[发明专利]一种基于GWO-SVR的分步网络流量预测方法

权利要求书

1.一种基于GWO-SVR的分步网络流量预测方法，其特征在于，包括以下步骤：

1)获取历史数据

获取待预测历史流量数据集S，且集合S中的每个元素S_i＝{t_i,b_i,b_i+1}，b_i为在t_i时刻网络流量带宽，b_i+1为下一时刻的流量带宽；

2)建立流量预测模型

第一种模型建立方法：基于SVR算法构建SVR流量预测模型，再将步骤1中的历史流量数据集S输入到SVR流量预测模型中，通过单步流量预测方法建立单步流量预测模型；

所述通过单步流量预测方法的操作步骤包括：

S21：将输入的历史流量数据集S划分为训练集Tr和测试集Ts；

S22：初始化灰狼种群数量N，解空间维度D，候选解空间和最大迭代次数以及收敛因子a，且每个灰狼个体的位置对应SVR参数(C，ε，γ)的一个候选解；

S23：将所述候选解作为SVR流量预测模型的参数，利用训练集Tr来训练SVR流量预测模型；

S24：计算每个灰狼个体的适应度函数值，得到每个灰狼的适应度；

S25：将得到的适应度最优的、次优的和第三优的灰狼个体位置分别定义为α狼、β狼、δ狼的位置，即X_α、X_β、X_δ；

S26：对狼群进行移动，更新灰狼位置，且灰狼进行移动的公式为：

其中，式(7)表示α狼、β狼、δ狼与其他灰狼之间的距离向量；式(8)表示灰狼种群分别在α、β、δ狼的指导下进行的位置更新，通过式(9)合成灰狼种群的最终位置，B₁、B₂、B₃表示当前时刻的协调系数向量，A₁、A₂、A₃表示当前时刻的收敛系数向量；

S27：随着收敛因子a的值从2到0的线性递减，根据更新公式来更新收敛系数向量A和协调系数向量B的值，所述更新公式为：

A＝2a·r₁-a (10)，

B＝2r₂ (11)；

其中，r₁、r₂表示随机向量；

S28：判断是否满足迭代终止条件，若满足，则转入S29；否则，则返回S24；

S29：输出α狼的位置坐标，即得到SVR参数(C，ε，γ)的最优值，完成SVR流量预测模型的优化，最终得到单步流量预测模型；

第二种模型建立方法：以第一种建立方法所建立的单步流量预测模型基础，结合两步流量预测方法建立两步流量预测模型；

3)输出结果

根据单步流量预测模型或两步流量预测模型输出下一时刻的网络流量预测结果b_i+1。

2.根据权利要求1所述的一种基于GWO-SVR的分步网络流量预测方法，其特征在于，所述第二种模型的建立步骤包括：

S31：输入历史流量数据集S，将S划分为训练集Tr₁、Tr₂和测试集Ts；

S32：利用第一种模型建立方法中所述的单步流量预测方法对训练集Tr₁进行训练，得到初级预测模型，利用该初级预测模型进行流量预测得到初步流量预测结果b′_i；

S33：将b′_i与Tr₂中的数据进行融合，得到Tr₂′＝{(t_i,b′_i,b_i+1)；

S34：构建SVR预测模型，再以Tr₂′为输入流量数据集，再次利用单步流量预测方法对所述SVR预测模型进行优化，最终得到两步流量预测模型。