隨著運(yùn)營商VoLTE網(wǎng)絡(luò)用戶數(shù)的不斷提升及業(yè)務(wù)應(yīng)用場景的不斷豐富,業(yè)務(wù)流量也呈高速增長趨勢。IP承載網(wǎng)作為VoLTE業(yè)務(wù)主要承載網(wǎng)絡(luò),面對業(yè)務(wù)的高速發(fā)展,網(wǎng)絡(luò)擁塞及服務(wù)質(zhì)量較低問題逐漸凸顯,潮汐網(wǎng)絡(luò)現(xiàn)象日益嚴(yán)重。針對VoLTE用戶服務(wù)質(zhì)量要求和合理的調(diào)配資源和負(fù)載需求,提出基于注意力機(jī)制的BP-ANN神經(jīng)網(wǎng)絡(luò)模型,并考慮對流量數(shù)據(jù)的時間上的相關(guān)性,實現(xiàn)對IP承載網(wǎng)流量的預(yù)測。仿真結(jié)果表明,流量預(yù)測準(zhǔn)確率基本達(dá)到85%以上。

【文章頁數(shù)】：9 頁

【部分圖文】：

圖4 ReLu函數(shù)

ReLu函數(shù)如圖4所示。ReLu函數(shù)為:

圖1 IP承載網(wǎng)分區(qū)域的拓?fù)淠Ｐ徒Y(jié)構(gòu)

在城市中,一般工作區(qū)相對較為集中,而住宅區(qū)可能相對更加分散,并且占據(jù)的節(jié)點(diǎn)更多,峰值的業(yè)務(wù)量更大。為了模擬IP承載網(wǎng)光網(wǎng)絡(luò)各個節(jié)點(diǎn)的流量和負(fù)載情況,要符合之前所說的要求�；诖�,將IP承載網(wǎng)的光層抽象為如圖1所示的拓?fù)淠Ｐ�。由圖1可以看出,1,2,3,4這4個節(jié)點(diǎn)作為商業(yè)區(qū)的用戶....

圖2 BP神經(jīng)網(wǎng)絡(luò)模型

為了提高準(zhǔn)確率,減小算法的誤差,還需要反向?qū)?shù)據(jù)進(jìn)行處理,基于此,本文提出BP模型,用于計算ANN網(wǎng)絡(luò)中各級的權(quán)重。該算法通過逆向的誤差傳播,反向訓(xùn)練其中的隱藏層和輸入層的神經(jīng)元,借由其擁有的自我學(xué)習(xí)、自我調(diào)整能力實現(xiàn)獲得各層的偏重,最終使輸出迫近期望。一般的BP神經(jīng)網(wǎng)絡(luò)模型如圖....

圖3 Sigmoid函數(shù)圖像

Sigmoid函數(shù)圖像如圖3所示,Sigmoid函數(shù)為:

本文編號：4027269