中國移動互聯網省網數據流量增長預測的方法研究

張忠杰 韓偉

【摘要】 CMNET網絡是承載互聯網業務發展的根基，同樣是中國移動全業務競爭、三網協同等競爭策略的基礎保障。本次研究針對ARIMA模型與BP模型對中國互聯網省網數據流量增長進行預測研究。

【關鍵詞】 中國移動互聯網 數據流量增長預測 ARIMA模型 BP模型

引言：CMNET網絡承載駐地網、WLAN、集團客戶專線、GPRS等重要業務，是承載互聯網業務發展的根基，同樣是中國移動全業務競爭、三網協同等競爭策略的基礎保障。據工信部年度數據顯示，2014年中國移動互聯網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，中國移動互聯網數數據流量增長迅猛。據愛立信相關統計，預期至2020年全球移動數據流量將以每年50%的增速快速增長。隨著移動互聯網數據流量的增多使中國移動的網絡建設面臨更大的挑戰，中國移動為了提升網絡服務質量的穩定，繼而滿足更多移動用戶移動上網的需求，就需要通過科學的規劃、布局實現網絡資源的優化配置。基于此針對中國互聯網省網數據流量增長預測方法進行研究。

一、數據流量增長預測的研究方法

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

二、基于ARIMA模型的中國移動互聯網省網數據流量增長預測

中國移動互聯網省網數據流量預測是典型的時序數據研究，時序數據是具有時間順序組合、排列的數據，時序數據會隨著時間的變化而相互關聯。時序數據預測假定推動數據未來的發展趨勢內部因素與過去相一致，且不受外界因素干擾，通過歷史數據對其進行預測。ARIMA模型最初是由George E.P.Box與Jenkins-modelChinese提出，ARIMA模型其內核是通過將非平穩時序數據轉化為具有平穩性的時序數據，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年中國移動互聯網省網數據流量數據作為訓練集，通過對2009～2014年數據進行分析，可以發現數據具有明顯的趨勢項，是典型的時序數據。

通過帶入ARIMA模型，對2015、2016年數據進行預測，繼而得出：2015年中國移動互聯網省網數據欲將達到269080.21，數值在150701.47～387458.94之間；2016年中國移動互聯網省網數據欲將達到320112.22，數值在92566.15～547658.28之間。

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

三、基于人工神經網絡中國移動互聯網省網數據流量增長預測

人工神經網絡 （artificial neural networks），將其縮寫為ANN，人工神經網絡算法最初見于1943年，由美國著名的心理學家麥克羅奇W.McCulloch和數理邏輯學家皮茲（W.Pitts）首次通過仿生學視角，模擬生物神經網絡結構及其功能繼而構建數學模型，繼而成為最初神經元數學模型。神經網絡（neural network）是通過大量的神經元相互連接構建而成復雜的非線性結構系統，通常神經網絡可以通過外界信息而改變其內在結構，繼而成為一種具有自適應性的系統結構。在研究中參考數據流量需求供給模型，將其智能終端普及率、人均月流量作為輸入變量。

通過500次的學習收斂至允許范圍，在通過訓練后，得出：誤差值分比為4.5%；4.8%其數值均小于5%，繼而說明該神經網絡具有可靠性。

結論：本次研究主要通過ARIMA模型與人工神經網絡模型對中國移動互聯網省網數據流量增長進行預測，并將預測結果進行比較預測值誤差均在5%以下，具有較高的預測效果。

參 考 文 獻

[1].萬昕. 中國移動互聯網省網數據流量增長分析預測[J]. 電信工程技術與標準化.2013.2：19-21

[2].吳倢.基于ARIMA模型的移動數據流量預測研究[J]. 電信工程技術與標準化.2014.3：20-23

[3].曹桓. 基于需求供給模型的移動數據流量預測方法研究[J].通信與信息技術.2013.2：36-38