李欣+孫珊珊

摘 要： 主要采用小波神經(jīng)網(wǎng)絡(luò)的相關(guān)理論和方法對某小區(qū)網(wǎng)絡(luò)的訪問流量情況進(jìn)行建模和預(yù)測。利用收集到的網(wǎng)絡(luò)流量變化情況作為小波網(wǎng)絡(luò)的訓(xùn)練樣本，成功實(shí)現(xiàn)了該網(wǎng)絡(luò)的流量預(yù)測。試驗(yàn)仿真結(jié)果表明，構(gòu)建的小波神經(jīng)網(wǎng)絡(luò)模型可以很好地實(shí)現(xiàn)對網(wǎng)絡(luò)流量的高精度預(yù)測。

關(guān)鍵詞： 小波神經(jīng)網(wǎng)絡(luò)； 網(wǎng)絡(luò)流量； 預(yù)測研究； 訓(xùn)練樣本

中圖分類號： TN711?34 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2016）23?0098?02

Research on network traffic prediction based on wavelet neural network

LI Xin， SUN Shanshan

（College of Information Engineering， Suihua University， Suihua 152000， China）

Abstract： The relevant theory and method of wavelet neural network are used to establish and predict the network traffic situation of a certain uptown. The acquired network traffic change situation is used as the training sample of the wavelet network to realize the traffic prediction of the network. The simulation results show that the constructed wavelet neural network model has high precision to predict the network traffic.

Keywords： wavelet neural network； network traffic； prediction research； training sample

0 引 言

隨著互聯(lián)網(wǎng)規(guī)模的不斷增大以及各種網(wǎng)絡(luò)“新應(yīng)用”、“新服務(wù)”的不斷涌現(xiàn)，網(wǎng)絡(luò)信息變得越來越龐大和多變，對網(wǎng)絡(luò)訪問流量進(jìn)行精確地預(yù)測從而實(shí)現(xiàn)對網(wǎng)絡(luò)運(yùn)行狀態(tài)的有效管理，已經(jīng)逐步成為目前的一個(gè)研究熱點(diǎn)。網(wǎng)絡(luò)流量預(yù)測是實(shí)現(xiàn)網(wǎng)絡(luò)控制、網(wǎng)絡(luò)規(guī)劃，保證網(wǎng)絡(luò)安全以及提高網(wǎng)絡(luò)服務(wù)質(zhì)量的重要前提。

網(wǎng)絡(luò)流量具有自相似性、長相關(guān)性和多重分形性等復(fù)雜性質(zhì)，對其進(jìn)行精確地預(yù)測一直以來都是一個(gè)難點(diǎn)。目前，常見的網(wǎng)絡(luò)流量預(yù)測方法主要有自回歸分析法、馬爾科夫分析法、分形布朗運(yùn)動分析法和神經(jīng)網(wǎng)絡(luò)分析法。與前面三種傳統(tǒng)方法相比，利用神經(jīng)網(wǎng)絡(luò)對網(wǎng)絡(luò)流量進(jìn)行預(yù)測具有預(yù)測精度高、方法簡單、泛化性強(qiáng)和穩(wěn)定性好的特點(diǎn)，正在逐步成為網(wǎng)絡(luò)流量預(yù)測研究中的主流方法。

文獻(xiàn)[1]根據(jù)網(wǎng)絡(luò)流量的變化特征，基于BP神經(jīng)網(wǎng)絡(luò)提出了一個(gè)P2P網(wǎng)絡(luò)流量預(yù)測模型，實(shí)現(xiàn)了網(wǎng)絡(luò)流量的較高精度預(yù)測。文獻(xiàn)[2]結(jié)合小波變換和人工神經(jīng)網(wǎng)絡(luò)的優(yōu)勢，建立一種網(wǎng)絡(luò)流量預(yù)測的小波神經(jīng)網(wǎng)絡(luò)模型，通過將流量時(shí)間序列進(jìn)行小波分解，獲得了網(wǎng)絡(luò)的訓(xùn)練和驗(yàn)證樣本，試驗(yàn)表明采用這種方法進(jìn)行流量預(yù)測，要比直接采用神經(jīng)網(wǎng)絡(luò)對樣本進(jìn)行預(yù)測的精度高。文獻(xiàn)[3]根據(jù)網(wǎng)絡(luò)流量自身的特征，研究了BP神經(jīng)網(wǎng)絡(luò)和小波神經(jīng)網(wǎng)絡(luò)在校園流量預(yù)測中的應(yīng)用，其所建立的模型，經(jīng)仿真驗(yàn)證證明，可以較好地預(yù)測學(xué)校網(wǎng)絡(luò)的流量變化情況，可以為校園網(wǎng)絡(luò)的規(guī)劃和管理提供一定參考。

