[发明专利]一种基于聚类LS-SVM的移动通信话务量预测方法

说明书

技术领域

本发明涉及一种基于聚类LS-SVM的移动通信话务量预测方法，属于通信领域。

背景技术

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，及时、准确的话务量预测，能够有效地帮助移动运营商进行网络优化及决策，指导网络扩容，提高网络运行质量。

以往应用于话务量预测的方法主要有移动平均、指数平均等方法，但是这些方法只适合话务量的趋势预测，不能对其中剧烈波动成分进行预测，因此预测精度很低。话务量是典型的时间序列，因此可以用时间序列预测的方法来进行预测。目前，常用于时间序列预测的方法主要有传统统计学方法及人工智能方法，如人工神经网络，支持向量机等。但是，传统统计学方法，如AR、MA、ARMA等方法适合于线性、平稳的时间序列，用来做话务量预测难以得到令人满意的结果。人工神经网络的方法建模复杂，且参数选择困难，容易陷入局部极值，计算效率较低，使得该方法难以在实际中取得广泛应用。

支持向量机(SVM)采用结构风险最小化的原则，成功地解决了高维问题和局部极值问题。但由于支持向量机的训练过程涉及二次规划问题，导致其计算复杂度较高，影响了其在大规模时间序列上的应用。基于标准的SVM，Suykens等提出最小二乘支持向量机(Least square support vector machines，LS-SVM)，将二次规划问题转变成线性方程组的求解，降低了计算复杂度，极大地提高了SVM的训练效率。

LS-SVM进行时间序列预测的基本原理：

在LS-SVM中，回归问题对应的优化问题为：

minw,b.eQ(w,b,e)=12||w||2+γ2Σi=1lei2---(1)]]>

约束条件为：

y_i＝w^Tφ(x_i)+b+e_i                        (2)

相应的拉格朗日函数为：