[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

一種基于PSO?DELM算法的比賽場館內手機上網流量預測方法。本發明涉及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，其中包括數據的預處理，以及構建PSO?DELM網絡流量預測模型。首先根據流量數據的自身特性做出預處理，形成新的數據樣本集。在極限學習機中引入自動編碼器完成多隱含層的深度極限學習機的構建，并且使用粒子群優化算法對深度極限學習機的各個隱含層的網絡節點數目進行優化，選取使模型誤差最小的節點數，從而使模型的預測準確率得到提升，最后對算法模型的參數進行設置。本發明基于深度極限學習機理論，并構建經過優化的PSO?DELM模型，不僅能夠使模型的訓練速度快、避免的局部最小值的出現，而且相對于其他預測模型的準確率有所提升。

技術領域

本發明涉及一種比賽場館內手機上網流量的預測方法，涉及的是使用一種粒子群算法對深度極限學習機進行優化的網絡流量預測方法。

背景技術

隨著互聯網時代的快速發展和手機應用軟件的多樣化，以及4G網絡正在向著5G網絡時代的加速邁進，使全球的移動通信設備規模在近幾年呈指數增長。移動通信設備在方便人們生活的同時也在移動網絡中產生了海量的網絡流量數據，這就使學者在針對網絡流量的預測變得很有研究意義和研究價值。在賽事現場，為了防止觀眾使用手機上網產生的網絡流量增多而導致網絡的擁堵情況發生，影響觀眾的手機使用體驗，所以當網絡流量數值達到限定值后就要對場館周圍的基站進行擴容或者新建小型的移動基站。提前預測出流量的變化趨勢，就可以提前做出部署，減少突發事件帶來的危險。

手機產生的上網流量屬于網絡流量中的一種，網絡流量具有非線性、自相似性、長相關性和多分型等特性，現有的網絡流量預測模型很難準確的預測出流量的數值。傳統方法的模型簡單、預測速度快，但是預測的精度低。目前，比較常見的是使用現代的智能化方法進行預測，如神經網絡、深度學習、機器學習理論等等。本文構建的預測模型是以深度極限學習機為基礎，采用粒子群算法優化深度極限學習機中多個隱含層的神經元節點數。粒子群優化算法是一種性能良好的全局隨機搜索優化算法，本文采用它去優化深度極限學習機多個隱含層的神經元個數，減少模型的預測誤差，提升模型的預測精度。

發明內容

本發明的目的是提供一種能夠在短時間內實現對區域場所的手機上網流量的精準預測的方法。該發明為了解決現有的預測模型存在預測精度不高的問題，選用在2004年由南洋理工大學的黃廣斌教授提出的極限學習機(ELM)作為基礎，極限學習機是一種單隱含層的前饋神經網絡，它的提出是為了對反向傳播算法 (BP)進行改進以提升學習效率低并簡化學習參數的設定，具有訓練速度快、擬合精度高和泛化性能好的優點。但是當面對比較龐大的數據時，單隱含層ELM 對輸入數據典型特征的學習能力有限，僅含有一層隱含層的單層極限學習機網絡可能會導致部分的神經元成為無效神經元。為了使模型能夠應對復雜的輸入與輸出關系，本發明采用了更加強大和復雜的深度極限學習機(DeepELM)來處理數據的映射關系，但由于DELM中的多個隱含層的節點數無法準確的設置，所以本發明采用粒子群優化算法對個隱含層的節點數進行選取，使得預測模型的準確率得到提升。

本發明實現發明目的采用如下技術方案：一種基于PSO-DELM算法對比賽場館手機上網流量預測方法，具體包括如下步驟：

步驟1：把得到的數據(商場、小區、萬達廣場、汽車站的手機上網流量數據)進行整合，選取這幾個地點的數據主要是為了增加樣本的多樣性，樣本的時間粒度為每15分鐘為一個節點，共11712個一維時間序列數據。

步驟2：分析可知，根據網絡流量自身的自相似性、長相關性、多分性和非線性等特點，采用基于時間序列的方式對數據進行預處理，選取合適的輸入變量維度和輸出變量維度。