基于神经网络的话务量预测
如何利用神经网络进行预测分析(五)
神经网络（Neural Network）是一种模仿人脑神经元之间相互连接的方式来进行信息处理的数学模型。
它的主要特点是可以通过学习获取知识，然后利用所获得的知识来进行预测分析。
神经网络已经被广泛应用于图像识别、自然语言处理、金融预测等领域，本文将探讨如何利用神经网络进行预测分析。
一、数据准备在利用神经网络进行预测分析之前，首先需要准备好数据。
数据是神经网络进行预测的基础，好的数据质量决定了预测结果的准确性。
数据的准备包括数据的收集、清洗、特征提取等过程。
在数据收集阶段，需要收集和整理与预测分析相关的数据，包括历史数据、实时数据等。
在数据清洗阶段，需要对数据进行去重、去噪、填充缺失值等操作，以确保数据的完整性和准确性。
在特征提取阶段，需要根据预测分析的目标，提取与目标相关的特征，以便神经网络能够更好地学习和预测。
二、神经网络模型选择在数据准备工作完成之后，需要选择合适的神经网络模型来进行预测分析。
神经网络模型的选择一般基于预测分析的任务和数据的特征。
常见的神经网络模型包括多层感知机（MLP）、卷积神经网络（CNN）、循环神经网络（RNN）等。
对于不同的预测分析任务，选择合适的神经网络模型是至关重要的。
例如，对于时间序列预测任务，循环神经网络是一个比较合适的选择，而对于图像识别任务，卷积神经网络则是一个比较合适的选择。
三、神经网络训练选择好神经网络模型之后，需要对神经网络进行训练。
神经网络的训练主要包括权重初始化、损失函数选择、优化器选择、训练数据划分等过程。
在神经网络训练的过程中，需要选择合适的损失函数来衡量预测结果与真实值之间的差异，并选择合适的优化器来更新神经网络的权重，使得损失函数尽可能小。
同时，需要将数据划分为训练集、验证集和测试集，以便在训练过程中进行模型的评估和选择。
四、模型评估与调参在神经网络训练完成之后，需要对模型进行评估和调参。
模型评估的指标包括准确率、精确率、召回率等，根据不同的预测分析任务选择合适的评估指标。
如何利用神经网络进行预测分析(四)
神经网络预测分析是一种利用人工神经网络模型来对现象进行预测和分析的方法。
神经网络在模式识别、数据挖掘、预测分析等领域应用广泛，具有很好的灵活性和适应性。
本文将深入探讨如何利用神经网络进行预测分析，包括神经网络的基本结构、训练方法以及在预测分析中的应用。
神经网络是一种模仿人脑神经元网络结构的数学模型，它由大量的人工神经元以及它们之间的连接组成。
神经网络可以通过学习和训练来适应不同的输入输出关系，从而实现对复杂问题的预测和分析。
神经网络的基本结构包括输入层、隐藏层和输出层，其中隐藏层可以有多层，每一层包含多个神经元。
神经元之间的连接具有不同的权重，通过调整权重来实现对输入数据的处理和分析。
神经网络的训练方法包括监督学习和无监督学习。
在监督学习中，神经网络通过输入输出数据对模型进行训练，不断调整权重以使网络输出尽可能接近期望输出。
常用的监督学习算法包括反向传播算法、梯度下降算法等。
在无监督学习中，神经网络通过输入数据自行学习数据的结构和特征，常用的无监督学习算法包括自组织映射算法、玻尔兹曼机等。
在预测分析中，神经网络可以应用于许多不同的领域，如金融、医疗、天气预测等。
