移动通信网的性能对于传入流量非常敏感，因此，传输情况的预测知识是非常有用的。如果观察一个小区内的传输负载，传输的周期性非常明显，如图8.15所示，允许通过对传输队列的自相关系数的检测来进行预测（见参考文献［ShBr88］）。自相关函数表明每个传输样本与其相邻样本之间的线性相关性的存在性。特别地，时间后移一周，自相关函数达到一个峰值。提出了两种算法用以提供一个传入流量的事先估计。参考文献［CFAP01］中提出了一个线性算法，利用一切已知传输负载t（n）的线性组合来估计现有未知的传输负载，考虑时间后移一周（168h）时的高自相关函数

式中，n为当前样本;l为所考虑到的先前样本数，p为上一周同一时间范围内时间间隔的半长。

为求得最优的a_i和b_i值，需要借助于在时间m＜n时的已知传输负载t（m），并求解一个线性系统。参考文献［MFVC02］中提出的非线性算法通过将一个非线性方程纳入输出线性预测器中来拓展这些预测。在图8.15中，给出了1h后一个小区内传输时间间隔测量的预测。

图8.15 一个小区内几天中流量的变化情况，以及提前1h获得的 交通流量预测（由参考文献［MFVC02］修改得到）

两种算法都可以很好地预测短时间内的情况，并在一个真实网络中成功地提供对传输情况的预测。特别地，非线性程序可以减少预测错误，而且当进行更多更长时间的预测时，这一优势变得非常明显。这一程序理论简单，易于实现。通过使系统参数适应预期中未来的网络状况可以明显地提高系统性能。(www.daowen.com)

在参考文献［FMFC05］中，作者经检查发现，需要数据连接服务的GPRS用户数在他们的行为可以统计得出时，也是可预测的。预测器基于人造神经网络算法，其中使用了一种被称为有FIR-MLP（有限脉冲响应-多层感知）的前馈网络。这一网络由许多层计算节点（神经元）组成，这些节点的突触系数被FIR滤波器所取代。这些滤波器在网络中加入记忆并能支持一个更为复杂的非线性模型。而该网络学习算法被称为时变反传算法，其中包括允许引入FIR滤波器的著名反传算法的扩展。

所提到的结构包括一个带有两个输入端的神经元，一个输入端对应于前1h的信息，另一个对应于前一周的信息。这一神经网络所选择的复杂程度为两个神经元。通过使用所谓改进的Delta-Bar-Delta算法可以实现学习参数的动态自适应。因此，在每次迭代中，神经网络速度都可以迅速地调整，而网络存储适合每次迭代。这两处优势使得该网络能够在网络学习算法中高计算负荷成本的情况下正确地适应所有用户的分布。

图8.16显示了神经预测器的性能与每个小区内实际传输（用户数）的发展和预测的对比。随着时间推移，两个阶段逐渐分开。最初，预测器需要花费大约200h来使自己适应具体的数据集，然后逐渐地，它可以很好地跟踪传输情况的变化。预测器工具的开发还需要大量的后期工作，以期能够更好地适应传输的其他方面，如上行链路和下行链路的传输负载（kilobits）。

图8.16 神经网络输出（耦合的时间为200h和220h之间）（从参考文献［MFVC02］中修改得到）