Tài liệu Dự báo nhu cầu dịch vụ cho mạng viễn thông sử dụng công nghệ trí tuệ nhân tạo

ĐẠI HỌC QUỐC GIA HÀ NỘI KHOA CÔNG NGHỆ Nguyễn Hữu Hạnh DỰ BÁO NHU CẦU DỊCH VỤ CHO MẠNG VIỄN THÔNG SỬ DỤNG CÔNG NGHỆ TRÍ TUỆ NHÂN TẠO LUẬN VĂN THẠC SĨ Hà nội - năm 2004 ĐẠI HỌC QUỐC GIA HÀ NỘI KHOA CÔNG NGHỆ Nguyễn Hữu Hạnh DỰ BÁO NHU CẦU DỊCH VỤ CHO MẠNG VIỄN THÔNG SỬ DỤNG CÔNG NGHỆ TRÍ TUỆ NHÂN TẠO Chuyên ngành: Kỹ thuật vô tuyến điện tử và thông tin liên lạc Mã số: 2.07.00 LUẬN VĂN THẠC SĨ NGƯỜI HƯỚNG DẪN KHOA HỌC PGS.TS Trần Hồng Quân Hà Nội - 2004 Dự báo nhu cầu dịch vụ cho mạng viễn thông sử dụng công nghệ trí tuệ nhân tạo MỞ ĐẦU Ngành Bưu chính - Viễn thông là một ngành kỹ thuật thuộc kết cấu hạ tầng của nền kinh tế quốc dân, đáp ứng nhu cầu phát triển kinh tế - xã hội, an ninh quốc phòng của đất nước trong sự nghiệp công nghiệp hoá - hiện đại hoá. Việc xây dựng qui hoạch phát triển mạng viễn thông của quốc gia, của từng vùng lãnh thổ và của địa phương là hết sức quan trọng. Hiện nay, ở Việt Nam, việc dự báo và qui hoạch mạng viễn thông còn khá mới mẻ. Nhằm tìm hiểu công tác dự báo, qui hoạch mạng viễn thông tôi chọn đề tài:  Dự báo nhu cầu dịch vụ cho mạng viễn thông sử dụng công nghệ trí tuệ nhân tạo Luận văn bao gồm 3 chương: chương 1: "Các phương pháp dự báo dịch vụ viễn thông" trình bày tổng quan các phương pháp dự báo nhu cầu dịch vụ viễn thông, chương 2 "Nghiên cứu công nghệ AI" trình bày các công nghệ trí tuệ nhân tạo như thuật toán gen di truyền (GA), lôgic mờ (fuzzy logic), và mạng Neural; chương 3 "Nghiên cứu ứng dụng AI trong dự báo" nghiên cứu phương pháp dự báo sử dụng mạng neural; chương 4: "Xây dựng cấu hình mạng cho mô hình dự báo" xây dựng cấu hình mạng cho mô hình dự báo cho mạng viễn thông. Tôi xin chân thành cám ơn các thầy cô trong khoa Công Nghệ - Đại học Quốc Gia Hà Nội, PGS.TS Trần Hồng Quân - Viện trưởng Viện Khoa học Kỹ Thuật Bưu điện đã hướng dẫn, giúp đỡ tôi hoàn thành luận văn này! 1 Dự báo nhu cầu dịch vụ cho mạng viễn thông sử dụng công nghệ trí tuệ nhân tạo CHƢƠNG 1 CÁC PHƢƠNG PHÁP DỰ BÁO DỊCH VỤ VIỄN THÔNG Trong chương này trình bày tổng quan các phương pháp dự báo nhu cầu dịch vụ viễn thông. Các phương pháp này được sử dụng để dự báo nhu cầu lưu lượng thoại, phi thoại cho mạnh viễn thông nông thôn, thành thị và quốc gia. 1.1. Dự báo nhu cầu dịch vụ 1.1.1. Dịch vụ thoại 1.1.1.1. Qui trình dự báo Dự báo nhu cầu thoại là một quá trình phức tạp nhưng về cơ bản có thể được phân thành các bước chính như sau. Thu thập dữ liệu Lựa ch ọn mô hình dự báo Phát triển mô hình dự báo Áp dụng mô hình để dự báo Phân tích kết qu ả Hình 1.1. Qui trình dự báo dịch vụ thoại a. Lựa chọn mô hình dự báo Kết quả dự báo Việc quyết định xem mô hình dự báo là thích hợp liên quan đến nhiều yếu tố: dữ liệu đầu vào, các yêu cầu về thời gian, yê u cầu về kết quả đầu ra, tài nguyên sẵn có... Tuy nhiên, về cơ bản qui trình lựa chọn mô hình dự báo có thể được mô tả một cách tổng quát như Hình 1.2.  