话务量预测模型(巴尔母表)
0.0010.0020.0050.0100.0200.0300.0500.0700.1000.200
10.0010.0020.0050.0100.0200.0310.0530.0750.1110.2501
20.0460.0650.1050.1530.2230.2820.3810.4700.5951.0002
30.1940.2490.3490.4550.6020.7150.8991.0571.2711.9303
40.4390.5350.7010.8691.0921.2591.5251.7482.0452.9454
50.7620.9001.1321.3611.6571.8752.2182.5042.8814.0105
61.1461.3251.6221.9092.2762.5432.9603.3053.7585.1096
71.5791.7982.1572.5012.9353.2503.7384.1394.6666.2307
82.0512.3112.7303.1283.6273.9874.5434.9995.5977.3698
92.5572.8553.3333.7834.3454.7485.3705.8796.4568.5229
103.0923.4273.9614.4615.0845.5296.2166.7767.5119.68510
113.6514.0224.6105.1605.8426.3287.0767.6878.48710.85711
124.2314.6375.2795.8766.6157.1417.9508.6109.47412.03612
134.8315.2705.9646.6077.4027.9678.8359.54310.47013.22213
145.4465.9196.6637.3528.2008.8039.73010.48511.47314.41314
156.0776.5827.7368.1089.0109.65010.63311.43412.48415.60815
166.7227.2588.1008.8759.82810.50511.54412.39013.50016.80716
177.37897.9468.8349.65210.65611.36812.46113.35314.52218.01017
188.0468.6449.57810.43711.49112.23813.38514.32115.54819.21618
198.7249.35110.33111.23012.33313.11514.31515.29416.57920.42419
209.41110.06811.09212.03113.18213.99715.24916.27117.63121.63520
2110.10810.79311.86012.83814.03614.88416.18917.25318.65122.84821
2210.81211.52512.63513.65114.89615.77817.13218.23819.69224.06422
2311.52412.26513.41614.47015.76116.67518.08019.22720.73725.28123
2412.24313.01114.20415.29516.63117.57719.03120.21921.78426.49924
2512.96913.76314.99716.12517.50518.48319.98521.21522.83327.72025
2613.70114.52215.79516.95918.38319.39220.94322.21223.88528.94126
2714.43915.28516.59817.79719.26520.30521.90423.21324.93930.16427
2815.18216.05417.40618.64020.15021.22122.87624.21625.99531.38828
2915.93016.82818.21819.48721.03922.14023.83325.22127.05332.61429
3016.68417.60619.03420.33731.93223.06224.80226.22828.11333.84030
3117.44218.38919.85421.19122.82723.98725.77327.23829.17435.06731
3218.20519.17620.67822.04823.72524.91426.74628.24930.23736.29532
3318.97219.96621.50522.90924.62625.84427.72129.26231.30137.52433
3419.74320.76122.33623.77225.52926.77628.69830.27732.36738.75434
3520.51727.55923.16924.63826.43527.71129.67731.29333.43439.98535
3621.29622.36124.00625.50727.34328.64730.65432.31134.50341.21636
3722.07823.16624.84626.37828.25429.58531.64033.33035.57242.44837
3822.86423.97425.68927.25229.16630.52632.62434.35136.64343.68038
3923.65224.78526.53428.12930.08131.46833.60935.37337.71544.91339
4024.44425.59927.38229.00730.09732.41234.59636.39638.78746.31540
4125.23926.41628.23229.88831.91633.35735.58437.42139.86147.38141巴 尔 母 表
