話務(wù)量分析和多種預(yù)測模型的比較研究.pdf

1、隨著通信網(wǎng)應(yīng)用和規(guī)模的不斷增加，網(wǎng)絡(luò)管理變得越來越重要，新一代的網(wǎng)管系統(tǒng)對業(yè)務(wù)量的預(yù)測也提出了新的需求，其中通信話務(wù)量的預(yù)測分析已經(jīng)成為其中非常重要的一部分。準(zhǔn)確的話務(wù)量預(yù)測對網(wǎng)絡(luò)管理、規(guī)劃和設(shè)計(jì)具有重要意義，圍繞這一問題，本論文重點(diǎn)對話務(wù)量分析進(jìn)行研究，常用的預(yù)測模型有ARMA模型和BP預(yù)測模型，然而ARMA預(yù)測模型預(yù)測速度慢、BP預(yù)測模型參數(shù)難以選擇，因此本文提出了一種預(yù)測速度快、效果好的預(yù)測模型--基于SVM回歸算法的預(yù)測模型。最

2、后針對話務(wù)量的特性，提出了一種基于SVM多模型的預(yù)測模型，用于對工作日和周末話務(wù)量數(shù)據(jù)分別建立預(yù)測模型。 本論文主要貢獻(xiàn)包括以下幾個方面：1)設(shè)計(jì)了一種通用的話務(wù)量預(yù)測模型框架；2)基于MATLAB實(shí)現(xiàn)了三種不同的預(yù)測模型，包括兩種常用的ARMA模型和BP預(yù)測模型，以及提出的基于SVM回歸算法的預(yù)測模型；3)針對話務(wù)量的特性，提出了一種基于SVM多模型的預(yù)測模型；4)詳細(xì)比較了各種模型的性能，探討了最優(yōu)預(yù)測模型的選擇步驟。其具體

3、過程如下： 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)測的意義并且調(diào)研了常用的話務(wù)量預(yù)測的方法。 其次，本論文介紹了多種預(yù)測模型的理論，ARMA模型將預(yù)測對象隨時間推移而形成的序列數(shù)據(jù)視為一個隨機(jī)序列，并且用一定的數(shù)學(xué)模型來近似描述這個序列；BP神經(jīng)網(wǎng)絡(luò)通過多層的神經(jīng)網(wǎng)絡(luò)近似模擬一個連續(xù)的非線性函數(shù)來預(yù)測話務(wù)量；SVM回歸模型則是首先獲得一系列的支持向量，然后通過二次優(yōu)化逼近一個非線性函數(shù)來預(yù)測話務(wù)量。

4、基于預(yù)測模型的理論分析，本論文給出了話務(wù)量預(yù)測模型的設(shè)計(jì)框架，并且詳細(xì)描述了實(shí)現(xiàn)三種預(yù)測模型的過程：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。針對話務(wù)量的特性，提出了一種基于SVM多模型的預(yù)測模型，用于對工作日和周末話務(wù)量數(shù)據(jù)分別建立預(yù)測模型。之后，探討了選擇最優(yōu)預(yù)測模型的步驟，并且詳細(xì)比較了各種預(yù)測模型的效果。 最后本文匯報了各種模型的預(yù)測結(jié)果和性能，為了評估不同模型的預(yù)測性能，采集了四個話務(wù)量數(shù)據(jù)庫進(jìn)行實(shí)驗(yàn)