《電子技術(shù)應(yīng)用》
您所在的位置:首頁 > 通信與網(wǎng)絡(luò) > 設(shè)計應(yīng)用 > 布谷鳥搜索算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測
布谷鳥搜索算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測
2015年電子技術(shù)應(yīng)用第3期
杜振寧
楊凌職業(yè)技術(shù)學(xué)院 信息工程學(xué)院,,陜西 楊凌
摘要: 為了提高預(yù)測精度,,提出一種布谷鳥搜索算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測模型(Cuckoo Search BP neural network Flow Prediction,,CS-BPNN)。根據(jù)混沌理論建立網(wǎng)絡(luò)流量學(xué)習(xí)樣本,,采用BP神經(jīng)網(wǎng)絡(luò)對學(xué)習(xí)樣本進行訓(xùn)練,,將模型參數(shù)當一個鳥巢,通過模擬布谷鳥尋窩產(chǎn)卵的行為找到最優(yōu)模型參數(shù),,最后采用網(wǎng)絡(luò)流量數(shù)據(jù)進行仿真實驗,,測試模型性能。仿真實驗表明:所提出模型較好的解決了BP神經(jīng)參數(shù)優(yōu)化問題,,能夠獲得更加理想的網(wǎng)絡(luò)流量預(yù)測結(jié)果,。
中圖分類號: TP39.9
文獻標識碼: A
文章編號: 0258-7998(2015)03-0082-04
Network flow predicting model based on cuckoo search algorithm optimizing neural network
Du Zhenning
School of Information Technology,Yangling Vocational and Technical College,,Yangling 712100,,China
Abstract: In order to improve the predicting precision, a novel network flow predicting model based on cuckoo search algorithm optimizing neural network was proposed in this paper. Firstly, the learning samples were obtained by phase space reconstruction. Secondly, the samples were input to BP neural network to learn, and the parameters were encoded as cuckoo, the optimal parameters were obtained by simulating the cuckoo’s finding the nest and producing eggs. Finally, the network flow predicting model was built and the simulation experiments were carried out on network flow data. The results show that the proposed model had solved the parameters optimization problem of BP neural network and obtained good predicting results of network flow.
Key words : cuckoo search algorithm;network low,;neural network,;parameters optimizing

 

  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)

  (Y%7@NE7{CF)%81ST{OYH)F.jpg

  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:

  25.jpg

  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:

  6.jpg

  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,。

001.jpg

  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,。

  37.jpg

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。

002.jpg


  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

003.jpg

  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。

004.jpg

  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。

005.jpg

009.jpg

  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


006.jpg


  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,。

007.jpg

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.


此內(nèi)容為AET網(wǎng)站原創(chuàng),,未經(jīng)授權(quán)禁止轉(zhuǎn)載。