nE
1-2000.001-0.2004226.03727.23529.08530.77132.83634.30536.57438.44640.93648.61642
4326.83728.05729.94031.65633.75835.25337.56539.47342.01149.85143
4427.46128.88230.79732.54334.68236.20338.55740.50143.08851.08644
4528.44729.70831.65633.43235.60737.15539.55041.52944.16552.32245
4629.25530.53832.51734.32236.53438.10840.00042.55945.24353.55946
4730.06631.36933.38135.25137.46239.06241.54043.59046.32254.79647
4830.87932.20334.24636.10938.39240.01842.53744.62147.40156.03348
4931.69433.30935.11337.00439.32340.97543.53445.65448.48157.27049
5032.51233.87635.98237.90140.25541.93244.53346.68749.56258.50850
5133.3334.7236.8538.8041.1942.8945.5347.7250.6459.7551
5234.1535.5637.7239.7042.1243.8546.5348.7651.7360.9852
5334.9836.4038.6040.6043.0644.8147.5349.7952.8162.2253
5435.8037.2539.4741.5044.0045.7848.5450.8353.8963.4654
5536.6338.0940.3542.4144.9446.7449.5451.8654.9863.4655
5637.4638.9441.2343.3145.8847.7050.5452.9056.0665.9456
5738.2939.7942.1144.2246.8248.6751.5553.9457.1467.1857
5839.1240.6442.9945.1347.7649.6352.5554.9858.2368.4258
5939.9641.5043.8746.0448.7050.6053.5656.0259.3269.6659
6040.7942.3544.7646.9549.6451.5754.5757.0660.4070.9060
6141.6343.1245.6447.8650.5952.5455.5758.1061.4972.1461
6242.4744.0746.5348.7751.5353.5156.5859.1462.5873.3862
6343.3144.9347.4249.6952.4854.4857.7960.1863.6674.6363
6444.1645.7948.3050.6053.4355.4558.6061.2264.7575.8764
6545.0046.6549.1951.5254.3856.4259.6162.2765.8477.1165
6645.8447.5150.0952.4455.3357.3960.6263.3166.9378.3566
6746.6948.3850.9853.3556.2758.3761.6364.3568.0279.5967
6847.5449.2451.8754.2757.2359.3462.6465.4069.1180.8368
6948.3950.1152.7755.1958.1860.3263.6566.4470.2082.0869
7049.2450.9853.6656.1159.1361.2964.6767.4971.2983.3270
7150.0951.8554.5657.0360.0862.2765.6868.5372.3884.5671
7250.9452.7255.4657.9661.0463.2466.6969.5873.4785.8072
7351.8053.5956.3558.8861.9964.2267.7170.6274.5687.0573
7452.6554.4657.2559.8062.9465.2068.7271.6775.6588.2974
7553.5155.3458.1560.7363.9066.1869.7472.7276.7489.5375
7654.3756.2159.0561.6564.8667.1670.7573.7777.8390.7876
7755.2357.0959.9662.5865.8168.1471.7774.8178.9392.0277
7856.0957.9660.8663.5166.7769.1272.7975.8680.0293.2678
14.《话务量预测和排班机制》V2.0
贵阳12345市长（政府）热线管理流程 内部资料 注意保密
1 / 16
贵阳12345市长（政府）热线
话务量预测和排班机制（草拟）
版本更新记录表
版本 制作日期 创建人 审核人 说明
v.1.0 2018-01-02 卢小亮 李海波
v.2.0 2018-02-01 卢小亮 李海波
贵阳12345市长（政府）热线管理流程 内部资料 注意保密
2 / 16
目录
（一） 目标 ..................................................................................................................... 2
