CN102056182A - 一种基于ls-svm的移动话务量预测方法 - Google Patents

Abstract

一种基于LS-SVM的移动话务量预测方法，属于移动通信领域，本发明为解决现有技术采用LS-SVM进行话务量预测只能实现单步预测，且算法本身不能对输入变量进行有效而合理的选择，进而造成准确性差、速度慢的问题。本发明方法包括以下：1.选取离当前时刻之前一个月之内的话务量历史数据作为训练样本进行LS-SVM建模，获取LS-SVM预测模型；2.对新输入样本进行预处理；3.将处理后的新输入样本输入给LS-SVM预测模型，输出预测值；4.判断是否需要更新LS-SVM预测模型；如需要更新，则返回一；如不需要更新，执行五，5.将三输出的预测值作为当前时刻的话务量数据，并返回执行二，对下一时刻的话务量进行预测。

Description

一种基于LS-SVM的移动话务量预测方法

技术领域

本发明涉及一种基于LS-SVM的移动话务量预测方法，属于移动通信领域。

背景技术

随着无线通信业务的迅速发展，对话务量预测的需求日益增加。准确的话务量预测对无线通信网络的运营管理具有重大意义。移动话务量数据每小时统计一次，单位为爱尔兰。

目前，定量的话务量预测方法主要有传统的时间序列分析法、人工神经网络算法和支持向量机法。时间序列分析方法建模的理论基础是利用历史数据序列的信息，根据统计获得的数据序列中存在的相关关系找到序列值之间相关关系的规律，拟合出可以描述这种关系的模型，进而利用模型对序列的未来走势进行预测。但是它的使用条件比较苛刻，要求数据是平稳的，用此方法对非平稳、非线性时间序列进行预测效果较差。人工神经网络可以很好得解决非线性问题，实现更为准确的预测。但是人工神经网络方法的参数设置比较困难、学习速度较慢、当样本数量较小时，容易造成过学习现象，不适于做短期话务量的实时、在线预测。

1995年，Vapnik和他的合作者们明确提出一种新的通用学习方法——支持向量机(SVM，Support Vector Machine)支持向量机成功地解决了高维问题和局部极值问题。支持向量机使用了大间隔因子来控制学习机器的训练过程，使其只选择具有最大分类间隔的分类超平面(在不可分情况下，又引入松弛因子来控制经验风险)，从而使其在满足分类条件的情况下，又具有高的推广能力。寻找最优超平面(Optimal Hyperplane)的过程最终转化为二次型优化问题，从理论上讲，得到的是全局最优解。与传统的学习机器不同的是，支持向量机将原始的模式矢量映射到非常高维的特征空间，仍然使用大间隔因子在高维特征空间中寻找最大间隔超平面。得到的高维特征空间中的超平面对应着原始模式空间中的非线性分类面。而实际上，其优化过程并没有真正在高维空间中进行，只是通过一些具有特殊性质的核函数，将高维空间中的内积运算转化为原始空间中核函数的运算，从而巧妙地避免了在高维空间中处理问题的困难。支持向量机的另一个优点是确定学习机器结构的问题。支持向量机的结构非常简单，从表面上看，它类似于三层前馈神经网络。但实际上它与神经网络有着根本性的不同。简单地说，支持向量机的隐层是随着所要解决的问题和规模而自动调节的，从而使学习机器的复杂度总是与实际问题相一致，因而可以自适应地解决各种不同的问题。

支持向量机应用于话务量预测主要是运用它的回归算法。利用相邻历史数据建立SVM模型，训练好模型后，得到一个回归函数，将预测输入向量带入回归函数，得到的输出值即为待预测的数据。用数学语言描述如下表述：

假设给定了训练数据集S＝{(x_i，y_i)，i＝1，2，...l}，x_i∈Rⁿ是第i个学习样本的输入值，且为n维列向量

y_i∈R为对应的目标值，可以取任意实数。对于线性问题，如果存在一超平面f(x)＝w^Tx+b，其中w∈Rⁿ，b∈R，使得|y_i-f(x_i)|≤ε，i＝1，2，...l。则称f(x)＝w^Tx+b为对样本集的线性回归估计函数，ε称为不敏感系数。