Chiến lược dự báo 2 Dự báo nhu cầu dịch vụ cho mạng viễn thông sử dụng công nghệ trí tuệ nhân tạo - Tiền định (Deterministic): Dựa trên mối quan hệ mật thiết giữa hiện tại và tương lai. Các mô hình time-series thích hợp với chiến lược này. - Triệu chứng (Symptomatic): Dựa trên những dấu hiệu hiện tại để dự báo cho tương lai, ví dụ: số các modem tăng sẽ dẫn đến phát triển nhu cầu về kết nối dữ liệu trong tương lai. - Hệ thống (Systematic): Dựa trên ý tưởng cho rằng xu hướng phát triển trong tương lai sẽ tuân thủ theo các nguyên tắc nào đó, chẳng hạn các lý thuyết về xã hội-kinh tế. Dữ liệu sẵn có và các điều kiện về môi trường CHIẾN LƯỢC DỰ BÁO DÀI HẠN Lớp các mô hình sơ bộ Nhận định và đánh giá chung Các tính chất chung của mô hình Vấn đề dự báo cụ thể YÊU CẦU VỀ QUẢ ĐẦU RA dự báo hiện thời YÊU CẦU VỀ KẾT THỜI GIAN Các tổ chức TÀI NGUYÊN Tập các mô hình sơ bộ được chọn CÁC ĐIỀU KIỆN ĐẦU VÀO Các mô hình được chọn lựa Hình 1.2: Qui trình lựa chọn mô hình dự báo Trong thực tế, ta thường chỉ sử dụng hai chiến lược dự báo là Deterministic và Systematic (mô hình chuỗi thời gian và mô hình kinh tế xã hội) cho dự báo dịch vụ thoại. b. Phát triển mô hình dự báo. Sau khi đã chọn được một lớp các mô hình dự báo khả dĩ, ta phải tính toán các tham số cho chúng và kiểm tra xem mô hình dự báo nào là thích hợp nhất. Quá trình phát triển mô hình dự báo có thể mô tả bằng Hình 1.3. Trong qui trình dự báo 3 Dự báo nhu cầu dịch vụ cho mạng viễn thông sử dụng công nghệ trí tuệ nhân tạo ở Hình 1.3: "Tính toán các tham số cho mô hình" là một trong những bước quan trọng nhất. Tuỳ thuộc vào mô hình dự báo khác nhau, phương pháp tính toán các tham số cho mô hình cung khác nhau. Các tham số có thể được tính toán dựa trên những dữ liệu về quá khứ, dữ liệu dự báo của một số yếu tố liên quan khác (dân số, tốc độ tăng trưởng GDP, GPP ...), hoặc có thể là một số giả thiết do người dự báo đưa ra... Lớp cá c mô hình được lựa chọn Chọn một mô hình thử nghiệm Mô hình không Tính toán các tham số cho mô hình thích hợp Kiểm tra mô hình Xác nhận mô hình thích hợp Hình 1.3 Các bước xây dựng mô hình dự báo 4 Dự báo nhu cầu dịch vụ cho mạng viễn thông sử dụng công nghệ trí tuệ nhân tạo c. Áp dụng mô hình dự báo Sau khi đã lựa chọn được mô hình dự báo thích hợp, chúng ta sẽ sử dụng các mô hình dự báo này để tính toán các nhu cầu sử dụng dịch vụ thoại. d. Dữ liệu đầu ra Tuỳ thuộc vào chiến lược lập kế hoạch mạng khác nhau, kết quả dự báo cũng sẽ khác nhau. Dưới đây là mẫu kết quả dự báo (đầu ra) cho từng loại chiến lược dự báo:  Đối với các mục tiêu chính sách - Tổng số các thuê bao.  