基于回声状态网络的移动话务量预测
- 格式：pdf
- 大小：204.56 KB
- 文档页数：2
文档推荐
-
ENS 回声状态网络页数:44
-
机器学习必知的八大神经网络架构页数:12
-
基于回声状态网络的移动话务量预测页数:2
下载文档原格式
合集下载
基于业务发展的移动通信话务量预测
基于业务发展的移动通信话务量预测
张旭;崔晓蔷;王睿
【期刊名称】《黑龙江科技信息》
【年(卷),期】2015(000)034
【摘要】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。
【总页数】1页(P172-172)
【作者】张旭;崔晓蔷;王睿
【作者单位】哈尔滨移动公司无线优化室，黑龙江哈尔滨 150000;哈尔滨移动公司无线优化室，黑龙江哈尔滨 150000;哈尔滨移动公司无线优化室，黑龙江哈尔滨 150000
【正文语种】中文
【相关文献】
1.基于先验知识的移动通信话务量预测 [J], 彭宇;雷苗;郭嘉;彭喜元;于江;陈强
2.基于改进HMM模型的无线移动通信忙时话务量预测 [J], 陈丽
3.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], 段志梅;袁晓金;周艳洁
4.基于回归方法的移动通信话务量预测 [J], 陶伟宜
5.基于神经网络的卫星移动通信话务量预测 [J], 吴祖民
因版权原因，仅展示原文概要，查看原文内容请购买。
基于LSTM与ARIMA模型的移动通信基站流量预测方法
算法语言
信息与电脑 China Computer & Communication
2021 年第 7 期
基于 LSTM 与 ARIMA 模型的移动通信基站流量预测方法
张 阳 张蕗怡 （湖北大学 计算机与信息工程学院，湖北 武汉 430205）
摘 要：随着移动互联网的飞速发展，基站的流量负荷问题受到普遍关注。笔者基于长短期记忆网络（Long ShortTerm Memory，LSTM）模型融合自回归移动平均模型（Autoregressive Integrated Moving Average Model, ARIMA）建 立 LSTM-ARIMA 模型，首先使用前 60% 训练集对 LSTM 进行训练，然后进行误差计算得到误差序列。接下来对所得到的误 差序列使用 ARIMA 建模，得到测试集的预测误差，最后综合 LSTM 与 ARIMA 模型得出结果。经过实验得出模型测试集的精 度为 88.06%。
因为在 LSTM 建模过程中，增加迭代次数来减少误差， 使得模型更加可靠，所以用来训练模型的数据在第二步中的 误差预测是起不到任何作用的（因为用于训练模型的样本的 误差基本都可视为 0）。本文选取数据集中的前一半的样本 训练 LSTM 网络，然后将后一半 60% 的样本作为训练集， 40% 的样本作为测试集。并将 2020 年数据作为验证数据， 用于检验模型的预测结果。
训练集 测试集
训练模型 预测p'
2.2 LSTM 模型介绍
LSTM 作为 RNN 的一种变体，通过增加门限在很大程 度上解决了 RNN 具有的梯度消失问题，同时加强了对长期 历史数据的记忆能力，因此对于提取长距离的时序性数据具 有明显的优势。LSTM 序列处理过程如图 4 所示。
误差序列
信息与电脑 China Computer & Communication
2021 年第 7 期
基于 LSTM 与 ARIMA 模型的移动通信基站流量预测方法
张 阳 张蕗怡 （湖北大学 计算机与信息工程学院，湖北 武汉 430205）
