用時序遺傳神經(jīng)網(wǎng)絡預測通信網(wǎng)絡業(yè)務指標.pdf

1、在社會經(jīng)濟飛速發(fā)展的今天，數(shù)據(jù)預測有著廣泛的應用前景，在各個行業(yè)發(fā)揮著越來越重要的作用。在通信企業(yè)，通信網(wǎng)絡數(shù)據(jù)的采集、維護、分析、預測是日常而十分重要的工作，其話務量、CP負荷等指標數(shù)據(jù)的預測對于企業(yè)經(jīng)營和維護具有十分重要的指導意義。本文研究的數(shù)據(jù)對象為某通信企業(yè)的網(wǎng)管數(shù)據(jù)，它記錄運營商管轄范圍內(nèi)小區(qū)、鄉(xiāng)、縣、地市、省等各個級別的各種通信業(yè)務指標。預測部分通過挖掘歷史數(shù)據(jù)內(nèi)的未知知識預測未來的業(yè)務指標,從而為企業(yè)經(jīng)營提供參考。

2、 目前，在數(shù)據(jù)預測領域，機器學習方法作為能夠?qū)θ我馕粗姆蔷€性函數(shù)關(guān)系進行精確擬合的手段，被廣泛地研究和應用。然而，大量研究都集中于機器學習本身，傾向于機器學習算法技術(shù)層面的改進，沒有完整地提出一套規(guī)范的、可行的時間序列預測方案、并在此方案的指導下建立起對現(xiàn)實確實有參考價值的預測模型。事實上，機器學習方法學習能力強，卻并非為數(shù)據(jù)預測而提出，要直接用于數(shù)據(jù)預測則茫然。由于其本身不提供關(guān)于數(shù)據(jù)預測的任何理論依據(jù)，因此盲目地用它做數(shù)據(jù)預測，是

3、不可能收到最好效果的。 針對這樣一種情況，我們研究預測業(yè)務的特點，一方面選擇BP神經(jīng)網(wǎng)絡學習方法，研究如何針對預測業(yè)務的特點對它進行修改，研究如何將遺傳算法與改進后的BP-L神經(jīng)網(wǎng)絡相結(jié)合，進行高精度的知識學習、知識發(fā)現(xiàn)工作；一方面，研究如何以這樣的知識發(fā)現(xiàn)工具，在數(shù)據(jù)預測理論指導下進行完整、深入的時序分析與預測工作。 在數(shù)據(jù)預測領域，時間序列分析方法對時間序列的本質(zhì)、特性等做了廣泛而深入的研究，構(gòu)建了一套全面的理論，

4、并提出了以ARMA自回歸滑動平均模型等為核心的具體計算方法，其內(nèi)容覆蓋了數(shù)據(jù)預測的方方面面，提供了時間序列預測的一套指導性方法。在本文我們選擇時間序列理論作為預測模型的建模依據(jù)和指導，并以改進的遺傳BP神經(jīng)網(wǎng)絡取代時序分析方法中的學習挖掘手段，為該通信企業(yè)的通信網(wǎng)絡業(yè)務數(shù)據(jù)預測建立了一套預測網(wǎng)絡模型，用于該企業(yè)各種通信網(wǎng)絡業(yè)務指標的分析、預測。它具有這樣的一些優(yōu)點：以時間序列理論指導建模、預測的全過程，因此和單純的機器學習方法相比，可行

5、性、方向的正確性得到了有力保證，必然能得到更好的預測效果；用改進的BP-L神經(jīng)網(wǎng)絡完成時間序列分析中挖掘數(shù)據(jù)依賴關(guān)系的步驟，它由基本的BP神經(jīng)網(wǎng)絡修改而得，更適于數(shù)據(jù)預測領域，以它作為我們模型中使用的機器學習工具，就預測而言速度、精確性和泛化能力都得到較大改善；以遺傳算法優(yōu)化BP-L網(wǎng)絡的初始權(quán)值，以盡可能地克服神經(jīng)網(wǎng)絡的局部收斂問題；與絕大多數(shù)根據(jù)經(jīng)驗選擇輸入節(jié)點個數(shù)的簡單機器學習預測方法相比，它能自動實時計算最合理的預測階數(shù)而不是去