一种基于共变正交和神经网络的网络流量预测方法

摘要

本发明公开了一种基于共变正交和神经网络的网络流量预测方法，该方法首先确定神经网络参数，再利用神经网络参数进行网络流量计算。基于共变正交原理的流量预测方法可以有效的预测网络中的流量变化趋势，但对流量数值的精度预测上还有较大差距；基于神经网络的流量预测方法由于其无法准确描述网络流量的特性，因此在预测流量的变化趋势上效果一般，但在流量数值的精度预测上比较有效。本发明将这两种流量预测方法有机的结合起来，设计了一种新的基于共变正交和神经网络的流量预测方法，该方法结合了两者的长处，达到优势互补，能够有效准确的预测网络流量，该方法适用于任何实际网络的流量预测。

主权项

1.一种基于共变正交和神经网络的网络流量预测方法，其特征在于，该方法首先确定神经网络参数，再利用神经网络参数进行网络流量计算；神经网络参数确定过程为：(1.1)从网络流量数据中采集流量样本序列A＝A₁，A₂，L，A_s，s表示流量样本序列所包括采样点的个数，利用数据的比例性质来对已采集的流量样本序列A估计α特征参数值，同时对流量样本序列A＝A₁，A₂，L，A_s进行归一化处理，得到归一化流量序列X＝X₁，X₂，L，X_s；(1.2)进行初始化，确定以下三个参数：样本空间大小n，预测阶数m以及预测步数k，且n，m和k的大小满足n≥m+k；(1.3)计算m阶常数矩阵μ，v，其对应元素分别为：μ_i，j＝max(i，j)+1，v_i，j＝n+min(i，j)其中i，j分别表示常数矩阵的行号和列号，其取值从0到m-1；(1.4)记向量其中整数s，t满足：n≥s＞t≥1，p为介于1和流量的α特征参数之间的实数值；(1.5)根据下式计算矩阵Q和向量β：Q＝(q_i，j)，其中令计算得到预测系数向量(1.6)计算第n+k个采样点的共变正交流量预测值Y_n+k，$Y_{n+k}=\underset{l=1}{\overset{m}{\Sigma }}{a}_l{X}_{n+1-l}$(1.7)利用步骤(1.6)中的公式计算出M个共变正交流量预测值，得到一组预测序列Y＝Y_n+k，Y_n+k+1，Λ，Y_n+k+M，同时提出取该预测序列对应的流量样本序列X＝X_n+k，X_n+k+1，Λ，X_n+k+M；M表示共变正交流量预测值的个数。(1.8)初始化BP神经网络，确定隐含层激活函数和输出层激活函数，输入节点数b的数量，隐含层节点数c的数量，输出节点d的数量，b和d的值均等于M；设定神经网络学习速率L，期望最小误差E，训练最大次数N；随机给出输入层与隐含层间的权值W_cb，输入层与隐含层间的权值W_dc，隐含层的权值系数修整值Δw_cb，输出层的权值系数修整值Δw_dc；(1.9)将预测序列Y＝Y_n+k，Y_n+k+1，Λ，Y_n+k+M作为BP神经网络的学习输入值，流量样本序列X＝X_n+k，X_n+k+1，Λ，X_n+k+M作为BP神经网络的期望输出值来对BP神经网络进行训练，一直训练到输出值与输入值的误差均值满足期望最小误差E为止，得到输入层与隐含层间的权值W_cb和隐含层与输出层间的权值W_dc；网络流量计算过程为：(2.1)从与预测建立过程中相同的网络中提取流量序列F＝F₁，F₂，Λ，F_n，并对已提取的流量序列估计α特征参数值，并设定与步骤(1.2)相同的三个参数：样本空间大小n，预测阶数m以及预测步数k；(2.2)构建向量和其中n≥s＞t≥1，F_s^p-1表示对F_s的p-1次乘幂，1＜p＜α，；(2.3)利用步骤(1.5)中的两个公式对和进行处理，并计算得到预测系数向量(2.4)由计算出P_n+k，再利用该公式计算出一个长度为M的序列P＝P_n+k，P_n+k+1，Λ，P_n+k+M，将序列P通过预测建立过程中训练好的BP神经网络，得到第n+k到n+k+M时刻的最终流量预测序列，记为H＝H_n+k，H_n+k+1，Λ，H_n+k+M；2.5n＝n+1，转至步骤(2.1)，更新F₁，F₂，...，F_n的值，再进行下一轮预测，直至所有网络流量预测完毕。