GSM网数据等效话务量预测方法探讨
【摘要】本文提出了一种GSM网数据等效话务量预测方法，并详细说明了分析流程和思路。通过该种方法可以将PDCH平均占用和数据流量建立联系，能够为数据业务容量规划提供良好参考。
【关键词】：GPRS EDGE PDCH 流量速率
概述
随着用户的数据通信需求、通信技术及设备的迅速发展，国内通信运营商现有的GSM网络已普遍开启了GPRS 、EDGE功能，GPRS/EDGE 网络的用户规模、业务量、网络规模都较初期远远扩大。截止去年四月份数据显示全网无线利用率为76.4%，数据业务占比40.7%。数据业务迅猛发展对整个网络承载能力与资源配置更优化、合理化也提出了新的要求。这就要求在核定GSM无线设备扩容建设规模时要有合理的数据业务预测方法，以有效控制建设成本，达到量入为出、投资长远的目的。
话务量预测方法
系统能够承载的话务量是无线网制定建设方案的重要依据，是衡量通信系统能力的重要指标，它直接决定着通信网络系统的建设规模和服务能力，所以话务量预测是无线通信系统规划设计的首要环节。研究科学有效的预测方法，获得反应实际情况的客观需求，是合理安排网络建设规模以及投资计划的基础，对整个无线网络规划设计具有举足轻重的意义。
无线网络话务量的预测方法，当前常用的方法可以归纳为四类，分别是趋势外推法、单机话务量*用户数预测法、月忙时话务量法和计费时长预测法。
趋势外推法
趋势增长预测也即曲线拟合预测，是选用拟合度好的函数曲线以历史话务量的发展数据为基础，预测目标期话务量发展数据。主要分为二次曲线、指数曲线、三次曲线预拟合预测。
单机话务量法
话务量=覆盖面积*有效覆盖比率*人口密度*移动用户普及率*运营商用户普及率*用户密度 话音可视电话 EMAIL MMS 信息服务图铃下载 WEP WWW 音频视频 单用户业务量 0.025 0.002 49.04 16.347 12.26 22.869 101.64 288.97 107.51 193.5 渗透率 下行单用户业务量 下行总吞吐量 下行总ERL 上行总ERL 总ERL=总吞吐量*渗透率* (ERL换算: 1 kbps / 64, 1 kbps / 128, 1 kbps / 384.) 1)单业务单用户话务密度(CS) 输出中间参数 某CS话务量(Erl / user ) = BHCA * CallDuration / 3600 BHCA-----忙时通话次数 CallDuration------通话时间长度 WCDMA提供的CS域业务有: 12．2kbps语音业务； 64kbps可视电话业务； 2）单业务PS域话务密度估算： 某PS业务忙时单用户话务量DL（Kbps/user） = （BHSA*单次业务平均流量/3600）/传输效率因子 某PS业务忙时单用户话务量UL（Erl/user） = 忙时单用户流量DL（Kbps/user）/上下行平衡因子 BHCA-----忙时通话次数 CallDuration------通话时间长度 WCDMA提供的PS域业务有 64kbps数据业务（MMS，Email）； 144kbps数据业务（Internet）； 64kbps / 384kbps数据业务（流媒体）； 3）单业务总用户业务量估算： CS域业务 某CS业务总话务量（Erl）=业务渗透率*单用户业务量*用户密度 PS域业务 某PS业务总话务量（Erl） =（业务渗透率*单用户吞吐量/业务承载速率*业务激活因子）*用户密度 4）Campbell等效模型：
呼叫中心的话量预测及人员排班 任何呼叫中心的运营几乎都是在追求服务的速度及质量的提高，同时在降低运营成本的前提下逐步提升呼叫中心的利润及客户满意度；一个典型的呼叫中心运营费用，只有5%的成本是花在技术上，几乎全部运营费用的95%以上用于支付工资、网络成本和日常开支；人员成本则是呼叫中心运营成本的关键；因此，对于任何呼叫中心管理人员来讲，合理的人员排班是实现高效率的呼叫中心运营管理，降低整体运营成本，保证客户服务质量和服务水平，提高呼叫中心生产力的重要一环。 呼叫中心保持良好服务水准的重要前提是建立科学合理的排班方案，呼叫中心管理人员根据不同周期话务量变化的规律及发展趋势安排相应时段的座席数量，保证呼叫中心重要运营指标接通率、客户的满意度目标的实现。为了实现上述目标，管理人员必须对呼叫中心来话量的趋势进行系统地分析，同时根据呼叫中心的历史数据及相关影响因素（如促销）进行科学地预测。 话务量预测的意义： 根据来话规律提早进行班次调整与人员配备，保障呼叫中心的接通率指标的实现； 通过对历史来话规律的分析，对可预知的话量影响因素提前做出反应，以使呼叫中心提前制定出相应的解决方案； 在呼叫中心话务量承接能力将要趋于饱和时，需要进一步完善、调整、优化当前运行系统，提前做好人员与设备扩容的准备，确保呼叫中心保持正常运转； 依据来话规律及时了解市场与客户的需求，便于调整市场运作方向，提升客户满意度。 以下以电信企业为例来了解影响话务量波动的主要因素： 企业的发展战略与规划的变动； 客户量变化（如对电信公司包括新增固话以及小灵通用户、新增宽带用户、市场占有率变化等）； 公司的宣传、促销、新产品推广等市场行为； 报纸、广播、电视等媒体的宣传报道； 国家相关政策法规的变动（如：费用结算月日期的调整等）； 突发事件（如：自然灾害、意外事故、系统瘫痪等）。 特殊时段来话量（如每月出帐日；3.15国际消费者权益日；5.17国际电信日；高考、中考出分以及发榜时间；春节、国庆等公众假期等） 对于呼叫中心管理人员来讲，需要综合考虑以上这些影响来话量变化的因素及规律，不断提高话务量预测的准确性；同时呼叫中心的管理者必须根据话务量的波动来进行合理的人员配备及座席安排，通过对排班效率的评估来检测现有排班的合理性，使呼叫中心一线客户服务代表以合理的负荷率有效地降低放弃率，提高服务品质和客户满意度。
