任君明

（中國移動通信集團廣東有限公司江門分公司，江門 529000）

隨著4G網(wǎng)絡的快速發(fā)展，移動通信業(yè)務的形態(tài)、結(jié)構(gòu)和客戶行為逐步發(fā)生轉(zhuǎn)變，如何基于歷史話務數(shù)據(jù)對未來業(yè)務量進行準確預測，并以此指導網(wǎng)絡投資規(guī)劃、建設運營和市場營銷，這是目前運營商無線網(wǎng)絡規(guī)劃工作的一個重要研究課題。通過數(shù)據(jù)挖掘技術(shù)，建立科學的預測模型，能為話務預測帶來更高的精度，相比傳統(tǒng)粗放的曲線擬合、趨勢外推等預測方法更精準化，對運營商網(wǎng)絡精準規(guī)劃和市場精確營銷具有重要指導意義。

話務預測是依據(jù)話務量歷史數(shù)據(jù)和現(xiàn)有信息，建立恰當?shù)臄?shù)學模型對未來的話務量進行預測。話務預測按時間周期可分為短期、中期和長期預測；按業(yè)務類型可分為話音業(yè)務話務量預測和數(shù)據(jù)業(yè)務流量預測。話務預測流程包括數(shù)據(jù)收集、數(shù)據(jù)預處理、預測模型建立、預測誤差分析等步驟。

數(shù)據(jù)挖掘（Data Mining）是數(shù)據(jù)庫中的知識發(fā)現(xiàn)（Knowledge Discover in Database），基于大數(shù)據(jù)分析挖掘，從海量數(shù)據(jù)中揭示出隱含的有潛在價值的信息。數(shù)據(jù)挖掘通過遺傳算法、決策樹方法、模糊集方法和神經(jīng)網(wǎng)絡方法等，實現(xiàn)關聯(lián)分析、偏差檢測、聚類分析和趨勢及行為預測等功能。數(shù)據(jù)挖掘的基本過程主要有數(shù)據(jù)篩選、數(shù)據(jù)預處理、數(shù)據(jù)挖掘、數(shù)據(jù)分析與同化等步驟。

本文使用的主要建模工具：一是SPSS Statistics 19.0，用于話務統(tǒng)計數(shù)據(jù)的預處理，以及回歸分析模型、ARIMA時間序列模型的建模和分析；二是MATLAB 7.0，用于BP神經(jīng)網(wǎng)絡模型的建模和分析。

1 話務預測模型

本文選取某市2010～2013年每月晚忙時月均話務量統(tǒng)計數(shù)據(jù)，通過對2010～2012年話務量進行數(shù)據(jù)挖掘，分別建立回歸分析預測模型、BP神經(jīng)網(wǎng)絡預測模型以及ARIMA時間序列預測模型等3種預測模型，并以2013年的實際話務數(shù)據(jù)作為測試驗證，探析3種模型預測數(shù)據(jù)與實際話務數(shù)據(jù)之間的誤差。本文采用的主要原始數(shù)據(jù)如表1所示。

表1 某市2010～2013年月均晚忙時話務量數(shù)據(jù)表（單位：Erl)

1.1 回歸分析預測模型

回歸分析預測法是在分析自變量和因變量相關關系的基礎上，建立變量之間的回歸方程，并將回歸方程作為預測模型，根據(jù)自變量在預測期的數(shù)量變化來預測因變量。

使用SPSS Statistics軟件的回歸分析模塊，對2010年1月至2012年12月的月均忙時話務量數(shù)據(jù)進行回歸分析，從話務量分布圖來看，話務數(shù)據(jù)的變化趨勢并非呈線性變化，而是出現(xiàn)多個不同拐點，故選擇SPSS的“曲線估計”功能建立非線性回歸分析預測模型，將話務量作為因變量，將日期序列作為自變量。通過對比分析，采用指數(shù)函數(shù)曲線擬合度較高，對2013年1～12月的話務量變化趨勢進行預測，得出指數(shù)回歸分析預測模型：

y＝60049.571e0.008x

對回歸方程進行相關性檢驗：回歸方程的方差分析表明，F(xiàn)=121.326，顯著水平為0.000，相關系數(shù)R2為0.771，該模型具有一定的擬合程度。

1.2 BP神經(jīng)網(wǎng)絡預測模型

BP（Back Propagation）神經(jīng)網(wǎng)絡屬于多層前饋網(wǎng)絡，以誤差逆?zhèn)鞑ニ惴ㄟM行訓練，學習和存儲“輸入-輸出”模式映射關系，采用最快速下降法，通過反向傳播調(diào)整網(wǎng)絡權(quán)值，使誤差最小。BP神經(jīng)網(wǎng)絡模型包含輸入層、隱含層和輸出層。本研究應用MATLAB編寫代碼，對BP神經(jīng)網(wǎng)絡預測模型進行建模和仿真。

1.2.1 BP模型核心算法

（1）采用2010、2011年月均話務量為訓練集輸入數(shù)據(jù)，2012年月均話務量為訓練集輸出數(shù)據(jù)。

（2）使用newff（)函數(shù)創(chuàng)建BP神經(jīng)網(wǎng)絡，隱含層設置17個神經(jīng)元，輸出層為1個神經(jīng)元，隱含層的傳輸函數(shù)為tansig，輸出層的傳輸函數(shù)為purelin，訓練函數(shù)為traingdx，使用帶有動量項的自適應學習算法，網(wǎng)絡的權(quán)值學習函數(shù)為learngdm。相關核心代碼：net=newff（minmax（P),[17,1], {'tansig','purelin'},'traingdx','le arngdm')

