楊金岳

摘 要：為了提高電力綜合數(shù)據(jù)網(wǎng)的網(wǎng)絡性能和服務質(zhì)量，提出了一種基于深度LSTM神經(jīng)網(wǎng)絡的骨干網(wǎng)絡流量預測方法。本文采用了基于深度學習的框架;考慮到網(wǎng)絡流量的影響因子都是隨時間變化的物理量，同時深度LSTM神經(jīng)網(wǎng)絡算法對時間序列的強大處理能力;從而選取長短時記憶網(wǎng)絡對電力綜合數(shù)據(jù)網(wǎng)網(wǎng)絡流量進行預測。LSTM具有“遺忘”與“更新”功能，很好的解決了長序依賴問題，從而使特征可以很好的保留到后續(xù)的計算中，不會出現(xiàn)記憶消散問題。試驗結(jié)果表明： 相較傳統(tǒng)預測模型，運用深度LSTM神經(jīng)網(wǎng)絡預測模型精度較高，可使電力綜合數(shù)據(jù)網(wǎng)可以更快、更準確地調(diào)整工作狀態(tài)，具有很好的應用前景。

關(guān)鍵詞：電力綜合數(shù)據(jù)網(wǎng);網(wǎng)絡流量預測;深度學習;LSTM網(wǎng)絡

DOI：10.16640/j.cnki.37-1222/t.2019.20.140

1 引言

電力綜合數(shù)據(jù)網(wǎng)是為了滿足電網(wǎng)的信息化建設，將電力網(wǎng)絡性能要求不一的各類業(yè)務做統(tǒng)一承載而搭建的支撐性網(wǎng)絡[1]。由于電力業(yè)務類型復雜和電力業(yè)務需求不斷增加，使得電力綜合數(shù)據(jù)網(wǎng)穩(wěn)定運行及業(yè)務保證面臨著新挑戰(zhàn)。而通過大量網(wǎng)絡流量歷史數(shù)據(jù)對網(wǎng)絡未來的流量趨勢進行預測分析，將極大提高網(wǎng)絡性能和服務質(zhì)量[2]。因此，電力綜合數(shù)據(jù)網(wǎng)網(wǎng)絡流量預測研究將是保障電力信息業(yè)務可靠使用的重要手段。

在通信網(wǎng)絡技術(shù)的發(fā)展中，研究人員常利用一些傳統(tǒng)預測方法來實現(xiàn)對網(wǎng)絡資源合理地分配和控制。傳統(tǒng)預測方法有回歸模型和時間序列預測模型等，是基于線性變化來建立模型。但隨著對網(wǎng)絡流量預測的深入研究，網(wǎng)絡流量數(shù)據(jù)呈現(xiàn)出明顯的非線性、突發(fā)性、長相關(guān)性、混純性、自相似性等特點[3]。傳統(tǒng)方法無法較好地模擬非線性時間序列，于是出現(xiàn)了神經(jīng)網(wǎng)絡、支持向量機等深度學習算法應用于網(wǎng)絡流量預測中。

目前，在網(wǎng)絡流量的預測領(lǐng)域中，深度學習算法已得到初步應用。其通過逐層的特征變換，自動學習樣本中的抽象特征，重新建立一個更抽象的特征空間來獲得差異化的隱含特征，從而進行有針對性地預測來實現(xiàn)更好的預測效果[4]。RNN循環(huán)神經(jīng)網(wǎng)絡主要是處理和預測序列數(shù)據(jù)，而LSTM作為RNN的一個重要結(jié)構(gòu)，對序列數(shù)據(jù)的長期記憶方面表現(xiàn)良好。因此，本文采用LSTM神經(jīng)網(wǎng)絡預測模型對電力通信綜合數(shù)據(jù)網(wǎng)網(wǎng)絡流量進行預測。仿真試驗表明，該算法能夠有效地預測電力通信綜合數(shù)據(jù)網(wǎng)網(wǎng)絡流量。

2 電力綜合數(shù)據(jù)網(wǎng)

電力綜合數(shù)據(jù)網(wǎng)主要是為各應用系統(tǒng)服務，其承載的業(yè)務對網(wǎng)絡的可靠性要求較高，例如對帶寬要求很高的圖像監(jiān)控，對丟包率忍受度很低的電源性能監(jiān)控，對綜合性能要求最好的電視電話會議等[5]。