设d_i表示样本点(x_i，y_i)∈S到超平面f(x)＝w^Tx+b的距离，则有

$d_i=\frac{|w^T{x}_i+b-y_i|}{\sqrt{1+{\left|\right|w\left|\right|}^2}}\≤\frac{\mathrm{\ϵ}}{\sqrt{1+{\left|\right|w\left|\right|}^2}}$

上式表明

是S中的点到超平面距离的上界。

最大化S中的点到超平面距离的上界

而得到的超平面为ε-线性近似集合S的最优近似超平面，也就是最小化即最小化||w||²，可得最优近似超平面。于是线性回归问题转化为求下面的优化问题：

$\min \frac{1}{2}{\left|\right|w\left|\right|}^2$

约束条件为：|w^Tx_i+b-y_i|≤ε

这是一个二次规划问题，求解该优化问题是通过求解它的Lagrange对偶问题。

而对于非线性问题，构造回归函数(预测函数)为：f(x)＝W^Tφ(x)+b。其中，w^T∈Rⁿ，b∈R，Φ(·)把输入样本从输入空间映射到高维特征空间，通过优化问题求解w和b。对于更加一般性的问题，引入了松弛变量的概念，从而将回归问题转换为如下的优化问题：

$\underset{w,b}{\min P}=\frac{1}{2}{\left|\right|w\left|\right|}^2+C\underset{i=1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\ξ}}_i+{\mathrm{\ξ}}_i^{*}).$

约束条件为：

((w·x_i)+b)-y_i≤ε+ξ_i，i＝1，2，...，l，

$y_i-((w\·x_i)+b)\≤\mathrm{\ϵ}+{\mathrm{\ξ}}_i^{*},i=\mathrm{1,2},...,l,$

${\mathrm{\ξ}}_i^{*}\≥0,i=\mathrm{1,2},...,l,$

ξ和ξ^*为松弛变量，C为惩罚参数，ε为不敏感损失函数，l为样本的数量。转换上述问题的Lagrange优化问题：

$\underset{\mathrm{\α},{\mathrm{\α}}^i}{\min }\frac{1}{2}\underset{i}{\overset{l}{\mathrm{\Σ}}}\underset{j}{\overset{l}{\mathrm{\Σ}}}{Q}_{\mathrm{ij}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})({\mathrm{\α}}_j-{\mathrm{\α}}_j^{*})+\mathrm{\ϵ}\underset{i}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\α}}_i+{\mathrm{\α}}_i^{*})-\underset{i}{\overset{l}{\mathrm{\Σ}}}{y}_i({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})$

约束条件：

$\underset{i-1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})=0,$

$0\≤{\mathrm{\α}}_i,{\mathrm{\α}}_i^{*}\≤\frac{C}{l},i=\mathrm{1,2},...,l$

其中，得到最优解：

f(x)＝W^Tφ(x)+b

表达为 $f\left(x\right)=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\α}}_i-{\mathrm{\α}}_i^{*})K(x_i,x)+b$

LS-SVM将二次规划问题转变成线性方程组的求解问题，损失函数采用了误差的平方项，在优化问题中只有等式约束，而没有不等式约束，简化了计算复杂性，使其训练速度较标准SVM提高很多，而SVM那些非常优越的性能，LS-SVM也都能够满足。因此，利用LS-SVM算法设计短期话务量预测系统是十分实用且有效的。

在LS-SVM中，回归问题对应的优化问题为：

$\underset{w,b,e}{\min }Q(w,b,e)=\frac{1}{2}{\left|\right|w\left|\right|}^2+\frac{\mathrm{\γ}}{2}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{e}_i^2$

约束条件为：

y_i＝w^Tφ(x_i)+b+e_i

相应的拉格朗日函数为：

$L(w,b,e,\mathrm{\α})=Q(w,b,e)-\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i[w^T\mathrm{\φ}\left(x_i\right)+b+e_i-y_i]$

