一種考慮小波跨層關聯(lián)性的網(wǎng)絡流量預測方法
【專利摘要】本發(fā)明屬于網(wǎng)絡通信技術領域，尤其涉及一種考慮小波跨層關聯(lián)性的網(wǎng)絡流量預測方法，首先對流量數(shù)據(jù)進行小波分解并利用經(jīng)典神經(jīng)網(wǎng)絡方法對最高層的細節(jié)分量和近似分量進行預測；然后由高到低逐層完成對細節(jié)分量的預測，在神經(jīng)網(wǎng)絡訓練過程中，通過代價函數(shù)將細節(jié)分量的層內(nèi)關聯(lián)性和層間關聯(lián)性進行融合，提高對各層細節(jié)分量的預測精度；最后，通過小波重構實現(xiàn)對網(wǎng)絡流量的精確預測。本發(fā)明對小波神經(jīng)網(wǎng)絡流量預測算法中各層分量無關聯(lián)預測的缺點進行了改進，考慮了層間相關性和層內(nèi)相關性，采用冗余小波方案對流量進行分解，克服了小波變換的移變性；通過修改代價函數(shù)，利用相鄰層的信息來提高對細節(jié)分量的預測精度，從而提高整體流量的預測精度。
【專利說明】
一種考慮小波跨層關聯(lián)性的網(wǎng)絡流量預測方法
技術領域
[0001] 本發(fā)明屬于網(wǎng)絡通信技術領域，尤其涉及一種考慮小波跨層關聯(lián)性的網(wǎng)絡流量預 測方法。
【背景技術】
[0002] 計算機及通信技術的發(fā)展給人們的生活帶來極大便利，網(wǎng)絡如今已成為體現(xiàn)社會 經(jīng)濟變動、改變?nèi)藗兩钚螒B(tài)的關鍵環(huán)節(jié)。與此同時，如何在有限網(wǎng)絡資源的約束下滿足用 戶對于網(wǎng)絡服務質量越來越高的需求，也成為一個廣受關注的問題。網(wǎng)絡流量是衡量網(wǎng)絡 服務性能、記錄用戶行為的重要參數(shù)，對其進行精確的預測對于網(wǎng)絡運行狀況有指示性作 用，并可以作為流量控制、故障管理以及帶寬分配等工作的依據(jù)。
[0003] 流量預測的核心問題就是利用歷史數(shù)據(jù)來對未來某個時段或時刻的流量值進行 估計。隨著不斷發(fā)展的智能算法在各個領域的成功應用，其靈活有效的學習方式以及良好 的非線性映射能力，在流量預測領域的應用有著非常巨大的潛力和優(yōu)勢。而人工神經(jīng)網(wǎng)絡 由于其優(yōu)異的記憶、學習以及計算功能，對于混沌性網(wǎng)絡流量預測有著很好的適應性。現(xiàn)有 研究主要集中在Elman、MLP、BP和、BRF等神經(jīng)網(wǎng)絡上，與其他算法相比由于預測步數(shù)對精度 的影響較小，在長期預測方面有著極大的優(yōu)勢。然而由于網(wǎng)絡流量數(shù)據(jù)振蕩范圍過大，單純 的神經(jīng)網(wǎng)絡算法表現(xiàn)收斂速度慢、易陷入局部極小的缺陷。為克服上述缺點，有學者利用小 波分解與重構，來加快其收斂速率。然而其在對各項不同頻率的序列進行訓練學習時，只是 依據(jù)單一層內(nèi)的小波系數(shù)進行預測，并沒有考慮到各層間的關聯(lián)性，使得預測精確性有待 提尚。

【發(fā)明內(nèi)容】

[0004] 針對上述【背景技術】中提到的問題，本發(fā)明提出了一種考慮小波跨層關聯(lián)性的網(wǎng)絡 流量預測方法，包括：
[0005] 步驟1:將原始流量數(shù)據(jù)利用冗余小波進行J層分解，J為整數(shù)，取值為3~5;
[0006] 步驟2:利用經(jīng)典神經(jīng)網(wǎng)絡預測方法對第J層的細節(jié)分量與近似分量進行預測，并 令j=J;
[0007] 步驟3:建立考慮小波層間關聯(lián)和層內(nèi)關聯(lián)的代價函數(shù)；
[0008] 步驟4:將第j層和第j-Ι層的細節(jié)分量作為神經(jīng)網(wǎng)絡的輸入數(shù)據(jù)完成對第j-Ι層細 節(jié)分量的預測，通過代價函數(shù)將細節(jié)分量的層內(nèi)關聯(lián)性和層間關聯(lián)性進行融合；
[0009] 步驟5:若j>2則令j = j_l，返回步驟4,否則執(zhí)行步驟6;
[0010] 步驟6:通過小波重構完成對流量的預測。
