导读:本文包含了移动话务量预测论文开题报告文献综述及选题提纲参考文献，主要关键词:话务量,预测模型,回归,相关性
移动话务量预测论文文献综述
张旭,崔晓蔷,王睿[1]（2015）在《基于业务发展的移动通信话务量预测》一文中研究指出无线网络话务量是网络建设的重要依据,正确把握无线网络话务量的变化趋势是合理安排网络建设规模以及投资计划的基础。通过对业务发展与无线网络话务量相关性的研究,采用回归方法建立了基于市场用户数及市场收入的话务量预测模型,并对模型进行了经济意义上的检验。并且利用此模型对实际网络进行了指导工作。(本文来源于《黑龙江科技信息》期刊2015年34期）
严宇平,吴广财,江疆[2]（2015）在《单变量回归确定移动平均权重算法在话务量预测中的应用研究》一文中研究指出话务量是客服中心运营管理的重要方面,呼叫中心的高效率运作是电网系统客户满意度以及大规模停电预警及突发状况处理的重要保证,而坐席人员排班又是呼叫中心运作的重要问题。科学合理的坐席安排能更好地提高呼叫中心的运作效率,不仅降低了呼叫中心的运营成本,从而提升电力呼叫中心的服务水平。本文提出在移动平均法中引入加权,利用预测期与历史各期的单变量回归,将系数作归一化处理作为权重,进行话务量的预测。文章以真实场景中的实验结果证明了本文所提方法的有效性。(本文来源于《电子设计工程》期刊2015年22期）
陈丽[3]（2015）在《基于改进HMM模型的无线移动通信忙时话务量预测》一文中研究指出为了改进传统HMM模型存在的过学习的问题,文章将ANN算法与HMM模型相结合,ANN算法具有很强的抗干扰性,也不存在过学习的问题,刚好弥补了HMM模型的缺陷。并将其运用到无线移动通信忙时话务量的预测中,而且首次将短信数据、用户数据等影响话务量的相关因素纳入考虑,结果表明:ANNHMM模型在综合考虑多种因素的情况下具有良好的预测效果。(本文来源于《信息通信》期刊2015年07期）
宋秀秀,贾振红,覃锡忠[4]（2014）在《基于蚁群算法优化支持向量机的移动话务量预测》一文中研究指出移动通信话务量的准确预测对于提高网络的性能,增进终端用户体验均具有重要的意义。支持向量机作为一种新的机器学习方法其可以有效地应对小样本、非线性等问题。然而支持向量机的训练参数对基于其所构建的预测模型的精度具有决定性的影响,因此本文选取具有全局优化能力的蚁群算法进行参数搜索优化过程,通过对某市移动通信话务量的数据进行试验仿真,结果显示该方法在预测精度及时效性方面具有较好的性能。(本文来源于《中国新通信》期刊2014年12期）
李江豹[5]（2014）在《基于移动通信的忙时话务量的建模与预测》一文中研究指出随着中国移动3G的持续发展和4G的到来，未来3年移动用户将继续保持增长态势，话务量也将随之不断增长。特别是每逢重大节假日，通信网络更易受人口流动、突发状况等多种因素的影响，通信网络将面临着高话务量的冲击。为了提高网络资源的利用率，防止网络拥塞，移动决策者必须了解当前通信网络的运营状况，及时采取相应的控制和管理措施。而能否对移动忙时的话务量进行准确的预测，是对通信网络科学运营、管理的前提。所以，忙时话务量的预测一直是科研工作者所关注的重要课题，也是难度较大的热点研究领域之一。传统的时间序列预测方法一般适用于具有全局平稳、残差互不相关特点的时间序列数据，但是实际中的话务量数据大多数都是非线性的、不规则、非平稳的。因此在使用传统的预测方法时就具有一定局限性，从而会影响到预测结果的准确性。为了更准确的分析和预测话务时间序列，本文的研究内容为：1.从多因素的角度出发，提出一种基于多因素影响下的忙时话务量预测模型。研究发现，移动忙时话务量的变化趋势不仅仅与历史话务量数据有紧密的关系，而且受其它因素变化趋势的影响，有必要对话务量的相关性进行分析，找出影响话务量变化的关键因素，将影响因子也作为输入变量。