CN101052067A - 智能化话务预测方法 - Google Patents

Abstract

本发明公开了一种智能化话务预测方法，其包括以下步骤：(1)取出近几年的数据进行训练，确定初始参数：增长因子、模板值、各节假日话务的模板值；(2)根据输入的预测长度，判断是短期或中长期的平稳期话务预测，而选定不同的平稳期话务预测算法；(3)根据步骤(2)的结果，按照不同的算法来预测平稳期话务；(4)根据步骤(1)确定的参数，定位预测期间的各节假日的长度和类型，调动相应的节假日话务预测算法进行预测节假日话务；(5)根据步骤(3)、(4)的结果，将平稳期话务和节假日话务进行接口平滑处理，合成预测话务，输出到相应设备。本发明提高了平稳期的话务预测精度，也解决了节假日话务难以预测的问题。

Description

智能化话务预测方法

技术领域

本发明涉及一种话务预测算法，具体地说，涉及一种提高话务预测精确度的智能化预测方法。

背景技术

话务预测就是从获得的相关历史记录资料中，认识系统话务变化的规律与特性，建立一个可以描述话务变化特性的数学模型，进而在一定精度要求下，利用它来进行预测。未来某个特定时段的话务量。

话务预测按预测长度分为短期、中期和长期预测。

短期的话务预测是指提前几天的预测，主要是用于预防控制和紧急状态处理需要，特别是应对节假日和突发的大型活动，以及用于实时调整网络设备，在保证通信质量的同时，提高设备利用率。中期话务预测需要预测1-3月的话务量，主要是用来合理安排网络设备的配置，使设备的利用率保持较高的水平，提高经营效益。长期话务量预测是指提前3-6个月甚至1年的预测，主要是用来为进行网络规划和市场部门制定经营策略提供科学的依据。

话务预测最重要的指标是预测精度和预测长度，提高其精度既能增强通信网络运行的安全性，又能改善网络运行的经济性和服务质量，同时为市场部门制定经营策略提供科学有效的参考。因此，人们总是期望能得到准确的话务预测，但这并不容易做到。因为：(1)未来各种可能引起话务量发生变化的情况，并不能事先确切地全部掌握。(2)某些复杂的因素，即使知道它们会对话务量发生影响，然而，要定量地准确判定它们的影响，常常是困难的；而且它们常常耦合在一起，很难加以分离。(3)话务量具有分散性，它们对总量的影响将随时间、当地社会、经济发展状况及各地区人类活动不同而不同，而上述分布式信息即难掌握又不易处理。

目前，常用的话务预测是因素分析法和时间序列分析法。因素分析法需要得到影响数据波动的所有因素，而这些因素的提取往往存在很大的随机性，同时各种因素之间耦合性很强，难以进行数据挖掘，因此，因素分析法在复杂的移动网络中进行预测并不可行。时间序列分析法是一种仅仅基于话务数据的线性分析方法，这种方法在短期话务预测中具有相当高的精度，但并不适合于长期预测，因为这种方法是建立在对将来话务变化相对缓慢的假设基础上的，同时又忽略了对节假日话务的预测。因此，对于变化比较大，同时受节假日影响显著的移动通信网络，时间序列分析方法难以取得较高的精度，特别是节假日话务预测。

发明内容

针对一般的话务预测方法对于话务波动较大，同时受节假日影响显著的移动通信网络话务预测精度不高的问题，本发明提供了一种能够提高平稳期的话务预测精度，同时也解决了节假日话务难以预测的问题的智能化话务预测方法。

为了解决上述技术问题，本发明采用了以下技术方案：

本发明的一种智能化话务预测算法，其特征在于：其依序包括以下步骤

(1)、从历史话务数据库中取出近几年的数据进行大量数据训练，确定模型的初始参数：每一段趋势分量的增长因子、周期分量的模板值、全年中每一个节假日话务的模板值；

(2)、根据用户预测需求输入窗口输入的预测长度，通过平稳期预测算法选择模块来判断是属于预测长度为短期还是中长期的平稳期话务预测，进而选定预测长度为短期的平稳期话务预测算法或是预测长度为中长期的平稳期话务预测算法；