[0011] 所述步驟3的代價函數(shù)的計算公式為：
[001 2 ] E ( j ) = Einter ( j ) +Eintra ( j )
[0013] 其中：
[0014] E(j)為對第j層細節(jié)分量進行訓練時的代價函數(shù)；
[0015] Einter(j)為代價函數(shù)的層內(nèi)關聯(lián)部分；
[0016] Eintra(j)為代價函數(shù)的層間關聯(lián)部分。
[0017]所述Einter( j)的計算公式為：
[0018]
[0019]其中：
[0020] N為輸出層節(jié)點數(shù)；
[0021 ] Cl(n)為第j層細節(jié)分量預測時的第η個實際輸出；
[0022] r>)為第j層細節(jié)分量預測時的第η個期望輸出。
[0023]所述步驟4具體包括：
[0024] 步驟4.1:分別確定第j-Ι層各細節(jié)分量的最大和最小值、各層神經(jīng)元個數(shù)、傳遞函 數(shù)、訓練函數(shù)、權值和閾值學習算法、性能函數(shù)以構建新型神經(jīng)網(wǎng)絡；
[0025] 步驟4.2:對新型神經(jīng)網(wǎng)絡權值和閾值進行初始化；
[0026] 步驟4.3:將第j-Ι層和第j層的細節(jié)分量作為輸入數(shù)據(jù)，對改變代價函數(shù)后的神經(jīng) 網(wǎng)絡進行訓練；
[0027]步驟4.4:對第j-Ι層細節(jié)分量進行預測；
[0028] 步驟4.5:令j = j-Ι，重復步驟4.1至4.4，直至所有細節(jié)分量都預測完畢即j = 1。
[0029] 本發(fā)明的有益效果在于:在小波系數(shù)預測階段，同時考慮了層間相關性和層內(nèi)相 關性，采用冗余小波方案對流量進行分解，克服了小波變換的移變性；同時，通過修改代價 函數(shù)，利用相鄰層的信息來提高對細節(jié)分量的預測精度，從而最終提高整體流量的預測精 度。
【附圖說明】
[0030] 圖1是考慮小波跨層關聯(lián)的網(wǎng)絡流量預測方法的流程圖；
[0031 ]圖2是實際流量變動圖；
[0032] 圖3是本發(fā)明與經(jīng)典小波神經(jīng)網(wǎng)絡的誤差統(tǒng)計圖。
【具體實施方式】
[0033] 下面結合附圖，詳細說明實施方案。
[0034] 本發(fā)明對現(xiàn)有小波神經(jīng)網(wǎng)絡預測進行了改進，提出了一種考慮小波跨層關聯(lián)的網(wǎng) 絡流量預測方法，該方法通過將細節(jié)分量的層內(nèi)關聯(lián)性和層間關聯(lián)性進行融合構成新的代 價函數(shù)，并帶入神經(jīng)網(wǎng)絡中，由高到低逐層完成對細節(jié)分量的預測，提高了流量預測精度。 [0035]本發(fā)明包括以下幾個步驟：
[0036] 步驟1:將原始流量數(shù)據(jù)利用冗余小波進行J層分解，J為整數(shù)，取值為3~5;
[0037] 步驟2:利用經(jīng)典神經(jīng)網(wǎng)絡預測方法對第J層的細節(jié)分量與近似分量進行預測，并 令j=J;
[0038] 步驟3:建立考慮小波層間關聯(lián)和層內(nèi)關聯(lián)的代價函數(shù)；
[0039] 步驟4:根據(jù)代價函數(shù)建立一種新型神經(jīng)網(wǎng)絡預測方法，將第j層和第j-Ι層的細節(jié) 分量作為神經(jīng)網(wǎng)絡的輸入數(shù)據(jù)完成對第j-Ι層細節(jié)分量的預測；
[0040] 步驟5:若j>2則令j = j_l，返回步驟4,否則執(zhí)行步驟6;
[0041] 步驟6:通過小波重構完成對流量的預測。
[0042] 圖1所示為本發(fā)明的具體實現(xiàn)過程。
[0043]對原始流量進行冗余小波分解，分解層數(shù)為3,得到各層細節(jié)分量和第三層的近似 分量：
[0044]
[0045] 其中：和山分別是第j個層上的近似分量和細節(jié)分量，j = 1，2，3，且原始流量用co 表示。h[_k]和g[_k]分別是低通和高通分解濾波器，分量長度j = l，2,3,…，K，K = L/2j，L = 1024為實際流量長度。
