基于混合算法的通信用户规模预测

2017-01-12 08:42燕敏王春洁
现代电子技术 2016年23期

燕敏++王春洁

摘 要: 考虑到常规SVR预测模型及GA优化和PSO优化的SVR预测模型具有寻优结果稳定性差,容易陷入局部最优解等问题,将具有极强的鲁棒性能和全局搜索能力、能够快速跳出局部最优解等优点的人工鱼群算法与SVR算法进行混合,建立基于混合算法的预测模型。通过混合后的算法能够有效地使算法更快、更准确地得到全局最优解,避免了常规算法在人工鱼更新位置时没有全局信息,只有局部信息引起的收敛速度慢,精度低等问题。使用该混合算法预测模型以及使用传统的三次曲线拟合法和GA?SVR算法建立通信用户规模预测模型,针对2010—2012年通信用户规模进行预测,实验证明基于混合算法的通信用户规模预测模型的预测精度高,稳定性较好,相比另外两种算法,具有较强的优势。

关键词: 通信用户规模预测; 混合算法; 支持向量机回归预测模型; 人工鱼群算法

中图分类号: TN911?34; TP37 文献标识码: A 文章编号: 1004?373X(2016)23?0025?04

Research on communication user scale forecasting based on hybrid algorithm

YAN Min1, WANG Chunjie2

(1. Department of Electronics and Information Technology, Sichuan Modern Vocational College, Chengdu 610207, China;

2. Chengdu College of University of Electronic Science and Technology of China, Chengdu 611731, China)

Abstract: Since the conventional SVR forecasting model and SVR forecasting model optimized with GA and PSO have poor stability of optimizing result, and are easy to fall into the local optimal solution, the artificial fish swarm algorithm, which has strong robust performance and global search ability, and can quickly jump out of the local optimal solution, is combined with the SVR algorithm to establish the forecasting model based on hybrid algorithm. The hybrid algorithm can quickly and accurately get the global optimal solution, avoid the problems that the conventional algorithm has no global information, but only has slow convergence speed and low accuracy caused by the local information while updating the artificial fish position. The hybrid algorithm forecasting model, traditional cubic curve fitting algorithm and GA?SVR algorithm are used to establish the communication user scale forecasting model. The communication user scale in 2010—2012 was forecasted. The experimental results show that the studied communication user scale model based on hybrid algorithm has high forecast accuracy and good stability, and is better than other two algorithms.

Keywords: communication user scale forecasting; hybrid algorithm; support vector machine regression forecasting model; artificial fish swarm algorithm

0 引 言

我国移动通信市场巨大,市场竞争激烈,如何准确地对用户规模进行预测对于运营商来说具有十分重要的意义[1?2]。

支持向量机回归预测模型(Support Vector Regression,SVR)是一种应用广泛,泛化能力强的非线性预测模型,其具有躲避“维数灾害”,能寻找全局最优解等优点,故其预测性能优于其他非线性模型。科研工作者对SVR预测模型做出了很多改进,从而使得SVR预测模型具有更优的性能。文献[3?4]中使用遗传算法对SVR模型的参数选取进行优化,构造GA?SVR混合预测模型,但是这种模型参数设置过程复杂,并且寻求结果取决于概率,寻优结果稳定性差。文献[5?6] 中使用粒子群优化算法对SVR模型的参数选取进行优化,构造PSO?SVR混合预测模型,但是这种模型存在容易陷入局部最优解等问题。

人工鱼群算法是受到动物行为启发而发展起来的一种群体智能优化算法,具有极强的鲁棒性能和全局搜索能力,能够快速跳出局部最优解等优点,因此本文使用将人工鱼群算法与SVR算法进行混合,建立基于混合算法的预测模型。

1 用户规模预测流程

通信用户规模预测是以大量相关统计数据为基础,根据人口总数、GDP等相关数据与通信用户规模的内在联系和发展规律,利用统计方法推测出用户规模在未来可能发展的趋势,一般情况下,对通信用户规模的预测包括以下步骤:

(1) 收集和整理相关统计数据资料。根据相关资料可以确定用于用户规模预测的影响因素有:全体居民消费、平均工资水平、人均GDP、人均可支配收入、人均通信费支出、通信公司ARPU指标、电话普及率、家庭人均消费性支出、居民人均存款储蓄、手机平均价格、移动电话普及率和总人口。对这些统计数据的收集要做到全面、准确。

(2) 选取预测算法。选取预测算法对于预测结果尤为重要。目前应用较多的有曲线拟合法、瑞利分布法以及基于机器学习的人工神经网络算法等,每种预测算法都有其适应的范围、条件、优点及缺点,要根据具体情况选择不同的算法。本文使用基于SVR和人工鱼群优化算法的混合算法建立预测模型。

(3) 建立预测模型。根据选用的预测算法以及通信用户规模预测的社会经济理论,建立符合实际的预测模型。

(4) 使用已有结果对预测模型进行预测性能测试。

(5) 建立预测性能评价指标,对预测模型的预测结果进行分析、评价。

(6) 根据预测性能测试,反复修正预测模型,直至满足预测精度为止。

根据上述分析,得出针对通信用户规模的预测模型建立流程如图1所示[7?8]。

4 结 论

常规SVR预测模型及GA优化和PSO优化的SVR预测模型具有寻优结果稳定性差,容易陷入局部最优解等问题。对于SVR算法,RBF核函数参数[σi]、不敏感系数[ε]和惩罚系数[C]通常是通过人工经验随机选取,因此,SVR算法预测模型的预测性能具有极大的随机性和不确定性,本文使用将人工鱼群算法与SVR算法进行混合,建立基于混合算法的预测模型。

使用国家统计局2005—2013年间的数据进行预测实验。实验结果证明本文研究的基于混合算法的通信用户规模预测模型的预测精度高,稳定性较好,相比另外两种算法,具有较强的优势。

参考文献

[1] 苏国军.湖南电信3G业务发展战略研究[D].长沙:中南大学,2008.

[2] 姜姣娇.基于客户价值与满意度的电信运营商集团客户市场营销策略研究[D].天津:天津大学,2014.

[3] HUANG J, BO Y, WANG H. Electromechanical equipment state forecasting based on genetic algorithm?support vector regression [J]. Expert systems with applications, 2011, 38(7): 8399?8402.

[4] CHEN Kuanyu. Forecasting systems reliability based on support vector regression with genetic algorithms [J]. Reliability engineering and system safety, 2007, 92(4): 423?432.

[5] LIN S W, YING K C, CHEN S C, et al. Particle swarm optimization for parameter determination and feature selection of support vector machines [J]. Expert systems with applications, 2008, 35(4): 1817?1824.

[6] 王治.基于混沌粒子群优化SVR 的网络流量预测[J].计算机仿真,2011,28(5):151?154.

[7] 李晓磊,钱积新.人工鱼群算法:自下而上的寻优模式[J].系统工程理论与实践,2002,22(3):76?82.

[8] 江铭炎,袁东风.人工鱼群算法及其应用[M].北京:科学出版社,2012.

[9] 王瑞雪,刘渊.GAFSA优化SVR的网络流量预测模型研究[J].计算机应用研究,2013(3):856?860.

[10] 翁钢民,李凌雁.旅游客流量预测:基于季节调整的PSO?SVR模型研究[J].计算机应用研究,2014(3):692?695.

[11] 刘春波.基于人工神经网络的移动通信市场用户规模预测研究[D].广州:暨南大学,2010.

[12] 赵颖.SCDMA无线市话用户规模预测[D].北京:清华大学,2011.