移动通信话务预测自适应最优模糊逻辑探析.pdf

《移动通信话务预测自适应最优模糊逻辑探析.pdf》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、2013年8月建材与装饰综述与交流移动通信话务预测自适应最优模糊逻辑探析梁建华刘坤（公诚管理咨询有限公司第五分公司）摘要：准确的移动通信话务预测对于通信网络的设计、规划和管理都具有非常重要的意义。本文研究了通信话务量的特性，并对使用自适应最优模糊逻辑的方法进行移动通信话务预测做了探析。关键词：话务预测；自适应；最优模糊逻辑中图分类号：TN929.5文献标识码：B文章编号：1673-0038（2013）24-0383-021引言为了能够准确对话务量进行预测，我们需要使用自适应模糊当代移动通信的用户数以及通信话务量

2、都保持着稳定快速逻辑的预测系统对具有较强和非线性的复杂周期的分量进行数增长的发展势头，运营者通过主动地对网络变化以及用户行为学建模；而对于变化缓慢的趋势分量往往是采用线性回归的方的变化趋势进行预测，进而及时地对通信网络进行必要的规划法进行建模，并将两者的进行合成来得到准确的话务量的预测与优化，才能保证移动网络能够长久而且稳定的运行。当移动通值。采用自适应最优模糊逻辑的方法进行移动通信话务预测的信话务量超过通信信道的允许容量时，非常容易造成交换系统步骤。发生过载，然后出现通信电路拥塞，话务掉话量攀升，甚至偶尔2.

3、1进行相关分析会出现交换机大面积瘫痪无法工作的现象，这都给移动通信的通过进行相关性的分析来确定每天话务量相互之间的联系。运营商以及移动用户的使用造成了非常大的损失。相关程度的大小通常用相关系数rij来度量：给定了样本X=移动通信话务的预测结果是否准确可用，将关系到企业未来嗓x，x，…，x瑟，其中X沂Rn，且x=嗓x，x，…，x瑟，i=1，2，…，n，12niii1i2im的发展是否顺利。因此对移动通信话务量需求的预测越来越受xi和xj，之间的相关系数rij为：到通信运营商的重视。然而通信话务量预测缺少很完善的工

4、具m移（xik-x軃i）（xjk-x軃j）而且当前许多预测方法的准确率都不高，这是我们研究新的预r=k=1ijmm1测技术和预测方法的重要原因。目前大部分的移动运营商采用軃2軃22[移（xik-xi）伊移（xjk-xj）]的预测技术是使用简单函数的进行拟合预测，这种预测模型，实k=1k=1际仅仅是对话务量趋势的粗略估计，在当今移动业务快速发展mm式中：x軃=1移xik，x軃j=1移xjk（2）和网络快速建设情况下，能够起到一定的积极作用。但是随着今immk=1k=1天移动用户行为以及通信网络规模和结构的更快更多

5、的变化，式中：rij的取值范围是[-1，+1]，

6、rij

7、越接近1，证明序列的相关以前使用的粗略的趋势预测技术已经无法满足预测的要求了。程度就越高。因此，充分利用现代数学中，可以利用的预测模型和数学处理方2.2数据的预处理法对移动网络话务模型进行研究分析，可以提高大大话务量预由于很多不可预测的原因，通信网络中的交换机提供的数测的准确度。据，通常会在某个时段出现数据空白甚至数据的错误，例如某日2基于自适应最优模糊逻辑系统的话务预测话务高峰时期的话务量却比相邻几天的话务量明显偏低，这种通过对移动通信话务量的分布特性

8、进行分析，可以发现话务不良数据会对建模的精度造成很大的影响。对常见的偏差数据量序列是一种周期性的而且具有上升趋势的随机序列，同时还的预处理手段包括：淤对于某个时段的空白数据，可以采用改时可以将话务量划分为以下三种：分别是随机分量、周期分量、和段前后的两个星期，在同一是简单的数据的平均值进行数据的趋势分量。这里引起趋势分量变化的原因主要是，当今社会的不填补，这是根据先前得到的相关分析结果表明，移动通信话务基断进步和经济的快速发展，社会和经济的发展都会促进更多的本会呈现以7d为周期的循环出现，所以前后星期在同一时间

9、段社会联系的发生，同时也会增加人们的日常交流，这些都会导致的数据相关性是最大的。于而对于错误的数据，我们通常是采用话务量缓慢的上升。随机分量是移动通信话务固有的一种性质，线性回归和删除残差的方法进行直接剔除。它可以表明人们通话具有的随机性。也就是说，巨大的瞬时随机2.3基于自适应最优模糊逻辑系统的周期分量预测通信话务量在较长的时间段内，一定会表现某种特别的统计规根据以上对数据的相关分析，可以发现移动通信话务的周期律。所以，本文在进行移动通信话务预测时，是将话务量划分为分量，是一个以一周时间为周期的随机的时间序列

10、。根据移动通周期分量部分和趋势分量部分这两个部分，并根据这两个部分信话务数据的这一个特点，可以采用基于自适应最近邻聚类的对移动通信话务进行科学准确地预测。设移动通信话务模型是：学习算法，来进行最优模糊逻辑预测系统的设计，进而对移动通yt=St+Tt（1）信话务的周期分量的进行准确预测。自适应最近邻聚类学习算式中：yt代表话务量的时间序列；St为类周期的分量；Tt代表法能够非常有效地避免