论文部分内容阅读
【摘 要】移动运营商通常把移动通信话务量作为网络规划和网络建设的参考依据，则移动通信话务量预测值的精度对整个网络规划的科学合理性必然造成决定性的影响。基于此，本文引入了支持向量回归机，并比较分析了遗传算法、网格法、SA-SVR对移动通信话务量预测的影响。研究证实，SA-SVR具有耗时少、预测精度高等优越性。
【关键词】SA-SVR 移动通信话务量 预测方法 支持向量回归机
一、实验环境
实验所涉及到的仿真结果的运行环境皆为Matlab R2007b，SVR的建模工具为LibSVM工具箱。实验所涉及到的数据皆为实时移动通信话务量数据，属四个地州、三十九个月内的移动通信月总话务量和月均忙时话务量。本实验旨在预测某年9月到11月的移动通信月总话务量和月均忙时话务量。为了获取模型预测误差，实验使用后三月的历史数据就模型预测效果予以测试。
二、实验结果分析
（一）SA-SVR、ARIMA、神经网络的话务量预测结果
下表一所示ARIMA模型为基于十二个周期特征和数据线性增长的自回归模型，神经网络训练的嵌入维数与SVR训练的嵌入维数相同，其中实验所用参数皆为基于经验的优质参数。
由表一可知，移动通信话务量预测结果显示出SA-SVR、ARIMA、神经网络模型预测误差皆呈递减趋势。然而，State2的ARIMA建模误差异常少，究其原因为State2的话务量数据变化周期性和增长性较明显，则线性模型ARIMA的建模效果较好。此外，模型耗时显示出ARIMA耗时最少，究其原因为ARIMA仅为线性建模；多数地区神经网络耗时皆超过SA-SVR建模耗时。
（二）SA-SVR、GA-SVR、Grid-SVR方法建模预测结果
下表二所示的嵌入维数值皆与实验训练的最小测试误差呈一一对应关系，表二所示误差皆为最后三月话务总量百分比误差的均值。表二、三所示SA模型的系统状况皆选择了MAPE。
由表二可知，SA-SVR、GA-SVR、Grid-SVR模型对月总话务量和月均预测误差皆呈递减趋势，其中各参数选择方法的特性、模型预测耗时与嵌入维数间的关联性皆可通过各模型的预测耗时体现出来，即State1、State2、State3、State4的最低预测误差并不对应同一最佳嵌入维数；嵌入维数与训练耗时间的关联性较明显（耗时与维数呈正相关），究其原因为嵌入维数与输入向量维数间呈正相关，此时训练耗时因训练本数更少而变得更短。
SA-SVR、GA-SVR、Grid-SVR模型对月平均忙时话务量与对月总话务量的预测效果基本一致。由表二、三可知，Grid-SVR的训练耗时皆较SA-SVR、GA-SVR两个模型短，但其预测精度却较SA-SVR、GA-SVR两个模型差。若要提高其预测精度，必然要成倍增长其占有资源，即以细化网格的方式实现预测精度的提高。
三、结语
由实验结果可知，SA-SVR模型与SA-SVR模型训练样本间基本一致，即预测误差与实际测试误差间的差值较小。由此可见，实验中后三月的话务量预测值的可信度较高。
参考文献：
[1]谭艳峰，贾振红，覃锡忠等.SA-SVR在移动通信话务量预测中的应用[J].计算机工程，2010，36（22）：195-196，199.
[2]王少军，刘琦，彭喜元等.移动通信话务量多步预测的LS-SVM方法研究[J].仪器仪表学报，2011，32（6）：1258-1264.
[3]彭宇，雷苗，郭嘉等.基于先验知识的移动通信话务量预测[J].电子学报，2011，39（1）：190-194.
[4]董安吉.分段预测法在GSM网络无线话务量预测中的应用[J].电子世界，2011，（9）：27-28，31.
作者简介：
罗燕，1984年4月出生，现就职于河北张家口移动公司。
【关键词】SA-SVR 移动通信话务量 预测方法 支持向量回归机
一、实验环境
实验所涉及到的仿真结果的运行环境皆为Matlab R2007b，SVR的建模工具为LibSVM工具箱。实验所涉及到的数据皆为实时移动通信话务量数据，属四个地州、三十九个月内的移动通信月总话务量和月均忙时话务量。本实验旨在预测某年9月到11月的移动通信月总话务量和月均忙时话务量。为了获取模型预测误差，实验使用后三月的历史数据就模型预测效果予以测试。
二、实验结果分析
（一）SA-SVR、ARIMA、神经网络的话务量预测结果
下表一所示ARIMA模型为基于十二个周期特征和数据线性增长的自回归模型，神经网络训练的嵌入维数与SVR训练的嵌入维数相同，其中实验所用参数皆为基于经验的优质参数。
由表一可知，移动通信话务量预测结果显示出SA-SVR、ARIMA、神经网络模型预测误差皆呈递减趋势。然而，State2的ARIMA建模误差异常少，究其原因为State2的话务量数据变化周期性和增长性较明显，则线性模型ARIMA的建模效果较好。此外，模型耗时显示出ARIMA耗时最少，究其原因为ARIMA仅为线性建模；多数地区神经网络耗时皆超过SA-SVR建模耗时。
（二）SA-SVR、GA-SVR、Grid-SVR方法建模预测结果
下表二所示的嵌入维数值皆与实验训练的最小测试误差呈一一对应关系，表二所示误差皆为最后三月话务总量百分比误差的均值。表二、三所示SA模型的系统状况皆选择了MAPE。
由表二可知，SA-SVR、GA-SVR、Grid-SVR模型对月总话务量和月均预测误差皆呈递减趋势，其中各参数选择方法的特性、模型预测耗时与嵌入维数间的关联性皆可通过各模型的预测耗时体现出来，即State1、State2、State3、State4的最低预测误差并不对应同一最佳嵌入维数；嵌入维数与训练耗时间的关联性较明显（耗时与维数呈正相关），究其原因为嵌入维数与输入向量维数间呈正相关，此时训练耗时因训练本数更少而变得更短。
SA-SVR、GA-SVR、Grid-SVR模型对月平均忙时话务量与对月总话务量的预测效果基本一致。由表二、三可知，Grid-SVR的训练耗时皆较SA-SVR、GA-SVR两个模型短，但其预测精度却较SA-SVR、GA-SVR两个模型差。若要提高其预测精度，必然要成倍增长其占有资源，即以细化网格的方式实现预测精度的提高。
三、结语
由实验结果可知，SA-SVR模型与SA-SVR模型训练样本间基本一致，即预测误差与实际测试误差间的差值较小。由此可见，实验中后三月的话务量预测值的可信度较高。
参考文献：
[1]谭艳峰，贾振红，覃锡忠等.SA-SVR在移动通信话务量预测中的应用[J].计算机工程，2010，36（22）：195-196，199.
[2]王少军，刘琦，彭喜元等.移动通信话务量多步预测的LS-SVM方法研究[J].仪器仪表学报，2011，32（6）：1258-1264.
[3]彭宇，雷苗，郭嘉等.基于先验知识的移动通信话务量预测[J].电子学报，2011，39（1）：190-194.
[4]董安吉.分段预测法在GSM网络无线话务量预测中的应用[J].电子世界，2011，（9）：27-28，31.
作者简介：
罗燕，1984年4月出生，现就职于河北张家口移动公司。