時間序列分析法在移動通信數(shù)據(jù)分析中的研究與應用.pdf

1、移動通信作為電信業(yè)的重要業(yè)務，直接向社會提供信息服務，其發(fā)展趨勢、自身規(guī)模的調整及自身通信技術的調整或提升，對國家的信息安全、經濟安全與發(fā)展、人民的生活、電信運營商本身的發(fā)展都有重大影響。移動通信數(shù)據(jù)大部分都是時間序列，若能從歷史數(shù)據(jù)進行時間序列分析，提取其中有用的信息，無疑能為電信運營商發(fā)展和決策提供幫助。
　　 支持向量機，是基于結構最小化原則的統(tǒng)計學習方法，擺脫了傳統(tǒng)的經驗風險最小化原則，泛化能力強，理論上能達到全局最優(yōu)，

2、而且SVM能很好地解決小樣本、非線性及維數(shù)高的問題，具有學習速度快等優(yōu)點。
　　 預測是時間序列分析的最核心的作用，而支持向量機是一種良好的預測方法，為此，本文對時間序列分析法及支持向量機進行了深入研究，以下給出本文的主要研究工作:
　　 (1)根據(jù)時間序列的相關理論知識，本文給出了基于移動通信時間序列數(shù)據(jù)的預測模型，并重點分析了數(shù)據(jù)預處理過程。
　　 (2)本文將支持向量機應用到移動通信數(shù)據(jù)分析上，探討和給出了

3、SVM在移動通信序列分析應用中兩個關鍵問題的解決方法:一是SVM的核函數(shù)選擇問題，對于此問題，本文研究了核函數(shù)的構造方法，鑒于局部性核函數(shù)學習能力強、泛化性能弱，而全局性核函數(shù)泛化性能力強、學習能力弱，為了得到學習能力與泛化能力都較強的核函數(shù)，將這兩類核函數(shù)混合起來，構造出混合核函數(shù)，并根據(jù)移動通信時間序列的特點，給出了用于控制局部核函數(shù)與全局核函數(shù)兩者間的比值的計算方法;二是SVM各參數(shù)的選擇問題，本文選擇粒子群算法對SVM的參數(shù)進行

4、優(yōu)化。但是傳統(tǒng)的粒子群算法在解決復雜問題時易陷入局部最優(yōu)解，為克服這一缺陷，本文引入種群密度的概念，進一步模擬了生物種群覓食的真實行為。
　　 (3)最后本文使用了改進的粒子群優(yōu)化的混合核SVM(記為IPSO-MSVM)預測模型與傳統(tǒng)的ARIMA模型、標準的SVM預測模型、傳統(tǒng)粒子群優(yōu)化后的SVM預測模型在同一訓練集下，對2012年1月到2013年1月份的移動短信業(yè)務量進行了預測，實驗結果表明IPSO-MSVM預測模型較其它模型