專利名稱：：基于先驗知識的自適應(yīng)話務(wù)量中長期預(yù)測方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及移動通信話務(wù)量預(yù)測領(lǐng)域，具體涉及乘積季節(jié)求和自回歸滑動平均模型預(yù)測方法。
背景技術(shù)：
：隨著計算機科學(xué)技術(shù)的不斷發(fā)展，知識和數(shù)據(jù)的獲取變得越來越容易，呈爆炸性增長，有效挖掘已知歷史數(shù)據(jù)、提取數(shù)據(jù)特征和通過已知歷史序列進行未來狀態(tài)的預(yù)測，使得數(shù)據(jù)挖掘變成時下的熱點問題之一，與此同時，預(yù)測技術(shù)成為時間序列數(shù)據(jù)挖掘的重點內(nèi)容，吸引越來越多研究者的關(guān)注，移動通信話務(wù)量的大小在一定程度上體現(xiàn)了話音信道被占用的強度。移動通信話務(wù)量數(shù)據(jù)預(yù)測對于移動網(wǎng)絡(luò)的維護以及移動通信的決策具有重要的價值。目前移動通信用戶數(shù)和話務(wù)量保持著高速增長的勢頭，移動網(wǎng)絡(luò)長久、穩(wěn)定的運行，依賴于及時、有效的網(wǎng)絡(luò)規(guī)劃與優(yōu)化。移動通信話務(wù)量超過一定容量時，極易造成交換系統(tǒng)過載，出現(xiàn)網(wǎng)絡(luò)擁塞，給移動通信運營商和用戶造成不可彌補的損失。因此，根據(jù)話務(wù)統(tǒng)計資料和其他業(yè)務(wù)信息對移動通信話務(wù)量的變化趨勢進行預(yù)測，可以為通信系統(tǒng)運營過程中的峰值預(yù)警、基站配置、信道優(yōu)化利用等問題提供決策支持。話務(wù)量作為時間序列數(shù)據(jù)的一種，其預(yù)測方法可以追溯到時間序列預(yù)測的一般方法。時間序列預(yù)測就是根據(jù)已有的記錄數(shù)據(jù)，在一定精度范圍內(nèi)預(yù)報未來行為。目前，時間序列預(yù)測技術(shù)是進行移動通信話務(wù)量數(shù)據(jù)預(yù)測的一種有效方法。針對移動通信話務(wù)量的中長期預(yù)測需求，采用乘積季節(jié)求和自回歸滑動平均模型方法進行預(yù)測。現(xiàn)有采用乘積季節(jié)求和自回歸滑動平均模型進行時間序列預(yù)測的基本原理為對一個線性系統(tǒng)，輸入白噪聲序列at，輸出一個平穩(wěn)序列xt，輸入輸出關(guān)系可以表示為自回歸滑動平均模型，將時間序列Xt表示為當(dāng)前時間之前的序列值、白噪聲的過去值以及當(dāng)前值的加權(quán)和的形式。Xt=ΦlXt_!+Φ2xt_2+...+Φpxt-p+at+θ^h+...+θqat_q(1)稱為自回歸滑動平均(AutoRegressive-MovingAverage)模型，記為ARMA(p，q)。對于某些時間序列，進行d階差分后，符合自回歸滑動平均模型，這類模型稱為求和自回歸滑動平均模型。模型結(jié)構(gòu)如下Φ(Β)Ψ、=&(B)^i(2).其中Φ(B)=1-φiB-Φ2Β2-----ΦqBqθ(B)=1+θθ2Β2+…+θqBtl(3)禾爾禾口自回β胃云力(AutoRegressive-IntegratedMovingAverage)牛莫M，記為ARIMA(p，d，q)。對于一些具有周期變化特點時間序列，采用延遲差分的方法處理后符合自回歸滑動平均模型，這類模型稱為季節(jié)求和自回歸滑動平均模型；模型結(jié)構(gòu)如下<formula>formulaseeoriginaldocumentpage4</formula>(4)對于趨勢項、季節(jié)項和隨機項之間存在復(fù)雜關(guān)聯(lián)性的情況，應(yīng)假定<formula>formulaseeoriginaldocumentpage4</formula>(5>結(jié)合季節(jié)求和自回歸滑動平均模型，有乘積季節