專利名稱：一種基于灰色系統模型神經網絡的vlr用戶數預測方法
技術領域：
本發明公開了新型電信業務預測法，特別是一種基于灰色系統模型神經網絡的 VLR用戶數預測方法。
背景技術：
電信業務預測是通信網絡分階段建設規劃的前提條件，同時也是規劃期內電信業務量和投資預估的必要條件之一。預測方法的選擇直接關系到預測結果的精確程度。傳統的預測方法很多，如趨勢外推法，成長曲線法等，但這些預測方法的預測結果會出現以下問題預測結果均為平滑的曲線，無法直觀描述出電信業務隨季節及其他外部環境引起的波動1、預測結果均為平滑的曲線，無法直觀描述出電信業務的波動性。2、預測結果對國家政策，市場策略等重要因素的變化反應不明顯。3、其他神經網絡算法易于陷入局部最優解。傳統電信預測包括1、中國專利《一種電信業務支撐系統服務器處理能力預測與規劃方法》，公告號CN101374076 ；2、中國專利《電信網絡中基于業務預測的交換電路的自動建立系統和方法》，公告號CN1887024。神經網絡模型已經廣泛的應用于各個行業的數據預測之中，例如1、中國專利《基于BP神經網絡的水體中葉綠素a濃度預測方法》，公告號CN101158674 ；2、中國專利《基于灰色RBF神經網絡的加速壽命試驗壽命預測方法》，公告號101576443 ；3、中國專利《基于神經網絡的污水泵站水位預測方法》，公告號CN101576443 ；4、中國專利《基于樣本動態組織與溫度補償的神經網絡短期電力負荷預測》，公告號CN101383023。
發明內容
發明目的本發明所要解決的技術問題是針對現有技術的不足，提供一種基于灰色系統模型神經網絡的VLR用戶數預測方法。本發明公開了一種基于灰色系統模型神經網絡的VLR用戶數預測方法，包括如下步驟(1)獲取一地區若干個月內的VLR用戶數以及電信業務中對VLR用戶數有影響的 5個指標，包括移動公司市場占有率、移動電話普及率、每月節假日天數、居民可支配收入及常駐人口數；除以上5個指標外，本發明還選取過CPI增長速度、郵電運輸總量、⑶P、恩格爾系數等多個指標進行計算，經過大量運算發現以上5個指標的相關性最大，相關系數均達到90%以上。(2)建立灰色系統模型神經網絡；(3)對灰色系統模型神經網絡進行訓練和測試；(4)利用通過測試的灰色系統模型神經網絡來預測一地市的VLR用戶數。本發明中，步驟⑴中包括對VLR用戶數以及5個指標的數據歸一化到0和1之間的歸一化過程。本發明中，所述灰色系統模型神經網絡包括四層，第一層有1個神經元，第二層有 1個神經元，第三層有6個神經元，第四層有1個神經元；第一層的神經元為月份序列，第二層的神經元為網絡參數初始值，第三層6個神經元為第一層月份序列中對應月份的VLR用戶數以及對應5個指標，第四層為輸出的預測的VLR用戶數。本發明中，第一層次中，對月份序列進行建模，將月份序列數據轉化為微分方程；本發明步驟⑵中灰色系統模型神經網絡的傳遞函數為累加的類指數函數。本發明中，步驟(3)，所述的對神經網絡進行訓練和測試是，將檢測數據分為兩部分，前70% 90%的月份數據用來訓練網絡，后10% 30%的月份數據用來檢驗網絡；對網絡反復訓練，當預測值與實際值間誤差小于0. 1時，停止訓練，開始預測。本發明中，所述的神經網絡的訓練是采用灰色系統算法進行訓練。本發明中，在步驟中，利用通過訓練的神經網絡進行預測時，先將檢測數據歸一化到0和+1之間再進行輸入，并將網絡運算后的輸出值進行反歸一化后得到VLR用戶數的預測值。本發明以部分信息已知(移動公司市場占有率、移動電話普及率、每月節假日天數、居民可支配收入及常駐人口數這5個已知的和VLR用戶數相關性最高的因素)、部分信息未知(VLR用戶數)的不確定系統為處理對象，通過對“部分”已知信息的生成、開發，挖掘出有價值的信息，實現對系統未知信息運行行為、演化規律的正確描述和有效預測。