CN101801004A - 基于先验知识的自适应话务量中长期预测方法 - Google Patents
基于先验知识的自适应话务量中长期预测方法 Download PDFInfo
- Publication number
- CN101801004A CN101801004A CN200910312901A CN200910312901A CN101801004A CN 101801004 A CN101801004 A CN 101801004A CN 200910312901 A CN200910312901 A CN 200910312901A CN 200910312901 A CN200910312901 A CN 200910312901A CN 101801004 A CN101801004 A CN 101801004A
- Authority
- CN
- China
- Prior art keywords
- traffic
- kinds
- length
- traffic data
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Telephonic Communication Services (AREA)
Abstract
基于先验知识的自适应话务量中长期预测方法,涉及移动通信话务量预测领域,它解决了现有采用乘积季节求和自回归滑动平均模型进行移动通信话务量预测的过程中,由于选择预测参数的盲目性而导致建模预测速度慢和预测精度低的问题。本发明以先验知识划分四种类型话务量数据,分别以10天、30天和60天作为建模长度,以小时为时间尺度对话务量数据进行预测,根据预测精度确定三种典型预测长度下的最优建模长度;分别以天和周作为时间尺度,并采用最优建模长度对话务量数据进行预测,并根据预测精度选择三种典型预测长度对应的最优时间尺度,采用获得得最优时间尺度和最优建模长度作为建模参数对话务量进行预测。本发明应用于移动通信话务量预测领域。
Description
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at,输出一个平稳序列xt,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xt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。
xt=φ1xt-1+φ2xt-2+…+φpxt-p+at+θ1at-1+…+θqat-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:
其中:
Φ(B)=1-φ1B-φ2B2-…-φqBq
Θ(B)=1+θ1B+θ2B2+…+θqBq (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:
对于趋势项、季节项和随机项之间存在复杂关联性的情况,应假定:
结合季节求和自回归滑动平均模型,有乘积季节自回归滑动平均模型:
记为ARIMA(p,d,q)×(P,D,Q)s。
然而,在不同的空间区域、不同时间段的话务量会呈现出不同的变化特性,现有采用该模型进行话务量预测的过程中,对预测参数的选择是一大难题,由于对预测参数的选择存在盲目性的问题,从而导致了建模预测的速度慢和建模预测的精度低;主要预测参数为建模长度、预测长度和时间尺度,对所述的建模长度、预测长度、时间尺度给出如下定义:
进模长度:用来确定模型阶数和模型参数的历史数据的长度。
预测长度:模型不更新状态下预测数据的长度。
时间尺度:建模数据每个点所代表的话务量统计的时间段长度。
发明内容
本发明为解决现有采用乘积季节求和自回归滑动平均模型进行移动通信话务量预测的过程中,由于选择预测参数的盲目性,而导致建模预测速度慢和预测精度低的问题,提出一种基于先验知识的自适应话务量中长期预测方法。该方法的具体步骤为:
步骤一:对移动通信话务量数据进行缺失值预处理;获得进行缺失值处理后的话务量数据;
步骤二:对步骤一获得的话务量数据进行时间尺度变换,分别获得时间尺度以天划分的话务量数据和时间尺度以周划分的话务量数据;
步骤三:将话务量数据按照先验知识划分为四种不同类型话务量数据,所述四种不同类型的话务量数据分别为:交通主干线话务量数据、繁华商业区话务量数据、高等院校话务量数据和居民住宅区话务量数据;
