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

1

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!
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

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.











Hình 1.1. Qui trình dự báo dịch vụ thoại
a. Lựa chọn mô hình 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, yêu 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
Thu thập dữ liệu
Lựa chọn mô hình dự báo
Phát triển mô hình dự báo
Áp dụng mô hình để dự báo
Phân tích kết quả
Kết quả dự báo

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.

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
Dữ liệu sẵn có
và các điều
kiện về môi
trường
Nhận định
và đánh giá
chung
Vấn đề dự
báo cụ thể
Các tổ chức
dự báo
hiện thời

CHIẾN LƯỢC DỰ
BÁO DÀI HẠN
YÊU CẦU VỀ
THỜI GIAN
YÊU CẦU VỀ KẾT
QUẢ ĐẦU RA

TÀI NGUYÊN
Các tính chất
chung của
mô hình
Lớp các mô
hình sơ bộ
CÁC ĐIỀU KIỆN

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

Mô hình
không
thích hợp
Dự báo nhu cầu dịch vụ cho mạng viễn thông sử dụng công nghệ trí tuệ nhân tạo

5

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
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

Dạng của mô hình tuyến tính được biểu diễn theo công thức như sau:
y
t
= a + bt (1 - 1)
t: biến thời gian
y
t
: 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 =
12
12
tt
TT


(1-2)
b = T
1
- a*t
1
y
t
t

y
t
t

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

1
: mật độ thuê bao (penetration rate) quá khứ tại năm t
1

- T
2
: 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 T
1
.
 Mô hình Logistic
Mô hình Logistic có dạng như sau:
y
t
=
 
0
1
ttk
e
S


(1-3)
Trong đó:

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
2112
1
T
S
1
T
S
ln
tt
1
(1 - 4)
T
1
: mật độ thuê bao tại năm cơ sở (năm dự báo)
T
2
: mật độ thuê bao tại năm đích T
t
0
= t
1
+









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

Mô hình kinh tế lượng được biểu diễn dưới dạng công thức như sau:
Y
t
= a
t
+ b
1
x
1
+ b
2
x
2t
+ . . . + b
n
x
nt
+ 
t
(1 - 7)
Trong đó:
Y
t
: biến phụ thuộc (dependent variable) (trong trường hợp dự báo thoại, Y
t

có nghĩa là nhu cầu thuê bao hoặc mật độ thuê bao).
a
t
: các hằng số trong phương trình cần được xác định.

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 .

Một số dạng mô hình kinh tế lượng thường được sử dụng bao gồm log kép,
bán log, đảo.
+ Log kép (Double-log)
lnY
t
= ỏ + lnX
t
+ 
t
(1 - 8)
Trong đó:
Y
t
: Mật độ thuê bao năm t
X
t
: blến độc lập

t
: thể hiện độ sai lệch
+ Bán log (Semi-log)
Bao gồm một số dạng sau:
Dự báo nhu cầu dịch vụ cho mạng viễn thông sử dụng công nghệ trí tuệ nhân tạo

9

lnY
t
=  + X
t

+ 
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)

Dưới đây là dạng mô hình kinh tế lượng với một biến độc lập (explanatory
variable).
Y
t
=  + 
t
+ 
t
(1 - 12)
Trong đó:
Y
t
: biến phụ thuộc
x
t
: 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:

x
ˆ
Y
ˆ

(1 - 13)

 
 


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




T
t
t
T
t
t
Y
T

Yx
T
x
11
1
,
1
(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) ().
Dự báo nhu cầu dịch vụ cho mạng viễn thông sử dụng công nghệ trí tuệ nhân tạo

10

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)
Ln
 








1
xF
100

= 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


; [d < 0] (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 (U
t
) như sau:
U
t
=
   


0
tt
dxxDx'F
100
1
(1.23)
Dự báo nhu cầu dịch vụ cho mạng viễn thông sử dụng công nghệ trí tuệ nhân tạo

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

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 dịch vụ khác nhau
Sắp xếp nhu cầu dịch vụ theo các
kiểu vị trí địa lý
Tính nhu cầu tại từng vị trí địa lý
Phù hợp?
Không
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
lý và kiểu dịch vụ
Ước lượng khả năng tập
trung thuê bao
Tổng nhu cầu dịch vụ
phi thoại
Hình 1.6. Quy trình dự báo dịch vụ phi thoại của ITU - T
Dự báo nhu cầu dịch vụ cho mạng viễn thông sử dụng công nghệ trí tuệ nhân tạo

13

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
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.