在金融领域，神经网络可以通过学习历史交易数据来预测股票价格的波动，帮助投资者制定交易策略。
在医疗领域，神经网络可以通过学习患者的临床数据来预测疾病的发展趋势，帮助医生进行诊断和治疗。
在天气预测中，神经网络可以通过学习气象数据来预测未来几天的天气情况，帮助人们做好出行准备。
神经网络在预测分析中的应用还可以扩展到更多的领域，如交通、生产、市场等。
在交通领域，神经网络可以通过学习交通流量数据来预测交通拥堵情况，帮助交通管理部门优化交通信号灯设置。
在生产领域，神经网络可以通过学习生产数据来预测设备的故障情况，帮助企业做好设备维护和维修。
在市场领域，神经网络可以通过学习市场数据来预测产品的需求量和价格趋势，帮助企业制定营销策略。
总之，神经网络预测分析是一种强大的工具，可以帮助人们预测未来的趋势和情况，指导决策和行动。
基于熵和神经网络的世界语言人数预测模型
基于熵和神经网络的世界语言人数预测模型1. 引言1.1 背景介绍语言是人类交流和沟通的重要工具，它不仅反映了一个国家或地区的文化、历史和传统，也是人类文明的重要组成部分。
在全球化的今天，随着信息技术和交通运输的发展，世界各地的人们之间的交流日益频繁，不同语言之间的交流也变得更加普遍和重要。
对世界各国语言人口数量的预测和研究具有重要的意义。
过去，人们通常通过调查和统计的方式来统计各国家的语言人口数量，但是由于工作量大、费时费力、成本高等问题，这种方法存在一定的局限性。
近年来，随着信息技术的发展，基于数据和算法的预测模型逐渐受到重视，并在各个领域得到广泛应用。
本文将结合熵和神经网络的方法，设计一个世界语言人数预测模型，以提高预测的准确性和效率。
希望通过本文的研究，可以为语言人口数量的预测和研究提供新的思路和方法。
1.2 研究意义随着全球化的不断发展和加速，语言对于人类社会的影响日益突出。
世界上存在着众多不同的语言，每种语言都承载着独特的文化和历史。
探究不同语言之间的共性和差异，了解语言演化的规律对于理解人类社会和文化的发展具有重要意义。
基于熵和神经网络的世界语言人数预测模型的建立，可以帮助我们更好地理解语言人口分布的规律性和趋势。
通过对不同语言的熵值进行分析，可以揭示语言的复杂性和多样性，为我们提供更深入的认识。
而神经网络在语言学中的应用，则能够帮助我们建立更准确的预测模型，从而更好地预测未来各种语言的人口变化。
这一研究对于促进跨文化交流、推动语言保护与传承、促进全球语言多样性的发展具有重要意义。
通过深入研究语言的发展规律和趋势，我们能够更好地保护和传承各种珍贵的语言资源，同时也可以为全球语言政策的制定提供科学依据。
本研究具有重要的理论价值和实践意义，将为语言学研究领域的发展提供新的思路和方法。
2. 正文2.1 熵的概念及应用熵是一种基本概念，源自于热力学领域，用来描述系统的无序程度或者混乱程度。
在信息论中，熵被用来衡量信息的不确定性，即信息的平均信息量。
如何利用神经网络进行预测分析(八)
神经网络是一种模仿人脑神经元网络结构的人工智能技术，它可以学习和识别模式，做出预测和决策。
在预测分析方面，神经网络已经被广泛应用于金融、商业、医疗等领域，它可以帮助我们分析过去的数据，预测未来的趋势，提高决策的准确性。
