改进模糊自回归模型在预测网络接通率中的应用

开篇：润墨网以专业的文秘视角，为您筛选了一篇改进模糊自回归模型在预测网络接通率中的应用范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘要：

针对通信网络中性能指标预测的需要，提出了基于改进的模糊自回归模型的接通率预测方法，研究了拟合度门限自适应的模糊自回归模型。将中值滤波应用于模糊自回归模型的数据预处理中，在此基础上，针对部分应用拟合度门限不明确的特点，将拟合度门限计算式加入预测模型中，实现模型拟合度门限的自适应。仿真实验表明：基于Fuzzy AR模型的预测方法可以用于对接通率的预测，预测结果拟合度较高。

关键词：

模糊预测；自适应拟合度；模糊自回归模型；接通率预测；数据预处理

0引言

随着通信网络的发展，承载网络的通信技术已不再是主要问题，而网络性能的管理越来越受到广泛关注，通信网络关键性能指标的性能预测更是当前面临的主要问题。通信网络的接通率是一个时间序列，目前在时间序列的预测方面已经有许多有益的探索[1-3]。针对通信网络中接通率性能指标数据的特点[4]，使用基于模糊时间序列[5-7]的预测算法，并对预测算法进行参数自适应机制方面的研究和改进，为通信网络中性能指标数据的预测方法提供新思路。最后，通过仿真实验验证改进模型对接通率预测的有效性。本文实验数据来源于中国移动通信公司某分公司的TDSCDMA（Time DivisionSynchronous Code Division Multiple Access）网络运行接通率历史数据。

4结语

Fuzzy AR模型是一种已经在许多领域成功应用的模型[20]。本文根据接通率数据的特点，使用中值滤波方法对模糊化后的接通率序列进行了预处理，消除了原本存在的将Fuzzy AR模型应用于接通率预测上的障碍，使得Fuzzy AR模型可以顺利地应用。接下来，针对部分应用中拟合度门限没有合理的选取策略的问题，提出了在Fuzzy AR模型求解中自适应的拟合度门限算法，为拟合度门限的合理选取提供了依据和指导。实验表明，改进型的Fuzzy AR 算法能够较好地应用于接通率的建模和预测，且拟合度较高。当然，上述方法还存在一定不足：在目标函数的选取中可能还有更加有效和合理的目标函数，相对于传统的线性规划算法，这一算法计算量偏大等，这也是今后探索和努力改进的方向。

参考文献：

[1]

ROJAS I， VALENZUELA O， ROJAS F， et al. Softcomputing techniques and ARMA model for time series prediction [J]. Neurocomputing， 2008， 71（4/5/6）：519-537.

[2]

KAYACAN E， ULUTAS B， KAYNAK O. Grey system theorybased models in time series prediction [J]. Expert Systems with Applications， 2010， 37（2）： 1784-1789.

[3]

张晗，王霞.基于小波分解的网络流量时间序列建模与预测[J].计算机应用研究，2012，29（8）：3134-3136.

[4]

陈巍. 移动通信网络系统接通率评估体系的研究[D].上海：上海海事大学，2006.

[5]

吴今培. 模糊诊断理论及应用[M].北京： 科学出版社， 1995.

[6]

吴今培. 模糊时间序列建模及应用 [J].系统工程，2002，20（4）：72-76.

[7]

SONG Q， CHISSOM B S. Fuzzy time series and its models[J]. Fuzzy Sets and Systems，1993，54（3）：269-277.

[8]

BOX G E P， JENKINS G M. Time series analysis forecasting and control[M]. 2nd ed. San Francisco， CA： HoldenDay， 1976.

[9]

KASABOV N K， SONG Q. DENFIS： Dynamic evolving neuralfuzzy inference system and its application for timeseries prediction [J]. IEEE Transactions on Fuzzy Systems， 2002，10（2）： 144-154.

[10]

HATHAWAY R， BEZDEK J C. Switching regression model and fuzzy clustering[J].IEEE Transactions on Fuzzy Systems，1993，1（3）：195-204.

[11]

KIM E， PARK M， JI S， et al. A new approach to fuzzy modeling[J].IEEE Transactions on Fuzzy Systems， 1997，5（3）：328-337.

[12]

刘次华.随机过程[M].武汉：华中科技大学出版社，2008.

[13]

VALENZUELA O， ROJAS I， ROJAS F， et al.Hybridization of intelligent techniques and ARIMA models for time series prediction [J]. Fuzzy Sets and Systems， 2008， 159（7）：821-845.

[14]

李鸿吉.模糊数学基础及实用算法[M].北京：科学出版社，2005.

[15]

邵维亮，刘雄，景崇毅.基于模糊时间序列的机场旅客周转量预测 [J].科学技术与工程，2011，11（7）：1640-1643.

[16]

桂斌，黄立冬，周杰，等. 金融时间序列模糊边界预测研究 [J].小型微型计算机系统，2012，33（10）：2283-2286.

[17]

邢藏菊，王守觉，邓浩江，等.一种基于极值中值的新型滤波算法[J].中国图象图形学报， 2001，6（6）： 533-536.

[18]

AKAIKE H. A new look at the statistical model identification[J]. IEEE Transactions on Automatic Control， 1974， 19 （6）： 716-723.

[19]

易丹辉.数据分析与Eviews应用[M].北京：中国人民大学出版社，2008.

[20]

TANAKA H， ISHIBUCHI H. Identification of possibilistic linear systems by quatratic membership functions of fuzzy parameters [J]. Fuzzy Sets and Systems，1991，41（2）：145-160.