聚类在话务量预测中的应用

本论文是一篇话务量类论文文献综述范文,关于聚类在话务量预测中的应用相关在职研究生毕业论文范文。免费优秀的关于话务量及样本及社会学方面论文范文资料,适合话务量论文写作的大学硕士及本科毕业论文开题报告范文和学术职称论文参考文献下载。

摘 要 介绍了聚类分析在话务量预测中样本数据预处理的应用,采用K-Means快速聚类分析方法对话务量的样本数据进行检测,剔除奇异样本,预测准确度有了明显改善,减小了奇异样本对预测准确度的影响.

关 键 词 聚类分析；话务量；预测

中图分类号TN91 文献标识码A 文章编号 1674-6708（2014）119-0220-01

0引言

聚类分析是把数据按照相似性归纳成若干类别,同一类中的数据彼此相似,不同类中的数据相异.聚类分析可以建立宏观的概念,发现数据的分布模式,以及可能的数据属性之间的相互关系.聚类分析在市场分析、医药卫生、社会学、经济学等众多领域得到了应用,本文探讨聚类分析的方法在移动通信网话务量预测中的应用.

1奇异样本检测及话务预测

在话务预测的实践中,一般采集过往一段时期A口的月均系统忙时话务进行未来一定时期的预测分析,话务的增减趋势、周期波动等信息隐藏在大量的A口数据中,通常某些时段的数据偏离月均值较大,这与网络维护、数据采集、用户行为均有关系,我们称这些数据为奇异样本,奇异样本不能反应A口月均系统忙时话务量的实际走势,从而引起预测值产生偏差.通过采集某地区一年的日系统忙时话务量发现,不同月份中,A口日系统忙时话务量的离散程度不同,某些值偏离中心值较大.

使用聚类分析的方法,可以将每月的A口日系统忙时话务量进行样本分类,将每月的奇异点找到并剔除.本文采用K-Means聚类方法,对每月（28～31个样本点）逐一分为两类,将其中数目较小的类别（3个以下样本）作为奇异点剔除.下表为一月份31天的日系统忙时话务量分类结果,可以看出,1类样本2个（25号、26号）,2类样本29个,其中25、26号两天的数据被有效的分类出来,作为奇异点剔除.

依据上述方法将全年12个月的数据逐一分类,剔除奇异点.采用灰色预测的方法对月均系统忙时进行拟合,预测次年头三个月话务量,结果如下所示：在样本区间内,采用聚类分析剔除奇异点后的拟合程度优于剔除前（剔除后仅有4个点拟合值与实际值绝对差值大于剔除前）,在预测区间内,采用聚类分析剔除奇异点后,1、2月份的预测值更接近实际值.

2结论

采用聚类分析方法对话务量的样本数据进行检测,能够有效的区分出奇异样本,剔除异常样本后预测准确度有了明显改善,减小了奇异样本对预测准确度的影响.在话务分析大数据处理背景下,聚类分析能够快速有效的剔除奇异样本.