一种考虑小波跨层关联性的网络流量预测方法
【专利摘要】本发明属于网络通信技术领域，尤其涉及一种考虑小波跨层关联性的网络流量预测方法，首先对流量数据进行小波分解并利用经典神经网络方法对最高层的细节分量和近似分量进行预测；然后由高到低逐层完成对细节分量的预测，在神经网络训练过程中，通过代价函数将细节分量的层内关联性和层间关联性进行融合，提高对各层细节分量的预测精度；最后，通过小波重构实现对网络流量的精确预测。本发明对小波神经网络流量预测算法中各层分量无关联预测的缺点进行了改进，考虑了层间相关性和层内相关性，采用冗余小波方案对流量进行分解，克服了小波变换的移变性；通过修改代价函数，利用相邻层的信息来提高对细节分量的预测精度，从而提高整体流量的预测精度。
【专利说明】
一种考虑小波跨层关联性的网络流量预测方法
技术领域
[0001] 本发明属于网络通信技术领域，尤其涉及一种考虑小波跨层关联性的网络流量预 测方法。
【背景技术】
[0002] 计算机及通信技术的发展给人们的生活带来极大便利，网络如今已成为体现社会 经济变动、改变人们生活形态的关键环节。与此同时，如何在有限网络资源的约束下满足用 户对于网络服务质量越来越高的需求，也成为一个广受关注的问题。网络流量是衡量网络 服务性能、记录用户行为的重要参数，对其进行精确的预测对于网络运行状况有指示性作 用，并可以作为流量控制、故障管理以及带宽分配等工作的依据。
[0003] 流量预测的核心问题就是利用历史数据来对未来某个时段或时刻的流量值进行 估计。随着不断发展的智能算法在各个领域的成功应用，其灵活有效的学习方式以及良好 的非线性映射能力，在流量预测领域的应用有着非常巨大的潜力和优势。而人工神经网络 由于其优异的记忆、学习以及计算功能，对于混沌性网络流量预测有着很好的适应性。现有 研究主要集中在Elman、MLP、BP和、BRF等神经网络上，与其他算法相比由于预测步数对精度 的影响较小，在长期预测方面有着极大的优势。然而由于网络流量数据振荡范围过大，单纯 的神经网络算法表现收敛速度慢、易陷入局部极小的缺陷。为克服上述缺点，有学者利用小 波分解与重构，来加快其收敛速率。然而其在对各项不同频率的序列进行训练学习时，只是 依据单一层内的小波系数进行预测，并没有考虑到各层间的关联性，使得预测精确性有待 提尚。
【发明内容】
[0004] 针对上述【背景技术】中提到的问题，本发明提出了一种考虑小波跨层关联性的网络 流量预测方法，包括：
[0005] 步骤1:将原始流量数据利用冗余小波进行J层分解，J为整数，取值为3~5;
[0006] 步骤2:利用经典神经网络预测方法对第J层的细节分量与近似分量进行预测，并 令j=J;
[0007] 步骤3:建立考虑小波层间关联和层内关联的代价函数；
[0008] 步骤4:将第j层和第j-Ι层的细节分量作为神经网络的输入数据完成对第j-Ι层细 节分量的预测，通过代价函数将细节分量的层内关联性和层间关联性进行融合；
[0009] 步骤5:若j>2则令j = j_l，返回步骤4,否则执行步骤6;
[0010] 步骤6:通过小波重构完成对流量的预测。
[0011] 所述步骤3的代价函数的计算公式为：
[001 2 ] E ( j ) = Einter ( j ) +Eintra ( j )
[0013] 其中：
[0014] E(j)为对第j层细节分量进行训练时的代价函数；
[0015] Einter(j)为代价函数的层内关联部分；
[0016] Eintra(j)为代价函数的层间关联部分。
[0017]所述Einter( j)的计算公式为：
[0018]
[0019]其中：
[0020] N为输出层节点数；
[0021 ] Cl(n)为第j层细节分量预测时的第η个实际输出；
[0022] r>)为第j层细节分量预测时的第η个期望输出。
[0023]所述步骤4具体包括：
[0024] 步骤4.1:分别确定第j-Ι层各细节分量的最大和最小值、各层神经元个数、传递函 数、训练函数、权值和阈值学习算法、性能函数以构建新型神经网络；
[0025] 步骤4.2:对新型神经网络权值和阈值进行初始化；
[0026] 步骤4.3:将第j-Ι层和第j层的细节分量作为输入数据，对改变代价函数后的神经 网络进行训练；
[0027]步骤4.4:对第j-Ι层细节分量进行预测；
