移动通信中话务量预测模型研究

论文摘要

移动网络长久、稳定的运行,有赖于及时、有效的网络规划与优化,运营者以主动性的网络变化成功应对用户行为的变化及其趋势,因此根据话务统计资料和其他业务信息对移动通信话务量的变化趋势进行预测,以此来确定工程扩容将要达到的容量,然后由各地设定的相应话务模型计算设备的有效容量,从而决定满足设计容量的设备类型和数量,对于移动通信运营商来说非常有必要。文章主要研究内容为:1.基于话务量数据的特性,提出基于加权马尔可夫的移动话务量超短期预测模型。该模型具有要求的样本少,运算速度快,预测精度高,可检验等的特点。根据该模型的缺陷,应用模糊Fisher准则的有序聚类方法,克服了聚类有效性对样本空间分布的依赖并同时提高了效率。仿真结果表明,该算法在移动通信话务量预测中,运算速度快,准确度高;2.根据话务量数据的特征,首次提出了一种基于微正则退火算法和支持向量机的中期预测模型。支持向量机参数的选择影响其预测的能力,微正则退火算法是通过在状态空间中随机行走的虚拟妖来实现参数的优化选择。实际的话务量数据验证表明,其搜索成功率远高于模拟退火算法,目标函数值下降更快,能在短时间内搜索到最优解,且预测精度高。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 移动话务量分析和预测的背景和重要意义
• 1.2 话务量预测模型的发展现状
• 1.3 本文的主要工作
• 1.4 论文结构组织及内容安排
• 第二章 话务量理论基础及分析
• 2.1 话务量的基本概念
• 2.1.1 话务量的分类
• 2.1.2 完成话务量的性质与分析
• 2.1.3 用户忙时的话务量与用户数
• 2.2 话务量的分析
• 2.2.1 话务量的总体趋势
• 2.2.2 话务量分析的意义
• 第三章 时间序列基本理论及常见预测模型理论分析
• 3.1 时间序列的相关理论
• 3.1.1 时间序列分析
• 3.1.2 时间序列的构成要素
• 3.1.3 平稳序列的定义
• 3.2 常见的预测模型的研究
• 3.2.1 ARMA 预测模型
• 3.2.2 BP 神经网络预测模型
• 3.2.3 支持向量机（SVM）预测模型
• 第四章 基于模糊FISHER 的加权马尔可夫的话务量预测
• 4.1 马尔可夫过程
• 4.1.1 马尔可夫链的定义
• 4.1.2 马尔可夫链的状态分类
• 4.1.3 马尔可夫链的遍历性和平稳分布
• 4.1.4 加权马尔可夫链
• 4.2 模糊FISHER 算法基本原理
• 4.3 基于模糊FISHER 算法和加权马尔可夫链的话务量预测的步骤
• 4.4 算法实现与结果分析
• 4.4.1 实验数据的分析与分类
• 4.4.2 最大概率的作用系数η对预测结果的影响
• 4.4.3 实验结果比较与分析
• 4.5 小结
• 第五章 基于微正则退火算法和支持向量回归机的话务量预测
• 5.1 支持向量机背景理论
• 5.1.1 VC 维
• 5.1.2 期望风险
• 5.1.3 结构风险最小化原则
• 5.2 支持向量机分类特性
• 5.2.1 线性可分情况
• 5.2.2 线性不可分情况
• 5.2.3 非线性可分情况
• 5.3 支持向量回归机
• 5.3.1 回归问题
• 5.3.2 ε-支持向量回归机
• 5.3.3 v-支持向量回归机
• 5.4 微正则退火算法的基本理论
• 5.5 微正则退火参数寻优步骤
• 5.6 实验结果分析与比较
• 5.6.1 实验数据预处理
• 5.6.2 嵌入的维数对实验结果的影响
• 5.6.3 Grid-SVM、SA-SVM、MA-SVM 算法预测结果比较
• 5.7 实验结果分析
• 第六章 全文总结与研究展望
• 6.1 全文总结
• 6.2 存在的问题和研究前景展望
• 参考文献
• 在校期间发表论文情况
• 致谢