通过对w，b，e，α求偏导数，可以得到该拉格朗日函数的最优化条件为：

$\frac{\∂L}{\∂w}=0\⇒w=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i\mathrm{\φ}\left(x_i\right)$

$\frac{\∂L}{\∂b}=0\⇒\underset{i-1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i=0$

$\frac{\∂L}{\∂e_i}=0\⇒C{e}_i-{\mathrm{\α}}_i=0$

$\frac{\∂L}{\∂{\mathrm{\α}}_i}=0\⇒w^T\mathrm{\φ}\left(x_i\right)+b+e_i-y_i=0$

上述最优化条件可以转变为以下方程形式：

$\left[\begin{array}{cc}0& \stackrel{\→T}{1}\\ \stackrel{\→}{1}& \mathrm{\Ω}+{\mathrm{\γ}}^{-1}I\end{array}\right]\left[\begin{array}{c}b\\ \mathrm{\α}\end{array}\right]=\left[\begin{array}{c}0\\ y\end{array}\right]$

其中：Ω_ij＝K(x_i，x_j)为核函数矩阵。核函数有很多种如线性核函数，多项式核函数，

径向基核函数，多层感知器核函数等。一般取径向基函数： $K(x,y)=\exp \{-{\left|\right|x-y\left|\right|}_2^2/{\mathrm{\σ}}^2\}.$

令A＝Ω+γ^-1I可得：

$b=\frac{\stackrel{\→T}{1}{A}^{-1}y}{\stackrel{\→T}{1}{A}^{-1}\stackrel{\→}{1}}$

$\mathrm{\α}=A^{-1}(y-b\stackrel{\→}{1})$

从而得到 $f\left(x\right)=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_{i}K(x,x_i)+b.$

目前，常用的核函数主要有线性(Linear)核函数、多项式(Polynomial)核函数、高斯径向基(RBF)核函数和Sigmoid核函数。这几种核函数的具体表达式如下所示：

(1)线性核函数：K(x，x_i)＝xx_i

(2)多项式核函数：K(x，x_i)＝(xx_i+1)^d

(3)径向基核函数： $K(x,x_i)=\exp \{-{\left|\right|x-x_i\left|\right|}_2^2/{\mathrm{\σ}}^2\}$

(4)sigmoid核函数：K(x，x_i)＝tanh(rxx_i-θ)^d

最小二乘支持向量机(LS-SVM)采用结构风险最小原则，将整个问题的求解过程转化为一个凸二次优化问题，可以保证解是全局最优的，并且是唯一的。最小二乘支持向量机的这些优点，可以保证支持向量机具有良好的非线性逼近能力和学习能力，但是应用最小二乘支持向量机解决时间序列的建模与预测也存在一些问题。

(1)LS-SVM算法本身不能对输入变量进行有效而合理的选择，因此，利用LS-SVM进行时间序列预测时，亟待解决的问题就是对输入样本序列进行预处理，合理的选择输入变量。

(2)LS-SVM回归模型只能实现单步预测，即每次只能得到一个预测点，而在实际应用中，往往需要进行多步预测或长时预测，如何利用LS-SVM实现多步预测是亟待解决的问题。

(3)LS-SVM模型中需要调整的参数比较少，只有正则化参数r与核函数参数σ，但这两个参数对LS-SVM的学习、适应能力有直接影响或者说起着决定性的作用。但是对于两个参数取值的选取缺乏一个普遍的指导原则。

综上，现有技术采用LS-SVM进行话务量预测只能实现单步预测，且算法本身不能对输入变量进行有效而合理的选择，进而造成准确性差、速度慢。

发明内容

本发明目的是为了解决现有技术采用LS-SVM进行话务量预测只能实现单步预测，且算法本身不能对输入变量进行有效而合理的选择，进而造成准确性差、速度慢的问题，提供了一种基于LS-SVM的移动话务量预测方法。

