一种大数据环境下城域网分析预测方法及可读存储介质
专利汇可以提供一种大数据环境下城域网分析预测方法及可读存储介质专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种 大数据 环境下城域网分析预测方法及可读存储介质，属于网络规划技术领域，包括定时获取城域网内各网管的 基础 关键数据、BRAS各类型端口信息以及用户数预测信息；基于设定的网络现状参数 预测模型 对基础关键数据进行处理，得到城域网现状的动态表示参数；基于设定的网络能 力 计算模型对现状的动态表示参数和用户数预测信息进行处理，得到城域网的能力表示参数；基于城域网的能力表示参数、BRAS槽位及session数信息、BRAS各类型端口信息等，对城域网的扩容规模进行预测以构建城域网的工程建设方案。本发明通过引入大数据的思维，实现对不同区域、不同时间段、不同用户套餐等场景下的城域网流量模型的精准预测，达到对城域网进行精准规划的目的。，下面是一种大数据环境下城域网分析预测方法及可读存储介质专利的具体信息内容。
1.一种大数据环境下城域网分析预测方法，其特征在于，包括：
定时获取城域网内各网管的基础关键数据、BRAS各类型端口信息以及用户数预测信息，该基础关键数据包括BRAS槽位及session数信息、BRAS上行峰值流量信息、OLT上联设备信息、OLT上行峰值流量信息、OLT承载用户明细、OLT所承载的各速率用户峰值流量信息以及用户签约套餐信息；
基于设定的网络现状参数预测模型对所述基础关键数据进行处理，得到城域网现状的动态表示参数；
基于设定的网络能力计算模型，对所述城域网现状的动态表示参数和所述用户数预测信息进行处理，得到所述城域网的能力表示参数；
基于所述城域网的能力表示参数、BRAS槽位及session数信息、BRAS各类型端口信息、OLT上联设备信息、OLT承载用户明细信息以及预测用户数，对所述城域网的扩容规模进行预测；
根据预测得到的城域网扩容规模，构建所述城域网的工程建设方案。
2.如权利要求1所述的大数据环境下城域网分析预测方法，其特征在于，所述网络现状参数预测模型包括BRAS上下行收敛比预测模型、OLT上下行收敛比预测模型、不同速率用户流量模型预测模型、不同速率用户在线集中比模型以及单用户所占session数预测模型；
所述城域网现状的动态表示参数包括BRAS上下行收敛比、OLT上下行收敛比、不同速率用户流量模型、不同速率用户在线集中比模型以及单用户所在session数。
3.如权利要求2所述的大数据环境下城域网分析预测方法，其特征在于，所述基于设定的网络现状参数模型对所述基础关键数据进行处理，得到城域网现状的动态表示参数，包括：
利用所述BRAS上下行收敛比预测模型对所述BRAS上行峰值流量信息、OLT上行峰值流量信息以及OLT上联设备信息进行处理，得到BRAS上下行收敛比预测值，其中BRAS上下行收敛比预测模型为：
BRAS上下行收敛比=BRAS上行峰值流量/∑(归属该BRAS设备的OLT上行峰值流量)；
利用所述OLT上下行收敛比预测模型对所述OLT上行峰值流量信息、OLT所承载的各速率用户峰值流量信息进行处理，得到OLT上下行收敛比预测值，其中OLT上下行收敛比预测模型为：
OLT上下行收敛比=OLT上行峰值流量/∑(该OLT设备所承载的各速率用户峰值流量)；
利用所述不同速率用户流量预测模型对所述OLT承载用户明细、OLT所承载的各速率用户峰值流量信息以及用户签约套餐信息进行处理，得到不同速率用户流量模型，其中不同速率用户流量预测模型为：
不同速率用户流量模型=∑(各速率用户的峰值流量)/各速率用户的忙时在线数，其中，各速率用户的峰值流量之和由所述OLT承载用户明细、OLT所承载的各速率用户峰值流量信息及用户签约套餐进行关联得到；各速率用户忙时在线数，即为各速率用户忙时在线集中比，意为OLT设备达到峰值流量时同时在线的各速率用户数；