（3）調(diào)用train（)函數(shù)進行訓練。

（4）將2011、2012年月均話務數(shù)據(jù)用作測試集。

（5）使用sim（)函數(shù)對2013年月均話務量進行仿真預測，輸出結(jié)果。

1.2.2 預測結(jié)果分析

通過建立BP神經(jīng)網(wǎng)絡模型并進行仿真預測，在進行201次迭代后，學習精度MSE就達到了0.004 814 2，達到低于0.005的目標，學習速度較快。BP神經(jīng)網(wǎng)絡模型對歷史話務數(shù)據(jù)、預測數(shù)據(jù)具有較好的擬合度，預測結(jié)果與實際值偏差不大，本模型中平均絕對百分誤差MAPE為2.99%，控制在5%以下，對于中短期話務預測，該預測模型和預測結(jié)果可用。

1.3 ARIMA時間序列預測模型

ARIMA模型為自回歸求和移動平均模型（Autoregressive Integrated Moving Average Model)，用數(shù)學模型描述預測對象隨時間產(chǎn)生的數(shù)據(jù)序列的變化規(guī)律和行為，模型考慮季節(jié)變動、隨機波動、趨勢變動和循環(huán)變動等綜合因素，識別后的模型能通過時間序列過去值以及現(xiàn)在值進行未來值的精確預測。

本研究運用SPSS Statistics建立ARIMA預測模型，應用“時間序列建模器”，設置因變量為“話務量”，選擇模型為“ARIMA模型”并考慮“季節(jié)”因素，將評估日期設置為2013年12個月，設定預測值變量為“P_預測值”，選擇要顯示的R方擬合度量和統(tǒng)計量等圖表，建立ARIMA模型：ARIMA（0,0,0)（1,1,0)。MAPE為1.71%，對2013年各月份話務量的預測誤差如表2所示。ARIMA時間序列預測模型對歷史話務數(shù)據(jù)具有非常好的擬合度，預測結(jié)果與實際值誤差小，預測精度高，對于中短期話務預測，該預測模型和預測結(jié)果可用。

表2 ARIMA模型預測誤差對比表

1.4 3種預測模型對比分析

1.4.1 誤差對比

3種模型預測值與實際值的對比如圖1所示，預測誤差MAPE對比如表3所示，由此可見，回歸分析模型平均絕對百分誤差MAPE最大，達到3.33%；BP神經(jīng)網(wǎng)絡模型預測誤差次之，為2.99%；ARIMA時間序列模型預測誤差最小，僅為1.71%，ARIMA模型擬合度和預測精度在3種預測模型中最高。

1.4.2 適用場景

在話務量預測精度要求不高的場景，回歸分析預測模型方便快捷，但其考慮的因素不夠全面細致，雖能一定程度擬合歷史數(shù)據(jù)并對未來數(shù)據(jù)做出預測，但誤差相對較大，不適用于預測精度要求較高的場景。

BP神經(jīng)網(wǎng)絡模型預測精度比回歸分析模型高一些，但BP模型也存在不足，對于隱含層神經(jīng)元數(shù)量的設置，需多次對比試驗才能確定較合適值，并且傳輸函數(shù)、訓練函數(shù)及相關參數(shù)的選取也需反復試驗對比，另外BP模型由于其固有特性，每次仿真運算后的預測結(jié)果都不盡相同，增加了研究難度和工作量。

相比之下，ARIMA時間序列預測模型在這3種模型中預測誤差最小，對于預測精度要求較高的場景最合適。ARIMA模型對歷史數(shù)據(jù)具有很高的擬合度，特別能精確反映數(shù)據(jù)變化的拐點和波動，并且模型還考慮了季節(jié)等因素，具有很高的預測精度，在移動通信行業(yè)話務量預測領域，具有較顯著的優(yōu)勢，值得進一步推廣應用。

表3 3種模型預測誤差MAPE對比表

圖1 3種模型預測值與實際值對比圖

2 智能話務預測管理平臺架構(gòu)

將話務預測模型實現(xiàn)信息化、自動化，能為話務預測管理工作帶來質(zhì)的飛躍。智能話務預測管理平臺面向運營商網(wǎng)絡運營、市場運營，以及網(wǎng)絡規(guī)劃、分析和優(yōu)化人員，提供網(wǎng)絡規(guī)劃管理、話務預測管理和市場營銷管理支撐等功能。系統(tǒng)從整體分成3層：數(shù)據(jù)倉庫、業(yè)務邏輯層和應用層。基于數(shù)據(jù)挖掘技術(shù)的智能話務預測管理平臺系統(tǒng)架構(gòu)如圖2所示。

圖2 智能話務預測管理平臺系統(tǒng)架構(gòu)圖

3 結(jié)語

本文主要結(jié)合數(shù)據(jù)挖掘技術(shù)，建立了回歸分析預測模型、ARIMA時間序列預測模型和BP神經(jīng)網(wǎng)絡預測模型，通過對比發(fā)現(xiàn)ARIMA時間序列模型的平均預測誤差最小，預測精度最高，值得運營商在話務預測工作中推廣應用。隨著移動互聯(lián)網(wǎng)以及4G業(yè)務的不斷豐富，話務量已不單單局限于傳統(tǒng)話音通話產(chǎn)生的業(yè)務量，手機上網(wǎng)等數(shù)據(jù)業(yè)務流量所占比重已日益加大，本研究提出的3種話務預測模型，同樣適用于數(shù)據(jù)業(yè)務流量的預測。本文還提出了基于數(shù)據(jù)挖掘技術(shù)的智能話務預測管理平臺架構(gòu)設想，為提升話務預測管理工作的高精度化、自動化、智能化和信息化提供了有價值的參考。