最后用改进的粒子群算法优化的最小二乘支持向量机预测，这样可以达到准确预测的目的。2.针对现代忙时话务量表现出的非平稳性，自相似性，多尺度特点，提出一种融合小波变换和最小二乘支持向量机的组合话务量预测模型。首先对忙时话务量序列用Mallat算法进行分解，可以得到低频信息和高频信息，接着对低频信息和高频信息分别进行单支重构，再用LS-SVM模型对重构后的各分量分别进行预测，最后合成话务量。实验表明该组合预测模型有较高的预测精度和稳定性。3.为了提高忙时移动话务量的预测精度，提出了一种融合小波变换和粒子群算法优化的最小二乘支持向量机的组合话务量预测方法。通过和3种预测模型比较发现，该组合预测模型有更高的预测精度，并且稳定性较强。(本文来源于《新疆大学》期刊2014-05-01）
乐可争[6]（2014）在《基于灰色预测模型的移动话务量预测研究》一文中研究指出随着移动通信网络的应用拓宽及规模增加,网络管理的重要性凸显,新一代的网管系统在业务量预测领域也有了新需求,话务量的预测分析已成为极其重要的一部分。准确的业务量预测对网络管理和规划设计具有重要意义。近年来基站容量日趋饱和,基站数量增长放缓,运营商所要面对的问题不仅是网络资源的饱和,部分地区甚至面临减少的情况。如何在有限的载频以及基站等物理资源上提供用户更多的服务,同时保证服务的质量进一步提升,成为移动通信网面对的一个重要课题。对话务量的预测因此受到通信运营商越来越多的关注。在通信行业的日常运营管理中,话务量的预测仍然是一块尚不成熟的领域。预测结果的准确与否直接关系到企业的网络质量和用户使用感知。在话务量预测领域,眼下多数采用的是根据经验和历史数据测算出话务量趋势的方法。选择什么预测方法对预测结果的精确程度影响很大,所以预测方法的选择是预测工作开展之前首要的重点和难点。移动通信网络话务量是随时间变化的时间序列,本文旨在对其特性作一分析研究,建立合适的模型进行话务量预测。主要内容包括话务时间序列的因素分解、趋势分量预测、修正模型建立、结果检验分析等,其中趋势分量预测是重点研究内容。GM(1,1)模型作为灰色系统理论的重要内容之一,它以建模过程简单,模型表达式简洁,求解开销经济等突出特点而被广泛应用,目前其应用价值在越来越多的领域中得到了体现。对趋势分析这一核心问题,本文就利用灰色系统进行建模,构建了一个话务量预测GM(1,1)模型,给出了构建步骤和过程,通过残差检验等检验方法分析得出该模型对话务量预测有着较好的可行性和实用性。使用该模型预测时所需原始样本数量相对较少,预测精度较高,可以辅助通信运营商把握话务量的发展趋势,进行合理决策和投资。(本文来源于《东华大学》期刊2014-05-01）
乐可争[7]（2014）在《面向工程建设决策的移动话务量预测研究》一文中研究指出随着通信网应用和规模的不断增加,新一代的网络建设规模对业务量的预测也提出了新的需求,其中通信话务量的预测分析已经成为其中非常重要的一部分。准确的话务量预测对网络管理、规划和设计具有重要意义。文章旨在对移动网络中的话务量随时间或事件变化的特性进行分析研究,建立合理科学的话务模型,并采用综合的预测方法进行预测研究。从而辅助通信运营商实时把握用户的行为习惯和话务量的发展趋势,并进行合理决策和投资。(本文来源于《信息通信》期刊2014年02期）
罗燕[8]（2013）在《SA-SVR在移动通信话务量预测中的应用分析》一文中研究指出移动运营商通常把移动通信话务量作为网络规划和网络建设的参考依据,则移动通信话务量预测值的精度对整个网络规划的科学合理性必然造成决定性的影响。基于此,本文引入了支持向量回归机,并比较分析了遗传算法、网格法、SA-SVR对移动通信话务量预测的影响。研究证实,SA-SVR具有耗时少、预测精度高等优越性。(本文来源于《数字化用户》期刊2013年10期）
