基于混沌搜索的ls-svm預(yù)測(cè)模型的建立方法
【專利摘要】基于混沌搜索的LS-SVM預(yù)測(cè)模型的建立方法，包括下述步驟：A）建立樣本訓(xùn)練數(shù)據(jù)集；B）計(jì)算模型系數(shù)；C）采用混沌搜索改進(jìn)算法進(jìn)行尋優(yōu)，獲得待優(yōu)化函數(shù)的最小值和最優(yōu)混沌變量；D）確定優(yōu)化的LS-SVM預(yù)測(cè)模型；E）樣本更新處理。本發(fā)明通過混沌搜索改進(jìn)算法對(duì)模型參數(shù)尋優(yōu)后建立的LS-SVM自適應(yīng)資源預(yù)測(cè)模型，能對(duì)云計(jì)算中的預(yù)測(cè)對(duì)象運(yùn)行狀態(tài)進(jìn)行動(dòng)態(tài)預(yù)測(cè)，預(yù)測(cè)結(jié)果具有很好的自適應(yīng)性，能確保預(yù)測(cè)結(jié)果更加逼近預(yù)測(cè)對(duì)象的真實(shí)值。該模型緩解了混沌搜索對(duì)初值的敏感性，且在混沌迭代搜索過程中，通過對(duì)混沌變量的調(diào)整，使得其第二次搜索能夠在最優(yōu)解的鄰域內(nèi)快速搜索，提高搜索效率，并減少陷入局部最優(yōu)的可能。
【專利說明】基于混沌搜索的LS-SVM預(yù)測(cè)模型的建立方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及資源預(yù)測(cè)技術(shù)，具體是基于混沌搜索的LS-SVM預(yù)測(cè)模型的建立方法。

【背景技術(shù)】
[0002]網(wǎng)絡(luò)基礎(chǔ)設(shè)施的提升無法適應(yīng)人們對(duì)網(wǎng)絡(luò)資源無止境的需求，這導(dǎo)致了網(wǎng)絡(luò)性能下降、響應(yīng)延遲等諸多不良現(xiàn)象。事實(shí)上，在網(wǎng)絡(luò)中，一方面存在部分的資源過度使用，另一方面卻有著大量資源被閑置。云計(jì)算通過虛擬化技術(shù)，將網(wǎng)絡(luò)中的各種底層物理資源構(gòu)建資源池，將用戶請(qǐng)求分發(fā)到不同的資源池中按需服務(wù)和按需計(jì)費(fèi)。如何在云平臺(tái)中合理分配及調(diào)度底層物理資源，有效提高服務(wù)質(zhì)量和系統(tǒng)性能，保證負(fù)載均衡，已成為業(yè)界的一個(gè)挑戰(zhàn)。預(yù)測(cè)技術(shù)能夠有效預(yù)測(cè)資源池中物理資源的運(yùn)行狀態(tài)，可為云平臺(tái)的資源管理和資源分配提供有效途徑，其對(duì)于提高資源利用率，提高系統(tǒng)性能具有重要意義。
[0003]預(yù)測(cè)技術(shù)指人們運(yùn)用現(xiàn)代科學(xué)技術(shù)手段，事先依據(jù)一定方法，對(duì)自己的活動(dòng)可能產(chǎn)生的后果及客觀事物的發(fā)展趨勢(shì)做出的科學(xué)的分析。
[0004]LS-SVM是一種可靠的、適用于小樣本和非線性問題的預(yù)測(cè)模型，并具有良好的泛化推廣性。為進(jìn)一步提高模型預(yù)測(cè)的精度，需要對(duì)影響LS-SVM性能的兩個(gè)關(guān)鍵參數(shù)，即正則化參數(shù)c及核半徑δ進(jìn)行優(yōu)化。


【發(fā)明內(nèi)容】

[0005]為了更好地對(duì)正則化參數(shù)c及核半徑δ進(jìn)行優(yōu)化，獲得與待預(yù)測(cè)對(duì)象擬合性較好的預(yù)測(cè)模型，本發(fā)明提供基于混沌搜索的LS-SVM預(yù)測(cè)模型的建立方法，通過混沌搜索改進(jìn)算法對(duì)模型參數(shù)尋優(yōu)后建立的LS-SVM自適應(yīng)資源預(yù)測(cè)模型，能對(duì)云計(jì)算中的預(yù)測(cè)對(duì)象的運(yùn)行狀態(tài)進(jìn)行動(dòng)態(tài)預(yù)測(cè)。
[0006]本發(fā)明的基于混沌搜索的LS-SVM預(yù)測(cè)模型的建立方法，包括下述步驟:
[0007]Α)建立樣本訓(xùn)練數(shù)據(jù)集；
