王啟明++鄭均輝

摘 要： 使用模糊層次分析法對支持向量機(jī)的兩個參數(shù)進(jìn)行尋優(yōu)，并用尋找到的最優(yōu)參數(shù)訓(xùn)練支持向量機(jī)，建立網(wǎng)絡(luò)參數(shù)模型。首先使用模糊層次分析法對支持向量機(jī)兩個參數(shù)進(jìn)行尋優(yōu)，然后用尋找到的最優(yōu)參數(shù)訓(xùn)練支持向量機(jī)，最后建立預(yù)測模型，預(yù)測網(wǎng)絡(luò)流量。實驗結(jié)果表明，該方法不但可以較好地跟蹤網(wǎng)絡(luò)流量變化趨勢，使網(wǎng)絡(luò)流量的預(yù)測值與實際值非常接近，而且預(yù)測誤差變化范圍波動小，是一種有效且預(yù)測精度高的網(wǎng)絡(luò)參數(shù)模型。

關(guān)鍵詞： 網(wǎng)絡(luò)參數(shù)模型； 支持向量機(jī)； 灰色模型； 參數(shù)優(yōu)化

中圖分類號： TN309?34； TN915.06 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2015）12?0023?02

0 引 言

網(wǎng)絡(luò)流量的預(yù)測與建模對于大規(guī)模網(wǎng)絡(luò)資源管理、規(guī)劃設(shè)計、用戶行為等方面具有重要意義。傳統(tǒng)網(wǎng)絡(luò)流量預(yù)測方法主要基于線性建模，預(yù)測誤差較大，很難準(zhǔn)確反映網(wǎng)絡(luò)流量復(fù)雜變化特點[1?2]。眾多實驗證明，網(wǎng)絡(luò)流量存在如下特點如非平穩(wěn)性、混沌性、時變性等，是一個具有高度的不確定性的復(fù)雜系統(tǒng)，需要采用非線性混沌理論對網(wǎng)絡(luò)流量預(yù)測進(jìn)行建模。目前基于非線性理論的典型模型包括神經(jīng)網(wǎng)絡(luò)預(yù)測模型、小波預(yù)測模型、灰色模型、支持向量機(jī)（Support Vector Machine，SVM）預(yù)測模型等[3?4]。

SVM是一種針對高維數(shù)、小樣本的機(jī)器學(xué)習(xí)方法，泛化性能優(yōu)異，被公認(rèn)為是較好的非線性預(yù)測方法。大量研究表明SVM預(yù)測效果優(yōu)于其他非線性模型，這主要得益于預(yù)測模型泛化能力強(qiáng)，避免了“維數(shù)災(zāi)難”，并且能夠?qū)ふ业饺肿顑?yōu)解，因此得到了廣泛的應(yīng)用[5]。但是SVM預(yù)測性能與網(wǎng)絡(luò)流量的訓(xùn)練樣本關(guān)系密切，并且當(dāng)前確定訓(xùn)練樣本的輸出和輸入矩陣采取的方法主要是人為判斷，選取訓(xùn)練樣本缺乏理論指導(dǎo)，容易產(chǎn)生過擬合現(xiàn)象[6]。

