[发明专利]一种多维电力通信网流量预测方法及系统

摘要

本发明公开了一种多维电力通信网流量预测方法及系统，所述方法包括以下步骤：步骤1、网络流量采集；步骤2、多维流量预测方法；步骤3、单指数平滑算法引入动态权值更新策略；所述系统包括：应用层设备及接口模块、SDN控制器、SDN协调器、SDN设备、OTN设备、EOPN设备。本发明的优异效果是：采用的数据测量方法中引入云服务的技术。数据采集部分中引入SDN技术。采集的横向维度数据采用BP神经网络算法来训练。采集纵向维度数据采用FARIMA和Elman算法相结合的算法。提高了预测算法的精度；采用单指数平滑算法更新多维预测算法输出的权值，降低了误差的波动维度。

主权项

1.一种多维电力通信网流量预测方法，其特征在于，包括以下步骤：步骤1、网络流量采集：网络流量采集针对计算机网络数据流的特性和变化情况进行监测和分析，根据网络流量来源的不同将网络流量分为网络节点端口流量、端到端的IP流量以及用户业务数据流量，流量采集将采集工具嵌入到路由器和交换机的网络传输设备上，实时采集SDH、OTN及EPON的设备的出口数据传输流量，利用路由器自带的Netflow功能进行网络流量监测；步骤2、多维流量预测；对电力通信业务流量特性进行分析，具体包括以下步骤：步骤2.1、横向流量数据预测；BP神经网络能够使用任何可微分的函数作为它的传递函数；采用不同的传递函数将达到不同的输出值；对于网络流量的预测，由于BP神经网络各层的初始连接权值是任意的，先对BP神经网络进行训练，BP神经网络通过训练将样本的真实输出之间的误差反向传播到各层的神经元，采用梯度下降法不断的调节各层的权值，减小因权值带来的偏差，使训练样本真实输出与神经网络输出的误差在设定的范围内或者达到最大训练次数；步骤2.2、纵向历史数据预测：纵向历史数据定义为不同日期下同一时刻的数据流量为纵向维度，采用线性FARIMA模型预测；Elman神经网络由输入层、隐含层，连接层和输出层组成，是在BP网络基础上增加了一个内部反馈环节，内部反馈环节是通过结构单元的延迟，存储和自联到隐含层的输入端，用于记忆隐含层的过去态，并在下一时刻连同网络输入一起作为隐含层单元的输入，使得网络具有动态记忆功能；设网络的外部输入为u(k)，输出为y(k)，k为迭代次序，w为n维的神经网络连接权系数；则对于Elman神经网络有下式成立：x(k)＝f(w1xc(k)+w2u(k‑1)xc(k)＝x(k‑1)y(k)＝g(w3x(k))其中w1，w2，w3分别为结构单元到隐含层、输入层到隐含层以及隐含层到输出层的连接权矩阵，f(w1xc(k)+w2u(k‑1)，g(w3x(k))分别为输出层单元和隐含层单元的激发函数组成的非线性向量函数；步骤3、单指数平滑算法引入动态权值更新策略：从现有的SG‑TMS电力通信网管系统采集的历史数据分为横向和纵向两个维度；然后分别针对两个维度的特性选择算法进行预测，用单指数平滑算法引入动态权值更新策略，用横向预测算法和纵向预测算分别计算横向和纵向维度在t+T时刻的预测值，并通过权值w求和得到最终预测输出，用单指数平滑算法更新权值w。