[0008]B)計(jì)算模型系數(shù)；
[0009]C)采用混沌搜索改進(jìn)算法進(jìn)行尋優(yōu)，獲得待優(yōu)化函數(shù)的最小值和最優(yōu)混沌變量；
[0010]D)確定優(yōu)化的LS-SVM預(yù)測(cè)模型；
[0011]Ε)樣本更新處理。
[0012]在步驟Α)，通過對(duì)預(yù)測(cè)對(duì)象環(huán)境的數(shù)據(jù)進(jìn)行采樣，獲取一定時(shí)間周期內(nèi)資源的運(yùn)行狀態(tài)，再對(duì)采集的數(shù)據(jù)進(jìn)行處理，再建立樣本訓(xùn)練數(shù)據(jù)集。而所述的對(duì)采集的數(shù)據(jù)進(jìn)行處理包括:填補(bǔ)缺失值、剔除極端值和時(shí)間序列長(zhǎng)度的確定。
[0013]在步驟B)，基于原始的LS-SVM預(yù)測(cè)模型，根據(jù)樣本訓(xùn)練數(shù)據(jù)集計(jì)算出與預(yù)測(cè)對(duì)象環(huán)境相適應(yīng)的模型系數(shù)％和b ;
[0014]其中，對(duì)原始的如式①所示LS-SVM預(yù)測(cè)模型:

【權(quán)利要求】
1.基于混沌搜索的LS-SVM預(yù)測(cè)模型的建立方法，其特征在于包括下述步驟: A)建立樣本訓(xùn)練數(shù)據(jù)集； B)計(jì)算模型系數(shù)； C)采用混沌搜索改進(jìn)算法進(jìn)行尋優(yōu)，獲得待優(yōu)化函數(shù)的最小值和最優(yōu)混沌變量； D)確定優(yōu)化的LS-SVM預(yù)測(cè)模型； E)樣本更新處理。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于:在步驟A)，通過對(duì)預(yù)測(cè)對(duì)象環(huán)境的數(shù)據(jù)采樣，獲取一定時(shí)間周期內(nèi)資源的運(yùn)行狀態(tài)，再對(duì)采集的數(shù)據(jù)進(jìn)行處理，再建立樣本訓(xùn)練數(shù)據(jù)集。
3.根據(jù)權(quán)利要求2所述的方法，其特征在于:對(duì)采集的數(shù)據(jù)進(jìn)行處理包括:填補(bǔ)缺失值、剔除極端值和時(shí)間序列長(zhǎng)度的確定。
4.根據(jù)權(quán)利要求1所述的方法，其特征在于:在步驟B)，基于原始的LS-SVM預(yù)測(cè)模型，根據(jù)樣本訓(xùn)練數(shù)據(jù)集計(jì)算出與預(yù)測(cè)對(duì)象環(huán)境相適應(yīng)的模型系數(shù)％和b ; 其中，對(duì)原始的如式①所示LS-SVM預(yù)測(cè)模型:
其核函數(shù)K(X，Xi)采用高斯徑向基函數(shù)，即
5.根據(jù)權(quán)利要求1所述的方法，其特征在于:在步驟C)， 首先，根據(jù)式①和樣本訓(xùn)練數(shù)據(jù)集中的樣本值計(jì)算一組預(yù)測(cè)值ym，以這組預(yù)測(cè)值ym設(shè)計(jì)一個(gè)以預(yù)測(cè)值和實(shí)際值的標(biāo)準(zhǔn)差表示的參數(shù)尋優(yōu)函數(shù)f，
其中，m為樣本個(gè)數(shù);3Wi為第i個(gè)樣本的預(yù)測(cè)值，基于式(I)，Ypreil為預(yù)測(cè)值，其是一個(gè)帶參數(shù)c及δ表示的表達(dá)式為第i個(gè)樣本的實(shí)際值； 然后，以參數(shù)尋優(yōu)函數(shù)f作為待優(yōu)化函數(shù)，以X'足義待優(yōu)化變量c及δ，選取混沌變量并對(duì)0(/)進(jìn)行初始化，并將混沌變量Ff (/)引入待優(yōu)化變量c和δ中，并且將混沌變量按式④擴(kuò)展到參數(shù)的取值空間中:
其中k表示迭代次數(shù)，j代表所產(chǎn)生混沛變量的組數(shù)，I指待優(yōu)化函數(shù)f所含變量的個(gè)數(shù)，< 和^^分別代表待優(yōu)化變量的上限和下限； 其次，對(duì)混沌變量按式⑤進(jìn)行迭代計(jì)算尋優(yōu):
其中，η為L(zhǎng)ogistic控制參數(shù)，η e [O, 4] O
