顧兆軍 李冰 劉濤

關鍵詞： 相空間重構; 粒子群算法; Elman神經網絡; 混沌時間序列; 網絡流量預測; 參數優(yōu)化

中圖分類號： TN98?34; TP393 ? ? ? ? ? ? ? ? ? ? 文獻標識碼： A ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2019）01?0082?05

Abstract： The traditional neural network used for network traffic prediction is easy to fall into the local minimization， which may lead to the low prediction accuracy. Therefore， a network traffic prediction model is proposed on the basis of phase?space reconstruction， in which the particle swarm optimization （PSO） algorithm is used to optimize the initial parameter of Elman neural network. The phase?space reconstruction is carried out for the time sequence of network traffic， and then the reconstructed traffic sequence is taken as the input of the model. The global searching ability of PSO algorithm is utilized to optimize the initial parameter of Elman neural network. The trained Elman neural network is used to forecast the network traffic. The simulation results show that， in comparison with other traffic prediction models， the network prediction based on PSO?Elman model has higher prediction accuracy.

Keywords： phase?space reconstruction; PSO algorithm; Elman neural network; chaotic time series; network traffic prediction; parameter optimization

隨著互聯網技術的發(fā)展，網絡流量劇增，網絡阻塞問題凸顯。建立準確高效的網絡流量預測模型對異常流量的檢測、網絡規(guī)劃設計等都具有重要的意義。

網絡流量預測模型可分為線性和非線性兩種?；诙滔嚓P特性的自回歸模型[1]、自回歸滑動平均模型[2]、自回歸綜合滑動平均模型[3]以及基于長相關特性的差分自回歸滑動平均模型[4]均屬于線性預測模型。線性預測模型算法簡單，易于實現，但面對日益復雜的網絡流量，難以保證預測精度。針對網絡流量的突變性，非線性預測模型在流量預測中得到了較好的應用。非線性預測模型主要包括灰色模型[5]、支持向量機[6]、小波預測模型[7]、神經網絡[8?9]等。BP神經網絡作為傳統(tǒng)神經網絡的一種，憑借較強的非線性擬合能力、可映射任意復雜的非線性關系等特性，在流量預測領域得到了很好的應用，但BP神經網絡存在訓練時間長、易陷入局部極小等問題[10]。Elman神經網絡在傳統(tǒng)前饋神經網絡的基礎上增加了有記憶功能的關聯層，使系統(tǒng)具有適應時變特性的能力。但Elman算法的連接權值和隱含層參數隨機生成，在梯度下降算法調整時易陷入局部極小。PSO算法具有快速全局尋優(yōu)能力，利用PSO算法優(yōu)化Elman神經網絡權值和閾值使其避免陷入局部極小，提高了網絡流量預測精度。同時，網絡流量隨時間變化而變化，是典型的時間序列。研究表明，網絡流量具有混沌性和時變性[11]，用混沌動力學處理時間序列是一個較好的處理方式，提高了理論分析問題的能力。本文提出在相空間重構基礎上采用PSO算法優(yōu)化Elman神經網絡模型的網絡流量預測模型，通過仿真實驗證明了該模型的有效性。

通過對圖4，圖5及表1進行分析，可得到如下結論：

1） 利用PSO算法對于Elman的初始參數進行尋優(yōu)，只需要迭代20次，結果就會收斂到一個穩(wěn)定的狀態(tài)，預測精度即適應度較迭代之前可以有了明顯的提高。

2） PSO?Elman算法預測序列走勢最為接近真實值，其他算法的擬合效果均比PSO?Elman差。

3） 通過表1可以發(fā)現，對于RMSE，MAE，MRE三個指標，基于PSO?Elman神經網絡的計算結果均遠遠小于其他兩種算法，證明本文算法的預測精度優(yōu)于其他算法。

5 ?結 ?語

本文提出一種網絡流量預測新方法。根據網絡流量混沌性和時變性特點，用混沌時間序列處理網絡流量，提高了理論分析問題的能力。同時，本文采用的PSO?Elman算法不僅克服了傳統(tǒng)BP神經網絡缺少關聯層導致系統(tǒng)沒有動態(tài)記憶功能的缺點，而且也克服了BP神經網絡以及Elman神經網絡易陷入局部極小、收斂速度慢的問題，極大地提高了預測網絡流量的精度，有著良好的實踐意義。仿真結果表明，相比于BP神經網絡、Elman算法，在相空間重構的基礎上，采用PSO?Elman模型的網絡流量預測具有更高的準確率。

參考文獻

[1] 金瑤，蔡之華.基于AR模型的Kalman濾波在股票價格預測中的應用[J].統(tǒng)計與決策，2013，6（3）：80?82.

