一種新的衛(wèi)星通信網(wǎng)流量預(yù)測(cè)算法?

秦紅祥，楊飛，??

（1.國(guó)家移動(dòng)衛(wèi)星通信工程技術(shù)研究中心，南京210002；2.熊貓電子集團(tuán)有限公司，南京210002）

一種新的衛(wèi)星通信網(wǎng)流量預(yù)測(cè)算法?

秦紅祥1，2，楊飛1，2，??

（1.國(guó)家移動(dòng)衛(wèi)星通信工程技術(shù)研究中心，南京210002；2.熊貓電子集團(tuán)有限公司，南京210002）

在通信網(wǎng)絡(luò)的設(shè)計(jì)中，使用基于流量預(yù)測(cè)的網(wǎng)絡(luò)規(guī)劃已成為L(zhǎng)TE發(fā)展的必然趨勢(shì)。與地面網(wǎng)絡(luò)不同，衛(wèi)星網(wǎng)絡(luò)由于受資源受限和拓?fù)鋾r(shí)變的不利影響，其流量預(yù)測(cè)算法必須能兼顧精度和效率，這令傳統(tǒng)的地面網(wǎng)絡(luò)預(yù)測(cè)方法已不再適用。為了解決以上問題，提出了一種新的基于小波回聲狀態(tài)網(wǎng)絡(luò)的流量預(yù)測(cè)算法，該算法通過小波多尺度分解的信號(hào)處理方法屏蔽了網(wǎng)絡(luò)流量的噪聲，而后結(jié)合了無反饋的回聲狀態(tài)網(wǎng)絡(luò)聯(lián)合進(jìn)行預(yù)測(cè)。仿真證明，新算法相比傳統(tǒng)算法能大幅提升網(wǎng)絡(luò)流量的預(yù)測(cè)精度和運(yùn)行效率，為衛(wèi)星網(wǎng)絡(luò)的流量規(guī)劃提供了強(qiáng)有力的決策支持。

衛(wèi)星通信網(wǎng)；流量規(guī)劃；小波回聲狀態(tài)網(wǎng)絡(luò)；多尺度分解

1 引言

隨著信息技術(shù)的飛速發(fā)展，衛(wèi)星通信作為最重要的通信方式之一，無論是在軍用和民用上均占有著舉足輕重的地位。而在衛(wèi)星通信系統(tǒng)的構(gòu)建中，

衛(wèi)星網(wǎng)絡(luò)由于具有全球覆蓋、接入簡(jiǎn)便、帶寬按需分配等傳統(tǒng)地面網(wǎng)絡(luò)無法比擬的優(yōu)勢(shì)，已被廣泛地應(yīng)用于氣象預(yù)測(cè)、環(huán)境監(jiān)測(cè)、定位導(dǎo)航、廣播電視和網(wǎng)絡(luò)通信等方面，且即將成為NGI（Next-Generation Internet）中重要的組成部分［1－3］。

