張忠杰 韓偉

【摘要】 CMNET網(wǎng)絡(luò)是承載互聯(lián)網(wǎng)業(yè)務(wù)發(fā)展的根基，同樣是中國移動全業(yè)務(wù)競爭、三網(wǎng)協(xié)同等競爭策略的基礎(chǔ)保障。本次研究針對ARIMA模型與BP模型對中國互聯(lián)網(wǎng)省網(wǎng)數(shù)據(jù)流量增長進行預(yù)測研究。

【關(guān)鍵詞】 中國移動互聯(lián)網(wǎng) 數(shù)據(jù)流量增長預(yù)測 ARIMA模型 BP模型

引言：CMNET網(wǎng)絡(luò)承載駐地網(wǎng)、WLAN、集團客戶專線、GPRS等重要業(yè)務(wù)，是承載互聯(lián)網(wǎng)業(yè)務(wù)發(fā)展的根基，同樣是中國移動全業(yè)務(wù)競爭、三網(wǎng)協(xié)同等競爭策略的基礎(chǔ)保障。據(jù)工信部年度數(shù)據(jù)顯示，2014年中國移動互聯(lián)網(wǎng)接入流量消費同比增長62.9%，與上年同比增幅為18.8%，接入流量消費大20.62億G，由此可見，中國移動互聯(lián)網(wǎng)數(shù)數(shù)據(jù)流量增長迅猛。據(jù)愛立信相關(guān)統(tǒng)計，預(yù)期至2020年全球移動數(shù)據(jù)流量將以每年50%的增速快速增長。隨著移動互聯(lián)網(wǎng)數(shù)據(jù)流量的增多使中國移動的網(wǎng)絡(luò)建設(shè)面臨更大的挑戰(zhàn)，中國移動為了提升網(wǎng)絡(luò)服務(wù)質(zhì)量的穩(wěn)定，繼而滿足更多移動用戶移動上網(wǎng)的需求，就需要通過科學(xué)的規(guī)劃、布局實現(xiàn)網(wǎng)絡(luò)資源的優(yōu)化配置。基于此針對中國互聯(lián)網(wǎng)省網(wǎng)數(shù)據(jù)流量增長預(yù)測方法進行研究。

一、數(shù)據(jù)流量增長預(yù)測的研究方法

在現(xiàn)有研究中針對數(shù)據(jù)流量增長預(yù)測的方法主要ARIMA、回歸預(yù)測以及人工神經(jīng)網(wǎng)絡(luò)預(yù)測。吳倢（2014）在移動數(shù)據(jù)流量預(yù)測研究中通過采用ARIMA模型對其進行預(yù)測，并將預(yù)測結(jié)果與線性回歸、人工神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果進行比較，表明ARIMA預(yù)測具有較高精準度。曹桓（2013）在研究中通過運用需求供給模型進行移動數(shù)據(jù)流量預(yù)測，通過將需求、供給指標進行回歸分析，并構(gòu)建供需模型，繼而進行流量增長量的預(yù)測。

二、基于ARIMA模型的中國移動互聯(lián)網(wǎng)省網(wǎng)數(shù)據(jù)流量增長預(yù)測

中國移動互聯(lián)網(wǎng)省網(wǎng)數(shù)據(jù)流量預(yù)測是典型的時序數(shù)據(jù)研究，時序數(shù)據(jù)是具有時間順序組合、排列的數(shù)據(jù)，時序數(shù)據(jù)會隨著時間的變化而相互關(guān)聯(lián)。時序數(shù)據(jù)預(yù)測假定推動數(shù)據(jù)未來的發(fā)展趨勢內(nèi)部因素與過去相一致，且不受外界因素干擾，通過歷史數(shù)據(jù)對其進行預(yù)測。ARIMA模型最初是由George E.P.Box與Jenkins-modelChinese提出，ARIMA模型其內(nèi)核是通過將非平穩(wěn)時序數(shù)據(jù)轉(zhuǎn)化為具有平穩(wěn)性的時序數(shù)據(jù)，而后將其作為因變量對其滯后值和誤差項、滯后值進行回歸分析。本次研究中將2009～2014年中國移動互聯(lián)網(wǎng)省網(wǎng)數(shù)據(jù)流量數(shù)據(jù)作為訓(xùn)練集，通過對2009～2014年數(shù)據(jù)進行分析，可以發(fā)現(xiàn)數(shù)據(jù)具有明顯的趨勢項，是典型的時序數(shù)據(jù)。

通過帶入ARIMA模型，對2015、2016年數(shù)據(jù)進行預(yù)測，繼而得出：2015年中國移動互聯(lián)網(wǎng)省網(wǎng)數(shù)據(jù)欲將達到269080.21，數(shù)值在150701.47～387458.94之間；2016年中國移動互聯(lián)網(wǎng)省網(wǎng)數(shù)據(jù)欲將達到320112.22，數(shù)值在92566.15～547658.28之間。

對于每個模型，預(yù)測都在請求的預(yù)測時間段范圍內(nèi)的最后一個非缺失值之后開始，在所有預(yù)測值的非缺失值都可用的最后一個時間段或請求預(yù)測時間段的結(jié)束日期（以較早者為準）結(jié)束。

三、基于人工神經(jīng)網(wǎng)絡(luò)中國移動互聯(lián)網(wǎng)省網(wǎng)數(shù)據(jù)流量增長預(yù)測

人工神經(jīng)網(wǎng)絡(luò) （artificial neural networks），將其縮寫為ANN，人工神經(jīng)網(wǎng)絡(luò)算法最初見于1943年，由美國著名的心理學(xué)家麥克羅奇W.McCulloch和數(shù)理邏輯學(xué)家皮茲（W.Pitts）首次通過仿生學(xué)視角，模擬生物神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及其功能繼而構(gòu)建數(shù)學(xué)模型，繼而成為最初神經(jīng)元數(shù)學(xué)模型。神經(jīng)網(wǎng)絡(luò)（neural network）是通過大量的神經(jīng)元相互連接構(gòu)建而成復(fù)雜的非線性結(jié)構(gòu)系統(tǒng)，通常神經(jīng)網(wǎng)絡(luò)可以通過外界信息而改變其內(nèi)在結(jié)構(gòu)，繼而成為一種具有自適應(yīng)性的系統(tǒng)結(jié)構(gòu)。在研究中參考數(shù)據(jù)流量需求供給模型，將其智能終端普及率、人均月流量作為輸入變量。

通過500次的學(xué)習(xí)收斂至允許范圍，在通過訓(xùn)練后，得出：誤差值分比為4.5%；4.8%其數(shù)值均小于5%，繼而說明該神經(jīng)網(wǎng)絡(luò)具有可靠性。

結(jié)論：本次研究主要通過ARIMA模型與人工神經(jīng)網(wǎng)絡(luò)模型對中國移動互聯(lián)網(wǎng)省網(wǎng)數(shù)據(jù)流量增長進行預(yù)測，并將預(yù)測結(jié)果進行比較預(yù)測值誤差均在5%以下，具有較高的預(yù)測效果。

參 考 文 獻

[1].萬昕. 中國移動互聯(lián)網(wǎng)省網(wǎng)數(shù)據(jù)流量增長分析預(yù)測[J]. 電信工程技術(shù)與標準化.2013.2：19-21

[2].吳倢.基于ARIMA模型的移動數(shù)據(jù)流量預(yù)測研究[J]. 電信工程技術(shù)與標準化.2014.3：20-23

[3].曹桓. 基于需求供給模型的移動數(shù)據(jù)流量預(yù)測方法研究[J].通信與信息技術(shù).2013.2：36-38