论文部分内容阅读
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。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。