利用所述不同速率用户在线集中比模型对所述OLT承载用户明细及OLT所承载的各速率用户峰值流量信息进行处理，得到不同速率用户在线集中比，其中不同速率用户在线集中比模型为：
不同速率用户在线集中比=各速率用户的忙时在线数/该OLT设备所承载的各速率用户总数，
其中，忙时在线数即为达到峰值流量时同时在线用户数，设备所承载的各速率用户总数即为在该时刻此OLT设备所承载的线上及线下同一速率用户之和；
利用所述单用户所在session数预测模型对所述BRAS槽位及session数信息、OLT上联设备信息以及OLT承载用户明细进行处理，得到单用户所在session数，其中单用户所在session数预测模型为：
单用户所占session数=BRAS设备session数/∑(归属该BRAS设备的OLT所承载的在线用户数)。
4.如权利要求3所述的大数据环境下城域网分析预测方法，其特征在于，所述网络能力计算模型包括OLT下行峰值流量预测模型、OLT上行峰值流量预测模型、BRAS下行峰值流量及下行端口预测模型、BRAS上行峰值流量预测模型以及BRAS上行端口预测模型；
所述城域网的能力表示参数包括OLT下行峰值流量预测值、OLT上行峰值流量预测值、BRAS下行峰值流量、BRAS下行端口预测值、BRAS上行峰值流量预测值以及BRAS上行端口预测值。
5.如权利要求4所述的大数据环境下城域网分析预测方法，其特征在于，所述基于设定的网络能力计算模型，对所述城域网现状的动态表示参数和所述用户数预测信息进行处理，得到所述城域网的能力表示参数，包括：
利用所述OLT下行峰值流量预测模型，对所述各速率用户数预测信息、不同速率用户在线集中比以及不同速率用户流量模型进行处理，得到OLT下行峰值流量预测值，其中OLT下行峰值流量预测模型为：
OLT下行峰值流量预测值=∑(各速率用户流量模型×各速率用户数×各速率用户在线集中比)；
利用所述OLT上行峰值流量预测模型，对所述OLT上下行收敛比、OLT下行峰值流量预测值进行处理，得到OLT上行峰值流量预测值，其中OLT上行峰值流量预测模型为：
OLT上行峰值流量预测值=OLT下行峰值流量×OLT上下行收敛比；
根据所述OLT上行峰值流量预测值，计算OLT上行端口数预测值；
利用所述BRAS下行峰值流量及下行端口预测模型，对所述OLT上行峰值流量和所述OLT上联设备信息进行处理，得到BRAS下行峰值流量预测值及BRAS下行端口预测值，其中BRAS下行峰值流量及BRAS下行端口预测模型分别为：
BRAS下行峰值流量=∑(归属该BRAS设备的OLT上行峰值流量)；
BRAS下行端口预测=∑(归属该BRAS设备的OLT上行端口数)；
利用所述BRAS上行峰值流量预测模型，对所述BRAS上下行收敛比和BRAS下行峰值流量预测值进行处理，得到BRAS上行峰值流量预测值，其中BRAS上行峰值流量预测模型为：
BRAS上行峰值流量预测=BRAS下行峰值流量×BRAS上下行收敛比；
利用所述BRAS上行端口预测模型，对所述BRAS上行峰值流量预测值进行处理，得到BRAS上行端口预测值，其中BRAS上行端口预测模型为：
BRAS上行端口预测=Roundup(BRAS上行峰值流量/1024/2/60%/10,0)×2。
6.如权利要求5所述的大数据环境下城域网分析预测方法，其特征在于，所述根据所述OLT上行峰值流量预测值，计算OLT上行端口数预测值，包括：
若OLT上行链路现状为10G链路，上行峰值流量单位按Mbps计算，则OLT上行端口数=Roundup(OLT上行峰值流量/1024/2/50%/10,0)×2；
