[發(fā)明專(zhuān)利]一種基于聚類(lèi)LS-SVM的移動(dòng)通信話(huà)務(wù)量預(yù)測(cè)方法

無(wú)效

• 申請(qǐng)?zhí)枺?/td>: 201010584685.0
• 申請(qǐng)日: 2010-12-13
• 公開(kāi)（公告）號(hào): CN102065449A
• 公開(kāi)（公告）日: 2011-05-18
• 發(fā)明（設(shè)計(jì)）人: 彭宇;劉大同;王少軍;劉琦;戴毓豐;于江;陳強(qiáng)
• 申請(qǐng)（專(zhuān)利權(quán)）人: 哈爾濱工業(yè)大學(xué)
• 主分類(lèi)號(hào): H04W16/22
• 分類(lèi)號(hào): H04W16/22
• 代理公司: 哈爾濱市松花江專(zhuān)利商標(biāo)事務(wù)所 23109
• 代理人: 張果瑞

1.一種基于聚類(lèi)LS-SVM的移動(dòng)通信話(huà)務(wù)量預(yù)測(cè)方法，其特征在于，它包括以下步驟：

步驟一、選取當(dāng)前時(shí)刻之前的4至6個(gè)月的話(huà)務(wù)量歷史數(shù)據(jù)，并將所述話(huà)務(wù)量歷史數(shù)據(jù)作為訓(xùn)練樣本，對(duì)歷史數(shù)據(jù)進(jìn)行預(yù)處理，采用k-means聚類(lèi)方法對(duì)處理后的樣本進(jìn)行聚類(lèi)、LS-SVM建模，獲取C個(gè)LS-SVM預(yù)測(cè)模型，C為最佳聚類(lèi)數(shù)；

步驟二、對(duì)新輸入的樣本進(jìn)行預(yù)處理，按照設(shè)定的嵌入維數(shù)和延遲時(shí)間對(duì)新輸入的樣本進(jìn)行相空間重構(gòu)，并進(jìn)行歸一化處理，使得所有數(shù)據(jù)處于[-1，1]之間；

步驟三、根據(jù)步驟一的C個(gè)聚類(lèi)結(jié)果對(duì)重構(gòu)后的新輸入樣本進(jìn)行分類(lèi)，確定其所屬的類(lèi)別；

步驟四、根據(jù)步驟三的分類(lèi)結(jié)果，將新輸入的樣本輸入給對(duì)應(yīng)類(lèi)別的LS-SVM預(yù)測(cè)模型，輸出預(yù)測(cè)值，完成對(duì)輸入的待處理樣本的快速預(yù)測(cè)。

2.根據(jù)權(quán)利要求1所述的一種基于聚類(lèi)LS-SVM的移動(dòng)通信話(huà)務(wù)量預(yù)測(cè)方法，其特征在于，步驟一中獲取C個(gè)LS-SVM預(yù)測(cè)模型的方法為：

步驟11、對(duì)話(huà)務(wù)量歷史數(shù)據(jù)進(jìn)行預(yù)處理：按照設(shè)定的嵌入維數(shù)和延遲時(shí)間來(lái)對(duì)話(huà)務(wù)量歷史數(shù)據(jù)進(jìn)行相空間重構(gòu)，并進(jìn)行歸一化處理，使得所有數(shù)據(jù)處于[-1，1]之間；

步驟12、按照VRC準(zhǔn)則確定歸一化處理后的歷史重構(gòu)樣本的最佳聚類(lèi)數(shù)C，對(duì)步驟11重構(gòu)后的話(huà)務(wù)量歷史數(shù)據(jù)進(jìn)行聚類(lèi)，確定其所屬類(lèi)，每類(lèi)中樣本數(shù)量為n_i，i＝1，2，3…C；

步驟13、在每類(lèi)中取K個(gè)離當(dāng)前時(shí)刻近的樣本，并分別進(jìn)行LS-SVM建模，K＝min(n_i)，獲取C個(gè)LS-SVM預(yù)測(cè)模型，LS-SVM預(yù)測(cè)模型表示為f(x)=Σi=1KαiK(x,xi)+b,]]>

其中，徑向基函數(shù)K(x，y)＝exp{-||x-y||²/σ²}；αi為拉格朗日乘子α的數(shù)組元素，

且α=A-1(y-b1→),]]>

偏移量b=1→TA-1y1→TA-11→,]]>

其中矩陣核函數(shù)矩陣Ω＝K(x_i，x_j)。

3.根據(jù)權(quán)利要求2所述的一種基于聚類(lèi)LS-SVM的移動(dòng)通信話(huà)務(wù)量預(yù)測(cè)方法，其特征在于，最佳聚類(lèi)數(shù)C采用VRC準(zhǔn)則確定，遍歷C，使取得最大值的C為最佳聚類(lèi)數(shù)，其中，tr[S_B]為類(lèi)間散布矩陣的跡，tr[S_w]為類(lèi)內(nèi)散布矩陣的跡。