步骤四:分别以10天、30天和60天作为建模长度,以小时为时间尺度,在步骤三所述的四种不同类型话务量数据内分别随机抽取若干个小区的话务量数据,采用乘积季节求和自回归滑动平均模型对所述的若干个小区的话务量数据进行预测,获得三种建模长度下、四种不同类型话务量数据的预测精度;
步骤五:根据步骤四获得的三种建模长度下、四种不同类型话务量数据的预测精度,通过比较分析,获得三种典型预测长度下,四种不同类型话务量数据对应的三个最优建模长度;
步骤六:以天为时间尺度,以2天作为预测长度,采用步骤五获得的预测长度为48小时情况下,四种不同类型话务量数据所对应的最优建模长度,分别在四种不同类型话务量数据内随机抽取若干个小区对未来2天的话务量数据进行预测,并获得预测精度;
步骤七:以周为时间尺度,以2周作为预测长度,采用步骤五获得的预测长度为168小时情况下,四种不同类型话务量数据所对应的最优建模长度,分别在四种不同类型话务量数据内随机抽取若干个小区对未来2周的话务量数据进行预测,并获得预测精度;
步骤八:对比步骤五、步骤六和步骤七获得的在不同时间尺度下的预测精度,选择三种典型预测长度下、四种不同类型话务量数据对应的最优时间尺度;
步骤九:在三种典型预测长度下,根据四种不同类型话务量数据,分别选取对应的步骤五的最优建模长度和步骤八获得的最优时间尺度作为建模参数,采用乘积季节求和自回归滑动平均模型对移动通信话务量进行预测,获得预测结果。
本发明的有益效果:一、本发明采用乘积季节求和自回归滑动平均模型对移动通信话务量进行预测,实现对移动通信话务量时间序列的多步预测(中长期预测),建模预测快速有效。二、采用对比三种不同建模长度在三种典型预测长度下的预测精度,获得最优建模长度。三、采用对比三种时间尺度在三种典型预测长度下的预测精度,获得三种时间尺度下的最优时间尺度。四、在不同预测长度下、选择对应的最优建模长度及最优时间尺度作为建模参数,对话务量进行预测,解决了建模预测参数的盲目性的选择问题,从而提高建模的速度,提高了预测精度。
附图说明
图1是本发明的流程图。
具体实施方式
具体实施方式一:基于先验知识的自适应话务量中长期预测方法,该方法由以下步骤完成:
步骤一:对移动通信话务量数据进行缺失值预处理;获得进行缺失值处理后的话务量数据;
步骤二:对步骤一获得的话务量数据进行时间尺度变换,分别获得时间尺度以天划分的话务量数据和时间尺度以周划分的话务量数据;
步骤三:将话务量数据按照先验知识划分为四种不同类型话务量数据,所述四种不同类型的话务量数据分别为:交通主干线话务量数据、繁华商业区话务量数据、高等院校话务量数据和居民住宅区话务量数据;
步骤四:分别以10天、30天和60天作为建模长度,以小时为时间尺度,在步骤三所述的四种不同类型话务量数据内分别随机抽取若干个小区的话务量数据,采用乘积季节求和自回归滑动平均模型对所述的若干个小区的话务量数据进行预测,获得三种建模长度下、四种不同类型话务量数据的预测精度;
步骤五:根据步骤四获得的三种建模长度下、四种不同类型话务量数据的预测精度,通过比较分析,获得三种典型预测长度下,四种不同类型话务量数据对应的三个最优建模长度;
步骤六:以天为时间尺度,以2天作为预测长度,采用步骤五获得的预测长度为48小时情况下,四种不同类型话务量数据所对应的最优建模长度,分别在四种不同类型话务量数据内随机抽取若干个小区对未来2天的话务量数据进行预测,并获得预测精度;
步骤七:以周为时间尺度,以2周作为预测长度,采用步骤五获得的预测长度为168小时情况下,四种不同类型话务量数据所对应的最优建模长度,分别在四种不同类型话务量数据内随机抽取若干个小区对未来2周的话务量数据进行预测,并获得预测精度;
步骤八:对比步骤五、步骤六和步骤七获得的在不同时间尺度下的预测精度,选择三种典型预测长度下、四种不同类型话务量数据对应的最优时间尺度;
步骤九:在三种典型预测长度下,根据四种不同类型话务量数据,分别选取对应的步骤五的最优建模长度和步骤八获得的最优时间尺度作为建模参数,采用乘积季节求和自回归滑动平均模型对移动通信话务量进行预测,获得预测结果。
本实施方式中步骤一所述的对移动通信话务量数据进行缺失值处理的过程为:查找话务量数据中的缺失值点,采用缺失值点的前后两个周期对应点的算术平均值替换存在缺失值的点;所述缺失值点的前后两个周期对应点的算术平均值采用公式
xi=(xi-T+xi+T)/2.获得;其中xi为缺失值点,T为周期,T=168小时。
本实施方式采用缺失值点的前后两个周期对应点的算术平均值替换具有缺失值的点;保证了话务量数据的完整性。
