【文章內(nèi)容簡介】 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。1) 時間序列法中南大學(xué)碩士學(xué)位論文 第一章 緒論3話務(wù)量數(shù)據(jù)是按照時間先后排列在一起的，因此它符合時間序列(Time series)的特點。經(jīng)常被采用的時間序列模型有以下幾種：自回歸模型(AR) 、動平均模型(MA) 、自回歸 動平均模型(ARMA)和累積式自回歸 動平均模型(ARIMA)等 [15]。付楚勝根據(jù)線性預(yù)測理論，摒棄傳統(tǒng)的憑經(jīng)驗確定系數(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)計和預(yù)測的新方法 [6]。雖然預(yù)測模型需改進(jìn)的地方還很多，精度不高，但仍具有一定的指導(dǎo)意義。胡煜利用改進(jìn)的 AR 模型預(yù)測話務(wù)量，并重點闡述了話務(wù)量數(shù)據(jù)預(yù)處理的重要性和過程 [7]。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。電子科技大學(xué)向炳新通過一種時間序列較優(yōu)周期搜尋算法和節(jié)假日話務(wù)量自適應(yīng)預(yù)測算法分別對平時和節(jié)假日的話務(wù)量進(jìn)行預(yù)測 [9]。作者通過較優(yōu)周期搜尋算法得到的最優(yōu)周期為 7，但這個結(jié)論通過常識或者相關(guān)性分析等簡單的分析方法就能得到，然而通過大量的計算后得到以周為周期的結(jié)論顯然有點嘩眾取寵。對于節(jié)假日話務(wù)量的預(yù)測，作者巧妙的引入水平和速度分析的思想獲得了較高的預(yù)測精度。這種將平日和節(jié)假日分開預(yù)測的方法雖然建模過程比較繁瑣，但在工程實踐中仍可權(quán)衡使用。黃健聰、萬海等使用基于時序匹配模型的 k近鄰算法從歷史話務(wù)量中尋找與待預(yù)測時刻話務(wù)量的最相似模式 [10]，這種方法準(zhǔn)確度較高，實現(xiàn)容易，缺點是算法過程和參數(shù)常常需要人工定義，主觀性較大，而且匹配實例所需的時間較長。2) 回歸分析法回歸分析法是研究變量與變量之間的一種數(shù)學(xué)方法，即通過對變量的觀測數(shù)據(jù)進(jìn)行統(tǒng)計分析，確定變量之間的相互關(guān)系，從而實現(xiàn)預(yù)測的目的 [11]。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。陶偉宜針對移動通信話務(wù)量與市場用戶和相應(yīng)資費政策相關(guān)的特點，采用回歸預(yù)測方法，建立了基于市場用戶數(shù)及每用戶收入的話務(wù)量預(yù)測模型，并對模型進(jìn)行了經(jīng)濟(jì)學(xué)意義上的檢驗 [12]。作者提出，話務(wù)量的變化趨勢不能單純由“時間”因素來描述，其發(fā)展變化主要由市場用戶增長和每用戶收入的變化決定。這種預(yù)測方法更接近于話務(wù)量變化的實際原因，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。但影響話務(wù)量變化的因素相互耦合，如何合理有效中南大學(xué)碩士學(xué)位論文 第一章 緒論4的解耦是需要進(jìn)一步解決的問題。3) 神經(jīng)網(wǎng)絡(luò)法神經(jīng)網(wǎng)絡(luò)是由許多并行運算的功能簡單的神經(jīng)元組成，是一個非線性動力學(xué)系統(tǒng) [1316]。單個神經(jīng)元的作用是實現(xiàn)輸入到輸出的一個非線性函數(shù)關(guān)系。它們之間廣泛的連接組合就使得整個神經(jīng)網(wǎng)絡(luò)具有了復(fù)雜的非線性特性。神經(jīng)網(wǎng)絡(luò)將大量的信息存儲在其連接權(quán)值上，根據(jù)一定的學(xué)習(xí)算法調(diào)節(jié)權(quán)值，使神經(jīng)網(wǎng)絡(luò)實現(xiàn)從 M 維空間向 N 維復(fù)雜空間的非線性映射。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，可實現(xiàn)任何復(fù)雜的函數(shù)映射。