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

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

2

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

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

3

- 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.

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.

ĐẦU VÀO

Tập các mô hình sơ bộ được chọn
Các mô hình được chọn lựa
Dự báo nhu cầu dịch vụ cho mạng viễn thông sử dụng công nghệ trí tuệ nhân tạo

4

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

Hình 1.3 Các bước xây dựng mô hình dự báo
Lớp các mô hình được lựa chọn
Chọn một mô hình thử nghiệm
Tính toán các tham số cho mô hình
Kiểm tra mô hình
Xác nhận mô hình thích hợp

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

6

Hình 1.4 mô tả đồ thị của các dạng mô hình nói trên. a) Tuyến tính b) Hàm mũ
c) Logistic
Hình 1.4 Mô hình đường cong phát triển
Trong đó:
t: biến thời gian
y
t
: 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

y
t
t

y
t
= M + at
y
t
= M + at + bt
2

y
t
= M + ae
bt
y
t
=
bt
ae1
k


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

7

Trong đó:
- T

y
t
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:
k =





























1
T
S
ln
k
l
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:
y
t
: Mật độ thuê bao tại năm t
Dự báo nhu cầu dịch vụ cho mạng viễn thông sử dụng công nghệ trí tuệ nhân tạo

8

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

b
1
, b
n
: các hệ số thể hiện mối quan hệ về lượng giữa Y
t
và x
t

x
1t
, x
2t
, x
nt
: 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 a
t
, b
1
, , b
n
của mô hình.
 Các dạng mô hình .

+ 
t
(1 - 9)
Y
t
=  + lnX
t
+ 
t
(1 - 10)
Y
t
=  + 
t
X
1
+ 
t
(1 - 11)
Trong đó:
Y
t
: Mật độ thuê bao năm t
X
t
: biến độc lập

t
: thể hiện độ sai lệch dự báo
+ Đảo (Reciprocal)







T
1i
2
t
T
1t
tt
xx
xxY
ˆ
(1 - 14)
Trong đó:




T
t
t
T
t
t
Y
T

= a + bLn(x) (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

 
 
 
2
ba
1ba
xe1
xbe100
x'F
dx
xdF




(1 - 20)
Hàm mật độ dịch vụ được định nghĩa như sau:
D(x)
(SERV)
=
 
dc
xe1
100



11

Trong đó:
U
t
là nhu cầu % trung bình tại thời điểm t
F
t
(x) là hàm phân bố thu nhập tại thời điểm t
D
t
(x) là hàm mật độ đối với dịch vụ cần quan tâm tại thời điểm t.
Dự báo nhu cầu dịch vụ cho mạng viễn thông sử dụng công nghệ trí tuệ nhân tạo

12

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
dịch vụ
Xác định xu hướng
kinh tế - xã hội
Xác định khoảng thị
trường và vùng địa lý
Xác định kiểu vị trí
Ước lượng số kiểu vị trí
theo từng vùng địa lý

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
vụ
Lưu lượng thoại trong quá
khứ
Thống kê thời gian đàm thoại
theo hoá đơn cước
Dự báo lưu lượng tổng
Tạo ma trận lưu lượng cơ sở
Dự báo ma trận lưu lượng
Ma trận lưu lượng dự báo
Hình 1.7. Quy trình dự báo lưu lượng thoại
Dự báo nhu cầu dịch vụ cho mạng viễn thông sử dụng công nghệ trí tuệ nhân tạo

14

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.

gọi (call attempts) tính theo phần trăm.
Dự báo nhu cầu dịch vụ cho mạng viễn thông sử dụng công nghệ trí tuệ nhân tạo

15

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 = A
h
+ A
f
(1 - 24)
Trong đó

A
h
= lưu lượng mang trong nhóm kênh high-usage
A
f
= 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).

t
+ 
t
(1-25)
b
t
= A
t
b
t-1
+ a
t
(1-26)
Trong đó:
y
t
- đại lượng vector cần quan sát.
b
t
- biểu thị cho một đại lượng vector không đo được.
H
t
A
t
- các ma trận đã biết.

t
, a
t
- vector đặc trưng cho nhiễu trong quá trình đo đạc và tính toán.