(jié)自回歸滑動平均模型<formula>formulaseeoriginaldocumentpage4</formula>(6)記為<formula>formulaseeoriginaldocumentpage4</formula>然而，在不同的空間區(qū)域、不同時間段的話務(wù)量會呈現(xiàn)出不同的變化特性，現(xiàn)有采用該模型進行話務(wù)量預(yù)測的過程中，對預(yù)測參數(shù)的選擇是一大難題，由于對預(yù)測參數(shù)的選擇存在盲目性的問題，從而導(dǎo)致了建模預(yù)測的速度慢和建模預(yù)測的精度低；主要預(yù)測參數(shù)為建模長度、預(yù)測長度和時間尺度，對所述的建模長度、預(yù)測長度、時間尺度給出如下定義進模長度用來確定模型階數(shù)和模型參數(shù)的歷史數(shù)據(jù)的長度。預(yù)測長度模型不更新狀態(tài)下預(yù)測數(shù)據(jù)的長度。時間尺度建模數(shù)據(jù)每個點所代表的話務(wù)量統(tǒng)計的時間段長度。
發(fā)明內(nèi)容本發(fā)明為解決現(xiàn)有采用乘積季節(jié)求和自回歸滑動平均模型進行移動通信話務(wù)量預(yù)測的過程中，由于選擇預(yù)測參數(shù)的盲目性，而導(dǎo)致建模預(yù)測速度慢和預(yù)測精度低的問題，提出一種基于先驗知識的自適應(yīng)話務(wù)量中長期預(yù)測方法。該方法的具體步驟為步驟一對移動通信話務(wù)量數(shù)據(jù)進行缺失值預(yù)處理；獲得進行缺失值處理后的話務(wù)量數(shù)據(jù)；步驟二對步驟一獲得的話務(wù)量數(shù)據(jù)進行時間尺度變換，分別獲得時間尺度以天劃分的話務(wù)量數(shù)據(jù)和時間尺度以周劃分的話務(wù)量數(shù)據(jù)；步驟三將話務(wù)量數(shù)據(jù)按照先驗知識劃分為四種不同類型話務(wù)量數(shù)據(jù)，所述四種不同類型的話務(wù)量數(shù)據(jù)分別為交通主干線話務(wù)量數(shù)據(jù)、繁華商業(yè)區(qū)話務(wù)量數(shù)據(jù)、高等院校話務(wù)量數(shù)據(jù)和居民住宅區(qū)話務(wù)量數(shù)據(jù)；步驟四分別以10天、30天和60天作為建模長度，以小時為時間尺度，在步驟三所述的四種不同類型話務(wù)量數(shù)據(jù)內(nèi)分別隨機抽取若干個小區(qū)的話務(wù)量數(shù)據(jù)，采用乘積季節(jié)求和自回歸滑動平均模型對所述的若干個小區(qū)的話務(wù)量數(shù)據(jù)進行預(yù)測，獲得三種建模長度下、四種不同類型話務(wù)量數(shù)據(jù)的預(yù)測精度；步驟五根據(jù)步驟四獲得的三種建模長度下、四種不同類型話務(wù)量數(shù)據(jù)的預(yù)測精度，通過比較分析，獲得三種典型預(yù)測長度下，四種不同類型話務(wù)量數(shù)據(jù)對應(yīng)的三個最優(yōu)建模長度；步驟六以天為時間尺度，以2天作為預(yù)測長度，采用步驟五獲得的預(yù)測長度為48小時情況下，四種不同類型話務(wù)量數(shù)據(jù)所對應(yīng)的最優(yōu)建模長度，分別在四種不同類型話務(wù)量數(shù)據(jù)內(nèi)隨機抽取若干個小區(qū)對未來2天的話務(wù)量數(shù)據(jù)進行預(yù)測，并獲得預(yù)測精度；步驟七以周為時間尺度，以2周作為預(yù)測長度，采用步驟五獲得的預(yù)測長度為168小時情況下，四種不同類型話務(wù)量數(shù)據(jù)所對應(yīng)的最優(yōu)建模長度，分別在四種不同類型話務(wù)量數(shù)據(jù)內(nèi)隨機抽取若干個小區(qū)對未來2周的話務(wù)量數(shù)據(jù)進行預(yù)測，并獲得預(yù)測精度；步驟八對比步驟五、步驟六和步驟七獲得的在不同時間尺度下的預(yù)測精度，選擇三種典型預(yù)測長度下、四種不同類型話務(wù)量數(shù)據(jù)對應(yīng)的最優(yōu)時間尺度；步驟九在三種典型預(yù)測長度下，根據(jù)四種不同類型話務(wù)量數(shù)據(jù)，分別選取對應(yīng)的步驟五的最優(yōu)建模長度和步驟八獲得的最優(yōu)時間尺度作為建模參數(shù)，采用乘積季節(jié)求和自回歸滑動平均模型對移動通信話務(wù)量進行預(yù)測，獲得預(yù)測結(jié)果。