论文部分内容阅读
【摘要】 CMNET网络是承载互联网业务发展的根基，同样是中国移动全业务竞争、三网协同等竞争策略的基础保障。本次研究针对ARIMA模型与BP模型对中国互联网省网数据流量增长进行预测研究。
【关键词】 中国移动互联网 数据流量增长预测 ARIMA模型 BP模型
引言：CMNET网络承载驻地网、WLAN、集团客户专线、GPRS等重要业务，是承载互联网业务发展的根基，同样是中国移动全业务竞争、三网协同等竞争策略的基础保障。据工信部年度数据显示，2014年中国移动互联网接入流量消费同比增长62.9%，与上年同比增幅为18.8%，接入流量消费大20.62亿G，由此可见，中国移动互联网数数据流量增长迅猛。据爱立信相关统计，预期至2020年全球移动数据流量将以每年50%的增速快速增长。随着移动互联网数据流量的增多使中国移动的网络建设面临更大的挑战，中国移动为了提升网络服务质量的稳定，继而满足更多移动用户移动上网的需求，就需要通过科学的规划、布局实现网络资源的优化配置。基于此针对中国互联网省网数据流量增长预测方法进行研究。
一、数据流量增长预测的研究方法
在现有研究中针对数据流量增长预测的方法主要ARIMA、回归预测以及人工神经网络预测。吴倢（2014）在移动数据流量预测研究中通过采用ARIMA模型对其进行预测，并将预测结果与线性回归、人工神经网络预测结果进行比较，表明ARIMA预测具有较高精准度。曹桓（2013）在研究中通过运用需求供给模型进行移动数据流量预测，通过将需求、供给指标进行回归分析，并构建供需模型，继而进行流量增长量的预测。
二、基于ARIMA模型的中国移动互联网省网数据流量增长预测
中国移动互联网省网数据流量预测是典型的时序数据研究，时序数据是具有时间顺序组合、排列的数据，时序数据会随着时间的变化而相互关联。时序数据预测假定推动数据未来的发展趋势内部因素与过去相一致，且不受外界因素干扰，通过历史数据对其进行预测。ARIMA模型最初是由George E.P.Box与Jenkins-modelChinese提出，ARIMA模型其内核是通过将非平稳时序数据转化为具有平稳性的时序数据，而后将其作为因变量对其滞后值和误差项、滞后值进行回归分析。本次研究中将2009～2014年中国移动互联网省网数据流量数据作为训练集，通过对2009～2014年数据进行分析，可以发现数据具有明显的趋势项，是典型的时序数据。
通过带入ARIMA模型，对2015、2016年数据进行预测，继而得出：2015年中国移动互联网省网数据欲将达到269080.21，数值在150701.47～387458.94之间；2016年中国移动互联网省网数据欲将达到320112.22，数值在92566.15～547658.28之间。
对于每个模型，预测都在请求的预测时间段范围内的最后一个非缺失值之后开始，在所有预测值的非缺失值都可用的最后一个时间段或请求预测时间段的结束日期（以较早者为准）结束。
三、基于人工神经网络中国移动互联网省网数据流量增长预测
人工神经网络 （artificial neural networks），将其缩写为ANN，人工神经网络算法最初见于1943年，由美国著名的心理学家麦克罗奇W.McCulloch和数理逻辑学家皮兹（W.Pitts）首次通过仿生学视角，模拟生物神经网络结构及其功能继而构建数学模型，继而成为最初神经元数学模型。神经网络（neural network）是通过大量的神经元相互连接构建而成复杂的非线性结构系统，通常神经网络可以通过外界信息而改变其内在结构，继而成为一种具有自适应性的系统结构。在研究中参考数据流量需求供给模型，将其智能终端普及率、人均月流量作为输入变量。
通过500次的学习收敛至允许范围，在通过训练后，得出：误差值分比为4.5%；4.8%其数值均小于5%，继而说明该神经网络具有可靠性。
结论：本次研究主要通过ARIMA模型与人工神经网络模型对中国移动互联网省网数据流量增长进行预测，并将预测结果进行比较预测值误差均在5%以下，具有较高的预测效果。
参 考 文 献
[1].万昕. 中国移动互联网省网数据流量增长分析预测[J]. 电信工程技术与标准化.2013.2：19-21
[2].吴倢.基于ARIMA模型的移动数据流量预测研究[J]. 电信工程技术与标准化.2014.3：20-23