短期話務(wù)量預(yù)測的需要考慮各種因素對話務(wù)量的影響，這些影響因素呈現(xiàn)的是復(fù)雜的非線性特性。而神經(jīng)網(wǎng)絡(luò)正適于解決非線性復(fù)雜映射的問題，因此，不少的研究者已經(jīng)將其應(yīng)用于話務(wù)量的預(yù)測中。董景榮提出一種BP神經(jīng)網(wǎng)絡(luò)對長途電話話務(wù)量進(jìn)行組合預(yù)測的方法 [17]，應(yīng)用于預(yù)測長途電話的發(fā)展前景。南京大學(xué)李千目、戚涌等利用模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行移動網(wǎng)通訊流量預(yù)測 [18]，為流量控制提供依據(jù)。華僑大學(xué)陳曉峰設(shè)計了基于BP算法的話務(wù)量預(yù)測模型 [19]，并與移動時間序列法進(jìn)行對比，證明了神經(jīng)網(wǎng)絡(luò)方法的準(zhǔn)確度更高。除了以上幾種典型的預(yù)測方法外，還有研究者提出了灰色模型預(yù)測以及多種模型組合預(yù)測等方法。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。溫長洋、姚敏等將原始數(shù)據(jù)通過回歸分析模型、指數(shù)平滑模型和灰色預(yù)測模型分別產(chǎn)生預(yù)測值，再將這些預(yù)測值經(jīng)過加權(quán)組合，獲得最后的預(yù)測值 [21]。而加權(quán)組合運算中的權(quán)值則是利用人工神經(jīng)網(wǎng)絡(luò)的非線性變換能力通過學(xué)習(xí)來確定。這種方法的計算量過大，而且組合預(yù)測的精度并不一定比單個模型預(yù)測好。 綜上所述，以上的話務(wù)量預(yù)測方法在預(yù)測精度和時效性上缺點明顯。隨著對話務(wù)量預(yù)測研究的深入，以及各種新預(yù)測技術(shù)的出現(xiàn)，必將出現(xiàn)更適應(yīng)于電信企業(yè)應(yīng)用實際的話務(wù)量預(yù)測方法。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。 研究內(nèi)容與研究目標(biāo)本文在研究話務(wù)量的特性和當(dāng)前最新預(yù)測技術(shù)的基礎(chǔ)上，采用某省電信分中南大學(xué)碩士學(xué)位論文 第一章 緒論5公司綜合結(jié)算系統(tǒng)的實際話務(wù)量數(shù)據(jù)建立基于聚類預(yù)處理和支持向量機(jī)的話務(wù)量預(yù)測模型。主要研究內(nèi)容為以下幾個方面：1) 分析話務(wù)量特性、話務(wù)量預(yù)測的特點在進(jìn)行話務(wù)預(yù)測建模之前，深入分析話務(wù)量的特性，將話務(wù)總量進(jìn)行分解，以掌握影響話務(wù)量預(yù)測的各種不確定因素，同時分析話務(wù)量周期性的特點。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，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)。2) 話務(wù)量預(yù)測的聚類預(yù)處理技術(shù)分析電信話務(wù)量的特性和話務(wù)量預(yù)測的特點說明了進(jìn)行聚類預(yù)處理的必要性，選擇具有代表性的訓(xùn)練樣本是保證話務(wù)量預(yù)測精度的重要因素。針對話務(wù)量變化的周期性特點，應(yīng)用模糊聚類分析的基本原理，引入話務(wù)量特征量的“相似度”概念，依據(jù)輸入樣本的相似度選擇訓(xùn)練樣本，保證數(shù)據(jù)特征的一致性，強(qiáng)化歷史數(shù)據(jù)規(guī)律。3) 提出了基于支持向量機(jī)的話務(wù)量預(yù)測模型根據(jù)了解支持向量機(jī)(SVM)的原理以及分析 SVM 的預(yù)測能力，在聚類預(yù)處理的基礎(chǔ)上，首次提出將支持向量回歸算法用于話務(wù)量預(yù)測，建立了基于 SVM的話務(wù)量預(yù)測模型，得到話務(wù)量的預(yù)測值。4) 研究支持向量機(jī)參數(shù)優(yōu)選方法，提出“拐點法” 優(yōu)選核參數(shù)。通過分析 SVM 的預(yù)測能力，進(jìn)一步的了解了支持向量機(jī)的特點以及 SVM參數(shù)對預(yù)測能力的影響。