[發(fā)明專利]一種基于GWO-SVR的分步網絡流量預測方法

有效

• 申請?zhí)枺?/td>: 202110547557.7
• 申請日: 2021-05-19
• 公開（公告）號: CN113300884B
• 公開（公告）日: 2022-07-08
• 發(fā)明（設計）人: 李宏慧;付學良;張佳琪
• 申請（專利權）人: 內蒙古農業(yè)大學
• 主分類號: H04L41/147
• 分類號: H04L41/147;G06N3/00;G06K9/62
• 代理公司: 西安研創(chuàng)天下知識產權代理事務所(普通合伙) 61239
• 代理人: 郭璐

1.一種基于GWO-SVR的分步網絡流量預測方法，其特征在于，包括以下步驟：

1)獲取歷史數據

獲取待預測歷史流量數據集S，且集合S中的每個元素S_i＝{t_i,b_i,b_i+1}，b_i為在t_i時刻網絡流量帶寬，b_i+1為下一時刻的流量帶寬；

2)建立流量預測模型

第一種模型建立方法：基于SVR算法構建SVR流量預測模型，再將步驟1中的歷史流量數據集S輸入到SVR流量預測模型中，通過單步流量預測方法建立單步流量預測模型；

所述通過單步流量預測方法的操作步驟包括：

S21：將輸入的歷史流量數據集S劃分為訓練集Tr和測試集Ts；

S22：初始化灰狼種群數量N，解空間維度D，候選解空間和最大迭代次數以及收斂因子a，且每個灰狼個體的位置對應SVR參數(C，ε，γ)的一個候選解；

S23：將所述候選解作為SVR流量預測模型的參數，利用訓練集Tr來訓練SVR流量預測模型；

S24：計算每個灰狼個體的適應度函數值，得到每個灰狼的適應度；

S25：將得到的適應度最優(yōu)的、次優(yōu)的和第三優(yōu)的灰狼個體位置分別定義為α狼、β狼、δ狼的位置，即X_α、X_β、X_δ；

S26：對狼群進行移動，更新灰狼位置，且灰狼進行移動的公式為：

其中，式(7)表示α狼、β狼、δ狼與其他灰狼之間的距離向量；式(8)表示灰狼種群分別在α、β、δ狼的指導下進行的位置更新，通過式(9)合成灰狼種群的最終位置，B₁、B₂、B₃表示當前時刻的協調系數向量，A₁、A₂、A₃表示當前時刻的收斂系數向量；

S27：隨著收斂因子a的值從2到0的線性遞減，根據更新公式來更新收斂系數向量A和協調系數向量B的值，所述更新公式為：

A＝2a·r₁-a (10)，

B＝2r₂ (11)；

其中，r₁、r₂表示隨機向量；

S28：判斷是否滿足迭代終止條件，若滿足，則轉入S29；否則，則返回S24；

S29：輸出α狼的位置坐標，即得到SVR參數(C，ε，γ)的最優(yōu)值，完成SVR流量預測模型的優(yōu)化，最終得到單步流量預測模型；

第二種模型建立方法：以第一種建立方法所建立的單步流量預測模型基礎，結合兩步流量預測方法建立兩步流量預測模型；

3)輸出結果

根據單步流量預測模型或兩步流量預測模型輸出下一時刻的網絡流量預測結果b_i+1。

2.根據權利要求1所述的一種基于GWO-SVR的分步網絡流量預測方法，其特征在于，所述第二種模型的建立步驟包括：

S31：輸入歷史流量數據集S，將S劃分為訓練集Tr₁、Tr₂和測試集Ts；

S32：利用第一種模型建立方法中所述的單步流量預測方法對訓練集Tr₁進行訓練，得到初級預測模型，利用該初級預測模型進行流量預測得到初步流量預測結果b′_i；

S33：將b′_i與Tr₂中的數據進行融合，得到Tr₂′＝{(t_i,b′_i,b_i+1)；

S34：構建SVR預測模型，再以Tr₂′為輸入流量數據集，再次利用單步流量預測方法對所述SVR預測模型進行優(yōu)化，最終得到兩步流量預測模型。