Đối với các kế hoạch chiến lược - Số các thuê bao trên từng quận huyện  Đối với kế hoạch cơ sở Số thuê bao trên từng quận huyện phân theo các loại sau: - Dân cư (Residential) - Doanh nghiệp (Business)  Đối với các kế hoạch cài đặt Số thuê bao trên phường/xã theo các loại sau: - Dân cư (Residential) - Doanh nghiệp sử dụng một đường thuê bao (Single line Business) - Doanh nghiệp sử dụng nhiều đường thuê bao (Multi-line Business) 1.1.1.2. Mô hình đường cong phát triển Đây là mô hình khá phổ biến trong dự báo nói chung. Mô hình này mô tả sự phát triển của yếu tố dự báo (trong dịch vụ thoại là mật độ thuê bao) phụ thuộc vào biến thời gian. Các dạng cơ bản của mô hình gồm có: - Tuyến tính - Hàm mũ - Logistic 1.1.1.2.1. Cấu trúc mô hình 5 Dự báo nhu cầu dịch vụ cho mạng viễn thông sử dụng công nghệ trí tuệ nhân tạo Hình 1.4 mô tả đồ thị của các dạng mô hình nói trên. 2 yt = M + at yt = M + at + bt yt = bt yt = M + ae yt yt t k 1  aebt yt t a) Tuyến tính t b) Hàm mũ c) Logistic Hình 1.4 Mô hình đường cong phát triển Trong đó: t: biến thời gian yt : mật độ thuê bao năm tại năm t M, a, b: các tham số được xác định theo phương pháp hồi quy (sử dụng dữ liệu quá khứ để tính toán) k: mức bão hoà  Mô hình tuyến tính Dạng của mô hình tuyến tính được biểu diễn theo công thức như sau: yt = a + bt (1 - 1) t: biến thời gian yt : mật độ thuê bao (số thuê bao trên đầu người hoặc trên từng hộ gia đình,... và có thể phân theo từng loại thuê bao khác nhau) tại năm t. a, b là các tham số được tính theo công thức sau: a= T2  T1 t 2  t1 (1-2) b = T1 - a*t1 6 Dự báo nhu cầu dịch vụ cho mạng viễn thông sử dụng công nghệ trí tuệ nhân tạo Trong đó: - T1: mật độ thuê bao (penetration rate) quá khứ tại năm t 1 - T2: mật độ thuê bao quá khứ tại năm t 2 Trên đây là công thức để tính các tham số dựa trên dữ liệu của hai năm quá khứ. Tuy nhiên, để tăng độ chính xác của kết quả dự báo có thể sử dụng phương pháp bình phương bé nhất để tính toán các tham số a, b dựa trên số liệu quá khứ của nhiều năm T1 .  Mô hình Logistic Mô hình Logistic có dạng như sau: yt = S (1-3) 1  e  k t  t 0  Trong đó: yt mật độ thuê bao tại năm t S - giá trị bão hoà, được xác định dựa vào chính sách của chính phủ hoặc so sánh tương quan với các nước khác. Các tham số k (tỉ lệ tăng số điện thoại) và được xác định như sau: 1  S  S   1 ln   1  1  k= t 2  t1  T1  T2       (1 - 4) T1: mật độ thuê bao tại năm cơ sở (năm dự báo) T2: mật độ thuê bao tại năm đích T t0 = t1 +  l S ln  1 T k  1   (1-5)  Mô hình hàm mũ Mô hình hàm mũ được biểu diễn bằng công thức như sau: y = M + ae bt (1 - 6) Trong đó: yt : Mật độ thuê bao tại năm t 7 Dự báo nhu cầu dịch vụ cho mạng viễn thông