剖析大数据分析方法论的几种理论模型 做大数据分析的三大作用，主要是：现状分析、原因分析和预测分析。什么时候开展什么样的数据分析，需要根据我们的需求和目的来确定。 作者：佚名来源：博易股份|2016-12-01 19:10 收藏 分享 做大数据分析的三大作用，主要是：现状分析、原因分析和预测分析。什么时候开展什么样的数据分析，需要根据我们的需求和目的来确定。 利用大数据分析的应用案例更加细化的说明做大数据分析方法中经常用到的几种理论模型。 以营销、管理等理论为指导，结合实际业务情况，搭建分析框架，这是进行大数据分析的首要因素。大数据分析方法论中经常用到的理论模型分为营销方面的理论模型和管理方面的理论模型。 管理方面的理论模型： ?PEST、5W2H、时间管理、生命周期、逻辑树、金字塔、SMART原则等?PEST：主要用于行业分析 ?PEST：政治(Political)、经济(Economic)、社会(Social)和技术(Technological) ?P：构成政治环境的关键指标有，政治体制、经济体制、财政政策、税收政策、产业政策、投资政策、国防开支水平政府补贴水平、民众对政治的参与度等。?E：构成经济环境的关键指标有，GDP及增长率、进出口总额及增长率、利率、汇率、通货膨胀率、消费价格指数、居民可支配收入、失业率、劳动生产率等。?S：构成社会文化环境的关键指标有：人口规模、性别比例、年龄结构、出生率、死亡率、种族结构、妇女生育率、生活方式、购买习惯、教育状况、城市特点、宗教信仰状况等因素。
?T：构成技术环境的关键指标有：新技术的发明和进展、折旧和报废速度、技术更新速度、技术传播速度、技术商品化速度、国家重点支持项目、国家投入的研发费用、专利个数、专利保护情况等因素。 大数据分析的应用案例：吉利收购沃尔沃 大数据分析应用案例 5W2H分析法 何因(Why)、何事(What)、何人(Who)、何时(When)、何地(Where)、如何做(How)、何价(How much) 网游用户的购买行为： 逻辑树：可用于业务问题专题分析
一、描述统计描述性统计是指运用制表和分类，图形以及计筠概括性数据来描述数据的集中趋势、离散趋势、偏度、峰度。 1、缺失值填充：常用方法：剔除法、均值法、最小邻居法、比率回归法、决策 树法。 2、正态性检验：很多统计方法都要求数值服从或近似服从正态分布，所以之前需要进行正态性检验。常用方法：非参数检验的K-量检验、P-P图、Q-Q图、W 检验、动差法。 二、假设检验 1、参数检验 参数检验是在已知总体分布的条件下（一股要求总体服从正态分布）对一些主要的参数（如均值、百分数、方差、相关系数等）进行的检验。 1）U验使用条件：当样本含量n较大时，样本值符合正态分布 2）T检验使用条件：当样本含量n较小时，样本值符合正态分布 A 单样本t检验：推断该样本来自的总体均数卩与已知的某一总体均数卩0 （常为理论值或标准值）有无差别； B 配对样本t 检验：当总体均数未知时，且两个样本可以配对，同对中的两者在可能会影响处理效果的各种条件方面扱为相似； C 两独立样本t 检验：无法找到在各方面极为相似的两样本作配对比较时使用。 2、非参数检验 非参数检验则不考虑总体分布是否已知，常常也不是针对总体参数，而是针对总体的某些一股性假设（如总体分布的位罝是否相同，总体分布是否正态）进行检验。 适用情况：顺序类型的数据资料，这类数据的分布形态一般是未知的。 A 虽然是连续数据，但总体分布形态未知或者非正态； B 体分布虽然正态，数据也是连续类型，但样本容量极小，如10 以下； 主要方法包括：卡方检验、秩和检验、二项检验、游程检验、K-量检验等。 三、信度分析检査测量的可信度，例如调查问卷的真实性。 分类： 1、外在信度：不同时间测量时量表的一致性程度，常用方法重测信度 2、内在信度；每个量表是否测量到单一的概念，同时组成两表的内在体项一致性如何，常用方法分半信度。 四、列联表分析用于分析离散变量或定型变量之间是否存在相关。对于二维表，可进行卡 方检验，对于三维表，可作Mentel-Hanszel 分层分析列联表分析还包括配对计数资料的卡方检验、行列均为顺序变量的相关检验。 五、相关分析 研究现象之间是否存在某种依存关系，对具体有依存关系的现象探讨相关方向及相关程度。 1、单相关：两个因素之间的相关关系叫单相关，即研究时只涉及一个自变量和一个因变量； 2、复相关：三个或三个以上因素的相关关系叫复相关，即研究时涉及两个或两个以
收稿日期:2008-03-24;修回日期:2008-06-10。 作者简介:陈蓉(1982-),女,山东济宁人,硕士研究生,主要研究方向:未来无线移动通信与信息系统、计算机网络; 宋俊德(1938-), 男,河北沧州人,教授,博士生导师,主要研究方向:移动通信理论、无线接入、未来通信系统(4G )与软件无线电技术。 文章编号:1001-9081(2008)09-2230-03 基于S V M 分块回归分析的话务量预测模型 陈 蓉 1,2 ,宋俊德 2 (1.电子科技大学中山学院电子工程系,广东中山528400; 2.北京邮电大学电子工程学院,北京100876) (c h e n r o n g m i s s @g m a i l .c o m ) 摘 要:针对话务量的特性,提出了一种基于支持向量机分块回归分析的话务量预测模型,将话务量按日期分为工作日话务量、周末话务量进行建模,采用不同的模型预测相应的话务量。实验结果证明了该模型的有效性,相比传 统的A R M A 模型获得了更好的预测效果。 