本发明方法包括以下步骤：

步骤一、选取离当前时刻之前一个月之内的话务量历史数据，并将所述话务量历史数据作为训练样本进行LS-SVM建模，获取LS-SVM预测模型；

步骤二、对新输入样本进行预处理，新输入样本是当前时刻之前的多个时刻的话务量数据的组合，按照设定的嵌入维数和延迟时间对新输入样本进行相空间重构，构建新输入样本重构向量，并进行归一化处理，使得所有数据处于[-1，1]之间；

步骤三、将归一化处理后的新输入样本重构向量输入给步骤一获取的LS-SVM预测模型，输出预测值，并存储；

步骤四、判断是否需要更新LS-SVM预测模型，

如果需要更新，则重新返回步骤一；如果不需要更新，执行步骤五，

步骤五、将步骤三输出的预测值作为当前时刻的话务量数据，并返回执行步骤二，对下一时刻的话务量进行预测。

本发明的优点：本发明将LS-SVM的方法应用到话务量数据预测问题中，简化了计算的复杂度，且预测精度高，运算效率高。采用自相关分析的方法确定6维输入向量，降低了输入向量的维数，提高了模型的泛化能力和计算效率。采用最优值搜索的方式确定参数，可以保证预测精度达到最高；采用单点迭代的方法，利用预测值代替真实值的方法以及真实数据的实时填充的方法结合，可以实现话务量的短时多步预测，且不会过多的影响预测精度，重点是采用了自相关分析法确定输入向量的形式，可以实现在一定步长范围内的等精度预测，不会随着预测步数的增加而降低精度；定时对模型进行更新，保证预测精度不会下降，同时实时监测预测精度，当不满足精度要求时，实时的更新模型，模型的更新由预定时长和精度评价共同自适应的调节。

附图说明

图1是本发明方法流程图；

图2是采取最优值搜索的方式确订参数σ的流程图；

图3是本发明预测系统结构框图。

具体实施方式

具体实施方式一：下面结合图1至图3说明本实施方式，本实施方式方法包括以下步骤：

步骤一、选取离当前时刻之前一个月之内的话务量历史数据，并将所述话务量历史数据作为训练样本进行LS-SVM建模，获取LS-SVM预测模型；

步骤二、对新输入样本进行预处理，新输入样本是当前时刻之前的多个时刻的话务量数据的组合，按照设定的嵌入维数和延迟时间对新输入样本进行相空间重构，构建新输入样本重构向量，并进行归一化处理，使得所有数据处于[-1，1]之间；

步骤三、将归一化处理后的新输入样本重构向量输入给步骤一获取的LS-SVM预测模型，输出预测值，并存储；

步骤四、判断是否需要更新LS-SVM预测模型，

如果需要更新，则重新返回步骤一；如果不需要更新，执行步骤五，

步骤五、将步骤三输出的预测值作为当前时刻的话务量数据，并返回执行步骤二，对下一时刻的话务量进行预测。

步骤一中选取话务量历史数据的规则：选取当前时刻之前一个月之内的话务量数据，获取LS-SVM预测模型的过程为：

步骤11、选取当前时刻之前一个月之内的话务量历史数据；

步骤12、对话务量历史数据进行预处理：按照设定的嵌入维数和延迟时间来对话务量历史数据进行相空间重构，构建历史重构向量，并进行归一化处理，使得所有数据处于[-1，1]之间；

步骤13、将重构后的话务量历史数据作为训练样本进行LS-SVM建模，获取LS-SVM预测模型。

步骤12中的历史重构向量被构造为：

d(k)＝[x(k-1)，x(k-2)，x(k-23)，x(k-24)，x(k-25)，x(k-48)]，k的单位为小时。

本发明进行的是以小时为单位的短时预测，通过对数据做相关性分析，认为待预测时刻的话务量只与之前的一个月左右的话务量有关，利用自相关分析的方法确定与预测值最密切相关的时间序列历史数据，确定嵌入维数和延迟时间，构造LS-SVM的输入向量。具体操作方式为：设定一个相关系数的阈值λ，对应的相关系数值大于λ时则认为是最相关的序列点，由这些最相关的序列点组成输入向量。选取自相关系数的阈值λ＝0.75，随机抽取大量话务量小区做相关性分析，当m＝1，2，23，24，25，48时自相关系数值ρ(m)＞λ。因此，LS-SVM的输入变量可以构造为：

