【正文】 ,。另外，由于各種特殊節(jié)假日具有年周期性，故原始訓(xùn)練集中至少需要包含一年的樣本才能通過學(xué)習(xí)獲取其話務(wù)量的變化規(guī)律，而要預(yù)測的話務(wù)量是以小時為單位產(chǎn)生的，總樣本數(shù)將達(dá)到 8760(36524)個 。其中 為學(xué)習(xí)率，(j jCFuzines??????為式(210) 所示。通過調(diào)整屬性權(quán)重，使相似數(shù)據(jù)間的距離靠近，不相似數(shù)據(jù)間的距離拉大，即 或 1，這樣得到的聚類結(jié)()0?wij?果模糊性小，而且類內(nèi)相似性大，類間相似性小。Step3：根據(jù)式(23)計(jì)算目標(biāo)函數(shù)。(5) 基于模型的方法(modelbased method)基于模型的方法為每個簇假定了一個模型，尋找數(shù)據(jù)對給定模型的最佳擬合。如果聚類分析被用作描述或探查的工具，則可以對同樣的數(shù)據(jù)嘗試多種算法。研究產(chǎn)生預(yù)測誤差的原因，計(jì)算并分析誤差的大小是預(yù)測過程中非常重要的一步。這主要是因?yàn)榈赜虿煌?，氣候變化、人們的生活?guī)律都不盡相同，所以間接的影響了話務(wù)量的變化規(guī)律。通過話務(wù)量的特性分析，影響話務(wù)量的一些重要因素逐漸清晰起來。谷量出現(xiàn)在午夜凌晨時段，這時人們大都處于休息的狀態(tài)。由于通訊競爭加劇，通信資費(fèi)的調(diào)整頻度越來越密、優(yōu)惠措施越來越多樣化，這些都對話務(wù)量產(chǎn)生了持久或暫時的沖擊。 話務(wù)量特性分析話務(wù)預(yù)測是根據(jù)話務(wù)量的歷史資料和現(xiàn)有信息，建立恰當(dāng)?shù)臄?shù)學(xué)模型對未來的話務(wù)量進(jìn)行預(yù)測。針對電信現(xiàn)有業(yè)務(wù)支撐系統(tǒng)的實(shí)際情況，對預(yù)報模型進(jìn)行改進(jìn)，研究了增量在線預(yù)測的策略。因此，進(jìn)一步的研究工作應(yīng)該放在深入研究電信話務(wù)量特性及如何應(yīng)用新的預(yù)測技術(shù)對話務(wù)量進(jìn)行更精準(zhǔn)的預(yù)測上，從精度和速度兩方面提高話務(wù)量預(yù)測水平。單個神經(jīng)元的作用是實(shí)現(xiàn)輸入到輸出的一個非線性函數(shù)關(guān)系。付楚勝根據(jù)線性預(yù)測理論，摒棄傳統(tǒng)的憑經(jīng)驗(yàn)確定系數(shù)的引力法和吸引系數(shù)法，采用自適應(yīng)時間序列算法，提出了一種依賴于歷史數(shù)據(jù)的話務(wù)量統(tǒng)計(jì)和預(yù)測的新方法 [6]。話務(wù)預(yù)測技術(shù)是通訊網(wǎng)絡(luò)系統(tǒng)設(shè)計(jì)、規(guī)劃和優(yōu)化的重要手段之一，同時也能為電信企業(yè)制定營銷策略提供決策支持。由于影響話務(wù)量的因素繁多且復(fù)雜，若對輸入不加適當(dāng)選擇處理會導(dǎo)致預(yù)測精度降低，訓(xùn)練時間增加。雖然話務(wù)預(yù)測的研究已有 20 多年歷史，并形成了一些話務(wù)預(yù)測方法，但是隨著新理論和新技術(shù)的發(fā)展，對話務(wù)預(yù)測新方法的研究仍在不斷地深入進(jìn)行。