本發(fā)明的有益效果一、本發(fā)明采用乘積季節(jié)求和自回歸滑動平均模型對移動通信話務(wù)量進行預(yù)測，實現(xiàn)對移動通信話務(wù)量時間序列的多步預(yù)測(中長期預(yù)測)，建模預(yù)測快速有效。二、采用對比三種不同建模長度在三種典型預(yù)測長度下的預(yù)測精度，獲得最優(yōu)建模長度。三、采用對比三種時間尺度在三種典型預(yù)測長度下的預(yù)測精度，獲得三種時間尺度下的最優(yōu)時間尺度。四、在不同預(yù)測長度下、選擇對應(yīng)的最優(yōu)建模長度及最優(yōu)時間尺度作為建模參數(shù)，對話務(wù)量進行預(yù)測，解決了建模預(yù)測參數(shù)的盲目性的選擇問題，從而提高建模的速度，提高了預(yù)測精度。圖1是本發(fā)明的流程圖。具體實施例方式具體實施方式一基于先驗知識的自適應(yīng)話務(wù)量中長期預(yù)測方法，該方法由以下步驟完成步驟一對移動通信話務(wù)量數(shù)據(jù)進行缺失值預(yù)處理；獲得進行缺失值處理后的話務(wù)量數(shù)據(jù)；步驟二對步驟一獲得的話務(wù)量數(shù)據(jù)進行時間尺度變換，分別獲得時間尺度以天劃分的話務(wù)量數(shù)據(jù)和時間尺度以周劃分的話務(wù)量數(shù)據(jù)；步驟三將話務(wù)量數(shù)據(jù)按照先驗知識劃分為四種不同類型話務(wù)量數(shù)據(jù)，所述四種不同類型的話務(wù)量數(shù)據(jù)分別為交通主干線話務(wù)量數(shù)據(jù)、繁華商業(yè)區(qū)話務(wù)量數(shù)據(jù)、高等院校話務(wù)量數(shù)據(jù)和居民住宅區(qū)話務(wù)量數(shù)據(jù)；步驟四分別以10天、30天和60天作為建模長度，以小時為時間尺度，在步驟三所述的四種不同類型話務(wù)量數(shù)據(jù)內(nèi)分別隨機抽取若干個小區(qū)的話務(wù)量數(shù)據(jù)，采用乘積季節(jié)求和自回歸滑動平均模型對所述的若干個小區(qū)的話務(wù)量數(shù)據(jù)進行預(yù)測，獲得三種建模長度下、四種不同類型話務(wù)量數(shù)據(jù)的預(yù)測精度；步驟五根據(jù)步驟四獲得的三種建模長度下、四種不同類型話務(wù)量數(shù)據(jù)的預(yù)測精度，通過比較分析，獲得三種典型預(yù)測長度下，四種不同類型話務(wù)量數(shù)據(jù)對應(yīng)的三個最優(yōu)建模長度；步驟六以天為時間尺度，以2天作為預(yù)測長度，采用步驟五獲得的預(yù)測長度為48小時情況下，四種不同類型話務(wù)量數(shù)據(jù)所對應(yīng)的最優(yōu)建模長度，分別在四種不同類型話務(wù)量數(shù)據(jù)內(nèi)隨機抽取若干個小區(qū)對未來2天的話務(wù)量數(shù)據(jù)進行預(yù)測，并獲得預(yù)測精度；步驟七以周為時間尺度，以2周作為預(yù)測長度，采用步驟五獲得的預(yù)測長度為168小時情況下，四種不同類型話務(wù)量數(shù)據(jù)所對應(yīng)的最優(yōu)建模長度，分別在四種不同類型話務(wù)量數(shù)據(jù)內(nèi)隨機抽取若干個小區(qū)對未來2周的話務(wù)量數(shù)據(jù)進行預(yù)測，并獲得預(yù)測精度；步驟八對比步驟五、步驟六和步驟七獲得的在不同時間尺度下的預(yù)測精度，選擇三種典型預(yù)測長度下、四種不同類型話務(wù)量數(shù)據(jù)對應(yīng)的最優(yōu)時間尺度；步驟九在三種典型預(yù)測長度下，根據(jù)四種不同類型話務(wù)量數(shù)據(jù)，分別選取對應(yīng)的步驟五的最優(yōu)建模長度和步驟八獲得的最優(yōu)時間尺度作為建模參數(shù)，采用乘積季節(jié)求和自回歸滑動平均模型對移動通信話務(wù)量進行預(yù)測，獲得預(yù)測結(jié)果。