對預(yù)測精度影響較大的核函數(shù)參數(shù)，本文提出“拐點法” ，優(yōu)選高斯核函數(shù)參數(shù)。基于上述研究內(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)量大小的計算、判斷、預(yù)報的目的。本研究可以實現(xiàn)以下目標(biāo)：1) 從話務(wù)量的特性和話務(wù)量預(yù)測的特點入手來探討最合適的話務(wù)量預(yù)測方法，不同于以往忽視事物的本質(zhì)內(nèi)在規(guī)律而只強(qiáng)調(diào)最新預(yù)測方法的應(yīng)用，生搬硬套的做法。2) 對于支持向量機(jī)在大樣本集學(xué)習(xí)中存在的固有缺點，探索一種既能提高精度又能保證速度的方法。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。4) 針對話務(wù)量預(yù)測的應(yīng)用要求，探討一種簡單有效的增量學(xué)習(xí)策略。中南大學(xué)碩士學(xué)位論文 第一章 緒論6 論文構(gòu)成論文以電信話務(wù)量的預(yù)測為研究對象，進(jìn)行話務(wù)量特性分析，提出了在聚類預(yù)處理的基礎(chǔ)上基于 SVM 的話務(wù)量預(yù)報策略，解決了話務(wù)量預(yù)測研究中預(yù)測精度不高，實用性低等問題。針對電信現(xiàn)有業(yè)務(wù)支撐系統(tǒng)的實際情況，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。論文的結(jié)構(gòu)安排如下：第二章首先分析了話務(wù)量的基本組成，并對具有較強(qiáng)規(guī)律性的典型話務(wù)分量進(jìn)行分析，給出了本文進(jìn)行話務(wù)量預(yù)測的基本過程；然后在之前的基礎(chǔ)上論述了進(jìn)行聚類預(yù)處理的必要性；最后詳細(xì)描述了利用加權(quán) FCM 聚類算法進(jìn)行話務(wù)量聚類預(yù)處理的的方法和過程。第三章首先介紹支持向量機(jī)的基本原理以及支持向量回歸(SVR)算法；然后研究了支持向量回歸機(jī)的預(yù)測能力，主要是通過仿真實驗研究 SVR 的內(nèi)插性能、外推性能和抗噪聲性能。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“拐點法”優(yōu)選 SVM 的核參數(shù)，并通過仿真試驗證明了該預(yù)測模型較其他傳統(tǒng)方法的優(yōu)勢。根據(jù)實際應(yīng)用的需要，闡述了預(yù)測模型的增量在線學(xué)習(xí)方法和步驟，并通過一個應(yīng)用話務(wù)量預(yù)測結(jié)果進(jìn)行話務(wù)流量監(jiān)控的實例，說明在實際應(yīng)用環(huán)境中高精度話務(wù)預(yù)測的重要性。第五章簡要總結(jié)本論文研究成果，展望下一步的研究工作。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)7第二章 話務(wù)量預(yù)測的聚類預(yù)處理技術(shù)話務(wù)量預(yù)測是通訊網(wǎng)絡(luò)系統(tǒng)建設(shè)和制定營銷策略的重要手段之一，預(yù)測精度越高，越有利于電信企業(yè)進(jìn)行合理的通訊網(wǎng)絡(luò)規(guī)劃和制定更精準(zhǔn)的市場營銷策略。然而，話務(wù)量的走勢和人們的經(jīng)濟(jì)、生活、工作等息息相關(guān)，同時也與電信企業(yè)的發(fā)展密切聯(lián)系，因此在進(jìn)行預(yù)測之前，要充分考慮話務(wù)量的特性、分析話務(wù)量預(yù)測的特點、理解話務(wù)量預(yù)測的基本過程，本章正是在分析話務(wù)量特性和預(yù)測特點的基礎(chǔ)上，提出了使用加權(quán) FCM 聚類算法對話務(wù)量原始數(shù)據(jù)進(jìn)行預(yù)處理。 電信話務(wù)量話務(wù)量是電信業(yè)務(wù)流量的簡稱。它既用來表示電信設(shè)備承受的負(fù)載量,也用來表示用戶對電信需求的程度。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。