网络质量需要根据历史数据来预测未来的结果，以指导最优点的选择，所以需要一个合理的预测算法。下面来简单介绍下解决方案。

移动平均预测

以历史7天的数据求平均值。存在下面的问题

SRTT预测

令SRTT = St, R’ = Yt, alpha = α，则RTT平滑过程可以描述为：

St = α Yt + (1 - α)St-1, 其中α = 1/8

假设时间序列为Y1, Y2,…, Yt …，则一次指数平滑公式为：

其中St为第t周期的一次指数平滑值，α为加权系数，0 < α < 1 。

将上述公式依次展开：

，于是上述公式变为：

由于0 < α < 1，当t趋于无穷时，由此可见St实际上是Yt,Yt-1, …, Yt-j, …的加权平均。加权系数分别为α, α(1-α), α(1-α)2,…, 是按几何级数衰减的，越近的数据权数越大，越远的数据权数越小，且权数之和等于1，即

其中初始平滑值S0(1)可以取第一个序列或者前3个序列的平均值。

可以将历史上所有的数据用起来，不存在选择多少天数据的问题，同时解决了中小和海外运营商的小样本问题
仅需要存储最近一期的真实数据及预测值，无需保留历史上的数据，计算速度快。
越近的数据权重越大，相对移动平均预测更快地反应了网络的变化
α取值越大，表示越注重近期数据影响，如果序列变化比较平稳或者不规则波动（毛刺），α应该取小一些以消除不规则变化的影响；如果序列变化有明显的趋势，则α应该取较大值，近期数据占有更大的权重，可以较快跟上变化的趋势。