF)ARIMA模型识别参数估计模型有效性检验是否通过进行基站流量预测否是是否北京基站：25.4万每个时序的模型参数需要单独估计长期时序预测、复杂模式时序预测性能差无法利用多变量时序之间的相关性无法处理冷启动弊14ARIMA算法：利与弊114STL分解法ARMAARIMASTFTGraminAngularField时空序列深度网络图神经网络DeepSTConvLSTMconv3D时间序列机器学习深度学习STGCNASTGCNAGCRNSTFGNNXGBoostCNNLSTMRNNGRUSeq2seqtransformer时序分析预测建模基于机器学习/深