本实施方式中步骤二所述的对步骤一进行缺失值处理后的话务量数据进行时间尺度变换,获得时间尺度为天和周的话务量数据的具体过程为:对按照小时统计的原始话务量数据进行累加处理,每天内的24个小时的话务量数据对应相加,得到天尺度下的话务量数据,所述每个数据点表示按天统计的话务量;将每周内的168个小时的话务量数据进行对应累加,获得周尺度下的话务量数据,所述每个数据点表示按周统计的话务量。
本实施方式步骤五所述的三种典型预测长度为24小时、48小时和168小时。
本实施方式中步骤四所述采用的乘积季节求和自回归滑动平均模型是自回归滑动平均系列模型的一种;对具有趋势特性的时间序列,作差分处理后,符合自回归滑动平均模型;对具有周期特性的时间序列,作季节差分运算后,符合自回归滑动平均模型;针对既具有趋势特性,又具有周期特性的话务量序列,选用季节求和自回归滑动平均模型;对于趋势项、季节项和随机项之间存在复杂关联性的情况,选用乘积季节求和自回归滑动平均模型。
本实施方式中所述的预测精度的相关参数包括:平均绝对误差MAE(Mean AbsoluteError)、平均绝对百分比误差MAPE(Mean Absolute Percent Error)、均方误差MSE(Mean Square Error)、均方根误差RMSE(Root Mean Square Error)、规范化均方根误差NRMSE(Normalized Root Mean Square Error)和标准化误差NE(Normalized Error)。
本实施方式采用统计分析方法对六种精度进行预测。
具体实施方式二:本实施方式与实施方式一所述的基于先验知识的自适应话务量中长期预测方法的区别在于,本实施方式为实施方式一的具体实施例:
现以黑龙江省哈尔滨市的话务量数据为例,结合表1枛表11说明本具体实施方式:它的具体过程为:
一、对黑龙江省哈尔滨市的话务量数据进行缺失值处理,所述分析过程为:原始话务量数据的采样周期为1小时,话务量的单位为爱尔兰(Erl),查找数据中的缺失值,用缺失值点的前后两个周期的对应点的算术平均值替代,本实施方式采用的周期为168小时;
一、对经过缺失值处理后的话务量数据进行时间尺度变换,得到时间尺度为天和周的话务量数据,所述分析过程为:对按照小时统计的原始话务量数据进行累加处理,每天内的24个小时的话务量数据对应相加,获得天尺度下的话务量数据,所述每个数据点表示按天统计的话务量的数据;把每周内的168个小时的话务量数据对应累加,获得周尺度下的话务量数据,所述每个数据点表示按周统计的话务量的数据;
三、将话务量数据按照先验知识划分为四种类型话务量数据:分别为交通主干线话务量数据、繁华商业区话务量数据、高等院校话务量数据和居民住宅区话务量数据;
四、选取10天、30天、60天作为建模长度,以小时为时间尺度随机抽取交通主干线话务量数据、繁华商业区话务量数据、高等院校话务量数据和居民住宅区话务量数据四种类型的24个小区,所述每种类型抽取6个小区,采用乘积季节求和自回归滑动平均模型进行计算,即3*24*3=216次预测;采用六种预测精度评价标准进行预测性能的评价;所述六种预测精度评价标准分别为:平均绝对误差MAE(Mean Absolute Error)、平均绝对百分比误差MAPE(Mean Absolute Percent Error)、均方误差MSE(Mean Square Error)、均方根误差RMSE(Root Mean Square Error)、规范化均方根误差NRMSE(Normalized Root Mean SquareError)和标准化误差NE(Normalized Error),所述六种评价标准的预测结果参见表1至表9;其中表1的建模长度为10天,预测长度为24小时,表2的建模长度为30天,预测长度为24小时,表3的建模长度为60天,预测长度为24小时,表4的建模长度为10天,预测长度为48小时,表5的建模长度为30天,预测长度为48小时,表6的建模长度为60天,预测长度为48小时,表7的建模长度为10天,预测长度为168小时,表8的建模长度为30天,预测长度为168小时,表9的建模长度为60天,预测长度为168小时;
表1
表2
表3
表4
表5
表6
小区标识 | 小区类型 | MAE | MAPE | MSE | RMSE | NRMSE | NE |
HOA003 | 交通主干线 | 3.44 | 23.31 | 18.13 | 4.26 | 0.49 | 0.28 |
