Prévision du trafic

Un quatrième problème important est celui de la prévision du trafic. Ce problème est d'importance parce que la prévision du trafic est cruciale pour le contrôle de congestion, voire pour éviter la congestion, l'attribution dynamique de la bande passante, la négociation dynamique de contrat, l'ingénierie de trafic, etc. Des mécanismes plus précis pour éviter la congestion peuvent être mis en application en considérant à la fois la prévision du trafic et le contrôle de débit présentés précédemment. Nous avons également exploré cette problématique pour les raisons suivantes : $\bullet$

• à cause de sa relation directe avec les techniques de contrôle,
• parce que les réseaux de neurones (voir après) fonctionnent également bien pour ce type de tâche.

Cependant, il y a quelques difficultés qui ont empêché de réaliser de bons outils de prévision du trafic qui peuvent travailler dans des conditions réelles, principalement liées au fait que le trafic du réseau est, en général, un processus complexe, variable avec le temps, et non stationnaire. En outre, ce processus est régi par des paramètres et des variables qui sont très difficiles à mesurer. Parfois, il y a des parties complètement non prévisibles de ce processus (les fragments dites ``spikes'', voir la section 1.7.2.3). Par conséquent, un modèle précis de ce processus devient difficile à établir. En dépit de ces problèmes, la prévision du trafic est possible parce que des mesures ont montré que des dépendances à longue portée et à courte portée coexistent dans les réseaux. Par exemple, la quantité du trafic diffère le week-end de celle des jours de la semaine. Cependant, elle est souvent statistiquement semblable pour tous les week-ends, également pendant le même jour, les matins, les nuits, à quelques parties spécifiques du jour, etc. Il y a beaucoup de propositions dans la littérature pour la prévision du trafic [85,27,121,120,156,39]. Ces propositions se concentrent sur les dépendances à courte portée, négligeant d'une façon ou d'autre celles à longue portée. En examinant ces modèles sur de vraies traces durant plusieurs minutes ou même plusieurs heures, ils donnent des bons résultats. Cependant, en les utilisant pour prévoir le trafic pour des jours ou des semaines, leur performance se dégrade de manière significative. Notre but dans la thèse est de proposer un nouveau modèle pour la prévision du trafic qui tient compte simultanément des dépendances à longue portée et à courte portée.