基于相关度的忙时话务量加权一阶局域预测模型

为了改善加权一阶局域预测模型的预测精度,提出衡量相点间相关性的相关度函数。利用相关度函数确定预测中心点的参考邻域,并将相关度的大小以加权的方式作用于加权一阶局域预测模型,进而推导出辨识加权一阶局域预测模型参数的算法。最后将预测模型用于忙时话务量的预测中,结果表明,该模型有效地提高了忙时话务量的预测精度,验证了相关度函数衡量相点间相关性的有效性。     

移动通信话务研究

本文对大量的移动话单的统计分析,发现移动通信话务的特有规律,在此基础上介绍如何确定网络忙时、小区忙时、用户平均忙时话务量、漫游话务量及话务密度,并提出将预测话务量合理地分配到各小区的方法。     

移动通信话务研究

本文对大量的移动话单的统计分析，发现移动通信话务的特有规律，在此基础上介绍如何确定网络忙时、小区忙时、用户平均忙时话务量、漫游话务量及话务密度，并提出将预测话务量合理地分配到各小区的方法。     

一种新的预测小区话务量的方法及在工程中的应用

GSM扇区(下称小区)的话务量在一天24小时内以及每周七天都有所不同,但都体现出一定规律。当每线话务量超过0.8爱尔兰(称为超忙)时,很容易出现用户起呼阻塞的情况。文章提出了一种新的话务量预测的方法,能够根据当前时段的OMC话务统计,实时预测间隔时段的小区话务量并判决是否超忙,从而给网络维护人员提供了一种提前处理超忙小区的依据,能够极大地疏导话务量,有效提高用户感知度。     

LIBSVM回归算法在话务预测中的应用

话务量预测在工程规划建设中有重要的意义,但常用的预测方法总体准确率不高,而LIBSVM算法在解决回归问题上表现出优良的性能。本文以H市连续587天早忙时话务量样本作为LIBSVM模型训练,之后用60个样本点作为测试数据,验证LIBSVM模型的预测性能,并对结果进行均方误差和平均相对误差的指标评价分析。     

LIBSVM回归算法在话务预测中的应用探讨

话务量预测在工程规划建设中有重要的意义,但常用的预测方法总体准确率不高,而LIBSVM算法在解决回归问题上表现出优良的性能.本文以H市连续587天早忙时话务量样本作为LIBSVM模型训练,之后用60个样本点作为测试数据,验证LIBSVM模型的预测性能,并对结果进行均方误差和平均相对误差的指标评价分析.     

基于改进HMM模型的无线移动通信忙时话务量预测

为了改进传统HMM模型存在的过学习的问题,文章将ANN算法与HMM模型相结合,ANN算法具有很强的抗干扰性,也不存在过学习的问题,刚好弥补了HMM模型的缺陷。并将其运用到无线移动通信忙时话务量的预测中,而且首次将短信数据、用户数据等影响话务量的相关因素纳入考虑,结果表明:ANNHMM模型在综合考虑多种因素的情况下具有良好的预测效果。     

某省GSM网用户话务量全年波动性研究分析

以电话网话务量定义为切入点,指出当前工程设计过程中一般采用的基础话务量调查、统计、取定的办法和存在的问题,并针对某省GSM网一个完整年度的用户忙时平均话务量做遍历考察和研究分析,绘制全年话务量波动性曲线,对工程设计中遇到的话务量指标进行量化计算和对比,统计全年忙日出现的概率。     

客服中心话务量的多种预测方法

话务量是客服中心运营管理的一个重要指标,有多种方法预测话务量。分析比较表明,多项式拟合、指数平滑法和ARIMA模型的预测精度较高。这里提出一种日话务量预测的方法,以供参考。     

客服中心话务量预测方法对比分析

话务量是客服中心运营管理中的一个重要指标。此文尝试利用某通信运营商客服中心呼叫话务量的历史数据,选用多种方法进行建模和预测;通过与真实数据的校验分析表明,多项式拟合、指数平滑法和ARIMA模型的预测精度较高。基于此,提出了一种客服中心日话务量预测的方法流程,以期为话务量的合理预测提供参考。     

基于多Agent的交通信息智能预测系统的研究

城市交通控制和诱导系统是智能交通系统(Intelligent Transport System,ITS)的组成部分,而交通流预测特别是短时交通流预测是城市交通控制与交通诱导系统的基础。由于缺乏交通量预测所需历史数据以及判断影响交通量生成与增长因素的准确性不够,致使道路交通量的预测结果与实际值产生了较大差异。论述了灰色模型(Gray Model,GM)以及多Agent理论在交通量智能预测中的方法和应用技术。该方法利用多Agent间的相互通信、协作功能以及灰色模型的累加生成手段和微分方程描述,在一定预测时段内保证了预测数据良好的准确性和实用性。     

组合神经网络的网络流量预测研究

提出一种组合神经网络的网络流量预测模型.首先采用SMOF网络对网络流量数据进行聚类,然后采用Elman网络对聚类后的流量数据进行训练并预测,同时采用遗传算法对Elman网络的网络结构进行优化,提高网络流量预测精度.仿真结果表明,组合神经网络加快了网络流量预测速度,提高了网络流量预测精度,克服了单一预测模型不足,为网络流量预测提供了新的思路,具有很好的应用前景.     