d(k)＝[x(k-1)，x(k-2)，x(k-23)，x(k-24)，x(k-25)，x(k-48)]，对应的输出向量为x(k)，为序列x(n)在k时刻的值。

缺失值处理问题：话务量数据的记录难免会有缺失情况，考虑到话务量数据具有强烈的周期性，分别是以天和周为周期。因此，假设星期一12:00的数据缺失，则可考虑对前两周的星期一的12:00的话务量数据取平均值，用该平均值代替该缺失点。

对获得的历史数据进行预处理：为避免在训练时因计算核函数而计算内积的时候引起数值计算的困难，通常需要将数据缩放到[-1，1]或者[0，1]之间，也叫做数据的归一化。归一化公式为：X＝(X-Mean)/Var。其中Mean表示向量的均值，Var表示向量的方差。

利用建模输入数据，根据LS_SVM的原理建立预测模型，本发明中选取径向基(RBF)核函数建立模型。

步骤一中LS-SVM预测模型表示为 $f\left(x\right)=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_{i}K(x,x_i)+b,$

其中，径向基函数K(x，x_i)＝exp{-||x-x_i||²/σ²}；αi为拉格朗日乘子α的数组元素，

且 $\mathrm{\α}=A^{-1}(y-b\stackrel{\→}{1}),$

偏移量 $b=\frac{\stackrel{\→T}{1}{A}^{-1}y}{\stackrel{\→T}{1}{A}^{-1}\stackrel{\→}{1}},$

其中矩阵

核函数矩阵Ω＝K(x_i，x_j)。

x表示要预测的输出点所对应的输入向量，是已知量；x_i表示第i个样本点的输入向量；l表示样本总量。

参数σ的大小对预测精度的影响比较大，在本发明中采取最优值搜索的方式来确定，以精度评价指标的优劣来作为选取参数的准则。即建立LS-SVM模型预测话务量数据，计算出各种精度评价指标，调节参数σ，直至综合各项精度指标都达到最优值，此时的参数σ值即为最优参数值。按本发明的方式选取输入向量时，预测精度随σ的增加而提高，但是随着σ增加到一定程度时，预测精度又下降，因此，一定存在一个最优的σ使预测精度达到最高。

核函数K(x，x_i)中参数σ采取最优值搜索的方式来确定，具体过程为：

步骤a、选定σ初值，σ＝0.5；

步骤b、建立LS-SVM模型；

步骤c、根据步骤b获取的LS-SVM模型进行预测输出；

步骤d、根据步骤c的输出值计算规范化均方误差NMSE作为对其精度进行评价的依据；

规范化均方误差 $\mathrm{NMSE}=\frac{1/M\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{(X_i-{X_i}^{\′})}^2}{{\mathrm{\δ}}^2},$

其中

δ²为样本方差，

为预测值，X_k为其对应真值，其中k＝1，2，3，...N，

步骤e、判断下式是否成立：σ≥2，

判断结果为否，令σ＝σ+δ，δ为步长，返回执行步骤b；判断结果为是，规范化均方误差NMSE最大的σ作为最优值，并作为核函数K(x，x_i)的参数。

按预定步长逐渐增加σ，每次增加都对预测精度进行评价，选取使预测精度达到最高时的σ值作为参数值，完成最优搜索过程。大量实验表明σ的最优取值一般在0.5～1.5之间，因此最优值的搜索范围确定在0.5～2之间。

步骤二输入待预测数据，用来预测的输入向量也是6维的，而且跟建模输入数据的读取方式一样。将预测输入带入到回归函数中，即可得到一维输出，即为话务量数据的预测值。

步骤二中对待预测数据进行预处理的过程为：按照设定的嵌入维数和延迟时间来对待预测数据进行相空间重构，构建输入向量，作为新输入样本重构向量，并对所述新输入样本重构向量的数据进行归一化处理，使得所有数据处于[-1，1]之间。

