基于微正则算法和支持向量机的话务量预测

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (3): 105-106.

基于微正则算法和支持向量机的话务量预测

姚世红1，王涛1，贾振红1，覃锡忠1，常春2，王浩2

1.新疆大学信息科学与工程学院，乌鲁木齐 830046
2.中国移动新疆分公司，乌鲁木齐 830063

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2012-01-21 发布日期:2012-01-21

Algorithm of microcanonical—SVM based for forecasting traffic load

YAO Shihong1, WANG Tao1, JIA Zhenhong1, QIN Xizhong1, CHANG Chun2, WANG Hao2

1.Institute of Information Science and Engineering, Xinjiang University, Urumqi 830046, China
2.Xinjiang Mobile Communication Company, Urumqi 830063, China

Received:1900-01-01 Revised:1900-01-01 Online:2012-01-21 Published:2012-01-21

摘要/Abstract

摘要： 根据话务量数据的特征，首次提出了一种基于微正则退火算法和支持向量机的预测模型。支持向量机参数的选择影响其预测的能力，微正则退火算法而是通过在状态空间中随机行走的虚拟妖来实现参数的优化选择。实际的话务量数据验证表明，其搜索成功率远高于模拟退火算法，目标函数值下降更快，能在短时间内搜索到最优解，且预测精度高。

关键词: 话务量, 微正则退火, 支持向量机, 预测模型

Abstract: Basing on the speciality of traffic load in the paper, a traffic load forecasting model based on microcanonical annealing—Support Vector Machines（SVM） is proposed. Appropriate parameters are very crucial to SVM forecasting ability, the optimal parameters selection is achieved by random walks of demons in the state space of Microcanonical Annealing（MA） algorithm. The verification on the model with real traffic data shows that, this algorithm will offer better results with higher probability to hit the global optimum than Simulated Annealing（SA） algorithm, objective function value is also decreased faster, and has high precision.

Key words: traffic load, microcanonical annealing, Support Vector Machine（SVM）, forecasting model

姚世红1，王涛1，贾振红1，覃锡忠1，常春2，王浩2. 基于微正则算法和支持向量机的话务量预测[J]. 计算机工程与应用, 2012, 48(3): 105-106.

YAO Shihong1, WANG Tao1, JIA Zhenhong1, QIN Xizhong1, CHANG Chun2, WANG Hao2. Algorithm of microcanonical—SVM based for forecasting traffic load[J]. Computer Engineering and Applications, 2012, 48(3): 105-106.

[1]	高一锴，彭力，徐龙壮. 改进AFSA算法优化TWSVM的火焰识别方法[J]. 计算机工程与应用, 2021, 57(8): 204-213.
[2]	韩卫宇，程龙生. 结合马田系统-SVM的滚动轴承故障模式分类研究[J]. 计算机工程与应用, 2021, 57(6): 239-246.
[3]	雷恒林，古兰拜尔·吐尔洪，买日旦·吾守尔，张东梅. 新奇检测综述[J]. 计算机工程与应用, 2021, 57(5): 47-55.
[4]	温杰彬，杨文忠，马国祥，张志豪，李海磊. 基于Apex帧光流和卷积自编码器的微表情识别[J]. 计算机工程与应用, 2021, 57(4): 127-133.
[5]	李俊侠，张秦，郑桂妹. 超宽带雷达人体姿态识别综述[J]. 计算机工程与应用, 2021, 57(3): 14-23.
[6]	徐先峰，蔡路路，张丽. 融合MLP和DBN的光伏发电预测算法[J]. 计算机工程与应用, 2021, 57(3): 266-272.
[7]	陈富健，谢维信，夏婷. 基于LCT+的自适应抗遮挡目标跟踪算法[J]. 计算机工程与应用, 2021, 57(22): 190-198.
[8]	吴明慧，侯凌燕，王超. 面向预测的长短时神经网络记忆增强机制[J]. 计算机工程与应用, 2021, 57(21): 109-115.
[9]	杨泉. N1+N2结构语法关系判定的SVM算法[J]. 计算机工程与应用, 2021, 57(20): 104-108.
[10]	高晋，赵云芃，Godfred Kim Mensah，李欣芸，刘志芬，陈俊杰，郭浩. 静息态功能脑连接的空间动态分析及分类研究[J]. 计算机工程与应用, 2021, 57(2): 150-155.
[11]	秦博宇，郝晓燕，刘永芳. 基于SVM和CRF双层模型的FrameNet框架消歧[J]. 计算机工程与应用, 2021, 57(18): 255-262.
[12]	郑淋文，周金治，黄静. 深度稀疏自编码器在ECG特征提取中的应用[J]. 计算机工程与应用, 2021, 57(11): 156-161.
[13]	温廷新，孔祥博. 不平衡样本下的金融市场极端风险预警研究[J]. 计算机工程与应用, 2020, 56(8): 256-260.
[14]	陈菲雨，岳文斌，饶颖露，邢金昊，马晓静. 基于改进TLD算法的无人机自主精准降落[J]. 计算机工程与应用, 2020, 56(7): 247-254.
[15]	马玲，罗晓曙，蒋品群. 基于模板匹配和支持向量机的点阵字符识别研究[J]. 计算机工程与应用, 2020, 56(4): 134-139.