基于递归神经网络的时间序列话务量预测方法研究

摘要

对话务量需求的预测日益受到通信运营商的关注，预测结果的准确与否直接关系到企业未来的发展。但在通信行业日常运营管理中对话务量的预测还停留在一个比较滞后的阶段。多数采用根据历史数据和经验指导绘制话务量趋势图或采用基于统计学的传统方法进行预测。 对于时间序列分析的传统方法，比如ARIMA(AutoregressiveIntegratedMovingAverage)等，都要求时间序列具有正态分布、全局平稳、残差互不相关的特点，但是实际的话务量时间序列，往往是带有非线性的、非平稳、不规则和混沌的特性，这使得传统的统计学方法在时间序列的实际应用中很难准确的进行分析和预测。 作者尝试引进基于人工神经网络的预测模型对广州联通2005年的CDMA忙时话务量时间序列进行预测研究。由于考虑到话务量时间序列既具有混沌特性，同时也具有随机、趋势、周期循环等特性，情形较为复杂，为提高预测效果，设计了动态特性较强的递归神经网络Elman网络进行预测。为了验证递归神经网络具有比传统的前馈式神经网络BP网络更好的预测效果，本文同时也建立了一个BP网络进行预测，通过比较两条预测曲线与实际话务量曲线的拟合度来证明基于递归神经网络Elman网络在对话务量时间序列的预测方面优于传统的前馈式神经网络BP网络。从而选择出适合于广州联通CDMA忙时话务量短期预测的预测模型投入到实际应用中，为无线通信网络的设计和规划提供指引。

目录

文摘

英文文摘

华南理工大学学位论文原创性声明及学位论文版权使用授权书

第一章绪论

1.1选题依据

1.2论文研究背景

1.2.1预测建模概述

1.2.2话务量预测现状

1.3本论文创新点

1.4本文的工作

1.4.1研究思路

1.4.2研究内容和组织安排

1.5本章小结

第二章人工神经网络预测技术研究

2.1神经网络概述

2.1.1神经网络的预测原理

2.1.2人工神经元的数学模型

2.1.3人工神经网络模型

2.1.4神经网络的典型模型

2.1.5学习过程

2.2基于误差反向传播(BP)算法的神经网络介绍

2.2.1 BP网络的定义

2.2.2网络结构

2.2.3误差反向传播(BP)算法

2.2.4误差反向传播(BP)算法存在的问题

2.3递归神经网络介绍

2.3.1递归神经网络定义

2.3.2网络结构

2.4优缺点比较

2.4.1神经网络的优点

2.4.2神经网络的缺点

2.5国内外动态

2.5.1人工神经网络国内外研究状况

2.5.2神经网络的发展现状

2.6本章小结

第三章利用递归神经网络进行预测模型设计

3.1神经网络预测模型的设计过程

3.1.1输入和输出层的设计

3.1.2网络学习数据的准备

3.1.3隐含层数及隐含层节点设计

3.2递归神经网络话务量预测模型设计

3.2.1神经网络的结构与参数确定

3.2.2预测模型的实现步骤

3.3本章小结

第四章递归神经网络在时间序列话务量预测中的应用

4.1工具介绍

4.1.1 MatLab程序设计流程

4.2详细系统设计

4.2.1用Matlab中的神经网络工具箱进行网络设计的基本步骤

4.2.2各种改进算法

4.2.3训练数据的导入

4.2.4训练过程

4.2.5仿真过程

4.3实验结果比较

4.3.1递归神经网络预测结果

4.3.2 BP神经网络预测结果

4.3.3预测结果比较分析

4.4本章小结

结论与展望

参考文献

致谢