本文将探讨如何利用神经网络进行预测分析，并介绍一些常用的方法和技巧。
### 数据的准备在利用神经网络进行预测分析之前，我们首先需要准备好数据。
数据的质量和数量对预测结果有着至关重要的影响。
在数据准备阶段，我们需要对数据进行清洗、去重和标准化处理，确保数据的准确性和一致性。
此外，还需要进行特征工程，选取合适的特征变量，剔除无关变量，提高模型的预测能力。
### 模型的选择在选择神经网络模型时，我们需要考虑到数据的特点和预测的要求。
常用的神经网络模型包括多层感知机（MLP）、循环神经网络（RNN）、长短期记忆网络（LSTM）等。
针对不同类型的数据和预测任务，我们可以选择合适的模型进行建模。
比如，对于时间序列数据的预测，可以选择RNN或LSTM模型，对于分类预测，可以选择MLP模型。
### 神经网络的训练在选择好模型之后，我们需要对模型进行训练，使其能够学习数据的模式和规律。
在训练过程中，我们需要选择合适的损失函数和优化器，并进行合理的参数调优。
此外，还需要对训练数据进行划分，一部分用于训练模型，一部分用于验证模型的性能。
通过不断地调整模型的参数和结构，我们可以提高模型的预测能力。
### 模型的评估和优化在训练好模型之后，我们需要对模型进行评估和优化。
针对不同的预测任务，我们可以选择合适的评估指标，比如均方误差（MSE）、准确率、召回率等。
通过对模型的评估，我们可以了解模型的预测性能，发现模型存在的问题和不足之处。
在评估的基础上，我们可以对模型进行进一步的优化，比如调整模型的结构、改进特征工程、增加数据量等，以提高模型的预测能力。
### 实时预测与应用利用神经网络进行预测分析不仅可以对历史数据进行分析和预测，还可以实现实时的预测和应用。
神经网络预测的原理及应用
神经网络预测的原理及应用神经网络预测的原理神经网络是一种模仿人类大脑神经元之间连接方式和工作原理的数学模型。
神经网络通过多层的神经元之间相互连接来模拟输入与输出之间的关系，并通过训练过程来调整连接权重，从而实现数据的预测。
神经网络预测的原理包括以下几个关键步骤：1. 数据准备首先，需要准备好用于训练神经网络的数据集。
数据集应包含输入数据和对应的标签或输出数据。
对于监督学习问题，输入数据和输出数据要有明确的对应关系。
2. 网络结构设计设计适当的神经网络结构是预测的重要步骤。
神经网络由多个层次组成，包括输入层、隐藏层和输出层。
输入层接收原始数据，隐藏层进行中间处理，输出层产生预测结果。
3. 前向传播在前向传播阶段，输入数据从输入层开始，通过隐藏层逐渐传递到输出层。
在每个神经元中，输入数据经过加权和激活函数的处理，并传递给下一层的神经元。
4. 损失函数计算预测的结果需要和实际标签进行比较，以计算预测误差。
常用的损失函数包括均方误差、交叉熵等。
5. 反向传播通过反向传播算法，神经网络根据损失函数的结果，逐层计算各个神经元的梯度，并利用梯度下降法来更新网络中的权重和偏置，使得预测结果逐渐接近实际标签。
6. 优化算法选择选择合适的优化算法对神经网络进行训练可以加快收敛速度和提高预测准确率。
常见的优化算法有梯度下降、Adam、RMSprop等。
7. 模型评估在训练完成后，需要对模型进行评估，以验证其在未知数据上的预测能力。
