文獻標識碼: A
文章編號: 0258-7998(2015)03-0082-04
隨著網(wǎng)絡(luò)業(yè)務(wù)種類的增加,如何提高網(wǎng)絡(luò)流量預(yù)測精度具有十分重要的意義[1],。網(wǎng)絡(luò)流量預(yù)測傳統(tǒng)模型主要包括:線性回歸,、泊松過程、時間序列等[2-3],,它們可以對短期的網(wǎng)絡(luò)流量數(shù)據(jù)進行預(yù)測,,但現(xiàn)代網(wǎng)絡(luò)流量變化規(guī)律相當復(fù)雜,因此傳統(tǒng)預(yù)測模型的精度有待進一步提高,。
隨著非線性理論發(fā)展,,出現(xiàn)了以BP神經(jīng)網(wǎng)絡(luò)(BP neural network,BPNN)為代表的網(wǎng)絡(luò)流量非線性預(yù)測模型,,其具有較好的非線性預(yù)測能力,,可以對網(wǎng)絡(luò)流量變化特點進行準確跟蹤,提高了網(wǎng)絡(luò)流量的預(yù)測精度[4],。然而,在實際應(yīng)用過程中,,BP神經(jīng)網(wǎng)絡(luò)的預(yù)測性能與其參數(shù)密切相關(guān)[5],。為此,有學(xué)者提出采用人工魚群算法,、遺傳算法,、人工螢火蟲算法、粒子群算法、蟻群算法等對BP神經(jīng)網(wǎng)絡(luò)參數(shù)進行優(yōu)化[6-8],,一定程度較好解決BP神經(jīng)參數(shù)優(yōu)化的難題,,但是這些算法均有各自不同程度的不足[9]。布谷鳥搜索(cuckoo search,,CS)算法是一種新型群體智能算法,,具有簡單、高參數(shù)少,、易于實現(xiàn)的特點,,在模式識別、組合優(yōu)化等領(lǐng)域得到了廣泛的應(yīng)用[10],。
為了提高網(wǎng)絡(luò)流量預(yù)測精度,,針對BP神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化的難題,本文提出一種CS-BPNN的網(wǎng)絡(luò)流量預(yù)測模型,。仿真實驗表明,,本文模型獲得更加理想的網(wǎng)絡(luò)流量預(yù)測結(jié)果。
1 相空間重構(gòu)和BP神經(jīng)網(wǎng)絡(luò)
作為CS-BPNN算法的研究基礎(chǔ),,本節(jié)主要描述下相空間重構(gòu)與BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識,,這些知識在相關(guān)的文獻都有詳細的介紹[11]。
1.1 相空間重構(gòu)
式中,,子為延遲時間,、m為嵌入維數(shù);X(i)表示重構(gòu)后的相點[12],。
1.2 BP神經(jīng)網(wǎng)絡(luò)算法
設(shè)一個網(wǎng)絡(luò)流量動力系統(tǒng)的輸入為式(1),,則構(gòu)造輸出函數(shù)為y(i)=x(i+1),BP神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點數(shù)是網(wǎng)絡(luò)流量的嵌入維數(shù)m,、隱層節(jié)點數(shù)是p,、輸出個數(shù)是1,通過f:Rn→R構(gòu)建映射[13],。隱層各節(jié)點的輸入是:
式中,,vj表示從隱層到輸出層的連接權(quán)值;表示輸出層的閾值,。
2 CS-BPNN的網(wǎng)絡(luò)流量預(yù)測模型
2.1 布谷鳥搜索算法
2009年,,YANG等模擬布谷鳥尋窩產(chǎn)卵的行為方式,提出布谷鳥搜索(Cuckoo Search,,CS)算法[14],。設(shè)x為第i個鳥巢在第k代的鳥巢位置,L(λ)為Levy隨機搜尋路徑,,則布谷鳥尋巢的路徑和位置更新方式為:
采用3個準測試函數(shù)對布谷鳥CS算法和粒子群算法PSO(Particle Swarm Optimization)的性能進行對比測試,,各測試函數(shù)的數(shù)學(xué)表達式如表1所示,。兩種算法的運行結(jié)果如圖1所示。對圖1進行分析可以看出,,CS算法的性能均優(yōu)于粒子群算法(PSO)算法,,對比結(jié)果表明,CS算法加快算法收斂速度,,在一定程度上防止多峰問題易陷入局部最優(yōu)的不足,,提高了算法的搜索能力,獲得了更優(yōu)的結(jié)果,。