(3)、根据步骤(2)判断的结果，按照预测长度为短期的平稳期话务预测算法或是预测长度为中长期的平稳期话务预测算法来预测平稳期话务；

(4)、根据步骤(1)确定的参数，通过节假日定位模块先定位预测期间的各个节假日的长度和类型，然后通过节假日话务预测模块调动相应的节假日话务预测算法进行预测节假日话务；

(5)、根据步骤(3)、步骤(4)的预测结果，将平稳期话务和节假日话务进行接口平滑处理，从而合成预测话务，输出到预测数据数据库和用户显示窗口。

在本发明中，所述预测长度为中长期的平稳期话务预测算法是：

将全年的平稳期话务分为N段进行预测，每一段平稳期话务又视为由趋势分量和周期分量叠加组成：

               T_t＝α*t+β

y_t＝S_t+T_t                       ①

               S_t＝y_t-T_t

这里，y_t是原始平稳期话务，S_t是周期话务分量，T_t是趋势话务分量；

趋势话务分量T_t采用一元回归分析方法进行预测，周期话务分量S_t采用模板匹配算法进行预测。

其中所述一元回归分析方法为：

T_t＝a*t+b，这里b为预测起始点前一天的话务数据，a为增长因子，采用近三年来同一段的增长因子进行数据训练得到；

从而趋势话务分量T_t的预测步骤：

(1)先根据预测的日期确定预测时间段在时间上属于N段中哪一段平稳期；

(2)然后用综合评判方法求取一元线性回归模型中参数a；

(3)a×t(t为时间，以天计算)作为趋势分量；

周期话务分量S_t采用模板匹配算法进行预测，模板匹配算法的步骤为：

(1)话务数据预处理

利用公式①对求取的周期分量进行数据预处理，滤除掉异常值，这里采用正态分布进行统计，滤除前后段各5％的异常数据；

(2)话务数据归一化处理

将经过预处理的周期分量进行归一化，每天的周期分量/当天的趋势分量，公式如下

F_i＝S_i/T_i                                    ②

其中，F_i为归一化化后的周期分量，S_i为实际周期分量，T_i为实际的趋势分量

(3)求取星期模版值

提取三年来该时段内所有周的某一天的归一化值，求其平均值，记该值为这一时段该星期模板的此天的初始值，设该值为FM_i，三年中该段一共有N个该周的此天的值，则模板中一周中的此天的模版值FM为：

$\mathrm{FM}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{FM}}_i/N$ ③

根据上述公式③，求出一周内各天的模版值；

(4)求取周期分量话务预测

公式③确定了星期模板上从周一到周日的各模板值，由模板值FM乘变换系数T_i′，即根据：

S_i′＝T_i′*FM                      ④

就可以得出待预测的周期分量值S_i′。

在本发明中，所述预测长度为短期的平稳期话务预测算法：其步骤是

(1)采用自相关分析方法确定每个话务序列的相关特性，找出关联性最大的三个数据点：y_t-j，y_t-k，y_t-l；

(2)求取平稳期话务预测值：y_t＝a*y_t-j+b*y_t-k+c*y_t-l，其中a，b，c由数据训练得到。

在本发明中，所述节假日话务预测算法为：

将节假日持续影响的前后日期的话务组成的曲线看作一模板，采用模板匹配方法进行预测，其步骤如下：

(1)归一化，将节日期间的每一个值除以前一段平稳期的平均值；

(2)采用模板匹配求出一条节假日曲线，其中的参数经过大量数据训练得到；

(3)预测时，进行反归一化，原理同周期分量的预测。

在本发明中，其还包括有模型参数自适应修正算法，该模型参数自适应修正算法是在模版匹配算法的基础上进行模版修正，其步骤如下：

将最新一年的年份的话务加入到原始历史数据库中，进行处理，求出最新的模板值以及模板匹配变换系数。

本发明由于采用了上述技术方案，从历史话务数据出发，分别采用不同的预测算法对平稳期话务和节假日话务进行预测，其克服了传统的话务预测方法对于话务波动较大，同时受节假日影响显著的移动通信网络话务预测精度不高的问题，从而提高了平稳期的话务预测精度，也解决了节假日话务难以预测的问题；本发明的算法将节假日和平稳期话务分开采用不同的方法预测，同时有模型参数自适应修正算法保证依据本发明开发的预测系统能够智能地、及时地捕捉最新的话务变化趋势，因此能够保证较高的话务预测精度。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1是本发明智能化话务预测方法的平稳期话务分解示意图。