流量規(guī)劃是在通信網(wǎng)絡(luò)設(shè)計(jì)中對(duì)流量進(jìn)行科學(xué)分配的方法，也是當(dāng)前通信網(wǎng)絡(luò)規(guī)劃中亟待解決的重點(diǎn)和難點(diǎn)。而實(shí)際應(yīng)用中，由于衛(wèi)星網(wǎng)絡(luò)帶寬資源有限，故采用較優(yōu)的分配流量方法以提升衛(wèi)星網(wǎng)絡(luò)的利用率變得尤為重要，同時(shí)也令流量規(guī)劃問題成為了衛(wèi)星通信網(wǎng)絡(luò)系統(tǒng)設(shè)計(jì)中極為關(guān)鍵的組成部分［4－5］。傳統(tǒng)的流量分配方法均是基于對(duì)網(wǎng)絡(luò)流量的歷史信息進(jìn)行靜態(tài)分析后進(jìn)行規(guī)劃設(shè)計(jì)的，而隨著衛(wèi)星通信網(wǎng)絡(luò)用戶數(shù)的日益快速遞增，網(wǎng)絡(luò)流量已呈現(xiàn)出較大的不確定特征，這使傳統(tǒng)的流量分配方法產(chǎn)生了嚴(yán)重的滯后性和不適性。其結(jié)果必將加劇網(wǎng)絡(luò)資源分配的不平衡性，令通信鏈路上產(chǎn)生的擁塞加重，從而導(dǎo)致網(wǎng)絡(luò)的故障率、延時(shí)和QoS均難以保障。為了解決以上問題，近年來流量分配方法的研究已從傳統(tǒng)的靜態(tài)分配方式逐步地向具有預(yù)測(cè)性的動(dòng)態(tài)分配方式轉(zhuǎn)變，如何快速、準(zhǔn)確對(duì)未來短時(shí)甚至長(zhǎng)時(shí)的網(wǎng)絡(luò)流量進(jìn)行預(yù)測(cè)成為了衛(wèi)星通信網(wǎng)絡(luò)流量規(guī)劃的關(guān)鍵［6－10］。

目前，地面網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測(cè)算法已受到了廣泛關(guān)注，出現(xiàn)了如歷史平均、時(shí)間序列分析、非線性分析、人工智能等。其中基于人工智能的方法由于建模簡(jiǎn)單、魯棒性強(qiáng)，成為了理論研究和工程應(yīng)用的熱點(diǎn)［11－12］。例如，支持向量機(jī)已在實(shí)際地面網(wǎng)絡(luò)的流量預(yù)測(cè)中應(yīng)用，其預(yù)測(cè)結(jié)果能較好地用于流量分配的策略中。然而，衛(wèi)星網(wǎng)絡(luò)相比地面網(wǎng)絡(luò)，其可用資源的有限性和拓?fù)浣Y(jié)構(gòu)的時(shí)變性（如低軌衛(wèi)星對(duì)地固定點(diǎn)可見時(shí)間僅在10 min內(nèi)）更為顯著，這令傳統(tǒng)地面網(wǎng)絡(luò)流量預(yù)測(cè)算法移植用于衛(wèi)星網(wǎng)絡(luò)流量預(yù)測(cè)時(shí)將不可避免地面臨預(yù)測(cè)精度和運(yùn)行效率的挑戰(zhàn)［9］。為此，本文提出了小波回聲狀態(tài)網(wǎng)絡(luò)（Wavelet Echo State Networks，WESN）用于衛(wèi)星網(wǎng)絡(luò)的流量預(yù)測(cè)。文中先利用小波多尺度分解的信號(hào)處理方式降低網(wǎng)絡(luò)流量的不確定性，再利用回聲狀態(tài)網(wǎng)絡(luò)預(yù)測(cè)精度高和收斂速度快的優(yōu)點(diǎn)對(duì)重構(gòu)后網(wǎng)絡(luò)流量的各尺度分量分別進(jìn)行預(yù)測(cè)后將結(jié)果累加。在對(duì)實(shí)際網(wǎng)絡(luò)流量預(yù)測(cè)的仿真試驗(yàn)中，相比傳統(tǒng)算法，所提算法在性能上兼顧了預(yù)測(cè)精度高和訓(xùn)練速度快這兩大優(yōu)點(diǎn)，較好地滿足了衛(wèi)星通信網(wǎng)絡(luò)流量的預(yù)測(cè)要求，為衛(wèi)星通信網(wǎng)絡(luò)的流量規(guī)劃提供了強(qiáng)有力的決策支持。

