張麗娜

摘 要： 針對傳統(tǒng)的通信網(wǎng)絡(luò)數(shù)據(jù)在存儲(chǔ)時(shí)一直存在存儲(chǔ)趨勢預(yù)測不準(zhǔn)確的問題，提出基于Okumura?Hata模型改進(jìn)的通信網(wǎng)絡(luò)數(shù)據(jù)存儲(chǔ)趨勢預(yù)測算法。引進(jìn)先進(jìn)的Okumura?Hata模型能夠有效地解決通信網(wǎng)絡(luò)數(shù)據(jù)存儲(chǔ)趨勢劃分過程中出現(xiàn)的數(shù)據(jù)波動(dòng)，避免了出現(xiàn)數(shù)據(jù)混淆的現(xiàn)象，同時(shí)優(yōu)化了IB 確定以及運(yùn)行狀態(tài)，避免出現(xiàn)數(shù)據(jù)的同頻干擾以及跳頻干擾，從根本上解決了數(shù)據(jù)特征干擾的問題。為了驗(yàn)證設(shè)計(jì)的基于Okumura?Hata模型改進(jìn)的通信網(wǎng)絡(luò)數(shù)據(jù)存儲(chǔ)趨勢預(yù)測算法的有效性，設(shè)計(jì)了對比仿真試驗(yàn)，通過實(shí)驗(yàn)數(shù)據(jù)分析表明，改進(jìn)方法在通信網(wǎng)絡(luò)數(shù)據(jù)存儲(chǔ)趨勢預(yù)測方面，其預(yù)測精度較高，能夠有效地解決數(shù)據(jù)特征干擾的問題。

關(guān)鍵詞： 通信網(wǎng)絡(luò)； 數(shù)據(jù)存儲(chǔ)； 趨勢預(yù)測； 預(yù)測算法

中圖分類號(hào)： TN919.2?34； TP391 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2017）24?0106?03

Abstract： Aiming at the problem of inaccurate prediction of storage trend in traditional communication network when data is stored， a prediction algorithm improved on the basis of Okumura?Hata model for data storage trend of communication network is proposed. The introduction of the advanced Okumura?Hata model can effectively solve the data fluctuation occurring in the dividing process of communication network data storage trends， avoid the data confusion phenomenon， and optimize the IB determination and running state to avoid the same frequency interference and frequency hopping interference of the data， fundamentally solves the data characteristics of interference problems. In order to verify the effectiveness of the designed algorithm improved on the basis of Okumura?Hata model foe communication network data storage trend prediction， the simulation experiment was designed. The experimental data analysis shows that the improved method has high forecast accuracy in the prediction of the network data storage trend of communication network， and can solve the problem of data interference effectively.

Keywords： communication network； data storage； trend prediction； prediction algorithm

隨著互聯(lián)網(wǎng)的迅猛發(fā)展，大數(shù)據(jù)已經(jīng)成為最具有價(jià)值的技術(shù)詞匯[1?2]。對于數(shù)據(jù)整理、收集和處理技術(shù)的飛速發(fā)展，使得21世紀(jì)近20年中由最初的信息（IT）時(shí)代一躍成為數(shù)據(jù) （DT） 時(shí)代。獲取數(shù)據(jù)快捷性和廣闊性明顯得到提高，這得益于先進(jìn)的傳感設(shè)備以及智能終端在社會(huì)各界的應(yīng)用[3?4]。大數(shù)據(jù)時(shí)代的來臨對于各行各業(yè)來說，無疑都是一場空前的影響。這是一場對于各行各業(yè)來說，調(diào)整產(chǎn)生運(yùn)營模式的關(guān)鍵點(diǎn)[5]。數(shù)據(jù)庫的批量、內(nèi)在價(jià)值和準(zhǔn)確度都在飛速迅猛的發(fā)展。巨大信息財(cái)富和寶藏都蘊(yùn)含在數(shù)據(jù)的可行性信息里[6?7]。大數(shù)據(jù)可以完整地體現(xiàn)各領(lǐng)域的發(fā)展規(guī)律，然而大批量的數(shù)據(jù)集合的處理需求已經(jīng)不是傳統(tǒng)數(shù)據(jù)分析工具能夠滿足的[8]。用新型的大數(shù)據(jù)分析方法和工具建模來挖掘大數(shù)據(jù)所蘊(yùn)含的巨大信息財(cái)富價(jià)值，已成為研究探索的方向。

1 大數(shù)據(jù)存儲(chǔ)趨勢預(yù)測模型仿真系統(tǒng)設(shè)計(jì)