[3].曹桓. 基于需求供给模型的移动数据流量预测方法研究[J].通信与信息技术.2013.2：36-38
【关键词】 中国移动互联网 数据流量增长预测 ARIMA模型 BP模型
引言：CMNET网络承载驻地网、WLAN、集团客户专线、GPRS等重要业务，是承载互联网业务发展的根基，同样是中国移动全业务竞争、三网协同等竞争策略的基础保障。据工信部年度数据显示，2014年中国移动互联网接入流量消费同比增长62.9%，与上年同比增幅为18.8%，接入流量消费大20.62亿G，由此可见，中国移动互联网数数据流量增长迅猛。据爱立信相关统计，预期至2020年全球移动数据流量将以每年50%的增速快速增长。随着移动互联网数据流量的增多使中国移动的网络建设面临更大的挑战，中国移动为了提升网络服务质量的稳定，继而满足更多移动用户移动上网的需求，就需要通过科学的规划、布局实现网络资源的优化配置。基于此针对中国互联网省网数据流量增长预测方法进行研究。
一、数据流量增长预测的研究方法
在现有研究中针对数据流量增长预测的方法主要ARIMA、回归预测以及人工神经网络预测。吴倢（2014）在移动数据流量预测研究中通过采用ARIMA模型对其进行预测，并将预测结果与线性回归、人工神经网络预测结果进行比较，表明ARIMA预测具有较高精准度。曹桓（2013）在研究中通过运用需求供给模型进行移动数据流量预测，通过将需求、供给指标进行回归分析，并构建供需模型，继而进行流量增长量的预测。
二、基于ARIMA模型的中国移动互联网省网数据流量增长预测
中国移动互联网省网数据流量预测是典型的时序数据研究，时序数据是具有时间顺序组合、排列的数据，时序数据会随着时间的变化而相互关联。时序数据预测假定推动数据未来的发展趋势内部因素与过去相一致，且不受外界因素干扰，通过历史数据对其进行预测。ARIMA模型最初是由George E.P.Box与Jenkins-modelChinese提出，ARIMA模型其内核是通过将非平稳时序数据转化为具有平稳性的时序数据，而后将其作为因变量对其滞后值和误差项、滞后值进行回归分析。本次研究中将2009～2014年中国移动互联网省网数据流量数据作为训练集，通过对2009～2014年数据进行分析，可以发现数据具有明显的趋势项，是典型的时序数据。
通过带入ARIMA模型，对2015、2016年数据进行预测，继而得出：2015年中国移动互联网省网数据欲将达到269080.21，数值在150701.47～387458.94之间；2016年中国移动互联网省网数据欲将达到320112.22，数值在92566.15～547658.28之间。
对于每个模型，预测都在请求的预测时间段范围内的最后一个非缺失值之后开始，在所有预测值的非缺失值都可用的最后一个时间段或请求预测时间段的结束日期（以较早者为准）结束。
三、基于人工神经网络中国移动互联网省网数据流量增长预测
人工神经网络 （artificial neural networks），将其缩写为ANN，人工神经网络算法最初见于1943年，由美国著名的心理学家麦克罗奇W.McCulloch和数理逻辑学家皮兹（W.Pitts）首次通过仿生学视角，模拟生物神经网络结构及其功能继而构建数学模型，继而成为最初神经元数学模型。神经网络（neural network）是通过大量的神经元相互连接构建而成复杂的非线性结构系统，通常神经网络可以通过外界信息而改变其内在结构，继而成为一种具有自适应性的系统结构。在研究中参考数据流量需求供给模型，将其智能终端普及率、人均月流量作为输入变量。
通过500次的学习收敛至允许范围，在通过训练后，得出：误差值分比为4.5%；4.8%其数值均小于5%，继而说明该神经网络具有可靠性。
结论：本次研究主要通过ARIMA模型与人工神经网络模型对中国移动互联网省网数据流量增长进行预测，并将预测结果进行比较预测值误差均在5%以下，具有较高的预测效果。
参 考 文 献
[1].万昕. 中国移动互联网省网数据流量增长分析预测[J]. 电信工程技术与标准化.2013.2：19-21
[2].吴倢.基于ARIMA模型的移动数据流量预测研究[J]. 电信工程技术与标准化.2014.3：20-23
[3].曹桓. 基于需求供给模型的移动数据流量预测方法研究[J].通信与信息技术.2013.2：36-38