常用的评估指标包括准确率、召回率、F1值等。
神经网络预测的应用神经网络预测在各个领域都有广泛的应用，以下列举几个常见的应用场景：1. 图像识别神经网络在图像识别方面有着广泛应用。
通过对大量的图像数据进行训练，神经网络可以学习到图像的特征，实现对图像中物体的自动识别和分类。
2. 自然语言处理神经网络在自然语言处理方面的应用也十分重要。
通过处理文本数据，神经网络可以实现语义分析、情感分析、机器翻译等任务，为人们提供更智能的语言交互体验。
利用神经网络方法预测人群拥挤度
利用神经网络方法预测人群拥挤度随着城市化的加速和人口的增长，人们越来越关注人群拥挤度。
在公共场所，如地铁站、火车站、机场、商场、景区等人流量较大的场所，一旦出现人群拥挤、拥堵，就会对安全和交通秩序产生影响，严重时甚至会引发事故。
因此，预测人群拥挤度成为了一项重要的研究课题。
传统的人群预测方法主要采用数学模型，如线性回归、SVM、决策树等，这些方法在一定程度上可以满足预测的需求，但是随着数据量的增加，传统方法的预测精度和准确性会逐渐下降。
因此，近年来神经网络方法逐渐成为人群预测的主流技术，特别是深度学习在这一领域的应用越发广泛。
神经网络方法在人群预测中的应用神经网络方法是一种基于神经元之间相互连接的学习算法，通过调整权重和偏置等参数，模拟大脑的神经网络进行学习和预测。
在人群预测中，神经网络方法可以通过输入历史数据预测未来的人群数量和拥挤度，具有精度高、泛化能力强、自适应能力好等优点。
神经网络方法中，卷积神经网络（CNN）和循环神经网络（RNN）是常用的模型。
CNN由于其特有的卷积操作，可以对图像和序列数据进行有效的特征提取和分类，因此在人群图像中用于人群分析的效果很好。
而RNN则可以对时间序列信号建模，能够有效地建模人群的时间序列特征，对于人群数量预测和拥挤度预测应用较为广泛。
在具体的场景中，比如地铁站人群预测，可以通过监控摄像头采集人群图像，并提取人群的位置、数量、密度等特征作为训练集，然后根据历史数据对模型进行训练，再根据新的场景数据进行预测。
在商场或景区等人流量较大的场所，可以通过WiFi探针收集人群的移动轨迹、密度、位置等数据，并建立时空人群流模型，用于预测未来人群的流向和拥挤度。
人群预测的应用案例人群预测的应用越来越广泛，不同场景下的预测模型和算法也各自有着不同的优势和局限性。
下面介绍人群预测在一些实际应用中的案例。
地铁站人群预测：地铁站是城市中人流量较大的公共场所之一，拥挤和人群延误等问题也时常发生。
基于Elman神经网络的话务预测
基于Elman 神经网络的话务预测【摘要】文章采用Elman 神经网络对话务量预测建立模型，利用MATLAB 对一组实际话务量数据进行仿真分析，并与趋势外延法进行了精确性、稳健性和鲁棒性的对比，得出Elman 神经网络优于趋势外延法的结论。
【关键词】Elman 神经网络 趋势外延法 误差占比 稳健性 鲁棒性收稿日期：2012-02-071 引言业务预测是移动通信网工程设计的重要组成部分，是核心网、无线网建设方案的前提和基础，科学准确的业务预测对网络建设和扩容等是至关重要的。
通常业务预测包括业务类别的预测和业务量的预测，业务量的预测主要是预测业务容量（如话务量预测等）。