1.1 仿真模型硬件設(shè)施配置

為了避免數(shù)據(jù)干擾以及混淆問題，本文設(shè)計(jì)的大數(shù)據(jù)存儲(chǔ)趨勢預(yù)測模型仿真系統(tǒng)硬件結(jié)構(gòu)采取三層的小波中樞網(wǎng)絡(luò)結(jié)構(gòu)，選用三層結(jié)構(gòu)是因?yàn)橄喈?dāng)一部分的實(shí)際時(shí)間序列是一個(gè)等差線性序列。普通單層結(jié)構(gòu)是無法逼近這樣的等差線性曲線的。當(dāng)結(jié)構(gòu)大于三層時(shí)無疑也可以逼近曲線，然而卻使計(jì)算變得更加復(fù)雜。而對于IB神經(jīng)中樞網(wǎng)絡(luò)來說，三層結(jié)構(gòu)模型能逼近任何形式的曲線，所以采用三層結(jié)構(gòu)，即抽取層、轉(zhuǎn)換層、加載層，如圖1所示。

通過引入上述的仿真模型硬件施設(shè)配置，能夠有效提高本文設(shè)計(jì)的模型仿真系統(tǒng)以防出現(xiàn)數(shù)據(jù)干擾問題，但是由于趨勢劃分過程中出現(xiàn)數(shù)據(jù)波動(dòng)，還需要對IB 神經(jīng)中樞運(yùn)行計(jì)算進(jìn)行優(yōu)化計(jì)算。

1.2 優(yōu)化IB神經(jīng)中樞運(yùn)行的計(jì)算

對IB神經(jīng)中樞運(yùn)行計(jì)算進(jìn)行優(yōu)化，能夠提高本文設(shè)計(jì)的仿真模型的數(shù)據(jù)獨(dú)立性。在抽取層中有p個(gè)抽取，就是一次抽取含有p個(gè)元素的序列。這p個(gè)元素是p個(gè)時(shí)間排序值，p表示預(yù)測排序值與它之前的相關(guān)步驟。轉(zhuǎn)換層包含n個(gè)神經(jīng)遞質(zhì)。加載層有n+1個(gè)神經(jīng)元，加載為第k+l個(gè)時(shí)間排序的預(yù)測值。bmij表示從m層的神經(jīng)遞質(zhì)i到第m層的神經(jīng)元j之間的閾值。imjk表示第m層神經(jīng)元j的第k-1次抽取，bφmjk表示第m層相應(yīng)加載，公式如下：endprint

1.3 引入Okumura?Hata模型

Okumura?Hata模型是預(yù)測大數(shù)據(jù)使用頻次最廣的模型，對外界數(shù)據(jù)干擾具有一定的抗干擾性，能夠保證本文設(shè)計(jì)模型的準(zhǔn)確性，它基于收集數(shù)據(jù)所做的表格圖折線，提供所收集數(shù)據(jù)的分析解釋。Okumura?Hata模型則根據(jù)Okumura圖表展現(xiàn)的數(shù)據(jù)，經(jīng)函數(shù)曲線擬合得出一組公式。它以數(shù)據(jù)庫整理損耗為基礎(chǔ)，在此基礎(chǔ)上對其他方面進(jìn)行修正。數(shù)據(jù)庫損耗為：

2 仿真實(shí)驗(yàn)分析

為了測試本文設(shè)計(jì)的大數(shù)據(jù)的通信網(wǎng)絡(luò)數(shù)據(jù)存儲(chǔ)趨勢預(yù)測模型，設(shè)計(jì)了對比仿真實(shí)驗(yàn)。對某網(wǎng)站選取10組數(shù)據(jù)庫作為本次試驗(yàn)的試驗(yàn)?zāi)繕?biāo)，使用傳統(tǒng)系統(tǒng)進(jìn)行數(shù)據(jù)整合，再使用本文設(shè)計(jì)的大數(shù)據(jù)通信網(wǎng)絡(luò)數(shù)據(jù)存儲(chǔ)趨勢預(yù)測模型進(jìn)行數(shù)據(jù)整合。為了保證試驗(yàn)的有效性，使用兩種方法同時(shí)進(jìn)行試驗(yàn)。

2.1 評價(jià)指標(biāo)

