| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-29页 |
| 1.1 超密集网络概述 | 第15-16页 |
| 1.2 负载均衡技术概述及其在超密集网络中的难点 | 第16-20页 |
| 1.2.1 负载均衡技术发展现状 | 第16-19页 |
| 1.2.2 超密集网络的难点分析 | 第19-20页 |
| 1.3 传统业务流量预测方法概述及其在超密集网络中的难点 | 第20-25页 |
| 1.3.1 时间序列分析模型 | 第20-22页 |
| 1.3.2 统计学习回归模型 | 第22-25页 |
| 1.3.3 超密集网络中业务流量预测的难点分析 | 第25页 |
| 1.4 论文主要研究内容 | 第25-26页 |
| 1.5 论文结构 | 第26-29页 |
| 第二章 多维时间序列业务流量预测 | 第29-61页 |
| 2.1 本章使用统计学习回归算法概述 | 第29-32页 |
| 2.2 数据预处理与分析 | 第32-36页 |
| 2.3 流量的直接预测 | 第36-40页 |
| 2.3.1 特征构造与模型构建 | 第36-39页 |
| 2.3.2 仿真分析 | 第39-40页 |
| 2.4 基于用户数的流量预测 | 第40-47页 |
| 2.4.1 用户数预测模型 | 第40-42页 |
| 2.4.2 用户数预测结果仿真分析 | 第42-44页 |
| 2.4.3 基于用户数预测的流量预测 | 第44-45页 |
| 2.4.4 基于用户数预测的流量模型仿真与分析 | 第45-47页 |
| 2.5 基于卷积神经网络的流量预测 | 第47-57页 |
| 2.5.1 卷积神经网络的应用 | 第47-51页 |
| 2.5.2 提前终止方案的改进 | 第51-56页 |
| 2.5.3 仿真分析 | 第56-57页 |
| 2.6 模型融合与结果对比 | 第57-59页 |
| 2.7 本章小结 | 第59-61页 |
| 第三章 基于业务预测的超密集网络负载均衡算法 | 第61-75页 |
| 3.1 系统场景 | 第61页 |
| 3.2 集中式优化方案 | 第61-67页 |
| 3.2.1 优化问题构建 | 第61-63页 |
| 3.2.2 集中式寻优 | 第63-65页 |
| 3.2.3 仿真与结果分析 | 第65-67页 |
| 3.3 基于历史数据与实时信息预测的负载均衡方法 | 第67-73页 |
| 3.3.1 方案流程与概述 | 第67-69页 |
| 3.3.2 仿真分析与方案对比 | 第69-73页 |
| 3.4 本章小结 | 第73-75页 |
| 第四章 总结与展望 | 第75-77页 |
| 4.1 总结 | 第75页 |
| 4.2 展望 | 第75-77页 |
| 参考文献 | 第77-81页 |
| 致谢 | 第81-83页 |
| 作者简介 | 第83-84页 |