2 回聲狀態(tài)網(wǎng)絡(luò)模型

回聲狀態(tài)網(wǎng)絡(luò)（Echo State Networks，ESN）是德

3 衛(wèi)星網(wǎng)絡(luò)流量的預(yù)測(cè)模型

國(guó)科學(xué)家Jaeger等人在文獻(xiàn)［13］中提出的一種新型機(jī)器學(xué)習(xí)方法。由于具有訓(xùn)練效率高、魯棒性好、泛化能力強(qiáng)等優(yōu)勢(shì)，ESN被廣泛應(yīng)用于電力、交通、環(huán)境等多個(gè)支柱行業(yè)的預(yù)測(cè)預(yù)報(bào)中。通過下面ESN模型的簡(jiǎn)要介紹，可以了解到它的獨(dú)特優(yōu)勢(shì)。

圖1ESN結(jié)構(gòu)Fig.1 Construction of ESN

ESN作為一種特殊的離散遞歸神經(jīng)網(wǎng)，但其結(jié)構(gòu)上卻不失一般性，如圖1所示，在采樣時(shí)刻n的前端輸入層、隱含層以及輸出層的值可分別表示為

其中，K、N和L分別代表輸入元、神經(jīng)元以及輸出元的維數(shù)。不同于傳統(tǒng)的神經(jīng)網(wǎng)，ESN的隱含層是由大規(guī)模稀疏且隨機(jī)連接的神經(jīng)元組成，也稱為動(dòng)力儲(chǔ)備池。在這種特殊連接方式下，儲(chǔ)備池中的大規(guī)模的神經(jīng)元可以將輸入信號(hào)映射至高維空間，從而為ESN提供了強(qiáng)大的動(dòng)力，可以充分地逼近輸入信號(hào)。其狀態(tài)方程和輸出方程可表示為

其中，Win、W和Wout分別為輸入連接權(quán)值矩陣、神經(jīng)元內(nèi)部連接權(quán)值矩陣和輸出連接權(quán)值矩陣，f和fout分別為選用Sigmoid和正切函數(shù)作為內(nèi)部激活函數(shù)和輸出激活函數(shù)。而Win和W的各權(quán)值系數(shù)是服從［0，1］均勻分布的隨機(jī)數(shù)，在由初始化產(chǎn)生后，整個(gè)訓(xùn)練過程中將保持不變。由式（1）可見，當(dāng)前時(shí)刻動(dòng)力儲(chǔ)備池的狀態(tài)總是與前若干個(gè)時(shí)刻的狀態(tài)相關(guān)，這種特有的短時(shí)記憶特性，使得ESN非常適合對(duì)相關(guān)性較強(qiáng)的平穩(wěn)時(shí)間序列進(jìn)行預(yù)測(cè)。

衛(wèi)星網(wǎng)絡(luò)流量預(yù)測(cè)的研究中存在著以下兩個(gè)難點(diǎn)：其一，根據(jù)用戶的網(wǎng)絡(luò)行為可知，雖然網(wǎng)絡(luò)流量宏觀上具有較好的自相似特性，然而微觀上卻仍含有一定的不確定性，即隨機(jī)性，我們將它定義為流量數(shù)據(jù)在廣義上的噪聲，這些噪聲成分一定程度上影響了網(wǎng)絡(luò)流量的可預(yù)測(cè)性，令現(xiàn)有模型（包括ESN）的預(yù)測(cè)精度難以滿足實(shí)際需要；其二，以往經(jīng)典的流量預(yù)測(cè)方法，如BP神經(jīng)網(wǎng)絡(luò)、ARMA等，在對(duì)地面網(wǎng)絡(luò)的流量進(jìn)行動(dòng)態(tài)預(yù)測(cè)時(shí)，能通過對(duì)算法進(jìn)行改進(jìn)從而以復(fù)雜度為代價(jià)換取較高的預(yù)測(cè)精度。而前述已提及，由于衛(wèi)星網(wǎng)絡(luò)系統(tǒng)能量供給、計(jì)算資源和存儲(chǔ)資源都十分有限，因此實(shí)際中可行的衛(wèi)星網(wǎng)絡(luò)流量分配算法在動(dòng)態(tài)預(yù)測(cè)過程中必須同時(shí)在精度和運(yùn)行效率上具有極高的性能，這令以往地面網(wǎng)絡(luò)流量的預(yù)測(cè)算法無法通過簡(jiǎn)單的移植用于衛(wèi)星通信系統(tǒng)。