sử dụng công nghệ trí tuệ nhân tạo M, a và b là các tham số của mô hình được tính toán sử dụng phương pháp hồi qui dựa trên các số liệu quá khứ. 1.1.1.3. Mô hình kinh tế lượng  Cấu trúc mô hình Mô hình kinh tế lượng được biểu diễn dưới dạng công thức như sau: Y t = at + b1x1 + b2 x2t + . . . + bnxnt +  t (1 - 7) Trong đó: Yt : biến phụ thuộc (dependent variable) (trong trường hợp dự báo thoại, Yt có nghĩa là nhu cầu thuê bao hoặc mật độ thuê bao). at : các hằng số trong phương trình cần được xác định. b1, ... bn: các hệ số thể hiện mối quan hệ về lượng giữa Yt và xt x1t , x2t , ... xnt : các biến độc lập (explanatory or independent variables), chẳng hạn GPP (Gross Provincial Product), chi tiêu đầu tư tiêu dùng (consumer capital investment expenditures), dân số, số hộ gia đình, ...  t : thể hiện độ sai lệch của dự báo. Sử dụng dữ liệu quá khứ (số thuê bao hoặc mật độ thuê bao, dữ liệu kinh tế xã hội) để tính toán các tham số at , b1, ... , bn của mô hình.  Các dạng mô hình . Một số dạng mô hình kinh tế lượng thường được sử dụng bao gồm log kép, bán log, đảo. + Log kép (Double-log) lnYt = ỏ + lnXt +  t (1 - 8) Trong đó: Yt : Mật độ thuê bao năm t Xt : blến độc lập  t : thể hiện độ sai lệch + Bán log (Semi-log) Bao gồm một số dạng sau: 8 Dự báo nhu cầu dịch vụ cho mạng viễn thông sử dụng công nghệ trí tuệ nhân tạo lnYt =  + Xt +  t (1 - 9) Yt =  + lnXt +  t (1 - 10) 1 + t Xt (1 - 11) Yt =  +  Trong đó: Yt : Mật độ thuê bao năm t Xt : biến độc lập  t : thể hiện độ sai lệch dự báo + Đảo (Reciprocal) Dưới đây là dạng mô hình kinh tế lượng với một biến độc lập (explanatory variable). Yt =  +  t + t (1 - 12) Trong đó: Yt : biến phụ thuộc xt : biến độc lập , : là các tham số được xác định theo phương pháp bình phương bé nhất dựa trên dữ liệu quá khứ (thể hiện các giá trị dự báo của , ; 1 ... r là các năm trong quá khứ) như sau: ˆ ˆ   Y  x (1 - 13) T ˆ   Y x t t 1 T  x i 1 t  x (1 - 14)  x 2 t Trong đó: x 1 T T  xt , Y  t 1 1 T T Y t 1 t (1 - 15) x: mức thu nhập hàng tháng của hộ gia đình a, b: các hằng số được suy ra từ phân tích hồi quy của hàm F(x) (). 9 Dự báo nhu cầu dịch vụ cho mạng viễn thông sử dụng công nghệ trí tuệ nhân tạo Công thức F(x) có thể được viết lại dưới dạng tuyến tính như công thức (1.18) sau đó áp dụng phương pháp hồi quy tuyến tính để tính các hằng số a và b: Y = a + bX (1- 18)  100  1 = a + bLn(x)   Fx   Ln   (1 - 19) Hàm thu nhập thực sự đạt được bằng cách lấy đạo hàm bậc nhất của hàm F(x): b) Hàm mật độ dịch vụ dFx   100bea x b 1  F' x   2 dx 1  ea x b   (1 - 20) Hàm mật độ dịch vụ được định nghĩa như sau: D(x)( SERV) = 100 ; [d < 0] 1  ec x d   (1 - 21) Trong đó: D(x) là mật độ tính theo % của số hộ gia đình với mức thu nhập (x) sử dụng dịch vụ (SERV) x là thu