[发明专利]一种短期网络流量预测方法

权利要求书

1.一种短期网络流量预测方法，其特征在于：包括以下步骤：

步骤1：数据预处理，将数据集拆分成训练样本和测试样本；

步骤2：初始化小波神经网络WNN结构及自适应微分进化算法ADE种群大小NP、最大进化代数G、初始变异概率F₀、交叉因子CR的参数；

步骤3：对种群中NP个个体进行编码，向量维度与小波神经网络的连接权值，小波基函数的伸缩系数、平移系数以及动量项系数相对应；

步骤4：自适应微分进化算法对编码后的群体进行训练，通过自适应变异、交叉、选择操作，搜索适应度最优异的个体；

步骤5：将寻优后的连接权值和小波系数赋给小波神经网络；

步骤6：小波神经网络训练，计算网络输出值及误差值，并进行连接权值和小波系数的调整；

步骤7：输入测试样本进行短时网络流量预测；

步骤8：计算评价指标，给出预测结果；

所述自适应微分进化算法步骤如下：

(1)种群初始化

假设种群大小为NP，每个个体均为N维向量，进化总代数为G，种群中第i个个体向量的编码方式定义如下：

x_i(0)＝(x_i，0(0)，…，x_i，N-1(0))，i∈[1，NP]

N＝m×s+s×m+2×s+1

式中，m为WNN的输入层数，s为隐含层数，n为输出层数；

第i个个体的第j维度值取值方式如下：

x_i，j(0)＝x_{j_min}+rand(0，1)(x_{j_max}-x_{j_min})

式中，i∈[1,NP]，j∈[0,N-1]，rand(0,1)为产生一个在0和1之间的随机数；

(2)适应度计算

适应度计算函数为：

式中，E为上述WNN的误差评价指标函数，即训练误差越小，适应度越大；

(3)变异操作

目标个体的变异行为通过微分策略实现，变异操作方式如下：

v_i(g)＝x_i1(g)+F·(x_i2(g)-x_i3(g))，i≠i₁≠i₂≠i₃

式中，F∈(0,1)，为用于控制缩放比例的变异因子，g代表当前进化代数，x_i1(g)表示目标个体，v_i(g)表示经过变异后的变异个体；

根据算法寻优求解的情况，实时修正变异因子F，自适应变异算法的设计如下：

式中，F₀为算法初始变异概率；F∈[F₀,2F₀]的取值范围，能够保持种群中个体的多样性；

(4)交叉操作

采用二项式选择的交叉操作方式，计算公式如下：

式中，交叉因子CR∈(0,1)，jrand∈[0,N-1]；

CR调整策略如下：

式中，CR_min，CR_max分别为交叉因子的下限和上限，f_i为个体x_i的适应度值，f_min和f_max为当前种群中最差和最优个体的适应度值，为种群个体适应度的平均值；

(5)选择操作

采用贪婪算法进行选择进入下一代的个体：

2.根据权利要求1所述的一种短期网络流量预测方法，其特征在于：所述方法采用的是隐含层神经元激励函数为Morlet小波函数：

3.根据权利要求1所述的一种短期网络流量预测方法，其特征在于：所述小波神经网络模型学习算法的步骤如下：

(1)输入数据，计算网络输出值；

隐含层的输出计算公式为：

式中，φ(x)为小波基函数，a_j、b_j分别为其中的伸缩系数和平移系数；

输出层的计算公式为：

(2)计算网络误差值；

e_k＝y-y_k

式中，y为实际期望值，y_k为预测值；

WNN的误差评价指标函数为：

(3)误差反向传播，依据使用动量项改进后的梯度下降算法，修正各项参数；

式中，g为当前训练次数，M_c为动量项系数，修正量Δ的计算公式为：

式中，η₁为连接权值的学习概率，η₂为小波系数的学习概率。