基于混合算法的通信用戶規(guī)模預(yù)測

燕敏++王春潔

摘 要： 考慮到常規(guī)SVR預(yù)測模型及GA優(yōu)化和PSO優(yōu)化的SVR預(yù)測模型具有尋優(yōu)結(jié)果穩(wěn)定性差，容易陷入局部最優(yōu)解等問題，將具有極強(qiáng)的魯棒性能和全局搜索能力、能夠快速跳出局部最優(yōu)解等優(yōu)點(diǎn)的人工魚群算法與SVR算法進(jìn)行混合，建立基于混合算法的預(yù)測模型。通過混合后的算法能夠有效地使算法更快、更準(zhǔn)確地得到全局最優(yōu)解，避免了常規(guī)算法在人工魚更新位置時(shí)沒有全局信息，只有局部信息引起的收斂速度慢，精度低等問題。使用該混合算法預(yù)測模型以及使用傳統(tǒng)的三次曲線擬合法和GA?SVR算法建立通信用戶規(guī)模預(yù)測模型，針對2010—2012年通信用戶規(guī)模進(jìn)行預(yù)測，實(shí)驗(yàn)證明基于混合算法的通信用戶規(guī)模預(yù)測模型的預(yù)測精度高，穩(wěn)定性較好，相比另外兩種算法，具有較強(qiáng)的優(yōu)勢。

關(guān)鍵詞： 通信用戶規(guī)模預(yù)測； 混合算法； 支持向量機(jī)回歸預(yù)測模型； 人工魚群算法

中圖分類號： TN911?34； TP37 文獻(xiàn)標(biāo)識碼： A 文章編號： 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

我國移動通信市場巨大，市場競爭激烈，如何準(zhǔn)確地對用戶規(guī)模進(jìn)行預(yù)測對于運(yùn)營商來說具有十分重要的意義[1?2]。

支持向量機(jī)回歸預(yù)測模型（Support Vector Regression，SVR）是一種應(yīng)用廣泛，泛化能力強(qiáng)的非線性預(yù)測模型，其具有躲避“維數(shù)災(zāi)害”，能尋找全局最優(yōu)解等優(yōu)點(diǎn)，故其預(yù)測性能優(yōu)于其他非線性模型?？蒲泄ぷ髡邔VR預(yù)測模型做出了很多改進(jìn)，從而使得SVR預(yù)測模型具有更優(yōu)的性能。文獻(xiàn)[3?4]中使用遺傳算法對SVR模型的參數(shù)選取進(jìn)行優(yōu)化，構(gòu)造GA?SVR混合預(yù)測模型，但是這種模型參數(shù)設(shè)置過程復(fù)雜，并且尋求結(jié)果取決于概率，尋優(yōu)結(jié)果穩(wěn)定性差。文獻(xiàn)[5?6] 中使用粒子群優(yōu)化算法對SVR模型的參數(shù)選取進(jìn)行優(yōu)化，構(gòu)造PSO?SVR混合預(yù)測模型，但是這種模型存在容易陷入局部最優(yōu)解等問題。

人工魚群算法是受到動物行為啟發(fā)而發(fā)展起來的一種群體智能優(yōu)化算法，具有極強(qiáng)的魯棒性能和全局搜索能力，能夠快速跳出局部最優(yōu)解等優(yōu)點(diǎn)，因此本文使用將人工魚群算法與SVR算法進(jìn)行混合，建立基于混合算法的預(yù)測模型。

1 用戶規(guī)模預(yù)測流程

通信用戶規(guī)模預(yù)測是以大量相關(guān)統(tǒng)計(jì)數(shù)據(jù)為基礎(chǔ)，根據(jù)人口總數(shù)、GDP等相關(guān)數(shù)據(jù)與通信用戶規(guī)模的內(nèi)在聯(lián)系和發(fā)展規(guī)律，利用統(tǒng)計(jì)方法推測出用戶規(guī)模在未來可能發(fā)展的趨勢，一般情況下，對通信用戶規(guī)模的預(yù)測包括以下步驟：

（1） 收集和整理相關(guān)統(tǒng)計(jì)數(shù)據(jù)資料。根據(jù)相關(guān)資料可以確定用于用戶規(guī)模預(yù)測的影響因素有：全體居民消費(fèi)、平均工資水平、人均GDP、人均可支配收入、人均通信費(fèi)支出、通信公司ARPU指標(biāo)、電話普及率、家庭人均消費(fèi)性支出、居民人均存款儲蓄、手機(jī)平均價(jià)格、移動電話普及率和總?cè)丝?。對這些統(tǒng)計(jì)數(shù)據(jù)的收集要做到全面、準(zhǔn)確。