（二） 应用范围 .............................................................................................................. 3
（三） 具体内容 .............................................................................................................. 4
第一条 概述 ................................................................................................................................. 4
话务模型
摘要 基于中兴通讯的工程经验和研究成果。
针对宏蜂窝覆盖的不同区域业务特点。分别预测了网络发展中长期的可能的3G话务模型，并提供了相应的组网解决方案。
1、前言
相较于2G网络，3G网络最显著的特点就是除承载传统的语音业务外，能够提供种类繁多的数据业务。由于不同业务各自具有的特性会给系统带来不同的业务负荷，从而影响整个系统性能的评估；另一方面，移动通信系统工作于各种复杂的无线环境中，满足用户随时随地的自由接入、提供可靠的服务质量至关重要。在各种应用场景中，由于用户分布、对具体的业务需求不同，必须使用不同的模式来满足不同环境的应用需求，因此，建立科学适用的话务模型在3G无线网络规划中具有重要的意义。
由于WCDMA系统自干扰和软容量的特点，一般按照“一次规划、分布实施”的原则进行规划，因此本文的话务建模都是针对网络建设的中长期给出的。考虑到划分的简便性，文中把3G业务分为语音业务、可视电话业务和数据业务并以此建模。考虑到语音业务是3G最基本的业务，以下所介绍的各种场景的语音渗透率均为100%。
2、不同场景的3G话务模型
2.1 密集城区
密集城区是数据业务的重点发展区域，具有话务密集、业务速率要求高的特点。该地区建筑物的平均高度大于30m（10层以上）、平均楼距为10～20m。基站附近的建筑物以10～20层的居多，也有部分20层以上的，周边道路不太宽。
根据业务特点和人口分布，密集城区可以细分为一类地区和二类地区。
一类地区为城市内高级写字楼密集的地区，是所在经济区域内商务活动集中地，如上海的陆家嘴、南京路步行街等，人口密度通常高于50 000人／km2。该地区用户的移动通信需求很大，对数据业务的要求非常高，未来3G用户密度将大于15 000用户/km2，语音业务和可视电话业务的忙时每用户话务量分别为0.045Erl和4.5 mErl，数据业务的忙时每用户吞吐量为2.465kbit/s。
一种基于组呼的话务量模型
研究与探讨
责任编辑：左永君*******************362011年第18期收稿日期：2011-05-24【摘 要】为解决调度系统容量设计的难题，文章提出了一种以爱尔兰话务理论为基础的基于组呼的话务量模型，阐述了模型的原理与应用。该模型引入了组用户平均忙时话务量与归属组成员数量的概念，可以准确计算信道数量与终端数量的关系。【关键词】组呼 话务量 爱尔兰公式 归属组 TETRA
1 引言近年以TETRA为代表的数字集群网络全速发展，已占领国内主流市场。相对于覆盖预测、站点布局、频率规划等方面有成熟的理论和设计手段，调度网的容量设计一直没有有效的方法。1909年丹麦数学家A.K.Erlang（爱尔兰）提出著名的话务理论，其爱尔兰公式成功解决了电话线路的配置问题，成为电信工程师们广泛运用的工具。但是，电话系统是只有个呼呼叫的排队系统，而数字集群是以组呼呼叫为主要业务，包含个呼呼叫、电话转接、数据话务的调度系统。长期以来网络设计师简单地用爱尔兰公式计算专用集群系统的信道数量，误差极大，毫无实际意义。在无线通信专网领域，数字集群的建设成本和技术复杂度远远超过以往，必须采用科学的计算方法，得到精确的结果，配置准确的信道数量，才能保证投资经济合算，避免巨大浪费。因此，工程设计师们迫切需要一种新的针对专网组呼问题的计算方法。为解决上述难题，经过长期研究，在对公安专用无线调度系统大量统计数据进行计算分析的基础上，笔者提出了一种基于组呼的话务量模型。2 理论基础本模型的理论基础仍然是爱尔兰提出的话务量模型及爱尔兰公式。2.1 爱尔兰公式对于服从爱尔兰分布的系统，首先做如下假定：（1）系统的频道数n是有限的，而用户数M为∞（或M >> n）；（2）每次呼叫相互独立、互不相关，即呼叫具有随机性；（3）通话时长的概率分布服从指数规律，即F(t)=1-e-βt。当流入话务量为A时，系统全部n个信道同时被占用的概率即系统呼损率为：/!/!2/!101!2!!nnAnAnBnniAAAAiin==∑+++……+= （1）这就是电话工程中的第一爱尔兰公式，也称爱尔兰B公式。它以解析式的形式反映了系统呼损率B、信道数n和总话务量A三者的关系。
基于小波变换的话务量预测
基于小波变换的话务量预测
陈曦;姚震宇
【摘 要】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。%We apply the wavelet transform to forecast the traffi c
load in this thesis. The traffi c load time series are decomposed into several
detail signal and approximation signal by the wavelet decomposition. We
use AR model or the cosine approximation model to fit the detail signal,
and polynomial fitting and AR model to fi t the approximation signal.