評價(jià)仿真系統(tǒng)的指標(biāo)主要有3種：W系數(shù)值、魯棒性、數(shù)據(jù)量的焓值差。

（1） W系數(shù)值：

（2） 魯棒性：

（3） 數(shù)據(jù)量的焓值差：

根據(jù)上述仿真設(shè)定的參比數(shù)據(jù)庫的參數(shù)設(shè)定，進(jìn)行實(shí)驗(yàn)。

2.2 結(jié)果分析

在實(shí)驗(yàn)過程中，對傳統(tǒng)方法與本文設(shè)計(jì)方法的試驗(yàn)結(jié)果進(jìn)行記錄，如表1所示。

分析表1結(jié)果得知，本文設(shè)計(jì)的大數(shù)據(jù)的通信網(wǎng)絡(luò)數(shù)據(jù)存儲(chǔ)趨勢預(yù)測模型能夠?qū)?shù)據(jù)庫進(jìn)行準(zhǔn)確校對和歸納整合，通過兩個(gè)數(shù)值可以看出本文設(shè)計(jì)的大數(shù)據(jù)通信網(wǎng)絡(luò)數(shù)據(jù)存儲(chǔ)趨勢預(yù)測模型能夠有效穩(wěn)定地改善大數(shù)據(jù)進(jìn)行趨勢劃分過程中出現(xiàn)數(shù)據(jù)波動(dòng)，避免出現(xiàn)數(shù)據(jù)混淆現(xiàn)象。分析圖2結(jié)果得知，本文設(shè)計(jì)的大數(shù)據(jù)的通信網(wǎng)絡(luò)數(shù)據(jù)存儲(chǔ)趨勢預(yù)測模型對于數(shù)據(jù)庫的整合覆蓋率極高，說明系統(tǒng)非常的穩(wěn)定。

3 結(jié) 語

本文提出基于大數(shù)據(jù)的通信網(wǎng)絡(luò)數(shù)據(jù)存儲(chǔ)趨勢預(yù)測模型仿真，引進(jìn)先進(jìn)的Okumura?Hata模型能夠有效地解決大數(shù)據(jù)進(jìn)行趨勢劃分過程中出現(xiàn)的數(shù)據(jù)波動(dòng)，避免了出現(xiàn)數(shù)據(jù)混淆的現(xiàn)象。

通過實(shí)驗(yàn)數(shù)據(jù)分析表明，提出的基于大數(shù)據(jù)的通信網(wǎng)絡(luò)數(shù)據(jù)存儲(chǔ)趨勢預(yù)測模型仿真，能夠有效地解決數(shù)據(jù)干擾的問題。

參考文獻(xiàn)

[1] 李雪竹，陳國龍.基于智能最小二乘支持向量機(jī)的大數(shù)據(jù)分析與預(yù)測[J].計(jì)算機(jī)工程，2015，41（6）：38?42.

[2] 王勇，董恒新.大數(shù)據(jù)背景下中國季度失業(yè)率的預(yù)測研究：基于網(wǎng)絡(luò)搜索數(shù)據(jù)的分析[J].系統(tǒng)科學(xué)與數(shù)學(xué)，2017，37（2）：460?472.

[3] 李芝，龍敏.基于全級C階矩模型并行流數(shù)預(yù)測的廣域大數(shù)據(jù)吞吐量優(yōu)化[J].計(jì)算機(jī)工程，2016，42（4）：295?300.

[4] 于萍萍，陳建平，柴福山，等.基于地質(zhì)大數(shù)據(jù)理念的模型驅(qū)動(dòng)礦產(chǎn)資源定量預(yù)測[J].地質(zhì)通報(bào)，2015，34（7）：1333?1343.

[5] 喬少杰，李天瑞，韓楠，等.大數(shù)據(jù)環(huán)境下移動(dòng)對象自適應(yīng)軌跡預(yù)測模型[J].軟件學(xué)報(bào)，2015，26（11）：2869?2883.

[6] 朱昶勝，王莎莎，王永賢.基于R+Hadoop的中藥材大數(shù)據(jù)的分析及預(yù)測[J].蘭州理工大學(xué)學(xué)報(bào)，2017（1）：98?103.

[7] 劉巧玲，李勁，肖人彬.基于參數(shù)反演的網(wǎng)絡(luò)輿情傳播趨勢預(yù)測：以新浪微博為例[J].計(jì)算機(jī)應(yīng)用，2017，37（5）：1419?1423.

[8] 甄遠(yuǎn)剛，陳誼，劉瑩，等.一種基于ThemeRiver模型的非連續(xù)層次數(shù)據(jù)可視化方法[J].系統(tǒng)仿真學(xué)報(bào)，2015，27（10）：2460?2466.

[9] 王健文，王子威，陳詩超.基于低功耗藍(lán)牙的物聯(lián)通信網(wǎng)絡(luò)設(shè)計(jì)與實(shí)現(xiàn)[J].物聯(lián)網(wǎng)技術(shù)，2017，7（2）：46?47.endprint