图2是本发明智能化话务预测方法的模板匹配示意图。

图3是本发明智能化话务预测方法的预测算法实施示意图。

具体实施方式

如图1所示，它是本发明智能化话务预测方法的平稳期话务分解示意图。先将最近三年地历史话务数据先进行合理分为N段，每一段近似为一个平稳随机过程，然后根据图1将每一段平稳期话务进行分解：周期分量和趋势分量两个部分组成。图1中(a)为原始平稳期话务，(b)为趋势分量话务(一元线性回归模型)，(c)为周期分量话务。

如图2所示，它是本发明智能化话务预测方法的模板匹配示意图。对每一段平稳期话务，先依据历史周期分量数据进行训练得到一周的话务模板曲线，如图2(a)所示，然后利用已经预测的趋势分量值和公式④就可求得周期分量预测值，如图2(b)所示。

如图3所示，它是本发明智能化话务预测方法的预测算法实施示意图。一种智能化话务预测方法，其特征在于：其依序包括以下步骤

(1)、从历史话务数据库中取出近几年的数据进行大量数据训练，例如取近三年的数据，确定模型的初始参数：每一段趋势分量的增长因子、周期分量的模板值、全年中每一个节假日话务的模板值；

(2)、根据用户预测需求输入窗口输入的预测长度，通过平稳期预测算法选择模块来自动判断是属于预测长度为短期还是中长期的平稳期话务预测，进而选定预测长度为短期的平稳期话务预测算法或是预测长度为中长期的平稳期话务预测算法；

(3)、根据步骤(2)判断的结果，按照预测长度为短期的平稳期话务预测算法或是预测长度为中长期的平稳期话务预测算法来预测平稳期话务；

(4)、根据步骤(1)确定的参数，通过节假日定位模块先定位预测期间的各个节假日的长度和类型，然后通过节假日话务预测模块调动相应的节假日话务预测算法进行预测节假日话务；

(5)、根据步骤(3)、步骤(4)的预测结果，将平稳期话务和节假日话务进行接口平滑处理，从而合成预测话务，输出到预测数据数据库和用户显示窗口。

预测长度为中长期的平稳期话务预测算法是：

本发明将全年的平稳期话务分为N段进行预测，每一段平稳期话务又视为由趋势分量和周期分量叠加组成：

             T_t＝α*t+β

y_t＝S_t+T_t                       ①

             S_t＝y_t-T_t

这里，y_t是原始平稳期话务，S_t是周期话务分量，T_t是趋势话务分量；

趋势话务分量T_t采用一元回归分析方法进行预测，周期话务分量S_t采用模板匹配算法进行预测。

其中一元回归分析方法为：

T_t＝a*t+b，这里b为预测起始点前一天的话务数据，a为增长因子，采用近三年来同一段的增长因子进行数据训练得到；

从而趋势话务分量T_t的预测步骤：

(1)先根据预测的日期确定预测时间段在时间上属于N段中哪一段平稳期；

(2)然后用综合评判方法求取一元线性回归模型中参数a；

(3)a×t(t为时间，以天计算)作为趋势分量。

周期话务分量S_t采用模板匹配算法进行预测，模板匹配算法的步骤为：

(1)话务数据预处理

利用公式①对求取的周期分量进行数据预处理，滤除掉异常值，其中滤除掉异常值是采用正态分布进行统计，滤除前后段各5％的异常数据；

(2)话务数据归一化处理

将经过预处理的周期分量进行归一化，每天的周期分量/当天的趋势分量，公式如下

F_i＝S_i/T_i                     ②

其中，F_i为归一化化后的周期分量，S_i为实际周期分量，T_i为实际的趋势分量

(3)求取星期模版值

提取三年来该时段内所有周的某一天的归一化值，以周一为例，求其平均值，记该值为这一时段星期模板周一的初始值，设该值为FM_i，三年中该段一共有N个周一的值，则星期模板中周一的模版值FM为：