+ 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 = A
c
(1 - 22)
trong đó:
A - tải lưu lượng yêu cầu
A
c
- tải lưu lượng mang
2) Trường hợp nhóm kênh trực tiếp có tắc nghẽn
A = A
c
(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.
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).

 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)
Final
High - usage
Dự báo nhu cầu dịch vụ cho mạng viễn thông sử dụng công nghệ trí tuệ nhân tạo

16

 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):
y
t
= H
t
b

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.

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 C
t
(calling rates).
Tổng lưu lượng cần dự báo của mỗi nút mạng được tính bằng tích của số
thuê bao dự báo được (S
t
) trong nút đó và tần suất sử dụng của mỗi thuê bao.
E
t
= C
t
S
t
(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.
Dự báo nhu cầu dịch vụ cho mạng viễn thông sử dụng công nghệ trí tuệ nhân tạo

17

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 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

 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 để 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
i
m
j
j
p
ji
p
i
lTXlTXlTXlTX
m
1 1

22
''
2
1
(1-28)
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
Dự báo nhu cầu dịch vụ cho mạng viễn thông sử dụng công nghệ trí tuệ nhân tạo

19

dự báo hàng và cột của ma trận trong tương lai. Tuy nhiên do tính chất của thuật
toán xử lý toàn bộ các nút một cách bình đẳng nên phương pháp này chỉ đáng tin
cậy cho các mạng có số node lớn, quan hệ giữa các node ổn định. Một khả năng đặt
ra là trong ma trận lưu lượng cần dự báo; một số phần tử có thể dã có thông tin chắc
chắn và cần giữ bằng hằng số. Khi đó nẩy sinh một số điều kiện:
Do tất cả các phần tử trong ma trận phải dương nên tổng các phần tử biết
trước trong mỗi hàng cần nhỏ hơn số liệu tổng lưu lưu lượng dự báo trong hàng đó.
Điều này cũng bắt buộc cho các cột.
Số lượng các phần tử biết trước trong một ma trận n x n phải nhỏ hơn hoặc
bằng n
2
- 2n + 1.
Nếu có nhiều hơn n-2 giá trị cố định trong hàng, có thể bỏ hàng đó và áp
dụng thuật toán Kruithof với giá trị tổng lưu lượng hàng và cột đã được cập nhật.
1.2.3.2. Phưong pháp bình phương bé nhất
Phương pháp này sử dụng đầu vào là số liệu dự báo của ma trận lưu lượng
trong tương lai và số liệu tổng lưu lượng theo hàng và cột. Gọi ma trận lưu lượng đã

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
.

Ma trận Z'
ij
(t) là ma trận biến đổi, của X'
ij
(T + 1) bằng cách làm giá trị Q nhỏ
nhất.
Q=
            
 
  
   