為了解決以上難點(diǎn)，本文提出了基于WESN的衛(wèi)星網(wǎng)絡(luò)流量預(yù)測(cè)算法。此算法充分利用小波多尺度分解特性，屏蔽了流量數(shù)據(jù)中噪聲成分的干擾，而后再利用ESN精度高和訓(xùn)練速度快的優(yōu)點(diǎn)，從而在精度和運(yùn)行效率上滿足衛(wèi)星網(wǎng)絡(luò)流量預(yù)測(cè)的需要。算法流程如圖2所示。

圖2WESN算法流程圖Fig.2 Process diagram of WESN algorithm

（1）衛(wèi)星網(wǎng)絡(luò)流量的小波分解與重構(gòu)

利用Mallat分解算法［14］，對(duì)交通流進(jìn)行M層離散二進(jìn)小波分解，得到網(wǎng)絡(luò)流量d（n）在多尺度分解下的特征系數(shù)：

則原衛(wèi)星網(wǎng)絡(luò)流量d（n）可表示為

其中，j為分解層數(shù)的序號(hào)，k為時(shí)間平移指數(shù)，j∈［1，2，…，M］。而φM，k（n）和φj，k（n）為母小波φ（n）和尺度函數(shù)φ（n）經(jīng)過伸縮和平移獲得：

且pM，k和qj，k分別為衛(wèi)星網(wǎng)絡(luò)流量經(jīng)過分解后第j層中含有低頻分量信息的近似系數(shù)和高頻分量信息的細(xì)節(jié)系數(shù)，可通過低通濾波器h（t）和高通濾波器g（t）分別與j－1層的近似系數(shù)pj－1，k求卷積，再進(jìn)行下2采樣，即

利用各層的近似系數(shù)pM，k和各層的細(xì)節(jié)系數(shù)qj，k進(jìn)行衛(wèi)星網(wǎng)絡(luò)流量的單支重構(gòu)，即可得M＋1個(gè)分量，則重構(gòu)后的網(wǎng)絡(luò)流可重新表示為這M＋1個(gè)分量的線性加和：

其中，uM為低頻分量，含有衛(wèi)星網(wǎng)絡(luò)流量的主信息；vj為高頻分量，含有衛(wèi)星網(wǎng)絡(luò)流量的次信息以及噪聲成分。

（2）衛(wèi)星網(wǎng)絡(luò)各分流量的相空間重構(gòu)

通過各分量的相空間重構(gòu)分析，可以確定ESN訓(xùn)練中的輸入－輸出關(guān)系：

其中，mj和τj分別為各分量的嵌入維數(shù)和延遲時(shí)間，各分量對(duì)應(yīng)的采樣點(diǎn)的序號(hào)為nj＝（mj－1）τj＋1，…，b。

（3）ESN的訓(xùn)練和預(yù)測(cè)

將式（8）得到的多個(gè)衛(wèi)星網(wǎng)絡(luò)的流量分量分別對(duì)應(yīng)地輸入多個(gè)ESN進(jìn)行訓(xùn)練和預(yù)測(cè)，則這M＋1個(gè)輸入－期望輸出對(duì)可分別表示為

將式（9）和（10）的u→y作為各ESN的輸入－輸出對(duì)代入式（1）和（2）進(jìn)行訓(xùn)練和預(yù)測(cè)，可得各分量的預(yù)測(cè)值Yj（nc）和ˉYM（nc），其中序號(hào)nc＝a＋1，

a＋2，…，b，因此可得衛(wèi)星網(wǎng)絡(luò)流量的最終預(yù)測(cè)值為

4 模型性能仿真

4.1 實(shí)驗(yàn)數(shù)據(jù)

