[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

说明书

技术领域

本发明涉及一种在线支持向量回归方法，具体涉及一种应用于移动通信话务量时间序列预测的分段在线支持向量回归方法。

背景技术

随着计算机科学技术的不断发展，知识和数据的获取变得越来越容易，呈爆炸性增长，有效挖掘已知数据、提取数据特征和通过已知序列进行未来状态的预测，使得数据挖掘变成时下的热点问题之一，与此同时，预测技术成为时间序列数据挖掘的重点内容，吸引越来越多研究者的关注。

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，如果能够及时、准确地预测话务网络的流量，就能够有效减少网络维护费用，提高网络运行质量。

目前，时间序列分析和预测技术是进行移动通信话务量数据的分析和预测的一种有效方法。随着预测时间序列渐趋复杂，尤其对于复杂的非线性、非平稳时间序列，传统统计学的AR、ARMA等方法很难获得令人满意的结果。加之，在线实时预测的应用需求也逐渐增加，使得人工智能技术中的神经网络、模糊逻辑等离线建模方法很难取得实效的应用。

近年，采用在线支持向量回归(Online Support Vector Regression，OnlineSVR)进行时间序列预测的研究十分广泛。由于其算法简单、不存在局部最小、维数灾难和泛化能力强等优点，在时间序列预测方面取得很好的效果。SVR建立在统计学习理论和结构风险最小化原理基础上，能够较好地解决小样本、非线性、高维数和局部极小等实际问题，但是一般的Online SVR(比如增量学习算法、减量学习算法、AOSVR等)方法在获得良好预测效果的同时，由于其算法复杂度较高，其执行效率往往无法满足实际应用的需求。

在实际应用中，话务量涵盖了大量的小区数据，且历史积累的话务数据量也很丰富，这就需要预测的方法具有很高的效率，而且不同的小区、不同的区域、不同时段话务量都会呈现不同的变化特性，因此对预测模型的实时更新的特性提出很高的要求。

在线支持向量回归进行时间序列预测的基本原理：

对于时间序列数据(x₁，y₁)，(x₂，y₂)，…，(x_l，y_l)，x_i，y_i∈R，构造回归函数(预测函数)为：

f(x)＝W^Tφ(x)+b    (1)

式(1)中，w^T∈Rⁿ，b∈R，Ф(·)把输入样本从输入空间映射到高维特征空间，通过优化问题求解w和b。

minw,bP=12||w||2+CΣi=1l(ξi+ξi*).---(2)]]>

式(2)的约束条件为：

((w□x_i)+b)-y_i≤ε+ξ_i，i＝1，2，...，l，

y_i-((w□x_i)+b)≤ε+ξ_i，i＝1，2，...，l，