Using the traffi c of gaming day as the test sequence which from Jan-2009
to Jul-2013, the fi rst 50 months of the data to model fi tting comparison,
the last 5months of data to forecast. We found the fi tting correlation
话务量计算分析方法
【转】
为适应社会对高速移动IP业务的需求，GSM标准组织发展了分组无线数据业务——GPRS，它不仅能在无线信道上提供9.05～171.2 kbit／s的可变速率，更实现了无线信道上数据分组传送，在现有电路交换网络中引入了分组网，为GSM运营者由仅提供话音业务向提供综合信息服务业务领域拓展提供了重要的网络平台，并为GSM网向第三代演进打下了基础。引入GPRS后的用M网在传统话音接入基础上，提供了分组数据的接入，对现有频谱下话音及数据等综合业务接入能力的分析有利于GPRS升级时综合考虑业务与网络的同步发展，从而为GPRS大规模应用的规划和设计提供合理的理论指导。
1 现有频谱下GSM话音频谱效率分析
GSM蜂窝系统的频谱效率定义为单位面积单位频带所能容纳的话务量或用户数，单位分别为Erl（km2·MHz），或户／（km2·MHz），它是衡量通信系统业务接入能力的重要指标。GSM蜂窝系统的频谱效率可表示为调制效率ηm。及多址效率ηMA的乘积即η=ηm×ηMA。其中，ηm=（B／Bc）／H／BNA＝H／BcNA，式中：B——系统可用的总带宽（MHz）；Bc——话音信道带宽或信道间隔（MHz）；H——每信道的话务量（Erl）；N——簇蜂窝内的小区个数；A——小区的面积km2）。
ηMA接入效率主要取决于业务信道及公共控制信道的比例，GSM可达到0.9。
（1）常规4×3频率复用方式
H为0.7Erl／TCH，Bc为0.025MHz，常规4×3小区复用下N取值为12，A在正六边形蜂窝结构小区面积为2.6R2／3，目前，城区基站间间距一般可达5mm，即D=5mm，可计算小区半径R＝D／3 ＝500／1.73＝289m。
根据上述取值，可计算GSM蜂窝系统的话音频谱效率：η=0.7×0.9／(0.025×12×2.6×0.5×0.5/3/3）=29.1Erl／（km2·MHz），以平均每用户忙时话务量取0.02Erl，则单位面积单位频带所能容纳的用户数为1454户／（km2·M比）。
电力呼叫中心话务温度相关预测模型的应用
电力呼叫中心话务温度相关预测模型的应用
摘要:针对电力呼叫中心的话务量受到天气影响较为显著的情况，综合考虑了当地气温、周规律、月规律、法定节假日、同期增长趋势等因素对话务量的影响，提出一种温度相关预测模型，数值试验证明这一模型应用于电力行业呼叫中心话务预测效果良好。
关键词:话务预测；电力行业；呼叫中心；温度相关预测模型
话务预测是呼叫中心坐席数安排的前提，呼叫中心可以针对不同的话务量安排对应的坐席，在满足呼叫中心优质服务水平的前提条件下，实现呼叫中心人力资源的最优配置。因此，如何能准确预测呼叫中心话务量是一个重要且亟待解决的问题。
针对电力呼叫中心话务量受天气影响较为明显的特点，提出了一种话务预测模型。对杭州地区的历史话务量及气象数据进行多维度的挖掘分析，通过数学模型进行初步预测，并根据预测准确率，分析预测偏差的原因，进而修正话务预测模型。该模型综合考虑了气温、周规律、月规律、法定节假日、同期增长趋势等因素对话务量的影响。
一、温度相关预测模型
1.1数据分析工具
数据分析工具有:
(1)相关系数，用以反映变量之间关系密切程度的统计指标;
(2)散点图，通过绘制1个变量对另1个变量的影响变化图示，说明2个变量之间的关系。如图1为日总话务量与最高气温的散点分布，图2为日总话务量和平均湿度的散点分布。
1.2数据相关性分析