$\mathrm{FM}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{FM}}_i/N$ ③

根据上述公式③，求出一周内各天的模版值；

(4)求取周期分量话务预测

公式③确定了星期模板上从周一到周日的各模板值，由模板值FM乘变换系数T_i′，即根据：

S_i′＝T_i′*FM                     ④

就可以得出待预测的周期分量值S_i′。

预测长度为短期的平稳期话务预测算法：其步骤是

(1)采用自相关分析方法确定每个话务序列的相关特性，找出关联性最大的三个数据点：y_t-j，y_t+k，y_t-l；

(2)求取平稳期话务预测值：y_t＝a*y_t-j+b*y_t-k+c*y_t-l，其中a，b，c由数据训练得到。

节假日话务预测算法：

将节假日持续影响的前后日期的话务组成的曲线看作一模板，采用模板匹配方法进行预测，其步骤如下：

(1)归一化，将节日期间的每一个值除以前一段平稳期的平均值；

(2)采用模板匹配求出一条节假日曲线，其中的参数经过大量数据训练得到；

(3)预测时，进行反归一化，原理同周期分量的预测。

本发明中的模版匹配算法就有很强鲁棒性，在长期话务预测中能较好的满足精度要求，但是，由于移动网络话务变化较大，因此，如果系统的模版不能及时更新，不能体现最新的话务变化情况，那么模版算法的精度将会受到极大的削减，所以，将模版由静态变成动态就显得非常重要，即模版话务值随年份增加进行不断的修正。因此本发明还包括有模型参数自适应修正算法，通过在预测系统中加入了模型参数训练、自适应调整模块不断修正模型中的参数，以保证跟踪最新的话务变化信息。自适应修正算法是在模版匹配算法的基础上进行模版修正，通过更新算法模版，提高预测精度，该模型参数自适应修正算法核心工作是提取最新年份的话务变化信息，其过程如下：将最新一年的年份的话务加入到原始历史数据库中，进行处理，求出最新的模板值以及模板匹配变换悉数，这个工作每年重复一次，以捕捉最新的话务信息，一年内的话务变化信息，由于趋势分量的求取是采用综合评判方法进行的，已经能够捕捉到最近月份的话务变化信息。

本发明的算法将节假日和平稳期话务分开采用不同的方法预测，同时有模型参数自适应修正算法保证依据本发明开发的预测系统能够智能地、及时地捕捉最新的话务变化趋势，因此能够保证较高的话务预测精度，具有更有的技术效果。

此外，本发明还可以用于其他时间序列，比如电力负荷数据的预测，而不影响本发明的保护范围。

总之，本发明型虽然例举了上述优选实施方式，但是应该说明，显然本领域的技术人员可以进行各种变化和改型。因此，除非这样的变化和改型偏离了本发明的范围，否则都应该包括在本发明的保护范围之内。

Claims (7)

1、一种智能化话务预测方法，其特征在于：其依序包括以下步骤

(1)、从历史话务数据库中取出近几年的数据进行大量数据训练，确定模型的初始参数：每一段趋势分量的增长因子、周期分量的模板值、全年中每一个节假日话务的模板值；

(2)、根据用户预测需求输入窗口输入的预测长度，通过平稳期预测算法选择模块来判断是属于预测长度为短期还是中长期的平稳期话务预测，进而选定预测长度为短期的平稳期话务预测算法或是预测长度为中长期的平稳期话务预测算法；

(3)、根据步骤(2)判断的结果，按照预测长度为短期的平稳期话务预测算法或是预测长度为中长期的平稳期话务预测算法来预测平稳期话务；

(4)、根据步骤(1)确定的参数，通过节假日定位模块先定位预测期间的各个节假日的长度和类型，然后通过节假日话务预测模块调动相应的节假日话务预测算法进行预测节假日话务；

