基于先验知识的移动通信话务量预测

《基于先验知识的移动通信话务量预测》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、第1期电子学报V01．39No．12011年1月ACTAELECIR0NICASINICAJan．2011基于先验知识的移动通信话务量预测彭宇，雷苗，郭嘉，彭喜元，于江，陈强(1．哈尔滨工业大学自动化测试与控制研究所，黑龙江哈尔滨150080；2．中国移动黑龙江有限公司，黑龙江哈尔滨ts~rz8)摘要：本文提出了一种基于先验知识引导的极大重叠离散小波变换的移动通信话务量预测方法．采用傅里叶谱分析作为小波分解子成分先验知识降低小波分解的盲目性．利用具有明确物理意义且更易提取子层的极大重叠离散小波变换对话务量序列进行分解．分解后仍以傅里叶谱先验知识为参考，合并相关子层形成趋势项

2、和周期项两部分，并采用季节性求和自回归滑动平均(ARIMA)模型对二者分别建模和预测．采用真实数据测试的结果表明：本文方法可实现多步预测，且预测精度优于单纯的季节性ARIMA模型．关键词：移动通信；话务量预测；极大重叠离散小波变换；先验知识中图分类号：TP391文献标识码：A文章编号：0372．2112(2011)01．0190-05MobileCommunicationTraficForecastingwithPriorKnowledgePENGYu，LEIMiao，GUOJia，PENGXi—yuan，YUJiang2，CHENQiang2(1．AutomaticTes

3、tandControlInstitute，HarbinInstituteofTechnology，Harbin，{0150080，China；2．ChinaMobileHeilon~iangCo．Ltd，Harbin，Heilongiio~15(XP_8，China)Abstract：Thispaperproposedamethodologyofforecastingformobilecommunicationl'afficwithmaximaloverlapdiscretewavelettransform(MODWT)accordingtopriknowledge．Fou

4、rierspectnmawaschosenasthepknowledgetoavoidtheblindnessofwaveletdecomposition．Then，MODWTwhichiseasytoextractcomponentswithobviousphysicalmeaningwasem·ployedtodecomposethecommunicationtrafficdata．Moreover，priorknowledgeoffourierspectrumWastakenasreferencetosyn-thesizerelevantsublayers，leadi

5、ngtOthetrendandseasonalcomponents．Further，seasonalautoregressiveintegrauxlmovingaverage(ARIMA)modelWasappliedtomodelandpredicttheprevioustrendandseasonalcomponents，respectively．Theresultstestedwithrealcommunicationtrafficdataindicate：themethodologyproposedinthispaperCanrealizemultisteppred

6、ictionandtheforecastingaccuracyissuperiortothatofseasonalARIMAmodels．Keywords：mobilecomunication；trafficforecasting；maximaloverlapdiscretewavelettransform；priorknowledge如：移动通信公司的网络话务量数据虽然每小时自动采1引言集一次，但汇总延迟最大可达24h．而对移动业务峰值随着通信业务的快速发展，对话务量的预测需求日预警等实际网络管理需求的分析表明：在日常的移动通益增加．准确的话务量预测对网络管理，规划和设计

7、具信网络维护中，对中长期预测的需求最为迫切，如：一周有重要意义，可为网络拥塞、覆盖和干扰等提供决策支左右(168h)的预测．由此可见，若采用适合单步或少量持ll』．目前，实际应用的方法主要是移动平均、指数平多步预测的智能算法解决实际问题还存在一定的困难．滑、线性回归等．这些方法对话务量的趋势预测比较准针对1P骨干网网络流量中长期预测需求，文献[6]确，但对剧烈波动成分的预测则比较粗糙．也有研究者以1．5h为采样间隔，利用离散小波变换(DWI')算法的采用传统的时间序列预测方法ARMA、ARIMA模型_2实二进伸缩能