[發(fā)明專利]改進布谷鳥搜索算法優(yōu)化極限學(xué)習(xí)機的網(wǎng)絡(luò)流量預(yù)測方法

在審

• 申請?zhí)枺?/td>: 202010760059.6
• 申請日: 2020-07-31
• 公開（公告）號: CN111931899A
• 公開（公告）日: 2020-11-13
• 發(fā)明（設(shè)計）人: 魏明;陳鳳;姚全鋒;余晗;胡小飛;葉志偉;王春枝;李振國
• 申請（專利權(quán)）人: 武漢烽火技術(shù)服務(wù)有限公司;湖北工業(yè)大學(xué);烽火通信科技股份有限公司
• 主分類號: G06N3/00
• 分類號: G06N3/00;G06N3/04;G06N3/08;G06Q10/04
• 代理公司: 武漢智權(quán)專利代理事務(wù)所(特殊普通合伙) 42225
• 代理人: 邱云雷

本發(fā)明公開了一種改進布谷鳥搜索算法優(yōu)化極限學(xué)習(xí)機的網(wǎng)絡(luò)流量預(yù)測方法，涉及智能計算技術(shù)領(lǐng)域，本發(fā)明提供的改進布谷鳥搜索算法優(yōu)化極限學(xué)習(xí)機的網(wǎng)絡(luò)流量預(yù)測方法，采用實數(shù)編碼表示每個寄生巢，采用snap?drift布谷鳥搜索算法對極限學(xué)習(xí)機進行參數(shù)優(yōu)化，實現(xiàn)預(yù)測誤差更小，預(yù)測時間更短。本發(fā)明執(zhí)行snap?drift布谷鳥搜索算法給鳥蛋分配解、拒不搜索、概率搜索選擇最差寄生巢、全局搜索、更新Pm和更新Pa等操作，可知算法尋優(yōu)能力強，計算復(fù)雜度低，計算速度快，收斂速度快，能夠進行全局搜索，有跳出局部最優(yōu)解的能力。

技術(shù)領(lǐng)域

本發(fā)明涉及智能計算技術(shù)領(lǐng)域，具體涉及一種改進布谷鳥搜索算法優(yōu)化極限學(xué)習(xí)機的網(wǎng)絡(luò)流量預(yù)測方法。

背景技術(shù)

伴隨著物聯(lián)網(wǎng)、泛在網(wǎng)絡(luò)等概念的提出，下一代互聯(lián)網(wǎng)骨干網(wǎng)各節(jié)點之間、局域網(wǎng)各節(jié)點之間的網(wǎng)絡(luò)流量數(shù)據(jù)將呈現(xiàn)大幅度增長，互聯(lián)網(wǎng)流量即將邁入大數(shù)據(jù)時代。在大數(shù)據(jù)流量背景下，網(wǎng)絡(luò)業(yè)務(wù)類別的急劇增加導(dǎo)致網(wǎng)絡(luò)流量性質(zhì)發(fā)生改變，傳統(tǒng)的流量模型已不適用于當(dāng)今乃至下一代互聯(lián)網(wǎng)流量的分析與預(yù)測，因此對智能網(wǎng)絡(luò)流量預(yù)測的研究勢在必行。ELM(Extreme Learning Machine，極限學(xué)習(xí)機)是人工智能神經(jīng)網(wǎng)絡(luò)的一種，具有結(jié)構(gòu)簡單、訓(xùn)練速度快、調(diào)節(jié)參數(shù)少和泛化能力強等優(yōu)點，并且有極強的非線性逼近能力，作為BP神經(jīng)網(wǎng)絡(luò)的改進，克服了BP神經(jīng)網(wǎng)絡(luò)需要設(shè)置大量的網(wǎng)絡(luò)訓(xùn)練參數(shù)的缺陷，并且容易產(chǎn)生局部最優(yōu)解的問題，因此可以用于刻畫影響短期電力負荷預(yù)測的非線性相關(guān)因素演變，目前已廣泛應(yīng)用于變壓器頂部油溫預(yù)測、霧霾預(yù)測、月降雨量和熱帶氣候預(yù)測、湍流地球物理流量、土壤濕度預(yù)測、風(fēng)電預(yù)測、流量預(yù)測等場合。

但是在實際應(yīng)用中，由于其部分網(wǎng)絡(luò)權(quán)值是隨機初始化的，每次初始化后得出的模型預(yù)測結(jié)果不同。從而導(dǎo)致極限學(xué)習(xí)機網(wǎng)絡(luò)的預(yù)測時間較長，且不能保證其預(yù)測穩(wěn)定性和精度。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)中存在的缺陷，本發(fā)明的目的在于提供一種改進布谷鳥搜索算法優(yōu)化極限學(xué)習(xí)機的網(wǎng)絡(luò)流量預(yù)測方法，提高極限學(xué)習(xí)機的網(wǎng)絡(luò)流量預(yù)測準(zhǔn)確率。

為達到以上目的，本發(fā)明采取的技術(shù)方案是：一種改進布谷鳥搜索算法優(yōu)化極限學(xué)習(xí)機的網(wǎng)絡(luò)流量預(yù)測方法，包括以下步驟：

獲取初選集合，所述初選集合包括多個寄生巢，所述寄生巢指的是巢里面的鳥蛋，每個所述寄生巢的鳥蛋表示極限學(xué)習(xí)機的一組初始權(quán)值和閾值；

計算每個寄生巢的適應(yīng)度值，所述適應(yīng)度值為極限學(xué)習(xí)機的最小預(yù)測誤差，將當(dāng)前種群中適應(yīng)度值最優(yōu)的寄生巢保留至下一代；

通過變量J選擇不同的更新算子對當(dāng)前每個寄生巢中的鳥蛋進行更新求解；

進行局部搜索，將改進的寄生巢的數(shù)量保存在變量Se中；基于概率Pa選擇最差的寄生巢；

進行全局搜索，在變量Se中保存改進的寄生巢的數(shù)量；

根據(jù)局部搜索、全局搜索后更新的解的數(shù)量Se調(diào)整性能指標(biāo)p_m；

根據(jù)p_m判斷使用snap模式或drift模式計算pa的值；

判斷更新次數(shù)是否達到迭代次數(shù)，若是，根據(jù)更新后的適應(yīng)度值最小的寄生巢的位置確定所述極限學(xué)習(xí)機的最優(yōu)初始權(quán)值和閾值；若否，返回繼續(xù)尋找適應(yīng)度值最小的寄生巢。

在上述技術(shù)方案的基礎(chǔ)上，在所述獲取初選集合之前，還包括以下步驟：

對每個寄生巢進行編碼，對于一個包含M個寄生巢的種群，其種群規(guī)模即為M，每個寄生巢的維度即編碼長度為D；

則每寄生巢x_i表示為(x_i1,x_i2,...,x_iD)(i＝1，2，...，M)；