[发明专利]一种短期网络流量预测方法

说明书

本发明提供了基于自适应微分进化算法优化小波神经网络的短期网络流量预测方法，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；本发明在小波神经网络修正参数的步骤中增加动量项；同时采用自适应微分进化算法(ADE)生成小波神经网络初始连接权值、小波系数及动量项系数，通过优化调整WNN参数初始化的策略，建立了基于自适应微分进化算法优化小波神经网络(ADE‑WNN)的模型，经过优化改进的小波神经网络模型，收敛速度更快，预测精度也更高且具有很好的稳定性，可以有效地预测未来短期的网络流量数据。

技术领域

本发明涉及网络人工智能技术领域，具体为一种短期网络流量预测方法。

背景技术

随着互联网信息时代的飞速发展，网络应用规模和拓扑结构迅速增长，网络的性能和服务质量等问题也随之显现出来。用户希望通过互联网获得更优质、更可靠的服务，而网络服务提供商则希望通过优化网络资源来提高网络的可控性和管理性，进而提高其利用率。流量信息是网络负荷状态的重要反馈指标，通过精准可靠地预测网络流量，掌握其规律和趋势并及时进行调控，能够大大提升网络资源利用率和服务质量。

网络流量具有非线性、自相关性、多分形性等复杂特点。传统的网络流量预测方法通常使用自回归滑动平均模型(ARMA)、差分自回归滑动平均模型(ARIMA)和马尔可夫调制泊松过程模型(MMPP)等线性预测模型。现时代以人工神经网络为代表的非线性预测方法，拥有卓越的泛化能力与预测能力，例如有基于时间序列相关的自适应BP神经网络的网络流量预测模型，以及结合量子遗传算法优化BP神经网络的组合模型并应用在校园网络流量预测场景中。最新出现的小波神经网络使得神经网络对非线性结构数据的泛化能力和预测能力有一定程度的提高。

传统的线性预测模型无法准确地刻画网络流量的基本特征，并且方法简单，泛化能力弱，预测结果误差较高。BP神经网络模型本身存在的一些固有缺陷。小波神经网络的基础结构和训练模式并没有发生改变，所以仍旧存在容易陷入局部最优和训练速度缓慢等缺陷。

发明内容

本发明的目的在于提供一种短期网络流量预测方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种短期网络流量预测方法，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。

进一步的，所述方法采用的是隐含层神经元激励函数为Morlet小波函数：

进一步的，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：