(5)、根据步骤(3)、步骤(4)的预测结果，将平稳期话务和节假日话务进行接口平滑处理，从而合成预测话务，输出到预测数据数据库和用户显示窗口。

2、根据权利要求1所述的智能化话务预测方法，其特征在于：所述预测长度为中长期的平稳期话务预测算法是：

将全年的平稳期话务分为N段进行预测，每一段平稳期话务又视为由趋势分量和周期分量叠加组成：

                    T_t＝α*t+β

     y_t＝S_t+T_t                            ①

                    S_t＝y_t-T_t

这里，y_t是原始平稳期话务，S_t是周期话务分量，T_t是趋势话务分量；

趋势话务分量T_t采用一元回归分析方法进行预测，周期话务分量S_t采用模板匹配算法进行预测。

3、根据权利要求2所述的智能化话务预测方法，其特征在于：

所述一元回归分析方法为：

T_t＝a*t+b，这里b为预测起始点前一天的话务数据，a为增长因子，采用近三年来同一段的增长因子进行数据训练得到；

从而趋势话务分量T_t的预测步骤：

(1)先根据预测的日期确定预测时间段在时间上属于N段中哪一段平稳期；

(2)然后用综合评判方法求取一元线性回归模型中参数a；

(3)a×t(t为时间，以天计算)作为趋势分量；

周期话务分量S_t采用模板匹配算法进行预测，模板匹配算法的步骤为：

(1)话务数据预处理

利用公式①对求取的周期分量进行数据预处理，滤除掉异常值；

(2)话务数据归一化处理

将经过预处理的周期分量进行归一化，每天的周期分量/当天的趋势分量，公式如下

        F_i＝S_i/T_i                           ②

其中，F_i为归一化化后的周期分量，S_i为实际周期分量，T_i为实际的趋势分量

(3)求取星期模版值

提取三年来该时段内所有周的某一天的归一化值，求其平均值，记该值为这一时段该星期模板的此天的初始值，设该值为FM_i，三年中该段一共有N个该周的此天的值，则模板中一周中的此天的模版值FM为：

$\mathrm{FM}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{FM}}_i/N$ ③

根据上述公式③，求出一周内各天的模版值；

(4)求取周期分量话务预测

公式③确定了星期模板上从周一到周日的各模板值，由模板值FM乘变换系数T_i′，即根据：

S_i′＝T_i′*FM                                  ④

就可以得出待预测的周期分量值S_i′。

4、根据权利要求3所述的智能化话务预测方法，其特征在于：模板匹配算法的步骤(1)中的滤除掉异常值是采用正态分布进行统计，滤除前后段各5％的异常数据。

5、根据权利要求1所述的智能化话务预测方法，其特征在于：所述预测长度为短期的平稳期话务预测算法：其步骤是

(1)采用自相关分析方法确定每个话务序列的相关特性，找出关联性最大的三个数据点：y_t-j，y_t-k，y_t-l；

(2)求取平稳期话务预测值：y_t＝a*y_t-j+b*y_t-k+c*y_t-l，其中a，b，c由数据训练得到。

6、根据权利要求1所述的智能化话务预测方法，其特征在于：所述节假日话务预测算法：

将节假日持续影响的前后日期的话务组成的曲线看作一模板，采用模板匹配方法进行预测，其步骤如下：

(1)归一化，将节日期间的每一个值除以前一段平稳期的平均值；

(2)采用模板匹配求出一条节假日曲线，其中的参数经过大量数据训练得到；

(3)预测时，进行反归一化。

7、根据权利要求3或6所述的智能化话务预测方法，其特征在于：还包括有模型参数自适应修正算法，该模型参数自适应修正算法是在模版匹配算法的基础上进行模版修正，其步骤如下：

将最新一年的年份的话务加入到原始历史数据库中，进行处理，求出最新的模板值以及模板匹配变换系数。

Images