本發(fā)明涉及通信
技術(shù)領(lǐng)域：
，特別涉及一種網(wǎng)絡(luò)流量的預(yù)測方法及裝置。
背景技術(shù)：
：網(wǎng)絡(luò)流量預(yù)測是建立在時(shí)軸上現(xiàn)在與未來流量間的定量關(guān)系。因?yàn)榫W(wǎng)絡(luò)流量具有自相似性和周期性的特征，所以可以根據(jù)過去的及現(xiàn)在已知的或非確定的網(wǎng)絡(luò)流量歷史數(shù)據(jù)集，建立一個(gè)從過去延伸到將來的網(wǎng)絡(luò)流量預(yù)測模型，掌握網(wǎng)絡(luò)流量動(dòng)態(tài)變化趨勢，為異常流量安全監(jiān)控、網(wǎng)絡(luò)資源分配規(guī)劃以及優(yōu)化網(wǎng)絡(luò)協(xié)議性能提供依據(jù)。隨著網(wǎng)絡(luò)流量復(fù)雜度的增加，網(wǎng)絡(luò)流量往往是一種非平穩(wěn)的混沌時(shí)間序列，傳統(tǒng)的自回歸滑動(dòng)平均(ARMA)模型、差分自回歸滑動(dòng)平均(ARIMA)模型以及差分自回歸求和滑動(dòng)平均(FARIMA)模型等線性模型已無法保證預(yù)測的精準(zhǔn)性。因此很多學(xué)者從實(shí)現(xiàn)簡單、學(xué)習(xí)能力強(qiáng)的人工神經(jīng)網(wǎng)絡(luò)出發(fā)建立更有效的非線性預(yù)測模型，劉杰等建立了具有較好預(yù)測精度和自適應(yīng)性的基于時(shí)間相關(guān)的BP神經(jīng)網(wǎng)絡(luò)非線性網(wǎng)絡(luò)流量預(yù)測模型；石云等將小波分析融合在神經(jīng)網(wǎng)絡(luò)中預(yù)測網(wǎng)絡(luò)流量變化態(tài)勢；韓小燕等提出基于小波變換的PCNN網(wǎng)絡(luò)流量預(yù)測方法；并且馬力等成功將一種緊致型小波神經(jīng)網(wǎng)絡(luò)應(yīng)用在校園網(wǎng)流量預(yù)測中。但是，現(xiàn)有技術(shù)使用的人工神經(jīng)網(wǎng)絡(luò)由于采用梯度下降法來調(diào)整閾值和權(quán)值，導(dǎo)致算法收斂速度慢且易陷入局部最優(yōu)解。同時(shí)，小波分解每次只對低頻部分進(jìn)行再分解，無法多層次分析現(xiàn)有樣本數(shù)據(jù)，降低了預(yù)測精度。因此，如何提升預(yù)測網(wǎng)絡(luò)流量時(shí)間序列的準(zhǔn)確度和泛化能力，是本領(lǐng)域技術(shù)人員需要解決的技術(shù)問題。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的目的是提供一種網(wǎng)絡(luò)流量的預(yù)測方法及裝置，該方法能捕獲網(wǎng)絡(luò)流量的變化規(guī)律，大大提升了預(yù)測網(wǎng)絡(luò)流量時(shí)間序列的準(zhǔn)確度和泛化能力。為解決上述技術(shù)問題，本發(fā)明提供一種網(wǎng)絡(luò)流量的預(yù)測方法，包括：通過小波包分解對原始網(wǎng)絡(luò)流量時(shí)間序列信號數(shù)據(jù)進(jìn)行預(yù)定層數(shù)序列分解得到子序列；根據(jù)所述子序列建立BP神經(jīng)網(wǎng)絡(luò)模型，并利用飛蛾縱橫交叉捕焰算法自適應(yīng)調(diào)整所述BP神經(jīng)網(wǎng)絡(luò)模型的閾值和權(quán)值；根據(jù)調(diào)整后的所述閾值和所述權(quán)值，利用所述BP神經(jīng)網(wǎng)絡(luò)模型對所述子序列進(jìn)行優(yōu)化，得到子序列預(yù)測值；將所述子序列預(yù)測值進(jìn)行疊加重構(gòu)得到網(wǎng)絡(luò)流量的預(yù)測結(jié)果?？蛇x的，通過小波包分解對原始網(wǎng)絡(luò)流量時(shí)間序列信號數(shù)據(jù)進(jìn)行預(yù)定層數(shù)序列分解得到子序列，包括：通過低通濾波器H和高通濾波器G，利用小波包分解公式將原始網(wǎng)絡(luò)流量時(shí)間序列信號數(shù)據(jù)分解為n層，得到2n-1個(gè)子低頻信號序列和2n-1個(gè)子高頻信號序列；其中，小波包分解公式為其中，d為小波包分解頻帶系數(shù)，i為分解的層數(shù)，hk-2l和gk-2l為小波包分解共軛濾波器的系數(shù)，k為位置指標(biāo)的時(shí)間參數(shù)，l為尺度指標(biāo)的頻域參數(shù)。