[發明專利]基于組合模型的網絡流量預測方法

有效

• 申請號: 202110436494.8
• 申請日: 2021-04-22
• 公開（公告）號: CN113206756B
• 公開（公告）日: 2023-10-03
• 發明（設計）人: 杜秀麗;范志宇;呂亞娜;邱少明;陶帆
• 申請（專利權）人: 大連大學
• 主分類號: H04L41/147
• 分類號: H04L41/147;H04L41/14;G06N3/084;G06N3/006;H04L43/0876;G06N3/0442
• 代理公司: 大連智高專利事務所(特殊普通合伙) 21235
• 代理人: 畢進

1.基于組合模型的網絡流量預測方法，其特征在于，包括訓練階段和預測階段，所述訓練階段在對雙向長短期記憶循環神經網絡訓練的同時，對灰狼優化支持向量機模型也進行訓練；所述預測階段以雙向長短期記憶循環神經網絡和灰狼優化支持向量機模型的預測結果殘差平方和最小為目標，根據各自上一次預測結果誤差調整對應的權重值，動態加權后得到兩個組合模型的預測結果。

2.根據權利要求1所述基于組合模型的網絡流量預測方法，其特征在于，對雙向長短期記憶循環神經網絡訓練的方法為：

Step1：使用滑動窗口技術處理采集得到的原始網絡流量數據，完成歸一化和數據化分后，得到網絡流量訓練集；

Step2：確定訓練樣本數，設置訓練目標值與最大訓練次數；

Step3：初始化雙向長短期記憶循環神經網絡的各個參數；

Step4：判斷訓練計數值是否大于最大訓練次數，如果大于，執行Step9，否則繼續往下，執行Step5；

Step5：將所述網絡流量訓練集的數據輸入到雙向長短期記憶循環神經網絡中，進行前向計算；

Step6：所述雙向長短期記憶循環神經網絡中的正向和反向輸出進行加權融合得到預測結果；

Step7：將預測結果與真實值進行比較，獲取預測誤差值；

Step8：如果預測誤差值小于目標誤差值，繼續執行Step9；否則執行基于時間的反向傳播算法對網絡參數值進行更新，同時訓練計數值加1，返回Step4；

Step9：完成對雙向長短期記憶循環神經網絡的訓練。

3.根據權利要求1所述基于組合模型的網絡流量預測方法，其特征在于，對灰狼優化支持向量機模型進行訓練的方法為：

Step1：使用滑動窗口技術處理采集得到的原始網絡流量數據，完成歸一化和數據化分后，得到網絡流量訓練集；

Step2：設定訓練目標值同時選定支持向量機所用核函數；

Step3：初始化灰狼算法的各個參數，其包括狼群總體的個數、進行循環迭代的最大次數、參數邊界范圍；

Step4：將支持向量機的懲罰因子C和核函數參數g轉化為狼群各位的參數坐標，從而初始化α、β和δ狼的位置和目標函數值；

Step5：遍歷每個狼，如果搜索位置超出了搜索空間，則重新回到搜索空間，同時獲取狼群初始適應度；

Step6：根據適應度最好的狼所在位置來進一步調整更新三只頭狼，同時根據三只頭狼最新的位置對狼群所在的位置進行優化；

Step7：如果迭代次數小于設定值，返回Step5；否則得到最優的懲罰因子C和核函數參數g；

Step8：訓練得到最優的灰狼優化支持向量機模型；

Step9：完成對支持向量機的訓練。

4.根據權利要求1所述基于組合模型的網絡流量預測方法，其特征在于，預測階段具體實現方法為：

Step1：使用滑動窗口技術處理采集得到的原始網絡流量數據，完成歸一化和數據化分后，得到網絡流量測試集；

Step2：將網絡流量測試集的數據輸入到雙向長短期記憶循環神經網絡中進行前向計算，同時也將網絡流量測試集的數據輸入到灰狼優化支持向量機模型中；

Step3：分別得到雙向長短期記憶循環神經網絡和灰狼優化支持向量機模型的預測結果；

Step4：根據雙向長短期記憶循環神經網絡和灰狼優化支持向量機模型各自上一次預測結果誤差獲取對應的權重值，進行動態加權；

Step5：得到最終的預測結果。