本發明中首先針對時間序列建立灰色模型，將時間序列數據轉化為微分方程，利用移動公司市場占有率、移動電話普及率、每月節假日天數、居民可支配收入、常駐人口數及VLR用戶數信息，使抽象的模型量化，最后將量化后的方程映射到一個擴展的神經網絡中，進而可以在缺乏系統特性知識的情況下預測系統輸出。有益效果本發明能夠在已知信息少，缺乏部分系統特性知識的情況下準確、快速的預測電信業務量，并且能夠很好的反映電信業務量的隨人口流動等因素變化而出現的波動性。本發明第一次采用技術手段，使用全自動非人工方法對電信VLR用戶數進行有效預測，突破傳統人工預測精度低速度慢的缺陷，本發明預測精確度高，可以有效為后期的電信使用情況進行軟硬件對應性調整，提高了預測水平和應對能力。
下面結合附圖和具體實施方式
對本發明做更進一步的具體說明，本發明的上述和 /或其他方面的優點將會變得更加清楚。圖1為本發明的神經網絡結構圖。圖2為本發明與實際值對比圖。
具體實施例方式下面結合實施例對本發明的基于灰色系統模型神經網絡的VLR用戶數預測方法做出詳細說明。
如圖1所示，本發明的基于灰色系統模型神經網絡的VLR用戶數預測方法，包括如下步驟(1)獲取某地市 3 年(36 個月)的 VLR( (Visitor Location Register)拜訪位置寄存器)用戶數作為基礎檢測數據。本發明的實施例中獲取對VLR用戶數有影響的其他因素是每個月該地市移動公司市場占有率、移動電話普及率、每月節假日天數、居民可支配收入及該地市常駐人口數， 以上數據可以從年鑒及運營商市場統計數據表中獲取。在將數據輸入矩陣A時，必須先將VLR用戶數及對其有影響的5個相關社會、經濟指標數值歸一化到O和+1之間。該矩陣的第1列到第6列分別為歸一化處理后的每個月該地市移動公司市場占有率、移動電話普及率、每月節假日天數、居民可支配收入及該地市常駐人口數及VLR用戶數。(2)建立灰色系統神經網絡。所述的神經網絡由四層組成，其中，第一層有1個神經元，第二層有1個神經元，第三層有6個神經元，第四層有1個神經元；第一層的神經元為月份序列，第二層的神經元為網絡參數初始值，本實施例選取0. 3+1/4 π，第三層6個神經元為第一層月份序列中對應月份的VLR用戶數以及對應5個指標，第四層為輸出的預測電信業務量。所述第三層的神經元的數值先進行歸一化處理，然后通過針對時間序列的建模，直接將相應數據轉化為微分
方程，即:^+ayi=biy2+...+bn.iyn (y2，y3，· · ·，yn為系統輸入參數；yl為系統輸出參數；a, at
bl，b2，. . . bn-1為微分方程系數)。將上式映射到一個擴展的神經網絡中，就得到η個輸入參數，1個輸出參數的灰色神經網絡，網絡結構如圖1所示。本實施例中灰色系統模型神經網絡的傳遞函數采用累加的類指數函數，該函數為Z(t)= YjXt(Q) (Xt (η) -u(n)/a) ea+u(n)/ a ；
t=l其中，Xt (η)為y(l)，H2)，. . .，y(n)的累加值，t為時間段長度，u為，;