若OLT上行链路现状为GE链路，上行峰值流量单位按Mbps考虑，则OLT上行端口数=If(OLT上行峰值流量<(1024×50%×6),Roundup(OLT上行峰值流量/1024/2/50%,0)×2, Roundup(OLT上行峰值流量/1024/2/50%/10,0)×2)。
7.如权利要求6所述的大数据环境下城域网分析预测方法，其特征在于，所述基于所述城域网的能力表示参数、BRAS槽位及session数信息、BRAS各类型端口信息、OLT上联设备信息、OLT承载用户明细信息以及预测用户数，对所述城域网的扩容规模进行预测，包括：
基于所述用户数预测信息、OLT承载用户明细、单用户所占Session数、OLT上联设备信息以及不用速率用户在线集中比，计算BRAS承载Session数；
根据所述OLT上行端口预测值，计算OLT改万兆需求量；
基于所述BRAS下行峰值流量预测值、BRAS下行端口预测值、BRAS上行端口预测值以及BRAS各类型端口信息，计算BRAS板卡扩容数量；
根据所述BRAS板卡扩容数量和BRAS槽位及session数信息，预测槽位到达情况。
8.如权利要求7所述的大数据环境下城域网分析预测方法，其特征在于，所述基于所述用户数预测信息、OLT承载用户明细、单用户所占Session数、OLT上联设备信息以及不同速率用户在线集中比，计算BRAS承载Session数，包括：
根据所述OLT承载用户明细将所述用户数预测信息按照趋势预测分解到每台OLT设备；
根据不同速率用户在线集中比计算每台OLT的预测在线用户数；
将所述OLT上联设备信息关联到相应BRAS设备上；
按照如下公式计算BRAS承载Session数：
BRAS承载Session数=∑(归属该BRAS设备的OLT所承载的各速率用户预测值×不同速率用户在线集中比)×单用户所占Session数。
9.如权利要求7所述的大数据环境下城域网分析预测方法，其特征在于，所述根据预测得到的城域网扩容规模，构建所述城域网的工程建设方案，包括：
根据所述BRAS板卡扩容数量和BRAS板卡单价，预测所述城域网投资数目；
根据所述BRAS承载Session数和BRAS设备槽位到达情况，构建BRAS建设方案；
根据所述BRAS上行峰值流量预测值和OLT改万兆需求量，预测所述城域网传输扩容需求量；
根据所述城域网的投资数目、BRAS建设方案以及传输扩容需求量，构建所述城域网的工程建设方案。
10.一种计算机可读存储介质，其特征在于，包括与存储设备结合使用的若干条程序，所述若干条程序用于被处理器调用并执行如下步骤：
定时获取城域网内各网管的基础关键数据、BRAS各类型端口信息以及各速率用户数预测信息，该基础关键数据包括BRAS槽位及session数信息、BRAS上行峰值流量信息、OLT上联设备信息、OLT上行峰值流量信息、OLT承载用户明细、OLT所承载的各速率用户峰值流量信息以及用户签约套餐信息；
基于设定的网络现状参数预测模型对所述基础关键数据进行处理，得到城域网现状的动态表示参数；
基于设定的网络能力计算模型，对所述城域网现状的动态表示参数和所述用户数预测信息进行处理，得到所述城域网的能力表示参数；
基于所述城域网的能力表示参数、BRAS槽位及session数信息以及BRAS各类型端口信息、OLT上联设备信息以及OLT承载用户明细信息，对所述城域网的扩容规模进行预测；
根据预测得到的城域网扩容规模，构建所述城域网的工程建设方案。
一种大数据环境下城域网分析预测方法及可读存储介质
技术领域
背景技术
发明内容
基于设定的网络现状参数预测模型对所述基础关键数据进行处理，得到城域网现状的动态表示参数；