关键词:话务量分析;预测模型;支持向量机模型;A R M A 模型 中图分类号:T P 393.07 文献标志码:A C o m m u n i c a t i o nt r a f f i c f o r e c a s t i n g m o d e l b a s e do n m u l t i p l e S V M r e g r e s s i o n f u n c t i o n s C H E NR o n g 1,2 ,S O N GJ u n -d e 2 (1.D e p a r t m e n t o f E l e c t r o n i c E n g i n e e r i n g ,U n i v e r s i t yo f E l e c t r o n i c S c i e n c e a n dT e c h n o l o g y o f C h i n aZ h o n g s h a nI n s t i t u t e , Z h o n g s h a nG u a n g d o n g ,528400,C h i n a ; 2.S c h o o l o f E l e c t r o n i c E n g i n e e r i n g ,B e i j i n gU n i v e r s i t yo f P o s t s a n d T e l e c o m m u n i c a t i o n s ,B e i j i n g 100876,C h i n a ) A b s t r a c t :A c c o r d i n g t o t h e c h a r a c t e r i s t i c s o f c o m m u n i c a t i o n t r a f f i c ,a t r a f f i c f o r e c a s t i n g m o d e l b a s e d o n m u l t i p l e S u p p o r t V e c t o r M a c h i n e s (S V M )r e g r e s s i o n f u n c t i o n s w a s p r o p o s e d .I nt h i s m o d e l ,t h e t r a f f i c d a t a w i l l b e d i v i d e di n t o t w o g r o u p s b y t h ed a t e ,w h i c h a r e t h e w o r k i n g -d a y t r a f f i c d a t a a n d t h e w e e k e n d t r a f f i c d a t a .T h e n t w o d i f f e r e n t S V Mm o d e l s a r e t r a i n e d u s i n g t h o s e d a t a .T h ee x p e r i m e n t a l r e s u l t ss h o w t h a t t h i sm o d e l i sv e r ye f f e c t i v e .M o r e o v e r ,t h ep e r f o r m a n c eo f t h i sm o d e l o u t p e r f o r m s t h a t o f t r a d i t i o n a l A R M Am o d e l . K e yw o r d s :c o m m u n i c a t i o n t r a f f i c a n a l y s i s ;f o r e c a s t i n gm o d e l ;S u p p o r t V e c t o r M a c h i n e s (S V M )m o d e l ;A R M Am o d e l 0 引言 随着通信网应用和规模的不断增加,网络管理变得越来越重要,新一代的网管系统对业务量的预测也提出了新的需求,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。话务量预测,是指通过分析通信网话务量的历史数据统计规律或相关因素,对未来网络可能出现的话务量进行估计和预期。预测结果的准确与否直接关系到企业未来的发展,因此对话务量需求的预测日益受到移动运营商的关注[1-4]。 大部分移动公司目前采用的预测技术,仅限于简单函数的拟合预测,如惯性预测[5-6]、K a l m a n 滤波[7]等,这些模型相对简单,难于满足现阶段话务量的复杂变化方式。话务量作为一种典型的时间序列,常用的时间序列分析预测方法———A R M A 模型[8]被应用于话务量预测,并能较好地描述话务量序列,但是其前提是话务量序列是平稳的,且很难针对话务特点进行分块描述不同变化的话务量。 话务量是一种动态的、随机的时间序列,随着每天的不同时间段而变化,而且易受节假日、旅游等其他因素的影响,工作日话务量大而使其话务量高于周末,白天流量又明显高于夜间。随着话务量的变化方式趋于复杂,而话务量预测工具缺乏和准确率不高,因此对话务量预测模型进行研究和引入新的预测模型,将具有重大意义。鉴于以上模型的不足,本文针对话务量自身特点,即周末话务量与工作日话务量具有不 同特性,提出了一种基于支持向量机(S u p p o r tV e c t o r M a c h i n e s ,S V M )[9-10] 分块回归分析的预测模型,将话务量按日期分为工作日话务量、周末话务量进行建模,然后采用不同 的模型预测相应的话务量,获得了更好的预测效果。 