【硕士论文】话务量分析和多种预测模型的比较研究.pdf

《【硕士论文】话务量分析和多种预测模型的比较研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、话务量分析和多种预测模型的比较研究话务量分析和多种预测模型的比较研究摘要随着通信网应用和规模的不断增加，网络管理变得越来越重要，新一代的网管系统对业务量的预测也提出了新的需求，其中通信话务量的预测分析已经成为其中非常重要的一部分。准确的话务量预测对网络管理、规划和设计具有重要意义，围绕这一问题，本论文重点对话务量分析进行研究，常用的预测模型有ARMA模型和BP预测模型，然而ARMA预测模型预测速度慢、BP预测模型参数难以选择，因此本文提出了一种预测速度快、效果好的预测模型——基于SVM回归算法的预测模型。最后针对话务量的特性，提出了一种基于SV

2、M多模型的预测模型，用于对工作日和周末话务量数据分别建立预测模型。本论文主要贡献包括以下几个方面：1)设计了一种通用的话务量预测模型框架；2)基于MATLAB实现了三种不同的预测模型，包括两种常用的ARMA模型和BP预测模型，以及提出的基于SVM回归算法的预测模型；3)针对话务量的特性，提出了一种基于SVM多模型的预测模型；4)详细比较了各种模型的性能，探讨了最优预测模型的选择步骤。其具体过程如下：首先，本论文研究了通信话务量的特性，探讨了话务量预测的意义并且调研了常用的话务量预测的方法。其次，本论文介绍了多种预测模型的理论，ARMA模型将预测

3、对象随时间推移而形成的序列数据视为一个随机序列，并且用一定的数学模型来近似描述这个序列；BP神经网络通过多层的神经网络近似模拟一个连续的非线性函数来预测话务量；SVM回归模型则是首先获得一系列的支持向量，然后通过二次优化逼近一个非线性函数来预测话务量。基于预测模型的理论分析，本论文给出了话务量预测模型的设计框架，并且详细描述了实现三种预测模型的过程：包括常用的ARMA模型、BP神经网络和提出的SVM回归模型。针对话务量的话务量分析和多种预测模型的比较研究特性，提出了一种基于SVM多模型的预测模型，用于对工作日和周末话务量数据分别建立预测模型。之

4、后，探讨了选择最优预测模型的步骤，并且详细比较了各种预测模型的效果。最后本文汇报了各种模型的预测结果和性能，为了评估不同模型的预测性能，采集了四个话务量数据库进行实验仿真。实验结果表明本文提出的SVM预测模型的平均预测误差最小，其最小均方误差为0．0091，而ARMA模型的平均预测误差略高于ARMA模型为0．0114，两者都比BP模型的预测效果好；而且SVM的预测速度明显比ARMA模型快，综合各方面考虑，SVM预测模型的整体性能最优。关键词：话务量分析，预测模型，ARMA模型，BP模型，SVM模型话务量分析和多种预测模型的比较研究第一章绪论1．

5、1课题背景现在移动通信的用户数和话务量保持着高速增长的势头，移动网络长久、稳定的运行，有赖于及时、有效的网络规划与优化，运营者以主动性的网络变化成功应对用户行为的变化及其趋势。移动通信话务量超过一定容量时，极易造成交换系统过载，出现电路拥塞，话音当接通率下降、话务掉话比上升，甚至出现交换机大面积瘫痪的现象，给移动通信运营商和移动用户都造成不可弥补的损失。因此根据话务统计资料和其他业务信息对移动通信话务量的变化趋势进行预测，以此来确定工程扩容将要达到的容量，并由各地设定的相应话务模型计算设备的有效容量，从而决定满足设计容量的设备类型和数量，对于移

6、动通信运营商来说非常有必要。预测结果的准确与否直接关系到企业未来的发展，因此对话务量需求的预测日益受到移动运营商的关注[1][30][34][35][36]。然而话务量预测工具缺乏和准确率不高，是我们研究和引入新的预测技术以及方法的重要原因之一：大部分移动公司目前采用的预测技术，仅限于简单函数的拟合预测，这种简单预测模型，实际上对一种趋势的粗略的估计，在业务快速发展和网络快速工程建设中，起到一定的积极作用；而今天，用户行为以及网络规模和结构的变化，原有简单趋势预测技术己经不再适合了。因此，利用现代数学中有关估计和预测模型进行移动网络话务模型研究

7、，提高预测的准确度，意义非常重大。随着用户群体类型的复杂化、开展业务形式的复杂化以及网络结构的日益复杂化，话务量的变化方式也趋于复杂。对话务量预测模型进行研究和引入新的预测模型，将具有重大意义。该论文选题基于前沿的话务量预测研究，提出了一种预测速度快、效果好的预测模型——基于SVM回归算法的预测模型，并且详细分析比较了该模型与ARMA模型矛IIBP预测模型的性能，给该领域的研究和研发人员的一个参考。本论文主要贡献包括以下几个方面：1)设计了一种通用的话务量预测模型框架；2)基于MATLAB实现了三种不同的预测模型，包括两种常用的ARMA模型和B

8、P预测模型，以及本文提出的基于SVM回归算法的预测模型；3)针对话务量的特性，提出了一种基于SVM多模型的预测模型；4)详细比较了各种模型的性能，探讨