段志梅,袁晓金,周艳洁[9]（2013）在《移动通信网络忙时话务量的混沌特性分析与加权一阶局域预测研究》一文中研究指出话务量是一种受多重因素影响的动态非线性时间序列,采用传统的预测方法难以实现高精度的预测,为了提高预测精度,文章根据采集所得每日忙时话务量数据,分析其混沌特性和可预测性,并重构话务量时间系列的相空间,提出采用加权一阶局域预测方法来建立其预测模型,并进一步预测,仿真结果表明,该方法能够较好的拟合话务量的变化规律,具有较高的精度,为话务量的预测提供了一种有效的途径.(本文来源于《红河学院学报》期刊2013年04期）
兰娇[10]（2013）在《基于支持向量回归机的移动忙时话务量预测》一文中研究指出移动运营商现正面临着通信网规划的新的挑战，其中扩容及其调整是网络规划的重点。由于一个良好的预测模型可以有效地帮助运营商进行合理的网络规划，因此选择合适的预测模型是话务量预测机制的重点问题。文章分析了几种话务量预测方法的优缺点，并根据移动公司忙时话务量的特点，选择具有良好泛化能力的支持向量回归机模型进行预测。针对支持向量回归机模型的参数选择敏感问题，引入了粒子群优化算法，并采用惯性权重和收缩因子对其进行优化，以避免算法陷入局部极值。实验结果证明，相比基本粒子群模型和单一的支持向量回归机模型，本文提出的模型有更好的预测结果。在粒子群优化支持向量回归机模型中，我们仅采用了相关性较大的数据，即少量的具有标记的样本数据进行预测，文章提出半监督学习算法将未标记样本数据以及标记样本与未标记样本间的几何关系引入到模型中，以解决仅使用有标记样本学习导致学习器训练不充分的问题。通过对几种常用半监督学习算法分析，提出了基于图形拉普拉斯算子的半监督学习算法来变形支持向量回归机的核函数，并采用Nystrom算法来降低图形拉普拉斯算子的计算量。实验表明，与基本支持向量回归机模型相比，本文提出的基于改进半监督学习算法的支持向量回归机模型具有更好的泛化能力和预测精度。(本文来源于《新疆大学》期刊2013-05-01）
移动话务量预测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
话务量是客服中心运营管理的重要方面,呼叫中心的高效率运作是电网系统客户满意度以及大规模停电预警及突发状况处理的重要保证,而坐席人员排班又是呼叫中心运作的重要问题。科学合理的坐席安排能更好地提高呼叫中心的运作效率,不仅降低了呼叫中心的运营成本,从而提升电力呼叫中心的服务水平。本文提出在移动平均法中引入加权,利用预测期与历史各期的单变量回归,将系数作归一化处理作为权重,进行话务量的预测。文章以真实场景中的实验结果证明了本文所提方法的有效性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
移动话务量预测论文参考文献
[1].张旭,崔晓蔷,王睿.基于业务发展的移动通信话务量预测[J].黑龙江科技信息.2015
[2].严宇平,吴广财,江疆.单变量回归确定移动平均权重算法在话务量预测中的应用研究[J].电子设计工程.2015
[3].陈丽.基于改进HMM模型的无线移动通信忙时话务量预测[J].信息通信.2015
[4].宋秀秀,贾振红,覃锡忠.基于蚁群算法优化支持向量机的移动话务量预测[J].中国新通信.2014
[5].李江豹.基于移动通信的忙时话务量的建模与预测[D].新疆大学.2014
[6].乐可争.基于灰色预测模型的移动话务量预测研究[D].东华大学.2014
[7].乐可争.面向工程建设决策的移动话务量预测研究[J].信息通信.2014
[8].罗燕.SA-SVR在移动通信话务量预测中的应用分析[J].数字化用户.2013
[9].段志梅,袁晓金,周艳洁.移动通信网络忙时话务量的混沌特性分析与加权一阶局域预测研究[J].红河学院学报.2013
[10].兰娇.基于支持向量回归机的移动忙时话务量预测[D].新疆大学.2013