1 预测模型设计 1.1 预测模型框架图 本文设计了一个基于S V M 分块回归分析的话务量预测模型,该模型包括两个阶段:训练阶段和预测阶段,其结构如图1所示。训练阶段过程如下:首先读入数据,对数据进行预处理,然后根据日期将训练数据分为工作日话务量数据和周末话务量数据,分别用于训练两个不同的S V M 模型———即工作日模型和周末模型,保存训练好的模型用于预测阶段使用。在预测阶段,导入训练好的模型,根据测试数据的日期(属于工作日或者周末)对数据分类,将预处理后的数据分别输入到相应的预测模型(即工作日话务量模型和周末话务量模型),然后进行预测得到预测结果,最后将预测结果整合到一起,输出预测数据。 1.2 预处理 读入数据之后,先通过预处理对原始数据进行归一化处理,归一化过程如下: P i =(X i -X )/σ(1) 其中X i 为原始数据,X 为数据均值,σ为数据方差,原始数据经过预处理后变换为均值为零的数据P i ,在预测阶段可根据第28卷第9期 2008年9月 计算机应用 C o m p u t e r A p p l i c a t i o n s V o l .28N o .9 S e p .2008
1、话务量的计量单位： ERLANG（爱尔兰，Erl）：一段时间内对设备的同时占用（通常指一个小时）。 例如：每线一Erl是指这个时隙在一个小时内都被占用。 其他的计量单位有： Equated Busy Hour Call (EBHC). 1 EBHC = 1/30 erlang Century (Hundred) Call Second (CCS). 1 CCS = 1/36 erlang 2、话务流量： 话务流量是指在单位时间内的话务量，如果用T表示话务流量，则： T=Y*S 其中：Y指单位时间内的建立呼叫总数 S指每次呼叫的持续时间（mean holding time） 3、承载话务量： 指一个空闲话务系统上设计可承载的话务量，这个话务量实际上是一个假定值，根据不同的服务等级，可以有不同的话务量数值。 4、TRAFFIC OFFERED 指用户提供的话务量。这里是指用户主观提供的话务量，但是并不是指系统就一定能够支持这些话务量。 5、TRAFFIC CARRIED 系统实际承载的话务量，这个话务量与用户主观提供的话务量不相等：可能由于拥塞，系统不能接受用户提供的话务量；可能由于切换，系统的实际话务量 要大于用户提供的话务量。 6、TRAFFIC LOST（REJECTED TRAFFIC） 由于拥塞或者其他原因，系统不能完全支持用户提供的话务量。 二、话务量的计算： 1、网络容量的确定包括以下几个方面： 1）系统用于VOICE/SPEECH的信道数量； 2）用户产生的话务量； 3）网络的服务等级。 2、LOSS SYSTEM 特征是用户数远远大于系统的信道总数，当系统信道全部被占用后，用户的呼叫将被系统拒绝。LOSS SYSTEM的话务量通常用ERLAND B FORMULA表来计算。 3、DELAY SYSTEM 特征是用户数并不远远大于系统的信道总数，当系统的信道全部被占用后，用户的呼叫将被延迟，但是并不拒绝，当有空闲设备时，正在等待的呼叫会自动 連接起来。DELAT SYSTEM的话务量通常用ERLAND C FORMULA表来计算。 4、计算话务量 网络的服务等级：GRADE OF SERVICE（GoS） 允许拥塞呼叫百分比定义了服务质量，也叫做GOS。 我们现在的移动通信网络属于LOSS SYSTEM。 例如： 1）首先计算所需的业务量： A=（n*t）/3600[Erl] 其中：n：每小时呼叫次数
Computer Engineering and Applications 计算机工程与应用 2016，52（12）1引言随着人们对电力服务质量的要求不断提高，国家电网已经把提供优质的供电服务提升到了发展战略的新高度。95598呼叫中心作为供电企业与用电客户的交流平台，实现了24h 不间断随时提供服务的可能。话务量是呼叫中心进行客服坐席安排的依据，针对不同的话务量安排相应的坐席，才能实现保证呼叫中心服务质量和实现人力资源最优配置的双重目标[1]。传统的排班模式，需要经验丰富的排班师对话务量进行估计，工作量较大，且包含一定的人为的主观因素，无法满足实际生产需求。因此，如何对话务量进行科学准确的预测已经成为了一个亟待解决的问题。话务量是一种随机的、动态的时间序列[2]，受天气、 季节、节假日等因素的影响，呈现复杂的变化趋势。目前，已有一些预测工具被应用于各种通信系统的话务量预测中，比如，ARIMA 模型[3]、多元线性回归[4]、Kalman 滤波[5]、BP 神经网络[6]等，并都取得了一定的成果。但ARIMA 模型要求序列是平稳序列，多元线性回归和Kalman 滤波模型相对简单，难以满足话务量的复杂变化，BP 神经网络需要利用大量样本训练模型且训练速度较慢[6]，不满足现阶段对话务量预测的要求。针对以上不足以及话务量自身的特点，提出了一种基于支持向量机（Support Vector Machine ，SVM ）和K 近邻算法（K -Nearest Neighbor ，K NN ）的分块回归预测模型（SKBR ）。