基于K-近邻算法的业务量预测

随着3G的大力普及及4G的快速发展,通信业务量日益增加,运营商对网络的规划、优化以及调整缺乏有效地指导,因此,需要对通信业务量进行相应的预测。针对通信业务量时间序列的非线性、动态变化等特征,提出一种基于K-近邻算法的通信业务量预测方法,克服了传统方法不能很好地刻画业务量时间序列的非线性关系、预测精度低、误差累计严重等缺点。仿真结果表明,提出的方法通过近似时间段的选取,提高了预测精度,在运行时间方面,算法能够在1s内运行结束,算法执行效率较高,具有很强的实践应用价值。     

一种智能化小区业务量指标预测方法研究

通信网络的业务量指标对指导网络运维工作非常重要。如果能够提前预知业务量指标的变化，则有助于网络中资源调度和节能减排工作的成功实施。当前，对大规模小区的海量业务量指标实现快速、精准预测是一个不小的挑战。本文研究了一种智能化大规模小区业务量指标预测的方法。首先，通过构造鲁棒的特征，对小区的高低负荷情况进行描述；之后，运用聚类算法，对小区进行基于业务量情况的场景划分；最后，对于不同业务场景下的小区，通过集成学习算法进行预测模型的建模与训练。经实验验证，该模型预测性能良好，成功实现了对大规模小区业务量指标的精准预测。     

“九五”期间浙江省分组交换数据业务发展前景的设想

介绍了“九五”期间浙江省分组交换数据业务发展前景的设想。用类比法和全省总人口类比法预测分组交换用户；分地区分类用户预测；分组交换网业务量预测及交换设备容量的计算。     

改进的变权组合业务量预测应用方法

对预测误差平方和最小为原则的固定权重最优组合预测模型进行改进,提出了一种应用于移动通信网业务量预测的变权组合预测方法。通过4种预测方法对某地业务量进行预测并比较其精确度,结果表明改进的变权组合预测方法取得了较高的预测精确度。     

一种基于大数据回归分析的LTE流量 预测及扩容方法研究

本文详细介绍了一种LTE网络业务量各时间维度的预测方法,引入O+B域建立用户画像,结合大数据建立LTE网络预测模型,对LTE网络未来小区内用户数、业务量等数据进行预测,同时可以把控网络局部短期变化,从而支撑快速优化调整应对。基于用户感知建立不同场景下扩容标准,预估网络资源。     

函件业务量的多元回归预测方法

函件业务是邮政的核心和基础业务,函件业务的预测对制定邮政企业发展规划具有十分重要的意义。首先介绍了影响 函件业务量的主要国素,然后给出了建立函件业务量多元回归模型的方法,并用近年耿的有磁数据建立了函件业务量实际模型,对近三年的函件业务量进行了预测。     

基于GLV模型的异构网络联合无线资源管理

为使不同的无线接入网络协同工作,实现异构无线网络的接纳控制,基于生态学种群竞争与异构无线网络资源管理的映射关系,提出了一种分布式联合无线资源管理(JRRM)算法。建立了基于Gause-Lotka-Volterra(GLV)的异构网络业务量预测模型,根据预测的业务量是否达到共存状态来调整网络参数,以使各网络的业务量达到稳定平衡状态。性能分析与仿真结果表明,该算法可以均衡各个网络的业务量,减少竞争对于网络的影响,使不同网络运营商均获得了一定收益。     

短信网关业务预测方法的研究

在短信网关的网络设计工作中,业务预测是一项非常重要的工作,它决定了短信网关的扩容规模。本文针对短信业务发展预测,提出一种基于业务模型的预测方法:通过预测短信业务量,并结合业务模型中的各项参数的预测,得到短信网关的处理能力,即网关的扩容规模。并对于短信网关的突发业务,提出了基于业务模型的评估方法,修正网关的扩容规模。     

基于时延差异性约束的LTE-R系统频谱需求预测

为了科学地规划和分配LTE-R的用频,需要对其频谱需求总量做出合理预测。在深入分析ITU-R M.1768方法的基础上,提出了一种基于时延差异性约束的LTE-R系统频谱需求预测方法。该方法定义了9种服务类别和9种服务环境,推导给出了LTE-R系统业务量的计算表达式,在业务时延差异性约束条件下利用M/G/1排队模型对我国LTE-R系统的频谱需求进行了初步预测。研究结果表明,我国LTE-R系统上行和下行频谱需求不对称,且可能的范围分别是14~15MHz和5~6MHz,若不考虑未来新增的视频业务量,目前分配给GSM-R系统的频谱资源即可满足其带宽需求。此外,分析了LTE-R网络实际承载层面的工程频率效率和基于高带宽的视频业务量对LTE-R频谱带宽需求总量的影响。该研究为我国下一代铁路移动通信系统的频率规划提供了技术支撑。     

卫星通信网络资源管理研究

本文针对RCST终端,研究了基于区分服务QoS的容量请求排队调度机制;针对网络控制中心,研究了一种基于业务量变化趋势预测的动态资源管理方法,可用于IP化卫星通信网络中终端与中心站之间交互式的业务请求与资源分配。     

基于小波变换的话务量预测

本文将小波变换应用到话务量的预测中,利用小波分解法将非平稳时间序列的GSM话音话务量分解为多个细节信号分量和逼近信号分量。对细节信号采用AR模型或者余弦逼近进行拟合建模,对逼近信号采用多项式拟合和AR模型相结合的方式建模。利用某运营商2009年1月~2013年7月每月的博彩日话音话务作为检验序列集,前50个月的数据用来建模拟合,最后5个月数据作为预测比较,发现拟合相关度为0.991,预测平均绝对误差为0.029,预测结果比单纯使用曲线拟合要好。     

