【文章內容簡介】 明，沒有一個預測方法是絕對準確的，也沒有一個方法能適應所有的電信業(yè)務預測要求。1) 時間序列法中南大學碩士學位論文 第一章 緒論3話務量數(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，采用自適應時間序列算法，提出了一種依賴于歷史數(shù)據(jù)的話務量統(tǒng)計和預測的新方法 [6]。雖然預測模型需改進的地方還很多，精度不高，但仍具有一定的指導意義。胡煜利用改進的 AR 模型預測話務量，并重點闡述了話務量數(shù)據(jù)預處理的重要性和過程 [7]。薄今綱、于敏芳等人應用帶兩個周期乘積的ARIMA 模型獲取話務量特性，建立季節(jié)模型描述實際的話務量序列 [8]，通過模型的多次調整使預測相對誤差保持在 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測方法和結果，作者并沒有作說明。電子科技大學向炳新通過一種時間序列較優(yōu)周期搜尋算法和節(jié)假日話務量自適應預測算法分別對平時和節(jié)假日的話務量進行預測 [9]。作者通過較優(yōu)周期搜尋算法得到的最優(yōu)周期為 7，但這個結論通過常識或者相關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論顯然有點嘩眾取寵。對于節(jié)假日話務量的預測，作者巧妙的引入水平和速度分析的思想獲得了較高的預測精度。這種將平日和節(jié)假日分開預測的方法雖然建模過程比較繁瑣，但在工程實踐中仍可權衡使用。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量中尋找與待預測時刻話務量的最相似模式 [10]，這種方法準確度較高，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)學方法，即通過對變量的觀測數(shù)據(jù)進行統(tǒng)計分析，確定變量之間的相互關系，從而實現(xiàn)預測的目的 [11]。在話務量預測中，根據(jù)歷史數(shù)據(jù)和一些影響話務量變化的因素來推斷將來時刻的話務量。陶偉宜針對移動通信話務量與市場用戶和相應資費政策相關的特點，采用回歸預測方法，建立了基于市場用戶數(shù)及每用戶收入的話務量預測模型，并對模型進行了經(jīng)濟學意義上的檢驗 [12]。作者提出，話務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。這種預測方法更接近于話務量變化的實際原因，預測結果能為電信企業(yè)制定市場營銷決策提供參考。但影響話務量變化的因素相互耦合，如何合理有效中南大學碩士學位論文 第一章 緒論4的解耦是需要進一步解決的問題。3) 神經(jīng)網(wǎng)絡法神經(jīng)網(wǎng)絡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)關系。它們之間廣泛的連接組合就使得整個神經(jīng)網(wǎng)絡具有了復雜的非線性特性。神經(jīng)網(wǎng)絡將大量的信息存儲在其連接權值上，根據(jù)一定的學習算法調節(jié)權值，使神經(jīng)網(wǎng)絡實現(xiàn)從 M 維空間向 N 維復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)絡具有任意函數(shù)逼近能力，可實現(xiàn)任何復雜的函數(shù)映射。短期話務量預測的需要考慮各種因素對話務量的影響，這些影響因素呈現(xiàn)的是復雜的非線性特性。而神經(jīng)網(wǎng)絡正適于解決非線性復雜映射的問題，因此，不少的研究者已經(jīng)將其應用于話務量的預測中。董景榮提出一種BP神經(jīng)網(wǎng)絡對長途電話話務量進行組合預測的方法 [17]，應用于預測長途電話的發(fā)展前景。南京大學李千目、戚涌等利用模糊神經(jīng)網(wǎng)絡進行移動網(wǎng)通訊流量預測 [18]，為流量控制提供依據(jù)。華僑大學陳曉峰設計了基于BP算法的話務量預測模型 [19]，并與移動時間序列法進行對比，證明了神經(jīng)網(wǎng)絡方法的準確度更高。除了以上幾種典型的預測方法外，還有研究者提出了灰色模型預測以及多種模型組合預測等方法。楊曉波引入灰色模型預測電信業(yè)務的發(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測模型 [20]；然而灰色模型法較適宜近期預測，采用灰色模型預測的誤差率在 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)平滑模型和灰色預測模型分別產(chǎn)生預測值，再將這些預測值經(jīng)過加權組合，獲得最后的預測值 [21]。