基于蚁群算法优化支持向量机移动话务量预测.docVIP

基于蚁群算法优化支持向量机移动话务量预测 　　【摘要】 移动通信话务量的准确预测对于提高网络的性能，增进终端用户体验均具有重要的意义。支持向量机作为一种新的机器学习方法其可以有效地应对小样本、非线性等问题。然而支持向量机的训练参数对基于其所构建的预测模型的精度具有决定性的影响，因此本文选取具有全局优化能力的蚁群算法进行参数搜索优化过程，通过对某市移动通信话务量的数据进行试验仿真，结果显示该方法在预测精度及时效性方面具有较好的性能。 　　【关键词】 蚁群算法 支持向量机 移动话务量 预测模型 　　话务量预测问题，是指通过精准的统计调查方法，以历史话务量数据为基础，从其内在蕴含的规律性与特点出发，运用科学有效的建模回归方法对未来某一时段的话务量进行预测。话务量的多少直接影响到移动通信网络的设计、规划以及运营情况，对于终端客户的服务质量具有决定性的影响。 　　目前对移动话务量预测常采用的方法为线性自回归移动平均模型（ARIMA）、人工神经网络（ANN）、支持向量回归机（SVR），其中线性自回归移动平均模型对训练数据具有较高的要求，具体为时间序列应具有正态分布、全局平稳等特征，然而在实际应用中，话务量的时间序列往往是不规则、非平稳且非线性的，因此线性自回归移动平均模型对于移动话务量的预测具有一定的缺陷。相比于线性自回归移动平均模型，人工神经网络具有较好的非线性预测能力，然而其对所需的训练样本数据数量较大，且易于陷入局部极值，因而导致最终的预测效果不稳定[1]；支持向量回归机中相关参数的选择对于最终预测模型的泛化能力及预测结果，因此构建相关参数科学、合理的选取机制是基于支持向量回归机进行时间序列数据预测的一个关键问题[2，3]。 　　一、支持向量回归机模型 　　作为一种新型的机器学习方法，支持向量机（Support Vector Machine， SVM）的基本思想是构造一个恰当的非线性映射，将低维度的非线性函数映射至高维度的空间内。需要注意的是，对于支持向量机SVM的求解过程不需要事先对非线性映射的具体表达式进行表述，只需要选取合适的核函数即可，利用对核函数进行优化求解过程，将高维特征空间的点积转换为低维空间的核函数进行计算，从而避免了高维空间中求解所带来的维数灾难问题。可以说，核函数的选取是支持向量机应用中的一个关键问题，对于核函数的选取要求是其必须满足Mercer条件，此外应尽可能的准确反映训练样本数据点的分布特征。在支持向量机的实际应用中，大多选择多项式核函数、高斯径向基核函数以及Sigmoid核函数。 　　支持向量机在实际使用中性能的好坏取决于相关参数的选择，其中包括：正则化参数C，核参数σ，以及不敏感参数ε等。支持向量机目前在回归算法的应用及研究方面表现出了良好的性能，在宏观经济、工程应用如电力需求预测、证?皇谐∈奔湫蛄蟹治龅确矫婢?有成功的应用范例。 　　给定一组训练集合T={（xi，yi），i=1，2，…，m}，其中xi∈Rn，yi=R，i=1，2，…，m。假设该组训练数据是按照Rn?R上的某一个分布P（x，y）所选取的独立且同分布的样本点，我们的目的在于试图寻找一个实值函数，从而实现以y=f（x）推断任意一组输入xi∈Rn所对应的的输出值y∈R，同时使得对训练集的期望风险值达到最小程度。 　　R（f）=∫c（x，y，f）dp（x，y） 　　其中c（x，y，f）是给定的损失函数。 　　二、蚁群算法 　　蚁群算法由Dorigo等在上个世纪90年代首次提出之后，在国际学术界引起了广泛的关注。作为一种人工智能仿生算法，其借鉴生物界中蚂蚁在觅食的过程中通过自身所释放出的信息素进行社会化沟通、交流及协作的机制，通过多次迭代过程实现对最优解的寻找。 　　下面以TSP问题为例，介绍蚁群算法ACO的数学模型。假定给定的城市数目为n，di，j（i，j=1，2，…，n）为第i个城市到第j个城市之间的距离，Bi（t）表示在t时刻，第i个城市上停留的蚁群数量，则有M=■B■（t）。蚂蚁的状态转移是依靠分布在城市路径上的信息素作为线索进行完成的。在具体的算法运行过程中，蚁群利用状态转移定律p■■（t）来选择具体的行进路径，从而到达下一个城市。在t时刻，p■■（t）的含义为 　　■ 　　其中，allowedk表示蚂蚁k下一次迭代可选择的具体城市，α和β的作用为调节信息素和启发式信息重要性程度。从上面的式子可以看出，两个城市之间的距离愈小，则其对应的信息素浓度值愈高，这也就意味着蚂蚁从这两个城市之间进行移动的概率愈大。信息素的全局更新规则如下所示，其中ρ∈（0，1]为信息素的挥发因子。 　　■ 　　■ 　　参数是影响蚁群算法运行性能及效率的一个关键因素，算法的启发式因子α、期望启发式因子β、信息素残留因子1-ρ、