根据电信运营商的不同要求和建设工程的性质、规模与业务特点来确定未来一个时期内业务发展规律，即为业务预测。
业务预测是确定移动通信建设规模的重要依据，决定了工程建设的投资及建设投产后的经济效益。
它既要反映客观需要，也要考虑现实条件的可能性。
2 两种预测法分析目前常用的是趋势外延法，它是根据事物发展的历史资料和现实情况，从中寻找发展规律，以单位忙时发展数据为基本点，获得过去移动话务量的平均增长率，以此作为今后若干年的年增长率的主要参考值，得出预测话务量。
这种方法得出的预测结果稳健性、鲁棒性差，误差也较大。
Elman 神经网络则不同。
Elman 型神经网络一般分为四层：输入层、隐含层、承接层和输出层。
如图1[1]所示，连接权可以进行学习修正，反馈连接由一组“结构”单元构成，用来记忆前一时刻的输出值，其连接权值是固定的。
在这种网络中，除了普通的隐含层外，还有一个特别的隐含层，称为关联层，该层从隐含层接受反馈信号，每一个隐含层节点都有一个与之对应的关联层节点连接。
关联层的作用是通过连接记忆将上一个时刻的隐含层状态连同当前时刻的网络输入一起作为隐含层输入，即状态反馈。
隐含层的传递函数为Sigmoid 函数，输出层和关联层都为线性函数。
Elman 神经网络的特点是隐含层的输出通过承接层的延迟与存储，自联到隐含层的输入。
基于BP神经网络的电网通信业务需求量预测方法
基于BP神经网络的电网通信业务需求量预测方法摘要：改革后，由于我国社会的发展，经济水平的提升，带动了我国科学技术水平的进步。
现阶段，在开展配电网工作前，通常需要设计相应的配电方案，该方案主要根据电网通信业务需求量预测状况制定。
传统的电网通信业务需求量预测方法预测的业务量不准确，不符合现有的电网通信方案设计需求，因此基于BP神经网络设计了新的电网通信业务需求量预测方法。
首先，分析了电网通信业务需求相关因素；其次，辨识了电网需求预测异常数据；最后，基于BP神经网络构建了电网通信业务需求预测模型，从而实现了电网通信业务需求预测。
通过进行实验，结果表明设计的业务需求量预测方法的预测较为准确，有一定的应用价值，可以作为电网通信方案设计的参考。
关键词：BP神经网络；电网通信业务；需求量预测引言随着我国加快能源绿色低碳转型发展，新能源在电网装机中比例日益增大，对电网灵活性调节资源需求显著增长。
用户侧需求响应作为一种重要的灵活性调节资源，有助于缓解高峰电力供应紧张形势、提高新能源消纳能力，得到了越来越多的关注。
用户侧需求响应参与电网运行优化能够提高电网运行灵活性，提升新能源消纳能力。
考虑源荷不确定性的需求响应优化调度方法。
提出了考虑需求响应参与的综合能源系统优化调度模型。
考虑需求响应的多方共治决策机制。
以上研究表明用户侧需求响应能够实现源荷互动，有助于提升系统调峰能力。
为了充分调动用户参与需求响应的积极性，需求响应参与容量市场的机制设计问题，以引导用户培育需求响应能力，降低电源投资费用。
分时电价模式下的需求响应机制设计问题。
现货市场中用户侧需求响应参与的机制设计与出清模型问题，通过分时电价引导需求响应参与调度响应。
1标准BP神经网络BP神经网络是一种多层前馈神经网络，分为输入层-隐含层-输出层三层架构，如图1所示。