[0046] 圖2所示為實際流量。圖中橫坐標代表所發(fā)數(shù)據(jù)包個數(shù)，縱坐標則代表兩個數(shù)據(jù)包 之間的時間間隔。
[0047]對最高層細節(jié)分量和近似分量的預測具體包括以下步驟：
[0048] 1)對最高層各近似分量和細節(jié)分量進行歸一化處理，確定各層神經(jīng)元個數(shù)、傳遞 函數(shù)、訓練函數(shù)、權值和閾值學習算法、性能函數(shù)以構建神經(jīng)網(wǎng)絡；
[0049] 2)對神經(jīng)網(wǎng)絡權值和閾值進行初始化；
[0050] 3)確定神經(jīng)網(wǎng)絡的學習速率、訓練次數(shù)與訓練目標；
[0051] 4)利用第J層近似分量和細節(jié)分量對網(wǎng)絡進行訓練；
[0052] 5)反歸一化，對第J層近似分量和細節(jié)分量預測；
[0053]在已知第J層近似分量和預測分量的結果下，為提高預測精度，其他層細節(jié)分量的 預測過程則加入對層間關聯(lián)的考量。為此，本發(fā)明提出了融合層內(nèi)關聯(lián)和層間關聯(lián)的代價 函數(shù)：
[0054] E ( j ) = Einter ( j ) +Eintra ( j )
[0055]
[0056] 其中：
[0057] E(j)為對第j層內(nèi)細節(jié)分量進行訓練時的代價函數(shù)；
[0058] Einter(j)為代價函數(shù)層內(nèi)關聯(lián)部分；
[0059] Eintra(j)為代價函數(shù)層間關聯(lián)部分；
[0060] N為輸出層節(jié)點數(shù)；
[0061 ] Cl(n)為第j層細節(jié)分量預測時的第η個實際輸出；
[0062] ?(η)為第j層細節(jié)分量預測時的第η個期望輸出；
[0063] 馬為C,(>)的平均值；
[0064] μ」為Cj (η)的平均值。
[0065] 基于代價函數(shù)，對其余層內(nèi)細節(jié)分量的預測則具體包括以下步驟：
[0066] 1)分別對第j層細節(jié)分量進行初始化，確定各層神經(jīng)元個數(shù)、傳遞函數(shù)、訓練函數(shù)、 權值和閾值學習算法、性能函數(shù)以構建神經(jīng)網(wǎng)絡；
[0067] 2)對神經(jīng)網(wǎng)絡權值和閾值進行初始化；
[0068] 3)確定神經(jīng)網(wǎng)絡的學習速率、訓練次數(shù)與訓練目標；
[0069] 4)利用第j層細節(jié)分量對改變代價函數(shù)后的神經(jīng)網(wǎng)絡進行訓練；
[0070] 5)反歸一化，對第j層細節(jié)分量進行預測；
[0071] 6)重復上述步驟，預測第j-Ι層細節(jié)分量，直至所有層都預測完畢。
[0072] 利用此預測結果進行小波重構，計算公式為：
[0073] ^ ^ ..... ^
[0074] 其中：h[_k]和g[_k]分別是低通和高通合成濾波器。
[0075] 為了檢驗本發(fā)明提出的考慮小波層關聯(lián)的網(wǎng)絡流量預測方法的優(yōu)越性，將其與小 波神經(jīng)網(wǎng)絡在相同原始流量數(shù)據(jù)下進行仿真并比較。
[0076]采用Matlab作為仿真工具，仿真參數(shù)設置如下：
[0077] 1)取長度為1024的實際流量，其中896點用于網(wǎng)絡的訓練，128點用于預測；
[0078] 2)原始流量的小波變換為5層；
[0079] 3)神經(jīng)網(wǎng)絡選擇三層BP神經(jīng)網(wǎng)絡，輸入層有128個神經(jīng)元，隱層含有128個神經(jīng)元， 輸出層有128個神經(jīng)元；
[0080] 4)神經(jīng)網(wǎng)絡的傳遞函數(shù)為tansigO，訓練函數(shù)為traingdO ;
[0081 ] 5)神經(jīng)網(wǎng)絡的學習速率為0.1，訓練次數(shù)為1000，訓練目標為0.001;
[0082]以上參數(shù)并不恒定，對于不同的仿真內(nèi)容可以根據(jù)需要改變某些參數(shù)。