小波神經(jīng)網(wǎng)絡(luò)是一種以BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為基礎(chǔ)，把小波基函數(shù)作為隱含節(jié)點(diǎn)的傳遞函數(shù)，其拓?fù)浣Y(jié)構(gòu)如圖1所示。它類似于BP神經(jīng)網(wǎng)絡(luò)權(quán)值修正算法，采用梯度修正法修正網(wǎng)絡(luò)的權(quán)值和小波基函數(shù)參數(shù)，從而使小波神經(jīng)網(wǎng)絡(luò)預(yù)測輸出不斷逼近期望輸出[4?5]。

采用小波神經(jīng)網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)流量預(yù)測的基本流程如圖2所示。

1 網(wǎng)絡(luò)流量預(yù)測

1.1 試驗(yàn)數(shù)據(jù)來源

采用網(wǎng)絡(luò)流量監(jiān)測軟件對某小區(qū)的網(wǎng)絡(luò)流量進(jìn)行實(shí)時(shí)采集，得到了該小區(qū)5天內(nèi)的網(wǎng)絡(luò)流量數(shù)據(jù)，每隔15 min記錄一次該時(shí)間段內(nèi)的網(wǎng)絡(luò)流量值，一共獲得了480個(gè)時(shí)間點(diǎn)的數(shù)據(jù)。用4天共384個(gè)網(wǎng)絡(luò)流量的數(shù)據(jù)訓(xùn)練小波網(wǎng)絡(luò)，最后用訓(xùn)練好的小波神經(jīng)網(wǎng)絡(luò)預(yù)測第5天的網(wǎng)絡(luò)流量。為了避免局部數(shù)值偏移造成的誤差，本文采用編組的方式提高模型預(yù)測精度，用前三個(gè)時(shí)間點(diǎn)的網(wǎng)絡(luò)流量來綜合預(yù)測后一個(gè)時(shí)間點(diǎn)的網(wǎng)絡(luò)流量情況[6?7]。

圖1 小波神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)

圖2 小波神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測的流程圖

1.2 構(gòu)建小波神經(jīng)網(wǎng)絡(luò)模型

本文采用的小波基函數(shù)為Mexican Hat小波基函數(shù)，其表達(dá)式為：

[ψ（t）=（1-t2）e-t22ψ（ω）=2πω2e-ω22]

函數(shù)的時(shí)域和頻域波形圖如圖3所示[7?8]。

圖3 Mexican Hat函數(shù)的時(shí)域和頻域特征

本文采用的小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為3?5?1；輸入層有3個(gè)節(jié)點(diǎn)，表示預(yù)測時(shí)間節(jié)點(diǎn)前3個(gè)時(shí)間節(jié)點(diǎn)的網(wǎng)絡(luò)流量；隱含層有5個(gè)節(jié)點(diǎn)；輸入層有1個(gè)節(jié)點(diǎn)，為預(yù)測的網(wǎng)絡(luò)流量。設(shè)置網(wǎng)絡(luò)預(yù)期誤差值為[1×10-2，]將訓(xùn)練數(shù)據(jù)輸入到Matlab軟件中進(jìn)行訓(xùn)練，訓(xùn)練過程中小波神經(jīng)網(wǎng)絡(luò)的誤差變換情況如圖4所示。由圖4可知，該小波神經(jīng)網(wǎng)絡(luò)經(jīng)過58步運(yùn)算后收斂到預(yù)定精度要求。

