话务预测技术是通讯网络系统设计、规划和优化的重要手段之一,同时也能为电信企业制定营销策略提供决策支持。虽然话务预测的研究已有20多年历史,并形成了一些话务预测方法,但是随着新理论和新技术的发展,对话务预测新方法的研究仍在不断地深入进行。支持向量机作为数据挖掘的一项新技术,应用于模式识别和处理回归问题等诸多领域。本文利用支持向量机优越的非线性学习及预测性能,针对短期话务预测的各种影响因素的非线性特性,提出基于支持向量机的电信话务量预测新方法,以提高预测精度和时效性,该研究具有重要的理论意义和实用价值。由于影响话务量的因素繁多且复杂,若对输入不加适当选择处理会导致预测精度降低,训练时间增加。考虑到话务量变化的周期性特点,因此本文采用话务量聚类预处理技术,应用模糊聚类分析的基本原理,依据输入样本的相似度选取训练样本,即选用同类特征数据作为预测输入,保证了数据特征的一致性,强化了历史数据规律。在基于支持向量机话务预测之前,先对样本进行模糊聚类分析,选取与预测样本特征相似的样本作为支持向量机的训练样本。本文分析了支持向量机的基本原理,支持向量机具有非线性拟合、泛化能力强、训练收敛速度快等显著特点。数值试验结果表明,支持向量机具有较强的学习能力。另外,本文还具体讨论了支持向量机中高斯核函数中参数σ对支持向量机学习预测性能的影响,指出高斯核函数具有描述样本相似程度这一性质,通过数值实验和理论分析给出了一种选择高斯核函数的方法—拐点法。进一步指出样本数据标准化对学习预测的影响,给出了标准化后选择较优高斯核函数参数的一个大致范围。针对话务量与各种影响因素之间的非线性关系,建立了基于支持向量机的短期话务量预测模型,结果表明基于支持向量机的话务量预测精度要优于神经网络方法和周期时间序列方法。