平 均流量）。綜合考慮用戶數(shù)的占比和平均速率，最終該區(qū)域內(nèi)設計帶寬為350M。
[0130] 用相關性(C)測度指標，公式如下：
[0131]
[0132] /表示實際數(shù)據(jù)的均值，f'表示仿真數(shù)據(jù)，該指數(shù)表示和S的相關性，值越大說明 和S相似程度越高，實驗精度越高。
[0133] 表3客觀性評價結果
[0134]
[0135] 由表3可見，運營商對網(wǎng)絡鏈路帶寬的設計采用冗余法，為恒定值且留出一定的余 量，所以無法表達流量的起伏變化趨勢。而本發(fā)明算法評價指數(shù)較理想，取得較優(yōu)的結果。
[0136] 本申請中引證的文件如下：
[0137] [ 1 ]S G Mallat.A theory for multiresolution signal decomposition: the wavelet representation!! J] · IEEE Transactions On Pattern Analysis and Machine Intel 1 igence，1989，11:674-693. J法國信號處理專家Mallat將計算機視覺中的多尺度分 析思想引入到小波分析中，提出信號的小波分解與重構算法，本發(fā)明步驟2和步驟4均采用 小波的理論對城域網(wǎng)流量數(shù)據(jù)進行預處理。
[0138] [2]S Roger Jang,C T Sun.Functional Equivalence between radial basis function networks and fuzzy inference system[J]. IEEE Transon Neural Network, 1993，4 (1): 156-159.徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡算法的提出和推導過程，本發(fā)明步驟3采取 三層RBF網(wǎng)絡學習城域網(wǎng)流量數(shù)據(jù)的規(guī)律。
[0139] 本發(fā)明提供了一種基于RBF的城域數(shù)據(jù)網(wǎng)流量測算方法，具體實現(xiàn)該技術方案的 方法和途徑很多，以上所述僅是本發(fā)明的優(yōu)選實施方式，應當指出，對于本技術領域的普通 技術人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤 飾也應視為本發(fā)明的保護范圍。本實施例中未明確的各組成部分均可用現(xiàn)有技術加以實 現(xiàn)。
【主權項】
1. 一種基于RBF的城域數(shù)據(jù)網(wǎng)流量測算方法，其特征在于，包括如下步驟： 步驟1，取樣：Wa天為周期，從現(xiàn)有城域網(wǎng)設備中采集一個區(qū)域f時段的入流量作為輸 入樣本U將接下a+1~2a天該區(qū)域f時段的入流量作為輸出樣本H; 步驟2，預處理:將輸入樣本L進行小波分解，對輸入樣本L中的低頻分量加矩形窗函數(shù) 后重構，得到輸入樣本L的近似值L' ； 步驟3,建模:將L'作為訓練網(wǎng)絡模型的輸入，H作為訓練網(wǎng)絡模型的輸出，采用K-均值 聚類方法，學習后得到訓練好的網(wǎng)絡模型； 步驟4,對輸出樣本H進行小波分解后的低頻分量加矩形窗函數(shù)，重構之后得到其近似 值H'，保持步驟3的網(wǎng)絡參數(shù)不變，將H'作為輸入，輸出則為預測值T，T為2a+l~3a天該區(qū)域 f時段的入流量預測值。2. 根據(jù)權利要求1所述的一種基于RBF的城域數(shù)據(jù)網(wǎng)流量測算方法，其特征在于，步驟2 包括如下步驟： 步驟2-1，設輸入樣本L為原始輸入信號，通過兩個互補的濾波器組，其中一個濾波器為 低通濾波器h，通過該低通濾波器得到原始輸入信號的近似值A，另一個濾波器為高通濾波 器g，通過該高通濾波器得到原始輸入信號的細節(jié)值D;近似值A表示原始輸入信號的低頻分 量，細節(jié)值D表示原始輸入信號的高頻分量； 步驟2-2,對低頻分量A進一步分解，設Vj表示分解中的低頻分量A的第j個函數(shù)子空間， Wj表示分解中的高頻分量D的第j個函數(shù)子空間，小波分解的過程定義為用函數(shù)子空間Vj和 W冰表示函數(shù)空間L2(R)，則Wj表示Vj在V沖的正交補，即： 二巧，(1) 其中，j = l，2,…，N，N表示分解尺度的總數(shù)，取值為自然數(shù)，Vw表示V撕下一個函數(shù)子 空間，W泡含的是信號函數(shù)SEL2(R)的細節(jié)值，則= /?