而加權組合運算中的權值則是利用人工神經(jīng)網(wǎng)絡的非線性變換能力通過學習來確定。這種方法的計算量過大，而且組合預測的精度并不一定比單個模型預測好。 綜上所述，以上的話務量預測方法在預測精度和時效性上缺點明顯。隨著對話務量預測研究的深入，以及各種新預測技術的出現(xiàn)，必將出現(xiàn)更適應于電信企業(yè)應用實際的話務量預測方法。因此，進一步的研究工作應該放在深入研究電信話務量特性及如何應用新的預測技術對話務量進行更精準的預測上，從精度和速度兩方面提高話務量預測水平。 研究內容與研究目標本文在研究話務量的特性和當前最新預測技術的基礎上，采用某省電信分中南大學碩士學位論文 第一章 緒論5公司綜合結算系統(tǒng)的實際話務量數(shù)據(jù)建立基于聚類預處理和支持向量機的話務量預測模型。主要研究內容為以下幾個方面：1) 分析話務量特性、話務量預測的特點在進行話務預測建模之前，深入分析話務量的特性，將話務總量進行分解，以掌握影響話務量預測的各種不確定因素，同時分析話務量周期性的特點。在以上工作的基礎上，結合各種話務量預測方法的優(yōu)點，給出本文進行話務量預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。2) 話務量預測的聚類預處理技術分析電信話務量的特性和話務量預測的特點說明了進行聚類預處理的必要性，選擇具有代表性的訓練樣本是保證話務量預測精度的重要因素。針對話務量變化的周期性特點，應用模糊聚類分析的基本原理，引入話務量特征量的“相似度”概念，依據(jù)輸入樣本的相似度選擇訓練樣本，保證數(shù)據(jù)特征的一致性，強化歷史數(shù)據(jù)規(guī)律。3) 提出了基于支持向量機的話務量預測模型根據(jù)了解支持向量機(SVM)的原理以及分析 SVM 的預測能力，在聚類預處理的基礎上，首次提出將支持向量回歸算法用于話務量預測，建立了基于 SVM的話務量預測模型，得到話務量的預測值。4) 研究支持向量機參數(shù)優(yōu)選方法，提出“拐點法” 優(yōu)選核參數(shù)。通過分析 SVM 的預測能力，進一步的了解了支持向量機的特點以及 SVM參數(shù)對預測能力的影響。對預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)。基于上述研究內容，主要是應用多種智能技術進行組合，從話務量的特性入手，建立話務量預測模型，通過學習包含歷史話務量時間序列和影響話務量變化重要因素的輸入樣本，達到對未來話務量大小的計算、判斷、預報的目的。本研究可以實現(xiàn)以下目標：1) 從話務量的特性和話務量預測的特點入手來探討最合適的話務量預測方法，不同于以往忽視事物的本質內在規(guī)律而只強調最新預測方法的應用，生搬硬套的做法。2) 對于支持向量機在大樣本集學習中存在的固有缺點，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參數(shù)對預測能力的影響，提出一種方便快捷且具有較強指導意義的參數(shù)優(yōu)選方法。4) 針對話務量預測的應用要求，探討一種簡單有效的增量學習策略。中南大學碩士學位論文 第一章 緒論6 論文構成論文以電信話務量的預測為研究對象，進行話務量特性分析，提出了在聚類預處理的基礎上基于 SVM 的話務量預報策略，解決了話務量預測研究中預測精度不高，實用性低等問題。針對電信現(xiàn)有業(yè)務支撐系統(tǒng)的實際情況，對預報模型進行改進，研究了增量在線預測的策略。論文的結構安排如下：第二章首先分析了話務量的基本組成，并對具有較強規(guī)律性的典型話務分量進行分析，給出了本文進行話務量預測的基本過程；然后在之前的基礎上論述了進行聚類預處理的必要性；最后詳細描述了利用加權 FCM 聚類算法進行話務量聚類預處理的的方法和過程。第三章首先介紹支持向量機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的預測能力，主要是通過仿真實驗研究 SVR 的內插性能、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的話務量預測模型，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測模型較其他傳統(tǒng)方法的優(yōu)勢。根據(jù)實際應用的需要，闡述了預測模型的增量在線學習方法和步驟，并通過一個應用話務量預測結果進行話務流量監(jiān)控的實例，說明在實際應用環(huán)境中高精度話務預測的重要性。第五章簡要總結本論文研究成果，展望下一步的研究工作。