[发明专利]改进布谷鸟搜索算法优化极限学习机的网络流量预测方法

说明书

本发明公开了一种改进布谷鸟搜索算法优化极限学习机的网络流量预测方法，涉及智能计算技术领域，本发明提供的改进布谷鸟搜索算法优化极限学习机的网络流量预测方法，采用实数编码表示每个寄生巢，采用snap‑drift布谷鸟搜索算法对极限学习机进行参数优化，实现预测误差更小，预测时间更短。本发明执行snap‑drift布谷鸟搜索算法给鸟蛋分配解、拒不搜索、概率搜索选择最差寄生巢、全局搜索、更新Pm和更新Pa等操作，可知算法寻优能力强，计算复杂度低，计算速度快，收敛速度快，能够进行全局搜索，有跳出局部最优解的能力。

技术领域

本发明涉及智能计算技术领域，具体涉及一种改进布谷鸟搜索算法优化极限学习机的网络流量预测方法。

背景技术

伴随着物联网、泛在网络等概念的提出，下一代互联网骨干网各节点之间、局域网各节点之间的网络流量数据将呈现大幅度增长，互联网流量即将迈入大数据时代。在大数据流量背景下，网络业务类别的急剧增加导致网络流量性质发生改变，传统的流量模型已不适用于当今乃至下一代互联网流量的分析与预测，因此对智能网络流量预测的研究势在必行。ELM(Extreme Learning Machine，极限学习机)是人工智能神经网络的一种，具有结构简单、训练速度快、调节参数少和泛化能力强等优点，并且有极强的非线性逼近能力，作为BP神经网络的改进，克服了BP神经网络需要设置大量的网络训练参数的缺陷，并且容易产生局部最优解的问题，因此可以用于刻画影响短期电力负荷预测的非线性相关因素演变，目前已广泛应用于变压器顶部油温预测、雾霾预测、月降雨量和热带气候预测、湍流地球物理流量、土壤湿度预测、风电预测、流量预测等场合。

但是在实际应用中，由于其部分网络权值是随机初始化的，每次初始化后得出的模型预测结果不同。从而导致极限学习机网络的预测时间较长，且不能保证其预测稳定性和精度。

发明内容

针对现有技术中存在的缺陷，本发明的目的在于提供一种改进布谷鸟搜索算法优化极限学习机的网络流量预测方法，提高极限学习机的网络流量预测准确率。

为达到以上目的，本发明采取的技术方案是：一种改进布谷鸟搜索算法优化极限学习机的网络流量预测方法，包括以下步骤：

获取初选集合，所述初选集合包括多个寄生巢，所述寄生巢指的是巢里面的鸟蛋，每个所述寄生巢的鸟蛋表示极限学习机的一组初始权值和阈值；

计算每个寄生巢的适应度值，所述适应度值为极限学习机的最小预测误差，将当前种群中适应度值最优的寄生巢保留至下一代；

通过变量J选择不同的更新算子对当前每个寄生巢中的鸟蛋进行更新求解；

进行局部搜索，将改进的寄生巢的数量保存在变量Se中；基于概率Pa选择最差的寄生巢；

进行全局搜索，在变量Se中保存改进的寄生巢的数量；

根据局部搜索、全局搜索后更新的解的数量Se调整性能指标p_m；

根据p_m判断使用snap模式或drift模式计算pa的值；

判断更新次数是否达到迭代次数，若是，根据更新后的适应度值最小的寄生巢的位置确定所述极限学习机的最优初始权值和阈值；若否，返回继续寻找适应度值最小的寄生巢。

在上述技术方案的基础上，在所述获取初选集合之前，还包括以下步骤：

对每个寄生巢进行编码，对于一个包含M个寄生巢的种群，其种群规模即为M，每个寄生巢的维度即编码长度为D；

则每寄生巢x_i表示为(x_i1,x_i2,...,x_iD)(i＝1，2，...，M)；