(/?)，R表示實數(shù)域. 步驟2-3,對于Vw上任意的信號函數(shù)SeVw，采用如下公式（2)和（3)的分解方法得到 公式(4): K, = K ?巧=^^2貨e巧=...?.' = Fv安聽,貨Wv-,安…?取2貨巧，（2) 公式(2)中，Vo表示分解尺度為O的低頻子空間，Vn表示分解尺度為N的低頻子空間，Wn表 示分解尺度為N的高頻子空間；公式(3)中，An表示原始輸入信號的分解尺度為N時對應的近似值，Dn表示原始輸入信號 的分解尺度為N時對應的細節(jié)值，N為分解尺度的總數(shù)，i取值1~N;當N = 0時，目化的分解尺 度為0，S等于原始輸入信號L當N= 1時，S = Ai+Di，即分解為一個低頻分量和一個高頻分量 之和； 則得到如下公式(4):公式(4)中，Aj,k表示大小為j Xk的低頻分量，Dj,k表示大小為j Xk的高頻分量;k表示時 間位移，取值范圍為整數(shù)集合z;s(t)表示時域上的原始輸入信號，t表示時間序列，取值為 N 正整數(shù);尺度函數(shù)抑O =乙抑2/-A)，小波母函數(shù)廬偉) = _巧，并且iKt)具 k=0 J'.'c 有I階消失矩，I = I，2，……，N，小波母函數(shù)至少有一階消失矩； 再采用公式巧)的雙尺度方程得到小波分解方法：Aw,1為Aj,k通過低通濾波器h后得到第j+1層的低頻分量，Dw,1為Aj,k通過高通濾波器g 后得到第j+1層的高頻分量； 采用公式(5)將Vw上的信號函數(shù)S分解為其函數(shù)子空間V神抓J的投影，即分解為一個低 頻分量和一個高頻分量之和，采用公式(6)得到信號的重構算法，即由函數(shù)子空間Vj上的一 個低頻分量和Wj上的一個高頻分量重構出Vw上的信號函數(shù)S，整個小波分解和重構的過程稱為Mallat算法，通過小波分解的低頻分量和高頻分量分 別重構出原始輸入信號的近似值和細節(jié)值； 步驟2-4,用窗函數(shù)E(r)與輸入樣本L的低頻分量相乘，形成加窗信號，其中E(r)取矩形 窗函數(shù)，定義為石(〇 = < ，然后重構出輸入樣本1的近似值1/。3.根據(jù)權利要求2所述的一種基于RBF的城域數(shù)據(jù)網(wǎng)流量測算方法，其特征在于，步驟3 包括:將近似值L'作為訓練網(wǎng)絡模型的輸入，H作為訓練網(wǎng)絡模型的輸出，設置訓練網(wǎng)絡模 型，設置RBF徑向基函數(shù)的S層結構，即輸入層、隱含層和輸出層，各層神經(jīng)元數(shù)目依次是 m、P、mi，輸入樣本向量為Z = (X,，A，……:成,)T，.輸出樣本向量為F =(壯於,......，-1，。,,) >該 模型實現(xiàn)由義= ……，.\f到輸出^=レl，於:，……，y",f的映射，對于每個輸出節(jié)點 巧！ 卻義…，祝,}，滿足如下公式：A :=.；￡如.巧|義-cy)，巧） 與=1 其中表示m個隱含層到第ji個輸出層的權值矩陣，ii取值1~m，氣表示徑向基函數(shù) 的中屯、，G( ?)是一類非線性徑向?qū)ΨQ基函數(shù)，M ? M表示距中屯、的距離，采用高斯函數(shù)得 到訓練網(wǎng)絡模型為：其中，徑向基函數(shù)的中屯、Cl,和基函數(shù)寬度O是徑向基函數(shù)需要學習的參數(shù)，采用自組織 選取中屯、法求取基函數(shù)的中屯、和基函數(shù)寬度0,得到最終的訓練網(wǎng)絡模型。
【專利摘要】本發(fā)明公開了一種基于RBF的城域數(shù)據(jù)網(wǎng)流量測算方法，包括：取樣：以a天為周期從現(xiàn)有城域網(wǎng)設備中采集一個區(qū)域f時段的入流量作為輸入樣本L，將接下a+1～2a天f時段該區(qū)域的入流量作為輸出樣本H；預處理：將L進行小波分解，對低頻分量加矩形窗函數(shù)后重構得到L的近似值Lˊ；建模：將Lˊ作為訓練網(wǎng)絡模型的輸入，H作為訓練網(wǎng)絡模型的輸出，采用K-均值聚類方法得到訓練好的網(wǎng)絡模型；對輸出樣本H進行小波分解后的低頻分量加矩形窗函數(shù)，重構之后得到其近似值Hˊ，保持網(wǎng)絡參數(shù)不變，將Hˊ作為輸入，輸出預測值T，T為2a+1～3a天f時段該區(qū)域的入流量預測值。
【IPC分類】H04L12/24
【公開號】CN105515857
【申請?zhí)枴緾N201510894627
【發(fā)明人】程曉軒, 魏康, 巫晨云, 張暉, 顏軍, 賈軍
【申請人】江蘇省郵電規(guī)劃設計院有限責任公司
【公開日】2016年4月20日
【申請日】2015年12月8日