nhập hàng tháng của hộ gia đình . Trong những điều tra về thị trường, một số tham số sau đây nên được nghiên cứu: - Hàm mật độ phân loại theo nghề nghiệp của chủ hộ, chia thành từng vùng thành thị, nông thôn hoặc các tầng lớp khác. - Hàm mật độ theo các mức học vấn, độ tuổi khác nhau của chủ hộ chia thành từng vùng thành thị, nông thôn hoặc các tầng lớp khác. c) Nhu cầu % của dịch vụ Biết được hàm mật độ dịch vụ liên quan tới thu nhập của hộ gia đình chúng ta có thể tính được nhu cầu dịch vụ: Công thức tính toán nhu cầu dịch vụ (Ut ) như sau:  1 F't x Dt x dx Ut = 100  0 (1.23) 10 Dự báo nhu cầu dịch vụ cho mạng viễn thông sử dụng công nghệ trí tuệ nhân tạo Trong đó: U t là nhu cầu % trung bình tại thời điểm t Ft (x) là hàm phân bố thu nhập tại thời điểm t Dt (x) là hàm mật độ đối với dịch vụ cần quan tâm tại thời điểm t. 11 Dự báo nhu cầu dịch vụ cho mạng viễn thông sử dụng công nghệ trí tuệ nhân tạo 1.1.2. Dịch vụ phi thoại Hình 1.6 đưa ra quy trình dự báo dịch vụ phi thoại của ITU-T [2]. Sau đây sẽ miêu tả chi tiết các bước thực hiện của quy trình này. Xác định loại Xác định xu hướng Xác định khoảng thị dịch vụ kinh tế - xã hội trường và vùng địa lý Xác định kiểu v ị trí Ước lượng số kiểu vị trí theo từng vùng địa lý Xác định các thuộc tính dịch vụ cho từng kiểu vị trí Ước lượng nhu cầu hiện tại và tốc độ phát triển của các loại d ịch vụ khác nhau Sắp xếp nhu cầu dịch vụ theo các kiểu v ị trí đ ịa lý Tính nhu cầu tại từng vị trí địa lý Không Phù hợp? Có Phân tích kết quả dự báo nhu cầu tại các vị trí địa lý Tổng hợp nhu cầu theo khoảng thị trường, vùng địa Ước lượng khả năng tập trung thuê bao lý và kiểu dịch vụ Tổng nhu cầu dịch vụ phi thoại Hình 1.6. Quy trình dự báo dịch vụ phi thoại của ITU - T 12 Dự báo nhu cầu dịch vụ cho mạng viễn thông sử dụng công nghệ trí tuệ nhân tạo 1.2. Dự báo lưu lượng 1.2.1 Quy trình dự báo Số liệu đầu vào trong quy trình dự báo Hình 1.7 gồm ba thành phần: Số liệu dự báo nhu cầu dịch vụ: là kết quả của quá trình dự báo nhu cầu cho dịch vụ thoại. Dữ liệu này bao gồm các số liệu dự báo thuê bao trên từng vùng theo từng loại thuê bao (thuê bao gia đình, thuê bao kinh doanh, thuê bao công cộng, ...) Lưu lượng quá khứ: là tập hợp số liệu đo lưu lượng trên mỗi nút mạng theo các hướng khác nhau. Số liệu này được thu thập liên tục từ một thời điểm trong quá khứ đến hiện tại. Lưu lượng đo đạc phản ánh lưu lượng được chuyển tải trên mạng (carried traffic). Để sử dụng trong quá trình dự báo lưu lượng, các số liệu này cần chuyển đổi thành lưu lượng yêu cầu (offered traffic). Thống kê thời gian thoại: là số liệu thống kê từ hoá đơn tính cước cho khách hàng. Dữ liệu này được thu thập hàng tháng hoặc từng năm và cho biết tổng thời gian thoại từ mỗi nút đến