[摘要]随着我国电信改革的进一步深化，电信市场新竞争格局业已形成，电信业的收入预测则是为运营商制定相关运营策略的重要参考。因此，迫切需要在电信行业建立一套时间序列的收入预测模型。本文正是在此背景下提出了一种基于自适应参数的支持向量回归机的电信收入预测模型，通过最小期望风险选择合适的核参数，并与广泛使用的arima模型做了对比。实验结果表明，支持向量回归机的预测结果要好于arima模型的预测结果。
[关键词]支持向量机 电信收入预测 自适应参数 arima
[中图分类号]TP311 [文献标识码]A [文章编号]1009-5349（2012）12-0063-01引言
随着我国电信改革的进一步深化，电信市场新竞争格局业已形成。来自国内外的竞争压力，使中国电信运营商意识到，必须对业务经营信息进行有效地管理，增加电信运营商的竞争力。而电信业的收入预测则是为运营商制定相关运营策略的重要参考，尤其是电信客户规模的不断扩大以及客户群的复杂化，更加需要电信行业能够及时地处理日益剧增的收入数据，挖掘出有用的收入预测信息。[1]因此，迫切需要在电信行业建立一套时间序列的收入预测模型。该模型能够根据一定的历史数据和知识经验，智能地分析历史收入状况并且预测未来的情况，以提供给行业经营管理部门作决策参考。
而支持向量机的回归预测模型正可以应用到电信业收入预测中来。支持向量机（SVM）是一种机器学习方法，它的基础是Vapnik创建的统计学习理论[2]，采用了结构风险最小化准则，在最小化样本点误差的同时，缩小模型泛化误差的上界，最小化模型的结构风险，从而提高了模型的泛化能力。[3]而且它是一个凸二次优化问题，能保证找到的极值解就是全局最优解。借助SVM的这些特点，利用支持向量机回归建立的模型克服了神经网络过学习和易陷入局部最小的两大弱点。但是，其核参数的选择一直是影响其预测精度的瓶颈，本文正是在此背景下提出了一种基于自适应参数的支持向量回归机的电信收入预测模型，并与广泛使用的arima模型做了对比。实验表明，支持向量回归机的预测结果要好于arima模型的预测结果。
一、支持向量机理论及自适应参数法
（一）支持向量机回归理论
支持向量机回归的基本思想是通过一个非线性映射Ф，将样本数据映射到高维特征空间F，并在这个空间进行线性回归。
（二）自适应参数调节法
对于支持向量机应用于回归预测，最主要的就是核函数类型及其参数的选择。核函数的选择直接影响到回归预测的精度，本文提出一种基于期望风险最小的自适应核参数选择方法，步骤如下：