HOA012C | 交通主干线 | 1.58 | 52.12 | 4.92 | 2.22 | 0.15 | 0.02 |
HPA001A | 交通主干线 | 1.86 | 10.02 | 6.29 | 2.51 | 0.16 | 0.02 |
HTA014C | 交通主干线 | 1.3 | 25.15 | 2.73 | 1.65 | 0.15 | 0.02 |
H2A006B | 交通主干线 | 1.69 | 42.07 | 6.66 | 2.58 | 0.19 | 0.04 |
H3A006B | 交通主干线 | 0.85 | 22.63 | 1.89 | 1.37 | 0.59 | 0.35 |
HUAM28A | 繁华商业区 | 1 | 24.12 | 2.51 | 1.59 | 0.07 | 0 |
H8ADM2A | 繁华商业区 | 0.2 | 42.16 | 0.08 | 0.28 | 0.49 | 0.27 |
HTA030A | 繁华商业区 | 2.55 | 50.24 | 12.68 | 3.56 | 0.4 | 0.16 |
HUAM02A | 繁华商业区 | 0.54 | 26.97 | 0.98 | 0.99 | 0.13 | 0.02 |
HUAM13A | 繁华商业区 | 0.75 | 46.24 | 1.25 | 1.12 | 0.12 | 0.01 |
HMAM07A | 繁华商业区 | 0.56 | 35.12 | 0.8 | 0.9 | 0.16 | 0.03 |
HMAM38A | 高等院校 | 2.49 | 55.85 | 12.23 | 3.5 | 0.15 | 0.02 |
HPA018A | 高等院校 | 2.12 | 19.97 | 7.77 | 2.79 | 0.24 | 0.06 |
H1A086B | 高等院校 | 2.4 | 48.31 | 15.85 | 3.98 | 0.24 | 0.06 |
HPA026A | 高等院校 | 3.67 | 33.21 | 27.98 | 5.29 | 0.41 | 0.18 |
HPA031C | 高等院校 | 0.99 | 23.09 | 1.54 | 1.24 | 0.19 | 0.04 |
HCAD26C | 高等院校 | 1.16 | 57.7 | 2.77 | 1.66 | 0.32 | 0.1 |
HOA026B | 居民住宅区 | 1.42 | 23.4 | 3.75 | 1.94 | 0.3 | 0.09 |
HMAD14A | 居民住宅区 | 1.46 | 28.01 | 4.04 | 2.01 | 0.17 | 0.03 |
H8A029A | 居民住宅区 | 1.88 | 16.98 | 6.88 | 2.62 | 0.27 | 0.07 |
HYAM50A | 居民住宅区 | 2.77 | 30.44 | 18.06 | 4.25 | 0.36 | 0.13 |
H8AM22A | 居民住宅区 | 0.54 | 14.33 | 0.48 | 0.69 | 0.3 | 0.09 |
HTA004A | 居民住宅区 | 4.46 | 20.19 | 31.75 | 5.63 | 0.34 | 0.13 |
表7
小区标识 | 小区类型 | MAE | MAPE | MSE | RMSE | NRMSE | NE |
HOA003 | 交通主干线 | 3.19 | 27.02 | 20.21 | 4.5 | 0.43 | 0.19 |
HOA012C | 交通主干线 | 2.99 | 33.42 | 17.07 | 4.13 | 0.28 | 0.08 |
HPA001A | 交通主干线 | 4.24 | 26.07 | 33.37 | 5.78 | 0.36 | 0.14 |
HTA014C | 交通主干线 | 1.56 | 19.51 | 4.28 | 2.07 | 0.19 | 0.04 |
H2A006B | 交通主干线 | 2.41 | 60.83 | 11.5 | 3.39 | 0.24 | 0.06 |
H3A006B | 交通主干线 | 2.02 | 26.07 | 6.8 | 2.61 | 0.88 | 1.29 |
HUAM28A | 繁华商业区 | 3.19 | 25.08 | 29.93 | 5.47 | 0.25 | 0.06 |
H8ADM2A | 繁华商业区 | 0.17 | 23.25 | 0.05 | 0.23 | 0.34 | 0.12 |