流入話務(wù)量取決于單位時間內(nèi)發(fā)生的平均呼叫次數(shù)與每次呼叫平均占用無線波道的時間。在系統(tǒng)流入的話務(wù)量中，完成接續(xù)的那部分話務(wù)量稱作完成話務(wù)量，未完成接續(xù)的那部分話務(wù)量稱做損失話務(wù)量，損失話務(wù)量與流入話務(wù)量之比稱為呼損率。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)。單位時間內(nèi)通信的次數(shù)越多,每次通信占用的時間越長,觀測的時間越長,那么話務(wù)量就越大。由于通信次數(shù)、每次通信占用時間的長短等都是變化著的,所以話務(wù)量也是一個隨時間變化的量,即是一個“隨機(jī)變量”。 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。因此分析話務(wù)量特性對掌握話務(wù)預(yù)測本質(zhì)，提高話務(wù)預(yù)測的精度有著重要的意義，尤其是對精度要求較高的短期話務(wù)量預(yù)測。電信話務(wù)量的變化一方面有著其不確定性，如通訊線路的破壞、通訊設(shè)備的故障等造成對話務(wù)量的隨機(jī)性干擾。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。因此，在進(jìn)行話務(wù)量的預(yù)測時，針對這些特點，既要充分分析、掌握并利用其規(guī)律性，又要兼顧各種因素的影響。為了深入掌握影響話務(wù)量預(yù)測的各種不確定因素，將話務(wù)量分為四種分量進(jìn)行分析?？傇拕?wù)量可以表示為下列形式：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)8Y(t)=N(t)+W(t)+S(t)+R(t) (21)其中 Y(t)為 t 時刻的總話務(wù)量值，N(t)稱為 t 時刻的典型話務(wù)分量值，W(t)為 t 時刻的敏感話務(wù)分量值，S(t)為特殊事件話務(wù)分量值，R(t)為隨機(jī)話務(wù)分量值。(1) 典型話務(wù)分量值N(t)也可稱為正常話務(wù)，它與其他因素?zé)o關(guān)，具有線性變化和周期變化的特點。線性變化描述日平均話務(wù)量變化規(guī)律，而周期變化描述以 24 小時為周期的變化規(guī)律?？梢杂镁€性變化模型和周期性變化模型來描述，或者以兩者的合成模型來描述。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。其差異性主要體現(xiàn)在兩方面：一是話務(wù)量種類，二是話務(wù)成分所占比重。不同組成的話務(wù)量在這兩方面的差異決定了他們的話務(wù)特性以及受影響因素的響應(yīng)特性互不相同。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。例如，當(dāng)預(yù)測某個運營商下個月的話務(wù)量時，該運營商的活躍用戶數(shù)以及對電信公司的最新資費政策就成為敏感度更高的影響因素；同理，當(dāng)預(yù)測某臺交換機(jī)下一時刻話務(wù)量時，該時刻對應(yīng)的相關(guān)歷史數(shù)據(jù)的敏感度更高。(2) 敏感話務(wù)分量W(t)與一系列的敏感事件有關(guān)，如相對通訊資費水平、天氣因素的影響等。由于通訊競爭加劇，通信資費的調(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。這種沖擊類似于低階動態(tài)系統(tǒng)的階躍響應(yīng)，只是幅度和時滯有所不同。此外，天氣對人們的生活習(xí)慣產(chǎn)生影響，間接的影響話務(wù)量，這也是話務(wù)量季節(jié)模型的基礎(chǔ)。根據(jù)大量的歷史話務(wù)量數(shù)據(jù)和資費數(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)。(3) 特殊事件話務(wù)分量S(t)使話務(wù)量明顯偏離典型話務(wù)特性，如系統(tǒng)故障，線路意外破壞、重大焦點事件或者電話投票等。由于這類事件的隨機(jī)性，需要由經(jīng)驗豐富的統(tǒng)計員參與判斷。在各種話務(wù)量預(yù)測模型中這部分分量往往需要通過人工修正得以改進(jìn)。(4) 隨機(jī)話務(wù)分量R(t)值在總話務(wù)量中提取出 N(t