步骤四判断是否更新LS-SVM预测模型的规则为：当预测累积时长超过一周时，判定为更新。

实际预测中，为了保证模型的有效性，不可能利用同一个预测模型来预测任何时间的话务量数据，否则可能造成精度下降。例如：如果利用一月份的数据建模，而当预测六月份某时段的数据时，仍采用一月份的模型，就可能导致预测不准确，精度下降。因此，必须定时对模型进行更新。

假设设定预测168小时(即一周)后对模型进行更新，即预测时长为168小时。则预测累积到指定的时长时，滑动历史数据，利用新的历史数据建立预测模型，继续对未来的话务量数据进行预测。这样不断的更新模型，可以保证预测的精度。在按预定预测时长进行模型更新的同时，监测预测精度，当预测精度不满足要求时，即使没到设定的更新时间，也需要对模型进行更新。到达预定更新时间时，即使预测精度仍然能满足要求，也需要对模型进行更新。因此，模型更新是由设定时间和预测精度共同调节的。

更新模型时，需要更新建模数据，利用更接近预测时间的历史数据建模，根据新的建模数据重新计算和选取各个参数，建立新的LS-SVM模型。

得到的预测数据应按得到的预测数据以csv文件的格式存储，存储内容应包括话务量数据、时间信息、地区或小区或网元名称，以及该地区、小区或网元的唯一标识ID号码，以便查看或显示。

为连续获得再下一个小时的话务量数据，需将上一个预测值作为现在欲预测点的6维输入中的一个元素，这里没有考虑用历史数据来代替的原因是：目前移动话务量业务呈逐年递增的趋势，因此利用上一年或者前一个月的话务量数据来进行代替是不准确的，没有考虑这种递增的趋势。由于LS-SVM的预测精度很高，因此可以用预测值来代替真实值来进行多步预测。将预测输入带到预测函数中，这样就可以得到下一个小时的预测值。

利用预测值代替真实值构成待预测值的输入向量，可以实现提前22小时的连续、等精度预测。

主要原理是：

步骤二中自相关分析方法确定的输入向量形式为：

d(k)＝[x(k-1)，x(k-2)，x(k-23)，x(k-24)，

x(k-25)，x(k-48)]

预测x(k)时，输入向量都是由真实值组成，当预测x(k+1)时，输入向量d(k+1)中预测值x(k)将代替真实值进行预测，当预测x(k+2)时，输入向量中有x(k)和x(k+1)两个预测值代替真实值，随着预测步数的增加，直至预测x(k+22)时，输入向量都只有两个预测值代替真实值，因此，可以在22步以内，实现等精度的多步预测，不随着时间窗的滑动而降低预测精度。

评价预测得准确性

为了验证采用LS_SVM模型进行话务量预测的准确性，实验过程中采用了多个误差评价指标对本预测系统预测效果进行评价，分别是平均绝对误差MAE、规范化均方误差NMSE以及标准化误差NE三种评价标准。设

为预测值，X_k为其对应真值，其中k＝1，2，3，...N，定义：

$\mathrm{MAE}=1/N\left(\underset{k=1}{\overset{N}{\mathrm{\Σ}}}\right|X_k-{\hat{X}}_k\left|\right)$

$\mathrm{NMSE}=\frac{1/M\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{(X_i-{X_i}^{\′})}^2}{{\mathrm{\δ}}^2}$

$\mathrm{NE}=\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{(X_k-{\hat{X}}_k)}^2/\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{(X_k-\stackrel{\‾}{X})}^2$

其中 $\stackrel{\‾}{X}=1/N\underset{k=1}{\overset{N}{\mathrm{\Σ}}}{X}_k.$

得到的精度评价指标越小，说明预测值偏离真实值的程度越小，表明预测精度越高。因此，利用以上三种精度评价指标来比较预测性能。

图3给出预测系统的框图。

数据输入装置：提取进行预测的历史数据；

更新判断装置，用于判断是否需要更新模型；

模型建立装置：建立LS-SVM预测模型，得到预测函数；

预测装置：根据预测模型进行预测；

评价装置，用于评价预测得准确性。

Claims (6)