目前國內(nèi)幾大電信企業(yè)已完成了業(yè)務(wù)支撐系統(tǒng)的升級和改造工作，實(shí)現(xiàn)了電信運(yùn)營服務(wù)的整體自動化流程處理和管理平臺。實(shí)踐證明，沒有一個預(yù)測方法是絕對準(zhǔn)確的，也沒有一個方法能適應(yīng)所有的電信業(yè)務(wù)預(yù)測要求。這種預(yù)測方法更接近于話務(wù)量變化的實(shí)際原因，預(yù)測結(jié)果能為電信企業(yè)制定市場營銷決策提供參考。這種方法的計(jì)算量過大，而且組合預(yù)測的精度并不一定比單個模型預(yù)測好。3) 具體研究支持向量機(jī)參數(shù)對預(yù)測能力的影響，提出一種方便快捷且具有較強(qiáng)指導(dǎo)意義的參數(shù)優(yōu)選方法。話務(wù)量的大小與用戶數(shù)量、用戶通信的頻繁程度、每次通信占用的時間長度以及觀測的時間長度有關(guān)。究其原因，不同的組成成分對各影響因素的靈敏度不同，表現(xiàn)出不同的響應(yīng)特性。(1) 日周期性日周期性是指以 24 小時為周期的話務(wù)量變化，通常根據(jù)變化規(guī)律的不同將每日內(nèi)的話務(wù)量分為峰量、谷量和腰量。在節(jié)假日里，話務(wù)量的波動很大，但一天的總量比普通上班日和雙休日都低。如果歷史數(shù)據(jù)含有類似的事件，則有可能通過對歷史規(guī)律的學(xué)習(xí)獲取這種規(guī)律性。由于模型選擇不當(dāng)而造成預(yù)測誤差過大時，就需要改換更合適的模型，必要時還可以同時采用幾種數(shù)學(xué)模型進(jìn)行運(yùn)算，以便對比、選擇。聚類分析首先要對進(jìn)行聚類的個體定義一種能夠反應(yīng)個體間相似程度的度量，一般用樣本間的各種距離來度量，按照設(shè)定條件將相似程度較大的個體聚合為一類。中南大學(xué)碩士學(xué)位論文 第二章 話務(wù)量預(yù)測的聚類預(yù)處理技術(shù)14(4) 基于網(wǎng)格的方法(gridbased method)基于網(wǎng)格的聚類方法采用一個多分辨率的網(wǎng)格數(shù)據(jù)結(jié)構(gòu)，把對象空間量化為有限數(shù)目的單元，形成了一個網(wǎng)格結(jié)構(gòu)。對所有輸入?yún)⒘壳髮?dǎo)，使式(23)達(dá)到最小的必要條件為：中南大學(xué)碩士學(xué)位論文 第二章 話務(wù)量預(yù)測的聚類預(yù)處理技術(shù)15 (25)1??nmij=iijuxA和 (26)2/(1)1??????ij mcijp=ud由上述兩個必要條件，F(xiàn)CM 聚類算法是一個簡單的迭代過程。當(dāng) wk=1 時，第 k 維屬性()wij對應(yīng)的坐標(biāo)軸在數(shù)據(jù)空間中不變，在聚類過程中發(fā)揮其全部作用；w k 的值越小，該屬性對應(yīng)的坐標(biāo)軸被壓縮的程度也就越大，在聚類過程中發(fā)揮的作用就越?。划?dāng) wk=0 時，該屬性從數(shù)據(jù)空間中消失，在聚類過程中不發(fā)揮任何作用。 (213)2/(1))1????????ij mwcijpd (214)1nijjimijjUXA??加權(quán) FCM 聚類算法的步驟按照以下步驟進(jìn)行：(1) 使用梯度遞減算法學(xué)習(xí)輸入維度的權(quán)重a) 通過公式(28)確定 值。