HTA030A | 繁华商业区 | 2.87 | 62.97 | 14.79 | 3.85 | 0.39 | 0.16 |
HUAM02A | 繁华商业区 | 1.56 | 26.07 | 11.56 | 3.39 | 0.39 | 0.04 |
HUAM13A | 繁华商业区 | 1.69 | 24.31 | 7.32 | 2.71 | 0.26 | 0.07 |
HMAM07A | 繁华商业区 | 0.74 | 25.31 | 1.51 | 1.23 | 0.21 | 0.05 |
HMAM38A | 高等院校 | 19.02 | 343.52 | 1677.62 | 40.96 | 1.56 | 3.3 |
HPA018A | 高等院校 | 4.43 | 50.06 | 42.71 | 6.53 | 0.59 | 0.34 |
H1A086B | 高等院校 | 1.56 | 26.07 | 12.34 | 3.39 | 0.39 | 0.04 |
HPA026A | 高等院校 | 6.14 | 74.11 | 77.22 | 8.79 | 0.72 | 0.66 |
HPA031C | 高等院校 | 1.43 | 31.39 | 3.84 | 1.96 | 0.31 | 0.1 |
HCAD26C | 高等院校 | 1.64 | 99.46 | 5.58 | 2.36 | 0.42 | 0.19 |
HOA026B | 居民住宅区 | 1.78 | 79.99 | 5.24 | 2.29 | 0.36 | 0.13 |
HMAD14A | 居民住宅区 | 4.43 | 57.36 | 32.75 | 5.72 | 0.43 | 0.2 |
H8A029A | 居民住宅区 | 5.17 | 46.48 | 57.36 | 7.57 | 0.75 | 0.57 |
HYAM50A | 居民住宅区 | 7.65 | 66.73 | 179.32 | 13.39 | 1.09 | 1.33 |
H8AM22A | 居民住宅区 | 0.78 | 26.07 | 1.21 | 1.1 | 0.46 | 0.22 |
HTA004A | 居民住宅区 | 5.56 | 26.08 | 50.46 | 7.1 | 0.44 | 0.22 |
表8
表9
五、分析预测精度指标,确定三种典型预测长度,所述三种典型预测长度分别为:24小时、48小时和168小时优化的建模长度;具体的优化结果为:
预测24小时,在10天、30天和60天3个建模长度下,预测结果占优的比例分别为7.3%、51.2%和41.5%;
预测48小时,在10天、30天、60天3个建模长度下,预测结果占优的比例分别4.6%、49.7%和45.7%;
预测168小时,在10天、30天、60天3个建模长度下,预测结果占优的比例分别3.7%,47.7%和48.6%;
根据综合分析结果,预测24小时建模长度宜选择30到45天;预测48小时建模长度宜选择40到50天;预测168小时建模长度宜选择50到70天;
六、以天为时间尺度随机抽取8个小区,即对四种类型中每个类型内抽取2个小区进行预测,对所述8个小区未来2天进行预测和精度评价,以周为时间尺度随机抽取8个小区,即对四种类型中每个类型内抽取2个小区进行预测,对所述8个小区未来2周进行预测和精度评价,分析时间尺度变化对预测精度的影响。所述六种评价标准的预测结果参见表10、表11,以天划分的时间尺度预测在未来一周以内一般可以控制在15%以内;以周为时间尺度的预测在未来两周以内一般可以控制在20%以内;其中表10的时间尺度为天,表11的时间尺度为周,
表10
小区标识 | 小区类型 | MAE | MAPE | MSE | RMSE | NRMSE | NE |
HUA001A | 交通主干线 | 17.25 | 5.64 | 298.13 | 17.27 | 1.06 | 1.14 |
H3A006B | 交通主干线 | 4.29 | 8.92 | 34.75 | 5.89 | 0.73 | 0.58 |
HUAM28A | 繁华商业区 | 24.12 | 4.93 | 879.33 | 29.65 | 0.94 | 1.99 |
H8ADM2A | 繁华商业区 | 2.87 | 2.26 | 9.51 | 3.08 | 0.99 | 6.34 |
HPA031C | 高等院校 | 4.77 | 2.02 | 36.8 | 6.07 | 1.3 | 4.69 |