中南大學碩士學位論文 第二章 話務量預測的聚類預處理技術7第二章 話務量預測的聚類預處理技術話務量預測是通訊網(wǎng)絡系統(tǒng)建設和制定營銷策略的重要手段之一，預測精度越高，越有利于電信企業(yè)進行合理的通訊網(wǎng)絡規(guī)劃和制定更精準的市場營銷策略。然而，話務量的走勢和人們的經(jīng)濟、生活、工作等息息相關，同時也與電信企業(yè)的發(fā)展密切聯(lián)系，因此在進行預測之前，要充分考慮話務量的特性、分析話務量預測的特點、理解話務量預測的基本過程，本章正是在分析話務量特性和預測特點的基礎上，提出了使用加權 FCM 聚類算法對話務量原始數(shù)據(jù)進行預處理。 電信話務量話務量是電信業(yè)務流量的簡稱。它既用來表示電信設備承受的負載量,也用來表示用戶對電信需求的程度。在移動電話系統(tǒng)中，話務量可分為流入話務量和完成話務量。流入話務量取決于單位時間內發(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)流入的話務量中，完成接續(xù)的那部分話務量稱作完成話務量，未完成接續(xù)的那部分話務量稱做損失話務量，損失話務量與流入話務量之比稱為呼損率。話務量的大小與用戶數(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。單位時間內通信的次數(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,所以話務量也是一個隨時間變化的量,即是一個“隨機變量”。 話務量特性分析話務預測是根據(jù)話務量的歷史資料和現(xiàn)有信息，建立恰當?shù)臄?shù)學模型對未來的話務量進行預測。因此分析話務量特性對掌握話務預測本質，提高話務預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量預測。電信話務量的變化一方面有著其不確定性，如通訊線路的破壞、通訊設備的故障等造成對話務量的隨機性干擾。另一方面，在正常的條件下，話務量按一定趨勢有規(guī)律的發(fā)展變化。因此，在進行話務量的預測時，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量預測的各種不確定因素，將話務量分為四種分量進行分析?？傇拕樟靠梢员硎緸橄铝行问剑褐心洗髮W碩士學位論文 第二章 話務量預測的聚類預處理技術8Y(t)=N(t)+W(t)+S(t)+R(t) (21)其中 Y(t)為 t 時刻的總話務量值，N(t)稱為 t 時刻的典型話務分量值，W(t)為 t 時刻的敏感話務分量值，S(t)為特殊事件話務分量值，R(t)為隨機話務分量值。(1) 典型話務分量值N(t)也可稱為正常話務，它與其他因素無關，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。典型話務量的不同主要是由于不同的話務量組成方式所引起的。其差異性主要體現(xiàn)在兩方面：一是話務量種類，二是話務成分所占比重。不同組成的話務量在這兩方面的差異決定了他們的話務特性以及受影響因素的響應特性互不相同。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)出不同的響應特性。例如，當預測某個運營商下個月的話務量時，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，當預測某臺交換機下一時刻話務量時，該時刻對應的相關歷史數(shù)據(jù)的敏感度更高。(2) 敏感話務分量W(t)與一系列的敏感事件有關，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，通信資費的調整頻度越來越密、優(yōu)惠措施越來越多樣化，這些都對話務量產(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，只是幅度和時滯有所不同。此外，天氣對人們的生活習慣產(chǎn)生影響，間接的影響話務量，這也是話務量季節(jié)模型的基礎。根據(jù)大量的歷史話務量數(shù)據(jù)和資費數(shù)據(jù)，進行數(shù)據(jù)處理和相關性分析，在此基礎上建立話務量季節(jié)變動預測模型可以確定 W(t)。(3) 特殊事件話務分量S(t)使話務量明顯偏離典型話務特性，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性，需要由經(jīng)驗豐富的統(tǒng)計員參與判斷。在各種話務量預測模型中這部分分量往往需要通過人工修正得以改進。(4) 隨機話務分量R(t)值在總話務量中提取出 N(t