基于支持向量机的电信话务量预测方法

发布时间：2021-01-24 05:06

　　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... 

【文章来源】：中南大学湖南省 211工程院校 985工程院校 教育部直属院校

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

话务监控中异常处理过程

【参考文献】：
期刊论文
[1]基于加权支持向量回归的在线训练算法及应用[J]. 刁翔,李奇.  系统仿真学报. 2007(17)
[2]基于灰色模型的电信市场预测研究[J]. 杨晓波.  计算机工程与应用. 2007(16)
[3]基于多分辨率SVM回归估计的短期负荷预测[J]. 畅广辉,刘涤尘,熊浩.  电力系统自动化. 2007(09)
[4]基于模糊聚类的PWA系统的模型辨识[J]. 潘天红,李少远.  自动化学报. 2007(03)
[5]基于属性权重的Fuzzy C Mean算法[J]. 王丽娟,关守义,王晓龙,王熙照.  计算机学报. 2006(10)
[6]基于模糊神经网络的移动组网拥塞预测[J]. 李千目,戚涌,许满武,张宏,刘凤玉.  计算机科学. 2006(10)
[7]基于支持向量机的混沌时间序列非线性预测[J]. 刘涵,刘丁,李琦.  系统工程理论与实践. 2005(09)
[8]用近邻算法预测通信量时间序列[J]. 黄健聪,万海,郝小卫,李磊.  计算机科学. 2005(07)
[9]小样本时间序列的数据处理[J]. 任劲涛,朱家海,邵玉梅.  空军工程大学学报(自然科学版). 2005(03)
[10]基于季节ARIMA模型的GSM话务量建模和预报[J]. 薄今纲,于敏芳,刘嘉焜,余晖.  数理统计与管理. 2004(06)

博士论文
[1]基于支持向量机的消费信贷中个人信用评估方法研究[D]. 沈翠华.中国农业大学 2005
[2]时间序列数据挖掘中相似性和趋势预测的研究[D]. 王晓晔.天津大学 2003

硕士论文
[1]针对电信行业自适应智能话务预测模型的研究与实现[D]. 向炳新.电子科技大学 2007
[2]基于主成分分析的支持向量机划分地震相[D]. 朱艳伟.西安科技大学 2006
[3]电信话务量OLAP分析和神经网络预测模型[D]. 陈晓峰.华侨大学 2004



本文编号：2996633