摘 要：随着移动互联网的飞速发展，基站的流量负荷问题受到普遍关注。笔者基于长短期记忆网络（Long ShortTerm Memory，LSTM）模型融合自回归移动平均模型（Autoregressive Integrated Moving Average Model, ARIMA）建 立 LSTM-ARIMA 模型，首先使用前 60% 训练集对 LSTM 进行训练，然后进行误差计算得到误差序列。接下来对所得到的误 差序列使用 ARIMA 建模，得到测试集的预测误差，最后综合 LSTM 与 ARIMA 模型得出结果。经过实验得出模型测试集的精 度为 88.06%。
因为在 LSTM 建模过程中，增加迭代次数来减少误差， 使得模型更加可靠，所以用来训练模型的数据在第二步中的 误差预测是起不到任何作用的（因为用于训练模型的样本的 误差基本都可视为 0）。本文选取数据集中的前一半的样本 训练 LSTM 网络，然后将后一半 60% 的样本作为训练集， 40% 的样本作为测试集。并将 2020 年数据作为验证数据， 用于检验模型的预测结果。
训练集 测试集
训练模型 预测p'
2.2 LSTM 模型介绍
LSTM 作为 RNN 的一种变体，通过增加门限在很大程 度上解决了 RNN 具有的梯度消失问题，同时加强了对长期 历史数据的记忆能力，因此对于提取长距离的时序性数据具 有明显的优势。LSTM 序列处理过程如图 4 所示。
误差序列
如何进行网络流量的预测和调度(八)
网络流量的预测和调度在如今数字化时代变得日益重要。
随着更多人使用互联网，网络流量管理变得更加复杂且具有挑战性。
有效地预测和调度网络流量可以帮助提高网络性能、优化资源分配和提供更好的用户体验。
本文将探讨如何进行网络流量的预测和调度，从而满足用户需求和优化网络性能。
一、网络流量预测网络流量预测是指利用历史数据和一些预测模型来估计未来一段时间内的网络流量。
这有助于规划带宽、优化网络架构和资源分配。
以下是一些常用的网络流量预测方法：1. 基于统计模型的预测：这种方法基于统计学理论和模型，如ARIMA模型(AutoRegressive Integrated Moving Average)和贝叶斯网络。
它们通过分析历史数据中的模式和趋势来预测未来的流量。
2. 基于机器学习的预测：机器学习算法可以根据输入的历史数据训练模型来预测未来的网络流量。
常用的算法包括支持向量机(SVM)和随机森林(Random Forest)。
这些算法可以根据数据集的特征、变化和关系来学习并提供准确的预测结果。
3. 基于深度学习的预测：深度学习模型如循环神经网络(RNN)和长短期记忆网络(LSTM)可以处理时序数据，并且在网络流量预测中取得了不错的效果。
这些模型能够捕捉时间序列中的长期依赖性和复杂关系，从而提高预测准确度。
二、网络流量调度网络流量调度是指根据不同应用程序、用户需求和网络状况来优化资源分配和流量传输的过程。
网络流量调度可以帮助提高网络性能、减少拥堵和延迟，并最大程度地满足用户需求。
以下是一些常见的网络流量调度方法：1. 弹性带宽调度：这种调度方法根据网络负载和带宽需求的变化动态地分配带宽资源。
它可以根据实时数据流量和网络状态进行自适应调整，从而提高带宽利用率和响应速度。
2. QoS保证调度：不同应用程序和服务对网络性能的要求各不相同。
QoS(Quality of Service)调度可以根据应用程序的服务等级和需求来优先传输数据包，从而保证关键应用的服务质量和用户体验。
基于回声状态网络的混凝土抗压强度预测模型