2.2 布谷鳥算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)參數(shù)步驟
(1)初始化鳥巢數(shù)n,、Pa及最大迭代次數(shù)Nmax等參數(shù)。
(2)隨機產(chǎn)生n個鳥巢的初始位置,,它們與BP神經(jīng)網(wǎng)絡(luò)初始閾值和連接權(quán)值相對應(yīng),,BP神經(jīng)網(wǎng)絡(luò)根據(jù)參數(shù)值對訓(xùn)練集進行訓(xùn)練,并計算預(yù)測結(jié)果,。
3 CS-BPNN在網(wǎng)絡(luò)流量預(yù)測中的應(yīng)用
3.1 數(shù)據(jù)來源
為了測試CS-BPNN的有效性,,選擇行內(nèi)的標準數(shù)據(jù):http://newsfeed.ntcu.net/~news/2013的8月1日到8月30日的每小時流量作為仿真對象,具體如圖2所示,。選擇620個數(shù)據(jù)進作為訓(xùn)練集,,用CS-BPNN進行訓(xùn)練,建立網(wǎng)絡(luò)流量預(yù)測模型,;其余100個數(shù)據(jù)作為測試集,,測試模型性能。
3.2 對比模型及評價標準
由于粒子群算法(PSO)在BPNN參數(shù)應(yīng)用比較廣泛,,為了使CS-BPNN預(yù)測結(jié)果具有可比性,,選擇粒子群算法優(yōu)化(PSO-BPNN)進行對比實驗,模型性能優(yōu)劣采用均方根誤差(RMSE)和平均絕對百分誤差(MAPE)進行評價,。
3.3 學(xué)習(xí)樣本構(gòu)建
首先采用耦合簇方法C-C(Coupled Cluster method)計算網(wǎng)絡(luò)流量最優(yōu)的延遲時間τ,,具體如圖3所示,其中橫坐標表示延遲時間,,縱坐標表示關(guān)聯(lián)積分,。從圖3可知,最優(yōu)延遲時間τ=4,,然后利用Cao方法[15]求嵌入維數(shù),,結(jié)果如圖4所示,其中橫坐標表示延遲時間,,縱坐標表示最大熵值,。從圖4可知,網(wǎng)絡(luò)流量時間序列相空間重構(gòu)的最小嵌入維數(shù)m=5,,采用τ=4和m=5重構(gòu)網(wǎng)絡(luò)流量,得到CS-BPNN的學(xué)習(xí)樣本。
3.4 結(jié)果與分析
采用PSO,、CS找到的BPNN最優(yōu)參數(shù),,建立基于PSO-BPNN、CS-BPNN的網(wǎng)絡(luò)流量預(yù)測模型,,然后用測試集進行預(yù)測,,各模型的預(yù)測結(jié)果如圖5所示。從圖5可知,,相對于PSO-BPNN,,CS-BPNN提高了網(wǎng)絡(luò)流量的預(yù)測精度,預(yù)測偏差更小,,對比結(jié)果,,CS-BPNN融合CS算法的全局搜索能力和BPNN的非線性預(yù)測,可以對網(wǎng)絡(luò)流量變化趨勢準確跟蹤,,預(yù)測結(jié)果更加穩(wěn)定,、可靠。
PSO-BPNN,、CS-BPNN的網(wǎng)絡(luò)流量預(yù)測結(jié)果的MAPE和RMSE見表2,。從表2可知,相對于PSO-BPNN,,CS-BPNN預(yù)測誤差更小,,預(yù)測精度更高,對比結(jié)果表明,,CS-BPNN建立了預(yù)測精度更高的網(wǎng)絡(luò)流量預(yù)測模型,。
4 含噪網(wǎng)絡(luò)流量的測試
為了測試CS-BPNN模型的魯棒性,采用一個含有噪聲網(wǎng)絡(luò)流量進行仿真實驗,,以測試模型的魯棒性,,含噪的網(wǎng)絡(luò)流量數(shù)據(jù)如圖6所示。對含噪的網(wǎng)絡(luò)流量數(shù)據(jù)進行建模與預(yù)測,,不同模型的網(wǎng)絡(luò)流量預(yù)測結(jié)果如圖7和表3所示,。從圖7和表3可知,相對于比模型,,CS-BPNN獲得了更加理想的預(yù)測結(jié)果,,這表明CS-BPNN具有較強魯棒性,具有一定的抗噪能力,。
5 結(jié)束語
由于影響因素復(fù)雜,、多變,導(dǎo)致網(wǎng)絡(luò)流量具有非線性,、混沌性,,傳統(tǒng)方法難建立準確的預(yù)測模型,,而BP神經(jīng)網(wǎng)絡(luò)也受到參數(shù)的不利影響。為了獲得理想的預(yù)測結(jié)果,,本文提出了一種網(wǎng)絡(luò)流量預(yù)測模型CS-BPNN,,并通過具體仿真實驗測試模型性能。結(jié)果表明,,CS-BPNN解決了BP神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化問題,,建立了預(yù)測精度高、效果好的網(wǎng)絡(luò)流量預(yù)測模型,,同時為其他非線性時間序列提供了一種預(yù)測建模新思路,。