可選的，利用飛蛾縱橫交叉捕焰算法自適應(yīng)調(diào)整所述BP神經(jīng)網(wǎng)絡(luò)模型的閾值和權(quán)值，包括：對初始化種群利用飛蛾縱橫交叉捕焰算法進(jìn)行橫向混沌交叉全局搜索和縱向混沌交叉局部開發(fā)，對產(chǎn)生子代個(gè)體解碼；判斷迭代次數(shù)是否大于設(shè)定迭代閾值或者均方差誤差是否小于誤差閾值；若是，則將解碼后的數(shù)據(jù)輸出作為調(diào)整后的所述BP神經(jīng)網(wǎng)絡(luò)模型的閾值和權(quán)值?？蛇x的，對初始化種群利用飛蛾縱橫交叉捕焰算法進(jìn)行橫向混沌交叉全局搜索和縱向混沌交叉局部開發(fā)，對產(chǎn)生子代個(gè)體解碼，包括：對初始化種群利用飛蛾縱橫交叉捕焰算法進(jìn)行橫向混沌交叉全局搜索和縱向混沌交叉局部開發(fā)，得到子代個(gè)體；利用競爭機(jī)制使所述子代個(gè)體與父代個(gè)體進(jìn)行競爭則有保留，并進(jìn)行解碼?？蛇x的，將所述子序列預(yù)測值進(jìn)行疊加重構(gòu)得到網(wǎng)絡(luò)流量的預(yù)測結(jié)果，包括：將所述子序列預(yù)測值進(jìn)行疊加，利用公式得到網(wǎng)絡(luò)流量的預(yù)測結(jié)果；其中，d為小波包重構(gòu)頻帶系數(shù)，i是重構(gòu)的層數(shù)，pl-2k和ql-2k是小波包分解共軛濾波器的系數(shù)，k為位置指標(biāo)的時(shí)間參數(shù)，l為尺度指標(biāo)的頻域參數(shù)。本發(fā)明還提供一種網(wǎng)絡(luò)流量的預(yù)測裝置，包括：小波包分解模塊，用于通過小波包分解對原始網(wǎng)絡(luò)流量時(shí)間序列信號數(shù)據(jù)進(jìn)行預(yù)定層數(shù)序列分解得到子序列；閾值調(diào)整模塊，用于根據(jù)所述子序列建立BP神經(jīng)網(wǎng)絡(luò)模型，并利用飛蛾縱橫交叉捕焰算法自適應(yīng)調(diào)整所述BP神經(jīng)網(wǎng)絡(luò)模型的閾值和權(quán)值；BP神經(jīng)網(wǎng)絡(luò)計(jì)算模塊，用于根據(jù)調(diào)整后的所述閾值和所述權(quán)值，利用所述BP神經(jīng)網(wǎng)絡(luò)模型對所述子序列進(jìn)行優(yōu)化，得到子序列預(yù)測值；結(jié)果輸出模塊，用于將所述子序列預(yù)測值進(jìn)行疊加重構(gòu)得到網(wǎng)絡(luò)流量的預(yù)測結(jié)果?？蛇x的，所述小波包分解模塊具體為通過低通濾波器H和高通濾波器G，利用小波包分解公式將原始網(wǎng)絡(luò)流量時(shí)間序列信號數(shù)據(jù)分解為n層，得到2n-1個(gè)子低頻信號序列和2n-1個(gè)子高頻信號序列的模塊；其中，小波包分解公式為其中，d為小波包分解頻帶系數(shù)，i為分解的層數(shù)，hk-2l和gk-2l為小波包分解共軛濾波器的系數(shù)，k為位置指標(biāo)的時(shí)間參數(shù)，l為尺度指標(biāo)的頻域參數(shù)?？蛇x的，所述閾值調(diào)整模塊包括：子代個(gè)體計(jì)算單元，用于對初始化種群利用飛蛾縱橫交叉捕焰算法進(jìn)行橫向混沌交叉全局搜索和縱向混沌交叉局部開發(fā)，對產(chǎn)生子代個(gè)體解碼；調(diào)整單元，用于判斷迭代次數(shù)是否大于設(shè)定迭代閾值或者均方差誤差是否小于誤差閾值；若是，則將解碼后的數(shù)據(jù)輸出作為調(diào)整后的所述BP神經(jīng)網(wǎng)絡(luò)模型的閾值和權(quán)值?？蛇x的，所述子代個(gè)體計(jì)算單元包括：子代個(gè)體計(jì)算子單元，用于對初始化種群利用飛蛾縱橫交叉捕焰算法進(jìn)行橫向混沌交叉全局搜索和縱向混沌交叉局部開發(fā)，得到子代個(gè)體；競爭子單元，用于利用競爭機(jī)制使所述子代個(gè)體與父代個(gè)體進(jìn)行競爭則有保留，并進(jìn)行解碼?？