一种应用于话务量预测的分段在线支持向量回归方法

摘要

应用于话务量预测的分段在线支持向量回归方法，它涉及一种在线支持向量回归方法，本发明针对在线支持向量回归(Online Support Vector Regression)算法难以兼顾预测精度和运行效率，提出一种分段支持向量回归时间序列预测方法，通过缩减在线建模数据长度实现快速训练，并对Online SVR进行分段存储，根据预测邻域样本与各子分段支持向量回归模型的匹配度，选取最优子分段模型预测输出，提高预测精度。该算法在保持在线预测执行效率的同时，相比普通在线支持向量回归算法，可提高预测精度5％～10％。算法由于采用了分段的策略，并采取了较小的建模数据长度，算法效率高。可以实现对于移动通信话务量时间序列的在线、实时和快速建模和预测。

主权项

一种应用于话务量时间序列预测的分段在线支持向量回归方法，其特征在于：所述方法包括如下步骤：步骤一、数据预处理：将时间序列数据转换进行相空间重构，使之符合设定的嵌入维数EmbededDimension；步骤二、Online SVR初始化训练：采用支持向量回归增量算法对完成步骤一的数据进行训练，获得初始Online SVR模型；步骤三、对于在线更新的样本序列(xc，yc)，采用支持向量回归增量算法进行在线训练；步骤四、判断在线支持向量回归是否满足分段条件SGP：若满足分段条件SGP，则执行步骤五；否则，执行步骤六；步骤五、赋值新子分段模型SOSVR(s)＝OnlineSVR，s＝s+1，并存储；s代表子分段模型的序号；用SOSVR表示分段在线支持向量回归；步骤六、Online SVR预测输出值PredictfY(i)；i为预测的步数；步骤七、SOSVR预测输出Pr edictSY(s，i)：s代表子分段模型的序号，i为预测的步数，以下同；步骤八、判断步骤七中所述的SOSVR预测输出Pr edictSY(s，i)是否符合最优预测输出条件SBPP，如果符合，则执行步骤九；否则，执行步骤十；步骤九、预测最终值Pr edictL(i)＝Pr edictSY(s，i)；步骤十、预测最终值Pr edictL(i)＝Pr edictfY(i)；步骤十一、判断子分段模型是否符合子分段模型更新条件UpdateSOSVR(l)，l∈(1，2，...，s)，若符合，执行步骤十二；否则，执行步骤十三；步骤十二、删减按照子分段模型更新条件选定的子分段模型SOSVR(l)，l∈(1，2，...，s)；步骤十三、删掉最远点历史数据，并采用支持向量回归减量算法训练OnlineSVR；步骤十四、数据在线更新，并重复步骤三～步骤十三。