本實施方式中步驟一所述的對移動通信話務(wù)量數(shù)據(jù)進行缺失值處理的過程為查找話務(wù)量數(shù)據(jù)中的缺失值點，采用缺失值點的前后兩個周期對應(yīng)點的算術(shù)平均值替換存在缺失值的點；所述缺失值點的前后兩個周期對應(yīng)點的算術(shù)平均值采用公式Xi=(Xi_T+Xi+T)/2.獲得；其中Xi為缺失值點，T為周期，T=168小時。本實施方式采用缺失值點的前后兩個周期對應(yīng)點的算術(shù)平均值替換具有缺失值的點；保證了話務(wù)量數(shù)據(jù)的完整性。本實施方式中步驟二所述的對步驟一進行缺失值處理后的話務(wù)量數(shù)據(jù)進行時間尺度變換，獲得時間尺度為天和周的話務(wù)量數(shù)據(jù)的具體過程為對按照小時統(tǒng)計的原始話務(wù)量數(shù)據(jù)進行累加處理，每天內(nèi)的24個小時的話務(wù)量數(shù)據(jù)對應(yīng)相加，得到天尺度下的話務(wù)量數(shù)據(jù)，所述每個數(shù)據(jù)點表示按天統(tǒng)計的話務(wù)量；將每周內(nèi)的168個小時的話務(wù)量數(shù)據(jù)進行對應(yīng)累加，獲得周尺度下的話務(wù)量數(shù)據(jù)，所述每個數(shù)據(jù)點表示按周統(tǒng)計的話務(wù)量。本實施方式步驟五所述的三種典型預(yù)測長度為24小時、48小時和168小時。本實施方式中步驟四所述采用的乘積季節(jié)求和自回歸滑動平均模型是自回歸滑動平均系列模型的一種；對具有趨勢特性的時間序列，作差分處理后，符合自回歸滑動平均模型；對具有周期特性的時間序列，作季節(jié)差分運算后，符合自回歸滑動平均模型；針對既具有趨勢特性，又具有周期特性的話務(wù)量序列，選用季節(jié)求和自回歸滑動平均模型；對于趨勢項、季節(jié)項和隨機項之間存在復(fù)雜關(guān)聯(lián)性的情況，選用乘積季節(jié)求和自回歸滑動平均模型。本實施方式中所述的預(yù)測精度的相關(guān)參數(shù)包括平均絕對誤差MAE(MeanAbsoluteError)、平均絕對百分比誤差MAPE(MeanAbsolutePercentError)、均方誤差MSE(MeanSquareError)、均方根誤差RMSE(RootMeanSquareError)、規(guī)范化均方根誤差NRMSE(NormalizedRootMeanSquareError)禾口標(biāo)準(zhǔn)化誤差NE(NormalizedError)。本實施方式采用統(tǒng)計分析方法對六種精度進行預(yù)測。具體實施方式二本實施方式與實施方式一所述的基于先驗知識的自適應(yīng)話務(wù)量中長期預(yù)測方法的區(qū)別在于，本實施方式為實施方式一的具體實施例現(xiàn)以黑龍江省哈爾濱市的話務(wù)量數(shù)據(jù)為例，結(jié)合表1抓表11說明本具體實施方式它的具體過程為一、對黑龍江省哈爾濱市的話務(wù)量數(shù)據(jù)進行缺失值處理，所述分析過程為原始話務(wù)量數(shù)據(jù)的采樣周期為1小時，話務(wù)量的單位為愛爾蘭(Erl)，查找數(shù)據(jù)中的缺失值，用缺失值點的前后兩個周期的對應(yīng)點的算術(shù)平均值替代，本實施方式采用的周期為168小時；一、對經(jīng)過缺失值處理后的話務(wù)量數(shù)據(jù)進行時間尺度變換，得到時間尺度為天和周