當(dāng)前已有一些研究人員針對SVM預(yù)測模型的缺點進(jìn)行了改進(jìn)研究。研究主要包括對預(yù)測模型SVM參數(shù)選擇的優(yōu)化和對SVM預(yù)測模型自身的改進(jìn)兩個方面；其中SVM模型中參數(shù)的選擇對預(yù)測效果起著非常關(guān)鍵的作用[7]。目前SVM參數(shù)選擇主要采用智能優(yōu)化算法，例如遺傳算法（Genetic Algorithm，GA）、人工魚群算法（Artificial Fish Algorithm，AFA）、粒子群優(yōu)化（Particle Swarm Optimization，PSO）算法。例如，王瑞雪研究了一種通過GAFA（全局人工魚群算法）優(yōu)化SVR模型的網(wǎng)絡(luò)流量預(yù)測方法，但是AFA優(yōu)化的SVR預(yù)網(wǎng)絡(luò)流量預(yù)測方法，結(jié)果不穩(wěn)定[8]。曾偉等研究了采用粒子群優(yōu)化算法優(yōu)化SVM預(yù)測模型，研究表明提高了SVM模型的預(yù)測精度，但預(yù)測的穩(wěn)定性依然不高，并且容易陷入局部極值[9]。Lu Wei Jia等采用遺傳算法優(yōu)化SVM預(yù)測模型，由于遺傳算法的固有缺點，效果也不盡理想[10]。針對當(dāng)前網(wǎng)絡(luò)流量非線性時變、混沌等特點，本文研究對SVM預(yù)測模型進(jìn)行改進(jìn)，使用模糊層次分析法對SVM進(jìn)行參數(shù)尋優(yōu)，并用尋找到的最優(yōu)參數(shù)訓(xùn)練SVM，建立預(yù)測模型。

3 結(jié) 語

本文對SVM預(yù)測模型進(jìn)行改進(jìn)，使用模糊層次分析法對SVM的兩個參數(shù)進(jìn)行尋優(yōu)，并用尋找到的最優(yōu)參數(shù)訓(xùn)練SVM，建立預(yù)測模型，預(yù)測網(wǎng)絡(luò)流量。實驗表明，該方法是一種預(yù)測精度高、有效的網(wǎng)絡(luò)流量預(yù)測方法。

參考文獻(xiàn)

[1] XU Shuo?na， ZENG Bi?qing. Network traffic prediction model based on auto?regressive moving average [J]. Journal of Networks， 2014， 9（3）： 653?659.

[2] QIU J， XIA J B， WU J X. Research and development of network traffic prediction model [J]. Computer Engineering and Design， 2012， 33（3）： 865?869.

[3] XIONG Nan， LIU Bai?feng. Online network traffic prediction Based on adaptive particle swarm optimization LSSVM [J]. Journal of computer applications and software， 2013， 30 （9） ： 21?24.

[4] FANG J， ZHOU Q， WU X， et al. Network traffic prediction model based on Catfish?PSO?SVM [J]. Journal of Networks， 2013， 8（11）： 110?114.

[5] JIALLG Jun， PAPAVASSILIOU Symeon. Enhancing network traffic prediction and anomaly detection via statistical network traffic separation and combination strategies [J]. Computer Communications， 2006， 29（10）： 1627?1638.

[6] CHANG Bao?bong， TSAI Hsiu Fen. Improving network traffic analysis by foreseeing data?packet?flow with hybrid fuzzy based model prediction [J]. Expert Systems with Applications 2009， 36（3）： 6960?6965.

[7] JIANG Ming， WU Chun?ming， HU Da?min. Comparative study on time series of network traffic prediction model [J]. Journal of Electronics， 2009， 5 （11） ： 2353?2359.

[8] WANG Rui?xue， LIU yuan. GAFSA network traffic prediction model to optimize the SVR study [J]. Computer Application Research， 2013， 30 （3） ： 856?860.

[9] ZENG Wei. Many children population PSO to optimize the SVM network traffic prediction [J]. Journal of Beijing Jiaotong University： Natural Science Edition， 2013， 37 （5） ： 62?66.

[10] LU， Wei?Jia. Parameters of network traffic prediction model jointly optimized by genetic algorithm [J]. Journal of Networks， 2014， 9（3）： 695?702.

[11] XU Bo， GUAN Qing， CHEN Ke. Multi?agent coalition formation based on quantum?behaved particle swarm optimization [J]. Journal of Information & Computational Science， 2010， 7（5）： 1059?1064.

[12] QIN H S， WEI Y， ZENG S H. Parameter optimization for SVM classification based on NGA [J]. Lecture Notes in Electrical Engineering， 2013， 216（1）： 579?586.

[13] WANG Shuang?ying WU Chao， ZUO Hong?yan. Small and medium?sized coal mine production safety fuzzy hierarchy evaluation model and its application [J]. Journal of Central South University （Natural Science Edition）， 2010， 41（5）： 111?116.