应用于话务量预测的分段在线支持向量回归方法，它涉及一种在线支持向量回归方法，本发明专利技术针对在线支持向量回归（Ｏｎｌｉｎｅ Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｒｅｇｒｅｓｓｉｏｎ）算法难以兼顾预测精度和运行效率，提出一种分段支持向量回归时间序列预测方法，通过缩减在线建模数据长度实现快速训练，并对Ｏｎｌｉｎｅ ＳＶＲ进行分段存储，根据预测邻域样本与各子分段支持向量回归模型的匹配度，选取最优子分段模型预测输出，提高预测精度。该算法在保持在线预测执行效率的同时，相比普通在线支持向量回归算法，可提高预测精度５％～１０％。算法由于采用了分段的策略，并采取了较小的建模数据长度，算法效率高。可以实现对于移动通信话务量时间序列的在线、实时和快速建模和预测。
【技术实现步骤摘要】
一种应用于话务觀湖啲分段在线支持向量回归方法狱领域本专利技术涉及一种在线支持向量回归方法，具##及一种应用于移动通信话务量 时间序列预测的分段在线支持向量回归方法。背景狱随着计算机科学技术的不断发展，知识和数据的获取变得ffl^越容易，M^炸 性增长，有效挖掘已知数据、提取1^#征和通过已知序列进行未来状态的预测，使得m^挖掘变成时下的热点问^t一，与此同时，预测技术成为时间序列i^挖 掘的重点内容，吸引皿越多研究者的关注。移动通信话务量的大小在一定，上体现了话音信道被占用'的强度。移动通信 话务量 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，如果能 够及时、准确地预测话务网络的流量，就倉辦有效减少网络维护费用，提高网络运 行质量。目前，时间序列分析和预测技术题行移动通信话务量麵的分析和预观啲一 种有效方法。随着预测时间序列鹏鋭，尤其对于复杂的非线性、非平稳时间序列，传统统计学的AR、 A靈等方法船佳获得令人满意的结果。加之，在线实时预 测的应用需求也逐渐增加，使得人工智能技术中的神经网络、^糊逻辑等离线建模 方法很难取得实效的应用。近年，采用在线支持向量回归((hline Support Vector Regression, OnlineSVR)进行时间序列预测的研究十分广泛。由于其算法简单、不存在局部最小、维 数5fet和泛化能力强m点，在时间序列预测方面取得很好的效果。SVR ^在统 计学习理论和结构风险最小化原理基础上，會辦，地解决小样本、非线性、高维 数和局部极小等实际问题，但是一般的Online SVR (比如增量学习算法、减量学习 算法、AOSVR等)方法在获得良好预测效果的同时，由于其算法錢度较高，其执 行效率往往无法满足实际应用的需求。在实际应用中，话务量涵盖了大量的小区数据，且历史积累的话务数据量也很 丰富，这就需要预测的对去具剤艮高的效率，而且不同的小区、不同的区域、不同 时段话务量都会呈现不同的变化特性，因JlW预测模型的实时，的特性提出很高 的要求。在线支持向量回归进行时间序列预测的基本原理对于时间序列M(^乃)，(X2，;;2)，…，(JC,，;;,)， ^乂.e及，构造回归函数(预 测函数)为<formula>formula see original document page 6</formula> (1) 式(1)中，v/eiT，6e及，0(.)把输入样本从输入空间,到高维特征空间，通 过优化问题求解w和b。<formula>formula see original document page 6</formula>(2)式(2)的约束剝牛为<formula>formula see original document page 6</formula>f和f为松弛变量，C为惩罚参数，S为不敏感损失函数；转换上述问题的Lagrange优化问题<formula>formula see original document page 7</formula>式(3)需满足以下条件:<formula>formula see original document page 7</formula>定义核函数^. = (^,) (^)=夂(^~)，对于回归函数(预测函数) /(x)-『^(;c) + 6表达为(4)按照KKT (Karush-Kuhn-Tucker)定理，可以得至!j样本;c,.的边界函数<formula>formula see original document page 7</formula>其中<formula>formula see original document page 7</formula>根据式(5)，将训练数据集划分为三个子集错误支持向量集￡ = {/||《| = C} (Error Support vectors)、边缘支持向量集S-(/l0〈l《l〈C〉 (Margin support vectors)和保留样本集及={/|《=0} (Remaining samples)。