算法基本思想如下：首先将输入样本分为训练集、测试集，输入层接收训练集样本，通过隐含层、输出层两次映射输出预测值，将预测值与训练集真实值比较，计算误差不够精度，再将误差反向传播，通过梯度下降算法调节权值（ω）和阈值（b）。
基于神经网络的网络流行度预测方法探讨(十)
基于神经网络的网络流行度预测方法探讨随着互联网的普及和发展，网络已经成为人们获取信息、交流、娱乐的主要平台之一。
在如此庞大的网络世界中，如何预测不同内容的流行度成为了一个备受关注的问题。
基于神经网络的网络流行度预测方法应运而生，并逐渐成为一种主流的预测方法。
神经网络是一种模拟人脑结构和功能的计算模型，它由大量的神经元相互连接而成。
通过训练和学习数据，神经网络可以自动识别并提取数据中的特征，从而实现对复杂问题的预测和判断。
在网络流行度预测中，神经网络可以通过对历史数据的学习，发现影响网络流行的因素，并依据这些因素进行预测。
首先，我们需要收集大量的历史数据，包括文章、视频、图片等网络内容的点击量、分享量、评论量等信息。
然后，将这些数据输入给神经网络进行训练。
在训练过程中，神经网络会根据历史数据中的模式和规律，自动提取出影响网络流行度的特征，如内容主题、发布时间、受众特征等。
最终，通过将新的网络内容的特征输入给训练好的神经网络，可以得到对该内容流行度的预测结果。
然而，基于神经网络的网络流行度预测方法也面临一些挑战。
首先是数据的获取和处理。
要训练一个准确可靠的预测模型，需要大量的数据以及精细的数据清洗和处理工作。
此外，网络内容的流行度受到多种因素的影响，如推广手段、话题热度等，这些因素可能会导致预测结果的不准确性。
因此，在建立模型时，需要仔细选择和提取适合的特征，同时要结合其他因素进行综合分析。
另外，神经网络的训练过程也需要耗费大量的时间和计算资源。
网络流行度预测需要处理的数据量庞大，神经网络算法的计算复杂度很高，这对计算能力要求较高的设备和算法优化提出了要求。
虽然硬件技术发展迅速，但对于一些规模较小、运算能力有限的机构和个人而言，建立完备的神经网络预测模型可能仍然面临困难。
此外，基于神经网络的网络流行度预测方法还需要长期的迭代和更新。
网络世界的变化迅速，新的社交平台、移动应用、媒体形态不断出现，这些变化可能影响到预测模型的准确性。
话务量分析和多种预测模型的比较研究
ｍｏｄｅｌ．Ｈｏｗｅｖｅｒ，ｉｔ ｉＳ ｖｅｒｙ ｓｌｏｗ
ｔｏ
ＡＲＭＡ
ｍｏｄｅｌ ｔｏ ｐｒｅｄｉｃｔ ｔｈｅ
ｆｕｔｕｒｅ ｖａｌｕｅ，ｗｈｉｌｅ ｉｔ ｉｓ ｖｅｒｙ ｈａｒｄ ｔｏ ｆｉｔ ｔｈｅ ｏｐｔｉｍａｌ ｐａｒａｍｅｔｅｒｓ ｆｏｒ ＢＰ ｐｒｅｄｉｃｔｉｏｎ ｍｏｄｅｌ． Ｉｎ ｔｈｉｓ ｔｈｅｓｉｓ，ｔｈｅ ｍａｉｎ ｃｏｎｔｒｉｂｕｔｉｏｎｓ ｉｎｃｌｕｄｅ ｔｈｅ ｆｏｌｌｏｗｉｎｇ Ｄｅｓｉｇｎｉｎｇ
关键词：话务量分析，预测模型，ＡＲＭＡ模型，ＢＰ模型，ＳＶＭ模型
话务量分析和多种预测模型的比较研究
ＣＯＭＭＵＮＩＣＡＴＩＯＮ ＴＲＡＦＦＩＣ ＡＮＡＩ ｘＳＩＳ
ＷＩＴＨ
ＴＨＥ ＳＴＵＤＹ ＡＮＤ
ＣＯＭＰＡＲＩＳＯＮ ＯＦ
ＭＵｌ月ＩＰＬＥ ＰＲＥＤＩＣＴＩＯＮ ＭＯＤＥＬＳ
ＡＢＳＴＲＡＣＴ
Ｗｉｔｈ
ｔｈｅ ｉｎｃｒｅａｓｅ ｏｆ ｔｈｅ ａｐｐｌｉｃａｔｉｏｎｓ ａｎｄ ｓｉｚｅ ｏｆ ｔｈｅ ｃｏｍｍｕｎｉｃａｔｉｏｎ