基于回声状态网络的混凝土抗压强度预测模型赵宇;杨红平;李晓华【摘要】为了更准确地实现混凝土抗压强度的预测,建立了基于回声状态网络(ESN)的混凝土抗压强度预测模型,以混凝土中水泥含量等作为模型输入,混凝土抗压强度为输出,对260组混凝土28天抗压强度数据进行训练测试.结果表明,与以往BP神经网络相比,ESN将预测精度提高了3个数量级,能够准确快速地预测混凝土强度,具有较强的非线性逼近能力.【期刊名称】《天水师范学院学报》【年(卷),期】2017(037)002【总页数】4页(P56-59)【关键词】混凝土抗压强度;预测模型;回声状态网络【作者】赵宇;杨红平;李晓华【作者单位】天水师范学院电子信息与电气工程学院,甘肃天水741001;天水师范学院机电与汽车工程学院,甘肃天水741001;江苏省无锡交通高等职业学校,江苏无锡214151【正文语种】中文【中图分类】TP183作为混凝土最重要的力学和工程性能之一，混凝土抗压强度对于混凝土质量控制至关重要。
[1]按照GB50204-2002《混凝土质量检验评定标准》规定，评定结构构件的混凝土抗压强度需要28d的标准养护，因此提前预测出混凝土28d的抗压强度对提高施工质量和进度具有重要意义。
通常采用经验公式得到混凝土的28d强度，如对数公式、斯特拉公式等。
或通过大量实验求出其近似线性回归方程，但是这些方法有一定的局限性。
就经验公式来说，需要混凝土3d或7d的抗压强度，且3d和7d强度波动较28d抗压强度大；而实验拟合需要大量的水泥等材料，花费时间较长且造成不必要的浪费。
近年来，人工神经网络以其具有的自学习、自组织和逼近任意非线性映像的能力在预测辨识方面得到了广泛应用。
季韬[2]等人基于神经网络建立了混凝土28d抗压强度与混凝土等效水灰比等因素之间的非线性映射关系，对混凝土28d抗压强度进行了预测，减少了混凝土试配次数，能够在一定程度上节约人力、物力和时间。
基于SAPSO算法优化Elman神经网络的话务量预测
基于SAPSO算法优化Elman神经网络的话务量预测俞秀婷;覃锡忠;贾振红;傅云瑾;曹传玲;常春【期刊名称】《激光杂志》【年(卷),期】2014(35)7【摘要】文章提出一种模拟退火(SA)与粒子群优化(PSO)算法相结合的算法来优化Elman神经网络权值和阈值。
当PSO处于停滞状态时,利用粒子群优化算法的全局寻优性质,以及SA能跳出局部最优解的特性,在搜索到的最优位置处用模拟退火算法继续寻找最优解,并对具有动态递归性能的Elman神经网络进行学习训练,这样就能对忙时话务量进行预测。
结果表明,与传统Elman神经网络和PSO-Elman神经网络相比,基于模拟退火粒子群算法训练的神经网络具有更高的预测精度和良好的自适应性。
【总页数】4页(P36-38)【关键词】模拟退火;粒子群算法;Elman神经网络;话务量预测【作者】俞秀婷;覃锡忠;贾振红;傅云瑾;曹传玲;常春【作者单位】新疆大学信息科学与工程学院;中国移动通信集团设计院有限公司;中国移动通信集团新疆有限公司【正文语种】中文【中图分类】TP183;TP393【相关文献】1.基于蚁群算法优化支持向量机的移动话务量预测 [J], 宋秀秀;贾振红;覃锡忠2.基于改进的PSO算法优化灰色神经网络的话务量预测 [J], 俞秀婷;覃锡忠;贾振红;傅云瑾;曹传玲;常春3.基于改进CS算法优化Elman-IOC神经网络的短期负荷预测 [J], 杨芳君; 王耀力; 王力波; 常青4.基于鲸鱼算法优化Elman神经网络的房价预测 [J], 吴丁杰;温立书5.基于自组织映射网络和遗传算法优化Elman神经网络的全网短期负荷预测模型[J], 郑云飞;赵红生;王博;潘笑;潘兴亚因版权原因，仅展示原文概要，查看原文内容请购买。
