基于混沌理论的话务量时间序列预测研究

论文摘要

话务量是一种受多种因素影响的非线性时间系列,对其进行预测可以为移动运营商在今后的网络建设、优化、投资、营销策略等方面提供依据,对移动运营商而言话务量的预测是一项重要的基础工作。本文主要对通信网络每日忙时话务量进行预测研究,比较系统的研究了国内外针对话务量的预测方法；运用混沌理论的相空间重构技术,采用自相关函数法和改进的虚假邻点法,求取了重构相空间的参数最佳时间延迟和最佳嵌入维数,重构话务量时间系列的相空间,即从话务量时间系列数据中提取和恢复出系统原来的规律,也就是在高维相空间中恢复混沌吸引子；然后运用观测时间序列的最大Lyapunov指数的轨线算法计算出最大Lyapunov指数和最大可预测时间,研究话务量时间系列的混沌特性和可预测性。由于话务量时间序列具有复杂的非线性混沌特性,本文结合了混沌时间系列的预测方法,采用加权一阶局域法,建立预测模型,对话务量时间系列进行预测,预测效果并不满意,为了提高预测精度,鉴于神经网络具有强大的非线性映射能力,是非线性系统逼近和建模的有效工具,在预测领域有着广泛的运用,因此本文采用它来学习混沌时间序列,然后进行预测。首先采用静态神经网络,利用改进的BP算法,建立BP预测模型,对话务量混沌时间系列进行预测研究,预测效果比加权一阶局域法有所提高,但是静态BP神经网络本身不具有非线性特性,对非线性的特有的复杂的规律很难得到充分的描述,因此,为了提高预测精度,本文采用具有内部反馈连接动态神经网络Elman网络进行预测,这种反馈连接使其对历史状态的数据具有敏感性,增加了网络本身处理动态信息的能力,结果表明,该方法提高了预测精度。在描述非线性系统动态特性方面,动态神经网络比静态神经网络表现出了极大的优越性。本文的研究内容为通信网络的话务量预测研究作了有益的尝试。

论文目录

• 摘要
• ABSTRACT
• 目录
• 第一章 绪论
• 1.1 论文的研究背景
• 1.2 国内外研究现状
• 1.2.1 话务量预测的研究现状
• 1.2.2 时间序列预测的研究现状
• 1.2.3 混沌时间系列的预测研究现状
• 1.3 论文研究的主要内容
• 1.4 论文的安排结构
• 1.5 本章小结
• 第二章 话务量时间序列分析的预测方法
• 2.1 话务量理论基础
• 2.1.1 话务量的概念
• 2.1.2 话务量相关公式
• 2.1.2.1 爱尔兰—B公式
• 2.1.2.2 爱尔兰—C公式
• 2.2 话务量预测方法研究
• 2.2.1 基于影响因素分析的预测法
• 2.2.2 基于时间序列分析的预测法
• 2.2.3 智能预测法
• 2.3 本章小结
• 第三章 混沌时间系列的研究
• 3.1 混沌理论基础
• 3.1.1 混沌的起源和发展
• 3.1.2 混沌的基本概念
• 3.1.2.1 Li-Yorke（李天岩—约克）混沌定义
• 3.1.2.2 迪万尼（Devaney）混沌定义
• 3.1.2.3 混沌运动的特点
• 3.1.3 时间序列的混沌特性判别
• 3.1.3.1 功率谱方法
• 3.1.3.2 主分量分析（PCA分布）
• 3.1.3.3 Lyapunov指数法
• 3.1.3.4 混沌时间系列的最大可预报时间
• 3.2 混沌时间序列的相空间重构
• 3.2.1 重构相空间及Takens定理
• 3.2.2 重构相空间时间延迟τ的确定
• 3.2.2.1 自相关函数法
• 3.2.2.2 互信息函数法
• 3.2.2.3 重构展开法
• 3.2.3 重构相空间最佳嵌入维数m的确定
• 3.2.3.1 试算法
• 3.2.3.2 虚假邻点法
• 3.2.3.3 改进的虚假邻点法（Cao氏法）
• 3.3 话务量时间序列的相空间重构
• 3.3.1 话务量时间序列时间延迟的确定
• 3.3.2 话务量时间序列嵌入维数m的确定
• 3.3.3 话务量时间序列相空间的重构
• 3.4 话务量时间序列混沌特性的判别
• 3.4.1 观测时间系列的最大Lyapunov指数的轨线计算法
• 3.4.2 话务量时间系列的最大Lyapunov指数及其混沌特性的判别
• 3.4.3 话务量时间序列（300-349）的相空间参数的计算
• 3.5 本章小结
• 第四章 基于话务量混沌时间序列的预测方法研究
• 4.1 混沌时间序列的预测方法研究
• 4.1.1 混沌时间序列预测方法分类
• 4.1.2 全域预测法
• 4.1.3 局域预测法
• 4.1.3.1 零阶局域预测法
• 4.1.3.2 加权零阶局域预测法
• 4.1.3.3 一阶局域预测法
• 4.1.3.4 加权一阶局域预测法
• 4.2 话务量混沌时间序列的加权一阶局域预测
• 4.2.1 算法步骤
• 4.2.2 加权一阶局域法参数计算结果及预测结果
• 4.3 本章小结
• 第五章 基于人工神经网络的混沌时间序列的预测研究
• 5.1 神经网络简介
• 5.1.1 神经网络的结构
• 5.1.1.1 前馈型网络
• 5.1.1.2 反馈型网络
• 5.1.2 神经网络的特征
• 5.1.3 神经网络的工作方式
• 5.1.4 神经网络的学习
• 5.1.4.1 学习方式
• 5.1.4.2 学习算法
• 5.1.5 神经网络的分类
• 5.1.5.1 静态神经网络
• 5.1.5.2 动态神经网络
• 5.2 神经网络在混沌时间序列预测中的应用
• 5.2.1 神经网络用于混沌时间序列预测的可行性
• 5.2.2 神经网络用于混沌时间序列预测的现状
• 5.3 混沌时间序列的静态神经网络预测研究
• 5.3.1 混沌时间序列预测的BP网络结构
• 5.3.1.1 BP网络结构参数选择
• 5.3.1.2 BP网络模型
• 5.3.2 BP网络学习算法设计
• 5.3.2.1 标准BP算法原理
• 5.3.2.2 BP算法的改进
• 5.3.2.3 BP学习算法实现步骤
• 5.3.3 话务量混沌时间序列BP网络预测及MATLAB仿真
• 5.3.3.1 仿真程序设计及仿真效果图
• 5.3.3.2 仿真结果分析
• 5.4 混沌时间序列的动态神经网络预测研究
• 5.4.1 Elman网络的结构特点
• 5.4.1.1 Elman神经网络结构
• 5.4.1.2 Elman神经网络的学习过程
• 5.4.2 基于Elman网络话务量混沌时间序列的预测研究
• 5.4.2.1 话务量时间序列预测的Elman网络结构
• 5.4.2.2 话务量时间序列预测的Elman网络算法设计
• 5.4.3 话务量混沌时间序列Elman网络预测的MATLAB仿真
• 5.4.3.1 仿真程序设计及仿真效果图
• 5.4.3.2 仿真结果分析
• 5.5 加权一阶局域、BP和Elman网络预测效果评价
• 5.6 本章小结
• 第六章 结论与展望
• 致谢
• 参考文献
• 附录A:攻读学位期间发表论文目录