普通离线SVR训练魏数据集一次或者批難取进行训练，'获得模型后再进行 预测，而Online SVR是随着在线数据的更新而不,fi，练、不断优化的过程，应用较多的在线学习算法就是增量学习算法和减量学习算法。假设现有一个新的样本:c。加入到训练集中，此时需要加入《，并计算各个 《(/ = 1,2,…，")和《的更新值A《及A《以使得所有的样本均满足KKT割牛。M(jc,.) = K(A，;cc)A《+力K(:x:,,:c》A《+ (6),'=1又因为《+$《=0 (7)对集合S，可得 '—1叫，;c》A《+= -叫，Xc)A《(8)如果定义集合S中样本的下标集为S-^A，…,s,j，则(8)式可以表示为矩阵形式:<formula>formula see original document page 8</formula>(10)由上面推导可得:<formula>formula see original document page 8</formula>由式(8) (11)实现SVR在线训练，从而实现S、 E和R集的更新。应用减量训 练算法从训练样本集中去除一个 样本与上面过^^以。 -在线支持向量回归虽然解决了模型动态更新的问题，會辦实现时间序列的在线 建模和预测。但是，从算法的流社分析，当训练M集更新时，增量(或减量) 训练算法对所有的Lagrange乘子进行更新，并涉及大规模矩阵的求逆，因此，算 法的计算复杂度臓较高。另一方面，如鹏取的训练麵集规模很大，算法鄉 行模型更新、训练湘预测过程中，效率会下降比较明显。图1选取不同建模长度进行在线时间序列预测(移动通信话务量 )获得的 建模长度与算法运行时间的关系。从图1可知，如果达到^F的建模预测效率(较 短的算法执行时间)，必须降低在线建M^长度。图2 (移动通信话务翻测实验)说明了在选取确定参数的剝牛下，采用更大 规模的建模 长度，可以获得更好的预测精度。采用Online SVR算法进行时间序列预测过程中，算法效,臓测的精度处 于矛盾中，样本规模的持续增加，致使每次在线进行模型魏过程中涉及的运算量 增加，从而导致算法运行速度的下降;而如果采用^>的建模预测娜长度，OnlineSVR模赚能记录的数据历史知识叙莫式过于有限，从 :使算法泛化能力下降，从而导致预测精度下降。
技术实现思路
本专利技术为了解决在移动通信话务量预测中，采用在线支持向量回归方法进行时 间序列预测时，在提高预测效率的同时，其预测精度会有所降低的问题，提供了一 种应用于话务量时间序列预测的分段在线支持向量回归方法。本专利技术的设计构思根据上述i，结果和分析(图1和图2)，提高算法执行效率最为直接的方式就是縮减在线建tli^样本的规模，同时采用一种方式来弥补对于建模娜规丰敏短损失历史知识而降低预测精度。为此，在进行0nline SVR在线 本文档来自技高网...
【技术保护点】
一种应用于话务量时间序列预测的分段在线支持向量回归方法，其特征在于：所述方法包括如下步骤： 步骤一、数据预处理：将时间序列数据转换进行相空间重构，使之符合设定的嵌入维数ＥｍｂｅｄｅｄＤｉｍｅｎｓｉｏｎ； 步骤二、Ｏｎｌｉｎｅ ＳＶＲ初始化训练：采用支持向量回归增量算法对完成步骤一的数据进行训练，获得初始Ｏｎｌｉｎｅ ＳＶＲ模型； 步骤三、对于在线更新的样本序列（ｘｃ，ｙｃ），采用支持向量回归增量算法进行在线训练； 步骤四、判断在线支持向量回归是否满足分段条件ＳＧＰ：若满足分段条件ＳＧＰ，则执行步骤五；否则，执行步骤六； 步骤五、赋值新子分段模型ＳＯＳＶＲ（ｓ）＝ＯｎｌｉｎｅＳＶＲ，ｓ＝ｓ＋１，并存储；ｓ代表子分段模型的序号；用ＳＯＳＶＲ表示分段在线支持向量回归； 步骤六、Ｏｎｌｉｎｅ ＳＶＲ预测输出值ＰｒｅｄｉｃｔｆＹ（ｉ）；ｉ为预测的步数； 步骤七、ＳＯＳＶＲ预测输出ＰｒｅｄｉｃｔＳＹ（ｓ，ｉ）：ｓ代表子分段模型的序号，ｉ为预测的步数，以下同； 步骤八、判断步骤七中所述的ＳＯＳＶＲ预测输出ＰｒｅｄｉｃｔＳＹ（ｓ，ｉ）是否符合最优预测输出条件ＳＢＰＰ，如果符合，则执行步骤九；否则，执行步骤十； 步骤九、预测最终值ＰｒｅｄｉｃｔＬ（ｉ）＝ＰｒｅｄｉｃｔＳＹ（ｓ，ｉ）； 步骤十、预测最终值ＰｒｅｄｉｃｔＬ（ｉ）＝ＰｒｅｄｉｃｔｆＹ（ｉ）； 步骤十一、判断子分段模型是否符合子分段模型更新条件ＵｐｄａｔｅＳＯＳＶＲ（ｌ），ｌ∈（１，２，．．．，ｓ），若符合，执行步骤十二；否则，执行步骤十三； 步骤十二、删减按照子分段模型更新条件选定的子分段模型ＳＯＳＶＲ（ｌ），ｌ∈（１，２，．．．，ｓ）； 步骤十三、删掉最远点历史数据，并采用支持向量回归减量算法训练ＯｎｌｉｎｅＳＶＲ； 步骤十四、数据在线更新，并重复步骤三～步骤十三。...
【技术特征摘要】
【专利技术属性】
技术研发人员：彭宇，乔立岩，刘大同，彭喜元，王建民，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：93[中国|哈尔滨]
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。