的話務(wù)量數(shù)據(jù)，所述分析過程為對按照小時統(tǒng)計的原始話務(wù)量數(shù)據(jù)進行累加處理，每天內(nèi)的24個小時的話務(wù)量數(shù)據(jù)對應(yīng)相加，獲得天尺度下的話務(wù)量數(shù)據(jù)，所述每個數(shù)據(jù)點表示按天統(tǒng)計的話務(wù)量的數(shù)據(jù)；把每周內(nèi)的168個小時的話務(wù)量數(shù)據(jù)對應(yīng)累加，獲得周尺度下的話務(wù)量數(shù)據(jù)，所述每個數(shù)據(jù)點表示按周統(tǒng)計的話務(wù)量的數(shù)據(jù)；三、將話務(wù)量數(shù)據(jù)按照先驗知識劃分為四種類型話務(wù)量數(shù)據(jù)分別為交通主干線話務(wù)量數(shù)據(jù)、繁華商業(yè)區(qū)話務(wù)量數(shù)據(jù)、高等院校話務(wù)量數(shù)據(jù)和居民住宅區(qū)話務(wù)量數(shù)據(jù)；四、選取10天、30天、60天作為建模長度，以小時為時間尺度隨機抽取交通主干線話務(wù)量數(shù)據(jù)、繁華商業(yè)區(qū)話務(wù)量數(shù)據(jù)、高等院校話務(wù)量數(shù)據(jù)和居民住宅區(qū)話務(wù)量數(shù)據(jù)四種類型的24個小區(qū)，所述每種類型抽取6個小區(qū)，采用乘積季節(jié)求和自回歸滑動平均模型進行計算，即3*24*3=216次預(yù)測；采用六種預(yù)測精度評價標(biāo)準(zhǔn)進行預(yù)測性能的評價；所述六種預(yù)測精度評價標(biāo)準(zhǔn)分別為平均絕對誤差MAE(MeanAbsoluteError)、平均絕對百分比誤差MAPE(MeanAbsolutePercentError)、均方誤差MSE(MeanSquareError)、均方根誤差RMSE(RootMeanSquareError)、規(guī)范化均方根誤差NRMSE(NormalizedRootMeanSquareError)和標(biāo)準(zhǔn)化誤差NE(NormalizedError)，所述六種評價標(biāo)準(zhǔn)的預(yù)測結(jié)果參見表1至表9；其中表1的建模長度為10天，預(yù)測長度為24小時，表2的建模長度為30天，預(yù)測長度為24小時，表3的建模長度為60天，預(yù)測長度為24小時，表4的建模長度為10天，預(yù)測長度為48小時，表5的建模長度為30天，預(yù)測長度為48小時，表6的建模長度為60天，預(yù)測長度為48小時，表7的建模長度為10天，預(yù)測長度為168小時，表8的建模長度為30天，預(yù)測長度為168小時，表9的建模長度為60天，預(yù)測長度為168小時；表1小區(qū)標(biāo)識小區(qū)類型MAEMAPEMSERMSENRMSENEH0A003交通主干線5.2537.9747.96.920.750.73H0A012C交通主干線1.9792.457.012.650.170.01HPA001A交通主干線4.9632.5946.716.830.390.16HTA014C交通主干線1.6216.454.052.010.190.03H2A006B交通主干線2.2623.9411.773.430.230.05H3A006B交通主干線1.3332.334.772.180.880.94HUAM28A繁華商業(yè)區(qū)2.0215.1312.593.550.160.03H8ADM2A繁華商業(yè)區(qū)0.1227.350.030.160.320.1HTA030A繁華商業(yè)區(qū)1.9927.136.862.620.420.187<table>tableseeoriginaldocumentpage8</column></row><table><table>tableseeoriginaldocumentpage9</column></row><table