基于Okumura?Hata模型改进的通信网络数据存储趋势预测算法
张丽娜
摘 要： 针对传统的通信网络数据在存储时一直存在存储趋势预测不准确的问题，提出基于Okumura?Hata模型改进的通信网络数据存储趋势预测算法。引进先进的Okumura?Hata模型能够有效地解决通信网络数据存储趋势划分过程中出现的数据波动，避免了出现数据混淆的现象，同时优化了IB 确定以及运行状态，避免出现数据的同频干扰以及跳频干扰，从根本上解决了数据特征干扰的问题。为了验证设计的基于Okumura?Hata模型改进的通信网络数据存储趋势预测算法的有效性，设计了对比仿真试验，通过实验数据分析表明，改进方法在通信网络数据存储趋势预测方面，其预测精度较高，能够有效地解决数据特征干扰的问题。
关键词： 通信网络； 数据存储； 趋势预测； 预测算法
中图分类号： TN919.2?34； TP391 文献标识码： A 文章编号： 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
随着互联网的迅猛发展，大数据已经成为最具有价值的技术词汇[1?2]。对于数据整理、收集和处理技术的飞速发展，使得21世纪近20年中由最初的信息（IT）时代一跃成为数据 （DT） 时代。获取数据快捷性和广阔性明显得到提高，这得益于先进的传感设备以及智能终端在社会各界的应用[3?4]。大数据时代的来临对于各行各业来说，无疑都是一场空前的影响。这是一场对于各行各业来说，调整产生运营模式的关键点[5]。数据库的批量、内在价值和准确度都在飞速迅猛的发展。巨大信息财富和宝藏都蕴含在數据的可行性信息里[6?7]。大数据可以完整地体现各领域的发展规律，然而大批量的数据集合的处理需求已经不是传统数据分析工具能够满足的[8]。用新型的大数据分析方法和工具建模来挖掘大数据所蕴含的巨大信息财富价值，已成为研究探索的方向。
1 大数据存储趋势预测模型仿真系统设计
1.1 仿真模型硬件设施配置
为了避免数据干扰以及混淆问题，本文设计的大数据存储趋势预测模型仿真系统硬件结构采取三层的小波中枢网络结构，选用三层结构是因为相当一部分的实际时间序列是一个等差线性序列。普通单层结构是无法逼近这样的等差线性曲线的。当结构大于三层时无疑也可以逼近曲线，然而却使计算变得更加复杂。而对于IB神经中枢网络来说，三层结构模型能逼近任何形式的曲线，所以采用三层结构，即抽取层、转换层、加载层，如图1所示。
通过引入上述的仿真模型硬件施设配置，能够有效提高本文设计的模型仿真系统以防出现数据干扰问题，但是由于趋势划分过程中出现数据波动，还需要对IB 神经中枢运行计算进行优化计算。
1.2 优化IB神经中枢运行的计算
对IB神经中枢运行计算进行优化，能够提高本文设计的仿真模型的数据独立性。在抽取层中有p个抽取，就是一次抽取含有p个元素的序列。这p个元素是p个时间排序值，p表示预测排序值与它之前的相关步骤。转换层包含n个神经递质。加载层有n+1个神经元，加载为第k+l个时间排序的预测值。bmij表示从m层的神经递质i到第m层的神经元j之间的阈值。imjk表示第m层神经元j的第k-1次抽取，bφmjk表示第m层相应加载，公式如下：
1.3 引入Okumura?Hata模型
Okumura?Hata模型是预测大数据使用频次最广的模型，对外界数据干扰具有一定的抗干扰性，能够保证本文设计模型的准确性，它基于收集数据所做的表格图折线，提供所收集数据的分析解释。Okumura?Hata模型则根据Okumura图表展现的数据，经函数曲线拟合得出一组公式。它以数据库整理损耗为基础，在此基础上对其他方面进行修正。数据库损耗为：
2 仿真实验分析
为了测试本文设计的大数据的通信网络数据存储趋势预测模型，设计了对比仿真实验。对某网站选取10组数据库作为本次试验的试验目标，使用传统系统进行数据整合，再使用本文设计的大数据通信网络数据存储趋势预测模型进行数据整合。为了保证试验的有效性，使用两种方法同时进行试验。
2.1 评价指标
评价仿真系统的指标主要有3种：W系数值、鲁棒性、数据量的焓值差。
（1） W系数值：
（2） 鲁棒性：
（3） 数据量的焓值差：
根据上述仿真设定的参比数据库的参数设定，进行实验。
2.2 结果分析
在实验过程中，对传统方法与本文设计方法的试验结果进行记录，如表1所示。
分析表1结果得知，本文设计的大数据的通信网络数据存储趋势预测模型能够对数据库进行准确校对和归纳整合，通过两个数值可以看出本文设计的大数据通信网络数据存储趋势预测模型能够有效稳定地改善大数据进行趋势划分过程中出现数据波动，避免出现数据混淆现象。分析图2结果得知，本文设计的大数据的通信网络数据存储趋势预测模型对于数据库的整合覆盖率极高，说明系统非常的稳定。
3 结 语
本文提出基于大数据的通信网络数据存储趋势预测模型仿真，引进先进的Okumura?Hata模型能够有效地解决大数据进行趋势划分过程中出现的数据波动，避免了出现数据混淆的现象。
通过实验数据分析表明，提出的基于大数据的通信网络数据存储趋势预测模型仿真，能够有效地解决数据干扰的问题。
参考文献
[1] 李雪竹，陈国龙.基于智能最小二乘支持向量机的大数据分析与预测[J].计算机工程，2015，41（6）：38?42.
