时间序列分析法在移动通信数据分析中的研究与应用

摘要

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。

目录

摘要

CONTENTS

第一章 绪论

1．1 课题背景

1．2 研究意义

1．3 国内外研究现状

1．3．1 时间序列分析的研究现状

1．3．2 支持向量机的研究现状

1．4 论文主要工作及章节安排

第二章 时间序列相关理论基础

2．1 时间序列相关知识

2．1．1 时间序列的概念

2．1．2 时间序列分析的原则及应用

2．2 差分自回归移动平均模型

2．3 本章小结

第三章 基于移动通信时间序列数据的预测模型

3．1 预测分析体系结构

3．2 数据预处理

3．3 预测学习

3．4 本章小结

第四章 ARIMA及SVM在移动通信数据中应用

4．1 ARIMA在移动通信数据中的应用

4．1．1 移动通信序列预测的建模流程

4．1．2 平稳性检验与差分运算

4．1．3 白噪声检验

4．1．4 模型定阶及参数估计

4．2 SVM在移动通信数据中的应用

4．2．1 线性回归情况

4．2．2 非线性回归情况

4．3 影响预测性能的因素

4．4 移动通信序列中核函数的构造

4．5 改进的粒子群算法优化SVM

4．5．1 粒子群优化算法的基本思想

4．5．2 基于移动通信序列的粒子群算法

4．5．3 改进的PSO优化混合核SVM流程

4．6 评价模型预测效果的性能指标

4．7 本章小结

第五章 实验结果及分析

5．1 实验环境

5．2 数据来源

5．3 实验结果

5．4 结果分析

5．5 本章小结

总结与展望

参考文献

攻读学位期间从事的科研项目及发表的论文

声明

致谢