基于深度学习的移动通信网络流量预测方法研究
基于深度学习的移动通信网络流量预测方法研究
刘洋;廉咪咪
【期刊名称】《长江信息通信》
【年(卷),期】2024(37)2
【摘要】针对移动通信网络流量预测由于预测冗余,导致预测的RMSE和MAE高的问题,文章提出了基于深度学习的移动通信网络流量预测方法。
该方法将网络流量视为时间序列,分析网络流量组成结构的自相似性,在图结构上定义网络流量特征,提取流量自相似性特征。
引入深度学习算法,将图信号矩阵表示预测节点特征,利用多层神经网络实现卷积运算,构建流量预测算法。
更新带有注意力信息的空间隐藏特征,实现移动通信网络流量预测优化。
实验结果表明,该方法的RMSE在
0.000~0.009范围,MAE在0.000~0.070×10-3范围,并且使用H_9函数时,预测误差为0,说明该方法预测精准度较高,具备良好的预测性能。
【总页数】3页(P90-92)
【作者】刘洋;廉咪咪
【作者单位】郑州工商学院信息工程学院
【正文语种】中文
【中图分类】TP393.07
【相关文献】
1.基于深度学习的网络流量异常预测方法
2.基于深度学习的网络流量预测研究综述
3.基于深度学习的矿井无线网络流量预测研究
4.基于宽度&深度学习的基站网络流量预测方法
5.基于领域知识内嵌的深度学习网络流量预测研究
因版权原因，仅展示原文概要，查看原文内容请购买。
基于改进BPNN的5G通信网络流量预测
通信网络技术BPNN的5G通信网络流量预测李兵（中海油信息科技有限公司湛江分公司，广东网络流量预测结果的准确性，提出一种基于改进反向传播神经网络（Back Propagation Neural测方法，采用阿基米德的权系数和阈值，建立基于AOA-BPNN的5G通信网络流量预测模型。
采用某通信流量监测数据进行仿真分析，并与其他方法的预测效果进行对比，结果表明，AOA-BPNN0.522 GB，预测精度高于其他方法，验证了所提方法的实用性和优越性。
通信；网络流量预测；反向传播神经网络（BPNN）；阿基米德优化算法（AOA）Traffic Prediction of 5G Communication Network Based on Improved BPNNLI Bing(Zhanjiang Branch, CNOOC Information Technology Co., Ltd., ZhanjiangAbstract: In order to improve the accuracy of 5G network traffic prediction results, aimproved Back Propagation Neural移因子）转移操作符进行操作，使系转移操作符的计算公（7）为增强算法的全局搜索性能，设置密度因子，（8）时，个体运动过程中发生碰撞，加3 基于模型采用于AOA-BPNN第一，输入网络流量检测数据，将其划分为训练集和测试集，并进行归一化处理，即式中：xi为原始数据中的最小值。
第二，设置值的初始值。
第三，初始化第四，设置适应度函数，将均方根误差作为适应度函数，计算公式为 2024年1月10日第41卷第1期205 Telecom Power TechnologyJan. 10, 2024, Vol.41 No.1李 兵：基于改进BPNN 的5G 通信 网络流量预测AOA-BPNN 模型的预测结果接近实际值。
基于VMPSO_RBF神经网络的话务量预测