a(3)對神經網絡進行訓練和測試。所述的對神經網絡進行訓練和測試是，將連續36個月中每個月該地市移動公司市場占有率，該地市移動電話普及率，節假日因素，該地市居民可支配收入，該地市常駐人口數及該月份的VLR用戶數記為一組數據，并將所有檢測數據分為兩部分，前30個月稱為訓練樣本，后6個月稱為檢驗樣本。將前30個月的訓練樣本用來訓練網絡，建立學習機制，即當輸入某月的一組數據時，即給出該地市移動公司市場占有率，該地市移動電話普及率，節假日因素，該地市居民可支配收入，該地市常駐人口數及該月份的VLR用戶數是，神經網絡通過自動運算，會算出一個輸出值(下一個月的VLR用戶數)，比較輸出值與實際值之間的誤差，，若誤差小于指定精度，則學習結束。否則，調整根據誤差調整權值和閾值。學習的次數越多，預測的精度越高。經過網絡反復訓練，當誤差小于10%時，停止訓練，開始預測。將另外6個月的檢驗樣本用來檢驗網絡。當網絡訓練結束后，利用另外6個月的數據來檢驗網絡，看模型是否符合要求。利用神經網絡預測另外的6個月社會經濟指標所對應的VLR用戶數，對照模型預測值與實際測量值間的誤差，當神經網絡在各組測試數據
5的預測誤差均低于規定水平時即通過測試，可以用于預測工作。此時模型預測值與實際值間的誤差為5.6%，如圖2所示，遠低于10%的要求，通過測試。在進行訓練中，當神經網絡在各組測試數據的預測誤差均低于規定水平時即通過測試，可以用于預測工作。(4)利用通過測試的神經網絡進行預測。利用通過測試的神經網絡進行預測必須將輸入數據歸一化到0和-1之間，再輸入到通過測試的神經網絡中，并將網絡運算后的輸出進行反歸一化，就得到每個月的VLR用戶數的預測值。更具體地說，所述的灰色神經網絡的學習流程如下步驟1 根據訓練數據特征初始化網絡結構，初始化參數a、b(之前，選取了少量樣本進行初步計算，并根據經驗網絡初始值a分別選取了 π、1/4π、 0.3+1/4 π、0. 5+1/4 π進行循環交叉檢驗后發現網絡初始值選取a = 0. 3+1/4 π最接近實際值，網絡初始值bl = 0. 00075a)，并根據a，b的值計算U。(本發明令
lb\Ibl2bn-12bn, 、，， ， x x x ^ , x仏
——=U1,——=u2,…，-=Un.ι,——=un，bn = b(n-l)/(b(n-l)+a)),并將 u(n)，a,b 的
aaaa
值帶入累加的類指數函數Z (t)中；步驟2:通過累加的類指數函數Z(t)的值，計算網絡權值W21，W22，…W2n，W31， W32'…，W;3n。 (W11 = IW21 = -Y1(O)iW22 = UliW23 = U2i ."W2n = UlrfiW31=W32=^H=Wai = Z(t)(l+e_at))步驟3 對每一個輸入序列(t，y(t))，t = 1，2，3，…，N，計算每層輸出。第一層a= wnt第二層:b= f(wnt) = l/(l+e_wllt)第三層=C1 = bw21, C2 = y2(t)bw22, C3 = y3(t)bw23, ···, cn = yn(t)bw2n第四層d = W31C^W32C2+-+W3nCn-Θyl( Θ為第四層中輸出節點的閾值，計算公式為Θ = (l-e"at) (d-y1(0)))步驟4:計算網絡預測輸出與期望輸出的誤差，并根據誤差調整權值和閾值。第四層誤差δ=Cl-Y1 (t)第三層誤差S1= δ (l+3e_wllt)，δ 2 = δ (1+ ，…，δ n = δ (l+e^1")第二層誤差δn+1 = (1-1/ (l+e-wllt)) (w21 δ 1+w22 δ 2+…+w2n δ η) / (l+e-wllt)根據預測誤差調整權值。調整第二層到第三層的連接權值。W21 = -Y1 (0)，W22 = W22- μ ι δ *，..., W2n = w2n_ μ δ nb調整第一層到第二層的連接權值Wll = wn+at δ n+1調整閾值0=(l-e-Wllt)(W22y2(t)/2+W23y3(t)/2+...+W2nyn(t)/2-yi(O))步驟5 判斷訓練是否結束，若否，返回步驟3。先將網絡參數a設定初始值，計算次數設定為100次，然后輸入樣本進行學習。