诺基亚看衰电信网络市场短期前景 预计明年营收将下滑2%

简介:

据外媒报道,诺基亚预计全球电信网络市场短期内将继续萎缩,它预计明年公司营收将下滑2%,然而从长期角度来说,它仍然持乐观态度,预计这片市场和公司自己的业务将在2018年恢复增长。

诺基亚本周二在巴塞罗那召开的投资者会议上公布了它对未来业绩的预期,它警告说欧洲、大中华区和拉丁美洲的网络设备市场将在明年有所萎缩,而北美洲、中东/非洲和除中国外的亚洲市场明年将与今年持平。

诺基亚补充说,公司计划在2016年派发的股息为每股0.17欧元,略高于去年的每股0.16欧元,但低于市场分析师预测的每股0.19欧元。诺基亚去年还派发了每股0.10欧元的特别股息。

诺基亚宣布上述信息后,其股票应声下跌5.6%。

诺基亚称,公司预计全球部分市场将在2016年至2021年间出现反弹,而欧洲市场的同期表现可能是持平,大中华区则将继续萎缩。

为了更好地与爱立信和华为竞争,诺基亚在今年早些时候收购了法国对手阿尔卡特朗讯。

全球最大的移动设备厂商爱立信最近几个月的处境也异常艰难,发布了一系列利润预警。

爱立信上周表示,公司预计移动设备业务明年的营收将下滑2%到6%。

由于4G移动网络设备的市场需求普遍下滑,整个行业的景气度都不高,爱立信最近几个季度的营收持续下滑,公司已经多次下调业绩预期,最近还更换了首席执行官。业内人士普遍预计,下一代5G网络设备预计到2020年才会上市,在那之前网络设备市场显著恢复的可能性微乎其微。

诺基亚总裁兼首席执行官拉吉夫·苏里(Rajeev Suri)周二表示,公司在每一个领域的表现几乎都超过了爱立信。苏里说:“诺基亚不是爱立信,他们正处于危机之中。”

诺基亚称,虽然公司的网络设备营收可能会在明年有所下滑,但是在成本削减了8%到10%的支持下,这部分业务的营业利润率将不降反升。

本文转自d1net(转载)

目录
相关文章
|
9月前
|
机器学习/深度学习 算法 数据挖掘
基于WOA鲸鱼优化的BiLSTM双向长短期记忆网络序列预测算法matlab仿真,对比BiLSTM和LSTM
本项目基于MATLAB 2022a/2024b实现,采用WOA优化的BiLSTM算法进行序列预测。核心代码包含完整中文注释与操作视频,展示从参数优化到模型训练、预测的全流程。BiLSTM通过前向与后向LSTM结合,有效捕捉序列前后文信息,解决传统RNN梯度消失问题。WOA优化超参数(如学习率、隐藏层神经元数),提升模型性能,避免局部最优解。附有运行效果图预览,最终输出预测值与实际值对比,RMSE评估精度。适合研究时序数据分析与深度学习优化的开发者参考。
|
9月前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于GA遗传优化的BiLSTM双向长短期记忆网络序列预测算法matlab仿真,对比BiLSTM和LSTM
本内容包含基于BiLSTM与遗传算法(GA)的算法介绍及实现。算法通过MATLAB2022a/2024b运行,核心为优化BiLSTM超参数(如学习率、神经元数量),提升预测性能。LSTM解决传统RNN梯度问题,捕捉长期依赖;BiLSTM双向处理序列,融合前文后文信息,适合全局信息任务。附完整代码(含注释)、操作视频及无水印运行效果预览,适用于股票预测等场景,精度优于单向LSTM。
|
6月前
|
机器学习/深度学习 数据采集 资源调度
基于长短期记忆网络定向改进预测的动态多目标进化算法(LSTM-DIP-DMOEA)求解CEC2018(DF1-DF14)研究(Matlab代码实现)
基于长短期记忆网络定向改进预测的动态多目标进化算法(LSTM-DIP-DMOEA)求解CEC2018(DF1-DF14)研究(Matlab代码实现)
186 0
|
9月前
|
机器学习/深度学习 数据采集 调度
bp神经网络电力系统短期负荷预测
bp神经网络电力系统短期负荷预测
336 60
|
9月前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于PSO粒子群优化的BiLSTM双向长短期记忆网络序列预测算法matlab仿真,对比BiLSTM和LSTM
本项目基于MATLAB2022a/2024b开发,结合粒子群优化(PSO)算法与双向长短期记忆网络(BiLSTM),用于优化序列预测任务中的模型参数。核心代码包含详细中文注释及操作视频,涵盖遗传算法优化过程、BiLSTM网络构建、训练及预测分析。通过PSO优化BiLSTM的超参数(如学习率、隐藏层神经元数等),显著提升模型捕捉长期依赖关系和上下文信息的能力,适用于气象、交通流量等场景。附有运行效果图预览,展示适应度值、RMSE变化及预测结果对比,验证方法有效性。
|
9月前
|
机器学习/深度学习 数据采集 算法
基于GWO灰狼优化的BiLSTM双向长短期记忆网络序列预测算法matlab仿真,对比BiLSTM和LSTM
本项目基于Matlab 2022a/2024b实现,结合灰狼优化(GWO)算法与双向长短期记忆网络(BiLSTM),用于序列预测任务。核心代码包含数据预处理、种群初始化、适应度计算及参数优化等步骤,完整版附带中文注释与操作视频。BiLSTM通过前向与后向处理捕捉序列上下文信息,GWO优化其参数以提升预测性能。效果图展示训练过程与预测结果,适用于气象、交通等领域。LSTM结构含输入门、遗忘门与输出门,解决传统RNN梯度问题,而BiLSTM进一步增强上下文理解能力。
|
云安全 人工智能 安全
构建云上安全共同体 | 阿里云亮相2024年(第十三届)电信和互联网行业网络安全年会
构建云上安全共同体 | 阿里云亮相2024年(第十三届)电信和互联网行业网络安全年会
|
云安全 人工智能 安全
|
监控 关系型数据库 MySQL
【01】客户端服务端C语言-go语言-web端PHP语言整合内容发布-优雅草网络设备监控系统-硬件设备实时监控系统运营版发布-本产品基于企业级开源项目Zabbix深度二开-分步骤实现预计10篇合集-自营版
【01】客户端服务端C语言-go语言-web端PHP语言整合内容发布-优雅草网络设备监控系统-硬件设备实时监控系统运营版发布-本产品基于企业级开源项目Zabbix深度二开-分步骤实现预计10篇合集-自营版
469 0
|
机器学习/深度学习 存储 自然语言处理
从理论到实践:如何使用长短期记忆网络(LSTM)改善自然语言处理任务
【10月更文挑战第7天】随着深度学习技术的发展,循环神经网络(RNNs)及其变体,特别是长短期记忆网络(LSTMs),已经成为处理序列数据的强大工具。在自然语言处理(NLP)领域,LSTM因其能够捕捉文本中的长期依赖关系而变得尤为重要。本文将介绍LSTM的基本原理,并通过具体的代码示例来展示如何在实际的NLP任务中应用LSTM。
1370 4

热门文章

最新文章