>表3<table>tableseeoriginaldocumentpage9</column></row><table><table>tableseeoriginaldocumentpage10</column></row><table><table>tableseeoriginaldocumentpage11</column></row><table>表5<table>tableseeoriginaldocumentpage11</column></row><table><table>tableseeoriginaldocumentpage12</column></row><table><table>tableseeoriginaldocumentpage13</column></row><table>H0A003I交通主干線|2·32^|22·02|10.37|3·22|0·31f)71HOAO12C交通主干線ITTI^25.135775274θ7ΤθθΤθ3HPAOOIA交通主干線1794^12.157792781ΟΤΤδθΤθ3HTAO14C交通主干線ΙΤΙ^23.74477!2Λ(λ2θΤθ4Η2Α006Β交通主干線27η^58.61ΙοΤδ3724(λ23θΤθ5Η3Α006Β交通主干線077512.32ΙΤΤδL09(λ46(λ22HUAM28A繁華商業(yè)區(qū)2Λ214.4818.244727ΟΤΤθθΤθ4H8ADM2A繁華商業(yè)區(qū)θΤΤ717.35θΤθ7(λ26(λ37θΤΤ4ΗΤΑ030Α繁華商業(yè)區(qū)27529.7711.793.43(λ36θΤΤ3HUAM02A繁華商業(yè)區(qū)1754^23.1615.352712ΟΤΤδθΤθ2HUAMl3Α繁華商業(yè)區(qū)ΙΤΤ9^12.16376L92ΟΤΤδθΤθ3HMAMO7A繁華商業(yè)區(qū)0772^13.251735ΙΤΤθ(λ2θΤθ4ΗΜΑΜ38Α高等院校Οθ^102.7434.84579ΟθθΤθ7HPAOlM高等院校17929.456782761(λ23θΤθ5Η1Α086Β高等院校1723^15.253727^2718ΟΤΤδθΤθ5ΗΡΑ026Α高等院校4786^57.8647.41^6789(λ59θΤ41HPA031C高等院校1708^28.342Λ11745(λ23θΤθ5HCAD26C高等院校ΙΤΤθ^65.74276ITlU(λ3θΤθ9Η0Α026Β居民住宅區(qū)ITU^72.452736L54ΟδθΤθ6HMAD14Α居民住宅區(qū)θ4^30.3118.344728(λ33θ7Η8Α029Α居民住宅區(qū)1765^21.99δΤ2726(λ22θΤθ5ΗΥΑΜ50Α居民住宅區(qū)2759^267413.59^3769O!θ7Η8ΑΜ22Α居民住宅區(qū)(ΓβΙ19.880.67(λ820.350.12ΗΤΑ004Α居民住宅區(qū)47420.5630.23575(λ35θΤΤ3表9小區(qū)標(biāo)識小區(qū)類型pAEImapepsEIrmseInrmsepEH0A003交通主干線2722^(λ3887912798(λ29θΤθ9HOAO12C交通主干線17725.6757622737θ7ΤδθΤθ3<table>tableseeoriginaldocumentpage15</column></row><table>五、分析預(yù)測精度指標(biāo)，確定三種典型預(yù)測長度，所述三種典型預(yù)測長度分別為24小時、48小時和168小時優(yōu)化的建模長度；具體的優(yōu)化結(jié)果為預(yù)測24小時，在10天、30天和60天3個建模長度下，預(yù)測結(jié)果占優(yōu)的比例分別為7.3%,51.2%和41.5%；預(yù)測48小時，在10天、30天、60天3個建模長度下，預(yù)測結(jié)果占優(yōu)的比例分別4.6%,49.7%和45.7%；預(yù)測168小時，在10天、30天、60天3個建模長度下，預(yù)測結(jié