二阶马尔可夫模糊时间序列预测：提升通信网络性能的创新方法

本文研究主要聚焦于"基于二阶马尔可夫模型的模糊时间序列预测"这一主题，针对通信网络性能管理中普遍存在的问题，即如何有效处理通信网络复杂性和多样性的挑战，以及现有模糊时间序列模型在论域划分和模糊关系表示上的局限。一阶模糊关系往往难以全面捕捉序列特征，特别是等分法划分论域可能导致不合理的子集划分。为解决这些问题，作者提出了一种创新方法。 论文首先回顾了模糊时间序列预测模型的发展，自Song和Chissom在1993年首次提出后，该模型在经济领域得到广泛应用。例如，杜江等人使用模糊时间序列预测我国对外贸易的进口水平，而蔺玉佩等人通过模糊聚类和三阶四前件模糊关系改进了模型，提升了预测精度。然而，这些方法在模糊化过程中可能丢失部分信息，并未充分考虑匹配前件的程度。 为改进这些不足，研究者引入了二阶马尔可夫模型，这是一种考虑了过去两个状态影响的统计模型，能够更好地反映时间序列数据的依赖关系。论文构建了一个新的模糊时间序列预测框架，首先运用模糊C均值聚类算法确定序列元素的隶属度，然后通过二阶马尔可夫模型的转移概率矩阵来表示和更新模糊关系，这种方法可以更精确地反映数据之间的动态联系。在预测阶段，通过对待预测元素在各模糊簇的隶属度进行计算，结合重心法进行去模糊化，以保留更多的特征信息，并考虑了匹配前件的匹配程度。 具体应用实例中，作者将这个新模型应用于移动3G网络的性能预测，并与传统模糊时间序列预测方法进行了对比，结果显示，基于二阶马尔可夫模型的模糊时间序列预测在准确性方面有显著提升。这表明该方法对于复杂通信网络的性能预测具有更好的适应性和准确性，为网络性能管理提供了有力工具。 这篇论文的核心贡献在于提出了一种融合二阶马尔可夫模型和模糊时间序列预测的新方法，解决了现有模型在论域划分和关系表达上的问题，为通信网络性能预测带来了更高效、准确的解决方案。这项研究对于提升网络管理的智能化水平具有重要的理论价值和实际应用潜力。