基于设定的网络能力计算模型，对所述城域网现状的动态表示参数和所述用户数预测信息进行处理，得到所述城域网的能力表示参数；
基于所述城域网的能力表示参数、BRAS槽位及session数信息、BRAS各类型端口信息、OLT上联设备信息、OLT承载用户明细信息以及预测用户数，对所述城域网的扩容规模进行预测；
根据预测得到的城域网扩容规模，构建所述城域网的工程建设方案。
BRAS上下行收敛比=BRAS上行峰值流量/∑(归属该BRAS设备的OLT上行峰值流量)；
利用所述OLT上下行收敛比预测模型对所述OLT上行峰值流量信息、OLT所承载的各速率用户峰值流量信息进行处理，得到OLT上下行收敛比预测值，其中OLT上下行收敛比预测模型为：
OLT上下行收敛比=OLT上行峰值流量/∑(该OLT设备所承载的各速率用户峰值流量)；
利用所述不同速率用户流量预测模型对所述OLT承载用户明细、OLT所承载的各速率用户峰值流量信息以及用户签约套餐信息进行处理，得到不同速率用户流量模型，其中不同速率用户流量预测模型为：
不同速率用户流量模型=∑(各速率用户的峰值流量)/各速率用户的忙时在线数，其中，各速率用户的峰值流量之和由所述OLT承载用户明细、OLT下行及单用户峰值流量信息进行关联得到。各速率用户忙时在线数，即为各速率用户忙时在线集中比，意为OLT设备达到峰值流量时同时在线的各速率用户数。
其中，忙时在线数即为达到峰值流量时同时在线用户数，设备所承载的各速率用户总数即为在该时刻此OLT设备所承载的线上及线下同一速率用户之和。
OLT下行峰值流量预测值=∑(各速率用户流量模型×各速率用户数×各速率用户在线集中比)；
利用所述OLT上行峰值流量预测模型，对所述OLT上下行收敛比、OLT下行峰值流量预测值进行处理，得到OLT上行峰值流量预测值，其中OLT上行峰值流量预测模型为：
OLT上行峰值流量预测值=OLT下行峰值流量×OLT上下行收敛比；
根据所述OLT上行峰值流量预测值，计算OLT上行端口数预测值；
利用所述BRAS下行峰值流量及下行端口预测模型，对所述OLT上行峰值流量和所述OLT上联设备信息进行处理，得到BRAS下行峰值流量预测值及BRAS下行端口预测值，其中BRAS下行峰值流量及BRAS下行端口预测模型分别为：
BRAS下行峰值流量=∑(归属该BRAS设备的OLT上行峰值流量)；
BRAS下行端口预测=∑(归属该BRAS设备的OLT上行端口数)。
利用所述BRAS上行端口预测模型，对所述BRAS上行峰值流量预测值进行处理，得到BRAS上行端口预测值，其中BRAS上行端口预测模型为：
BRAS上行端口预测=Roundup(BRAS上行峰值流量/1024/2/60%/10,0)×2。
若OLT上行链路现状为GE链路，上行峰值流量单位按Mbps考虑，则OLT上行端口数=If(OLT上行峰值流量<(1024×50%×6),Roundup(OLT上行峰值流量/1024/2/50%,0)×2, Roundup(OLT上行峰值流量/1024/2/50%/10,0)×2)。
根据所述OLT上行端口预测值，计算OLT改万兆需求量；
基于所述BRAS下行峰值流量预测值、BRAS下行端口预测值、BRAS上行端口预测值以及BRAS各类型端口信息，计算BRAS板卡扩容数量；
根据所述BRAS板卡扩容数量和BRAS槽位及session数信息，预测槽位到达情况。
根据不同速率用户在线集中比计算每台OLT的预测在线用户数；
将所述OLT上联设备信息关联到相应BRAS设备上；
按照如下公式计算BRAS承载Session数：
BRAS承载Session数=∑(归属该BRAS设备的OLT所承载的各速率用户预测值×不同速率用户在线集中比)×单用户所占Session数。
根据所述BRAS承载Session数和BRAS设备槽位到达情况，构建BRAS建设方案；