根据数据分析工具，以某南方地区2014—2015年的日总话务量、最高气温、平均湿度为例，分析相关性。日总话务量和最高气温的总体相关系数为0.401，说明2个变量之间有中等程度的相关性。随着气温增高，话务量具有明显的上升趋势，最高气温在4~31°C时，最高气温和话务量之间关系不明显;在32°C之上时，最高气温和话务量呈正相关性。通过以上分析可知，最高气温对于电力呼叫中心话务量影响较大。
呼叫中心话务预测研究
呼叫中心话务预测研究
话务预测是客服中心现场运营管理中的第一个环节，也是最重要的一个环节。精准的话务预测能够提高人工座席利用率，降低人力成本，提前对未来运营做出预警，为提高服务水平奠定基础。目前，笔者所在客服中心的话务预测仍停留在基本的趋势分析层面，存在主观预测成分大、缺乏统一预测规则、预测周期短、不能与排班进行完全吻合等问题，无法达到人员利用最大化的目的。本文以建立稳定统一的预测模型为目的，在提高话务量预测准确度的同时延长预测周期，为合理排班打好基础。
呼叫中心的话务预测一般分为中长期预测、短期预测、时刻预测三个方面，文章根据不同周期的话务量特点，分别选取X12-ARIMA、ARIMA、BP神经网络模型，实现话务量的中长期、短期、时刻预测。
一、中长期预测
中长期预测主要进行月度、年度预测，为整体人员安排、培训计划、活动制定等提供参考，对月度、年度工作计划有重要价值。
X12-ARIMA模型介绍
月度话务量的描述分析 从近几年的月度话务数据可以看出每年3、7、8月为话务高峰月份，2、6、11、12月为低谷月份，话务量显示出明显的月度循环效应，同时呈现逐年下降趋势，月度及趋势规律性较明显，比较符合X12-ARIMA的模型特点。
X12-ARIMA模型建立及预测
PBC版的X-12-ARIMA季节调整软件能够对数据系列的季节因素、中国式节假日因素、趋势因素以及除此之外的其他因素进行同步分析。利用该软件，以我中心2011年1月至2015年5月的月度话务量为实验样本，经多次测试最终确定选择X12加法模型、ARIMA最符合我中心月度话务量特点，预测效果最佳。图2是利用X-12-ARIMA季节调整软件通过相关参数设置后对2015年6月至2016年5月的话务量预测情况，我中心2015年6月实际话务量为5422409，预测准确率为99.8%。由于X-12-ARIMA预测精准度会随着时间拖延而降低，所以需要及时更新数据。
基于决策树的呼叫中心分时段话务量预测模型
龙源期刊网
基于决策树的呼叫中心分时段话务量预测模型
作者：王三军 杨厚新 王向英
来源：《软件导刊》2017年第06期
摘要：为解决交通服务热线12328呼叫中心坐席安排难的问题，提高坐席人员工作效率，针对呼叫中心分时段话务量特性，提出了由预测分时段话务量占当日总话务量比例间接得出分时段话务量的思路，并以比例向量作为叶节点构建决策树模型。应用分类和回归树算法构建决策树时，考虑到分时段话务量样本间的相关性，引入马氏距离对算法中度量切分误差的方法进行改进。结合实际需求，对常用的误差衡量标准进行了修改，以更好地反映分时段话务量预测效果。实验证明，相比于直接预测分时段话务量，该方法预测误差降低了8%，提升了预测准确性。
关键词：呼叫中心；分时段话务量；分类和回归树算法；决策树；预测误差
DOIDOI：10.11907/rjdk.171968
中图分类号：TP319
文献标识码：A 文章编号：1672-7800（2017）006-0138-04
0 引言
为了畅通群众交通运输服务监督渠道，建立交通运输服务监督业务协同处理工作机制，提升交通运输行业科学决策水平，交通运输部自2013年开通全国服务监督电话，建设部、省、市三级联网运行的交通运输服务监督电话系统[1-2]。服务监督电话系统要达到提高服务监督质量、建立协同工作机制、提升科学决策水平的目的，必须实现呼叫中心坐席的科学安排。而话务量数据是坐席安排的关键依据，针对不同的话务量安排对应的坐席，使得在满足呼叫中心服务水平的前提下，实现人力资源最优配置。
话务量具有高度的非线性和时变特性[3]，传统的经验排班模式难以准确预知话务量大小，无法满足实际生产需求。话务量分析旨在对未来话务量进行预测，以此来合理分配资源，从而进行科学的呼叫中心坐席安排。因此准确有效的话务量预测，对交通运输服务监督电话系统建设有重要意义。