[0028] 步骤4.5:令j = j-Ι，重复步骤4.1至4.4，直至所有细节分量都预测完毕即j = 1。
[0029] 本发明的有益效果在于:在小波系数预测阶段，同时考虑了层间相关性和层内相 关性，采用冗余小波方案对流量进行分解，克服了小波变换的移变性；同时，通过修改代价 函数，利用相邻层的信息来提高对细节分量的预测精度，从而最终提高整体流量的预测精 度。
【附图说明】
[0030] 图1是考虑小波跨层关联的网络流量预测方法的流程图；
[0031 ]图2是实际流量变动图；
[0032] 图3是本发明与经典小波神经网络的误差统计图。
【具体实施方式】
[0033] 下面结合附图，详细说明实施方案。
[0034] 本发明对现有小波神经网络预测进行了改进，提出了一种考虑小波跨层关联的网 络流量预测方法，该方法通过将细节分量的层内关联性和层间关联性进行融合构成新的代 价函数，并带入神经网络中，由高到低逐层完成对细节分量的预测，提高了流量预测精度。 [0035]本发明包括以下几个步骤：
[0036] 步骤1:将原始流量数据利用冗余小波进行J层分解，J为整数，取值为3~5;
[0037] 步骤2:利用经典神经网络预测方法对第J层的细节分量与近似分量进行预测，并 令j=J;
[0038] 步骤3:建立考虑小波层间关联和层内关联的代价函数；
[0039] 步骤4:根据代价函数建立一种新型神经网络预测方法，将第j层和第j-Ι层的细节 分量作为神经网络的输入数据完成对第j-Ι层细节分量的预测；
[0040] 步骤5:若j>2则令j = j_l，返回步骤4,否则执行步骤6;
[0041] 步骤6:通过小波重构完成对流量的预测。
[0042] 图1所示为本发明的具体实现过程。
[0043]对原始流量进行冗余小波分解，分解层数为3,得到各层细节分量和第三层的近似 分量：
[0044]
[0045] 其中：和山分别是第j个层上的近似分量和细节分量，j = 1，2，3，且原始流量用co 表示。h[_k]和g[_k]分别是低通和高通分解滤波器，分量长度j = l，2,3,…，K，K = L/2j，L = 1024为实际流量长度。
[0046] 图2所示为实际流量。图中横坐标代表所发数据包个数，纵坐标则代表两个数据包 之间的时间间隔。
[0047]对最高层细节分量和近似分量的预测具体包括以下步骤：
[0048] 1)对最高层各近似分量和细节分量进行归一化处理，确定各层神经元个数、传递 函数、训练函数、权值和阈值学习算法、性能函数以构建神经网络；
[0049] 2)对神经网络权值和阈值进行初始化；
[0050] 3)确定神经网络的学习速率、训练次数与训练目标；
[0051] 4)利用第J层近似分量和细节分量对网络进行训练；
[0052] 5)反归一化，对第J层近似分量和细节分量预测；
[0053]在已知第J层近似分量和预测分量的结果下，为提高预测精度，其他层细节分量的 预测过程则加入对层间关联的考量。为此，本发明提出了融合层内关联和层间关联的代价 函数：
[0054] E ( j ) = Einter ( j ) +Eintra ( j )
[0055]
[0056] 其中：
[0057] E(j)为对第j层内细节分量进行训练时的代价函数；
[0058] Einter(j)为代价函数层内关联部分；
[0059] Eintra(j)为代价函数层间关联部分；
[0060] N为输出层节点数；
[0061 ] Cl(n)为第j层细节分量预测时的第η个实际输出；
[0062] ?(η)为第j层细节分量预测时的第η个期望输出；
[0063] 馬为C,(>)的平均值；
[0064] μ」为Cj (η)的平均值。
[0065] 基于代价函数，对其余层内细节分量的预测则具体包括以下步骤：
[0066] 1)分别对第j层细节分量进行初始化，确定各层神经元个数、传递函数、训练函数、 权值和阈值学习算法、性能函数以构建神经网络；
[0067] 2)对神经网络权值和阈值进行初始化；
[0068] 3)确定神经网络的学习速率、训练次数与训练目标；
[0069] 4)利用第j层细节分量对改变代价函数后的神经网络进行训练；
[0070] 5)反归一化，对第j层细节分量进行预测；
[0071] 6)重复上述步骤，预测第j-Ι层细节分量，直至所有层都预测完毕。
[0072] 利用此预测结果进行小波重构，计算公式为：
