[發明專利]一種移動通信話務量的多步預測方法

無效

• 申請號: 200910072703.4
• 申請日: 2009-08-19
• 公開（公告）號: CN101631317A
• 公開（公告）日: 2010-01-20
• 發明（設計）人: 彭宇;喬立巖;劉大同;雷苗;郭嘉;王建民
• 申請（專利權）人: 哈爾濱工業大學
• 主分類號: H04W16/18
• 分類號: H04W16/18;H04W24/06;G06F17/00
• 代理公司: 哈爾濱市松花江專利商標事務所
• 代理人: 張宏威

技術領域

本發明涉及移動通信話務量預測領域，具體涉及ARMA系列模型預測算 法和基于先驗知識的極大重疊離散小波變換分解整合算法。

背景技術：

現在移動通信的用戶數和話務量保持著高速增長的勢頭，移動網絡長久、 穩定的運行，有賴于及時、有效的網絡規劃與優化。移動通信話務量超過一定 容量時，極易造成交換系統過載，出現網絡擁塞，給移動通信運營商和用戶造 成不可彌補的損失。因此，根據話務統計資料和其他業務信息對移動通信話務 量的變化趨勢進行預測，可以為通訊過程中峰值預警、基站配置、信道優化利 用等問題提供決策支持。

話務量作為時間序列的一種，其預測方法可以追溯到時間序列預測的一般 方法。時間序列預測就是根據已有的觀察記錄數據，在一定精度范圍內預報未 來行為，主要分為線性和非線性方法兩類。事實上，基于線性模型的預測方法 一般算法實現比較容易，速度快，且可實現多步預測，但缺點是預測精度較低； 非線性預測方法預測精度較高，但缺點是算法復雜，且一般只能實現單步或少 量多步預測。針對話務量的多步預測需求，需采用線性模型方法——ARMA 系列模型方法進行預測。然而，話務量序列作為一種與人們生活作息聯系緊密 的多周期時間序列，同時又具有多尺度和非平穩特性，線性模型對其適應性較 差，預測精度較低。

小波分析在計算機應用、信號處理、圖像分析、非線性科學等領域中有著 廣泛的應用。考慮到小波分析良好的時頻局部性和多分辨分析能力，采用小波 方法對話務量進行分解，以期降低子層復雜度。

發明內容

本發明為解決現有的移動通信話務量使用ARMA系列模型預測精度低、 以及小波分解過程中的盲目性，提出一種移動通信話務量的多步預測方法，該 方法由以下步驟完成：

步驟一：對移動通信話務量數據進行傅里葉變換，將所述的傅里葉譜分析 結果作為小波分解整合的先驗知識；

步驟二：根據步驟一獲得的傅里葉譜先驗知識，采用極大重疊離散小波變 換算法，選取Haar小波基和分解層數，對話務量序列進行小波分解，獲得與 傅里葉譜成分對應的趨勢項與各細節項；

步驟三：根據步驟一獲得的先驗知識，將步驟二中的各細節項整合為周期 項；

步驟四：采用乘積季節ARIMA模型，對步驟二獲得的趨勢項和步驟三獲 得的周期項分別進行預測，將兩項預測結果相加，獲得總的預測值。

本發明的優點：一、本發明采用極大重疊離散小波變換分解算法和乘積季 節ARIMA模型相結合，實現了對移動通信話務量序列的多步預測，提高了預 測精度；二、以傅里葉譜分析的結果作為話務量序列極大重疊離散小波變換分 解的先驗知識，解決了小波分解過程的盲目性；三、采用傅里葉譜先驗知識作 為小波子層精簡整合的依據，降低了小波分解的算法復雜度。

附圖說明

圖1是哈爾濱市某小區話務量序列示意圖，圖2是哈爾濱市某小區話務量 頻譜周期成分示意圖，圖3是哈爾濱市某小區話務量序列小波分解示意圖，圖 4是哈爾濱市某小區話務量序列小波分解精簡整合的示意圖，圖5是采用本發 明所述方法對精簡整合后的話務量序列多步預測的效果圖，圖6是直接采用乘 積季節ARIMA模型對原始話務量序列多步預測的效果圖。

具體實施方式

具體實施方式一：一種移動通信話務量的多步預測方法，該方法由以下步 驟完成：

步驟一：對移動通信話務量數據進行傅里葉變換，將所述的傅里葉譜分析 結果作為小波分解整合的先驗知識；

步驟二：根據步驟一獲得的傅里葉譜先驗知識，采用極大重疊離散小波變 換算法，選取Haar小波基和分解層數，對話務量序列進行小波分解，獲得與 傅里葉譜成分對應的趨勢項與各細節項；

步驟三：根據步驟一獲得的先驗知識，將步驟二中的各細節項整合為周期 項；

步驟四：采用乘積季節ARIMA模型，對步驟二獲得的趨勢項和步驟三獲 得的周期項分別進行預測，將兩項預測結果相加，獲得總的預測值。

本實施方式中步驟一所述的對話務量數據進行頻譜分析的過程中，將所述 話務量頻譜的頻率幅度特性轉化為周期幅度特性，作為小波分解的先驗知識和 小波分解后的模型整合的依據。

本實施方式中步驟二所述的采用極大重疊離散小波變換算法實現小波分 解的過程為：