[2] 王勇，董恒新.大数据背景下中国季度失业率的预测研究：基于网络搜索数据的分析[J].系统科学与数学，2017，37（2）：460?472.
[3] 李芝，龙敏.基于全级C阶矩模型并行流数预测的广域大数据吞吐量优化[J].计算机工程，2016，42（4）：295?300.
[4] 于萍萍，陈建平，柴福山，等.基于地質大数据理念的模型驱动矿产资源定量预测[J].地质通报，2015，34（7）：1333?1343.
[5] 乔少杰，李天瑞，韩楠，等.大数据环境下移动对象自适应轨迹预测模型[J].软件学报，2015，26（11）：2869?2883.
[6] 朱昶胜，王莎莎，王永贤.基于R+Hadoop的中药材大数据的分析及预测[J].兰州理工大学学报，2017（1）：98?103.
[7] 刘巧玲，李劲，肖人彬.基于参数反演的网络舆情传播趋势预测：以新浪微博为例[J].计算机应用，2017，37（5）：1419?1423.
[8] 甄远刚，陈谊，刘莹，等.一种基于ThemeRiver模型的非连续层次数据可视化方法[J].系统仿真学报，2015，27（10）：2460?2466.
[9] 王健文，王子威，陈诗超.基于低功耗蓝牙的物联通信网络设计与实现[J].物联网技术，2017，7（2）：46?47.
摘 要： 针对传统的通信网络数据在存储时一直存在存储趋势预测不准确的问题，提出基于Okumura?Hata模型改进的通信网络数据存储趋势预测算法。引进先进的Okumura?Hata模型能够有效地解决通信网络数据存储趋势划分过程中出现的数据波动，避免了出现数据混淆的现象，同时优化了IB 确定以及运行状态，避免出现数据的同频干扰以及跳频干扰，从根本上解决了数据特征干扰的问题。为了验证设计的基于Okumura?Hata模型改进的通信网络数据存储趋势预测算法的有效性，设计了对比仿真试验，通过实验数据分析表明，改进方法在通信网络数据存储趋势预测方面，其预测精度较高，能够有效地解决数据特征干扰的问题。
关键词： 通信网络； 数据存储； 趋势预测； 预测算法
中图分类号： TN919.2?34； TP391 文献标识码： A 文章编号： 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
随着互联网的迅猛发展，大数据已经成为最具有价值的技术词汇[1?2]。对于数据整理、收集和处理技术的飞速发展，使得21世纪近20年中由最初的信息（IT）时代一跃成为数据 （DT） 时代。获取数据快捷性和广阔性明显得到提高，这得益于先进的传感设备以及智能终端在社会各界的应用[3?4]。大数据时代的来临对于各行各业来说，无疑都是一场空前的影响。这是一场对于各行各业来说，调整产生运营模式的关键点[5]。数据库的批量、内在价值和准确度都在飞速迅猛的发展。巨大信息财富和宝藏都蕴含在數据的可行性信息里[6?7]。大数据可以完整地体现各领域的发展规律，然而大批量的数据集合的处理需求已经不是传统数据分析工具能够满足的[8]。用新型的大数据分析方法和工具建模来挖掘大数据所蕴含的巨大信息财富价值，已成为研究探索的方向。
1 大数据存储趋势预测模型仿真系统设计
1.1 仿真模型硬件设施配置
为了避免数据干扰以及混淆问题，本文设计的大数据存储趋势预测模型仿真系统硬件结构采取三层的小波中枢网络结构，选用三层结构是因为相当一部分的实际时间序列是一个等差线性序列。普通单层结构是无法逼近这样的等差线性曲线的。当结构大于三层时无疑也可以逼近曲线，然而却使计算变得更加复杂。而对于IB神经中枢网络来说，三层结构模型能逼近任何形式的曲线，所以采用三层结构，即抽取层、转换层、加载层，如图1所示。
通过引入上述的仿真模型硬件施设配置，能够有效提高本文设计的模型仿真系统以防出现数据干扰问题，但是由于趋势划分过程中出现数据波动，还需要对IB 神经中枢运行计算进行优化计算。
