Page 12 - 网络电信2021年9月刊上
P. 12
运 营 商 动 态
其中，D为需要预测的数据量；D p 为每个用户使用的数据
量；p为用户数量。每个用户互联网相关行业消耗的数据量D p 统
计难度小，可由相关APP或移动端设备获得。同时互联网产品的
用户增长速度已经比较稳定，统计用户数量p同样比较简单。由
其中，D n 为预测年份的数据量；D n-1 为前一年的数据量；p n
为数据量增长率；q为数据类型指数；a i 为专家建议的影响因 前面分析可知，互联网产业的数据绝大部分都是非结构化的数
素，当专家建议的影响较多时，需要将多种因素相乘。前面分 据，故本模型不再区分数据类型。当然，此模型也适用于增长
析可知，大部分行业结构化数据是线性增长，故预测结构化数 规模稳定的工业制造业。
据时q为1；由于非结构化数据种类多且数据量巨大，增长速率 3. 两种模型的比较
一般不是线性的，经过迭代拟合，这里给出一个q的参考值为 用户拟合模型的优势比较明显：计算简单，数据易于统
2，相关专业的专家可以根据专业经验自行修改。 计，其预测结果比较接近真实值。但其缺点也比较明显，就是
用专家拟合法对电信运营商某平台网络数据的数据量进行 使用范围比较窄，使用的条件比较苛刻。只适用于数据和用户
了预测。2018-2020年数据为此平台每日平均数据量的实测数 数量关系紧密的行业，且要求其用户量或者用户变化的趋势比
据；2020年数据量为前3季度实测数据量和第4季度的预测值； 较稳定，容易预测和统计。
2021年数据量为利用专家拟合模型预测数值，其中，p为0.1，q 专家拟合模型的优点是覆盖的行业广，只要可以找到相关
为2，a为1.4。 专业的数据专家给出相关参数，就可以比较准确拟合这个专业
2018-2021年每日数据量如图1所示。可以看出，2021年整 的数据量，此外还可以预测不同类型数据的数据量。缺点是计
体数据量增长明显,这是由5G进一步普及所带来的数据量爆发造 算比较复杂，需要较多的统计手段对基础数据进行加工得出相
成的。 关的增长率，比较依赖专家建议，主观因素较高。两种预测模
专家拟合法适用于用户行为和增长模式都无法严格量化的 型特点比较鲜明，可以根据具体的需求综合考虑两种模型的优
新兴技术和产业。例如本文提到的工业制造业，尤其是重工业 缺点进行预测。
领域，5G的技术加成将为该领域的数字化和智能化提供飞速发 以上两种模型都是从运营商的实际生产的相关模型改进而
展的动力，数据发展速度将突破线性增长，很可能达到指数级 来，尽管在模型构建时尽可能地考虑了多种行业的数据特点，
增长，利用专家拟合法能够更准确地描述其增长趋势。 但依然不可避免有一定的局限性。用于构造模型的数据目前仅
2. 用户指数方法 仅来自于一家运营商的统计，由于运营商无法对数据所属的产
针对互联网这类2C业务的产业，由于其用户量与数据量关 业精细划分，也无法深入研究各行业的数据特点。因此，本文
系紧密，可以考虑使用用户量来描述其特性。 所涉及的预测模型，在对于其它行业数据预测方面还存在一些
D=D p ·P 不足。若想进一步深入精细地预测各行业的数据，还需要深入
调研相关行业的数据特点。
本文旨在探索和研究构建一个能够全行业适用的海量数据
表 2 某平台 2018-2021 年每天网络数据量
预测模型的方法论。这里建议更多地从模型构建的方法和角度
去考虑如何能够更全面、更合理、更准确地构建预测模型。
三、结束语
海量数据的概念是从大数据衍生而来的，与大数据相比，
海量数据来源更多样、种类更多样、数据量更大、用途更模
糊，这也为海量数据的预测增加了难度。经过研究发现，不同
的业务对数据的要求和数据组成是不同的，但数据量增长的趋
势是明显且稳定的。为了更准确地预测，我们按照产业的业务
特点和数据本身的特点进行了研究和分析，提出了两种预测模
图 1 某平台 2018-2021 年每日数据量（TB）
型。本文提出了两种预测海量数据的方法为相关问题提出了解
决思路。两种模型各有特点，可以根据所研究领域的特点选择
使用一种或两种进行海量数据的预测。
参考文献：
[1] 中国互联网络信息中心. 第45次中国互联网络发展状况统
计报告[R]. 2020(4).
[2] 陈荆花，包枫叶，蒋寅. 浅析未来车辆网中运营商通道能
力的挑战与创新[J]. 电子技术应用，2019(9).
16 网络电信 二零二一年九月