[0083]圖3為本文模型和小波神經(jīng)網(wǎng)絡模型誤差統(tǒng)計圖，其中，圖3(a)為小波-神經(jīng)網(wǎng)絡 的預測誤差;圖3(b)為考慮小波層關聯(lián)的網(wǎng)絡流量預測誤差。
[0084] 對于小波-神經(jīng)網(wǎng)絡預測方法，其誤差存在于-0.052~0.093之間，且誤差分布圖 比較均勻。而考慮小波跨層關聯(lián)的網(wǎng)絡流量預測方法的誤差存在于-0.037~0.038之間，且 誤差分布圖表現(xiàn)為越靠近〇處越集中。可以看出，本發(fā)明中的方法能夠有效地降低流量預測 誤差。
[0085]具體性能參數(shù)如表1所示。由表可知，本文模型的4個誤差指標均小于小波神經(jīng)網(wǎng) 絡模型，使用考慮小波跨層關聯(lián)的網(wǎng)絡流量預測方法比使用小波神經(jīng)網(wǎng)絡預測方法能夠獲 得更精確的結果。
[0086] 表1性能參數(shù)對比
[0087]
[0088] 仿真結果表明，本發(fā)明中的網(wǎng)絡流量預測方法可以進一步提高對于小波系數(shù)的預 測精度，從而有效地提高了網(wǎng)絡流量預測的準確度。
[0089]此實施例僅為本發(fā)明較佳的【具體實施方式】，但本發(fā)明的保護范圍并不局限于此， 任何熟悉本技術領域的技術人員在本發(fā)明揭露的技術范圍內(nèi)，可輕易想到的變化或替換， 都應涵蓋在本發(fā)明的保護范圍之內(nèi)。因此，本發(fā)明的保護范圍應該以權利要求的保護范圍 為準。
【主權項】
1. 一種考慮小波跨層關聯(lián)性的網(wǎng)絡流量預測方法，其特征在于，包括： 步驟1:將原始流量數(shù)據(jù)利用冗余小波進行J層分解，J為整數(shù)，取值為3~5; 步驟2:利用經(jīng)典神經(jīng)網(wǎng)絡預測方法對第J層的細節(jié)分量與近似分量進行預測，并令j = J; 步驟3:建立考慮小波層間關聯(lián)和層內(nèi)關聯(lián)的代價函數(shù)； 步驟4:將第j層和第j-1層的細節(jié)分量作為神經(jīng)網(wǎng)絡的輸入數(shù)據(jù)完成對第j-1層細節(jié)分 量的預測，通過代價函數(shù)將細節(jié)分量的層內(nèi)關聯(lián)性和層間關聯(lián)性進行融合； 步驟5:若j〉2則令j = j-1，返回步驟4，否則執(zhí)行步驟6; 步驟6:通過小波重構完成對流量的預測。2. 根據(jù)權利要求1所述方法，其特征在于，所述步驟3的代價函數(shù)的計算公式為： E(j)=Einter(j)Wintra(j) 其中： E(j)為對第j層細節(jié)分量進行訓練時的代價函數(shù)； Einter(j)為代價函數(shù)的層內(nèi)關聯(lián)部分； Eintra(j)為代價函數(shù)的層間關聯(lián)部分。 3 .根據(jù)權利要求2所述方法，其特征在于，所述Einter( j )的計算公式為：其中： N為輸出層節(jié)點數(shù)； Ci(n)為第j層細節(jié)分量預測時的第η個實際輸出； 璋知)為第j層細節(jié)分量預測時的第η個期望輸出。4.根據(jù)權利要求1所述方法，其特征在于，所述步驟4具體包括： 步驟4.1:分別確定第j-1層各細節(jié)分量的最大和最小值、各層神經(jīng)元個數(shù)、傳遞函數(shù)、 訓練函數(shù)、權值和闊值學習算法、性能函數(shù)W構建新型神經(jīng)網(wǎng)絡； 步驟4.2:對新型神經(jīng)網(wǎng)絡權值和闊值進行初始化； 步驟4.3:將第j-1層和第j層的細節(jié)分量作為輸入數(shù)據(jù)，對改變代價函數(shù)后的神經(jīng)網(wǎng)絡 進行訓練； 步驟4.4:對第j-1層細節(jié)分量進行預測； 步驟4.5:令j = j-1，重復步驟4.1至4.4，直至所有細節(jié)分量都預測完畢即j = 1。
【文檔編號】G06N3/08GK105976020SQ201610274610
【公開日】2016年9月28日
【申請日】2016年4月28日
【發(fā)明人】唐良瑞, 杜施默, 傅德林, 吳潤澤, 樊冰
【申請人】華北電力大學