基于小波变换和ARMA-LSSVM的忙时话务量预测

发布时间：2018-01-12 20:32

  本文关键词：基于小波变换和ARMA-LSSVM的忙时话务量预测　出处：《计算机工程与设计》2014年12期 　论文类型：期刊论文

  更多相关文章： 话务量 小波变换 自回归滑动平均模型 最小二乘支持向量机 组合预测

【摘要】：为提高受多种因素影响的话务量数据的预测精度和稳定性,提出一种考虑多因素影响的基于小波变换和自回归滑动平均(ARMA)-最小二乘支持向量机(LSSVM)的话务量组合预测模型。对忙时话务量数据进行相关性分析,得出影响话务量的重要因子;利用小波变换对数据进行分解和重构,得到低频分量和高频分量;将低频分量输入ARMA模型进行预测,将高频分量和话务量重要影响因子输入粒子群算法优化的LSSVM模型进行预测,将两组预测结果合成。实验结果表明,该模型进一步提高了预测精度和稳定性。
[Abstract]:In order to improve the prediction accuracy and stability of traffic data affected by many factors. A new method based on wavelet transform and autoregressive moving average (ARMA-LS-LSSVM) based on wavelet transform and least squares support vector machine (LSSVM) is proposed. The correlation analysis of busy time traffic data is carried out. The important factors affecting traffic are obtained. The wavelet transform is used to decompose and reconstruct the data to obtain the low-frequency and high-frequency components. The low frequency components are input into the ARMA model for prediction, and the high frequency components and traffic important factors are input to the LSSVM model optimized by particle swarm optimization. The experimental results show that the prediction accuracy and stability of the model are further improved.
【作者单位】： 新疆大学信息科学与工程学院;中国移动通信集团新疆有限公司;
【基金】：中国移动通信集团新疆有限公司研究发展基金项目(XJM2013-2788)
【分类号】：TP393.06
【正文快照】： 0引言准确的话务量预测,能够为网络管理、规划与设计提供重要依据,为网络拥塞、覆盖和干扰等提供决策支持,因此提高话务量预测的精度是当前研究的热点。目前预测的模型主要有差分自回归移动平均(ARI-MA)模型[1,2]、灰色模型[3,4]、神经网络预测模型[5,6]、马尔科夫预测模型[7,，

本文编号：1415886