HCAD26C | 高等院校 | 7.78 | 7.18 | 64.39 | 8.02 | 0.68 | 0.51 |
HYAM50A | 居民住宅区 | 19.19 | 4.7 | 440.72 | 20.99 | 1.03 | 1.66 |
HTA004A | 居民住宅区 | 16.75 | 4.9 | 419.22 | 20.47 | 1.18 | 20.07 |
表11
小区标识 | 小区类型 | MAE | MAPE | MSE | RMSE | NRMSE | NE |
HUA001A | 交通主干线 | 121.84 | 6.02 | 15231.48 | 123.42 | 0.99 | 25.67 |
H3A006B | 交通主干线 | 40.61 | 9.28 | 2179.73 | 46.69 | 1.03 | 5.64 |
HUAM28A | 繁华商业区 | 166.81 | 5.06 | 29042.63 | 170.42 | 0.98 | 11.19 |
H8ADM2A | 繁华商业区 | 25.86 | 19.64 | 681.47 | 26.1 | 2.54 | 7.36 |
HPA031C | 高等院校 | 0.11 | 1.45 | 0.02 | 0.14 | 1.36 | 6.2 |
HCAD26C | 高等院校 | 26.36 | 3.04 | 729.9 | 27.02 | 0.85 | 0.74 |
HYAM50A | 居民住宅区 | 62.74 | 2.07 | 5136.54 | 71.67 | 2.04 | 153.75 |
HTA004A | 居民住宅区 | 64.22 | 1.86 | 4554.58 | 67.49 | 0.92 | 3.54 |
本发明采用乘积季节求和自回归滑动平均模型进行移动通信话务量的中长期预测,并针对话务量预测过程中参数选择的盲目性问题,提出了采用预测结果分析的方法确定三种不同的建模长度与三种典型的预测长度之间的关系,并且对预测精度的影响进行分析,最后确定以小时、天和周作为时间尺度时的多时间尺度预测精度变化情况;所述三种不同的建模长度分别为10天、30天和60天,所述三种典型的预测长度分别为24小时、48小时和168小时。
Claims (5)
1.基于先验知识的自适应话务量中长期预测方法,其特征是该方法由以下步骤完成:
步骤一:对移动通信话务量数据进行缺失值预处理;获得进行缺失值处理后的话务量数据;
步骤二:对步骤一获得的话务量数据进行时间尺度变换,分别获得时间尺度以天划分的话务量数据和时间尺度以周划分的话务量数据;
步骤三:将话务量数据按照先验知识划分为四种不同类型话务量数据,所述四种不同类型的话务量数据分别为:交通主干线话务量数据、繁华商业区话务量数据、高等院校话务量数据和居民住宅区话务量数据;
步骤四:分别以10天、30天和60天作为建模长度,以小时为时间尺度,在步骤三所述的四种不同类型话务量数据内分别随机抽取若干个小区的话务量数据,采用乘积季节求和自回归滑动平均模型对所述的若干个小区的话务量数据进行预测,获得三种建模长度下、四种不同类型话务量数据的预测精度;
步骤五:根据步骤四获得的三种建模长度下、四种不同类型话务量数据的预测精度,通过比较分析,获得三种典型预测长度下,四种不同类型话务量数据对应的三个最优建模长度;
步骤六:以天为时间尺度,以2天作为预测长度,采用步骤五获得的预测长度为48小时情况下,四种不同类型话务量数据所对应的最优建模长度,分别在四种不同类型话务量数据内随机抽取若干个小区对未来2天的话务量数据进行预测,并获得预测精度;
步骤七:以周为时间尺度,以2周作为预测长度,采用步骤五获得的预测长度为168小时情况下,四种不同类型话务量数据所对应的最优建模长度,分别在四种不同类型话务量数据内随机抽取若干个小区对未来2周的话务量数据进行预测,并获得预测精度;
步骤八:对比步骤五、步骤六和步骤七获得的在不同时间尺度下的预测精度,选择三种典型预测长度下、四种不同类型话务量数据对应的最优时间尺度;
步骤九:在三种典型预测长度下,根据四种不同类型话务量数据,分别选取对应的步骤五的最优建模长度和步骤八获得的最优时间尺度作为建模参数,采用乘积季节求和自回归滑动平均模型对移动通信话务量进行预测,获得预测结果。