蛇x的，所述結(jié)果輸出模塊具體為將所述子序列預(yù)測值進(jìn)行疊加，利用公式得到網(wǎng)絡(luò)流量的預(yù)測結(jié)果的模塊；其中，d為小波包重構(gòu)頻帶系數(shù)，i是重構(gòu)的層數(shù)，pl-2k和ql-2k是小波包分解共軛濾波器的系數(shù)，k為位置指標(biāo)的時(shí)間參數(shù)，l為尺度指標(biāo)的頻域參數(shù)。本發(fā)明所提供的一種網(wǎng)絡(luò)流量的預(yù)測方法，包括：通過小波包分解對原始網(wǎng)絡(luò)流量時(shí)間序列信號數(shù)據(jù)進(jìn)行預(yù)定層數(shù)序列分解得到子序列；根據(jù)子序列建立BP神經(jīng)網(wǎng)絡(luò)模型，并利用飛蛾縱橫交叉捕焰算法自適應(yīng)調(diào)整BP神經(jīng)網(wǎng)絡(luò)模型的閾值和權(quán)值；根據(jù)調(diào)整后的閾值和權(quán)值，利用BP神經(jīng)網(wǎng)絡(luò)模型對子序列進(jìn)行優(yōu)化，得到子序列預(yù)測值；將子序列預(yù)測值進(jìn)行疊加重構(gòu)得到網(wǎng)絡(luò)流量的預(yù)測結(jié)果；可見，該方法通過自適應(yīng)調(diào)整BP神經(jīng)網(wǎng)絡(luò)模型的閾值和權(quán)值，能夠解決人工神經(jīng)網(wǎng)絡(luò)由于采用梯度下降法來調(diào)整閾值和權(quán)值，導(dǎo)致算法收斂速度慢且易陷入局部最優(yōu)解的難題，通過小波包分解，彌補(bǔ)了傳統(tǒng)小波分解每次只對低頻部分進(jìn)行再分解，無法多層次分析現(xiàn)有樣本數(shù)據(jù)，降低了預(yù)測精度的不足；即該方法能捕獲網(wǎng)絡(luò)流量的變化規(guī)律，大大提升了預(yù)測網(wǎng)絡(luò)流量時(shí)間序列的準(zhǔn)確度和泛化能力；本發(fā)明還提供了一種網(wǎng)絡(luò)流量的預(yù)測裝置，具有上述有益效果，在此不再贅述。附圖說明為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的實(shí)施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)提供的附圖獲得其他的附圖。圖1為本發(fā)明實(shí)施例所提供的網(wǎng)絡(luò)流量的預(yù)測方法的流程圖；圖2為本發(fā)明實(shí)施例所提供的小波分解以及小波包分解的原理對比圖；圖3為本發(fā)明實(shí)施例所提供的小波包網(wǎng)絡(luò)流量時(shí)間序列三層分解子序列效果示意圖；圖4為本發(fā)明實(shí)施例所提供的CCMFO-BP訓(xùn)練優(yōu)化模型示意圖；圖5為本發(fā)明實(shí)施例所提供的WPD-CCMFO-BP的預(yù)測計(jì)算模型示意圖；圖6為本發(fā)明實(shí)施例所提供的網(wǎng)絡(luò)流量的預(yù)測裝置的結(jié)構(gòu)框圖。具體實(shí)施方式本發(fā)明的核心是提供一種網(wǎng)絡(luò)流量的預(yù)測方法及裝置，該方法能捕獲網(wǎng)絡(luò)流量的變化規(guī)律，大大提升了預(yù)測網(wǎng)絡(luò)流量時(shí)間序列的準(zhǔn)確度和泛化能力。為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。請參考圖1，圖1為本發(fā)明實(shí)施例所提供的網(wǎng)絡(luò)流量的預(yù)測方法的流程圖；該方法可以包括：S100、通過小波包分解對原始網(wǎng)絡(luò)流量時(shí)間序列信號數(shù)據(jù)進(jìn)行預(yù)定層數(shù)序列分解得到子序列；其中，小波包分解(WaveletPacketDecomposition，WPD)是一種特殊的小波分解(Waveletdecomposition，WD)，相對于小波分解只解析信號低頻部分，小波包還能對信號高頻部分進(jìn)一步分解，通過多層次解析來捕捉更多信息細(xì)節(jié)，更適用于網(wǎng)絡(luò)流量時(shí)間序列的分解。