微分进化策略在忙时话务预测中的应用.docVIP

支持向量机结合微分进化策略在忙时话务预测中的应用 韩锐① *贾振红① 覃锡忠① 常春② 王浩② ①（新疆大学信息科学与工程学院 乌鲁木齐 830046） ②（中国移动新疆分公司 乌鲁木齐 830063） 摘要：本文用支持向量回归机与微分进化策略相结合的方法，对新疆两个地区的月平均忙时话务量进行预测。凭借微分进化策略良好的全局搜索性质，以预测平均相对误差为目标函数，对支持向量机的超参数进行寻优，利用优化好的支持向量机月平均忙时话务量进行预测，并与传统的网格寻优算法和RBF神经网络进行比较。结果表明支持向量机的泛化能力与微分进化策略的搜索能力相结合，可以得到更好的预测效果。在微分进化策略的两种扰动策略当中，对当前最优值的扰动策略要好于对当前随机值扰动的策略。 关键字：微分进化策略；支持向量机；月忙时话务预测 中图分类号：TP181 文献标识码：A Application of SVM with DE-strategy to Telephone Traffic Load of Monthly Busy Hour Prediction Han Rui① Jia Zhen-hong① Qin Xi-zhong① Chang Chun② Wang Hao② ①(College of Information Science and Engineering, Xinjiang University, Urumqi 830046, China) ②(Xinjiang Mobile Communication Company, Urumqi, 830063, China) Abstract: Telephone traffic load of monthly busy hour in two states of Xinjiang are predicted by the method of support vector machine combines with differential evolution strategy. The hyper-parameter of SVM is optimized via the DE-strategy and the MAPE criteria is defined as the objective function. Telephone traffic load of monthly busy hour is forecasted by the optimized SVM, the predicted result is compared with the method of grid search and RBF neural network. A better prediction result is obtained by the generalization property of SVM combines with searching property of DE-strategy. The strategy of perturbing the current best value is better than perturbing the current random value in the DE-strategy. Key words: Differential evolution strategy (DE- strategy); Support vector machine (SVM); Traffic load of monthly busy hour prediction. 1 引言 支持向量机理论自从提出以来[1]，就因其良好的泛化能力和严密的数学结构受到学者们的广泛关注[2]。近几年，支持向量机作为一种预测工具，已经应用在了医疗诊断[3]、电能需求预测[4]，以及链路负荷[5]等方面。然而，支持向量机的学习数参数着联过计时话务时间归对时话务进预测，其中为训练数据集的大小，为输入特征空间，为与之相对应的输出数据的大小。回归问题就是要估计出与的关系： (1) 其中对应在空间的内积。为核函数，把训练数据映射到高维空间上：，因此在原空间上解决非线性问题就等同于在新的高维空间上解决线性回归问题。 机器学习理论对这一问题可以表述为在一组函数中寻求一个最优的函数使得预期的期望风险达到最小。 (2) 其中为样本容量，为VC维。支持向量机理论把(2)式转化为寻求如下问题的最优解： (3)