专利名称：一种基于聚类ls-svm的移动通信话务量预测方法
技术领域：
本发明涉及一种基于聚类LS-SVM的移动通信话务量预测方法，属于通信领域。
背景技术：
移动通信话务量的大小在一定程度上体现了话音信道被占用的强度。移动通信话 务量数据预测对于移动网络的维护以及移动通信的决策具有重要的价值，及时、准确的话 务量预测，能够有效地帮助移动运营商进行网络优化及决策，指导网络扩容，提高网络运行质量。以往应用于话务量预测的方法主要有移动平均、指数平均等方法，但是这些方法 只适合话务量的趋势预测，不能对其中剧烈波动成分进行预测，因此预测精度很低。话务量 是典型的时间序列，因此可以用时间序列预测的方法来进行预测。目前，常用于时间序列预 测的方法主要有传统统计学方法及人工智能方法，如人工神经网络，支持向量机等。但是， 传统统计学方法，如AR、MA、ARMA等方法适合于线性、平稳的时间序列，用来做话务量预测 难以得到令人满意的结果。人工神经网络的方法建模复杂，且参数选择困难，容易陷入局部 极值，计算效率较低，使得该方法难以在实际中取得广泛应用。支持向量机(SVM)采用结构风险最小化的原则，成功地解决了高维问题和局部极 值问题。但由于支持向量机的训练过程涉及二次规划问题，导致其计算复杂度较高，影响 了其在大规模时间序列上的应用。基于标准的SVM，Suykens等提出最小二乘支持向量机 (Least square support vector machines，LS-SVM)，将二次规划问题转变成线性方程组的 求解，降低了计算复杂度，极大地提高了 SVM的训练效率。LS-SVM进行时间序列预测的基本原理在LS-SVM中，回归问题对应的优化问题为
权利要求
1.一种基于聚类LS-SVM的移动通信话务量预测方法，其特征在于，它包括以下步骤 步骤一、选取当前时刻之前的4至6个月的话务量历史数据，并将所述话务量历史数据作为训练样本，对历史数据进行预处理，采用k-means聚类方法对处理后的样本进行聚类、 LS-SVM建模，获取C个LS-SVM预测模型，C为最佳聚类数；步骤二、对新输入的样本进行预处理，按照设定的嵌入维数和延迟时间对新输入的样 本进行相空间重构，并进行归一化处理，使得所有数据处于[_1，1]之间；步骤三、根据步骤一的C个聚类结果对重构后的新输入样本进行分类，确定其所属的 类别；步骤四、根据步骤三的分类结果，将新输入的样本输入给对应类别的LS-SVM预测模 型，输出预测值，完成对输入的待处理样本的快速预测。
2.根据权利要求1所述的一种基于聚类LS-SVM的移动通信话务量预测方法，其特征在 于，步骤一中获取C个LS-SVM预测模型的方法为步骤11、对话务量历史数据进行预处理按照设定的嵌入维数和延迟时间来对话务量 历史数据进行相空间重构，并进行归一化处理，使得所有数据处于[_1，1]之间；步骤12、按照VRC准则确定归一化处理后的历史重构样本的最佳聚类数C，对步骤11 重构后的话务量历史数据进行聚类，确定其所属类，每类中样本数量为Iii, i = 1，2，3…C; 步骤13、在每类中取K个离当前时刻近的样本，并分别进行LS-SVM建模，K = Hiin(Hi)，获取C个LS-SVM预测模型，LS-SVM预测模型表示为
3.根据权利要求2所述的一种基于聚类LS-SVM的移动通信话务量预测方法，其特征 在于，最佳聚类数C采用VRC准则确定，遍历C，使
全文摘要
一种基于聚类LS-SVM的移动通信话务量预测方法，属于通信领域，本发明为解决LS-SVM在实际应用中计算复杂度高和泛化能力降低的问题。本发明方法包括以下步骤步骤一、选取当前时刻之前的4至6个月的话务量历史数据，并将所述话务量历史数据作为训练样本，对历史数据进行预处理，进行聚类、LS-SVM建模，获取C个LS-SVM预测模型；步骤二、对新输入的样本进行预处理，进行相空间重构和归一化处理；步骤三、根据步骤一的C个聚类结果对重构后的新输入样本进行分类，确定其所属的类别；步骤四、根据步骤三的分类结果，将新输入的样本输入给对应类别的LS-SVM预测模型，输出预测值，完成对输入的待处理样本的快速预测。
文档编号H04W16/22GK102065449SQ20101058468
公开日2011年5月18日 申请日期2010年12月13日 优先权日2010年12月13日
发明者于江, 刘大同, 刘琦, 彭宇, 戴毓丰, 王少军, 陈强 申请人:哈尔滨工业大学