具體兩種分解方式的對比可以如圖2所示。圖2左側(cè)為WD小波分解，右側(cè)為WPD小波包分解。通過圖2可以明顯看到小波包分解不僅可以對信號高頻部分進(jìn)一步分解，而且對于小波分解來說低頻部分可更加豐富即捕捉更多信息細(xì)節(jié)。因此本實(shí)施例選用小波包分解對原始網(wǎng)絡(luò)流量時(shí)間序列信號數(shù)據(jù)進(jìn)行預(yù)定層數(shù)序列分解得到子序列。這里的預(yù)定層數(shù)即需要進(jìn)行分解的層數(shù)可以由用戶根據(jù)實(shí)際情況進(jìn)行確定?？梢钥紤]的因素為硬件設(shè)備的計(jì)算能力，要求的預(yù)測精度等。即可選的，通過小波包分解對原始網(wǎng)絡(luò)流量時(shí)間序列信號數(shù)據(jù)進(jìn)行預(yù)定層數(shù)序列分解得到子序列，包括：通過低通濾波器H和高通濾波器G，利用小波包分解公式將原始網(wǎng)絡(luò)流量時(shí)間序列信號數(shù)據(jù)分解為n層，得到2n-1個(gè)子低頻信號序列和2n-1個(gè)子高頻信號序列；其中，小波包分解公式為其中，d為小波包分解頻帶系數(shù)，i為分解的層數(shù)，hk-2l和gk-2l為小波包分解共軛濾波器的系數(shù)，k為位置指標(biāo)的時(shí)間參數(shù)，l為尺度指標(biāo)的頻域參數(shù)。具體的，通過低通濾波器H和高通濾波器G，使用小波包分解將網(wǎng)絡(luò)流量時(shí)間序列信號數(shù)據(jù)分解為低頻信號和高頻信號序列各一組，然后將各層的頻帶進(jìn)一步分解為其下一層的兩個(gè)子頻帶，利用上述小波包分解公式進(jìn)行分解計(jì)算。例如以廣東移動(dòng)2016年3月某NTA交換機(jī)網(wǎng)絡(luò)流量為例采用小波包三層分解后其網(wǎng)絡(luò)流量時(shí)間序列的特征如圖3所示。圖3縱種坐標(biāo)為網(wǎng)絡(luò)流量，橫坐標(biāo)為時(shí)間。隨著層數(shù)的增長得到的子序列個(gè)數(shù)為2n個(gè)，其中子低頻信號序列和子高頻信號序列各占一半。即這里的子序列包括全部的子低頻信號序列和子高頻信號序列。S110、根據(jù)所述子序列建立BP神經(jīng)網(wǎng)絡(luò)模型，并利用飛蛾縱橫交叉捕焰算法自適應(yīng)調(diào)整所述BP神經(jīng)網(wǎng)絡(luò)模型的閾值和權(quán)值；可選的，利用飛蛾縱橫交叉捕焰算法自適應(yīng)調(diào)整所述BP神經(jīng)網(wǎng)絡(luò)模型的閾值和權(quán)值，可以包括：對初始化種群利用飛蛾縱橫交叉捕焰算法進(jìn)行橫向混沌交叉全局搜索和縱向混沌交叉局部開發(fā)，對產(chǎn)生子代個(gè)體解碼；判斷迭代次數(shù)是否大于設(shè)定迭代閾值或者均方差誤差是否小于誤差閾值；若是，則將解碼后的數(shù)據(jù)輸出作為調(diào)整后的所述BP神經(jīng)網(wǎng)絡(luò)模型的閾值和權(quán)值。進(jìn)一步，為了提高預(yù)測精度和效率，對初始化種群利用飛蛾縱橫交叉捕焰算法進(jìn)行橫向混沌交叉全局搜索和縱向混沌交叉局部開發(fā)，對產(chǎn)生子代個(gè)體解碼，可以包括：對初始化種群利用飛蛾縱橫交叉捕焰算法進(jìn)行橫向混沌交叉全局搜索和縱向混沌交叉局部開發(fā)，得到子代個(gè)體；利用競爭機(jī)制使所述子代個(gè)體與父代個(gè)體進(jìn)行競爭則有保留，并進(jìn)行解碼。S120、根據(jù)調(diào)整后的所述閾值和所述權(quán)值，利用所述BP神經(jīng)網(wǎng)絡(luò)模型對所述子序列進(jìn)行優(yōu)化，得到子序列預(yù)測值；其中，飛蛾捕焰優(yōu)化(Moth-FlameOptimization，MFO)算法是2015年SeyedaliMirjalili等人仿飛蛾捕焰行為提出了一種新型群智能算法。針對MFO算法容易早熟且收斂速度慢的缺陷，為人工飛蛾的捕焰行為引入縱橫交叉混沌優(yōu)化機(jī)制，提出一種飛蛾縱橫交叉捕焰算法(Moth-flameOptimizationAlgorithmBasedOnChaoticCrisscrossOperator，CCMFO)。