các nút khác trong mạng. Số liệu thời gian thoại sẽ được sử dụng để xây dựng ma trận phân bố lưu lượng. Số liệu dự báo nhu cầu dịch Lưu lượng thoại trong quá Thống kê thời gian đàm thoại vụ khứ theo hoá đơn cước Dự báo lưu lượng tổng Tạo ma trận lưu lượng cơ sở Dự báo ma t rận lưu lượng Ma trận lưu lượng dự báo Hình 1.7 . Quy trình dự báo lưu lượng thoại 13 Dự báo nhu cầu dịch vụ cho mạng viễn thông sử dụng công nghệ trí tuệ nhân tạo Quy trình dự báo lưu lượng thoại bao gồm ba thành phần chính: + Bước đầu tiên là dự báo lưu lượng tổng. Số liệu dự báo được ở phần này là lưu lượng vào và ra tổng cộng trên từng nút mạng. + Tiếp theo là quá trình tạo ma trận lưu lượng cơ sở. Ma trận lưu lượng cơ sở biểu thị mức độ quan hệ về lưu lượng giữa các nút mạng tại năm cơ sở. Kết quả của hai bước thực hiện trên được sử dụng để dự báo ma trận lưu lượng cho tương lai. Đây là kết quả cuối cùng của quá trình dự báo lưu lượng thoại và được sử dụng để cung cấp cho quá trình định cỡ mạng. 1.2.2. Các mô hình dự báo lƣu lƣợng tổng  Tính lưu lượng yêu cầu Các số liệu lưu lượng đo đạc được trên mạng là lưu lượng chuyển tải của mạng (carried traffic). Số liệu này không phản ánh đúng thực tế nhu cầu lưu lượng do hạn chế của mạng hiện thời. Vì vậy trước khi sử dụng các mô hình dự báo lưu lượng dữ liệu này phải biến đổi thành lưu lượng yêu cầu (offered traffic). Phương pháp tính lưu lượng yêu cấu từ số liệu đo lưu lượng trên một nhóm kênh được miêu tả trong khuyến nghị E.501 CCITT. Phương pháp này được tóm tắt như sau: 1) Trường hợp nhóm kênh trực tiếp (only route) không tắc nghẽn: A = Ac (1 - 22) trong đó: A - tải lưu lượng yêu cầu Ac - tải lưu lượng mang 2) Trường hợp nhóm kênh trực tiếp có tắc nghẽn A = Ac(1 - WB) / (1 - B) (1 - 23) Trong đó: B - xác suất không thành công trung bình đối với tất cả các lần thiết lập cuộc gọi (call attempts) tính theo phần trăm. 14 Dự báo nhu cầu dịch vụ cho mạng viễn thông sử dụng công nghệ trí tuệ nhân tạo W - tham số đặc trưng cho ảnh hưởng của số lần lặp lại cuộc gọi. Nếu không đo được tỷ lệ thành công thì có thể cho W giá trị từ 0,6 - 0,9. Các mô hình cho W được trình bầy trong phụ lục A của khuyến nghị E.501. 3) Trường hợp sử dụng nhóm kênh High-usage/final, không tắc nghẽn trong nhóm kênh final. A = Ah + Af (1 - 24) Trong đó Final High - usage Ah = lưu lượng mang trong nhóm kênh high-usage Af = lưu lượng overflow từ nhóm kênh high-usage và được tải trong nhóm kênh final 4) Trường hợp sử dụng nhóm kênh high usage/final, có tắc nghẽn trong nhóm kênh high-usage. Lưu lượng yêu cầu được xác định theo công thức (1.22) và ( 1.23 ).  