)果占優(yōu)的比例分別3.7%,47.7%和48.6%；根據(jù)綜合分析結(jié)果，預(yù)測24小時建模長度宜選擇30到45天；預(yù)測48小時建模長度宜選擇40到50天；預(yù)測168小時建模長度宜選擇50到70天；六、以天為時間尺度隨機抽取8個小區(qū)，即對四種類型中每個類型內(nèi)抽取2個小區(qū)進行預(yù)測，對所述8個小區(qū)未來2天進行預(yù)測和精度評價，以周為時間尺度隨機抽取8個小區(qū)，即對四種類型中每個類型內(nèi)抽取2個小區(qū)進行預(yù)測，對所述8個小區(qū)未來2周進行預(yù)測和精度評價，分析時間尺度變化對預(yù)測精度的影響。所述六種評價標(biāo)準(zhǔn)的預(yù)測結(jié)果參見表10、表11，以天劃分的時間尺度預(yù)測在未來一周以內(nèi)一般可以控制在15%以內(nèi)；以周為時間尺度的預(yù)測在未來兩周以內(nèi)一般可以控制在20%以內(nèi)；其中表10的時間尺度為天，表11的時間尺度為周，表10<table>tableseeoriginaldocumentpage17</column></row><table><table>tableseeoriginaldocumentpage18</column></row><table>本發(fā)明采用乘積季節(jié)求和自回歸滑動平均模型進行移動通信話務(wù)量的中長期預(yù)測，并針對話務(wù)量預(yù)測過程中參數(shù)選擇的盲目性問題，提出了采用預(yù)測結(jié)果分析的方法確定三種不同的建模長度與三種典型的預(yù)測長度之間的關(guān)系，并且對預(yù)測精度的影響進行分析，最后確定以小時、天和周作為時間尺度時的多時間尺度預(yù)測精度變化情況；所述三種不同的建模長度分別為10天、30天和60天，所述三種典型的預(yù)測長度分別為24小時、48小時和168小時。權(quán)利要求基于先驗知識的自適應(yīng)話務(wù)量中長期預(yù)測方法，其特征是該方法由以下步驟完成步驟一對移動通信話務(wù)量數(shù)據(jù)進行缺失值預(yù)處理；獲得進行缺失值處理后的話務(wù)量數(shù)據(jù)；步驟二對步驟一獲得的話務(wù)量數(shù)據(jù)進行時間尺度變換，分別獲得時間尺度以天劃分的話務(wù)量數(shù)據(jù)和時間尺度以周劃分的話務(wù)量數(shù)據(jù)；步驟三將話務(wù)量數(shù)據(jù)按照先驗知識劃分為四種不同類型話務(wù)量數(shù)據(jù)，所述四種不同類型的話務(wù)量數(shù)據(jù)分別為交通主干線話務(wù)量數(shù)據(jù)、繁華商業(yè)區(qū)話務(wù)量數(shù)據(jù)、高等院校話務(wù)量數(shù)據(jù)和居民住宅區(qū)話務(wù)量數(shù)據(jù)；步驟四分別以10天、30天和60天作為建模長度，以小時為時間尺度，在步驟三所述的四種不同類型話務(wù)量數(shù)據(jù)內(nèi)分別隨機抽取若干個小區(qū)的話務(wù)量數(shù)據(jù)，采用乘積季節(jié)求和自回歸滑動平均模型對所述的若干個小區(qū)的話務(wù)量數(shù)據(jù)進行預(yù)測，獲得三種建模長度下、四種不同類型話務(wù)量數(shù)據(jù)的預(yù)測精度；步驟五根據(jù)步驟四獲得的三種建模長度下、四種不同類型話務(wù)量數(shù)據(jù)的預(yù)測精度，通過比較分析，獲得三種典型預(yù)測長度下，四種不同類型話務(wù)量數(shù)據(jù)對應(yīng)的三個最優(yōu)建模長度；步驟六以天為時間尺度，以2天作為預(yù)測長度，采用步驟五獲得的預(yù)測長度為48小時情況下，四種不同類型話務(wù)量數(shù)據(jù)所對應(yīng)的最優(yōu)建模長度，分別在四種不同類型話務(wù)量數(shù)據(jù)內(nèi)隨機抽取若干個小區(qū)對未來2天的話務(wù)量數(shù)據(jù)進行預(yù)測，并獲得預(yù)測精度；步驟七以周為時間尺度，以2周作為預(yù)測長度，采用步驟五獲得的預(yù)測長度為168小時情況下，四種不同類型話務(wù)量數(shù)據(jù)所對應(yīng)的最優(yōu)建模長度，分別在四種不同類型話務(wù)量數(shù)據(jù)內(nèi)隨機抽取若干個小區(qū)對未來2周的話務(wù)量數(shù)據(jù)進行預(yù)測，并獲得預(yù)測精度；步驟八對比步驟五、步驟六和步驟七獲得的在不同時間尺度下的預(yù)測精度，選擇三種典型預(yù)測長度下、四種不同類型話務(wù)量數(shù)據(jù)對應(yīng)的最優(yōu)時間尺度；步驟九在三種典型預(yù)測長度下，根據(jù)四種不同類型話務(wù)量數(shù)據(jù)，分別選取對應(yīng)的步驟五的最優(yōu)建模長度和步驟八獲得的最優(yōu)時間尺度作為建模參數(shù)，采用乘積季節(jié)求和自回歸滑動平均模型對移動通信話務(wù)量進行預(yù)測，獲得預(yù)測結(jié)果。2.根據(jù)權(quán)利要求1所述的基于先驗知識的自適應(yīng)話務(wù)量中長期預(yù)測方法，其特征在于，步驟一所述的對移動通信話務(wù)量數(shù)據(jù)進行缺失值處理的過程為查找話務(wù)量數(shù)據(jù)中的缺失值點，采用缺失值點的前后兩個周期對應(yīng)點的算術(shù)平均值替換具有缺失值的點；所述缺失值點的前后兩個周期對應(yīng)點的算術(shù)平均值采用公式Xi=(Xi-T+Xi+T)/2獲得；其中xi為缺失值點，T為周期，T=168小時。3.根據(jù)權(quán)利要求1所述的基于先驗知識的自適應(yīng)話務(wù)量中長期預(yù)測方法，其特征在于，步驟四所述的采用的乘積季節(jié)求和自回歸滑動平均模型是自回歸滑動平均系列模型的一種。4.根據(jù)權(quán)利要求1所述的基于先驗知識的自適應(yīng)話務(wù)量中長期預(yù)測方法，其特征在于，步驟五所述的三種典型預(yù)測長度分別為24小時、48小時和168小時。5.根據(jù)權(quán)利要求1所述的基于先驗知識的自適應(yīng)話務(wù)量中長期預(yù)測方法，其特征在于，步驟四所述的預(yù)測精度的相關(guān)參數(shù)包括平均絕對誤差MAE、平均絕對百分比誤差MAPE、均方誤差MSE、均方根誤差RMSE、規(guī)范化均方根誤差NRMSE和標(biāo)準(zhǔn)化誤差NE。全文摘要基于先驗知識的自適應(yīng)話務(wù)量中長期預(yù)測方法，涉及移動通信話務(wù)量預(yù)測領(lǐng)域，它解決了現(xiàn)有采用乘積季節(jié)求和自回歸滑動平均模型進行移動通信話務(wù)量預(yù)測的過程中，由于選擇預(yù)測參數(shù)的盲目性而導(dǎo)致建模預(yù)測速度慢和預(yù)測精度低的問題。本發(fā)明以先驗知識劃分四種類型話務(wù)量數(shù)據(jù)，分別以10天、30天和60天作為建模長度，以小時為時間尺度對話務(wù)量數(shù)據(jù)進行預(yù)測，根據(jù)預(yù)測精度確定三種典型預(yù)測長度下的最優(yōu)建模長度；分別以天和周作為時間尺度，并采用最優(yōu)建模長度對話務(wù)量數(shù)據(jù)進行預(yù)測，并根據(jù)預(yù)測精度選擇三種典型預(yù)測長度對應(yīng)的最優(yōu)時間尺度，采用獲得得最優(yōu)時間尺度和最優(yōu)建模長度作為建模參數(shù)對話務(wù)量進行預(yù)測。本發(fā)明應(yīng)用于移動通信話務(wù)量預(yù)測領(lǐng)域。文檔編號H04W16/22GK101801004SQ20091031290公開日2010年8月11日申請日期2009年12月31日優(yōu)先權(quán)日2009年12月31日發(fā)明者劉大同,彭喜元,彭宇,王建民,郭嘉,雷苗申請人:哈爾濱工業(yè)大學(xué)