[发明专利]一种基于LS-SVM的移动话务量预测方法

说明书

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＝{(x_i，y_i)，i＝1，2，...l}，x_i∈Rⁿ是第i个学习样本的输入值，且为n维列向量y_i∈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(x)＝w^Tx+b，其中w∈Rⁿ，b∈R，使得|y_i-f(x_i)|≤ε，i＝1，2，...l。则称f(x)＝w^Tx+b为对样本集的线性回归估计函数，ε称为不敏感系数。

设d_i表示样本点(x_i，y_i)∈S到超平面f(x)＝w^Tx+b的距离，则有