近幾年,我國(guó)的移動(dòng)通信行業(yè)發(fā)展迅速,使得GSM網(wǎng)絡(luò)始終處于大規(guī)模的建設(shè)期。網(wǎng)絡(luò)不斷擴(kuò)容,規(guī)劃就需要不斷調(diào)整。網(wǎng)絡(luò)設(shè)計(jì)需要以話(huà)務(wù)量預(yù)測(cè)為基礎(chǔ),因此,開(kāi)展話(huà)務(wù)量預(yù)測(cè)模型的研究,有助于定量地掌握話(huà)務(wù)量的發(fā)展趨勢(shì),在一定程度上準(zhǔn)確地指導(dǎo)網(wǎng)絡(luò)擴(kuò)容和載頻調(diào)整,提高網(wǎng)絡(luò)運(yùn)行效率,降低網(wǎng)絡(luò)建設(shè)和運(yùn)營(yíng)的成本。 傳統(tǒng)的時(shí)間序列預(yù)測(cè)方法,多要求時(shí)間序列是全局平穩(wěn),且要求殘差互不相關(guān)。實(shí)際的月話(huà)務(wù)量時(shí)間序列往往不滿(mǎn)足上述要求,并且是帶有非線(xiàn)性、不平穩(wěn)的特性。支持向量回歸機(jī)是解決非線(xiàn)性回歸問(wèn)題的一種良好的機(jī)器學(xué)習(xí)的方法。本文用支持向量回歸機(jī)(SVR)對(duì)新疆三地州的月總話(huà)務(wù)量和月平均忙時(shí)話(huà)務(wù)量進(jìn)行建模,并憑借微分進(jìn)化算法(DE)良好的全局搜索能力,以預(yù)測(cè)平均相對(duì)誤差為目標(biāo)函數(shù),對(duì)支持向量機(jī)的超參數(shù)進(jìn)行尋優(yōu),從而獲得較好的預(yù)測(cè)能力。同時(shí)討論了不同的嵌入維數(shù)對(duì)話(huà)務(wù)數(shù)據(jù)建模的影響,并給出兩種模型評(píng)價(jià)標(biāo)準(zhǔn)。 實(shí)驗(yàn)結(jié)果表明,本文所提出的方法與其它的話(huà)務(wù)量預(yù)測(cè)方法相比,具有更好的泛化能力。而在不同擾動(dòng)策略的比較中,從總體上看,對(duì)當(dāng)前最優(yōu)值的擾動(dòng)策略要略好于對(duì)當(dāng)前隨機(jī)值的擾動(dòng)策略。
【學(xué)位單位】：新疆大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2010
【中圖分類(lèi)】：F623;TP18
【部分圖文】：

并且數(shù)量有限。傳統(tǒng)的統(tǒng)計(jì)模式識(shí)別方法在進(jìn)行機(jī)器（Empirical Risk Minimization, ERM），用樣本來(lái)定義∑==niempiiLyfxnR1(,(,))1(ω )ω n 個(gè)觀(guān)測(cè)樣本， ( ,ω)if x被稱(chēng)為預(yù)測(cè)函數(shù)集，其中的ω 被稱(chēng),ω)ix是衡量用 ( ,ω)if x對(duì)iy 進(jìn)行預(yù)測(cè)而造成的損失。機(jī)器學(xué)機(jī)制，作為對(duì)期望風(fēng)險(xiǎn) R (ω)的估計(jì)。風(fēng)險(xiǎn)最小化會(huì)產(chǎn)生“過(guò)學(xué)習(xí)問(wèn)題”（某些情況下，當(dāng)訓(xùn)練力的下降），其推廣能力較差。推廣能力是指：將學(xué)習(xí)機(jī)器、學(xué)習(xí)模型)對(duì)未來(lái)輸出進(jìn)行正確預(yù)測(cè)的能力。事實(shí)上，經(jīng)概率收斂于期望風(fēng)險(xiǎn)，如圖 2.1 所示。所以在大樣本條件在樣本數(shù)量有限的情況下未必能得到好的結(jié)果。

究統(tǒng)計(jì)學(xué)習(xí)理論的熱潮。根據(jù)統(tǒng)計(jì)學(xué)習(xí)理論，學(xué)習(xí)機(jī)器的實(shí)際風(fēng)險(xiǎn)由經(jīng)驗(yàn)風(fēng)險(xiǎn)值和置信范圍值兩部分組成。而基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化準(zhǔn)則的學(xué)習(xí)方法只強(qiáng)調(diào)了訓(xùn)練樣本的經(jīng)驗(yàn)風(fēng)險(xiǎn)最小誤差，沒(méi)有最小化置信范圍值，因此其推廣能力較差。統(tǒng)計(jì)學(xué)習(xí)理論中的一個(gè)重要的概念是 VC 維（Vapnik-Chervonenkis demension）。VC維是反映函數(shù)集學(xué)習(xí)能力和復(fù)雜性的一個(gè)重要的指標(biāo)，它的直觀(guān)的定義是：對(duì)一個(gè)指示函數(shù)集，如果存在 h 各樣本能夠被函數(shù)集中的函數(shù)按所有可能的 2h種形式分開(kāi)，則稱(chēng)函數(shù)集能夠把 h 個(gè)樣本打散，函數(shù)集的 VC 維就是它能打散的最大樣本數(shù)目 h。由此可以看出，VC 維反映了函數(shù)集的學(xué)習(xí)能力，VC 維越大，則學(xué)習(xí)機(jī)器越復(fù)雜。但遺憾的是，目前還沒(méi)有計(jì)算任意函數(shù)集 VC 維的理論，只知道一些特殊函數(shù)集的 VC 維。例如，在 n維實(shí)數(shù)空間中線(xiàn)性分類(lèi)器和線(xiàn)性實(shí)函數(shù)的 VC 維是 n+1。 如圖 2.2 所示，當(dāng) h 為 3 時(shí)，二維空間中 3 個(gè)樣本點(diǎn)被完全打散的情況：

值能夠保證期望風(fēng)險(xiǎn)的值也較小。當(dāng)樣本數(shù)目較少，此時(shí)，較小的經(jīng)驗(yàn)風(fēng)險(xiǎn)值不一定能保證期望風(fēng)險(xiǎn)慮經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信范圍，才能使期望風(fēng)險(xiǎn)較小。原則（Structural Risk Minimization,SRM）的基本思集構(gòu)造為一個(gè)函數(shù)子集序列，使各個(gè)子集按照 VC得最小經(jīng)驗(yàn)風(fēng)險(xiǎn)，在子集間折衷考慮經(jīng)驗(yàn)風(fēng)險(xiǎn)和置把函數(shù)集= { ωω∈Ω}S f(x,),分解為： kSSS12，使得 ≤≤≤khhh12.3 所示：

【引證文獻(xiàn)】

相關(guān)碩士學(xué)位論文 前1條

1 吉敏;支持向量回歸機(jī)在組合預(yù)測(cè)中的應(yīng)用研究[D];東華大學(xué);2011年

本文編號(hào)：2818443