沒學習完一遍，都會比較樣本輸出結果與實際值之間的誤差，并記錄下每次的取值，直到計算 100次后取誤差最小的那次權值，若該權值下誤差小于指定精度則說明該預測方法達到要求，可以用來預測。 本發明提供了一種基于灰色系統模型神經網絡的VLR用戶數預測方法，具體實現該技術方案的方法和途徑很多，以上所述僅是本發明的優選實施方式，應當指出，對于本技術領域的普通技術人員來說，在不脫離本發明原理的前提下，還可以做出若干改進和潤飾， 這些改進和潤飾也應視為本發明的保護范圍。本實施例中未明確的各組成部分均可用現有技術加以實現。
權利要求
1.一種基于灰色系統模型神經網絡的VLR用戶數預測方法，其特征在于，包括如下步驟(1)獲取一地區若干個月內的VLR用戶數以及電信業務中對VLR用戶數有影響的5個指標，包括移動公司市場占有率、移動電話普及率、每月節假日天數、居民可支配收入及常駐人口數；(2)建立灰色系統模型神經網絡；(3)對灰色系統模型神經網絡進行訓練和測試；(4)利用通過測試的灰色系統模型神經網絡來預測一地市的VLR用戶數。
2.根據權利要求1所述的一種基于灰色系統模型神經網絡的VLR用戶數預測方法，其特征在于，步驟(1)中包括對VLR用戶數以及5個指標的數據歸一化到0和1之間的歸一化過程。
3.根據權利要求1所述的一種基于灰色系統模型神經網絡的VLR用戶數預測方法，其特征在于，所述灰色系統模型神經網絡包括四層，第一層有1個神經元，第二層有1個神經元，第三層有6個神經元，第四層有1個神經元；第一層的神經元為月份序列，第二層的神經元為網絡參數初始值，第三層6個神經元為第一層月份序列中對應月份的VLR用戶數以及對應5個指標，第四層為輸出的預測的VLR 用戶數。
4.根據權利要求3所述的一種基于灰色系統模型神經網絡的VLR用戶數預測方法，其特征在于，第一層次中，對月份序列進行建模，將月份序列數據轉化為微分方程；灰色系統模型神經網絡的傳遞函數使用累加的指數函數。
5.根據權利要求1所述的一種基于灰色系統模型神經網絡的VLR用戶數預測方法， 其特征在于，步驟C3)，所述的對神經網絡進行訓練和測試是，將檢測數據分為兩部分，前 70% 90%的月份數據用來訓練網絡，后10% 30%的月份數據用來檢驗網絡；對網絡反復訓練，當預測值與實際值間誤差小于0. 1時，停止訓練，開始預測。
6.根據權利要求1或5所述的一種基于灰色系統模型神經網絡的VLR用戶數預測方法，其特征在于，所述的神經網絡的訓練是采用灰色系統算法進行訓練。
7.根據權利要求1或5所述的一種基于灰色系統模型神經網絡的VLR用戶數預測方法，其特征在于，在步驟⑷中，利用通過訓練的神經網絡進行預測時，先將檢測數據歸一化到0和+1之間再進行輸入，并將網絡運算后的輸出值進行反歸一化后得到VLR用戶數的預測值。
全文摘要
本發明公開了一種基于灰色系統模型神經網絡的VLR用戶數預測方法，包括如下步驟獲取一地區若干個月內的VLR用戶數以及電信業務中對VLR用戶數有影響的5個指標，包括移動公司市場占有率、移動電話普及率、每月節假日天數、居民可支配收入及常駐人口數；建立灰色系統模型神經網絡；對灰色系統模型神經網絡進行訓練和測試；利用通過測試的灰色系統模型神經網絡來預測一地市的VLR用戶數。本發明能夠在已知信息少，缺乏部分系統特性知識的情況下準確、快速的預測電信業務量，并且能夠很好的反映電信業務量的隨人口流動等因素變化而出現的波動性。
文檔編號H04W16/22GK102395135SQ20111032875
公開日2012年3月28日 申請日期2011年10月25日 優先權日2011年10月25日
發明者江政輝, 盛利, 袁欽, 趙晨, 趙超, 錢蕾 申請人:江蘇省郵電規劃設計院有限責任公司