參考文獻
[1] SILVA C G.Time series forecasting with a nonlinear model and the scatter search meta-heuristic[J].Information Sciences,2008,,178(16):3288-3299.
[2] 姜明,,吳春明,胡大民,,等.網(wǎng)絡(luò)流量預(yù)測中的時間序列模型比較研究[J].電子學(xué)報,,2009,37(11):2353-2358.
[3] 高波,,張欽宇,,梁永生,等.基于EMD及ARMA的自相似網(wǎng)絡(luò)流量預(yù)測[J].通信學(xué)報,,2011,,32(4):47-56.
[4] 劉百芬,熊南.基于動態(tài)加權(quán)LS-SVM的網(wǎng)絡(luò)流量混沌預(yù)測[J].電視技術(shù),,2013,,37(7):87-90.
[5] ESTE A,GRINGOLI F,,SALGARELLI L.Support vector machines for TCP traffic classification[J].Computer Networks,,2009,53(14):2476-2490.
[6] QI H L,,ZHAO H,,LIU W W,ZHANG H B.Parameters optimization and nonlinearity analysis of grating eddy currentdisplacement sensor using neural network and genetic algo-rithm[J].Journal of Zhejiang University Science A,,2009,,10(8):1205-1212.
[7] CALLADO A,KEU R J,,SADOK D,,et a1.Better network traffic identification through the independent combination of techniques[J].Journal of Network and Computer Applica-tions,2010,,33(4):433-446.
[8] 劉淵,,戴悅,,曹建華.基于小波神經(jīng)網(wǎng)絡(luò)的流量混沌時間
序列預(yù)測[J].計算機工程,2008,,34(16):105-106.
[9] 趙振江.基于PSO-BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測與研究[J].計算機應(yīng)用與軟件,,2009,26(1):218-211.
[10] YANG X S,,DEB S.Engineering optimization by cuckoo search[J].International Journal of Mathematical Modeling and Numerical Optimization,2010,,1(4):330-343.
[11] 高述濤.CS算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的短時交通流量預(yù)測,,計算機工程與應(yīng)用,2013,,49(9):106-109.
[12] 王升輝,,裘正定.結(jié)合多重分形的網(wǎng)絡(luò)流量非線性預(yù)測[J].通信學(xué)報,2007,,28(2):45-50.
[13] 李松,,羅勇,張銘銳.遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的混沌時間序列預(yù)測[J].計算機工程與應(yīng)用,,2011,,47(29):52-55.
[14] 王凡,賀興時,,王燕,,等.基于CS算法的Markov模型及收斂性分析[J].計算機工程,2012,,38(11):180-182,,185.
[15] CAO L J.Support vector machines experts for time series forecasting[J].Neurocomputing,2003,,51:321-339.