[發(fā)明專利]基于組合模型的網(wǎng)絡(luò)流量預(yù)測方法

有效

• 申請?zhí)枺?/td>: 202110436494.8
• 申請日: 2021-04-22
• 公開（公告）號(hào): CN113206756B
• 公開（公告）日: 2023-10-03
• 發(fā)明（設(shè)計(jì)）人: 杜秀麗;范志宇;呂亞娜;邱少明;陶帆
• 申請（專利權(quán)）人: 大連大學(xué)
• 主分類號(hào): H04L41/147
• 分類號(hào): H04L41/147;H04L41/14;G06N3/084;G06N3/006;H04L43/0876;G06N3/0442
• 代理公司: 大連智高專利事務(wù)所(特殊普通合伙) 21235
• 代理人: 畢進(jìn)

本發(fā)明公開了基于組合模型的網(wǎng)絡(luò)流量預(yù)測方法，包括訓(xùn)練階段和預(yù)測階段，所述訓(xùn)練階段在對(duì)雙向長短期記憶循環(huán)神經(jīng)網(wǎng)絡(luò)訓(xùn)練的同時(shí)，對(duì)灰狼優(yōu)化支持向量機(jī)模型也進(jìn)行訓(xùn)練；所述預(yù)測階段以雙向長短期記憶循環(huán)神經(jīng)網(wǎng)絡(luò)和灰狼優(yōu)化支持向量機(jī)模型的預(yù)測結(jié)果殘差平方和最小為目標(biāo)，根據(jù)各自上一次預(yù)測結(jié)果誤差調(diào)整對(duì)應(yīng)的權(quán)重值，動(dòng)態(tài)加權(quán)后得到兩個(gè)組合模型的預(yù)測結(jié)果。本申請發(fā)揮雙向長短期記憶循環(huán)神經(jīng)網(wǎng)絡(luò)處理非線性問題和容錯(cuò)能力強(qiáng)的優(yōu)勢，同時(shí)利用支持向量機(jī)泛化能力較強(qiáng)且依據(jù)結(jié)構(gòu)化風(fēng)險(xiǎn)最小的思想進(jìn)行求解獲得全局最優(yōu)解，使兩者優(yōu)勢互補(bǔ)。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)網(wǎng)絡(luò)領(lǐng)域，具體涉及一種基于灰狼優(yōu)化支持向量機(jī)和雙向長短期記憶循環(huán)神經(jīng)網(wǎng)絡(luò)組合模型的網(wǎng)絡(luò)流量預(yù)測方法。

背景技術(shù)

進(jìn)入二十一世紀(jì)后，互聯(lián)網(wǎng)不斷的更新升級(jí)，網(wǎng)絡(luò)及其相關(guān)設(shè)施作為信息化的基礎(chǔ)，具有的規(guī)模不斷擴(kuò)增，已經(jīng)成為了現(xiàn)代社會(huì)發(fā)展的重要標(biāo)志，更是國家實(shí)力強(qiáng)大的象征。世界各國將建設(shè)網(wǎng)絡(luò)提高到了國家戰(zhàn)略發(fā)展層面。中國也十分關(guān)注網(wǎng)絡(luò)建設(shè)。伴隨著網(wǎng)絡(luò)的普及和多網(wǎng)融合的快速發(fā)展，網(wǎng)絡(luò)己經(jīng)滲透到人民生活、社會(huì)生產(chǎn)、國家安全的各個(gè)方面，它在國民經(jīng)濟(jì)和社會(huì)發(fā)展中所占的地位越來越大。因此，是否能夠準(zhǔn)確、快速的掌握網(wǎng)絡(luò)運(yùn)行的情況、優(yōu)化提高網(wǎng)絡(luò)性能、盡可能提供安全的網(wǎng)絡(luò)將會(huì)對(duì)生活、教育、政治、經(jīng)濟(jì)等許多方面產(chǎn)生巨大的影響。

網(wǎng)絡(luò)的管理、設(shè)計(jì)和規(guī)劃全都依托于準(zhǔn)確的網(wǎng)絡(luò)流量預(yù)測。然而，隨著異構(gòu)網(wǎng)絡(luò)不斷融合，網(wǎng)絡(luò)服務(wù)和用戶數(shù)量的大幅增加，網(wǎng)絡(luò)流量數(shù)據(jù)互換方式的變化，特別是與網(wǎng)絡(luò)相關(guān)技術(shù)和應(yīng)用的崛起，使得網(wǎng)絡(luò)流量的組成和構(gòu)造都產(chǎn)生了巨大的改變，傳統(tǒng)的網(wǎng)絡(luò)流量預(yù)測方法已難以滿足在保證網(wǎng)絡(luò)安全的前提下，優(yōu)化網(wǎng)絡(luò)協(xié)議設(shè)計(jì)，同時(shí)增強(qiáng)網(wǎng)絡(luò)運(yùn)行效率的需求。因此，為了滿足新時(shí)期互聯(lián)網(wǎng)的發(fā)展和網(wǎng)絡(luò)結(jié)構(gòu)的升級(jí)，迫切的需要對(duì)網(wǎng)絡(luò)流量特性進(jìn)行分析和開展網(wǎng)絡(luò)流量預(yù)測研究。

