一种基于认知网络的网络流量预测方法和装置

摘要

本发明提供了一种基于认知网络的网络流量预测方法和装置，通过对输入信号X(t)进行最小二乘法处理，输出预测样本数据Y(t)，对Y(t)进行小波变换，分解为不同频率成分的分量，k时刻小波变换系数序列{D1(k)，D2(k)，…DL(k)，AL(k)}，把分量{D1(k)，D2(k)，…DL(k)}作为Elman网络的输入，k+T时刻的小波系数{D1(k+T)，D2(k+T)，…DL(k+T)}作为输出来训练网络，把分量{AL(k)}作为线性网络的输入，{AL(k+T)}来作为输出来训练网络，将训练好的小波各分量{D1(k+T)，D2(k+T)，…DL(k+T)，AL(k+T)}作为BP网络的输入，k+T时刻的原始流量时间{f(k+T)}作为网络输出，训练网络，获取预测输出，针对以往的流量模型以及预测方法的利弊，引入LMS算法对输入样本进行预处理，再输入到接下来的小波神经网络预测模型(WNN)中，解决了现有模型的“过拟合”问题，为网络流量提供更为准确的模型和预测。

主权项

一种基于认知网络的网络流量预测方法，其特征在于，所述方法包括：对输入信号X(t)进行最小二乘法处理，输出预测样本数据Y(t)；对Y(t)进行小波变换，分解为不同频率成分的分量，k时刻小波变换系数序列{D1(k)，D2(k)，…DL(k)，AL(k)}；把分量{D1(k)，D2(k)，…DL(k)}作为Elman网络的输入，k+T时刻的小波系数{D1(k+T)，D2(k+T)，…DL(k+T)}作为输出来训练网络；把分量{AL(k)}作为线性网络的输入，{AL(k+T)}来作为输出来训练网络；将训练好的小波各分量{D1(k+T)，D2(k+T)，…DL(k+T)，AL(k+T)}作为BP网络的输入，k+T时刻的原始流量时间{f(k+T)}作为网络输出，训练网络，获取预测输出。