[发明专利]基于改进ESN的网络流量预测方法

权利要求书

1.基于改进ESN的网络流量预测方法，其特征在于，所述方法包括如下步骤：

步骤1：采集网络流量数据；

步骤2：对网络流量数据进行降噪处理；

步骤3：构造具有双环储备池结构的改进回声状态网络ESN网络流量预测模型，其中根据双环神经元间隔d_max和环数c，构造非零元素绝对值为权值r，大小为N×N的储备池连接矩阵W；

所述步骤3中，构造具有双环储备池结构的改进ESN网络流量预测模型步骤如下：

步骤3-1：根据储备池规模N和输入层神经元个数K，构造非零元素绝对值为权值r，大小为K×N的输入连接矩阵Wⁱⁿ；

步骤3-2：根据双环神经元间隔d_max和环数c，构造非零元素绝对值为权值r，大小为N×N的储备池连接矩阵W；

步骤3-3：对于输入向量u(t)，使用tanh(·)作为储备池内部的激励函数fⁱⁿ，通过如下公式后获得改进ESN储备池中的内部神经元的激励状态x(t)，x(t)＝fⁱⁿ(Wⁱⁿu(t)+Wx(t-1))；

步骤3-4：根据输出连接矩阵W^out，输入向量u(t)和储备池内部神经元激励状态x(t)，使用恒等函数作为输出激励函数f^out，通过如下公式后获得输出向量y(t)，y(t)＝f^out(W^out(u(t)，x(t)))；

步骤4：使用采集到的网络流量数据和降噪后的网络流量数据训练步骤3构造的基于改进ESN的网络流量预测模型；

步骤5：使用步骤4中训练好的基于改进ESN的网络流量预测模型预测未来时刻网络流量。

2.根据权利要求1所述的基于改进ESN的网络流量预测方法，其特征在于：所述步骤1采集网络流量数据中，在规定的采样时间内，统计每分钟数据包的总数，最终获得一定数量的网络流量数据集合Tr(t)，Tr(t)＝{tr(1)，tr(2)，...，tr(t)}，其中tr(t)为时刻t的网络流量数据。

3.根据权利要求1所述的基于改进ESN的网络流量预测方法，其特征在于：所述步骤2中，对采集到的网络流量数据进行降噪处理需要先对网络流量数据进行相空间重构，然后使用局部投影方法去对已知的网络流量数据进行降噪处理，最终获得一定数量的降噪后的网络流量数据集合Tr^den(t)，Tr^den(t)＝{tr^den(1)，tr^den(2)，...，tr^den(t)}，其中tr^den(t)为时刻t的网络流量降噪数据。

4.根据权利要求1所述的基于改进ESN的网络流量预测方法，其特征在于：所述步骤2中，对网络流量数据进行降噪处理分为以下步骤：

步骤2-1：对于采集到的流量数据集合Tr(t)，利用交互信息法求出相空间重构所需的时延τ；

步骤2-2：对于采集到的流量数据集合Tr(t)，利用改进虚假最邻近点法求出相空间重构所需的嵌入维数m；

步骤2-3：根据时延τ和嵌入维数m，对已知流量数据进行相空间重构，并存储；

步骤2-4：对于相空间中的每一个相点，选取相应的局部邻域，采用局部投影方法对已知的网络流量数据进行降噪处理，获得降噪后的网络流量数据的集合Tr^den(t)。