其中 為矩陣范數(shù)。X 的模糊 c 劃分可以用 c 個子集的特征函數(shù)值構(gòu)成的模糊聚類矩陣[0,1]ik?來表示。聚12(,.)(,2.)TniiiDARic類中心矩陣表示為 。目前對于大樣本訓(xùn)練，最具代表性的是基于分解思想 [38, 39]的 SMO 算法 [40]，該算法把較大的二次規(guī)劃問題轉(zhuǎn)化為一系列最小的二次規(guī)劃子問題，再進(jìn)行解析求解。(2) 給定初始聚類數(shù) c，設(shè)定迭代停止條件 e，初始化聚類中心矩陣 A=A(0)和模糊矩陣 U=U(0)，設(shè)置迭代計(jì)數(shù)器 b’=0；(3) 按下式更新模糊劃分矩陣 U(b’)： (215)(39。()wij?ij ()CFuzinesw()CFuzinesw(2) ( = )=0 或 1，函數(shù) 取得最小值，即=0。返回 Step2。實(shí)際應(yīng)用中廣泛使用的是基于目標(biāo)函數(shù)的模糊聚類方法，它屬于劃分方法。一個好的劃分準(zhǔn)則是：在同一類中的對象盡可能相近，而不同類的對象盡可能遠(yuǎn)離。但對于錯綜復(fù)雜的話務(wù)量變化來說，這樣的模型只是一種簡單話的反映，仍與實(shí)際話務(wù)量之間存在差距。所以需要考慮不同話務(wù)量條件下的數(shù)學(xué)模型選擇。話務(wù)量預(yù)測具有如下特點(diǎn)：(1) 不確定性話務(wù)量未來的發(fā)展是不確定的，它要受到不可預(yù)測的市場競爭措施、政策、用戶習(xí)慣等多方面因素的影響，而且各種因素也是變化發(fā)展的。(2) 周周期性話務(wù)量變化的周周期性主要體現(xiàn)在話務(wù)量 7 天為變化周期的特性，如圖 22 所示。根據(jù)大量的歷史話務(wù)量數(shù)據(jù)和資費(fèi)數(shù)據(jù)，進(jìn)行數(shù)據(jù)處理和相關(guān)性分析，在此基礎(chǔ)上建立話務(wù)量季節(jié)變動預(yù)測模型可以確定 W(t)。另一方面，在正常的條件下，話務(wù)量按一定趨勢有規(guī)律的發(fā)展變化。第四章主要是建立基于支持向量機(jī)的話務(wù)量預(yù)測模型，提出“拐點(diǎn)法”優(yōu)選 SVM 的核參數(shù)，并通過仿真試驗(yàn)證明了該預(yù)測模型較其他傳統(tǒng)方法的優(yōu)勢。在以上工作的基礎(chǔ)上，結(jié)合各種話務(wù)量預(yù)測方法的優(yōu)點(diǎn)，給出本文進(jìn)行話務(wù)量預(yù)測的主要方法和過程，為本文研究工作的開展奠定重要基礎(chǔ)。在理論上已證明一個多層神經(jīng)網(wǎng)絡(luò)具有任意函數(shù)逼近能力，可實(shí)現(xiàn)任何復(fù)雜的函數(shù)映射。薄今綱、于敏芳等人應(yīng)用帶兩個周期乘積的ARIMA 模型獲取話務(wù)量特性，建立季節(jié)模型描述實(shí)際的話務(wù)量序列 [8]，通過模型的多次調(diào)整使預(yù)測相對誤差保持在 2%左右，但這種方法自動化程度不高，其獲得高預(yù)測精度所依賴的模型修正方法并不具有一般性，且對于節(jié)假日等特殊時段的預(yù)測方法和結(jié)果，作者并沒有作說明。