网络流量丢包率预测模型

无线信道的网络流量的及时预测,是目前国内外研究的前沿课题。通过对实时网络流量的测量分析,提出了一种基于最小二乘法的多项式拟合网络流量丢包率预测模型。该模型根据当前获得的网络流量信息,对网络丢包率趋势进行预测,为无线网络下信号丢包率的预测供了可行的手段。实测丢包率与预测丢包率的对比分析表明提出的预测模型能很好的预测丢包率趋势。     

A NEW ADMISSION CONTROL APPROACH BASED ON PREDICTION

Admission control plays an important role in providing QoS to network users.Mo-tivated by the measurement-based admission control algorithm,this letter proposed a new ad-mission control approach for integrated service packet network based on traffic prediction .In the letter ,FARIMA(p,d,q,)models in the admission control algorithm is deployed.A method to simplify the FARIMA model fitting procedure and hence to reduce the time of traffic modeling and prediction is suggested.The feasibility-study experiments show that FARIMA models which have less number of parameters can be used to model and predict actual traffic on quite a large time scale.Simulation results validate the promising approach.     

基于突发分离的自相似网络流量预测

网络流量预测在网络拥塞控制及资源分配中起着至关重要的作用。对于具有自相似性的网络业务流量,由于其存在较强突发,传统预测方法的预测精度普遍较低。本文针对存在高突发的网络流量数据,提出了一种基于数据分离的流量预测方法。在预测步骤前,本方法首先通过控制图将网络流量中难以预测的突发流量进行有效的分离,从而得到突发流量和非突发流量两部分数据。之后分别采用人工神经网络和自适应模板匹配方法实现对非突发流量和突发流量的预测。最后通过对两部分预测结果的合并得到最终的预测结果。基于实际流量数据的实验结果表明:相较于传统流量预测方法,本文所提出的方法具有更高的流量预测精度。      

基于混沌理论与改进回声状态网络的网络流量多步预测

网络流量预测是网络管理及网络拥塞控制的重要问题,针对该问题提出一种基于混沌理论与改进回声状态网络的网络流量预测方法。首先利用0-1混沌测试法与最大Lyapunov指数法对不同时间尺度下的网络流量样本数据进行分析,确定网络流量在不同时间尺度下都具有混沌特性。将相空间重构技术引入网络流量预测,通过C-C方法确定延迟时间,G-P算法确定嵌入维数。对网络流量时间序列进行相空间重构之后,利用一种改进的回声状态网络进行网络流量的多步预测。提出一种改进的和声搜索优化算法对回声状态网络的相关参数进行优化以提高预测精度。利用网络流量的公共数据集以及实际数据进行了仿真,结果表明,提出的预测方法具有更高的预测精度以及更小的预测误差。     

基于BP神经网络的4G话务预测方法研究

目前常用的话务预测算法主要有移动平均法和指数平滑法,虽然可以达到一定精度的话务趋势预测,但对于短期话务量的周期性变化,例如潮汐效应等场景,传统的话务预测算法存在一定的缺陷。因此需要运用BP神经网络算法,进行更为精准智能的话务预测,以便支撑目前广东公司正在试点的载波动态调度,为潮汐载波调度提供算法依据。本文将对BP神经网络用于话务预测进行研究,并对模型的预测性能进行评价。     

基于ARMA模型的网络流量预测

针对海量网络数据的特性,基于数据分割,用分段ARMA模型建立了网络流量的时间预测模型。以向后1 h的流量预测确定了ARMA(3,2)模型的预测参数,仿真分析与NetFlow实测数据对比表明,该预测模型的预测精度高、误差小,能够较好的进行网络流量的短期预测。     

基于趋势预测的合乘收益研究

首先提出一种基于车载自组网的城市出租车合乘的方案；其次针对北京市6499辆出租车的GPS信息进行了较为全面的数据分析，获取81785个乘客上车时间及位置，从整体和局部两个方面定量地讨论了出租车合乘带来的益处，运用灰色预测和曲线拟合两种不同的方法建立数学模型预测上车点个数的变化趋势；最终得出在北京市六环内乘客采用合乘方式后，可减少1/3以上的上车点以及约20～30%的行驶里程，对缓解交通压力及构建绿色城市具有十分重要的意义.     

应用梯度提升树的小区域无线网络多标签流量预测

当前无线网络流量地理分布不均且可用网络资源有限,因而开展拆闲补忙工作极为必要。为合理投放无线网络资源以保证网络性能,提出了一种针对小区域范围的多标签流量预测算法。该算法结合历史流量信息,根据无线用户偏好特性建立多标签流量预测模型,并通过梯度提升树算法得到预测结果。仿真结果表明,相比于广泛应用的移动平均自回归(Autoregressive Integrated Moving Average, ARIMA)和神经网络预测方法,多标签预测模型在对小区域突发性流量的预测上具有很大的优越性。     

大数据分析技术的海量网络流量建模与预测分析

为了有效避免网络拥堵,文中提出基于大数据分析技术的海量网络流量建模与预测分析方法,准确预测网络流量数据.首先利用经验模态分解处理网络流量数据,获取模式函数分量,分析网络流量的短相关性,然后通过确定数据平稳性、计算平稳时间网络流量序列的自相关系数和偏自相关系数,建立网络流量的预测模型,最后进行了网络流量的仿真实验,实验结...