m
li
m
lj
m
i
m
j
jj
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

CHƢƠNG 2
NGHIÊN CỨU CÔNG NGHỆ AI

Trong chương này trình bày các công nghệ trí tuệ nhân tạo như thuật toán
gen di truyền (GA), lôgic mờ (fuzzy logic), và mạng Neural. Đây là các công nghệ
hiện đang được nghiên cứu khá rộng rãi và thành công trong dự báo trên thế giới.
2.1. Logic mờ
2.1.1. Khái niệm về logic mờ
Logic mờ là một phương pháp tiếp cận trong ngành tin học dựa trên "độ
đúng" (degree of truth), vượt ra khỏi khuôn khổ nhị phân của đại số Bool Đúng/Sai
(hoặc 1/0) vốn là cơ sở cho ngành máy tính hiện đại. Logic mờ xem 0 và 1 là các
trường hợp cực trị của tính đúng (hoặc tính sự thật) và bao gồm nhiều mức độ sự
thật trong khoảng 0- 1. Ví dụ như kết quả so sánh giữa hai vật thể không phải là
"cao" và "thấp" và có thể là 0,4 của độ cao.
Ý tưởng về logic mờ lần đầu tiên được đưa ra tại Đại học California tại
Berkeley bởi Dr. Lotfi Zadeh vào thập niên 1960 khi nghiên cứu về khả năng hiểu
ngôn ngữ con người của máy tính. Logic mờ dường như tiến đến gần hơn cách mà
bộ não hoạt động. Chúng ta tổng hợp dữ liệu và hình thành một tập hợp các sự thật
từng phần (partial truth) rồi sau đó tổng hợp dần lên thành sự thật ở mức cao hơn.
Khi những sự thật từng phần đó vượt qua một ngưỡng nhất định, xảy ra những phản
xạ (ví dụ chuyển động). Quá trình đó cũng là cơ sở cho hệ thống mạng neural và hệ
chuyên gia trong công nghệ AI.
Theo phương pháp giải toán, ta có thể xem Logic mờ là một trong những cách
mô tả mối quan hệ giữa một tập hợp đầu vào với một tập hợp ra. Ví dụ trong bài toán
xác định tiền dịch vụ thì đầụ vào là tập hợp tất cả các xếp hạng của chất lượng dịch
vụ, và đầu ra là tập tất cả các mức tiền dịch vụ. Từ mối quan hệ giữa hai tập dữ liệu
trên, với mỗi đầu vào, Logic mờ sẽ cho phép ta tìm được một đầu ra thích hợp nhất
tương ứng (Hình 2-1).

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

có thể tạo ra hệ thống mờ để mô tả mối quan hệ giữa input và output. Kỹ thuật này
được gọi là ANFIS (Adaptive Neuro-Fuzzy Inference Systems).
+ Logic mờ có thể xây dựng dựa trên những kinh nghiệm của hệ chuyên gia.
Tính chất này ngược lại với mạng Neural, trong đó huấn luyện dựa trên nhũng dữ
liệu quá khứ để xây dựng lên mô hình, trong khi Logic mờ chỉ dựa vào kinh nghiệm
của những người đã hiểu được bản chất của hệ thống.

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

22

+ Logic mờ có thể được kết hợp với các kỹ thuật cũ. Hệ thống mờ không cần
thiết phải thay đổi các kỹ thuật cũ, trong nhiều trường hợp hệ thống mờ còn được kết
hợp để làm tăng thêm tính hiệu quả của các kỹ thuật cũ.
+ Logic mờ dược mô tả bởi ngôn ngữ tự nhiên.
2.2. Thuật toán di truyền
Về căn bản thì thuật toán di truyền là một phương pháp phân tích và tính toán
nhằm mục đích tối ưu hoá bài toán đặt ra dựa trên sự phát triển của gen theo định
luật di truyền của Darwin. Dựa trên quá trình xử lý chọn lọc tự nhiên, lai và đột biến
được lặp đi lặp lại tương ứng với một mẫu chuỗi gen nhị phân được lai. Theo thời
gian, số lượng các gen xấu sẽ giảm dần và cuối cùng thì gen tốt nhất sẽ được tạo ra,
đây cũng chính là kết quả mà bài toán yêu cầu.
2.2.1. Ứng dụng của thuật toán di truyền
Thuật toán di truyền được sử dụng trong nhiều ứng dụng nhưng trong phạm
vi đề tài này chỉ nghiên cứu và ứng dụng chúng trong việc tối ưu hoá quá trình huấn
luyện mạng Neural (NNUGA-Neural network use Genetic Algorithms).
Mạng neural có hai đầu vào (P) và một đầu ra, 6 neuron ở lớp ẩn. Hàm truyền ở
lớp ẩn sử dụng hàm truyền atan.

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

23

O = hardlim(A*W
2
+ b
2
)
Với bài toán đặt ra như trên ta sử dụng thuật toán di truyền để huấn luyện
thay thế bởi phương pháp huấn luyện truyền thống. Ở đây ta biến đổi các trọng số
W
1, 2
và b
1, 2
thành một vectơ đơn, và coi đó là một gen tối ưu mà ta cần phải tính
toán. Ta có thể mô tả thành các bước như sau:

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