[0073] ^ ^ ..... ^
[0074] 其中：h[_k]和g[_k]分别是低通和高通合成滤波器。
[0075] 为了检验本发明提出的考虑小波层关联的网络流量预测方法的优越性，将其与小 波神经网络在相同原始流量数据下进行仿真并比较。
[0076]采用Matlab作为仿真工具，仿真参数设置如下：
[0077] 1)取长度为1024的实际流量，其中896点用于网络的训练，128点用于预测；
[0078] 2)原始流量的小波变换为5层；
[0079] 3)神经网络选择三层BP神经网络，输入层有128个神经元，隐层含有128个神经元， 输出层有128个神经元；
[0080] 4)神经网络的传递函数为tansigO，训练函数为traingdO ;
[0081 ] 5)神经网络的学习速率为0.1，训练次数为1000，训练目标为0.001;
[0082]以上参数并不恒定，对于不同的仿真内容可以根据需要改变某些参数。
[0083]图3为本文模型和小波神经网络模型误差统计图，其中，图3(a)为小波-神经网络 的预测误差;图3(b)为考虑小波层关联的网络流量预测误差。
[0084] 对于小波-神经网络预测方法，其误差存在于-0.052~0.093之间，且误差分布图 比较均匀。而考虑小波跨层关联的网络流量预测方法的误差存在于-0.037~0.038之间，且 误差分布图表现为越靠近〇处越集中。可以看出，本发明中的方法能够有效地降低流量预测 误差。
[0085]具体性能参数如表1所示。由表可知，本文模型的4个误差指标均小于小波神经网 络模型，使用考虑小波跨层关联的网络流量预测方法比使用小波神经网络预测方法能够获 得更精确的结果。
[0086] 表1性能参数对比
[0087]
[0088] 仿真结果表明，本发明中的网络流量预测方法可以进一步提高对于小波系数的预 测精度，从而有效地提高了网络流量预测的准确度。
[0089]此实施例仅为本发明较佳的【具体实施方式】，但本发明的保护范围并不局限于此， 任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换， 都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围 为准。
【主权项】
1. 一种考虑小波跨层关联性的网络流量预测方法，其特征在于，包括： 步骤1:将原始流量数据利用冗余小波进行J层分解，J为整数，取值为3~5; 步骤2:利用经典神经网络预测方法对第J层的细节分量与近似分量进行预测，并令j = J; 步骤3:建立考虑小波层间关联和层内关联的代价函数； 步骤4:将第j层和第j-1层的细节分量作为神经网络的输入数据完成对第j-1层细节分 量的预测，通过代价函数将细节分量的层内关联性和层间关联性进行融合； 步骤5:若j〉2则令j = j-1，返回步骤4，否则执行步骤6; 步骤6:通过小波重构完成对流量的预测。2. 根据权利要求1所述方法，其特征在于，所述步骤3的代价函数的计算公式为： E(j)=Einter(j)Wintra(j) 其中： E(j)为对第j层细节分量进行训练时的代价函数； Einter(j)为代价函数的层内关联部分； Eintra(j)为代价函数的层间关联部分。 3 .根据权利要求2所述方法，其特征在于，所述Einter( j )的计算公式为：其中： N为输出层节点数； Ci(n)为第j层细节分量预测时的第η个实际输出； 璋知)为第j层细节分量预测时的第η个期望输出。4.根据权利要求1所述方法，其特征在于，所述步骤4具体包括： 步骤4.1:分别确定第j-1层各细节分量的最大和最小值、各层神经元个数、传递函数、 训练函数、权值和阔值学习算法、性能函数W构建新型神经网络； 步骤4.2:对新型神经网络权值和阔值进行初始化； 步骤4.3:将第j-1层和第j层的细节分量作为输入数据，对改变代价函数后的神经网络 进行训练； 步骤4.4:对第j-1层细节分量进行预测； 步骤4.5:令j = j-1，重复步骤4.1至4.4，直至所有细节分量都预测完毕即j = 1。
【文档编号】G06N3/08GK105976020SQ201610274610
【公开日】2016年9月28日
【申请日】2016年4月28日
【发明人】唐良瑞, 杜施默, 傅德林, 吴润泽, 樊冰
【申请人】华北电力大学