根据所述BRAS上行峰值流量预测值和OLT改万兆需求量，预测所述城域网传输扩容需求量；
根据所述城域网的投资数目、BRAS建设方案以及传输扩容需求量，构建所述城域网的工程建设方案。
基于设定的网络现状参数预测模型对所述基础关键数据进行处理，得到城域网现状的动态表示参数；
基于设定的网络能力计算模型，对所述城域网现状的动态表示参数和所述用户数预测信息进行处理，得到所述城域网的能力表示参数；
基于所述城域网的能力表示参数、BRAS槽位及session数信息、BRAS各类型端口信息、OLT上联设备信息、OLT承载用户明细信息以及预测用户数，对所述城域网的扩容规模进行预测；
根据预测得到的城域网扩容规模，构建所述城域网的工程建设方案。
附图说明
图2是一种大数据环境下城域网分析预测方法的流程示意图；
图3是大数据环境下城域网分析预测的总体逻辑拓扑架构。
具体实施方式
需要说明的是，基础关键数据分别为IP综合网管侧的BRAS槽位及session数信息、BRAS上行峰值流量信息；资源系统侧的OLT上联设备（即归属BRAS）信息；PON网管系统侧的OLT上行峰值流量信息、OLT承载用户明细、OLT所承载的各速率用户峰值流量信息；以及CRM系统的用户签约套餐信息。BRAS各类型端口信息由IP综合网管提供，各速率用户数预测信息由市场调研得到。
S4、基于所述城域网的能力表示参数、BRAS槽位及session数信息、BRAS各类型端口信息、OLT上联设备信息、OLT承载域用户明细信息以及预测用户数，对所述城域网的扩容规模进行预测；
S5、根据预测得到的城域网扩容规模，构建所述城域网的工程建设方案。
通过BRAS上行峰值流量信息、OLT上行峰值流量信息、OLT上联设备（即归属BRAS）信息3个基础关键数据得出，BRAS上下行收敛比预测模型为：
BRAS上下行收敛比=BRAS上行峰值流量/∑(归属该BRAS设备的OLT上行峰值流量)。
OLT上下行收敛比=OLT上行峰值流量/∑(归属该OLT设备的各速率用户峰值流量)。
3个基础关键数据得出。通过将每台OLT设备所承载的全量的忙时在线用户与其签约套餐相关联，即可得到OLT设备上各套餐用户忙时的在线用户数量，再计算各套餐用户的峰值流量之和，按不同用户套餐即不同速率分别求值。不同速率用户流量预测模型为：
不同速率用户流量模型=∑(各速率用户的峰值流量)/各速率用户的忙时在线数。
不同速率用户在线集中比=各速率用户的忙时在线数/该OLT设备所承载的各速率用户总数。
单用户所占session数=BRAS设备session数/∑(归属该BRAS设备的OLT所承载的在线用户数)。
通过各速率用户数预测信息、不同速率用户在线集中比以及不同速率用户流量模型3项数据得出。预测用户要区分不同速率，并匹配不同速率用户流量模型。OLT下行峰值流量预测模型为：
OLT下行峰值流量=∑(各速率用户流量模型×各速率用户数×不同速率用户在线集中比)。
OLT上行峰值流量预测=OLT下行峰值流量×OLT上下行收敛比。
若OLT上行链路现状为10G链路，上行峰值流量单位按Mbps考虑，则：
OLT上行端口数=Roundup(OLT上行峰值流量/1024/2/50%/10,0)×2；
其中，50%为OLT上行控制的链路利用率（其为可调参数，各运营商规则有差异），“/2”、“×2”的含义均为上行双链路保护，流量负载均担。“Roundup“表示计算数值向上取整，参考Excel公式。
1024/2/50%,0)×2, Roundup(OLT上行峰值流量/1024/2/50%/10,0)×2)；