ａ
ｐａｒｔｓ：１）．
ｇｅｎｅｒｉｃ ｃｏｍｍｕｎｉｃａｔｉｏｎ
ｔｒａｆｆｉｃ
ｆｏｒｅｃａｓｔｉｎｇ ｍｏｄｅｌ ｆｒａｍｅｗｏｒｋ；
２）．Ｉｍｐｌｅｍｅｎｔａｔｉｏｎ ｏｆ ｔｈｒｅｅ ｄｉｆｆｅｒｅｎｔ ｆｏｒｅｃａｓｔｉｎｇ ｍｏｄｅｌｓ，ｗｈｉｃｈ ａｒｅ ｔｗｏ ｃｏｍｍｏｎｌｙ ｕｓｅｄ ＡＲＭＡ ｍｏｄｅｌ ａｎｄ ＢＰ ｍｏｄｅｌ，ａｓ ｗｅｌｌ ａｓ ｏｕｒ ｐｒｏｐｏｓｅｄ ＳＶＭ—ｂａｓｅｄ
ＳＶＭ．ｂａｓｅｄ
ｅｒｒｏｒ
ｆｏｒｅｃａｓｔｉｎｇ ｍｏｄｅｌ ａｃｈｉｅｖｅｓ
ｔｈｅ ｍｉｎｉｍｕｍ ａｖｅｒａｇｅ
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
１ 引 言
近年来移动通信在我国迅速发展 ， 已经成为当今个人通信的主要方式 。随着移动通信话务量迅速增长及 网
络容量 的不 断扩 大 ， 话务 量预测 技术 的需求 就更 加急迫 ， 对 但实 际 当中 ， 务量 预测技 术发 展并 不理想 ， 话 对移动 通
第 ２ 卷第 ５ ３ 期
２０ ０ ８年 １ ０月
成
都
信
息
工 程
学
院
学 报
Ｖｏ． ３ Ｎｏ． １２ ５ Ｄｃ ．２ ０ ｔ ０８
Ｊ ＲＮ ＨＥ ＧＤ ＵＮＩ Ｒ Ｉ Ｙ Ｆ Ｉ Ｘ Ｒ ＯＵ ＡＬ ＯＦ Ｃ Ｎ Ｕ ＶＥ Ｓ Ｔ Ｏ ＮＦＯ ＭＡＴＩ Ｅ ＨＮＯＬ Ｙ ＯＮ Ｔ Ｃ ＯＧ
网络 ， 括输入 层 、 包 中间层 （ 隐层 ） 和输 出层 。上下 层之 间实 现 全连接 ， 每层 神 经元 之 间 无 连接 。 当一 对学 习样 而
本提供给网络后 ， 神经元的激活值从输入层经各 中间层 向输出层传播 ， 在输 出层的各神 经元获得网络 的输人响 应。接下来 ， 按照减少 目标输出与实际输出之间误差的方向， 从输出层反向经过各中间层 回到输入层 ， 从而逐层 修正各连接权值 ， Ｂ 算法。随着这种误差逆向的传播修正不断进行 ， 即 Ｐ 网络对输人模式 响应的正确率也不断上 升。Ｂ Ｐ网络的传递函数要求必须是可微的， 常用 的函数有 Ｓｇ ｏ 型对数、 ｉ ｉ ｍ ｄ 正切 函数或 线型函数。由于传递 函 数处 处 可微 ， 以对 于 Ｂ 所 Ｐ网络来 说 ， 方面 ， 一 所划 分 的区域不 再是 一个线 性 划分 ， 是 由 一个 非线 性 超平 面组 成 而 的区域 ， 它是 比较平 滑 的曲面 ， 因而 它的分类 比线 性划 分更 加 精确 ， 容错 性也 比线 性 划 分 更 好 ； 另一 方 面 ， 网络 可 以严格采用梯度下降法进行学习， 权值修正的解析式十分明确… 。
信运营商的网络建设及调整没有起到更为有效 的指导作用。目前实际应用到话务预测的算法主要是回归分析、 移动 平均 、 指数 平滑 等一些 传统算 法 ， 务量 发展 趋势 的预测 比较 准确 ， 对 于短期 话务 量 的周 期性变 化 ， 测 对话 但 预 较为粗糙 ， 对负荷的调整不能起到更好的指导作用。 话 务 量具有 高度 的非 线性和 时变特性 ， 的变 化受 多方 面影 响 ， 方 面 ， 务 量变 化 存 在着 由未知 不 确定 因 它 一 话 素引起的随机波动 ； 另一方面 ， 又具有周期变化的规律性 ， 同时由于受节假 日、 收费政策等情况影响， 又使话务量 变化 出现差异。