飛蛾捕焰優(yōu)化算法的人工飛蛾個(gè)體的尋優(yōu)過程可以抽象為：1、捕焰行為。人工飛蛾Mi基于自身趨光特性，感知火焰群中離自身最近且較優(yōu)的火焰Fi，依循對數(shù)螺線朝火焰運(yùn)動(dòng)，捕獲火焰運(yùn)動(dòng)軌跡如式(1)所示：S(Mi,Fi)＝Di·ebt·cos(2πt)+Fi(1)其中，S(Mi,Fi)表示人工飛蛾Mi圍繞火焰Fi螺旋運(yùn)動(dòng)更新后的位置，Di＝|Fi-Mi|是第i只人工飛蛾Mi到第i個(gè)火焰Fi的距離，b為塑造對數(shù)螺線軌跡的常數(shù)。t是[-1,1]區(qū)間上的隨機(jī)數(shù)，它定義了飛蛾距離火焰下一位置的遠(yuǎn)近程度(t＝-1是最接近火焰的，t＝1是離火焰最遠(yuǎn)的)。2、棄焰行為。迭代過程中，人工飛蛾會(huì)廢棄無用火焰，使其數(shù)目自適應(yīng)減少，最終收斂于同一個(gè)火焰中，加快后期收斂速度，可用式(2)表示：flame_no=round(N-l·N-1T)---(2)]]>其中，N為初始化時(shí)的總火焰?zhèn)€數(shù)，l為當(dāng)前迭代次數(shù)，T為總迭代次數(shù)。飛蛾縱橫交叉捕焰算法是在飛蛾捕焰優(yōu)化算法基礎(chǔ)上引入縱橫交叉混沌優(yōu)化機(jī)制，改進(jìn)得來的。1、橫向混沌交叉橫向混沌交叉是人工飛蛾對種群中兩個(gè)不同火焰相同維之間的算術(shù)交叉，操作前須對所有火焰進(jìn)行兩兩不重復(fù)的隨機(jī)配對。設(shè)火焰Fi和Fj相配對，則其橫向交叉如式(3)所示。Mhc(i,d)=|c1·Fid-Fjd|·ebt·cos(2πt)+FidMhc(j,d)=|c2·Fjd-Fid|·ebt·cos(2πt)+Fjd]]>c1,c2∈[-1,1],b＝1(3)其中，Mhc(i,d)和Mhc(j,d)分別是人工飛蛾對父代火焰Fi和Fj在第d維上橫向交叉捕焰產(chǎn)生的子代火焰解。參數(shù)t采用混沌算法中的立方映射生成，有利于人工飛蛾在混沌開發(fā)時(shí)跳出局部最優(yōu)解，其初始值為[-1,1]區(qū)間上不為0的隨機(jī)數(shù)，混沌算子的計(jì)算如式(4)所示：tn+1=4tn3-3tn,tn∈[-1,1]---(4)]]>其中，橫向交叉捕焰將多維搜索空間劃分成以隨機(jī)配對的父代火焰Fi和Fj為對角頂點(diǎn)，大小為種群數(shù)目一半的超立方體。為了減少橫向交叉捕焰的搜索盲點(diǎn)，子代除了可在父代的超立方體空間內(nèi)以較大概率均勻產(chǎn)生外，還可以在空間外圍以較小的線性遞減概率產(chǎn)生，增強(qiáng)人工飛蛾的全局搜索能力。為進(jìn)一步提高擇優(yōu)能力，提高測試精度和速度；可以在交叉后引入競爭機(jī)制，與其父代火焰進(jìn)行比較，擇優(yōu)保留。2、縱向混沌交叉縱向混沌交叉是人工飛蛾對同一火焰兩個(gè)不同維之間的算術(shù)交叉，操作前須對兩維進(jìn)行歸一化處理，防止維與維之間的取值范圍不同。同時(shí)每次縱向交叉捕焰只對其中一維進(jìn)行更新，產(chǎn)生一個(gè)子代火焰解，避免陷入維局部最優(yōu)的那一維擺脫停滯狀態(tài)后，破壞了另外一正常維的信息。設(shè)對火焰Fi的第d1和d2維進(jìn)行操作，則其縱向交叉如式(5)所示：Mvc(i,d1)=|c·Fid1-Fid2|·ebt·cos(2πt)+Fid1]]>c1,c2∈[-1,1],b＝1(5)其中，Mvc(i,d1)是人工飛蛾對父代火焰Fi在其第d1和d2維上縱向交叉捕焰產(chǎn)生的子代火焰解，參數(shù)t同樣采用式(4)計(jì)算生成?？v向交叉發(fā)生概率在一定范圍內(nèi)例如在[0.2，0.8]，有助于陷入局部最優(yōu)的維有機(jī)會(huì)擺脫停滯，進(jìn)而避免整個(gè)種群早熟，同時(shí)單一維變異的方式能較好維持種群多樣性。交叉后同樣進(jìn)入競爭機(jī)制，與其父代火焰進(jìn)行比較，擇優(yōu)保留。3、縱橫混沌交叉CCMFO算法中的縱橫交叉混沌機(jī)制，讓種群中陷入某一維停滯的人工飛蛾通過縱向混沌交叉擺脫局部最優(yōu)，并把信息通過橫向混沌交叉方式傳播至整個(gè)種群，避免算法早熟。