在社会经济飞速发展的今天,数据预测有着广泛的应用前景,在各个行业发挥着越来越重要的作用。在通信企业,通信网络数据的采集、维护、分析、预测是日常而十分重要的工作,其话务量、CP负荷等指标数据的预测对于企业经营和维护具有十分重要的指导意义。本文研究的数据对象为某通信企业的网管数据,它记录运营商管辖范围内小区、乡、县、地市、省等各个级别的各种通信业务指标。预测部分通过挖掘历史数据内的未知知识预测未来的业务指标,从而为企业经营提供参考。目前,在数据预测领域,机器学习方法作为能够对任意未知的非线性函数关系进行精确拟合的手段,被广泛地研究和应用。然而,大量研究都集中于机器学习本身,倾向于机器学习算法技术层面的改进,没有完整地提出一套规范的、可行的时间序列预测方案、并在此方案的指导下建立起对现实确实有参考价值的预测模型。事实上,机器学习方法学习能力强,却并非为数据预测而提出,要直接用于数据预测则茫然。由于其本身不提供关于数据预测的任何理论依据,因此盲目地用它做数据预测,是不可能收到最好效果的。针对这样一种情况,我们研究预测业务的特点,一方面选择BP神经网络学习方法,研究如何针对预测业务的特点对它进行修改,研究如何将遗传算法与改进后的BP-L神经网络相结合,进行高精度的知识学习、知识发现工作;一方面,研究如何以这样的知识发现工具,在数据预测理论指导下进行完整、深入的时序分析与预测工作。在数据预测领域,时间序列分析方法对时间序列的本质、特性等做了广泛而深入的研究,构建了一套全面的理论,并提出了以ARMA自回归滑动平均模型等为核心的具体计算方法,其内容覆盖了数据预测的方方面