基于SVM的电信话务量预测方法硕士学位论文.docVIP

PAGE 分类号 密级 U D C 编号 中 南 大 学 CENTRAL 硕士学位论文 论 文 题 目 基于支持向量机 论 文 题 目 基于支持向量机的电信话务量 预测方法 学 科、专 业 控制科学与工程 本人声明，所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了论文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得中南大学或其他单位的学位或证书而使用过的材料。与我共同工作的同志对本研究所作的贡献均已在论文中作了明确的说明。 作者签名： 日期： 年 月 日 学位论文版权使用授权书 本人了解中南大学有关保留、使用学位论文的规定，即：学校有权保留学位论文并根据国家或湖南省有关部门规定送交学位论文，允许学位论文被查阅和借阅；学校可以公布学位论文的全部或部分内容，可以采用复印、缩印或其它手段保存学位论文。同时授权中国科学技术信息研究所将本学位论文收录到《中国学位论文全文数据库》，并通过网络向社会公众提供信息服务。 作者签名： 导师签名 日期： 年 月 日 PAGE 51 摘 要 话务预测技术是通讯网络系统设计、规划和优化的重要手段之一，同时也能为电信企业制定营销策略提供决策支持。虽然话务预测的研究已有20多年历史，并形成了一些话务预测方法，但是随着新理论和新技术的发展，对话务预测新方法的研究仍在不断地深入进行。支持向量机作为数据挖掘的一项新技术，应用于模式识别和处理回归问题等诸多领域。本文利用支持向量机优越的非线性学习及预测性能，针对短期话务预测的各种影响因素的非线性特性，提出基于支持向量机的电信话务量预测新方法，以提高预测精度和时效性，该研究具有重要的理论意义和实用价值。 由于影响话务量的因素繁多且复杂，若对输入不加适当选择处理会导致预测精度降低，训练时间增加。考虑到话务量变化的周期性特点，因此本文采用话务量聚类预处理技术，应用模糊聚类分析的基本原理，依据输入样本的相似度选取训练样本，即选用同类特征数据作为预测输入，保证了数据特征的一致性，强化了历史数据规律。在基于支持向量机话务预测之前，先对样本进行模糊聚类分析，选取与预测样本特征相似的样本作为支持向量机的训练样本。 本文分析了支持向量机的基本原理，支持向量机具有非线性拟合、泛化能力强、训练收敛速度快等显著特点。数值试验结果表明，支持向量机具有较强的学习能力。另外，本文还具体讨论了支持向量机中高斯核函数中参数对支持向量机学习预测性能的影响，指出高斯核函数具有描述样本相似程度这一性质，通过数值实验和理论分析给出了一种选择高斯核函数的方法—拐点法。进一步指出样本数据标准化对学习预测的影响，给出了标准化后选择较优高斯核函数参数的一个大致范围。针对话务量与各种影响因素之间的非线性关系，建立了基于支持向量机的短期话务量预测模型，结果表明基于支持向量机的话务量预测精度要优于神经网络方法和周期时间序列方法。 关键字：支持向量机，模糊聚类，预测模型，高斯核函数 ABSTRACT Traffic forecasting technology is one of important means for network communication system designing, planning and optimization, and it also can provide decision support for telecom enterprise when marketing strategy development. Currently there have been more studies in theory and complemented methods of traffic forecasting and obtained some achievement. New theory and new technology based traffic forecasting researches have been developed continuously. As new technolo