客服中心话务量预测方法对比分析

话务量是客服中心运营管理中的一个重要指标。此文尝试利用某通信运营商客服中心呼叫话务量的历史数据,选用多种方法进行建模和预测;通过与真实数据的校验分析表明,多项式拟合、指数平滑法和ARIMA模型的预测精度较高。基于此,提出了一种客服中心日话务量预测的方法流程,以期为话务量的合理预测提供参考。     

基于季节变动模型的话务量预测

针对长途话务量随季节变化的特点,采用基于季节变动模型的时间序列分析方法,对其进行了初步预测分析。     

一种基于Kalman的实时话务量预测算法

移动网话务量的预测可以为解决移动网的网络拥塞、覆盖规划、负载均衡和接入控制等方面的问题提供决策支持。日益复杂的移动网络环境对移动网话务量预测的实时性提出了新的要求,针对这一问题进行了研究,结合卡尔曼滤波算法在预测时效性方面的优点,提出了一种基于卡尔曼滤波的移动网实时话务量预测算。该算法通过对呼叫时延的实时预测实现对移动网实时话务量的预测。仿真结果表明,所提算法具有良好的实时性和预测质量。     

基于季节变动模型的话务量预测

针对长途话务量随季节变化的特点,采用基于季节变动模型的时间序列分析方法,对其进行了初步预测分析.     

基于回归方法的移动通信话务量预测

针对移动通信话务量与市场用户和相应资费政策相关的特点，采用回归预测方法，建立了基于市场用户数及每用户收入的话务量预测模型，并对模型进行了经济学意义上的检验。根据此模型，对话务量进行了初步的预测分析。     

适应频繁波动特点的移动话务量预测系统

移动通信话务量的时间序列具有较强的非线性和随机性,易受各种突发情况的影响。特别是在有频繁剧烈变动的情况下,很难用传统的预测方法进行预测。本文根据移动通信话务量的这一特点,采用分解及建模的方法,对话务量进行综合预测,经实践可以达到更好的效果。     

面向工程建设决策的移动话务量预测研究

随着通信网应用和规模的不断增加,新一代的网络建设规模对业务量的预测也提出了新的需求,其中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。文章旨在对移动网络中的话务量随时间或事件变化的特性进行分析研究,建立合理科学的话务模型,并采用综合的预测方法进行预测研究。从而辅助通信运营商实时把握用户的行为习惯和话务量的发展趋势,并进行合理决策和投资。     

基于小波变换的话务量预测

本文将小波变换应用到话务量的预测中,利用小波分解法将非平稳时间序列的GSM话音话务量分解为多个细节信号分量和逼近信号分量。对细节信号采用AR模型或者余弦逼近进行拟合建模,对逼近信号采用多项式拟合和AR模型相结合的方式建模。利用某运营商2009年1月~2013年7月每月的博彩日话音话务作为检验序列集,前50个月的数据用来建模拟合,最后5个月数据作为预测比较,发现拟合相关度为0.991,预测平均绝对误差为0.029,预测结果比单纯使用曲线拟合要好。     

基于SAS软件的城市电力需求ARIMA模型及预测

城市年度电能消耗数据既有随机成分,又有较明显的内在规律。科学预测城市电力需求,是一项重要的基础性工作,需要有一种较为简易又有足够精度的预测方法。从紧贴实际和易于检验出发,以常州市1995~2004年度的全社会用电量作为时间序列,用求和自回归移动平均(ARIMA)乘积模型建模,并做出1年期电能消耗预测。将预测结果和2005年1~12月的实际用电量进行对比,预测结果令人满意,表明该类模型可以用于城市电力需求中期预测。     

分段预测法在GSM网络无线话务量预测中的应用

移动通信话务量的变化不仅随用户发展、用户流动性和时间等用户行为的变化而变化.而且还受天气、集会等因素的影响,具有较强的非线性和随机性.本文的重点是分析话务量变化的内在规律,以传统的预测方法为基础,根据移动通信话务量自身特点,采用综合分析的方法对话务量进行分段预测,可以对GSM网络的话务量进行比较准确的预测.     

