【資料名稱】：GSM話務(wù)量預(yù)測(cè)和多種預(yù)測(cè)模型的比較

【資料作者】：陳榮

【資料日期】：2010年

【資料語(yǔ)言】：中文

【資料格式】：DOC

【資料目錄和簡(jiǎn)介】：

隨著通信網(wǎng)應(yīng)用和規(guī)模的不斷增加，網(wǎng)絡(luò)管理變得越來(lái)越重要，新一代的網(wǎng)管系統(tǒng)對(duì)業(yè)務(wù)量的預(yù)測(cè)也提出了新的需求，其中通信話務(wù)量的預(yù)測(cè)分析已經(jīng)成為其中非常重要的一部分。準(zhǔn)確的話務(wù)量預(yù)測(cè)對(duì)網(wǎng)絡(luò)管理、規(guī)劃和設(shè)計(jì)具有重要意義，圍繞這一問(wèn)題，本論文重點(diǎn)對(duì)話務(wù)量分析進(jìn)行研究，常用的預(yù)測(cè)模型有ARMA模型和BP預(yù)測(cè)模型，然而ARMA預(yù)測(cè)模型預(yù)測(cè)速度慢、BP預(yù)測(cè)模型參數(shù)難以選擇，因此本文提出了一種預(yù)測(cè)速度快、效果好的預(yù)測(cè)模型——基于SVM回歸算法的預(yù)測(cè)模型。最后針對(duì)話務(wù)量的特性，提出了一種基于SVM多模型的預(yù)測(cè)模型，用于對(duì)工作日和周末話務(wù)量數(shù)據(jù)分別建立預(yù)測(cè)模型。
本論文主要貢獻(xiàn)包括以下幾個(gè)方面：1)設(shè)計(jì)了一種通用的話務(wù)量預(yù)測(cè)模型框架；2)基于MATLAB實(shí)現(xiàn)了三種不同的預(yù)測(cè)模型，包括兩種常用的ARMA模型和BP預(yù)測(cè)模型，以及提出的基于SVM回歸算法的預(yù)測(cè)模型；3)針對(duì)話務(wù)量的特性，提出了一種基于SVM多模型的預(yù)測(cè)模型；4)詳細(xì)比較了各種模型的性能，探討了最優(yōu)預(yù)測(cè)模型的選擇步驟。其具體過(guò)程如下：首先，本論文研究了通信話務(wù)量的特性，探討了話務(wù)量預(yù)測(cè)的意義并且調(diào)研了常用的話務(wù)量預(yù)測(cè)的方法。其次，本論文介紹了多種預(yù)測(cè)模型的理論，ARMA模型將預(yù)測(cè)對(duì)象隨時(shí)間推移而形成的序列數(shù)據(jù)視為一個(gè)隨機(jī)序列，并且用一定的數(shù)學(xué)模型來(lái)近似描述這個(gè)序列；BP神經(jīng)網(wǎng)絡(luò)通過(guò)多層的神經(jīng)網(wǎng)絡(luò)近似模擬一個(gè)連續(xù)的非線性函數(shù)來(lái)預(yù)測(cè)話務(wù)量；SVM回歸模型則是首先獲得一系列的支持向量，然后通過(guò)二次優(yōu)化逼近一個(gè)非線性函數(shù)來(lái)預(yù)測(cè)話務(wù)量。
基于預(yù)測(cè)模型的理論分析，本論文給出了話務(wù)量預(yù)測(cè)模型的設(shè)計(jì)框架，并且詳細(xì)描述了實(shí)現(xiàn)三種預(yù)測(cè)模型的過(guò)程：包括常用的ARMA模型、BP神經(jīng)網(wǎng)絡(luò)和提出的SVM回歸模型。針對(duì)話務(wù)量的話務(wù)量分析和多種預(yù)測(cè)模型的比較研究特性，提出了一種基于SVM多模型的預(yù)測(cè)模型，用于對(duì)工作日和周末話務(wù)量數(shù)據(jù)分別建立預(yù)測(cè)模型。之后，探討了選擇最優(yōu)預(yù)測(cè)模型的步驟，并且詳細(xì)比較了各種預(yù)測(cè)模型的效果。
最后本文匯報(bào)了各種模型的預(yù)測(cè)結(jié)果和性能，為了評(píng)估不同模型的預(yù)測(cè)性能，采集了四個(gè)話務(wù)量數(shù)據(jù)庫(kù)進(jìn)行實(shí)驗(yàn)仿真。實(shí)驗(yàn)結(jié)果表明本文提出的SVM預(yù)測(cè)模型的平均預(yù)測(cè)誤差最小，其最小均方誤差為0．0091，而ARMA模型的平均預(yù)測(cè)誤差略高于ARMA模型為0．0114，兩者都比BP模型的預(yù)測(cè)效果好；而且SVM的預(yù)測(cè)速度明顯比ARMA模型快，綜合各方面考慮，SVM預(yù)測(cè)模型的整體性能最優(yōu)。