[發明專利]一種基于PSO-DELM算法的比賽場館內手機上網流量預測方法

在審

• 申請號: 202010104719.5
• 申請日: 2020-02-20
• 公開（公告）號: CN111355633A
• 公開（公告）日: 2020-06-30
• 發明（設計）人: 劉東;周莉;鄭曉亮;張磊
• 申請（專利權）人: 安徽理工大學
• 主分類號: H04L12/26
• 分類號: H04L12/26;H04L12/24;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于粒子群算法優化深度極限學習機對比賽場館的手機上網流量預測方法，其特征在于：

S1：針對網絡流量數據，進行分析和預處理。

S2：確定模型的拓撲結構，包括輸入層節點數、輸出層節點數、隱含層層數、激活函數。

S3：確定粒子群優化算法的參數數值。

S4：輸入訓練樣本。

S5：輸出預測結果，并與實際值進行比較。

2.根據權利要求1所述的種基于粒子群算法優化深度極限學習機對比賽場館的手機上網流量預測方法，其特征在于：具體步驟為：

步驟1：先對數據中的影響流量的因素進行分析，得出流量自身的特征性。

步驟2：針對流量數據的特殊性質做出預處理并找到最合適的時序序列，經過誤差測試發現輸入與輸出維度為5和1，并且隱含層的層數為3時的優化效果最好。選取這五個場所的手機上網流量數據進行訓練模型，預測樣本中部分的上網流量使用情況，共11712組數據。原始數據經過數據預處理，新的樣本如下所示：

X₂＝[n₆ n₇ n₈ ... n₁₁₇₀₇]

步驟3：把經過預處理好的新的樣本數據進行歸一化。

歸一化的公式是：i＝1,2,…11707。

式中：L_max、L_min分別為樣本中的最大值和最小值；L為樣本的歸一化的值；i為時間點的值，其范圍為[1,11697]。

步驟4：首先，確定極限學習機的網絡結構。

步驟4.1假設輸入數據樣本集合X＝{x_i/1≤i≤N}和輸出樣本T＝{t_i/1≤i≤N}。假設H＝{h_i/1≤i≤N}為隱含層特征向量集合，h_i為第i個樣本對應的特殊向量。將輸入數據從輸入空間映射到隱含層特征空間，則X與H的關系為：

H＝s_f(WX+B)

式中：W為輸入層節點到隱含層神經元的權重矩陣，B為隱含層神經元的閾值矩陣，其中權重和閾值可隨機生成，且對結果不會產生惡化影響。s_f為激活函數，經過模型的仿真測試和以往的經驗可知，一般激活函數選擇sigmoid函數，其具有良好的特征辨識度。

隱含層的輸出為：

Y＝Hβ

式中β為隱含層節點到輸出層節點的權重矩陣。

ELM算法的核心是求解輸出權重矩陣使得誤差函數最小：

min‖Hβ-T‖

權重矩陣β可由下式近似求得：

β＝H⁺T

式中：H⁺為矩陣H的Moore-Penrose廣義逆矩陣。

步驟4.2接下來確定深度極限學習機的網絡結構。在深度極限學習機中引入了ELM自動編碼器(ELM-AE)算法得到網絡的參數，通過編碼器將輸入向量映射為隱含層中的特征向量，然后通過編碼器將特征向量重構為原來的輸入向量。在ELM-AE中，首先利用ELM算法產生正交隨機權重和閾值，即：

將輸入數據樣本集合X映射到隱含層的特征空間，然后通過求解重構矩陣β將特征向量重構為原來的輸入向量，即：

X＝Hβ

最后將重構矩陣β的轉秩矩陣作為原網絡結構輸入層與隱含層的權重矩陣。

為了避免隱含層的節點數過多，出現過擬合的問題，增加深度極限學習機模型的泛化能力，引入了正則化系數，目標函數變為：

式中：λ為正則化系數，ε＝βH-T為訓練誤差，通過構造拉格朗日方程，可求得輸出權重矩陣：

步驟4.3把粒子群算法優化隱含層神經元節點個數范圍設置為[10,3000]，對粒子群優化算法中的參數設置為:搜索維度D＝3、種群規模N＝40、學習因子c₁＝0.5和c₁＝1、慣性因子w＝0.9,隨機初始化粒子群優化算法的粒子位置h_j(1)及粒子速度初始值v_j(1)，迭代次數ger＝20。

步驟5：把這種類型的數據代入PSO-DELM的算法模型中。

步驟5：預測數據反歸一化。

步驟6：得出PSO-DELM模型的預測值與真實值對比曲線。