基于改进HMM模型的无线移动通信忙时话务量预测

为了改进传统HMM模型存在的过学习的问题,文章将ANN算法与HMM模型相结合,ANN算法具有很强的抗干扰性,也不存在过学习的问题,刚好弥补了HMM模型的缺陷。并将其运用到无线移动通信忙时话务量的预测中,而且首次将短信数据、用户数据等影响话务量的相关因素纳入考虑,结果表明:ANNHMM模型在综合考虑多种因素的情况下具有良好的预测效果。     

神经网络在移动话务量预测中的应用研究

如何准确及时地预测话务量,是目前移动通信运营商关注的焦点。神经网络具有自组织、自适应和自学习的能力,能较好地处理时间序列中的多因素、不确定性和非线性等问题。BP(Back-Propagation Network)网络是神经网络中最重要的算法。本文在BP网络的标准算法研究的基础上,针对日话务量突发性和随机性的特点,引入了一种改进的BP网络算法。实例分析表明,这种算法具有较高的预测精度。     

基于季节变动模型的话务量预测

本文针对长途话务量随季节变化的特点，从网管维护的角度，采用基于季节变动模型的时间序列分析方法，对其进行了初步预测分析。     

基于VMPSO-RBF神经网络的话务量预测

为了更快速、准确地预测话务量,提出了速度变异的粒子群算法（VMPSO）,并与RBF算法相结合,形成速度变异的粒子群—RBF（VMPSO-RBF）神经网络算法,并且来训练神经网络,从而优化了神经网络的参数,最后对移动话务量进行预测。与RBF神经网络方法和PSO-RBF神经网络方法相比较,该文提出的方法预测精度更高,收敛速...     

一种新的预测小区话务量的方法及在工程中的应用

GSM扇区(下称小区)的话务量在一天24小时内以及每周七天都有所不同,但都体现出一定规律。当每线话务量超过0.8爱尔兰(称为超忙)时,很容易出现用户起呼阻塞的情况。文章提出了一种新的话务量预测的方法,能够根据当前时段的OMC话务统计,实时预测间隔时段的小区话务量并判决是否超忙,从而给网络维护人员提供了一种提前处理超忙小区的依据,能够极大地疏导话务量,有效提高用户感知度。     

基于VMPSO-BP神经网络的话务量预测

为了更快速、准确地预测移动话务量,提出了速度变异的粒子群算法（VMPSO）,并与BP算法相结合,形成速度变异的粒子群—BP（VMPSO-BP）神经网络算法,用以训练神经网络,从而优化了神经网络的参数,最后对移动话务量进行预测。与传统BP神经网络方法和PSO-BP神经网络方法相比较,并且通过实验数据的分析以及对预测结果地比较,速度变异的粒子群—神经网络预测方法精度更高,收敛速度更快,从而更好地实现了对移动话务量地预测。     

基于ARIMA模型自动预测我国保险行业保费收入的应用和实践

本文采用ARJMA模型以我国财产险的保费收入的预测为例,对数据预处理、模型的选择、识别、估计、检验等过程进行了详细的分析,得出了预测结果报告,并描述了对我国产寿险的保费收入实现自动预测并得到结果报表的思路和方法。     

时间序列神经网络预测方法

本文从信息论的角度出发，讨论了利用神经网络理论构造时间序列预测模型的可能性和关键问题，并在此基础上提出３种时间序列神经网络预测方法，它们是：神经网络非线性时间序列模型，神经网络多维时间序列模型和神经网络组合预测模型。将上述模型应用于实例的结果表明，在非线性信息的处理能力和预测精度方面都有很大提高。进一步，对今后智能信息预测方法的发展方向进行了探讨，提出了智能信息预测系统的结构模型。     

基于季节指数趋势法预测10086话务量

研究了季节指数趋势法预测10086月平均话务量,以某省10086的历史话务数据为基础进行预测,并对比分析了预测结果与实际话务量。     

基于先验知识的移动通信话务量预测

本文提出了一种基于先验知识引导的极大重叠离散小波变换的移动通信话务量预测方法.采用傅里叶谱分析作为小波分解子成分先验知识降低小波分解的盲目性.利用具有明确物理意义且更易提取子层的极大重叠离散小波变换对话务量序列进行分解.分解后仍以傅里叶谱先验知识为参考,合并相关子层形成趋势项和周期项两部分,并采用季节性求和自回归滑动平...