2) 預(yù)測模型復(fù)雜，實(shí)用性不強(qiáng)由于節(jié)假日與平常的話務(wù)量變化規(guī)律不一致，因此在應(yīng)用時間序列方法對話務(wù)量進(jìn)行建模預(yù)測時，往往需要分別對節(jié)假日、周末以及工作日建模。本文分析了支持向量機(jī)的基本原理，支持向量機(jī)具有非線性擬合、泛化能力強(qiáng)、訓(xùn)練收斂速度快等顯著特點(diǎn)。 作者簽名： 日期： 年 月 日學(xué)位論文版權(quán)使用授權(quán)書本人了解中南大學(xué)有關(guān)保留、使用學(xué)位論文的規(guī)定，即：學(xué)校有權(quán)保留學(xué)位論文并根據(jù)國家或湖南省有關(guān)部門規(guī)定送交學(xué)位論文，允許學(xué)位論文被查閱和借閱；學(xué)校可以公布學(xué)位論文的全部或部分內(nèi)容，可以采用復(fù)印、縮印或其它手段保存學(xué)位論文。但與此同時，各運(yùn)營商之間的競爭愈加激烈，競爭的加劇迫使各運(yùn)營商千方百計(jì)的挖掘自身潛力，從技術(shù)和服務(wù)兩方面入手，不斷的提高客戶滿意度和管理決策準(zhǔn)確度。只有密切注意到話務(wù)量具有這些重要特征，才能有針對性的提出一套實(shí)際可行的方法，本文正是在總結(jié)了現(xiàn)有的話務(wù)量預(yù)測方法并分析話務(wù)量特性及預(yù)測特點(diǎn)后，在話務(wù)量聚類預(yù)處理基礎(chǔ)上，利用目前已廣泛應(yīng)用于預(yù)測領(lǐng)域的支持向量機(jī)回歸方法對話務(wù)量預(yù)測過程建模，提出基于支持向量機(jī)的電信話務(wù)量預(yù)測新方法，以提高預(yù)測精度和時效性，該研究對于高精度和高效率的電信話務(wù)量預(yù)測具有重要的理論意義和實(shí)用價值。在話務(wù)量預(yù)測中，根據(jù)歷史數(shù)據(jù)和一些影響話務(wù)量變化的因素來推斷將來時刻的話務(wù)量。楊曉波引入灰色模型預(yù)測電信業(yè)務(wù)的發(fā)展趨勢，首先通過累加生成算法得出生成數(shù)列，并在此基礎(chǔ)上建立灰微分方程，接著通過對模型的檢驗(yàn)和誤差修正，獲得合理有效的灰色預(yù)測模型 [20]；然而灰色模型法較適宜近期預(yù)測，采用灰色模型預(yù)測的誤差率在 5%左右，誤差較大?；谏鲜鲅芯績?nèi)容，主要是應(yīng)用多種智能技術(shù)進(jìn)行組合，從話務(wù)量的特性入手，建立話務(wù)量預(yù)測模型，通過學(xué)習(xí)包含歷史話務(wù)量時間序列和影響話務(wù)量變化重要因素的輸入樣本，達(dá)到對未來話務(wù)量大小的計(jì)算、判斷、預(yù)報的目的。在移動電話系統(tǒng)中，話務(wù)量可分為流入話務(wù)量和完成話務(wù)量。典型話務(wù)量的不同主要是由于不同的話務(wù)量組成方式所引起的。電信話務(wù)量的變化是遵循一定規(guī)律的，這個規(guī)律主要體現(xiàn)在周期性上，究其原因，是人們的生產(chǎn)、生活具有規(guī)律性，因此話務(wù)量變化也具有規(guī)律性。年周期性與季節(jié)關(guān)系密切，而季節(jié)變化對人們生產(chǎn)生活的影響程度也與地域有很大的關(guān)系。如果話務(wù)量的過去和現(xiàn)在的發(fā)展直接延伸到未來，沒有什么重大的干擾和破壞，或完整的記錄了這些突發(fā)事件，可將這些歷史數(shù)據(jù)模型化來類比現(xiàn)在、預(yù)測未來。