打散 。算法如 下所示 : 1) 设定一些常数和初始化粒子群 2) 计算粒子的适应度 , Pb 和 Gb 3) 按迭代公式 ( 1) 、 公式 ( 2) 和公式 ( 4 ) 来更新 v id 。如果 v id > v max , 就使 v id = v max ; 如果 v id < - v max , 就使 v id = - v max ; 找到 v yd , 使 | v yd | = min{ | v 1d | , | v 2d | | v Md | } 。如 果 r3 < r 4, 就使 v yd 在 - v max , vm ax 上随机 取值 , 按 迭代公 式 ( 3) 来 更新 xid 。如果 x id > xmax , 就 使 xid = x max ; 如 果 xid < - xmax , 就使 xid = - xmax 。 4) 输出 Gb 及相对应的目标函数值 其中 , r 3 是 ( 0, 1 ) 上的随机 数 , r 4 代表变 异率 , 其中 变异 率的 取值要恰当 , 取值过大或取值过小 都会使算法 不能得到 最好 的结果。
1
Байду номын сангаас
速度变异粒子群算法
在 PSO 算法中 , 粒子群会朝向全局最小或局 部最小的方 向收敛 , 第 i 个粒子 以前到 过的 最好位 置为 Pb, 粒子 群体以 前到过的最好位置为 Gb 。这时 , Pb 、 Gb 和每一个 粒子当前位 置都会趋向于同一点 , 这时的每一个粒 子的运动 速度就几乎 趋向于零。 此时 , 最 终 求解 结 果就 是粒 子 群收 敛到 的 那个 点。速度变异的粒子群优化算法 ( VMPSO) 的核 心是 : 该方法 不是对每个粒子在每一个维度上的速度进 行变异 , 而是把具 有 M 个粒子的粒子群的每一维度 d 上的速 度的绝对值 | v 1d | , | v 2d | | v Md | 最小 的速度 | v yd | 进行变异。 令 | v yd | = min{ | v 1d | , | v 2d | | vMd | } , y { 1, 2, M } , d { 1, 2, D}。 则有 1 h h vh vh r 1 ( Ph r 2 ( Gh id = u id + c 1 1d - xid) + c 2 id - x id ) ( 1) ( h1) v dmax v id > v dmax h+ 1) h1) h1) v( = v( - v dmax < v ( < v dm ax ( 2) id id id ( h1) - v dmax v id < v dmax h+ 1) x (idh+ 1) = x (idh) + v ( ( 3) id 本文还提出了 ( 1) 中惯性权重 w 的线性变化的公式 : w = w max - ( ( w max - w min) / hmax ) h ( 4) 上面的 c 1 和 c 2 是加速系数 , 是用 来逼近于 全局最好粒 子和个体最好粒子方 向 , r 1、 r 2 是 0 , 1 之间 的随机 数 , w 是 惯性因子 , 是用来控制速度的权 重。 w max 、 w min 分 别为惯性权 重 w 的最大值和最小值 , h 为当前迭代次数 , h max 为最大迭代 次数。 VMPSO 不需要 选择 变异 的时 间 和机 会 , 它 使每 一维 度的 v yd , d { 1, 2, , D } 以一 定的概 率进行 变异 并且使 v yd 随机地在 - v max , v max 上取值 , 通过公式 ( 3 ) 将集 中的粒子群
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