（2） 選取預(yù)測算法。選取預(yù)測算法對于預(yù)測結(jié)果尤為重要。目前應(yīng)用較多的有曲線擬合法、瑞利分布法以及基于機(jī)器學(xué)習(xí)的人工神經(jīng)網(wǎng)絡(luò)算法等，每種預(yù)測算法都有其適應(yīng)的范圍、條件、優(yōu)點(diǎn)及缺點(diǎn)，要根據(jù)具體情況選擇不同的算法。本文使用基于SVR和人工魚群優(yōu)化算法的混合算法建立預(yù)測模型。

（3） 建立預(yù)測模型。根據(jù)選用的預(yù)測算法以及通信用戶規(guī)模預(yù)測的社會經(jīng)濟(jì)理論，建立符合實(shí)際的預(yù)測模型。

（4） 使用已有結(jié)果對預(yù)測模型進(jìn)行預(yù)測性能測試。

（5） 建立預(yù)測性能評價(jià)指標(biāo)，對預(yù)測模型的預(yù)測結(jié)果進(jìn)行分析、評價(jià)。

（6） 根據(jù)預(yù)測性能測試，反復(fù)修正預(yù)測模型，直至滿足預(yù)測精度為止。

根據(jù)上述分析，得出針對通信用戶規(guī)模的預(yù)測模型建立流程如圖1所示[7?8]。

4 結(jié) 論

常規(guī)SVR預(yù)測模型及GA優(yōu)化和PSO優(yōu)化的SVR預(yù)測模型具有尋優(yōu)結(jié)果穩(wěn)定性差，容易陷入局部最優(yōu)解等問題。對于SVR算法，RBF核函數(shù)參數(shù)[σi]、不敏感系數(shù)[ε]和懲罰系數(shù)[C]通常是通過人工經(jīng)驗(yàn)隨機(jī)選取，因此，SVR算法預(yù)測模型的預(yù)測性能具有極大的隨機(jī)性和不確定性，本文使用將人工魚群算法與SVR算法進(jìn)行混合，建立基于混合算法的預(yù)測模型。

使用國家統(tǒng)計(jì)局2005—2013年間的數(shù)據(jù)進(jìn)行預(yù)測實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果證明本文研究的基于混合算法的通信用戶規(guī)模預(yù)測模型的預(yù)測精度高，穩(wěn)定性較好，相比另外兩種算法，具有較強(qiáng)的優(yōu)勢。

參考文獻(xiàn)

[1] 蘇國軍.湖南電信3G業(yè)務(wù)發(fā)展戰(zhàn)略研究[D].長沙：中南大學(xué)，2008.

[2] 姜姣嬌.基于客戶價(jià)值與滿意度的電信運(yùn)營商集團(tuán)客戶市場營銷策略研究[D].天津：天津大學(xué)，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.基于混沌粒子群優(yōu)化SVR 的網(wǎng)絡(luò)流量預(yù)測[J].計(jì)算機(jī)仿真，2011，28（5）：151?154.

[7] 李曉磊，錢積新.人工魚群算法：自下而上的尋優(yōu)模式[J].系統(tǒng)工程理論與實(shí)踐，2002，22（3）：76?82.

[8] 江銘炎，袁東風(fēng).人工魚群算法及其應(yīng)用[M].北京：科學(xué)出版社，2012.

[9] 王瑞雪，劉淵.GAFSA優(yōu)化SVR的網(wǎng)絡(luò)流量預(yù)測模型研究[J].計(jì)算機(jī)應(yīng)用研究，2013（3）：856?860.

[10] 翁鋼民，李凌雁.旅游客流量預(yù)測：基于季節(jié)調(diào)整的PSO?SVR模型研究[J].計(jì)算機(jī)應(yīng)用研究，2014（3）：692?695.

[11] 劉春波.基于人工神經(jīng)網(wǎng)絡(luò)的移動通信市場用戶規(guī)模預(yù)測研究[D].廣州：暨南大學(xué)，2010.

[12] 趙穎.SCDMA無線市話用戶規(guī)模預(yù)測[D].北京：清華大學(xué)，2011.