呼叫中心分块回归话务量预测 张沪寅，胡瑞芸，何政 ZHANG Huyin,HU Ruiyun,HE Zheng 武汉大学计算机学院，武汉430072 Computer School,Wuhan University,Wuhan 430072,China ZHANG Huyin,HU Ruiyun,HE Zheng.Block regression traffic prediction model for call https://www.doczj.com/doc/ef8799745.html,puter Engi-neering and Applications,2016,52（12）：90-94. Abstract ：In order to obtain the prospective traffic data,solve the seats arrangement problem of call center,realize the rational allocation of human resources,block regression traffic prediction model,based on support vector machine and K -nearest neighbor algorithm is proposed （SKBR ）,after analyzing the characteristics of historical traffic data.According to the date type,traffic can be divided into weekday traffic,weekend traffic and holiday traffic,and different model is used to predict the corresponding traffic.Taking the traffic of a province electric power call center for example,experiments are carried on the MATLAB platform.Results show that compared with the SVM model and improved SVM model for its method of searching parameters,SKBR model has improved the prediction accuracy. Key words ：traffic;prediction;support vector machine;nearest neighbor algorithm;prediction accuracy 摘要：为获得前瞻性话务量数据，解决呼叫中心坐席安排的问题，实现人力资源合理配置，分析历史话务量特性，提出了基于支持向量机和K 近邻算法的分块回归（SKBR ）话务量预测模型。将话务量按日期类型分为工作日话务量、周末话务量以及节假日话务量，采用不同的模型预测相应的话务量。以某省电力呼叫中心话务量为例，在Matlab 平台上进行实验。结果证明，相比SVM 模型和改进寻参方法的SVM 模型，SKBR 模型在预测准确性上有所提升。关键词：话务量；预测；支持向量机；近邻算法；预测准确性 文献标志码：A 中图分类号：TP39doi ：10.3778/j.issn.1002-8331.1501-0160 基金项目：高等学校博士学科点专项科研基金（No.20130141110022）；武汉市科学技术局（No.201302038）。 作者简介：张沪寅（1962—），男，博士研究生，教授，研究领域为数据挖掘，网络QoS ，新一代网络体系结构；胡瑞芸（1991—），女， 硕士研究生，研究领域为数据挖掘，机器学习，E-mail ：ryh_ok@https://www.doczj.com/doc/ef8799745.html, ；何政（1976—），男，博士后，讲师，研究领域 为数据挖掘，机器学习，优化算法。 收稿日期：2015-01-13修回日期：2015-03-31文章编号：1002-8331（2016）12-0090-05 CNKI 网络优先出版：2015-07-03,https://www.doczj.com/doc/ef8799745.html,/kcms/detail/11.2127.TP.20150703.1610.014.html 90
文章编号:1671-1742(2008)05-0518-04 基于神经网络的话务量预测 邓 波, 李 健, 孙 涛, 张金生, 王惠东 (四川大学电子信息学院,四川成都610064) 摘要:话务量具有高度的非线性和时变特性,由于神经网络具有较强的非线性映射等特性,将其运用于非线性 的话务量短期预测是非常合适的。以青白江2005年10月的话务量作为预测对象,提出基于BP 神经网络和基于 Elman 神经网络的话务量预测模型,仿真实验表明两种模型对于话务量的短期预测均是可行有效的。经过比较, Elman 神经网络训练速度比BP 神经网络快很多,更适用于实际应用。 关 键 词:BP 神经网络;Elman 神经网络;话务量预测;预测模型 中图分类号:T P183 文献标识码:A 收稿日期:2008-06-12;修订日期:2008-07-04 1 引言 近年来移动通信在我国迅速发展,已经成为当今个人通信的主要方式。随着移动通信话务量迅速增长及网络容量的不断扩大,对话务量预测技术的需求就更加急迫,但实际当中,话务量预测技术发展并不理想,对移动通信运营商的网络建设及调整没有起到更为有效的指导作用。目前实际应用到话务预测的算法主要是回归分析、移动平均、指数平滑等一些传统算法,对话务量发展趋势的预测比较准确,但对于短期话务量的周期性变化,预测较为粗糙,对负荷的调整不能起到更好的指导作用。 