Short‐Term High-Speed Traffic Flow Prediction Based on ARIMA-GARCH-M Model

The traditional traffic flow prediction model acquired the poor characteristics of the traffic flow time series, which led to the low prediction accuracy. Therefore, the short-term high-speed traffic flow prediction based on arima-garch-m model was proposed. According to the urban traffic flow theory, ARIMA model and GARCH model are combined to obtain the corresponding fluctuation characteristics and realize the prediction of traffic flow. The experimental results show that the NRMSE and MAPE of the model in this paper are only 3.13?% and 8.76?%, respectively, with good prediction accuracy and better stability and accuracy than the other two models, proving that the model has good performance and can meet the needs of practical application.

     

基于多维时空的NPCA-PSR-IGM(1,1)组合模型的短时交通流预测

针对城市短时交通流序列非线性和混沌性的特点,为提高短时交通流的预测精度,该文提出一种基于多维时空的非线性主成分分析(NPCA)和相空间重构(PSR)的改进灰色(IGM(1,1))组合预测模型。首先,使用数据相关性的非线性主成分分析算法对多维交通流量序列进行时空降维,同时保留影响预测点的主要交通流量数据,从而提高建模的精确度;其次,利用多维时空交通流量序列相空间重构放大交通流量内部的细微特征,以使其内在规律得以充分展现,进一步提升预测精度;最后,结合背景值改进的灰色模型适应于线性、非线性以及所需数据少的特点,进行短时交通流预测。实验结果表明,NPCA-PSR-IGM(1,1)组合预测模型的平均相对误差相比NPCA-PSR-GM(1,1)组合预测模型减小3.12%,其标准偏差相对PCA-PSR-IGM(1,1)组合预测模型从15.7091下降到2.0589。同时与最新的预测模型相比,该组合预测模型也提高了预测精度,达到了较好的预测效果。     

基于多维时空的NPCA-PSR-IGM(1,1)组合模型的短时交通流预测

针对城市短时交通流序列非线性和混沌性的特点,为提高短时交通流的预测精度,该文提出一种基于多维时空的非线性主成分分析(NPCA)和相空间重构(PSR)的改进灰色(IGM(1,1))组合预测模型。首先,使用数据相关性的非线性主成分分析算法对多维交通流量序列进行时空降维,同时保留影响预测点的主要交通流量数据,从而提高建模的精确度;其次,利用多维时空交通流量序列相空间重构放大交通流量内部的细微特征,以使其内在规律得以充分展现,进一步提升预测精度;最后,结合背景值改进的灰色模型适应于线性、非线性以及所需数据少的特点,进行短时交通流预测。实验结果表明,NPCA-PSR-IGM(1,1)组合预测模型的平均相对误差相比NPCA-PSR-GM(1,1)组合预测模型减小3.12%,其标准偏差相对PCA-PSR-IGM(1,1)组合预测模型从15.7091下降到2.0589。同时与最新的预测模型相比,该组合预测模型也提高了预测精度,达到了较好的预测效果。     

基于小波支持向量机的VBR视频流量预测

：VBR视频流量具有时变性、突发性和非线性等变化特点,为了提高VBR视频流量的预测精度,提出一种小波支持向量机的VBR视频流量预测模型(WSVM)。首先对VBR视频流量时间序列进行相空间重构,然后将其输入到小波支持向量机进行学习,建立VBR视频流量预测模型,最后采用仿真实验对模型性能进行测试,并与支持向量机、小波神经网络进行对比。仿真结果表明,相对于其它预测模型,WSVM模型提高了VBR视频流量预测精度,能够更加准确反映VBR视频流量的复杂变化规律。     

基于在线LS-SVM的网络流量预测

为了提高流量预测的准确性,将混沌理论和在线LS-SVM回归技术应用于网络流量预测。采用相空间重构理论计算流量的时延τ、嵌入维数m,据此确定训练样本对并建立在线预测模型,对网络流量数据进行预测。结果表明,该方法能有效地进行流量预测,相对于传统的离线预测方式,该方法具有更好的预测精度。     

Exo-LSTM: traffic flow prediction based on multifractal wavelet theory

In order to predict traffic flow more accurately and improve network performance, based on the multifractal wavelet theory, a new traffic prediction model named exo-LSTM is proposed. Exo represents exogenous sequence used to provide a detailed sequence for the model, LSTM represents long short-term memory used to predict unstable traffic flow. Applying multifractal traffic flow to the exo-LSTM model and other existing models, the experiment result proves that exo-LSTM prediction model achieves better prediction accuracy.