1.一种基于LS-SVM的移动话务量预测方法，其特征在于，它包括以下步骤：

步骤一、选取离当前时刻之前一个月之内的话务量历史数据，并将所述话务量历史数据作为训练样本进行LS-SVM建模，获取LS-SVM预测模型；

步骤二、对新输入样本进行预处理，新输入样本是当前时刻之前的多个时刻的话务量数据的组合，按照设定的嵌入维数和延迟时间对新输入样本进行相空间重构，构建新输入样本重构向量，并进行归一化处理，使得所有数据处于[-1，1]之间；

步骤三、将归一化处理后的新输入样本重构向量输入给步骤一获取的LS-SVM预测模型，输出预测值，并存储；

步骤四、判断是否需要更新LS-SVM预测模型，

如果需要更新，则重新返回步骤一；如果不需要更新，执行步骤五，

步骤五、将步骤三输出的预测值作为当前时刻的话务量数据，并返回执行步骤二，对下一时刻的话务量进行预测。

2.根据权利要求1所述的一种基于LS-SVM的移动话务量预测方法，其特征在于，步骤一中获取LS-SVM预测模型的过程为：

步骤11、选取当前时刻之前一个月之内的话务量历史数据；

步骤12、对话务量历史数据进行预处理：按照设定的嵌入维数和延迟时间来对话务量历史数据进行相空间重构，构建历史重构向量，并进行归一化处理，使得所有数据处于[-1，1]之间；

步骤13、将重构后的话务量历史数据作为训练样本进行LS-SVM建模，获取LS-SVM预测模型。

3.根据权利要求2所述的一种基于LS-SVM的移动话务量预测方法，其特征在于，步骤12中的历史重构向量被构造为：

d(k)＝[x(k-1)，x(k-2)，x(k-23)，x(k-24)，x(k-25)，x(k-48)]，k的单位为小时。

4.根据权利要求1或2所述的一种基于LS-SVM的移动话务量预测方法，其特征在于，LS-SVM预测模型表示为 $f\left(x\right)=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_{i}K(x,x_i)+b,$

其中，径向基核函数K(x，x_i)＝exp{-||x-x_i||²/σ²}；α_i为拉格朗日乘子α的数组元素，

且 $\mathrm{\α}=A^{-1}(y-b\stackrel{\→}{1}),$

偏移量 $b=\frac{\stackrel{\→T}{1}{A}^{-1}y}{\stackrel{\→T}{1}{A}^{-1}\stackrel{\→}{1}},$

其中矩阵

核函数矩阵Ω＝K(x_i，x_j)。

5.根据权利要求4所述的一种基于LS-SVM的移动话务量预测方法，其特征在于，径向基核函数K(x，x_i)中参数σ采取最优值搜索的方式来确定，具体过程为：

步骤a、选定σ初值，σ＝0.5；

步骤b、建立LS-SVM模型；

步骤c、根据步骤b获取的LS-SVM模型预测进行预测输出；

步骤d、根据步骤c的输出值计算规范化均方误差NMSE作为对其精度进行评价的依据；

规范化均方误差 $\mathrm{NMSE}=\frac{1/M\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{(X_i-{X_i}^{\′})}^2}{{\mathrm{\δ}}^2},$

其中

，δ²为样本方差，

为预测值，X_k为其对应真值，其中k＝1，2，3，...N，

步骤e、判断下式是否成立：σ≥2，

判断结果为否，令σ＝σ+δ，δ为步长，返回执行步骤b；判断结果为是，规范化均方误差NMSE最大的σ作为最优值，并作为核函数K(x，x_i)的参数。

6.根据权利要求1所述的一种基于LS-SVM的移动话务量预测方法，其特征在于，步骤四判断是否更新LS-SVM预测模型的规则为：当预测累积时长超过一周时，判定为更新。

Images