支持向量机在话务预测中的应用与研究
发布时间：2020-09-14 17:19
近几年,我国的移动通信行业发展迅速,使得GSM网络始终处于大规模的建设期。网络不断扩容,规划就需要不断调整。网络设计需要以话务量预测为基础,因此,开展话务量预测模型的研究,有助于定量地掌握话务量的发展趋势,在一定程度上准确地指导网络扩容和载频调整,提高网络运行效率,降低网络建设和运营的成本。 传统的时间序列预测方法,多要求时间序列是全局平稳,且要求残差互不相关。实际的月话务量时间序列往往不满足上述要求,并且是带有非线性、不平稳的特性。支持向量回归机是解决非线性回归问题的一种良好的机器学习的方法。本文用支持向量回归机(SVR)对新疆三地州的月总话务量和月平均忙时话务量进行建模,并凭借微分进化算法(DE)良好的全局搜索能力,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,从而获得较好的预测能力。同时讨论了不同的嵌入维数对话务数据建模的影响,并给出两种模型评价标准。 实验结果表明,本文所提出的方法与其它的话务量预测方法相比,具有更好的泛化能力。而在不同扰动策略的比较中,从总体上看,对当前最优值的扰动策略要略好于对当前随机值的扰动策略。
【学位单位】：新疆大学
【学位级别】：硕士
【学位年份】：2010
【中图分类】：F623;TP18
【部分图文】：
并且数量有限。传统的统计模式识别方法在进行机器（Empirical Risk Minimization, ERM），用样本来定义∑==niempiiLyfxnR1(,(,))1(ω )ω n 个观测样本， ( ,ω)if x被称为预测函数集，其中的ω 被称,ω)ix是衡量用 ( ,ω)if x对iy 进行预测而造成的损失。机器学机制，作为对期望风险 R (ω)的估计。风险最小化会产生“过学习问题”（某些情况下，当训练力的下降），其推广能力较差。推广能力是指：将学习机器、学习模型)对未来输出进行正确预测的能力。事实上，经概率收敛于期望风险，如图 2.1 所示。所以在大样本条件在样本数量有限的情况下未必能得到好的结果。
究统计学习理论的热潮。根据统计学习理论，学习机器的实际风险由经验风险值和置信范围值两部分组成。而基于经验风险最小化准则的学习方法只强调了训练样本的经验风险最小误差，没有最小化置信范围值，因此其推广能力较差。统计学习理论中的一个重要的概念是 VC 维（Vapnik-Chervonenkis demension）。VC维是反映函数集学习能力和复杂性的一个重要的指标，它的直观的定义是：对一个指示函数集，如果存在 h 各样本能够被函数集中的函数按所有可能的 2h种形式分开，则称函数集能够把 h 个样本打散，函数集的 VC 维就是它能打散的最大样本数目 h。由此可以看出，VC 维反映了函数集的学习能力，VC 维越大，则学习机器越复杂。但遗憾的是，目前还没有计算任意函数集 VC 维的理论，只知道一些特殊函数集的 VC 维。例如，在 n维实数空间中线性分类器和线性实函数的 VC 维是 n+1。 如图 2.2 所示，当 h 为 3 时，二维空间中 3 个样本点被完全打散的情况：
值能够保证期望风险的值也较小。当样本数目较少，此时，较小的经验风险值不一定能保证期望风险虑经验风险和置信范围，才能使期望风险较小。原则（Structural Risk Minimization,SRM）的基本思集构造为一个函数子集序列，使各个子集按照 VC得最小经验风险，在子集间折衷考虑经验风险和置把函数集= { ωω∈Ω}S f(x,),分解为： kSSS12，使得 ≤≤≤khhh12.3 所示：
本文编号：2818443
【学位单位】：新疆大学
【学位级别】：硕士
【学位年份】：2010
【中图分类】：F623;TP18
【部分图文】：
并且数量有限。传统的统计模式识别方法在进行机器（Empirical Risk Minimization, ERM），用样本来定义∑==niempiiLyfxnR1(,(,))1(ω )ω n 个观测样本， ( ,ω)if x被称为预测函数集，其中的ω 被称,ω)ix是衡量用 ( ,ω)if x对iy 进行预测而造成的损失。机器学机制，作为对期望风险 R (ω)的估计。风险最小化会产生“过学习问题”（某些情况下，当训练力的下降），其推广能力较差。推广能力是指：将学习机器、学习模型)对未来输出进行正确预测的能力。事实上，经概率收敛于期望风险，如图 2.1 所示。所以在大样本条件在样本数量有限的情况下未必能得到好的结果。
究统计学习理论的热潮。根据统计学习理论，学习机器的实际风险由经验风险值和置信范围值两部分组成。而基于经验风险最小化准则的学习方法只强调了训练样本的经验风险最小误差，没有最小化置信范围值，因此其推广能力较差。统计学习理论中的一个重要的概念是 VC 维（Vapnik-Chervonenkis demension）。VC维是反映函数集学习能力和复杂性的一个重要的指标，它的直观的定义是：对一个指示函数集，如果存在 h 各样本能够被函数集中的函数按所有可能的 2h种形式分开，则称函数集能够把 h 个样本打散，函数集的 VC 维就是它能打散的最大样本数目 h。由此可以看出，VC 维反映了函数集的学习能力，VC 维越大，则学习机器越复杂。但遗憾的是，目前还没有计算任意函数集 VC 维的理论，只知道一些特殊函数集的 VC 维。例如，在 n维实数空间中线性分类器和线性实函数的 VC 维是 n+1。 如图 2.2 所示，当 h 为 3 时，二维空间中 3 个样本点被完全打散的情况：
值能够保证期望风险的值也较小。当样本数目较少，此时，较小的经验风险值不一定能保证期望风险虑经验风险和置信范围，才能使期望风险较小。原则（Structural Risk Minimization,SRM）的基本思集构造为一个函数子集序列，使各个子集按照 VC得最小经验风险，在子集间折衷考虑经验风险和置把函数集= { ωω∈Ω}S f(x,),分解为： kSSS12，使得 ≤≤≤khhh12.3 所示：
【引证文献】
相关硕士学位论文 前1条
1 吉敏;支持向量回归机在组合预测中的应用研究[D];东华大学;2011年
本文编号：2818443
本文链接：https://www.wllwen.com/jingjilunwen/xxjj/2818443.html