话务量具有高度的非线性和时变特性,它的变化受多方面影响,一方面,话务量变化存在着由未知不确定因素引起的随机波动;另一方面,又具有周期变化的规律性,同时由于受节假日、收费政策等情况影响,又使话务量变化出现差异。而神经网络是由大量简单的基本元件———神经元相互连接,通过模拟人的大脑神经处理信息的方式,进行信息并行处理和非线性转换的复杂网络系统。其具有通过学习逼近任意非线性映射的能力,将其运用于非线性的话务量短期预测是非常合适的。 在神经网络算法中,基于BP 算法的前馈网络是至今为止应用最为广泛的神经网络,能够以任意精度逼近任何非线性函数。Elm an 神经网络是一种典型的回归神经网络,比前向神经网络具有更强的计算能力,具有适应时变特性的能力,因此二者都非常适合于话务量预测。 2 BP 神经网络、Elman 神经网络的网络模型 2.1 BP 神经网络的构造及算法 BP 网络的全称为Back -Propagation Netwo rk ,即反向传播网络,它在结构上类似于多层感知器,是一种多层前馈神经网络。它利用误差反向传播算法对网络进行训练。BP 网络是一种具有3层或3层以上神经元的神经网络,包括输入层、中间层(隐层)和输出层。上下层之间实现全连接,而每层神经元之间无连接。当一对学习样本提供给网络后,神经元的激活值从输入层经各中间层向输出层传播,在输出层的各神经元获得网络的输入响应。接下来,按照减少目标输出与实际输出之间误差的方向,从输出层反向经过各中间层回到输入层,从而逐层修正各连接权值,即BP 算法。随着这种误差逆向的传播修正不断进行,网络对输入模式响应的正确率也不断上升。BP 网络的传递函数要求必须是可微的,常用的函数有Sigmoid 型对数、正切函数或线型函数。由于传递函数处处可微,所以对于BP 网络来说,一方面,所划分的区域不再是一个线性划分,而是由一个非线性超平面组成的区域,它是比较平滑的曲面,因而它的分类比线性划分更加精确,容错性也比线性划分更好;另一方面,网络可以严格采用梯度下降法进行学习,权值修正的解析式十分明确[1]。 一个具有r 个输入和一个隐含层的神经网络结构如图1所示。 第23卷第5期 2008年10月成 都 信 息 工 程 学 院 学 报JOURNAL OF CHENGDU UNIVERS ITY OF INFORM ATION TECHNOLOGY Vol .23No .5Dct .2008
云南大学信息学院学生实验报告 课程名称：现代控制理论 实验题目：预测控制 小组成员：李博（12018000748） 金蒋彪（12018000747） 专业：2018级检测技术与自动化专业
1、实验目的 (3) 2、实验原理 (3) 2.1、预测控制特点 (3) 2.2、预测控制模型 (4) 2.3、在线滚动优化 (5) 2.4、反馈校正 (5) 2.5、预测控制分类 (6) 2.6、动态矩阵控制 (7) 3、MATLAB仿真实现 (9) 3.1、对比预测控制与PID控制效果 (9) 3.2、P的变化对控制效果的影响 (12) 3.3、M的变化对控制效果的影响 (13) 3.4、模型失配与未失配时的控制效果对比 (14) 4、总结 (15) 5、附录 (16) 5.1、预测控制与PID控制对比仿真代码 (16) 5.1.1、预测控制代码 (16) 5.1.2、PID控制代码 (17) 5.2、不同P值对比控制效果代码 (19) 5.3、不同M值对比控制效果代码 (20) 5.4、模型失配与未失配对比代码 (20)
1、实验目的 （1）、通过对预测控制原理的学习，掌握预测控制的知识点。 （2）、通过对动态矩阵控制（DMC）的MATLAB仿真，发现其对直接处理具有纯滞后、大惯性的对象，有良好的跟踪性和较强的鲁棒性，输入已 知的控制模型，通过对参数的选择，来获得较好的控制效果。 （3）、了解matlab编程。 2、实验原理 模型预测控制(Model Predictive Control，MPC)是20世纪70年代提出的一种计算机控制算法，最早应用于工业过程控制领域。预测控制的优点是对数学模型要求不高，能直接处理具有纯滞后的过程，具有良好的跟踪性能和较强的抗干扰能力，对模型误差具有较强的鲁棒性。因此，预测控制目前已在多个行业得以应用，如炼油、石化、造纸、冶金、汽车制造、航空和食品加工等，尤其是在复杂工业过程中得到了广泛的应用。在分类上，模型预测控制(MPC)属于先进过程控制，其基本出发点与传统PID控制不同。传统PID控制，是根据过程当前的和过去的输出测量值与设定值之间的偏差来确定当前的控制输入，以达到所要求的性能指标。而预测控制不但利用当前时刻的和过去时刻的偏差值，而且还利用预测模型来预估过程未来的偏差值，以滚动优化确定当前的最优输入策略。因此，从基本思想看，预测控制优于PID控制。 2.1、预测控制特点 首先，对于复杂的工业对象。由于辨识其最小化模型要花费很大的代价，往往给基于传递函数或状态方程的控制算法带来困难，多变量高维度复杂系统难以建立精确的数学模型工业过程的结构、参数以及环境具有不确定性、时变性、非线性、强耦合，最优控制难以实现。而预测控制所需要的模型只强调其预测功能，不苛求其结构形式，从而为系统建模带来了方便。在许多场合下，只需测定对象的阶跃或脉冲响应，便可直接得到预测模型，而不必进一步导出其传递函数或状