同時(shí)更新后的維也會(huì)使其余陷入停滯的維有更多機(jī)會(huì)通過縱向混沌交叉跳出局部最優(yōu)，縱向混沌交叉和橫向混沌交叉相輔相成將火焰信息呈鏈?zhǔn)椒磻?yīng)在整個(gè)種群中蔓延。具體的，飛蛾縱橫交叉捕焰算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)閥值和權(quán)值。BP(BackPropagation)神經(jīng)網(wǎng)絡(luò)模型是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)。雖然它具有良好的自學(xué)習(xí)能力和噪聲容限，但是BP神經(jīng)網(wǎng)絡(luò)模型在預(yù)測過程中采用梯度下降法來調(diào)整權(quán)值和閥值，導(dǎo)致神經(jīng)網(wǎng)絡(luò)的計(jì)算量和權(quán)值數(shù)隨影響因素及學(xué)習(xí)樣本的增加而急劇增多，減慢收斂速度，而且容易陷入局部最優(yōu)。為了克服上述缺陷，在訓(xùn)練神經(jīng)網(wǎng)絡(luò)的過程中引入了CCMFO算法(如圖4所示)，通過雙交叉混沌尋優(yōu)機(jī)制來增強(qiáng)跳出局部最優(yōu)的能力和提高收斂速度。其中，訓(xùn)練樣本集即原始網(wǎng)絡(luò)流量時(shí)間序列信號數(shù)據(jù)。在圖4中設(shè)神經(jīng)網(wǎng)絡(luò)的輸入層、隱含層和輸出層的節(jié)點(diǎn)數(shù)分別為n、h及m，則總決策變量數(shù)D＝(n+h+m)*h+h+n，各個(gè)權(quán)值W和閥值B的初始值為[0,1]區(qū)間上的隨機(jī)數(shù)，衡量粒子個(gè)體均方誤差MSE公式(適應(yīng)度函數(shù))如式(6)所示：fobjMSE=1NΣk=1NΣt=1m(pt-p^t)2---(6)]]>其中，pt、分別是神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出和目標(biāo)輸出，N為訓(xùn)練樣本數(shù)。CCMFO算法為BP神經(jīng)網(wǎng)絡(luò)提供各層神經(jīng)元連接的權(quán)值W及閥值B，BP神經(jīng)網(wǎng)絡(luò)則向CCMFO算法反饋各訓(xùn)練樣本集的均方誤差MSE以進(jìn)行相關(guān)調(diào)節(jié)，BP神經(jīng)網(wǎng)絡(luò)模型輸入層的輸入為經(jīng)過小波包分解得到的子序列。其具體過程如下：(1)根據(jù)訓(xùn)練樣本，建立BP神經(jīng)網(wǎng)絡(luò)；(2)初始化種群X，其個(gè)體編碼Xi＝[IW11...IWhnOW11...OWmhbH1...bHhbM1...bMm]，i＝1,2,...,M。其中IWhn是連接輸入層n到隱藏層h神經(jīng)元的權(quán)值，OWmh為連接隱藏層h到輸出層m神經(jīng)元的權(quán)值，bHh、bMm分別是隱藏層和輸出層對應(yīng)的閥值；(3)利用式(6)對群體每個(gè)粒子個(gè)體進(jìn)行適應(yīng)度評價(jià)；(4)根據(jù)式(3)和式(6)分別執(zhí)行橫向混沌交叉全局搜索和縱向混沌交叉局部開發(fā)，對產(chǎn)生子代個(gè)體解碼，并引入貪婪機(jī)制，與父代個(gè)體競爭，擇優(yōu)留下；(5)判斷終止條件是否滿足。當(dāng)如果迭代次數(shù)大于設(shè)定的最大值時(shí)或均方誤差MSE小于預(yù)定值(例如0.01)時(shí)，算法終止，否則跳轉(zhuǎn)到(3)進(jìn)行新一輪的迭代。(6)根據(jù)輸出的個(gè)體解碼后對應(yīng)的閾值和權(quán)值，利用BP神經(jīng)網(wǎng)絡(luò)模型對子序列進(jìn)行優(yōu)化，得到子序列預(yù)測值。S130、將所述子序列預(yù)測值進(jìn)行疊加重構(gòu)得到網(wǎng)絡(luò)流量的預(yù)測結(jié)果。