基于改进半监督SVR算法的忙时话务量预测

计算机工程与应用 ›› 2014, Vol. 50 ›› Issue (20): 211-214.

基于改进半监督SVR算法的忙时话务量预测

兰娇1，覃锡忠1，贾振红1，陈丽2

1.新疆大学信息科学与工程学院，乌鲁木齐 830046
2.中国移动通信集团新疆有限公司，乌鲁木齐 830046

出版日期:2014-10-15 发布日期:2014-10-28

Busy traffic forecasting based on improved semi supervised SVR algorithm

LAN Jiao1, QIN Xizhong1, JIA Zhenhong1, CHEN Li2

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

Online:2014-10-15 Published:2014-10-28

摘要/Abstract

摘要： 为了提高运营商节假日忙时话务量的预测精度，通过分析各节假日忙时话务量数据的特点，提出基于改进半监督支持向量机预测算法。该方法采用基于图形拉普拉斯算子的半监督学习算法来变形训练支持向量回归机的核矩阵。针对图形拉普拉斯算子计算量较大的问题，采用Nystrom算法对其进行优化。仿真结果表明，提出的算法有较好的泛化能力和较高的预测精度。

关键词: 节假日忙时话务预测, 支持向量回归机, 半监督学习, 图形拉普拉斯算子, Nystrom算法

Abstract: In order to improve the operator holidays busy traffic prediction accuracy, through analyzing the holidays busy traffic data characteristics, it puts forward the improved semi supervised SVR prediction algorithm. The method uses the semi supervised learning based on graph Laplacian to deform and train SVR kernel matrix. In allusion to graph Laplacian large amount of calculation, the Nystrom algorithm is proposed to optimize it. The simulation results show that the proposed algorithm has a good generalization ability and high prediction precision.

Key words: holidays busy traffic forecasting, Support Vector Regression（SVR） machine, semi supervised learning, graph Laplacian；Nystrom algorithm

兰娇1，覃锡忠1，贾振红1，陈丽2. 基于改进半监督SVR算法的忙时话务量预测[J]. 计算机工程与应用, 2014, 50(20): 211-214.

LAN Jiao1, QIN Xizhong1, JIA Zhenhong1, CHEN Li2. Busy traffic forecasting based on improved semi supervised SVR algorithm[J]. Computer Engineering and Applications, 2014, 50(20): 211-214.

[1]	马梦萍，杨志霞. 非对称ν-无核二次曲面支持向量回归机[J]. 计算机工程与应用, 2021, 57(7): 70-77.
[2]	邹承明，胡佑璞. 引入生成对抗网络的室外场景单目深度估计[J]. 计算机工程与应用, 2021, 57(6): 176-183.
[3]	张琳，汪廷华，周慧颖. 基于群智能算法的SVR参数优化研究进展[J]. 计算机工程与应用, 2021, 57(16): 50-64.
[4]	米源，唐恒亮. 基于图卷积网络的谣言鉴别研究[J]. 计算机工程与应用, 2021, 57(13): 161-167.
[5]	唐焕玲，刘艳红，郑涵，窦全胜，鲁明羽. 融合SLDA主题模型的不均衡文本分类方法[J]. 计算机工程与应用, 2021, 57(12): 144-154.
[6]	宋丽丽，李彬，赵俊雅，刘国峰. 正态重采样的改进行人再识别度量学习算法[J]. 计算机工程与应用, 2020, 56(8): 158-165.
[7]	韩嵩，韩秋弘. 半监督学习研究的述评[J]. 计算机工程与应用, 2020, 56(6): 19-27.
[8]	杨烁，刘兵，周勇. 基于稀疏编码的半监督低秩核学习算法[J]. 计算机工程与应用, 2019, 55(7): 175-181.
[9]	张璞1，柴变芳1，张静1，李文斌2. 半监督属性网络表示学习方法[J]. 计算机工程与应用, 2019, 55(12): 117-123.
[10]	王玉业，陈健美. 安全的半监督方法的协同过滤推荐算法[J]. 计算机工程与应用, 2018, 54(8): 107-111.
[11]	吴明胜，邓晓刚. 基于Tri-DE-ELM的半监督模式分类方法研究[J]. 计算机工程与应用, 2018, 54(3): 109-114.
[12]	卢月明1，王亮1，仇阿根1，张用川1，2，赵阳阳1. 基于半监督学习的克里金插值方法[J]. 计算机工程与应用, 2018, 54(22): 265-270.
[13]	陈玉琦1，雷刚1，姚明海2，易玉根1. 基于局部约束的自适应图标签传递方法[J]. 计算机工程与应用, 2018, 54(20): 14-19.
[14]	李村合，朱红波. 基于半监督学习的多示例多标记E-MIMLSVM+算法[J]. 计算机工程与应用, 2018, 54(2): 149-154.
[15]	陈娟1，朱福喜1，2. 结合半监督与主动学习的时间序列PU问题分类[J]. 计算机工程与应用, 2018, 54(11): 116-121.