一、描述统计 描述性统计是指运用制表和分类，图形以及计筠概括性数据来描述数据的集中趋势、离散趋势、偏度、峰度。 1、缺失值填充：常用方法：剔除法、均值法、最小邻居法、比率回归法、决策树法。 2、正态性检验：很多统计方法都要求数值服从或近似服从正态分布，所以之前需要进行正态性检验。常用方法：非参数检验的K-量检验、P-P图、Q-Q图、W检验、动差法。 二、假设检验 1、参数检验 参数检验是在已知总体分布的条件下（一股要求总体服从正态分布）对一些主要的参数(如均值、百分数、方差、相关系数等）进行的检验。 1）U验使用条件：当样本含量n较大时，样本值符合正态分布 2）T检验使用条件：当样本含量n较小时，样本值符合正态分布 A 单样本t检验：推断该样本来自的总体均数μ与已知的某一总体均数μ0 (常为理论值或标准值)有无差别； B 配对样本t检验：当总体均数未知时，且两个样本可以配对，同对中的两者在可能会影响处理效果的各种条件方面扱为相似； C 两独立样本t检验：无法找到在各方面极为相似的两样本作配对比较时使用。 2、非参数检验 非参数检验则不考虑总体分布是否已知，常常也不是针对总体参数，而是针对总体的某些一股性假设（如总体分布的位罝是否相同，总体分布是否正态）进行检验。 适用情况：顺序类型的数据资料，这类数据的分布形态一般是未知的。
A 虽然是连续数据，但总体分布形态未知或者非正态； B 体分布虽然正态，数据也是连续类型，但样本容量极小，如10以下； 主要方法包括：卡方检验、秩和检验、二项检验、游程检验、K-量检验等。 三、信度分析 检査测量的可信度，例如调查问卷的真实性。 分类： 1、外在信度：不同时间测量时量表的一致性程度，常用方法重测信度 2、内在信度；每个量表是否测量到单一的概念，同时组成两表的内在体项一致性如 何，常用方法分半信度。 四、列联表分析 用于分析离散变量或定型变量之间是否存在相关。 对于二维表，可进行卡方检验，对于三维表，可作Mentel-Hanszel分层分析。列联表分析还包括配对计数资料的卡方检验、行列均为顺序变量的相关检验。 五、相关分析 研究现象之间是否存在某种依存关系，对具体有依存关系的现象探讨相关方向及相关程度。 1、单相关：两个因素之间的相关关系叫单相关，即研究时只涉及一个自变量和一个因变量； 2、复相关：三个或三个以上因素的相关关系叫复相关，即研究时涉及两个或两个以上的自变量和因变量相关； 3、偏相关：在某一现象与多种现象相关的场合，当假定其他变量不变时，其中两个变量之间的相关关系称为偏相关。 六、方差分析
呼叫中心话务量预测与排班 【课程目标】 本课程针对呼叫中心部门，为解决呼叫中心的话务预测以及排班问题。 排班操作在热线运营中的重要性不言而喻，排班的好坏，直接影响到热线人员管理、人员效率，以及员工满意度/客户满意度。 通过本课程的学习，达到如下目的： 1、熟悉排班的基本流程与基本原理。 2、掌握话务量预测的基本过程。 3、掌握话务量预测的常见方法。 4、熟悉使用排班工具。 5、了解排班质量的评估与跟踪。 【授课时间】 1天时间 【授课对象】 呼叫中心、热线团队、营业厅、业务支撑等对排班有要求的管理人员。 【学员要求】 1、每个学员自备一台便携机(必须)。 2、便携机中事先安装好Excel 2010版本及以上。 注：讲师可以提供试用版本软件及分析数据源。 实战型能落地大数据营销专家-黄俭老师简介： 滨江双创联盟荣誉理事长；上海蓝草企业管理咨询有限公司首席讲师；多家知名企业特聘高级管理顾问。 黄老师多年在企业管理、公司战略规划、市场营销、品牌建设、员工管理、绩效考核、上市公司等等方面有着丰富的实践经验；深刻理解了东西方管理精髓。进入培训教育行业，作为资深培训讲师，在企业内训课、公开课、CEO
总裁班等百余家企业和大学课堂讲授战略管理、营销管理、品牌管理等领域专业课程，结合自身的企业实践和理论研究，开发的具有知识产权的一系列新营销课程收到企业和广大学员的欢迎和热烈反馈。听黄老师上课，可以聆听他的职场经历，分享他的成绩，干货多多！课程突出实用性、故事性、新鲜性和幽默性。宽广的知识体系、丰富的管理实践、积极向上、幽默风趣构成了独特的教学培训风格，深受听众欢迎。通过一系列销售案例剖析点评，使销售管理人员掌握一些管理先进理念，分析技巧、提高解决问题的能力。 黄老师近期培训的东风汽车-商用车公司，华东医药公司的销售团队在培训后，销售业绩有了20%提升。 擅长领域：战略管理/领导力系列/ 经典营销/新营销/大数据营销 授课风格：采用情景式教学法，运用相关的角色模拟和案例分析诠释授课内容，理论与实战并举，侧重实战，结合视听教材，帮助学员在理论基础与实践应用方面全面提升。广大的学员认为授课风格为：幽默风趣、条理清晰、实战、理论联系实际。 主讲课程： 《电话营销技巧》《杰出的房地产销售》《如何做好一流的客户服务》 《电子商务与网络营销》、《销售流程与技巧》、《大客户营销》、《顾问式销售》、《如何成为成功的房产销售员》、《总经理视角下的营销管理》、《非营销人员的营销管理》、《如何塑造成功的电子商务品牌》，《精准数据营销实战》、《卓越营销的营销策划》、《打造双赢关系营销》、《卓越客户服务及实战》、《海外市场客服及实务》 【授课方式】 排班过程+方法讲解+工具应用+ Excel实践操作 采用互动式教学，围绕业务问题，展开数据分析过程，全过程演练操作，让学员在分析、分享、讲授、总结、自我实践过程中掌握排班。
M A T L A B模型预测控制 工具箱函数 TTA standardization office【TTA 5AB- TTAK 08- TTA 2C】
M A T L A B模型预测控制工具箱函数 系统模型建立与转换函数 前面读者论坛了利用系统输入/输出数据进行系统模型辨识的有关函数及使用方法，为时行模型预测控制器的设计，需要对系统模型进行进一步的处理和转换。MATLAB的模型预测控制工具箱中提供了一系列函数完成多种模型转换和复杂系统模型的建立功能。 在模型预测控制工具箱中使用了两种专用的系统模型格式，即MPC状态空间模型和MPC传递函数模型。这两种模型格式分别是状态空间模型和传递函数模型在模型预测控制工具箱中的特殊表达形式。这种模型格式化可以同时支持连续和离散系统模型的表达，在MPC传递函数模型中还增加了对纯时延的支持。表8-2列出了模型预测控制工具箱的模型建立与转换函数。 表8-2 模型建立与转换函数 模型转换 在MATLAB模型预测工具箱中支持多种系统模型格式。这些模型格式包括： ①通用状态空间模型； ②通用传递函数模型； ③MPC阶跃响应模型； ④MPC状态空间模型； ⑤MPC传递函数模型。
