时间序列分析法在移动通信数据分析中的研究与应用

移动通信作为电信业的重要业务,直接向社会提供信息服务,其发展趋势、自身规模的调整及自身通信技术的调整或提升,对国家的信息安全、经济安全与发展、人民的生活、电信运营商本身的发展都有重大影响。移动通信数据大部分都是时间序列,若能从历史数据进行时间序列分析,提取其中有用的信息,无疑能为电信运营商发展和决策提供帮助。 支持向量机,是基于结构最小化原则的统计学习方法,摆脱了传统的经验风险最小化原则,泛化能力强,理论上能达到全局最优,而且SVM能很好地解决小样本、非线性及维数高的问题,具有学习速度快等优点。 预测是时间序列分析的最核心的作用,而支持向量机是一种良好的预测方法,为此,本文对时间序列分析法及支持向量机进行了深入研究,以下给出本文的主要研究工作： (1)根据时间序列的相关理论知识,本文给出了基于移动通信时间序列数据的预测模型,并重点分析了数据预处理过程。 (2)本文将支持向量机应用到移动通信数据分析上,探讨和给出了SVM在移动通信序列分析应用中两个关键问题的解决方法：一是SVM的核函数选择问题,对于此问题,本文研究了核函数的构造方法,鉴于局部性核函数学习能力强、泛化性能弱,而全局性核函数泛化性能力强、学习能力弱,为了得到学习能力与泛化能力都较强的核函数,将这两类核函数混合起来,构造出混合核函数,并根据移动通信时间序列的特点,给出了用于控制局部核函数与全局核函数两者间的比值的计算方法；二是SVM各参数的选择问题,本文选择粒子群算法对SVM的参数进行优化。但是传统的粒子群算法在解决复杂问题时易陷入局部最优解,为克服这一缺陷,本文引入种群密度的概念,进一步模拟了生物种群觅食的真实行为。 (3)最后本文使用了改进的粒子群优化的混合核SVM(记为IPSO-MSVM)预测模型与传统的ARIMA模型、标准的SVM预测模型、传统粒子群优化后的SVM预测模型在同一训练集下,对2012年1月到2013年1月份的移动短信业务量进行了预测,实验结果表明IPSO-MSVM预测模型较其它模型预测准确度更高,并具有预测精度高的优势。