Communications data such as traffic levels in a communications network is
analysed using techniques adapted from the study of chaos. Future values
of a series of communications data are predicted and an attractor
structure is determined from the communications data. This enables the
communications processes to be monitored, controlled and analysed. Action
can be taken to modify the communications process using the results from
the prediction and attractor structure to reduce costs and improve
performance and efficiency. These methods may also be used for product
data from manufacturing processes. An algorithm bank is compiled
containing prediction algorithms suitable for different types of data
series, including those exhibiting deterministic behaviour and those
exhibiting stochastic behaviour. Recent past values of a data series are
taken and assessed or audited in order to determine which of the
algorithms in the bank would provide the optimal prediction. The selected
algorithm is then used to predict future values of the data series. The
assessment or auditing process is carried out in real time and a
prediction algorithm selected using a "smart switch" such that different
algorithms are used for different stages in a given series as required.
This enables good prediction of data series which change in nature over
time to be obtained.
Проанализированы данные по связей such as уровни движения в сети связей использующ методы приспособленные от изучения беспорядка. Предсказаны будущие значения серии данных по связей и структура attractor обусловлена от данных по связей. Это позволяет процессы связей быть проконтролированным, проконтролированным и проанализированным. Действие можно принять для того чтобы доработать сообщения отростчатые использующ результаты от структуры прогноза и attractor для уменьшения цен и для того чтобы улучшить представление и эффективность. Эти методы могут также быть использованы для данных по продукта от процесса производства. Составлен крен алгоритма содержа алгоритма прогнозирования целесообразные для по-разному типов серий данных, включая те exhibiting детерминистское поведение и те exhibiting стохастическое поведение. Недавние прошлые значения серии данных приняты и определены или ревизованы для того чтобы обусловить из алгоритмы в крене обеспечило бы оптимальный прогноз. Выбранный алгоритм после этого использован для того чтобы предсказать будущие значения серии данных. Оценка или процесс ревизовать снесены вне в реальное время и выбранный алгоритма прогнозирования использующ "франтовской переключатель" такие что по-разному алгоритмы использованы для по-разному этапов в, котор дали серии как необходимы. Это включает хороший прогноз серий данных изменяют по сути над временем быть полученным.