中南大學(xué)碩士學(xué)位論文 第二章 話務(wù)量預(yù)測的聚類預(yù)處理技術(shù)12這個過程叫做平穩(wěn)化異常值和補(bǔ)遺缺失值。這里討論的預(yù)測誤差性能指標(biāo)如下：(1) 相對誤差，用 RE 表示，它可以描述某一時刻 t 預(yù)測效果的好壞，計(jì)算公式為： ，其中 是實(shí)際值， 是預(yù)測值。(3) 基于密度的方法(densitybased method)提出基于密度的聚類方法是為了發(fā)現(xiàn)任意形狀的聚類結(jié)果。與引入模糊劃分相適應(yīng)，隸屬矩陣 U 允許有取值在 0 到1 之間的元素。這里定義一種靈活可變的基于歐氏距離的相似性度量： (27)()()1???wij wijd??是[0, 1]的一個常數(shù)，期望能通過調(diào)整 使得 的值近似均勻地分布在[0, 1]??()wij?內(nèi)，因而 可按下式確定： (28)()??????ijijnd式(28)中 為普通的歐氏距離，而式(27) 中 是基于屬性權(quán)重的歐氏距離，ijd()wijd定義如下：()wij中南大學(xué)碩士學(xué)位論文 第二章 話務(wù)量預(yù)測的聚類預(yù)處理技術(shù)16 (29)()221()???Dwijkijkdx式(29)中 w=(w1, w2, …, wD)是與輸入屬性相對應(yīng)的一個權(quán)重矢量， 描[0,1]kw?述第 k 維屬性在聚類中的重要性。選用常見的梯度遞減算法極小化 函數(shù)，得到屬性的權(quán)重矢量(CFuzinesw，進(jìn)而可以得到加權(quán)后的歐氏距離。)???nbmijjjbi ijjUXA(5) 若 ，停止并輸出模糊劃分矩陣 U 和聚類中心矩陣 A；(39。由于只采用與預(yù)測樣本特征相似的樣本作為訓(xùn)練樣本建立支持向量技預(yù)測模型，減少了計(jì)算量，提高預(yù)測精度和速度。話務(wù)中南大學(xué)碩士學(xué)位論文 第二章 話務(wù)量預(yù)測的聚類預(yù)處理技術(shù)20量聚類預(yù)處理的具體步驟為：Step1: 對歷史話務(wù)量數(shù)據(jù)和相關(guān)輸入維度數(shù)據(jù)進(jìn)行初始預(yù)處理，主要包括對丟失數(shù)據(jù)進(jìn)行填補(bǔ)、清除不完整的數(shù)據(jù)、合并重復(fù)數(shù)據(jù)等數(shù)據(jù)清洗以及數(shù)據(jù)歸一化等。然而在優(yōu)化學(xué)習(xí)過程中，將大量時間花費(fèi)在非SV 樣本的優(yōu)化上了，若能預(yù)先去除這些不重要的樣本點(diǎn)，必將大大的減少計(jì)算量，加快 SVM 的訓(xùn)練速度。1?????????bij mbcijpd其中 為加權(quán)后的歐氏距離。?wijijs?；39。 加權(quán) FCM 聚類算法如上節(jié)所述，從公式(23)可以看出，F(xiàn)CM聚類算法是基于歐氏距離來計(jì)算樣本間相似度的，而歐氏距離假定了每一個輸入維度在聚類過程中的重要性是相同的。FCM 聚類算法是一種基于劃分的聚類算法，它的思想就是使得被劃分到同一簇的對象之間相似度最大，而不同簇之間的相似度最小。(2) 層次方法(hierarchical method)層次方法對給定數(shù)據(jù)對象集合進(jìn)行層次的分解。(4) 意外事件的