[发明专利]一种应用于话务量预测的分段在线支持向量回归方法

权利要求书

1.一种应用于话务量时间序列预测的分段在线支持向量回归方法，其特征在于：所述方法包括如下步骤：

步骤一、数据预处理：将时间序列数据转换进行相空间重构，使之符合设定的嵌入维数EmbededDimension；

步骤二、Online SVR初始化训练：采用支持向量回归增量算法对完成步骤一的数据进行训练，获得初始Online SVR模型；

步骤三、对于在线更新的样本序列(x_c，y_c)，采用支持向量回归增量算法进行在线训练；

步骤四、判断在线支持向量回归是否满足分段条件SGP：若满足分段条件SGP，则执行步骤五；否则，执行步骤六；

步骤五、赋值新子分段模型SOSVR(s)＝OnlineSVR，s＝s+1，并存储；s代表子分段模型的序号；用SOSVR表示分段在线支持向量回归；

步骤六、Online SVR预测输出值PredictfY(i)；i为预测的步数；

步骤七、SOSVR预测输出Pr edictSY(s，i)：s代表子分段模型的序号，i为预测的步数，以下同；

步骤八、判断步骤七中所述的SOSVR预测输出Pr edictSY(s，i)是否符合最优预测输出条件SBPP，如果符合，则执行步骤九；否则，执行步骤十；

步骤九、预测最终值Pr edictL(i)＝Pr edictSY(s，i)；

步骤十、预测最终值Pr edictL(i)＝Pr edictfY(i)；

步骤十一、判断子分段模型是否符合子分段模型更新条件UpdateSOSVR(l)，l∈(1，2，...，s)，若符合，执行步骤十二；否则，执行步骤十三；

步骤十二、删减按照子分段模型更新条件选定的子分段模型SOSVR(l)，l∈(1，2，...，s)；

步骤十三、删掉最远点历史数据，并采用支持向量回归减量算法训练OnlineSVR；

步骤十四、数据在线更新，并重复步骤三～步骤十三。

2.根据权利要求1所述的一种应用于话务量预测的分段在线支持向量回归方法，其特征在于：步骤四中所述分段条件SGP用于保证分段的条件能够最大效率地保存数据集的历史知识，使得各个子分段SOSVR模型差异最大化，增强模型的泛化能力。

3.根据权利要求1或2所述的一种应用于话务量预测的分段在线支持向量回归方法，其特征在于：在步骤四中，采用聚类的方法作为分段条件，使得每个子分段SOSVR(s)适应不同特性的子时间序列段。

4.根据权利要求1或2所述的一种应用于话务量预测的分段在线支持向量回归方法，其特征在于：在步骤四中，比较子分段模型SOSVR(s)之间的相似度，定义SOSVR(s)相似性度量SM(s)，若SM(s)-SM(s-1)＞P，P为设定相似性度量阈值，以相邻子分段SOSVR相似度值超出阈值作为分段条件。

5.根据权利要求1或2所述的一种应用于话务量预测的分段在线支持向量回归方法，其特征在于：在步骤四中，根据支持向量SV变化情况作为分段条件，即以两个相邻子分段支持模型的支持向量SV_SOSVR(s)∩SV_SOSVR(s-1)＜Q作为分段条件，即相邻SOSVR相同支持向量数少于阈值。

6.根据权利要求1或2所述的一种应用于话务量预测的分段在线支持向量回归方法，其特征在于：在步骤四中，采用等分方法进行分段，即在线训练数据长度TrainLength＞L时进行分段。

7.根据权利要求1所述的一种应用于话务量预测的分段在线支持向量回归方法，其特征在于：在步骤八中，最优预测输出条件SBPP是按照待预测序列邻域D(x_i，y_i)，i＝1，2，...，N各个子分段模型SOSVR(k)，k∈(1，2，...，s)的匹配度作为选择子分段模型预测输出的条件；选择子分段模型满足上一步预测误差最小，按下式：

min(Error(i-1)＝SOSVR_Pr edict(k，i-1)-Test(i-1))，k＝1，2，...s

式中SOSVR_Pr edict(k，i-1)为第i-1步中第k个子分段模型预测值，Test(i-1)为第i-1步序列实际值。