ｗ ：Ｍ一 （） ３
非平稳特征来选择适合于该问题的预测模 型是较必要的。 ２ 基于 Ｅ Ｎ的移动话务量预测方案的提出。针对移动话务量的 ． ２ Ｓ 数据特征 ， 选择 Ｅ Ｎ模型预测该序列 ， Ｓ 设计基于 Ｅ Ｎ的移动话务量预 Ｓ 测 方案 ， 图 ２ 示 。 如 所 该移动话务量预测方案主要分为两个阶段 ，即训练阶段和测试阶 ｒ— 一 … 一 一 厂 … … ～ … 一 段。 —… ］ 一 ］
的预 测精度 ， 满足 实际系统 的需求。 由于 Ｅ Ｎ模 型的储备池 中不 同神经元类型对模型的预测性能有 一定 的影响 ， Ｓ 为此选取 双 曲正切神经 元、 线性神经元 、 ａｙｉｔ ｒｔ ｎ 经元进行 比较 ， ｌ ｋ ｅ ａｏ 神 ｅ ｎｇ ｉ 结果表明 了双 曲正切神 经元相较 于其他两种神经元具有更 高的非 线性逼近 能力， 较适
中， Ｔ一［（ （） ＝［（ 】 ） ； 】 ＿ 。 ，） ， 式 （） Ｅ Ｎ模型 的离线训练方式 ， ３为 Ｓ 该训练方式也可选择在线算 法。至此完成 Ｅ Ｎ模型的训练过程。 Ｓ ２ ．预测输出的计算。 ．４ ３ 依据步骤（ ） ３中计算得到的输出连接权值矩 阵 ｗ 及 Ｅ Ｎ模型的输出层神经元激励函数 ， Ｓ 计算输出层状态。
Ｉ 高 ｌ
一
二 粤… ｊ ｉ １ Ｉ
ｌ 三 ［ ： Ｉ 适 输 输 单 设 ，示 。 二 二 合 的 入 出 元 置 Ｉ
＋竺 Ｊ ｛ 如 该 差 满 系 Ｌ 差。 果 误 不 足 统
｝ 要求， 则重新初始化ＥＮ Ｓ ｉ｛ 厂 一 Ｉ ～ Ｊ Ｉ 一
（…） ｉ 在 …阶 ，据口、验 。 二 】 …・ Ｈ 入 、 一 训 Ｉ根 … 练段 输 ｌ ／
Ｉ ｝ 并初始化 ＥＮ Ｓ 参数值， 训
为验证基于 Ｅ Ｎ的移动话务量预测方案的可行 陛及有效 陛， Ｓ 本文 依据由中国移动网管系统检测得到的真实移动话务量数据进行预测实 在本文中所采用的误差评价标准均为无偏估计误差 ，如式 （ ） ５所
用 于移 动话 务 量 的预 测 问题 。
关键词 ： 移动话务量 ； 回声状 态网络 ； 经元 神
－ 要求 ， 训练过程发生“ 则其 过适” 现象 ， 需要重新初始化 Ｅ Ｎ参数值； Ｓ 如 果测试误差满足要求 ， 则结束测试过程。 ２ 基于 Ｅ Ｎ的移动话务量预测方案的实现 。根据移动话务量的 ． ３ Ｓ 数据特征 ， 以此建立基于 Ｅ Ｎ的移动话务量预测方案 ， Ｓ 其实现过程如
下 所示 。
２ ．输入、 出单元的设置。假设移动话务量序列为｛（）ｎ １ ．１ ３ 输 ｄｎ ， ｅ［， Ｍｌ ］ 根据 Ｅ Ｎ模型的基本原理， ， Ｓ 合理的设置输入、 输出单元：
ｌ（） ｄ ，（— ， ，（—ｖ一 ］ ｕｎ ＝【 ） ｎ ）一ｄｎ 】 ｄ ・ ）
Ｉ（） ｄｎ４ ｒ］ ｙｎ ＝【（ －ｖ） － （） １
Ｉ １一ｌ Ｆ． ｕ 练Ｅ 并 算 练 ｌ 厂 一～ⅡＬ ￣Ｊ－ ｛ Ｎ 型 计 训 误 Ｉ ｌ Ｉ Ｌ － ｌ ； Ｓｍ － Ｓ模
其 中，ｌ …，Ｋ ｖ， ， Ｖ－ｖ 均为序列延迟时间 ， Ｖ ｖ ｖ Ｉ 且 Ｉ …＜ Ｋ为输 ＜ ｖ 入序列嵌入维数。 延迟时间及嵌入维数的确定方法很多 ，比如 自相关 、互信息方法 等。 在模型实际使用过程中， 可结合待测数据的自身特征确定延迟时间 及嵌入维数。 ２ ． Ｅ Ｎ模型储备池状态的更新 。由于储备池 中参数对 Ｅ Ｎ模 ．２ Ｓ ３ Ｓ 型的预测性能有较大的影响 ，为此设置储备池内部连接权值矩阵的谱 半径 ｓ ， Ｒ 输入单元尺度 ｓ ， ｃ 内部稀疏程度 Ｃ 储备池规模 Ｎ ， 。根据经验 及 Ｅ Ｎ的基本原理可知 ，其参数范围： Ｒ∈ ０１Ｓ Ｏ１Ｃ∈（ １一 Ｓ Ｓ （，；Ｃ∈（ ］ ） ，； ｏ ］ ， 般 Ｎ选取为样本数据长度的 １１ 左右。 ／０ 根据该储备池中的参数没置隋 况， 更新储备池 内部状态 ：
