基于arima-svm组合模型的移动通信业务预测研究.docxVIP

基于arima-svm组合模型的移动通信业务预测研究 0 基于arra-svm的移动通信多用户预测方法 在过去的20年里，随着移动通信技术的发展，通信行业已经从用户的通信需求转变为用户的工作、生活、娱乐、结交和消费等需求。进入3G时代后, 用户不再关注技术和网络, 而是更多地聚焦于内容、应用和体验方面。移动通信技术的发展趋势及普及率主要通过通信业务量体现。通信业务预测是通信网络规划的基础和依据, 关系到工程建设的投资和规模, 以及网络建成投产后的经济效益。因此, 对某个移动运营商来说, 合理的业务预测显得尤为重要。本文探讨移动通信业务预测中的移动用户数预测。 移动通信用户数时间序列具有高度不稳定、复杂且难以预测的特性, 其数据具有线性和非线性规律, 并隐含大量的动态特征, 同时又受自变量的影响。目前, 用于移动通信用户数的预测方法主要有:时间序列方法、回归分析法、神经网络预测法和支持向量机 (Support Vector Machine, SVM) 等。基于线性数据的差分自回归移动平均 (Auto Regressive Integrating Moving Average ARIMA) 模型融合了时间序列分析和回归分析的优点, 在移动通信业务预测中得到了广泛的应用。但是, ARIMA模型无法捕捉非线性数据的信息, 而现实中的时间序列数据往往表现出更多的非线性特性且含有复杂的噪声, 因此, 基于线性模型定阶获得模型阶数和基于线性筛选方法保留变量的ARIMA模型, 往往并非最优, 从而导致预测精度不高。在非线性时间序列预测中, 神经网络模型的产生为移动用户数的深入研究开拓了新的空间。然而在实际应用中, 神经网络存在隐含层数的选择、过拟合、泛化性能不强以及局部极小值等问题。基于结构风险最小化的支持向量机SVM, 是一种新的机器学习方法, 其在非线性时间序列领域取得了良好的预测结果, 较好地解决了小样本、非线性、过拟合、维数灾和局部小等问题, 且泛化推广能力优异。一些学者为了有效地利用各种模型的优点, 提出了基于著名的M-竞争理论的组合预测方法来进行时间序列的预测研究, 实证结果表明, 相对于单独的模型, 组合预测模型考虑问题更系统、更全面, 因而能够有效地减少一些环境因素对单个预测模型预测过程的影响, 提高预测精度。 针对移动通信用户数据复杂、难预测且具有线性和非线性规律的特点, 本文提出一种基于ARIMA和SVM组合模型的移动通信用户数预测方法——ARIMA-SVM, ARIMA以一步预测的方式描述历史的线性关系, SVM以相同方式对ARIMA模型的残差进行非线性建模。利用ARIMA-SVM组合模型对移动通信用户数进行预测, 验证组合模型的有效性和可行性。 1 arma-svm模型 1.1 svm模型估计 ARIMA模型是差分运算和ARMA模型的结合, 即拟合的差分平稳序列。对于含有非季节性的时间序列进行建模, 可使用ARIMA (p, d, q) 模型。它可以通过适当的d阶 (d为整数) 差分运算使序列平稳。ARIMA模型的一般形式为: 其中, {yt}为平稳时间序列;{?t}为白噪声序列;φi、θj(i=1, 2, …, p;j=1, 2, …, q) 分别是{yt}、{?t}的参数;p为自回归阶数, q为移动平均阶数。 ⑵SVM模型 假设有训练集{xi, yi}, 其中xi∈RD(xi包含D个特征) , i=1, 2, …, n是n个D维向量, yi∈R, F={f|RD→R}。SVM线性回归问题仅与训练样本之间的内积运算有关, 因此求解过程的复杂度不会随样本维数增加而明显增加, 解决了维数灾难的问题。对于非线性回归问题, 可以通过非线性函数将原输入训练样本映射到高维特征空间F, 并进行线性回归。训练样本xi满足如下条件: ζi称为松弛变量, ζi≥0, i=1, 2, …, n。在结构风险原则下, 可将回归问题转化为如下最优化问题: 其中, c为惩罚参数, 用于平衡松弛变量和分类边界的大小, 上式解为最优最终判别函数: K (xi, yj) 为核函数, 不同的核函数可构造不同的支持向量机。本文采用径向基核函数: 其中, σ为核密度。 ⑶ARIMA-SVM组合预测模型 ARIMA与SVM模型分别对线性和非线性模型的处理具有优势, 所以存在优势互补, 二者结合起来进行移动通信用户数预测, 可能收获较好的结果。首先, 建立ARIMA模型来分析时间序列的线性部分;然后对ARIMA模型的残差构建SVM模型, ARIMA和SVM模型的预测值之和即为组合模型的预测值。其原理如图1所示。 1.2 svm模型预测过程 把一组时间序列的数据yt看成由线性自相关结构Lt和非线性结构Nt两部分组成, 即: 具体建模步骤如下: ⑴用ARIMA模型