随着移动通信业务的蓬勃发展,对话务量的预测需求也日益增加,高精度的多步预测方法可以为通信业务提供决策支持。结合移动话务量时间序列多步预测需求,针对经典时间序列模型预测方法对非平稳、多周期多尺度序列预测精度差的问题,本文采用小波方法进行预处理,并提出一种基于先验知识和极大重叠小波分解的话务量经典模型预测方法。本文首先介绍基于时间序列经典模型的预测方法,并结合其趋势和周期特性,利用黑龙江省移动话务量真实数据,讨论求和自回归滑动平均(ARIMA)模型、季节性ARIMA模型、乘积季节性ARIMA模型建模和预测中的相关问题。其次,介绍时间序列小波分析方法。详细介绍离散小波变换和极大重叠小波变换(MODWT)的基本原理和算法实现,以及小波分析过程中涉及的相关问题,例如小波基选择、分解层数选择、端点效应等。然后,详细阐述基于先验知识和极大重叠小波分解的话务量预测算法。最后,利用黑龙江省移动话务量真实数据进行试验并给出分析和讨论。对实际移动通信话务量数据的预测结果显示:采用本文方法实现的小波分解得到的子层物理意义明晰;对子层进行的精简整合较好地抑制了小波分解过程中引入的算法复杂度增加问题;子层整合后利用乘积季节ARIMA模型获得的预测精度优于乘积季节ARIMA模型预测方法和基于先验知识的小波分解加逐层预测方法;更为重要的是,新方法克服了离散小波变换时间尺度仅能二进伸缩的问题,可在较高精度范围内,实现多步预测;而且,本文方法可推广到更多的多周期实际时间序列。