席小勇

摘要：近年來國家對中職教育越來越重視，不斷加大對中職學校的投資力度，中職學校的辦學條件得到有效改善，在中職學校各類投資建設中，信息化建設是構建現(xiàn)代職教體系的基礎，中職學校的數(shù)字化校園網(wǎng)已經(jīng)形成。但在現(xiàn)有的各類網(wǎng)絡管理設備上，對中職學校的網(wǎng)絡流量預測并未涉及，本文將通過matlab編程建立、訓練中職學校的網(wǎng)絡流量預測模型，然后通過測試樣本對建立的預測模型進行測試驗證。

關鍵詞：預測；matlab；神經(jīng)網(wǎng)絡；nntool工具箱

中圖分類號：TP393 文獻標識碼：A 文章編號：1009-3044（2016）11-0171-02

1 BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡是一種前饋神經(jīng)網(wǎng)絡（Back-Propagation Network），采用反向傳播誤差算法，其算法的核心思想是[1][2]：將輸出誤差反向傳播給上一層，計算出上一層的誤差，這個誤差一層一層反向傳遞，根據(jù)各層計算的誤差不斷調整權系數(shù)、閾值，使神經(jīng)網(wǎng)絡誤差達到期望值。

BP神經(jīng)網(wǎng)絡由輸入層（input layer）、隱含層（hide layer）和輸出層（output layer），其中隱含層可以有多層，每層神經(jīng)元之間無連接，層與層神經(jīng)元之間為全連接。通常一個三層的BP神經(jīng)網(wǎng)絡就可以完成任意的n維到m維的映射，可以逼近任何一個在閉區(qū)間內續(xù)函數(shù)[3]。

三層BP神經(jīng)網(wǎng)絡的結構如圖1：

2 數(shù)據(jù)的采集與歸一化

將學校AC上網(wǎng)行為審計設備生成的日志數(shù)據(jù)庫文件導出，使用SQL語言對數(shù)據(jù)進行數(shù)據(jù)降維并進行匯總生成符合本次實驗的數(shù)據(jù)樣本。本次數(shù)據(jù)采集自2014年11月2日00：00：00至2014年11月29日23：59：59結束，時間粒度1小時，共計28天，數(shù)據(jù)結構為28×24的陣列。然后對生成的數(shù)據(jù)進行歸一化處理，下圖為未歸一化和歸一化后的部分數(shù)據(jù)。

3 使用nntool建立BP神經(jīng)網(wǎng)絡預測模型

獲取的數(shù)據(jù)中用前21天共21*24個數(shù)據(jù)點作為輸入樣本，剩余7天共7*24個數(shù)據(jù)作為測試有樣本。因為本次實驗使用一天的數(shù)據(jù)流量來預測第二天的數(shù)據(jù)流量，因此輸入層神經(jīng)元個數(shù)為24，輸出層神經(jīng)元個數(shù)也為24，根據(jù)隱含層神經(jīng)元個數(shù)計算公式，結合實際經(jīng)驗隱含層神經(jīng)元個數(shù)確定為14個，即BP神經(jīng)網(wǎng)絡的網(wǎng)絡結構為24-14-24。迭代次數(shù)設置為1000次，誤差設為0.001，學習函數(shù)為trainlm，激活函數(shù)為logsig，具體實現(xiàn)代碼如下，

……

p=mapminmax（p，0，1）；

t=mapminmax（t，0，1）；

net=newff（minmax（p），[14，24]，{'logsig'，'logsig'}，'trainlm'）；

net.trainParam.epochs=1000；

net.trainParam.goal=0.001；

net=train（net，p，t）；

y=sim（net，p）；

……

4 實驗驗證

通過對BP神經(jīng)網(wǎng)絡的訓練，生成中職學校網(wǎng)絡流量預測模型。使用測試樣本中前兩天的數(shù)據(jù)進行試驗驗證，網(wǎng)絡流量預測效果如下圖，

從圖4、圖5網(wǎng)絡流量預測的對比實驗發(fā)現(xiàn)，應用matlab訓練生成的BP神經(jīng)網(wǎng)絡預測模型預測出的網(wǎng)絡流量和實際網(wǎng)絡流量基本一致，也就是說該預測模型完全可以用于中職學校網(wǎng)絡流量的預測。顯而易見，學校網(wǎng)絡管理員可以使用預測而來網(wǎng)絡流量數(shù)據(jù)提前對學校網(wǎng)絡流量進行合理控制，同時也可以對各類應用控制策略進行適當配置，從而確保學校網(wǎng)絡始終工作在最優(yōu)的環(huán)境中。

參考文獻：

[1] RUM ELHARTD E. Learning Representation by BP errors[J].Natrue（London）， 1986，7：64-70.

[2] NG S C，CHEUNG C C，LEUNG SH. Fast Convergence for Back-Propagation Network with Magnified Gradient Function[J].IEEE，2003，9（3）：1903-1908.

[3] 王燕妮，樊養(yǎng)余.改進BP神經(jīng)網(wǎng)絡的自適應預測算法[J].計算機工程與應用. 2010.46（17）：23-26.