[发明专利]一种考虑小波跨层关联性的网络流量预测方法

摘要

本发明属于网络通信技术领域，尤其涉及一种考虑小波跨层关联性的网络流量预测方法，首先对流量数据进行小波分解并利用经典神经网络方法对最高层的细节分量和近似分量进行预测；然后由高到低逐层完成对细节分量的预测，在神经网络训练过程中，通过代价函数将细节分量的层内关联性和层间关联性进行融合，提高对各层细节分量的预测精度；最后，通过小波重构实现对网络流量的精确预测。本发明对小波神经网络流量预测算法中各层分量无关联预测的缺点进行了改进，考虑了层间相关性和层内相关性，采用冗余小波方案对流量进行分解，克服了小波变换的移变性；通过修改代价函数，利用相邻层的信息来提高对细节分量的预测精度，从而提高整体流量的预测精度。

主权项

1.一种考虑小波跨层关联性的网络流量预测方法，其特征在于，包括：步骤1：将原始流量数据利用冗余小波进行J层分解，J为整数，取值为3～5；步骤2：利用经典神经网络预测方法对第J层的细节分量与近似分量进行预测，并令j＝J；步骤3：建立考虑小波层间关联和层内关联的代价函数；步骤4：将第j层和第j‑1层的细节分量作为神经网络的输入数据完成对第j‑1层细节分量的预测，通过代价函数将细节分量的层内关联性和层间关联性进行融合；步骤5：若j>2则令j＝j‑1，返回步骤4，否则执行步骤6；步骤6：通过小波重构完成对流量的预测；所述步骤3的代价函数的计算公式为：E(j)＝Einter(j)+Eintra(j)其中：E(j)为对第j层细节分量进行训练时的代价函数；Einter(j)为代价函数的层内关联部分；Eintra(j)为代价函数的层间关联部分；所述Einter(j)的计算公式为：其中：N为输出层节点数；cj(n)为第j层细节分量预测时的第n个实际输出；为第j层细节分量预测时的第n个期望输出。