多（） 。（， Ⅱ（） （） ＝ｆ ’。 ’ （ ｎ， ） ） （） ４
综上， 根据步骤（）（ ） １一４可计算预测输 出值 。
３ 实验 结果 分析
｛ 、 ｉ 二— —一 ｊ — — ！
１ ｉ 螅 ｆ ｆ ｗ龇］ ｝ ｉ ｆ ｛ 洲 ｊ Ｉ样本１ ｒ 未船 ｆ ｉｌ、 斗。 ｊ 试 ｌ 练 ＿ 姒掘１１，７ ： ， ｊ 训钥 十 ３ １ 拘 数据特征， 择 寸 ［２＿ 上 ｊ ７半 １
信 息产 业
・ １・ ８
基于 回声状态 网络 的移 动话务量预 测
周 云轩 张 彦
（ 中国移动通信 集团河北有限公 司衡水分公 司， 河北 衡 水 ０３０ ） ５００
摘 要： 针对移动话务量的预测 问题 ， 文建 立基 于回声状 态网络（ ｃｏＳ ｔ Ｎ ｔｏｋ ， Ｓ 的移动通信话务量预 测模 型。 本 Ｅ ｈ ｔｅ ｅ ｒｓＥ Ｎ） ａ ｗ 为实现精 确的移动话务量预 测 ， 本文采 用由 中国移动 网管 系统检测得到 的移动话务 量数据作 为研 究对 象， 实验结果表 明 ， 其 该预测 方案具有较 高
ｘｎ １ （ （ ＋ ） ） ｗ 曲 ） （ ＋ ） Ｗ ｕｎ １ ＇ ＋ ） ＝ｆ 十 （） ２
２ ．输出连接权矩阵的计算 。 ．３ ３ 在一般情况下 ， 储备池 的初始状态为 ｘ （）０随着训练样本的不断加入 ， ０＝ ， 该过程中不断更新储备池状态 ， 并收 集储备池的内部状态及输入单元状态存入到矩阵 Ｔ中；ｔ４输 出状态 ｌ￣ Ｊ ｏ 存入到矩阵 Ｍ 中。而后根据式（） ３计算输出连接权值矩阵 ｗ 。
非平稳特征来选择适合于该问题的预测模 型是较必要的。 ２ 基于 Ｅ Ｎ的移动话务量预测方案的提出。针对移动话务量的 ． ２ Ｓ 数据特征 ， 选择 Ｅ Ｎ模型预测该序列 ， Ｓ 设计基于 Ｅ Ｎ的移动话务量预 Ｓ 测 方案 ， 图 ２ 示 。 如 所 该移动话务量预测方案主要分为两个阶段 ，即训练阶段和测试阶 ｒ— 一 … 一 一 厂 … … ～ … 一 段。 —… ］ 一 ］
的预 测精度 ， 满足 实际系统 的需求。 由于 Ｅ Ｎ模 型的储备池 中不 同神经元类型对模型的预测性能有 一定 的影响 ， Ｓ 为此选取 双 曲正切神经 元、 线性神经元 、 ａｙｉｔ ｒｔ ｎ 经元进行 比较 ， ｌ ｋ ｅ ａｏ 神 ｅ ｎｇ ｉ 结果表明 了双 曲正切神 经元相较 于其他两种神经元具有更 高的非 线性逼近 能力， 较适
中， Ｔ一［（ （） ＝［（ 】 ） ； 】 ＿ 。 ，） ， 式 （） Ｅ Ｎ模型 的离线训练方式 ， ３为 Ｓ 该训练方式也可选择在线算 法。至此完成 Ｅ Ｎ模型的训练过程。 Ｓ ２ ．预测输出的计算。 ．４ ３ 依据步骤（ ） ３中计算得到的输出连接权值矩 阵 ｗ 及 Ｅ Ｎ模型的输出层神经元激励函数 ， Ｓ 计算输出层状态。
Ｉ 高 ｌ
一
二 粤… ｊ ｉ １ Ｉ
ｌ 三 ［ ： Ｉ 适 输 输 单 设 ，示 。 二 二 合 的 入 出 元 置 Ｉ
＋竺 Ｊ ｛ 如 该 差 满 系 Ｌ 差。 果 误 不 足 统
｝ 要求， 则重新初始化ＥＮ Ｓ ｉ｛ 厂 一 Ｉ ～ Ｊ Ｉ 一
（…） ｉ 在 …阶 ，据口、验 。 二 】 …・ Ｈ 入 、 一 训 Ｉ根 … 练段 输 ｌ ／
Ｉ ｝ 并初始化 ＥＮ Ｓ 参数值， 训