JIN Yao， CAI Zhihua. Application of Kalman filter based on AR model in stock price forecasting [J]. Statistics & decision， 2013， 6（3）： 80?82.

[2] 劉明風，修春波.基于ARMA與神經網絡的風速序列混合預測方法[J].中南大學學報（自然科學版），2013，44（1）：16?20.

LIU Mingfeng， XIU Chunbo. Hybrid prediction method for wind speed series based on ARMA and neural network [J]. Journal of Central South University （natural science）， 2013， 44（1）： 16?20.

[3] 孫軼軒，邵春福，計尋，等.基于ARIMA與信息?；疭VR組合模型的交通事故時序預測[J].清華大學學報（自然科學版），2014，54（3）：348?353.

SUN Yixuan， SHAO Chunfu， JI Xun， et al. Urban traffic accident time series prediction model based on combination of ARIMA and information granulation SVR [J]. Journal of Tsinghua University （natural science）， 2014， 54（3）： 348?353.

[4] 陳珂，彭志平，柯文德.基于人工免疫和FARIMA模型的流量預測方法研究[J].四川大學學報（自然科學版），2013，50（2）：267?272.

CHEN Ke， PENG Zhiping， KE Wende. The study of traffic prediction method based on artificial immune and FARIMA model [J]. Journal of Sichuan University （natural science edition）， 2013， 50（2）： 267?272.

[5] 王相守，張娜.基于灰色神經網絡組合模型的光伏短期出力預測[J].電力系統(tǒng)自動化，2012，36（19）：37?41.

WANG Xiangshou， ZHANG Na. Short?term output power forecast of photovoltaic based on a grey and neural network hybrid model [J]. Automation of electric power systems， 2012， 36（19）： 37?41.

[6] 唐舟進，彭濤，王文博.一種基于相關分析的局域最小二乘支持向量機小尺度網絡流量預測算法[J].物理學報，2014，63（13）：1?10.

TANG Zhoujin， PENG Tao， WANG Wenbo. A local least square support vector machine prediction algorithm of small scale network traffic based on correlation analysis [J]. Acta physica Sinica， 2014， 63（13）： 1?10.

[7] 李志農，朱明，褚福磊，等.基于經驗小波變換的機械故障診斷方法研究[J].儀器儀表學報，2014，35（11）：2423?2432.

LI Zhinong， ZHU Ming， CHU Fulei， et al. Mechanical fault diagnosis method based on empirical wavelet transform [J]. Chinese journal of scientific instrument， 2014， 35（11）： 2423?2432.

[8] 郭通，蘭巨龍，李玉峰，等.基于量子自適應粒子群優(yōu)化徑向基函數神經網絡的網絡流量預測[J].電子與信息學報，2013，35（9）：2220?2226.

GUO Tong， LAN Julong， LI Yufeng， et al. Network traffic prediction with radial basis function neural network based on quantum adaptive particle swarm optimization [J]. Journal of electronics & information technology， 2013， 35（9）： 2220?2226.

[9] 李翔，朱全銀.Adaboost算法改進BP神經網絡預測研究神經網絡預測研究[J].計算機工程與科學，2013，35（8）：96?102.

LI Xiang， ZHU Quanyin. Prediction of improved BP neural network by Adaboost algorithm [J]. Computer engineering & science， 2013， 35（8）： 96?102.

[10] 張立仿，張喜平.量子遺傳算法優(yōu)化BP神經網絡的網絡流量預測[J].計算機工程與科學，2016，38（1）：114?119.

ZHANG Lifang， ZHANG Xiping. Network traffic prediction based on BP neural networks optimized by quantum genetic algorithm [J]. Computer engineering & science， 2016， 38（1）： 114?119.

[11] LU Jinjun， WANG Zhiquan. Internet traffic data flow forecast by RFB neural network based on phase space reconstruction [J]. Transactions of Nanjing University of Aeronautics & Astronutics， 2006， 23（4）： 52?63.

[12] Bellcore Lab. Traces available in the internet traffic archive [EB/OL]. [2007?03?24]. http：//ita.ee.lbl.gov/html/traces.html.

[13] 姜明，吳春明，張旻，等.網絡流量預測中的時間序列模型比較研究[J].電子學報，2009，37（11）：2353?2358.

JIANG Ming， WU Chunming， ZHANG Min， et al. Research on the comparison of time series models for network traffic prediction [J]. Acta electronica Sinica， 2009， 37（11）： 2353?2358.

[14] VAN DEN BERGH F. An analysis of particle swarm optimi?zers [D]. South Africa： University of Pretoria， 2001.