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

18


RMSE =
 
   
 
 
   
 









 
 
m
i
m
j
j
p
ji
p
i
lTXlTXlTXlTX
m
1 1

dự báo là X'
ij
(T + 1) và số liệu dự báo tổng lưu lượng theo hàng và cột là X'
i
(T + 1)
và X'
j
(T + 1). Nói chung X'
i
(T + 1) khác tổng hàng tương ứng của X'
ij
(T + 1) và
X'
j
(T + 1) khác tổng cột tương ứng của ma trận X'
ij
(T + 1).
Gọi độ biến đổi của các phần tử trong ma trận X'
ij
(T + 1) là 
2
ij
và độ biến
đổi của số liệu dự báo lưu lượng theo hàng và cột là 
2
i
và 
2
j
.

ii
i
ijij
ij
TZlTXTZlTXlTZlTX
1 1
2
2
2
2
2
2
1''
1
1''
1
''
1

(1-29)
1.3. Kết luận
Chương này trình bày các phương pháp dự báo cơ bản cho công tác qui
hoạch phát triển mạng viễn thông: dự báo nhu cầu dịch vụ, dự báo lưu lượng. Ở đây
đưa ra những phương pháp cơ bản, truyền thống, đồng thời cũng giới thiệu những
công cụ mới như dự báo trên mô hình Kalman. Mặc dù Kalman là công cụ rất
truyền thống trong điều khiển, nhưng trong dự báo cho viễn thông đây cũng là một
ứng dụng đầy triển vọng trong tương lai.
Dự báo nhu cầu dịch vụ cho mạng viễn thông sử dụng công nghệ trí tuệ nhân tạo

20
Dự báo nhu cầu dịch vụ cho mạng viễn thông sử dụng công nghệ trí tuệ nhân tạo

21

Hình 2.1. Mối liên hệ giữa tậo hợp vào và tập hợp ra
Trong dạng bài toán này, mối quan hệ giữa tập hợp vào và ra được mô tả bởi
một hộp đen. Có rất nhiều phương pháp để xây dựng hộp đen đó, ví dụ sử dụng như
hệ thống tuyến tính, hệ thống chuyên dụng, mạng neural v.v. nhưng logic tập mờ là
một trong những phương pháp tốt nhất với những bài toán quan hệ phức tạp. Lotfl
Zadeh, người đầu tiên nghiên cứu về logic tập mờ đã từng phát biểu "Trong hầu hết
trường hợp ta có thể xây dựng hộp đen, thì logic mờ là cách xây dựng nhanh hơn và
rẻ hơn".
2.1.2. Ƣu điểm của Logic mờ
Logic mờ có những tính năng vượt trội so với nhiều phương pháp khác:
+ Khái niệm Logic mờ khá dơn giản. Phương pháp suy luận Logic mờ mang
tính tự nhiên, không quá phức tạp.
+ Logic mờ mang tính linh hoạt. Logic mờ có khả năng mô tả mọi hệ thống,
bắt đầu từ trên xuống nên đảm bảo tính ổn định.
+ Logic mờ có khả năng mô hình hoá các hàm phi tuyến phức tạp. Do đó ta Hình 2.2. Cấu trúc mạng được sử dụng
Tương ứng với đấu vào p khi đi qua lớp ẩn có trọng số (W
1
, b
1
) có hàm
truyền atan ta thu được đấu ra tại lớp ẩn:
A = atan(P*W
1
+ b
1
)
Đầu ra lớp ẩn khi đi qua lớp ra có trọng số (W
2
, b
2
) có hàm truyền hardlim ta
thu được giá trị ra:
P
W
1
, b
1
W
2
, b

2.2.2. Ƣu điểm và nhƣợc điểm của cách dùng GA trong việc huấn luyện
Có một số trường hợp thuật toán này không tìm ra được gen tối ưu nhất vì
các giá trị ngẫu nhiên của thuật toán trong việc lựa chọn lai tạo và đột biến. Trong
tự nhiên điều đó có thể xảy ra và chắc chắn sê có một số trường hợp không thể tối
ưu được tuy nhiên bằng cách dùng một số mẫu không quan hệ nhau chúng ta có thể
làm giảm khả năng có thể xảy ra như trên.
2.3. Giới thiệu chung về mạng neural
2.3.1. Mạng neural sinh học
Bộ não của con người là một mạng lưới gồm khoảng 10
11
tế bào thần kinh hay
còn gọi là neural được liên kết với nhau rất phức tạp. Chúng đảm nhiệm việc điều
khiển mọi hoạt động của cơ thể và hoạt động tư duy. Mỗi tế bào thần kinh là sự kết
Khởi tạo gen
Lấy ra ngẫu nhiên một số gen tốt
Lai tạo chúng với nhau
Tạo ra tính đột biến gen
Thoát
Kiểm tra tính tối ưu
của gen, số lần lặp
Đúng
Sai

Trích đoạn Mạng neural sinh học Mạng neural nhân tạo Tiền xử lý dữ liệu huấn luyện

---