2014年节假日忙时话务量预测：改进半监督SVR算法的精度提升

本文主要探讨了2014年针对移动通信运营商在节假日忙时话务量预测的改进半监督支持向量机(SVR)算法。传统的预测方法如ARIMA模型由于其线性假设，难以适应话务量序列的动态性和随机性，而BP神经网络虽然具有良好的非线性拟合能力，但收敛速度慢且容易陷入局部极值。相比之下，SVR以其理论优势和较强的鲁棒性，成为处理此类问题的理想选择。 然而，传统SVR作为监督学习方法，依赖于少量标记样本，可能导致学习不足且忽视了样本间的几何结构。为此，研究者提出了一个基于图形拉普拉斯算子的半监督SVR算法。图形拉普拉斯算子能够利用未标记样本的信息，考虑到样本间的空间关系，从而提升预测精度。然而，计算图形拉普拉斯矩阵的成本较高，因此文章引入了Nystrom替代算法，有效地减少了计算量，缩短了模型训练时间，实现了高精度和效率的平衡。 论文的研究对象是新疆大学信息科学与工程学院与中国移动通信集团新疆有限公司合作的项目，目标是通过改进的半监督SVR算法来提升节假日忙时话务量的预测性能。作者团队包括兰娇、覃锡忠、贾振红和陈丽，他们共同进行了实验验证，并展示了该算法在实际应用中的有效性和优势。 这篇论文的主要贡献在于提出了一种创新的半监督学习方法，通过结合图形拉普拉斯算子和Nystrom算法，解决了传统SVR在处理大量未标记数据时的不足，为移动通信运营商提供了更精确和高效的忙时话务量预测策略。这种方法不仅提高了预测的准确性，还降低了计算复杂度，对于提升通信网络的运营效率具有实际意义。