基于决策树的呼叫中心分时段话务量预测模型 2
第１６卷第６期 ２０１７年６月 软件导刊
Ｓｏｆｔｗａｒｅ Ｇｕｉｄｅ ＶＯ１．１６Ｎ０．６ Ｊｕｎ．２０１ ７
基于决策树的呼叫中心分时段话务量预测模型
王三军，杨厚新，王向英
（湖北省交通运输厅通信信息中心，湖北武汉４３００３０）
摘 要：为解决交通服务热线１２３２８呼叫中心坐席安排难的问题，提高坐席人员工作效率，针对呼叫中心分时段话务
量特性，提出了由预测分时段话务量占当日总话务量比例间接得出分时段话务量的思路，并以比例向量作为叶节点 构建决策树模型。应用分类和回归树算法构建决策树时，考虑到分时段话务量样本间的相关性，引入马氏距离对算
法中度量切分误差的方法进行改进。结合实际需求，对常用的误差衡量标准进行了修改，以更好地反映分时段话务 量预测效果。实验证日月，相比于直接预测分时段话务量，该方法预测误差降低了８ ，提升了预测准确性。
关键词：呼叫中心；分时段话务量；分类和回归树算法；决策树；预测误差
ＤＯＩ：１０．１１９０７／ｒｊｄｋ．１７１９６８
中图分类号：ＴＰ３１９ 文献标识码：Ａ 文章编号：１６７２－７８００（２０１７）００６—０１３８一Ｏ４
０ 引言
为了畅通群众交通运输服务监督渠道，建立交通运输
服务监督业务协同处理工作机制，提升交通运输行业科学
决策水平，交通运输部自２０１３年开通全国服务监督电话，
建设部、省、市三级联网运行的交通运输服务监督电话系
统 ］。服务监督电话系统要达到提高服务监督质量、建
立协同工作机制、提升科学决策水平的目的，必须实现呼
叫中心坐席的科学安排。而话务量数据是坐席安排的关
键依据，针对不同的话务量安排对应的坐席，使得在满足
呼叫中心服务水平的前提下，实现人力资源最优配置。
话务量具有高度的非线性和时变特性 ］，传统的经验排
班模式难以准确预知话务量大小，无法满足实际生产需求。
话务量分析旨在对未来话务量进行预测，以此来合理分配资
源，从而进行科学的呼叫中心坐席安排。因此准确有效的话
话务量分析和多种预测模型的比较研究
北京邮电大学
硕士学位论文
话务量分析和多种预测模型的比较研究
姓名：陈蓉
申请学位级别：硕士
专业：计算机应用技术
指导教师：宋俊德
20080320话务量分析和多种预测模型的比较研究
话务量分析和多种预测模型的比较研究
摘要
随着通信网应用和规模的不断增加，网络管理变得越来越重要，
新一代的网管系统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，围绕这一问题，本论文
重点对话务量分析进行研究，常用的预测模型有ＡＲＭＡ模型和ＢＰ
预测模型，然而ＡＲＭＡ预测模型预测速度慢、ＢＰ预测模型参数难以选择，因此本文提出了一种预测速度快、效果好的预测模型——
基于ＳＶＭ回归算法的预测模型。最后针对话务量的特性，提出了一
种基于ＳＶＭ多模型的预测模型，用于对工作日和周末话务量数据分别建立预测模型。
本论文主要贡献包括以下几个方面：１）设计了一种通用的话务量预测模型框架；２）基于ＭＡＴＬＡＢ实现了三种不同的预测模型，
包括两种常用的ＡＲＭＡ模型和ＢＰ预测模型，以及提出的基于ＳＶＭ
回归算法的预测模型；３）针对话务量的特性，提出了一种基于ＳＶＭ多模型的预测模型；４）详细比较了各种模型的性能，探讨了最优预
测模型的选择步骤。其具体过程如下：
首先，本论文研究了通信话务量的特性，探讨了话务量预测的意义并且调研了常用的话务量预测的方法。
其次，本论文介绍了多种预测模型的理论，ＡＲＭＡ模型将预测对
象随时间推移而形成的序列数据视为一个随机序列，并且用一定的
数学模型来近似描述这个序列；ＢＰ神经网络通过多层的神经网络近似模拟一个连续的非线性函数来预测话务量；ＳＶＭ回归模型则是首先
获得一系列的支持向量，然后通过二次优化逼近一个非线性函数来
预测话务量。基于预测模型的理论分析，本论文给出了话务量预测模型的设
计框架，并且详细描述了实现三种预测模型的过程：包括常用的
ＡＲＭＡ模型、ＢＰ神经网络和提出的ＳＶＭ回归模型。针对话务量的话务量分析和多种预测模型的比较研究