1.2 优化IB神经中枢运行的计算
对IB神经中枢运行计算进行优化，能够提高本文设计的仿真模型的数据独立性。在抽取层中有p个抽取，就是一次抽取含有p个元素的序列。这p个元素是p个时间排序值，p表示预测排序值与它之前的相关步骤。转换层包含n个神经递质。加载层有n+1个神经元，加载为第k+l个时间排序的预测值。bmij表示从m层的神经递质i到第m层的神经元j之间的阈值。imjk表示第m层神经元j的第k-1次抽取，bφmjk表示第m层相应加载，公式如下：
1.3 引入Okumura?Hata模型
Okumura?Hata模型是预测大数据使用频次最广的模型，对外界数据干扰具有一定的抗干扰性，能够保证本文设计模型的准确性，它基于收集数据所做的表格图折线，提供所收集数据的分析解释。Okumura?Hata模型则根据Okumura图表展现的数据，经函数曲线拟合得出一组公式。它以数据库整理损耗为基础，在此基础上对其他方面进行修正。数据库损耗为：
2 仿真实验分析
为了测试本文设计的大数据的通信网络数据存储趋势预测模型，设计了对比仿真实验。对某网站选取10组数据库作为本次试验的试验目标，使用传统系统进行数据整合，再使用本文设计的大数据通信网络数据存储趋势预测模型进行数据整合。为了保证试验的有效性，使用两种方法同时进行试验。
2.1 评价指标
评价仿真系统的指标主要有3种：W系数值、鲁棒性、数据量的焓值差。
（1） W系数值：
（2） 鲁棒性：
（3） 数据量的焓值差：
根据上述仿真设定的参比数据库的参数设定，进行实验。
2.2 结果分析
在实验过程中，对传统方法与本文设计方法的试验结果进行记录，如表1所示。
分析表1结果得知，本文设计的大数据的通信网络数据存储趋势预测模型能够对数据库进行准确校对和归纳整合，通过两个数值可以看出本文设计的大数据通信网络数据存储趋势预测模型能够有效稳定地改善大数据进行趋势划分过程中出现数据波动，避免出现数据混淆现象。分析图2结果得知，本文设计的大数据的通信网络数据存储趋势预测模型对于数据库的整合覆盖率极高，说明系统非常的稳定。
3 结 语
本文提出基于大数据的通信网络数据存储趋势预测模型仿真，引进先进的Okumura?Hata模型能够有效地解决大数据进行趋势划分过程中出现的数据波动，避免了出现数据混淆的现象。
通过实验数据分析表明，提出的基于大数据的通信网络数据存储趋势预测模型仿真，能够有效地解决数据干扰的问题。
参考文献
[1] 李雪竹，陈国龙.基于智能最小二乘支持向量机的大数据分析与预测[J].计算机工程，2015，41（6）：38?42.
[2] 王勇，董恒新.大数据背景下中国季度失业率的预测研究：基于网络搜索数据的分析[J].系统科学与数学，2017，37（2）：460?472.
[3] 李芝，龙敏.基于全级C阶矩模型并行流数预测的广域大数据吞吐量优化[J].计算机工程，2016，42（4）：295?300.
[4] 于萍萍，陈建平，柴福山，等.基于地質大数据理念的模型驱动矿产资源定量预测[J].地质通报，2015，34（7）：1333?1343.
[5] 乔少杰，李天瑞，韩楠，等.大数据环境下移动对象自适应轨迹预测模型[J].软件学报，2015，26（11）：2869?2883.
[6] 朱昶胜，王莎莎，王永贤.基于R+Hadoop的中药材大数据的分析及预测[J].兰州理工大学学报，2017（1）：98?103.
[7] 刘巧玲，李劲，肖人彬.基于参数反演的网络舆情传播趋势预测：以新浪微博为例[J].计算机应用，2017，37（5）：1419?1423.
[8] 甄远刚，陈谊，刘莹，等.一种基于ThemeRiver模型的非连续层次数据可视化方法[J].系统仿真学报，2015，27（10）：2460?2466.
[9] 王健文，王子威，陈诗超.基于低功耗蓝牙的物联通信网络设计与实现[J].物联网技术，2017，7（2）：46?47.