其中，50%为OLT上行控制的链路利用率，为可调参数，“/2”、“×2”的含义均为上行双链路保护，流量负载均担。Roundup表示计算数值向上取整。另外，此公示参考Excel公式中的“If“，表明是一个判定公式，需要与现状流量，即GE改10GE的门限流量做比较。这里门限流量设定为“1024M×50%×6“，即每条GE链路利用率达到50%，6条GE链路的流量值之和，超出此数值改为10GE链路。此门限值也存在不用的运营商规则的差异问题，为可调变量。
BRAS下行峰值流量=∑(归属该BRAS设备的OLT上行峰值流量)。
BRAS上行峰值流量预测=BRAS下行峰值流量×BRAS上下行收敛比。
BRAS上行端口预测=Roundup(BRAS上行峰值流量/1024/2/60%/10,0)×2。
通过用户数预测信息、OLT承载用户明细、单用户所占Session数、不同速率用户在线集中比、OLT上联设备（归属OLT）5项数据得出；根据OLT承载用户明细将预测各速率用户数（市场提供）按照趋势预测分解到每台OLT设备，再根据OLT上联设备（归属OLT）关联到相应BRAS设备上。BRAS承载Session数计算公式为：
BRAS承载Session数=∑(归属该BRAS设备的OLT所承载的各速率用户预测值×不同速率用户在线集中比)×单用户所占Session数。
当BRAS设备型号为华为ME60-8或中兴M6000-16时，则有：
BRAS设备子卡预测=Roundup(BRAS上下行万兆端口预测之和/2,0)；
BRAS设备母卡预测=Roundup(BRAS设备子卡预测/2,0)；
其中，“/2“分别意为每块子卡含2个万兆端口，每块母卡配置2块子卡。
BRAS设备母卡预测=Roundup(BRAS设备子卡预测/2,0)；
其中，“/5“意为每块子卡含5个万兆端口，“/2“意为每块母卡配置2块子卡。
BRAS设备母卡预测=Roundup(BRAS设备子卡预测/2,0)；
其中，“/6“意为每块子卡含6个万兆端口，“/2“意为每块母卡配置2块子卡。
BRAS设备槽位到达=BRAS设备槽位现状+BRAS设备母卡预测。
基于设定的网络现状参数预测模型对所述基础关键数据进行处理，得到城域网现状的动态表示参数；
基于设定的网络能力计算模型，对所述城域网现状的动态表示参数和所述用户数预测信息进行处理，得到所述城域网的能力表示参数；
基于所述城域网的能力表示参数、BRAS槽位及session数信息、BRAS各类型端口信息、OLT上联设备信息、OLT承载用户明细信息以及预测用户数，对所述城域网的扩容规模进行预测；
根据预测得到的城域网扩容规模，构建所述城域网的工程建设方案。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 容量资源的预测方法及装置 | 2020-08-03 | 0 |
| 一种中药提取过程中的在线检测方法与装置 | 2021-06-16 | 0 |
| 一种基于无迹卡尔曼滤波和神经网络的光伏发电预测方法 | 2022-08-10 | 0 |
| 机电复合传动系统需求转矩的自适应递归多步预测方法 | 2022-11-15 | 0 |
| 基于特征自适应选择和WDNN的风电爬坡事件预测方法 | 2020-06-19 | 0 |
| 基于多变量分组的服务器性能预测方法 | 2021-08-08 | 1 |
| 一种高炉炼铁过程一氧化碳利用率的建模方法 | 2022-07-07 | 0 |
| 剪影成像方法及装置 | 2020-10-25 | 1 |
| 基于检测到的触发事件的应用程序建议 | 2021-10-31 | 0 |
| 一种造影剂作用下的成像方法与设备 | 2020-06-06 | 1 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