2.根据权利要求1所述的基于先验知识的自适应话务量中长期预测方法,其特征在于,步骤一所述的对移动通信话务量数据进行缺失值处理的过程为:查找话务量数据中的缺失值点,采用缺失值点的前后两个周期对应点的算术平均值替换具有缺失值的点;所述缺失值点的前后两个周期对应点的算术平均值采用公式xi=(xi-T+xi+T)/2获得;其中xi为缺失值点,T为周期,T=168小时。
3.根据权利要求1所述的基于先验知识的自适应话务量中长期预测方法,其特征在于,步骤四所述的采用的乘积季节求和自回归滑动平均模型是自回归滑动平均系列模型的一种。
4.根据权利要求1所述的基于先验知识的自适应话务量中长期预测方法,其特征在于,步骤五所述的三种典型预测长度分别为24小时、48小时和168小时。
5.根据权利要求1所述的基于先验知识的自适应话务量中长期预测方法,其特征在于,步骤四所述的预测精度的相关参数包括平均绝对误差MAE、平均绝对百分比误差MAPE、均方误差MSE、均方根误差RMSE、规范化均方根误差NRMSE和标准化误差NE。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910312901A CN101801004A (zh) | 2009-12-31 | 2009-12-31 | 基于先验知识的自适应话务量中长期预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910312901A CN101801004A (zh) | 2009-12-31 | 2009-12-31 | 基于先验知识的自适应话务量中长期预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101801004A true CN101801004A (zh) | 2010-08-11 |
Family
ID=42596436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910312901A Pending CN101801004A (zh) | 2009-12-31 | 2009-12-31 | 基于先验知识的自适应话务量中长期预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101801004A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102088709A (zh) * | 2010-11-30 | 2011-06-08 | 哈尔滨工业大学 | 基于聚类和arima模型的话务量预测方法 |
CN102737284A (zh) * | 2012-05-25 | 2012-10-17 | 苏州博远容天信息科技有限公司 | 基于sas系统的多元线性回归法在客流预测的运用 |
CN103002165A (zh) * | 2012-11-21 | 2013-03-27 | 江苏省电力公司电力科学研究院 | 用于供电服务中心短期话务量预测方法 |
CN105205297A (zh) * | 2014-06-12 | 2015-12-30 | 腾讯科技(深圳)有限公司 | 一种时间序列预测方法及系统 |
CN108268967A (zh) * | 2017-01-04 | 2018-07-10 | 北京京东尚科信息技术有限公司 | 一种话务量预测的方法和系统 |
CN111277710A (zh) * | 2020-01-17 | 2020-06-12 | 国家电网有限公司客户服务中心 | 话务量预测方法、系统、计算机设备及存储介质 |
CN112255628A (zh) * | 2020-10-09 | 2021-01-22 | 新石器慧义知行智驰(北京)科技有限公司 | 障碍物轨迹预测方法、装置、设备和介质 |
-
2009
- 2009-12-31 CN CN200910312901A patent/CN101801004A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102088709A (zh) * | 2010-11-30 | 2011-06-08 | 哈尔滨工业大学 | 基于聚类和arima模型的话务量预测方法 |
CN102737284A (zh) * | 2012-05-25 | 2012-10-17 | 苏州博远容天信息科技有限公司 | 基于sas系统的多元线性回归法在客流预测的运用 |
CN103002165A (zh) * | 2012-11-21 | 2013-03-27 | 江苏省电力公司电力科学研究院 | 用于供电服务中心短期话务量预测方法 |