Hao等學(xué)者對(duì)美國(guó)衛(wèi)星主干網(wǎng)和Abilene（美國(guó)教育網(wǎng)）的網(wǎng)絡(luò)流量進(jìn)行跟蹤后證實(shí)：鑒于衛(wèi)星網(wǎng)絡(luò)在功能上與地面網(wǎng)絡(luò)等同，故此兩種網(wǎng)絡(luò)所承載的流量具有相同或相似的網(wǎng)絡(luò)特性［9］。為此，本文以地面網(wǎng)絡(luò)中北京某大學(xué)的主服務(wù)器流量數(shù)據(jù)為仿真對(duì)象，其采樣周期為10 s，共600個(gè)采樣點(diǎn)，如圖3所示。仿真實(shí)驗(yàn)選取前480個(gè)采樣數(shù)據(jù)作為預(yù)測(cè)模型的訓(xùn)練樣本，后120個(gè)數(shù)據(jù)作為預(yù)測(cè)樣本。

圖3 主干網(wǎng)的網(wǎng)絡(luò)流量Fig.3 Network traffic of backbone

4.2 仿真的評(píng)價(jià)指標(biāo)

為了能定量描述衛(wèi)星網(wǎng)絡(luò)流量預(yù)測(cè)算法的精度和效率，本文引入兩個(gè)指標(biāo)來評(píng)估模型的性能，即采用均方根誤差（Root Mean Square Error，RMSE）度量模型預(yù)測(cè)精度，訓(xùn)練所耗時(shí)間評(píng)定模型的運(yùn)行效率。

其中，y（nc）為實(shí)際預(yù)測(cè)值，y（nc）為期望預(yù)測(cè)值，a＋1為測(cè)試樣本的起始點(diǎn)，b為測(cè)試樣本的結(jié)束點(diǎn)。

4.3 實(shí)驗(yàn)結(jié)果與分析

BP神經(jīng)網(wǎng)和ARIMA時(shí)間序列模型作為經(jīng)典的預(yù)測(cè)算法，常被用于公共參考標(biāo)準(zhǔn)來評(píng)價(jià)新模型的性能。本文將BP、ARIMA、ESN在相同條件下完成流量預(yù)測(cè)，并與WESN的性能對(duì)比，從而驗(yàn)證新算法的有效性。其中，WESN模型中小波基選取‘db35’，分解尺度M設(shè)置為3，且用于預(yù)測(cè)多路分量的多個(gè)ESN子模型的參數(shù)如表1所示。所有仿真實(shí)驗(yàn)均在Intel i5－2400、雙核3.1 GHz、內(nèi)存2 GB的MATLAB 2009計(jì)算環(huán)境下測(cè)試完成。

表1 WESN的參數(shù)設(shè)置Table 1 Parameters setting of WESN

圖4各算法的網(wǎng)絡(luò)流量預(yù)測(cè)結(jié)果Fig.4 Network traffic prediction result of each algorithm

圖4 給出了4種算法的網(wǎng)絡(luò)流量預(yù)測(cè)結(jié)果，從宏觀上可見，前3種模型的預(yù)測(cè)性能相差甚微，且都有較大的預(yù)測(cè)誤差，而本文所提的WESN模型卻具有良好的預(yù)測(cè)性能（實(shí)際值與預(yù)測(cè)值基本重合），故其精度能遠(yuǎn)高于前3種預(yù)測(cè)模型。

為了能更進(jìn)一步地量化評(píng)價(jià)各算法的預(yù)測(cè)性能，我們將上述的實(shí)驗(yàn)重復(fù)執(zhí)行了30次后，取預(yù)測(cè)誤差結(jié)果和訓(xùn)練時(shí)間的統(tǒng)計(jì)平均值。