6.根據(jù)權(quán)利要求5所述的方法，其特征在于:對(duì)混沌變量迭代尋優(yōu)過程如下: ①參數(shù)初始化設(shè)置，包括一個(gè)待優(yōu)化函數(shù)值fbest、初次迭代次數(shù)N1、精細(xì)迭代次數(shù)N2； ②在N1次迭代搜索過程中，產(chǎn)生一個(gè)隨機(jī)初始混沌值，并對(duì)初始混沌值進(jìn)行擴(kuò)展，滿足參數(shù)的取值范圍；然后將擴(kuò)展的混沌值代入式①，并通過輸入采樣數(shù)據(jù)，計(jì)算一個(gè)含參數(shù)變量的預(yù)測(cè)值ypM.1，再根據(jù)式③計(jì)算函數(shù)值f Uk)； ③若f(xk)〈fbest，則以當(dāng)前f(xk)替換fbest，并記錄xk，轉(zhuǎn)②；若f (xk)>fbe;st，則放棄當(dāng)前值，轉(zhuǎn)②；若
，即前后兩次計(jì)算的值不變，則令Xbest = Xk，轉(zhuǎn)④; ④按
節(jié)當(dāng)前最優(yōu)混沌變量Xk，以進(jìn)一步精細(xì)搜索范圍，其中冴O <5<1)為調(diào)節(jié)因子； ⑤在N2次迭代搜索過程中，同樣產(chǎn)生隨機(jī)初始混沌值并進(jìn)行處理，再將擴(kuò)展的混沌值代入式①，并輸入采樣數(shù)據(jù)計(jì)算其預(yù)測(cè)值，再根據(jù)式③計(jì)算函數(shù)值f (xk)； ⑥若f(xk)〈fbest，則以當(dāng)前f(xk)替換fbest，并記錄xk，轉(zhuǎn)⑤；若f (xk)>fbe;st，則放棄當(dāng)前值，轉(zhuǎn)⑤；若f(xk+1) = f (Xk) = fbest，即前后兩次計(jì)算的值不變，則轉(zhuǎn)⑦; ⑦搜索結(jié)束，fbest即為待優(yōu)化函數(shù)f的最小值，Xk為最優(yōu)混沌變量。
7.根據(jù)權(quán)利要求6所述的方法，其特征在于:在過程①設(shè)置待優(yōu)化函數(shù)值fbest= 100，初次迭代次數(shù)N1 = 100，精細(xì)迭代次數(shù)N2 = 150 ;在過程④取調(diào)節(jié)因子0=0.0OOlo
8.根據(jù)權(quán)利要求1所述的方法，其特征在于:在步驟D)，根據(jù)混沌搜索計(jì)算的待優(yōu)化函數(shù)f的最小值fbest及其對(duì)應(yīng)的最優(yōu)混沌變量xk，計(jì)算出對(duì)應(yīng)的優(yōu)化模型參數(shù)c和δ ;并根據(jù)混沌尋優(yōu)獲得的模型參數(shù)c和δ，進(jìn)一步計(jì)算出模型系數(shù)％和b，代入式①，獲得y的表達(dá)式，即為確定的優(yōu)化的LS-SVM預(yù)測(cè)模型； 其中，模型參數(shù)區(qū)間為ce (1.0，1000)，δ e (0，10)。
9.根據(jù)權(quán)利要求1所述的方法，其特征在于:在步驟E)，設(shè)置一個(gè)預(yù)測(cè)值與實(shí)際值的誤差率，比較預(yù)測(cè)結(jié)果與實(shí)際值誤差率，若不大于設(shè)置的誤差率，則將與預(yù)測(cè)結(jié)果對(duì)應(yīng)時(shí)刻的預(yù)測(cè)對(duì)象實(shí)際運(yùn)行狀態(tài)更新到樣本訓(xùn)練數(shù)據(jù)集中，以便實(shí)施下一次的資源預(yù)測(cè)；否則，將預(yù)測(cè)結(jié)果和對(duì)應(yīng)的實(shí)際值輸出到一個(gè)日志文件中，以作后續(xù)的對(duì)比分析； 其中，設(shè)置的誤差率為I~4%。
10.權(quán)利要求1~9任一項(xiàng)所述的方法建立的基于混沌搜索的LS-SVM預(yù)測(cè)模型。
【文檔編號(hào)】G06F17/30GK104199870SQ201410408493
【公開日】2014年12月10日 申請(qǐng)日期:2014年8月19日 優(yōu)先權(quán)日:2014年8月19日
【發(fā)明者】張潤(rùn)蓮, 武小年, 張明玲, 李園園, 楊宇洋 申請(qǐng)人:桂林電子科技大學(xué)