CN103002165B (zh) * | 2012-11-21 | 2013-10-09 | 江苏省电力公司电力科学研究院 | 用于供电服务中心短期话务量预测方法 |
CN105205297A (zh) * | 2014-06-12 | 2015-12-30 | 腾讯科技(深圳)有限公司 | 一种时间序列预测方法及系统 |
CN105205297B (zh) * | 2014-06-12 | 2020-04-03 | 腾讯科技(深圳)有限公司 | 一种基于时间序列的业务预测方法及系统 |
CN108268967A (zh) * | 2017-01-04 | 2018-07-10 | 北京京东尚科信息技术有限公司 | 一种话务量预测的方法和系统 |
CN111277710A (zh) * | 2020-01-17 | 2020-06-12 | 国家电网有限公司客户服务中心 | 话务量预测方法、系统、计算机设备及存储介质 |
CN112255628A (zh) * | 2020-10-09 | 2021-01-22 | 新石器慧义知行智驰(北京)科技有限公司 | 障碍物轨迹预测方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101801004A (zh) | 基于先验知识的自适应话务量中长期预测方法 | |
CN102025531B (zh) | 一种性能数据的填补方法及其装置 | |
CN102779223B (zh) | 短期电力负荷预测的方法及装置 | |
Khattak et al. | Operational performance evaluation of adaptive traffic control systems: A Bayesian modeling approach using real-world GPS and private sector PROBE data | |
CN102693633B (zh) | 一种短时交通流加权组合预测方法 | |
CN104809525A (zh) | 一种用电负荷的预测方法和装置 | |
CN105392154A (zh) | 一种资源占用量的预测方法与预测系统 | |
CN105335491A (zh) | 基于用户点击行为来向用户推荐图书的方法和系统 | |
CN104992244A (zh) | 一种基于sarima和rbf神经网络集成组合模型的机场货运量预测分析方法 | |
CN109800898A (zh) | 一种智能短期负荷预测方法及系统 | |
CN102426674A (zh) | 一种基于马尔科夫链的电力系统负荷预测方法 | |
CN102346745A (zh) | 单词的用户行为数的预测方法和装置 | |
Gilbert et al. | Probabilistic access forecasting for improved offshore operations | |
CN102955894A (zh) | 一种基于用户细分的流失率预测的控制方法 | |
CN111444302B (zh) | 基于用户分类的移动性预测方法、系统、装置 | |
CN101808339A (zh) | 一种应用k-means和先验知识的话务小区自适应分类方法 | |
CN103745106A (zh) | 一种短时交通流预测方法 | |
CN102088709A (zh) | 基于聚类和arima模型的话务量预测方法 | |
CN111242368B (zh) | 一种基于场景推演的物流配送调度算法 | |
CN105740431A (zh) | 一种基于多层周期指数递阶的时序数据预测方法 | |
CN104866679B (zh) | 一种开关设备的机械特性预测方法 | |
JP2006092058A (ja) | 流量予測装置 | |
Shuvo et al. | Traffic forecasting using time-series analysis | |
CN104993966A (zh) | 一种电力综合业务网流量预测方法 | |
CN109214610A (zh) | 一种基于长短期记忆神经网络的饱和电力负荷预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20100811 |