不同的網(wǎng)絡(luò)流量預(yù)測模型具備不完全相同的預(yù)測能力，以模型自身的核心思想為基礎(chǔ)，結(jié)合自身的結(jié)構(gòu)特點(diǎn)，獲取各自所需的有用信息，從而得到不完全相同的預(yù)測結(jié)果。但無論哪一種預(yù)測模型都難以精確地反映出整個(gè)系統(tǒng)所有的變化規(guī)律。如支持向量機(jī)模型容錯(cuò)能力較差，面對(duì)網(wǎng)絡(luò)流量變化復(fù)雜的情況預(yù)測能力有所欠缺；雙向長短期記憶循環(huán)神經(jīng)網(wǎng)絡(luò)有一定風(fēng)險(xiǎn)會(huì)過擬合，失去泛化能力，只能得到局部最優(yōu)解。

發(fā)明內(nèi)容

針對(duì)以上問題，本發(fā)明目的是提供基于組合模型的網(wǎng)絡(luò)流量預(yù)測方法，發(fā)揮雙向長短期記憶循環(huán)神經(jīng)網(wǎng)絡(luò)處理非線性問題和容錯(cuò)能力強(qiáng)的優(yōu)勢，同時(shí)利用支持向量機(jī)泛化能力較強(qiáng)且依據(jù)結(jié)構(gòu)化風(fēng)險(xiǎn)最小的思想進(jìn)行求解獲得全局最優(yōu)解，使兩者優(yōu)勢互補(bǔ)。

為實(shí)現(xiàn)上述目的，本申請的技術(shù)方案為：基于組合模型的網(wǎng)絡(luò)流量預(yù)測方法，包括訓(xùn)練階段和預(yù)測階段，所述訓(xùn)練階段在對(duì)雙向長短期記憶循環(huán)神經(jīng)網(wǎng)絡(luò)訓(xùn)練的同時(shí)，對(duì)灰狼優(yōu)化支持向量機(jī)模型也進(jìn)行訓(xùn)練；所述預(yù)測階段以雙向長短期記憶循環(huán)神經(jīng)網(wǎng)絡(luò)和灰狼優(yōu)化支持向量機(jī)模型的預(yù)測結(jié)果殘差平方和最小為目標(biāo)，根據(jù)各自上一次預(yù)測結(jié)果誤差調(diào)整對(duì)應(yīng)的權(quán)重值，動(dòng)態(tài)加權(quán)后得到兩個(gè)組合模型的預(yù)測結(jié)果。

進(jìn)一步的，對(duì)雙向長短期記憶循環(huán)神經(jīng)網(wǎng)絡(luò)訓(xùn)練的方法為：

Step1：使用滑動(dòng)窗口技術(shù)處理采集得到的原始網(wǎng)絡(luò)流量數(shù)據(jù)，完成歸一化和數(shù)據(jù)化分后，得到網(wǎng)絡(luò)流量訓(xùn)練集；

Step2：確定訓(xùn)練樣本數(shù)，設(shè)置訓(xùn)練目標(biāo)值與最大訓(xùn)練次數(shù)；

Step3：初始化雙向長短期記憶循環(huán)神經(jīng)網(wǎng)絡(luò)的各個(gè)參數(shù)；

Step4：判斷訓(xùn)練計(jì)數(shù)值是否大于最大訓(xùn)練次數(shù)，如果大于，執(zhí)行Step9，否則繼續(xù)往下，執(zhí)行Step5；

Step5：將所述網(wǎng)絡(luò)流量訓(xùn)練集的數(shù)據(jù)輸入到雙向長短期記憶循環(huán)神經(jīng)網(wǎng)絡(luò)中，進(jìn)行前向計(jì)算；

Step6：所述雙向長短期記憶循環(huán)神經(jīng)網(wǎng)絡(luò)中的正向和反向輸出進(jìn)行加權(quán)融合得到預(yù)測結(jié)果；

Step7：將預(yù)測結(jié)果與真實(shí)值進(jìn)行比較，獲取預(yù)測誤差值；