用訓(xùn)練好的小波神經(jīng)網(wǎng)絡(luò)對該小區(qū)內(nèi)第五天的網(wǎng)絡(luò)流量情況進(jìn)行預(yù)測，預(yù)測結(jié)果與交通流量的實(shí)際值比較如圖5所示。在圖5中，加“*”曲線對應(yīng)預(yù)測數(shù)據(jù)，加“[○]”曲線對應(yīng)實(shí)際數(shù)據(jù)，可以看到小波神經(jīng)網(wǎng)絡(luò)可以較好地預(yù)測網(wǎng)絡(luò)流量。

為了進(jìn)一步分析仿真結(jié)果，采用絕對值誤差均值（MAE）和絕對百分比誤差均值（MAPE）兩個(gè)指標(biāo)進(jìn)行評價(jià)分析，其中MAE和MAPE分別用下式計(jì)算[9]：

[MAE=1ni=1nxi-xiMAPE=1ni=1nxi-xixi×100%]

式中：[xi]表示模型的預(yù)測值；[xi]表示模型預(yù)測值的算術(shù)平均值；[n]為樣本數(shù)。

小波神經(jīng)網(wǎng)絡(luò)的MAE和MAPE值如表1所示。

從表1可以看出，本文構(gòu)建的小波神經(jīng)網(wǎng)絡(luò)的MAE值在3.36 GB左右，而MAPE值小于0.1，說明該預(yù)測模型可以較好地預(yù)測網(wǎng)絡(luò)流量的變化情況，反應(yīng)該小區(qū)的流量信息變化，為小區(qū)網(wǎng)絡(luò)的規(guī)劃和管理提供可靠的依據(jù)。

2 結(jié) 論

本文在網(wǎng)絡(luò)流量的預(yù)測研究中引入了小波神經(jīng)網(wǎng)絡(luò)模型，利用收集到的某小區(qū)5天內(nèi)的網(wǎng)絡(luò)流量變化數(shù)據(jù)作為訓(xùn)練和測試樣本對構(gòu)建的小波神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測試研究。試驗(yàn)結(jié)果表明，本文構(gòu)建的小波神經(jīng)網(wǎng)絡(luò)具有較高的預(yù)測精度，可以對該小區(qū)網(wǎng)絡(luò)的流量變化情況進(jìn)行較高精度的預(yù)測。

參考文獻(xiàn)

[1] 韓志杰，王汝傳.一種新的 P2P 網(wǎng)絡(luò)流量預(yù)測模型[J].計(jì)算機(jī)科學(xué)，2008（9）：39?14.

[2] 雷霆，余鎮(zhèn)危.一種網(wǎng)絡(luò)流量預(yù)測的小波神經(jīng)網(wǎng)絡(luò)模型[J].計(jì)算機(jī)應(yīng)用，2006（3）：526?528.

[3] 張昕.校園網(wǎng)絡(luò)流量分析與預(yù)測研究[D].西安：西安電子科技大學(xué)，2012.

[4] 王鳴，孫奕鳴.小波支持向量機(jī)的網(wǎng)絡(luò)流量預(yù)測研究[J].計(jì)算機(jī)仿真，2012，29（11）：198?201.

[5] ZHANG Li， ZHOU Weida， JIAO Licheng. Wavelet support vector machine [J]. IEEE transactions on systems， man， and cybernetics， 2004， 34（1）： 34?39.

[6] 鄧遠(yuǎn).BP神經(jīng)網(wǎng)絡(luò)評價(jià)方法在交通流量評價(jià)方面的應(yīng)用[J].中國交通，2011，35（5）：146?151.

[7] 李遠(yuǎn)航.網(wǎng)絡(luò)流量預(yù)測技術(shù)的應(yīng)用[J].計(jì)算機(jī)工程應(yīng)用研究，2014，34（1）：131?138.

[8] 李目，何怡剛，周少武，等.一種差分進(jìn)化算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)及其在弱信號檢測中的應(yīng)用[J].計(jì)算機(jī)應(yīng)用與軟件，2010，27（3）：29?31.

[9] 姚奇富，李翠風(fēng)，馬華林，等.灰色系統(tǒng)理論和馬爾柯夫鏈相結(jié)合的網(wǎng)絡(luò)流量預(yù)測方法[J].浙江大學(xué)學(xué)報(bào)（理學(xué)版），2007，34（4）：396?400.