在上述5种模型格式中，前两种模型格式是MATLAB通用的模型格式，在其他控制类工具箱中，如控制系统工具箱、鲁棒控制工具等都予以支持；而后三种模型格式化则是模型预测控制工具箱特有的。其中，MPC状态空间模型和MPC传递函数模型是通用的状态空间模型和传递函数模型在模型预测控制工具箱中采用的增广格式。模型预测控制工具箱提供了若干函数，用于完成上述模型格式间的转换功能。下面对这些函数的用法加以介绍。 1．通用状态空间模型与MPC状态空间模型之间的转换 MPC状态空间模型在通用状态空间模型的基础上增加了对系统输入/输出扰动和采样周期的描述信息，函数ss2mod()和mod2ss()用于实现这两种模型格式之间的转换。 1）通用状态空间模型转换为MPC状态空间模型函数ss2mod() 该函数的调用格式为 pmod= ss2mod(A,B,C,D) pmod= ss2mod(A,B,C,D,minfo) pmod= ss2mod(A,B,C,D,minfo,x0,u0,y0,f0) 式中，A, B, C, D为通用状态空间矩阵； minfo为构成MPC状态空间模型的其他描述信息，为7个元素的向量，各元素分别定义为： ◆minfo(1)=dt，系统采样周期，默认值为1； ◆minfo(2)=n，系统阶次，默认值为系统矩阵A的阶次； ◆minfo(3)=nu，受控输入的个数，默认值为系统输入的维数； ◆minfo(4)=nd，测量扰的数目，默认值为0； ◆minfo(5)=nw，未测量扰动的数目，默认值为0； ◆minfo(6)=nym，测量输出的数目，默认值系统输出的维数； ◆minfo(7)=nyu，未测量输出的数目，默认值为0； 注：如果在输入参数中没有指定m i n f o，则取默认值。 x0, u0, y0, f0为线性化条件，默认值均为0； pmod为系统的MPC状态空间模型格式。 例8-5将如下以传递函数表示的系统模型转换为MPC状态空间模型。 解：MATLAB命令如下：
常用数据分析方法 常用数据分析方法：聚类分析、因子分析、相关分析、对应分析、回归分析、方差分析；问卷调查常用数据分析方法：描述性统计分析、探索性因素分析、Cronbach’a信度系数分析、结构方程模型分析(structural equations modeling) 。 数据分析常用的图表方法：柏拉图(排列图)、直方图(Histogram)、散点图(scatter diagram)、鱼骨图（Ishikawa）、FMEA、点图、柱状图、雷达图、趋势图。 数据分析统计工具：SPSS、minitab、JMP。 常用数据分析方法: 1、聚类分析（Cluster Analysis） 聚类分析指将物理或抽象对象的集合分组成为由类似的对象组成的多个类的分析过程。聚类是将数据分类到不同的类或者簇这样的一个过程，所以同一个簇中的对象有很大的相似性，而不同簇间的对象有很大的相异性。聚类分析是一种探索性的分析，在分类的过程中，人们不必事先给出一个分类的标准，聚类分析能够从样本数据出发，自动进行分类。聚类分析所使用方法的不同，常常会得到不同的结论。不同研究者对于同一组数据进行聚类分析，所得到的聚类数未必一致。 2、因子分析（Factor Analysis） 因子分析是指研究从变量群中提取共性因子的统计技术。因子分析就是从大量的数据中寻找内在的联系，减少决策的困难。 因子分析的方法约有10多种，如重心法、影像分析法，最大似然解、最小平方法、阿尔发抽因法、拉奥典型抽因法等等。这些方法本质上大都属近似方法，是以相关系数矩阵为基础的，所不同的是相关系数矩阵对角线上的值，采用不同的共同性□2估值。在社会学研究中，因子分析常采用以主成分分析为基础的反覆法。 3、相关分析（Correlation Analysis） 相关分析（correlation analysis），相关分析是研究现象之间是否存在某种依存关系，并对具体有依存关系的现象探讨其相关方向以及相关程度。相关关系是一种非确定性的关系，例如，以X和Y分别记一个人的身高和体重，或分别记每公顷施肥量与每公顷小麦产量，则X 与Y显然有关系，而又没有确切到可由其中的一个去精确地决定另一个的程度，这就是相关关系。 4、对应分析（Correspondence Analysis） 对应分析(Correspondence analysis)也称关联分析、R-Q型因子分析，通过分析由定性变量构成的交互汇总表来揭示变量间的联系。可以揭示同一变量的各个类别之间的差异，以及不同变量各个类别之间的对应关系。对应分析的基本思想是将一个联列表的行和列中各元素的比例结构以点的形式在较低维的空间中表示出来。 5、回归分析 研究一个随机变量Y对另一个(X)或一组(X1，X2，…，Xk)变量的相依关系的统计分析方法。回归分析（regression analysis)是确定两种或两种以上变数间相互依赖的定量关系的一种统计分析方法。运用十分广泛，回归分析按照涉及的自变量的多少，可分为一元回归分析和多元回归分析；按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。 6、方差分析(ANOVA/Analysis of Variance) 又称“变异数分析”或“F检验”，是R.A.Fisher发明的，用于两个及两个以上样本均数差