[发明专利]基于先验知识的自适应话务量中长期预测方法

说明书

技术领域

本发明涉及移动通信话务量预测领域，具体涉及乘积季节求和自回归滑动平均模型预测方法。

背景技术

随着计算机科学技术的不断发展，知识和数据的获取变得越来越容易，呈爆炸性增长，有效挖掘已知历史数据、提取数据特征和通过已知历史序列进行未来状态的预测，使得数据挖掘变成时下的热点问题之一，与此同时，预测技术成为时间序列数据挖掘的重点内容，吸引越来越多研究者的关注，移动通信话务量的大小在一定程度上体现了话音信道被占用的强度。移动通信话务量数据预测对于移动网络的维护以及移动通信的决策具有重要的价值。

目前移动通信用户数和话务量保持着高速增长的势头，移动网络长久、稳定的运行，依赖于及时、有效的网络规划与优化。移动通信话务量超过一定容量时，极易造成交换系统过载，出现网络拥塞，给移动通信运营商和用户造成不可弥补的损失。因此，根据话务统计资料和其他业务信息对移动通信话务量的变化趋势进行预测，可以为通信系统运营过程中的峰值预警、基站配置、信道优化利用等问题提供决策支持。

话务量作为时间序列数据的一种，其预测方法可以追溯到时间序列预测的一般方法。时间序列预测就是根据已有的记录数据，在一定精度范围内预报未来行为。目前，时间序列预测技术是进行移动通信话务量数据预测的一种有效方法。针对移动通信话务量的中长期预测需求，采用乘积季节求和自回归滑动平均模型方法进行预测。

现有采用乘积季节求和自回归滑动平均模型进行时间序列预测的基本原理为：

对一个线性系统，输入白噪声序列a_t，输出一个平稳序列x_t，输入输出关系可以表示为自回归滑动平均模型，将时间序列x_t表示为当前时间之前的序列值、白噪声的过去值以及当前值的加权和的形式。

x_t＝φ₁x_t-1+φ₂x_t-2+…+φ_px_t-p+a_t+θ₁a_t-1+…+θ_qa_t-q    (1)

称为自回归滑动平均(AutoRegressive-Moving Average)模型，记为ARMA(p，q)。

对于某些时间序列，进行d阶差分后，符合自回归滑动平均模型，这类模型称为求和自回归滑动平均模型。模型结构如下：

Φ(B)▿dxt=Θ(B)at---(2)]]>

其中：

Φ(B)＝1-φ₁B-φ₂B²-…-φ_qB^q

Θ(B)＝1+θ₁B+θ₂B²+…+θ_qB^q    (3)

称为求和自回归滑动平均(AutoRegressive-Integrated Moving Average)模型，记为ARIMA(p，d，q)。

对于一些具有周期变化特点时间序列，采用延迟差分的方法处理后符合自回归滑动平均模型，这类模型称为季节求和自回归滑动平均模型；模型结构如下：