表2給出了各個(gè)模型的預(yù)測(cè)誤差和訓(xùn)練時(shí)間的統(tǒng)計(jì)平均值。顯然，WESN模型在誤差指標(biāo)RMSE上遠(yuǎn)低于其余模型，然而在訓(xùn)練時(shí)間上卻相比ESN略有增加，但相比BP等復(fù)雜算法，其運(yùn)行效率仍占有絕對(duì)優(yōu)勢(shì)，故本文提出的預(yù)測(cè)算法僅以較少量的復(fù)雜度換取了較大幅度的精度提高，能更好地滿足實(shí)際衛(wèi)星網(wǎng)絡(luò)流量預(yù)測(cè)的需要。

表2 各算法的預(yù)測(cè)性能Table 2 The prediction performance of each algorithm

5 結(jié)論

文中首先討論了流量預(yù)測(cè)在衛(wèi)星系統(tǒng)網(wǎng)絡(luò)規(guī)劃中的重要性，然后考慮了實(shí)際中衛(wèi)星網(wǎng)絡(luò)的流量預(yù)測(cè)對(duì)精度和效率的客觀要求，提出了小波和ESN結(jié)合的WESN算法，并通過仿真實(shí)驗(yàn)證明了新算法與BP、ARIMA、ESN算法相比，不但能大幅提升流量預(yù)測(cè)（RMSE誤差指標(biāo)減少近10倍），且可兼顧高效的運(yùn)行效率，從而有效地解決了以往精度和效率兩者之間的矛盾，實(shí)現(xiàn)了衛(wèi)星環(huán)境中僅消耗較低硬件資源即可獲得高性能的網(wǎng)絡(luò)流量預(yù)測(cè)結(jié)果。

本文著重提出一種兼顧精度和效率的高性能預(yù)測(cè)算法，為衛(wèi)星網(wǎng)絡(luò)的流量規(guī)劃、路由設(shè)計(jì)以及網(wǎng)絡(luò)異常行為的監(jiān)測(cè)提供重要依據(jù)。然而，文中僅是拋磚引玉式地討論了衛(wèi)星網(wǎng)絡(luò)流量在單步短時(shí)（10 s）的預(yù)測(cè)，而長(zhǎng)期的流量預(yù)測(cè)同樣也是衛(wèi)星網(wǎng)絡(luò)設(shè)計(jì)的關(guān)鍵，這也將是筆者未來研究工作的重心。

［1］Li J C，An Y，Wang B H，et al.ERSVC：An Efficient Routing Scheme for Satellite Constellation Adapting Vector Composition［J］.Procedia Computer Science，2012，10：984－991.

［2］Elbert B R.The satellite communication application handbook［M］.Norwood，USA：Artech House，2004.

［3］Chen C.Advanced routing protocol for satallite and space networks［D］.Atlanta，USA：Georgia Institute of Technology，2005.

［4］Hadjadi-Aoul Y，Ahmed T.Challenges，opportunities，and solutions for converged satellite and terrestrial networks［J］.IEEE Wireless Communications Magazine，2011，18（1）：46－52.

［5］Wang H.Efficient and robust traffic engineering in a dynamic environment［D］.New Haven，USA：Yale University，2008.

［6］Gamvros I，Raghavan S.Multi－period traffic routing in satellite networks［J］.European Journal of Operational Research，2012，219（3）：738－750.

［7］Agarwal S，Nucci A，Bhattacharyya S.Measuring the shared fate of IGP engineering and inter-domain traffic［C］／／Proceedings of the 13th International Conference on Network Protocols.Boston MA：IEEE，2005：30－39.

［8］龍飛.衛(wèi)星網(wǎng)絡(luò)魯棒QoS路由技術(shù)研究［M］.北京：國(guó)防工業(yè)出版社，2010. LONG Fei.The research for robust QoS routing of satellite network［M］.Beijing：National Defense University Press，2010.（in Chinese）

［9］Ekici E，Akyildiz I F，Micheal D B.Datagram routing algorithme for LEO satelliate networks［C］／／Proceedings of 2000 IEEE International Conference on Computer Communications. Tel-Aviv，Israel：IEEE，2000：500－508.

