基于机器学习的家庭宽带光链路传输质量预测与优化

张亮

doi:10.16009/j.issn.1009-5624.2026.15.041

信息记录材料 ›› 2026, Vol. 27 ›› Issue (15) : 125 -127. DOI: 10.16009/j.issn.1009-5624.2026.15.041

基于机器学习的家庭宽带光链路传输质量预测与优化

张亮

作者信息 +

Author information +

文章历史 +

摘要

针对家庭宽带光链路传输质量(QoT)受分光结构、环境干扰、用户负载等多因素耦合影响，传统预测方法精度低、优化策略滞后的问题，本研究提出一种融合多粒度特征与机器学习模型的QoT预测及优化技术。通过采集光功率监控数据、用户行为数据及环境参数，构建光功率时序特征提取机制，结合长短期记忆网络(LSTM)、梯度提升树(GBDT)、随机森林(RF)模型实现时间-空间双粒度QoT预测，进而提出分光结构优化与主动干预的组合策略。实验结果表明：该预测模型QoT预测准确率达93.2%,优化方案实施后，家庭宽带故障发生率下降42.1%,用户满意度提升至93.5%,有效解决了QoT波动与故障响应滞后的核心问题。