基于混合算法的通信用戶規模預測

燕敏++王春潔

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

關鍵詞： 通信用戶規模預測； 混合算法； 支持向量機回歸預測模型； 人工魚群算法

中圖分類號： TN911?34； TP37 文獻標識碼： 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，如何準確地對用戶規模進行預測對于運營商來說具有十分重要的意義[1?2]。

支持向量機回歸預測模型（Support Vector Regression，SVR）是一種應用廣泛，泛化能力強的非線性預測模型，其具有躲避“維數災害”，能尋找全局最優解等優點，故其預測性能優于其他非線性模型。科研工作者對SVR預測模型做出了很多改進，從而使得SVR預測模型具有更優的性能。文獻[3?4]中使用遺傳算法對SVR模型的參數選取進行優化，構造GA?SVR混合預測模型，但是這種模型參數設置過程復雜，并且尋求結果取決于概率，尋優結果穩定性差。文獻[5?6] 中使用粒子群優化算法對SVR模型的參數選取進行優化，構造PSO?SVR混合預測模型，但是這種模型存在容易陷入局部最優解等問題。

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

1 用戶規模預測流程

通信用戶規模預測是以大量相關統計數據為基礎，根據人口總數、GDP等相關數據與通信用戶規模的內在聯系和發展規律，利用統計方法推測出用戶規模在未來可能發展的趨勢，一般情況下，對通信用戶規模的預測包括以下步驟：

（1） 收集和整理相關統計數據資料。根據相關資料可以確定用于用戶規模預測的影響因素有：全體居民消費、平均工資水平、人均GDP、人均可支配收入、人均通信費支出、通信公司ARPU指標、電話普及率、家庭人均消費性支出、居民人均存款儲蓄、手機平均價格、移動電話普及率和總人口。對這些統計數據的收集要做到全面、準確。

（2） 選取預測算法。選取預測算法對于預測結果尤為重要。目前應用較多的有曲線擬合法、瑞利分布法以及基于機器學習的人工神經網絡算法等，每種預測算法都有其適應的范圍、條件、優點及缺點，要根據具體情況選擇不同的算法。本文使用基于SVR和人工魚群優化算法的混合算法建立預測模型。

（3） 建立預測模型。根據選用的預測算法以及通信用戶規模預測的社會經濟理論，建立符合實際的預測模型。

（4） 使用已有結果對預測模型進行預測性能測試。

（5） 建立預測性能評價指標，對預測模型的預測結果進行分析、評價。

（6） 根據預測性能測試，反復修正預測模型，直至滿足預測精度為止。

根據上述分析，得出針對通信用戶規模的預測模型建立流程如圖1所示[7?8]。

4 結 論

常規SVR預測模型及GA優化和PSO優化的SVR預測模型具有尋優結果穩定性差，容易陷入局部最優解等問題。對于SVR算法，RBF核函數參數[σi]、不敏感系數[ε]和懲罰系數[C]通常是通過人工經驗隨機選取，因此，SVR算法預測模型的預測性能具有極大的隨機性和不確定性，本文使用將人工魚群算法與SVR算法進行混合，建立基于混合算法的預測模型。

使用國家統計局2005—2013年間的數據進行預測實驗。實驗結果證明本文研究的基于混合算法的通信用戶規模預測模型的預測精度高，穩定性較好，相比另外兩種算法，具有較強的優勢。

參考文獻

[1] 蘇國軍.湖南電信3G業務發展戰略研究[D].長沙：中南大學，2008.

[2] 姜姣嬌.基于客戶價值與滿意度的電信運營商集團客戶市場營銷策略研究[D].天津：天津大學，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.基于混沌粒子群優化SVR 的網絡流量預測[J].計算機仿真，2011，28（5）：151?154.

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

[8] 江銘炎，袁東風.人工魚群算法及其應用[M].北京：科學出版社，2012.

[9] 王瑞雪，劉淵.GAFSA優化SVR的網絡流量預測模型研究[J].計算機應用研究，2013（3）：856?860.

[10] 翁鋼民，李凌雁.旅游客流量預測：基于季節調整的PSO?SVR模型研究[J].計算機應用研究，2014（3）：692?695.

[11] 劉春波.基于人工神經網絡的移動通信市場用戶規模預測研究[D].廣州：暨南大學，2010.

[12] 趙穎.SCDMA無線市話用戶規模預測[D].北京：清華大學，2011.