专利名称：一种基于ls-svm的移动话务量预测方法
技术领域：
本发明涉及一种基于LS-SVM的移动话务量预测方法，属于移动通信领域。
背景技术：
随着无线通信业务的迅速发展，对话务量预测的需求日益增加。准确的话务量预 测对无线通信网络的运营管理具有重大意义。移动话务量数据每小时统计一次，单位为爱尔兰。目前，定量的话务量预测方法主要有传统的时间序列分析法、人工神经网络算法 和支持向量机法。时间序列分析方法建模的理论基础是利用历史数据序列的信息，根据统 计获得的数据序列中存在的相关关系找到序列值之间相关关系的规律，拟合出可以描述这 种关系的模型，进而利用模型对序列的未来走势进行预测。但是它的使用条件比较苛刻，要 求数据是平稳的，用此方法对非平稳、非线性时间序列进行预测效果较差。人工神经网络可 以很好得解决非线性问题，实现更为准确的预测。但是人工神经网络方法的参数设置比较 困难、学习速度较慢、当样本数量较小时，容易造成过学习现象，不适于做短期话务量的实 时、在线预测。1995年，Vapnik和他的合作者们明确提出一种新的通用学习方法——支持向量机 (SVM, Support Vector Machine)支持向量机成功地解决了高维问题和局部极值问题。支持 向量机使用了大间隔因子来控制学习机器的训练过程，使其只选择具有最大分类间隔的分 类超平面(在不可分情况下，又引入松弛因子来控制经验风险)，从而使其在满足分类条件 的情况下，又具有高的推广能力。寻找最优超平面(Optimal Hyperplane)的过程最终转化 为二次型优化问题，从理论上讲，得到的是全局最优解。与传统的学习机器不同的是，支持 向量机将原始的模式矢量映射到非常高维的特征空间，仍然使用大间隔因子在高维特征空 间中寻找最大间隔超平面。得到的高维特征空间中的超平面对应着原始模式空间中的非线 性分类面。而实际上，其优化过程并没有真正在高维空间中进行，只是通过一些具有特殊性 质的核函数，将高维空间中的内积运算转化为原始空间中核函数的运算，从而巧妙地避免 了在高维空间中处理问题的困难。支持向量机的另一个优点是确定学习机器结构的问题。 支持向量机的结构非常简单，从表面上看，它类似于三层前馈神经网络。但实际上它与神经 网络有着根本性的不同。简单地说，支持向量机的隐层是随着所要解决的问题和规模而自 动调节的，从而使学习机器的复杂度总是与实际问题相一致，因而可以自适应地解决各种 不同的问题。支持向量机应用于话务量预测主要是运用它的回归算法。利用相邻历史数据建立 SVM模型，训练好模型后，得到一个回归函数，将预测输入向量带入回归函数，得到的输出值 即为待预测的数据。用数学语言描述如下表述假设给定了训练数据集S= {(Xi，Yi), i = 1,2, ...1}, Xi e Rn是第i个学习样 本的输入值，且为η维列向量X = Wj,.jff，yi e R为对应的目标值，可以取任意实数。对 于线性问题，如果存在一超平面f (χ) = wTx+b，其中w e Rn, b e R，使得yi-f(Xi) I彡ε，
设Cli表示样本点(xi; Yi) e S到超平面f (x) = wTx+b的距离，则有
权利要求
1.一种基于LS-SVM的移动话务量预测方法，其特征在于，它包括以下步骤步骤一、选取离当前时刻之前一个月之内的话务量历史数据，并将所述话务量历史数 据作为训练样本进行LS-SVM建模，获取LS-SVM预测模型；步骤二、对新输入样本进行预处理，新输入样本是当前时刻之前的多个时刻的话务量 数据的组合，按照设定的嵌入维数和延迟时间对新输入样本进行相空间重构，构建新输入 样本重构向量，并进行归一化处理，使得所有数据处于[-1，1]之间；步骤三、将归一化处理后的新输入样本重构向量输入给步骤一获取的LS-SVM预测模 型，输出预测值，并存储；步骤四、判断是否需要更新LS-SVM预测模型， 如果需要更新，则重新返回步骤一；如果不需要更新，执行步骤五， 步骤五、将步骤三输出的预测值作为当前时刻的话务量数据，并返回执行步骤二，对下 一时刻的话务量进行预测。
2.根据权利要求1所述的一种基于LS-SVM的移动话务量预测方法，其特征在于，步骤 一中获取LS-SVM预测模型的过程为步骤11、选取当前时刻之前一个月之内的话务量历史数据；步骤12、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，构建历史重构向量，并进行归一化处理，使得所有数据处于[-1， 1]之间；步骤13、将重构后的话务量历史数据作为训练样本进行LS-SVM建模，获取LS-SVM预测 模型。
3.根据权利要求2所述的一种基于LS-SVM的移动话务量预测方法，其特征在于，步骤 12中的历史重构向量被构造为d(k) = [χ (k-1), χ (k-2), χ (k-23), χ (k-24), χ (k-25), χ (k-48) ], k 的单位为小时。
4.根据权利要求1或2所述的一种基于LS-SVM的移动话务量预测方法，其特征在于，LS-SVM预测模型表示为/(Χ) = Σ^χ,χ,) + b，i=l其中，径向基核函数K(X，Xi) =exp{-| x-xj |2/σ2}；、为拉格朗日乘子α的数组元素，Ka = A~\y-bi),IrJ-1V偏移量纟1 A-1I其中矩阵J= ^ 1 1 ，核函数矩阵Ω =K(Xi，\)。 1 η+ r11
5.根据权利要求4所述的一种基于LS-SVM的移动话务量预测方法，其特征在于，径向 基核函数K(X，Xi)中参数σ采取最优值搜索的方式来确定，具体过程为步骤a、选定σ初值，σ = 0. 5 ； 步骤b、建立LS-SVM模型；步骤C、根据步骤b获取的LS-SVM模型预测进行预测输出；步骤d、根据步骤c的输出值计算规范化均方误差匪SE作为对其精度进行评价的依据；M规范化均方误差丽￡ = 1/Mg(W)2， 其中Ι = % Α，δ2为样本方差，f为预测值，&为其对应真值，其中k= 1，2，k=\ k N,步骤e、判断下式是否成立0彡2，判断结果为否，令σ = σ + δ，δ为步长，返回执行步骤b;判断结果为是，规范化均方 误差匪SE最大的σ作为最优值，并作为核函数K (χ，Xi)的参数。
6.根据权利要求1所述的一种基于LS-SVM的移动话务量预测方法，其特征在于，步骤 四判断是否更新LS-SVM预测模型的规则为当预测累积时长超过一周时，判定为更新。
全文摘要
一种基于LS-SVM的移动话务量预测方法，属于移动通信领域，本发明为解决现有技术采用LS-SVM进行话务量预测只能实现单步预测，且算法本身不能对输入变量进行有效而合理的选择，进而造成准确性差、速度慢的问题。本发明方法包括以下1.选取离当前时刻之前一个月之内的话务量历史数据作为训练样本进行LS-SVM建模，获取LS-SVM预测模型；2.对新输入样本进行预处理；3.将处理后的新输入样本输入给LS-SVM预测模型，输出预测值；4.判断是否需要更新LS-SVM预测模型；如需要更新，则返回一；如不需要更新，执行五，5.将三输出的预测值作为当前时刻的话务量数据，并返回执行二，对下一时刻的话务量进行预测。
文档编号H04W16/22GK102056182SQ20101058469
公开日2011年5月11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