[发明专利]基于离散小波变换和FA-ELM的网络流量预测方法

权利要求书

1.一种基于离散小波变换和FA-ELM的网络流量预测方法，其特征在于，包括：

步骤1，构建DWAFE模型，在所述DWAFE模型中设置数据管理员和模型管理员；

步骤2，获取多个网络流量数据并将所述网络流量数据发送给所述数据管理员，所述数据管理员将所述网络流量数据进行数据预处理，得到数据预处理后的网络流量数据集；

步骤3，对所述网络流量数据集进行离散小波变换，得到一组细节序列和一个趋势序列并发送给所述模型管理员；

步骤4，所述模型管理员采用ADF检验法对所有子序列进行平稳性检验，将子序列分为平稳序列和非平稳序列；

步骤5，通过赤池信息准则和贝叶斯信息准则对每个平稳序列进行定阶，根据每个平稳序列的定阶结果分别构建多个ARIMA模型并进行平稳序列预测，得到多个平稳序列的预测值；

步骤6，通过萤火虫算法搜寻每个非平稳序列中的最优参数，根据搜寻出的每个非平稳序列中的最优参数分别训练ELM模型，分别构建出多个FA-ELM模型并进行非平稳序列预测，得到多个非平稳序列的预测值；

具体包括：

通过萤火虫算法搜寻每个非平稳序列中的最优参数：步骤61，设定萤火虫数量为N，并随机初始化每个萤火虫的位置，设置介质对光的吸收系数为γ＝1，初始步长α＝0.3，初始吸引度β₀＝1.0，吸引度公式为：

其中，β(γ)表示吸引度，最小吸引度β_min＝0.2，最大吸引度β_max＝1，γ表示介质对光的吸收系数，r表示第i个萤火虫与第j个萤火虫之间的欧式距离；

步骤62，采用指标R²作为适应度，计算每个萤火虫的适应度值，如下所示：

其中，R²表示每个萤火虫的适应度值，R²越接近于1，亮度越大，表示预测值，y⁽ⁱ⁾表示真实值，表示均值，i表示第i个萤火虫；

步骤63，每个萤火虫向所有比自身亮度高的萤火虫飞行的位置变化，如下所示：

其中，X’_i表示移动后的萤火虫的位置，X_j表示比第i个萤火虫个体亮度更高的第j个萤火虫的位置，rand()表示随机扰动，rand()的取值为[-0.5,0.5]范围内的均匀分布或U(0,1)的标准正态分布，α表示扰动的步长因子，α的取值为[0,1]之间的小数；

为增加萤火虫算法的收敛性，令步长α迭代衰减，则第t次迭代的步长计算公式为：

α＝α*0.97^t (7)

其中，t表示迭代次数；

由于亮度最大的萤火虫个体不会向其它萤火虫移动，亮度最大的萤火虫个体的位置更新计算，如下所示：

X’_i＝X_i+α*randUniform(-0.5,0.5) (8)

其中，randUniform()表示(-0.5,0.5)的均匀分布；

步骤64，通过式(5)计算萤火虫移动后所处新位置的适应度值，若新位置的适应度值优于移动前位置的适应度值，则移动生效，否则萤火虫将停留在原处；其中，R²表示每个萤火虫的适应度值，R²越接近于1，亮度越大，表示预测值，y⁽ⁱ⁾表示真实值，表示均值，i表示第i个萤火虫；

步骤65，通过在萤火虫算法中设置一个适应度阈值，防止优化后的模型过拟合，每次迭代完成后记录当前最优适应度值，若当前最优适应度值大于设定的适应度阈值或萤火虫算法到达最大迭代次数，则将搜索到的最优萤火虫位置作为解输出，否则将跳到步骤62进行下次迭代；

步骤66，通过萤火虫算法搜寻出的最优参数对ELM模型进行训练，构建出FA-ELM模型，FA-ELM模型输出当前非平稳序列的预测值；

步骤7，将每个平稳序列的预测值和每个非平稳序列的预测值通过离散小波逆变换进行合并，得到网络流量预测结果并作为DWAFE模型的输出，设定所述网络流量预测结果的置信度，并基于网络流量预测结果计算设定的置信度下的动态阈值区间，且将所述动态阈值区间作为触发预警的条件；

计算动态阈值区间，如下所示：

其中，ThresholdRange表示动态阈值区间，表示网络流量预测结果，N表示样本总数，x_i表示第i个样本，u表示样本均值，h表示预测步数，k表示乘子，乘子的取值根据设定的置信度查表得出。