［10］肖楠，梁俊，張基偉.中國(guó)低軌衛(wèi)星星座組網(wǎng)設(shè)計(jì)與規(guī)劃［J］.電訊技術(shù)，2010，50（12）：14－18. XIAO Nan，LIANG Jun，ZHANG Ji-wei.Design and Scheme of China′s LEO Satellite Constellation Network［J］.Telecommunication Engineering，2010，50（12）：14－18.（in Chinese）

［11］Chabaa S，Zeroual A，Antari J.Identification and Prediction of internet traffic using artificial neural networks［J］.Intelligent Learning Systerms＆Application，2010（2）：147－155.

［12］Liu X W，F(xiàn)ang X M，Qin Z H，et al.A short-term forcasting algorithm for network traffic based on chaos therory and SVM［J］.Journal of network and systems management，2011，19（4）：427－447.

［13］Jaeger H，Haas H.Harnessing nonlinearity：Prediction of chaotic time series with neural networks［J］.Science，2004，304（5667）：78－80.

［14］Mallat S.A theory for multi-resolution approximation：the Wavelet Approximation［J］.IEEE Transactions on PAMI，1989，11：674－693.

QIN Hong-xiang was born in Hubei Province，in 1970.He received the M.S.degree from PLA University of Science and Technology in 1999.He is now a senior engineer.His research interests include satellite mobile communication network design and planning，and signal processing for satellite.

楊飛（1979—），男，湖北人，2012年于北京郵電大學(xué)獲工學(xué)博士學(xué)位，現(xiàn)為工程師、講師，主要從事衛(wèi)星移動(dòng)通信與個(gè)人通信、智能信息處理方面研究。

YANG Fei was born in Hubei Province，in 1979.He received the Ph.D.degree from Beijing University of Posts and Telecommunications in 2012.He is now a lecturer and also an engineer.His research interests include satellite mobile communication and personal communication，and intelligent information processing.

Email：yangfei800103＠163.com

A New Traffic Flow Prediction Algorithm for Satellite Communication Network

QIN Hong-xiang1，2，YANG Fei1，2
（1.NERC for Mobile Satellite Communications，Nanjing 210002，China；2.Nanjing Panda Electronics Company Limited，Nanjing 210002，China）

In the design of a communication network，it has become an inevitable trend with LET development to use traffic flow prediction method for network planning.Due to suffer from the constrained resource and changeable topology，the traffic flow prediction algorithm of the satellite networks which is different from terrestrial networks，should fully take into account the accuracy and efficiency，so the traditional prediction methods for terrestrial networks are no longer fit for application.In order to resolve this problem，a new traffic flow prediction algorithm based on wavelet and echo state networks is proposed in this paper.The new algorithm uses the signal processing method based on multi-scale decomposition of wavelet to shield the noise of the network traffic，and it combines with the non-feedback echo state network to predict.The simulation results show that the new algorithm can greatly improve the prediction accuracy and running efficiency of network traffic compared with traditional algorithms，so it provides a more scientific decision support for satellite communication network traffic planning.

satellite communication network；flow planning；wavelet echo state network；multi-scale decomposition

The National High Technology Research and Development Program（863 Program）of China（2012AA01A507）

date：2013－03－02；Revised date：2013－05－31

國(guó)家高技術(shù)研究發(fā)展計(jì)劃（863計(jì)劃）項(xiàng)目（2012AA01A507）

??通訊作者：yangfei800103＠163.comCorresponding author：yangfei800103＠163.com

TN915

A

1001－893X（2013）07－0835－05

秦紅祥（1970—），男，湖北人，1999年于解放軍理工大學(xué)獲工學(xué)碩士學(xué)位，現(xiàn)為高級(jí)工程師，主要從事衛(wèi)星移動(dòng)通信網(wǎng)絡(luò)設(shè)計(jì)和規(guī)劃、衛(wèi)星信號(hào)處理方面研究；

10.3969／j.issn.1001－893x.2013.07.002

2013－03－02；

2013－05－31