具體的，該步驟根據(jù)全部子序列預(yù)測值重構(gòu)得到網(wǎng)絡(luò)流量的預(yù)測結(jié)果，具體的重構(gòu)過程可以為：將所述子序列預(yù)測值進(jìn)行疊加，利用公式得到網(wǎng)絡(luò)流量的預(yù)測結(jié)果；其中，d為小波包重構(gòu)頻帶系數(shù)，i是重構(gòu)的層數(shù)，pl-2k和ql-2k是小波包分解共軛濾波器的系數(shù)，k為位置指標(biāo)的時(shí)間參數(shù)，l為尺度指標(biāo)的頻域參數(shù)。即該方法過程為通過小波包分解對網(wǎng)絡(luò)流量樣本進(jìn)行多層次的序列分解，然后采用新型群智能算法-飛蛾縱橫交叉捕焰算法自適應(yīng)調(diào)整神經(jīng)網(wǎng)絡(luò)閾值和權(quán)值，進(jìn)而優(yōu)化神經(jīng)網(wǎng)絡(luò)模型的子序列預(yù)測值，最后疊加各子序列獲取實(shí)際預(yù)測結(jié)果。請參考圖5，圖5為小波包分解融合飛蛾縱橫交叉混沌捕焰法優(yōu)化BP神經(jīng)網(wǎng)(WPD-CCMFO-BP)的預(yù)測計(jì)算模型。下面以3層為例進(jìn)行說明。WPD-CCMFO-BP模型具體步驟如下所示：1、將原始網(wǎng)絡(luò)流量時(shí)間序列進(jìn)行三層小波包分解，得到8個(gè)不同頻率的子序列；2、對上述子序列分別通過圖4的CCMFO-BP模型，訓(xùn)練優(yōu)化獲取各子序列的預(yù)測值；3、將子序列預(yù)測值疊加重構(gòu)處理，獲取網(wǎng)絡(luò)流量預(yù)測結(jié)果?；谏鲜黾夹g(shù)方案，本發(fā)明實(shí)施例提供的網(wǎng)絡(luò)流量的預(yù)測方法，能夠解決人工神經(jīng)網(wǎng)絡(luò)由于采用梯度下降法來調(diào)整閾值和權(quán)值，導(dǎo)致算法收斂速度慢且易陷入局部最優(yōu)解的難題。同時(shí)，彌補(bǔ)了傳統(tǒng)小波分解每次只對低頻部分進(jìn)行再分解，無法多層次分析現(xiàn)有樣本數(shù)據(jù)，降低了預(yù)測精度的不足。具有較好的預(yù)測精度和預(yù)測穩(wěn)定性。下面對本發(fā)明實(shí)施例提供的網(wǎng)絡(luò)流量的預(yù)測裝置進(jìn)行介紹，下文描述的網(wǎng)絡(luò)流量的預(yù)測裝置與上文描述的網(wǎng)絡(luò)流量的預(yù)測方法可相互對應(yīng)參照。請參考圖6，圖6為本發(fā)明實(shí)施例所提供的網(wǎng)絡(luò)流量的預(yù)測裝置的結(jié)構(gòu)框圖；該裝置可以包括：小波包分解模塊100，用于通過小波包分解對原始網(wǎng)絡(luò)流量時(shí)間序列信號數(shù)據(jù)進(jìn)行預(yù)定層數(shù)序列分解得到子序列；閾值調(diào)整模塊200，用于根據(jù)所述子序列建立BP神經(jīng)網(wǎng)絡(luò)模型，并利用飛蛾縱橫交叉捕焰算法自適應(yīng)調(diào)整所述BP神經(jīng)網(wǎng)絡(luò)模型的閾值和權(quán)值；BP神經(jīng)網(wǎng)絡(luò)計(jì)算模塊300，用于根據(jù)調(diào)整后的所述閾值和所述權(quán)值，利用所述BP神經(jīng)網(wǎng)絡(luò)模型對所述子序列進(jìn)行優(yōu)化，得到子序列預(yù)測值；結(jié)果輸出模塊400，用于將所述子序列預(yù)測值進(jìn)行疊加重構(gòu)得到網(wǎng)絡(luò)流量的預(yù)測結(jié)果?；谏鲜鰧?shí)施例，所述小波包分解模塊100具體為通過低通濾波器H和高通濾波器G，利用小波包分解公式將原始網(wǎng)絡(luò)流量時(shí)間序列信號數(shù)據(jù)分解為n層，得到2n-1個(gè)子低頻信號序列和2n-1個(gè)子高頻信號序列的模塊；其中，小波包分解公式為其中，d為小波包分解頻帶系數(shù)，i為分解的層數(shù)，hk-2l和gk-2l為小波包分解共軛濾波器的系數(shù)，k為位置指標(biāo)的時(shí)間參數(shù)，l為尺度指標(biāo)的頻域參數(shù)。