而神经网络是由大量简单的基本元件——神经元相互连接， 通过模拟人 的大脑神经处理信息 的 方式 ， 进行信息并行处理和非线性转换的复杂网络系统。其具有通过学习逼近任意非线性映射的能力 ， 将其运用 于非线性的话务量短期预测是非常合适的。 在神经网络算法 中， 基于 Ｂ Ｐ算法的前馈网络是至今为止应用最为广泛的神经网络 ， 能够 以任意精度逼近任 何非线性 函数。Ｅｍａ 神经 网络是一种典型的回归神经网络 ， ｌ ｎ 比前向神经网络具有更强的计算能力 ， 具有适应时
一
个 具有 ｒ个 输入 和一个 隐含层 的神经 网络结构 如 图 １ 所示 。
收 稿 日期 ：０ ８０ —２ 修 订 日期 ：０ ８０ —４ ２ ０ —６１ ； ２ ０ ．７０
第 ５期
邓波 等 ： 于 神经 网络 的话务 量预 测 基
５９ ｌ
设其输入为 Ｐ， 输入神经元有 ｒ ， 个 隐含层内有 Ｓ 个神经元 ， １ 激活函数为 － ， 厂 输出层 内有 ２个神经元 ， ｌ 对应 的激 活 函数 为 ２ 输 出为 Ａ， 厂， 目标矢 量为 丁。 信 息正 向的传递 如下 ： 含层 中第 ｉ 隐 个神 经元 的输 出为 ：
的话 务量短期 预测是非 常合适的 。以青白江 ２ ０ ０ ５年 １ ０月的话 务量作 为预测对象 ， 出基于 Ｂ 提 Ｐ神 经网络和基 于 Ｅｍａ ｌ ｎ神经网络的活务量预测模 型， 仿真实验表 明两种 模型对于话 务量 的短 期预测均 是可行 有效 的。经过 比较 ， Ｅｍａ 神经网络训练速度 比 Ｂ ｌ ｎ Ｐ神经 网络快很多 ， 适用于实 际应用 。 更 关 键 词 ： Ｐ神经 网络 ； ｌ ｎ神 经网络 ； Ｂ Ｅｍａ 话务 量预 测； 预测模型
变特 性 的能力 ， 因此 二者 都非常适 合 于话务 量预测 。
２ Ｂ Ｐ神 经 网 络 、 ｌ ｎ神经 网络 的 网络模 型 Ｅｍａ
２１ Ｂ ． Ｐ神 经 网络 的构造 及算法 ，
Ｂ Ｐ网络的全称为 Ｂ ｃ—ｒｐｇｔ ｎ ｅ ｏ ， ａｋＰｏ ａａｉ ｔ ｒ 即反向传播 网络， ｏＮ ｗ ｋ 它在结构上类似于多层感知器 ， 是一种多层 前馈 神经 网络 。它利 用误 差反 向传播算 法对 网络进 行 训练 。Ｂ Ｐ网络 是一 种具 有 ３层 或 ３层 以上 神 经元 的神 经
ｄ ｆｌ ￣ ｗｌｐ ＋ｂ 厂 （ ｏｊ ｌ）
…
＝ ｌ， … ， ２， Ｓ１
输 出层 第 ｋ个 神经元 的输 出为 ：
ｄ ＝ （ Ｗ２ ２ ） 女 ｋ ＋６ 女 ｄ
．
ｉ ｌ ２， ， ２ ＝ ， … ｓ
定 义误 差 函数为 ：
Ｅ（ ， ： ∑（ 一以 ） ｗ Ｂ） 图１ 具有一个隐含层的神经网络 模型结构图
文 章编 号 ：ｌ７ —７ ２ ２ ０ ）５０ １ —４ ６ ｌｌ４ （０ ８ ０ ＋５８０
基 于 神 经 网 络 的话 务孙 涛 ， 张金 生， 王惠东
（ 四川 大学 电子信 息学 院 ，四川 成都 ６０ ６ １０ ４）
摘要 ： 话务量具有高度的非线性 和时变特性 ， 由于神经网络具有较强的非线性映 射等特性 ， 将其运用于非线性