隨著運營商VoLTE網絡用戶數的不斷提升及業(yè)務應用場景的不斷豐富,業(yè)務流量也呈高速增長趨勢。IP承載網作為VoLTE業(yè)務主要承載網絡,面對業(yè)務的高速發(fā)展,網絡擁塞及服務質量較低問題逐漸凸顯,潮汐網絡現象日益嚴重。針對VoLTE用戶服務質量要求和合理的調配資源和負載需求,提出基于注意力機制的BP-ANN神經網絡模型,并考慮對流量數據的時間上的相關性,實現對IP承載網流量的預測。仿真結果表明,流量預測準確率基本達到85%以上。

【文章頁數】：9 頁

【部分圖文】：

圖4 ReLu函數

ReLu函數如圖4所示。ReLu函數為:

圖1 IP承載網分區(qū)域的拓撲模型結構

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,并且占據的節(jié)點更多,峰值的業(yè)務量更大。為了模擬IP承載網光網絡各個節(jié)點的流量和負載情況,要符合之前所說的要求�；诖�,將IP承載網的光層抽象為如圖1所示的拓撲模型。由圖1可以看出,1,2,3,4這4個節(jié)點作為商業(yè)區(qū)的用戶....

圖2 BP神經網絡模型

為了提高準確率,減小算法的誤差,還需要反向對數據進行處理,基于此,本文提出BP模型,用于計算ANN網絡中各級的權重。該算法通過逆向的誤差傳播,反向訓練其中的隱藏層和輸入層的神經元,借由其擁有的自我學習、自我調整能力實現獲得各層的偏重,最終使輸出迫近期望。一般的BP神經網絡模型如圖....

圖3 Sigmoid函數圖像

Sigmoid函數圖像如圖3所示,Sigmoid函數為:

本文編號：4027269