基于上述實(shí)施例，所述閾值調(diào)整模塊200包括：子代個(gè)體計(jì)算單元，用于對初始化種群利用飛蛾縱橫交叉捕焰算法進(jìn)行橫向混沌交叉全局搜索和縱向混沌交叉局部開發(fā)，對產(chǎn)生子代個(gè)體解碼；調(diào)整單元，用于判斷迭代次數(shù)是否大于設(shè)定迭代閾值或者均方差誤差是否小于誤差閾值；若是，則將解碼后的數(shù)據(jù)輸出作為調(diào)整后的所述BP神經(jīng)網(wǎng)絡(luò)模型的閾值和權(quán)值。基于上述實(shí)施例，所述子代個(gè)體計(jì)算單元包括：子代個(gè)體計(jì)算子單元，用于對初始化種群利用飛蛾縱橫交叉捕焰算法進(jìn)行橫向混沌交叉全局搜索和縱向混沌交叉局部開發(fā)，得到子代個(gè)體；競爭子單元，用于利用競爭機(jī)制使所述子代個(gè)體與父代個(gè)體進(jìn)行競爭則有保留，并進(jìn)行解碼?；谏鲜鋈我鈱?shí)施例，所述結(jié)果輸出模塊400具體為將所述子序列預(yù)測值進(jìn)行疊加，利用公式得到網(wǎng)絡(luò)流量的預(yù)測結(jié)果的模塊；其中，d為小波包重構(gòu)頻帶系數(shù)，i是重構(gòu)的層數(shù)，pl-2k和ql-2k是小波包分解共軛濾波器的系數(shù)，k為位置指標(biāo)的時(shí)間參數(shù)，l為尺度指標(biāo)的頻域參數(shù)?；谏鲜黾夹g(shù)方案，本發(fā)明實(shí)施例提的網(wǎng)絡(luò)流量的預(yù)測裝置，能夠提高閾值和權(quán)值的精確度，能夠?qū)υ季W(wǎng)絡(luò)流量時(shí)間序列信號數(shù)據(jù)進(jìn)行多層次分解；從而能夠準(zhǔn)確的捕獲網(wǎng)絡(luò)流量的變化規(guī)律，大大提升了預(yù)測網(wǎng)絡(luò)流量時(shí)間序列的準(zhǔn)確度和泛化能力。說明書中各個(gè)實(shí)施例采用遞進(jìn)的方式描述，每個(gè)實(shí)施例重點(diǎn)說明的都是與其他實(shí)施例的不同之處，各個(gè)實(shí)施例之間相同相似部分互相參見即可。對于實(shí)施例公開的裝置而言，由于其與實(shí)施例公開的方法相對應(yīng)，所以描述的比較簡單，相關(guān)之處參見方法部分說明即可。專業(yè)人員還可以進(jìn)一步意識到，結(jié)合本文中所公開的實(shí)施例描述的各示例的單元及算法步驟，能夠以電子硬件、計(jì)算機(jī)軟件或者二者的結(jié)合來實(shí)現(xiàn)，為了清楚地說明硬件和軟件的可互換性，在上述說明中已經(jīng)按照功能一般性地描述了各示例的組成及步驟。這些功能究竟以硬件還是軟件方式來執(zhí)行，取決于技術(shù)方案的特定應(yīng)用和設(shè)計(jì)約束條件。專業(yè)技術(shù)人員可以對每個(gè)特定的應(yīng)用來使用不同方法來實(shí)現(xiàn)所描述的功能，但是這種實(shí)現(xiàn)不應(yīng)認(rèn)為超出本發(fā)明的范圍。結(jié)合本文中所公開的實(shí)施例描述的方法或算法的步驟可以直接用硬件、處理器執(zhí)行的軟件模塊，或者二者的結(jié)合來實(shí)施。軟件模塊可以置于隨機(jī)存儲(chǔ)器(RAM)、內(nèi)存、只讀存儲(chǔ)器(ROM)、電可編程ROM、電可擦除可編程ROM、寄存器、硬盤、可移動(dòng)磁盤、CD-ROM、或
技術(shù)領(lǐng)域：
內(nèi)所公知的任意其它形式的存儲(chǔ)介質(zhì)中。以上對本發(fā)明所提供的網(wǎng)絡(luò)流量的預(yù)測方法及裝置進(jìn)行了詳細(xì)介紹。本文中應(yīng)用了具體個(gè)例對本發(fā)明的原理及實(shí)施方式進(jìn)行了闡述，以上實(shí)施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想。應(yīng)當(dāng)指出，對于本
技術(shù)領(lǐng)域：
的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以對本發(fā)明進(jìn)行若干改進(jìn)和修飾，這些改進(jìn)和修飾也落入本發(fā)明權(quán)利要求的保護(hù)范圍內(nèi)。當(dāng)前第1頁1 2 3