为验证基于 Ｅ Ｎ的移动话务量预测方案的可行 陛及有效 陛， Ｓ 本文 依据由中国移动网管系统检测得到的真实移动话务量数据进行预测实 在本文中所采用的误差评价标准均为无偏估计误差 ，如式 （ ） ５所
用 于移 动话 务 量 的预 测 问题 。
关键词 ： 移动话务量 ； 回声状 态网络 ； 经元 神
－ 要求 ， 训练过程发生“ 则其 过适” 现象 ， 需要重新初始化 Ｅ Ｎ参数值； Ｓ 如 果测试误差满足要求 ， 则结束测试过程。 ２ 基于 Ｅ Ｎ的移动话务量预测方案的实现 。根据移动话务量的 ． ３ Ｓ 数据特征 ， 以此建立基于 Ｅ Ｎ的移动话务量预测方案 ， Ｓ 其实现过程如
下 所示 。
２ ．输入、 出单元的设置。假设移动话务量序列为｛（）ｎ １ ．１ ３ 输 ｄｎ ， ｅ［， Ｍｌ ］ 根据 Ｅ Ｎ模型的基本原理， ， Ｓ 合理的设置输入、 输出单元：
ｌ（） ｄ ，（— ， ，（—ｖ一 ］ ｕｎ ＝【 ） ｎ ）一ｄｎ 】 ｄ ・ ）
Ｉ（） ｄｎ４ ｒ］ ｙｎ ＝【（ －ｖ） － （） １
Ｉ １一ｌ Ｆ． ｕ 练Ｅ 并 算 练 ｌ 厂 一～ⅡＬ ￣Ｊ－ ｛ Ｎ 型 计 训 误 Ｉ ｌ Ｉ Ｌ － ｌ ； Ｓｍ － Ｓ模
其 中，ｌ …，Ｋ ｖ， ， Ｖ－ｖ 均为序列延迟时间 ， Ｖ ｖ ｖ Ｉ 且 Ｉ …＜ Ｋ为输 ＜ ｖ 入序列嵌入维数。 延迟时间及嵌入维数的确定方法很多 ，比如 自相关 、互信息方法 等。 在模型实际使用过程中， 可结合待测数据的自身特征确定延迟时间 及嵌入维数。 ２ ． Ｅ Ｎ模型储备池状态的更新 。由于储备池 中参数对 Ｅ Ｎ模 ．２ Ｓ ３ Ｓ 型的预测性能有较大的影响 ，为此设置储备池内部连接权值矩阵的谱 半径 ｓ ， Ｒ 输入单元尺度 ｓ ， ｃ 内部稀疏程度 Ｃ 储备池规模 Ｎ ， 。根据经验 及 Ｅ Ｎ的基本原理可知 ，其参数范围： Ｒ∈ ０１Ｓ Ｏ１Ｃ∈（ １一 Ｓ Ｓ （，；Ｃ∈（ ］ ） ，； ｏ ］ ， 般 Ｎ选取为样本数据长度的 １１ 左右。 ／０ 根据该储备池中的参数没置隋 况， 更新储备池 内部状态 ：
多（） 。（， Ⅱ（） （） ＝ｆ ’。 ’ （ ｎ， ） ） （） ４
综上， 根据步骤（）（ ） １一４可计算预测输 出值 。
３ 实验 结果 分析
｛ 、 ｉ 二— —一 ｊ — — ！
１ ｉ 螅 ｆ ｆ ｗ龇］ ｝ ｉ ｆ ｛ 洲 ｊ Ｉ样本１ ｒ 未船 ｆ ｉｌ、 斗。 ｊ 试 ｌ 练 ＿ 姒掘１１，７ ： ， ｊ 训钥 十 ３ １ 拘 数据特征， 择 寸 ［２＿ 上 ｊ ７半 １
信 息产 业
・ １・ ８
基于 回声状态 网络 的移 动话务量预 测
周 云轩 张 彦
（ 中国移动通信 集团河北有限公 司衡水分公 司， 河北 衡 水 ０３０ ） ５００
摘 要： 针对移动话务量的预测 问题 ， 文建 立基 于回声状 态网络（ ｃｏＳ ｔ Ｎ ｔｏｋ ， Ｓ 的移动通信话务量预 测模 型。 本 Ｅ ｈ ｔｅ ｅ ｒｓＥ Ｎ） ａ ｗ 为实现精 确的移动话务量预 测 ， 本文采 用由 中国移动 网管 系统检测得到 的移动话务 量数据作 为研 究对 象， 实验结果表 明 ， 其 该预测 方案具有较 高
ｘｎ １ （ （ ＋ ） ） ｗ 曲 ） （ ＋ ） Ｗ ｕｎ １ ＇ ＋ ） ＝ｆ 十 （） ２
２ ．输出连接权矩阵的计算 。 ．３ ３ 在一般情况下 ， 储备池 的初始状态为 ｘ （）０随着训练样本的不断加入 ， ０＝ ， 该过程中不断更新储备池状态 ， 并收 集储备池的内部状态及输入单元状态存入到矩阵 Ｔ中；ｔ４输 出状态 ｌ￣ Ｊ ｏ 存入到矩阵 Ｍ 中。而后根据式（） ３计算输出连接权值矩阵 ｗ 。