Loại dữ liệu lưu lượng tổng cần dự báo Các số liệu lưu lượng tổng cần dự báo cho mỗi tổng đài trên mạng là số liệu lưu lượng yêu cầu tại thời điểm TCBH (time-consistent busy hour) ví dụ: - Tổng lưu lượng (đi và đến). - Tổng lưu lượng đến. - Tổng lưu lượng đi. Các số liệu trên có thể chia ra từng loại. lưu lượng nội hạt, lưu lượng đường dài và lưu lượng quốc tế. Ngoài ra các số liệu sau cũng cần dự báo: - Thời gian chiếm mạch trung bình của mỗi loại lưu lượng - Mức độ sử dụng của mỗi thuê bao (usage rates) 15 Dự báo nhu cầu dịch vụ cho mạng viễn thông sử dụng công nghệ trí tuệ nhân tạo  Các mô hình dự báo lưu lượng tổng Để dự báo lưu lượng tổng cho mỗi nút mạng trong giai đoạn dài người ta thường sử dụng mô hình lọc Kalman và mô hình, tần xuất sử dụng. Sau đây là mô tả tóm tắt về hai mô hình này. a) Mô hình lọc Kalman Mô hình lọc Kalman là một trong các mô hình dự báo theo thời gian dựa vào chuỗi số liệu thu thập trong quá khứ để dự báo số liệu cho tương lai. Mô hình này bao gồm hai công thức (1.25) và (1.26): yt = Ht bt +  t bt = At bt-1 + at (1-25) (1-26) Trong đó: yt - đại lượng vector cần quan sát. bt - biểu thị cho một đại lượng vector không đo được. Ht At - các ma trận đã biết.  t , at - vector đặc trưng cho nhiễu trong quá trình đo đạc và tính toán. b) Mô hình tần suất sử dụng Một phương pháp dự báo khác có thể áp dụng để tính tổng lưu lượng cho mỗi nút khi không có chuỗi số liệu đo lưu lượng theo thời gian đó là phương pháp sử dụng tham số tần xuất sử dụng trung bình của thuê bao. Người dự báo trước tiên cần dự báo tần suất sử dụng trung bình cho mỗi thuê bao Ct (calling rates). Tổng lưu lượng cần dự báo của mỗi nút mạng được tính bằng tích của số thuê bao dự báo được (St ) trong nút đó và tần suất sử dụng của mỗi thuê bao. Et = Ct St (1-27) Giá trị tần suất sử dụng trung bình cũng có thể phân theo từng loại lưu lượng: nội hạt, nội vùng, đường dài hoặc lưu lượng quốc tế. Phương pháp này khá đơn giản và kết quả phụ thuộc nhiều vào giá trị dự báo tần suất sử dụng của thuê bao. 16 Dự báo nhu cầu dịch vụ cho mạng viễn thông sử dụng công nghệ trí tuệ nhân tạo Trên thực tế, một số tổng đài có gắn thiết bị đo. Số liệu đo đạc được từ các tổng đài này có thể tính tần suất sử dụng của thuê bao trong thời điểm hiện thời và áp dụng cho toàn mạng. Đường cong xu hướng của tham số này có thể bị ảnh hưởng bởi nhiều yếu tố khác nhau: - Phân bố các loại thuê bao - Mật độ điện thoại - Tiền cước - Các hạn chế của dịch vụ - Yếu tố kinh tế của vùng đặt tổng đài Cách thức các yếu tố trên ảnh hưởng đến lưu lượng rất phức tạp và thay đ ổi theo các hoàn cảnh khác nhau. Phương pháp dự báo tần suất sử dụng nên tiến hành như sau: - Thu thập dữ liệu về các yếu tố liên quan đáng tin cậy. - Sử dụng phương pháp hồi quy để phát triển các mô hình định rõ sự ảnh hưởng của một hay nhiều yếu tố liêu quan nêu trên. - Khi tìm được một hoặc một nhóm mô hình phù hợp có thể tính được usage rate sử dụng các số liệu đã biết hoặc đoán được. 1.2.3. Dự báo ma trận lƣu lƣợng Có ba phương pháp tính ma trận lưu lượng thường dùng là: Kruithof, Kruithof mở rộng, và phương pháp Bình phương bé nhất.  Phương pháp Kruithof: Phương pháp Kruithof sử dụng ma trận lưu lượng hiện tại và dự báo tổng hàng và cột (lưu lượng đi và đến) để dự báo ma trận lưu lượng trong tương lai. Quá trình dự báo thực hiện cân bằng ma trận thông qua một số hữu hạn lần lặp. Phương pháp Kruithof không tính đến sự thay đổi theo thời gian trong quan hệ lưu lượng điểm - điểm do chỉ sử dụng ma trận lưu lượng hiện tại mà không dùng lưu lượng quá khứ trong quá trình dự báo. Vì vậy khi tốc độ phát triển của các nút mạng lớn và không đều hoặc khi ma trận lưu lượng phản ánh dữ liệu theo mùa thì phương pháp này không chính xác. 17 Dự báo nhu cầu dịch vụ cho mạng viễn thông sử dụng công nghệ trí tuệ nhân tạo  Phương pháp Kruithof mở rộng: Phương pháp Kruithof truyền thống chỉ sử dụng ma trận lưu lượng hiện tại và dự báo tổng hàng và cột trong tương lai. Người ta đã mở rộng phương pháp này bằng cách dự báo cả phần lưu lượng điểm điểm trong tương lai. Quá trình cân bằng ma trận được sử dụng ở đây để biến đổi ma trận lưu lượng điểm điểm dự báo được cho phù hợp với số liệu tổng hàng và cột.  Phương pháp bình phương bé nhất Phương pháp này lại là sự mở rộng của phương pháp Kruithof mở rộng. Phương pháp Kruithof mở rộng thừa nhận tổng hàng và cột là đúng và biến đổi ma trận lưu lượng dự báo được cho phù hợp với kết quả này. Phương pháp bình phương bé nhất lại quan niệm cả số liệu dự báo trong ma trận lưu lượng điểm điểm và tổng lưu lượng theo hàng và cột đều chưa chắc chắn và biến đổi cả hai số liệu này cho phù hợp với nhau. 1.2.3.1. Phương pháp Kruithor Phương pháp Kruithof sử dụng số liệu dự báo tổng lưu lượng ra và vào của từng tổng đài (tổng hàng và cột) và ma trận lưu lượng tại thời điểm T đ ể dự báo ma trận lưu lượng trong thời điểm T + 1. Gọi: Ma trận lưu lượng hiện tại X(T) Số liệu dự báo lưu lượng ra (tổng hàng) {X' t .(T + 1) } Số liệu dự báo lưu lượng vào (tổng hàng) {X' j(T + 1)} Phương pháp Kruithof tính các phần tử {X' i(T + 1)} bằng một số lần lặp để ma trận kết quả cuối cùng có tổng hàng và cột phù hợp với số liệu dự báo. Có nhiều tiêu chuẩn khác nhau để kết thúc quá trình lặp, trong đó tiêu chuẩn thường sử dụng nhất là sử dụng RMSE. RMSE = m 2 2 1  m   X i p  T  l   X 'i T  l    X j p  T  l   X ' j T  l   (1-28)  2m  i 1 j 1       Quá trình lặp dừng lại khi RMSE <  ( là hằng số) Nhận xét về phƣơng pháp Kruithof: Đây là một phương pháp đáng tin cậy và đã được sử dụng rộng rãi để tính ma trận lưu lượng cho hàm tương lai dựa vào ma trận lưu lượng khởi tạo và số liệu 18