| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8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15-23页 |
| 1.1 超密集网络概述 | 第15页 |
| 1.2 网络业务流量预测研究现状 | 第15-17页 |
| 1.3 超密网络场景下业务流量预测潜在问题 | 第17-19页 |
| 1.4 本文主要工作 | 第19-20页 |
| 1.5 本文组织架构 | 第20-23页 |
| 第二章 网络业务流量预测算法综述 | 第23-39页 |
| 2.1 基于时间序列业务流量预测算法 | 第23-27页 |
| 2.1.1 ARIMA模型及分析方法 | 第23-24页 |
| 2.1.2 FBProphet模型及算法特性 | 第24-27页 |
| 2.2 基于Boosting集成学习的业务流量预测算法 | 第27-37页 |
| 2.2.1 决策树基学习器概述 | 第28-30页 |
| 2.2.2 Boosting算法族整体思想 | 第30页 |
| 2.2.3 Gradient Boosting Tree算法 | 第30-32页 |
| 2.2.4 Extreme Gradient Boosting算法 | 第32-35页 |
| 2.2.5 LightGBM算法 | 第35-37页 |
| 2.3 本章小结 | 第37-39页 |
| 第三章 超密场景下的MLT-Boosting流量预测方法 | 第39-53页 |
| 3.1 Boosting算法在超密集网络场景下潜在问题 | 第39-40页 |
| 3.2 基于多步标签变换的Boosting改进算法 | 第40-46页 |
| 3.3 仿真结果与分析 | 第46-51页 |
| 3.3.1 仿真场景介绍 | 第46-48页 |
| 3.3.2 仿真结果 | 第48-51页 |
| 3.4 本章小结 | 第51-53页 |
| 第四章 典型超密场景机场业务流量预测及动态资源分配 | 第53-79页 |
| 4.1 机场场景及接入业务流量数据特性 | 第53-58页 |
| 4.2 基于多元历史信息的整体区域模型 | 第58-61页 |
| 4.2.1 整体区域模型概述 | 第58页 |
| 4.2.2 整体区域模型特征工程 | 第58-60页 |
| 4.2.3 基于MLT-Boosting算法的整体区域模型 | 第60-61页 |
| 4.3 基于空时影响因子的登机口区域模型 | 第61-67页 |
| 4.3.1 登机口区域模型概述 | 第61-62页 |
| 4.3.2 关联登机口与观察点Wi Fi-AP | 第62页 |
| 4.3.3 航班信息对登机口业务分布的空时影响因子 | 第62-65页 |
| 4.3.4 登机口模型特征工程 | 第65-66页 |
| 4.3.5 基于残差拟合算法的登机口区域模型 | 第66-67页 |
| 4.4 基于EMIST框架的业务预测 | 第67-68页 |
| 4.5 仿真实验及理论分析 | 第68-72页 |
| 4.6 基于EMIST预测的动态带宽分配方案 | 第72-77页 |
| 4.7 本章小结 | 第77-79页 |
| 第五章 总结与展望 | 第79-81页 |
| 5.1 本文工作总结 | 第79-80页 |
| 5.2 未来工作展望 | 第80-81页 |
| 参考文献 | 第81-85页 |
| 致谢 | 第85-87页 |
| 作者简介 | 第87-88页 |