電力綜合數(shù)據(jù)網(wǎng)的業(yè)務主要包括以下方向：

（1）信息系統(tǒng)應用。如：用電信息采集、營銷系統(tǒng)、財務系統(tǒng)、企業(yè)門戶等共計50余個信息系統(tǒng)。

（2）語音及視頻應用。如：高清會議電視、一體化會議電視、IMS系統(tǒng)等電視電話會議系統(tǒng)。

（3）其他應用。如：通信類外網(wǎng)管。

3 基于LSTM神經(jīng)網(wǎng)絡的預測模型

長短期記憶網(wǎng)絡（long-short-term memory network， LSTM）主要是建立時間遞歸神經(jīng)網(wǎng)絡，用來處理和預測時間序列中間隔和延遲相對較長的重要事件。為了使神經(jīng)網(wǎng)絡更有效地保存長期記憶，“遺忘門”和“輸入門”被設計進網(wǎng)絡中，作為LSTM結(jié)構(gòu)的核心存在?！斑z忘門”可以讓循環(huán)神經(jīng)網(wǎng)絡忘記之前沒用的信息，同時“輸入門”輸入補充最新的記憶，他們之間的配合可以更加有效地決定信息的遺忘與保留[6]。

4 基于深度LSTM網(wǎng)絡的網(wǎng)絡流量預測模型

4.1 LSTM模型參數(shù)選擇

建立用于電力綜合數(shù)據(jù)網(wǎng)網(wǎng)絡流量預測的LSTM網(wǎng)絡主要需要確定模型中輸入層時間步數(shù)、輸入層維數(shù)、隱藏層數(shù)目、每個隱藏層維數(shù)以及輸出變量維數(shù)[7]。針對電力綜合數(shù)據(jù)網(wǎng)網(wǎng)絡流量預測，本文擬采用單層LSTM的預測模型，模型參數(shù)假定為1。通過多次模型試驗，發(fā)現(xiàn)增加隱藏層的維數(shù)可以取得較好的預測效果;但由于本預測任務是利用電力網(wǎng)絡歷史信息來預測下一步的網(wǎng)絡流量，因此輸出變量的維數(shù)也假定為1。

4.2 隱藏層的確定

隱藏層對于神經(jīng)網(wǎng)絡非常重要，神經(jīng)網(wǎng)絡的獨特性在于它對隱藏層的使用。隱藏層節(jié)點的選取并沒有統(tǒng)一的標準，可通過經(jīng)驗公式與試湊法相結(jié)合來選擇隱含層神經(jīng)元個數(shù)。通常選用的經(jīng)驗公式有：

式中：l表示隱含層節(jié)點數(shù)，n表示輸入層節(jié)點數(shù)，m表示輸出層節(jié)點數(shù)。

4.3 預測效果評估

本文將選用均方根誤差（root mean square error，RMSE）法對預測結(jié)果進行評價，計算公式為：

式中：和分別為網(wǎng)絡流量的實際值和預測值;n為預測驗證數(shù)據(jù)個數(shù);i為預測點序列編號，輸出序列最大值。

5 試驗

通過編寫相應程序獲得電力綜合業(yè)務數(shù)據(jù)網(wǎng)的流量數(shù)據(jù)，根據(jù)15分鐘的時間間隔來取一次流量數(shù)據(jù)，連續(xù)取25天。本文將根據(jù)收集到的流量數(shù)據(jù)為例進行試驗分析。在進行試驗前需要對采集的數(shù)據(jù)進行歸一化處理，排除由于數(shù)據(jù)差異所帶來的影響。采用LSTM神經(jīng)網(wǎng)絡對訓練樣本進行學習。其訓練損失分析如圖1所示。

通過采用LSTM神經(jīng)網(wǎng)絡對網(wǎng)絡流量的預測的分析。從圖2中可以看出：采用LSTM神經(jīng)網(wǎng)絡模型的預測和實際值的曲線比較吻合，雖然與實際值相比還是有略微的偏差，但與傳統(tǒng)的方法相比，訓練速度更快，預測精度亦明顯提高，是一種很好的網(wǎng)絡流量預測模型。

6 結(jié)論

針對電力綜合數(shù)據(jù)網(wǎng)網(wǎng)絡流量預測問題，本文提出深度LSTM神經(jīng)網(wǎng)絡預測模型。LSTM具有“遺忘”與“更新”功能，很好的解決了長序依賴問題，從而使特征可以很好的保留到后續(xù)的計算中，不會出現(xiàn)記憶消散問題。試驗結(jié)果表明：相較傳統(tǒng)預測模型，運用深度LSTM神經(jīng)網(wǎng)絡預測模型精度較高，可使電力綜合數(shù)據(jù)網(wǎng)可以更快、更準確地調(diào)整工作狀態(tài)，具有很好的應用前景。通過對網(wǎng)絡流量預測的精度和速度都明顯提高，是一種值得深入研究的網(wǎng)絡流量預測方法。

參考文獻：

[1]馬濤.電力綜合數(shù)據(jù)網(wǎng)模擬仿真系統(tǒng)設計與實現(xiàn)[J].電子科技大學碩士論文，2016（04）.

[2]曹建華，劉淵，戴悅.一種基于灰色神經(jīng)網(wǎng)絡的網(wǎng)絡流量預測模型[J].計算機工程與應用，2008（02）.

[3]馮辰.基于ESN的網(wǎng)絡流量預測算法研究[J].北京郵電大學碩士論文，2012（11）.

[4]史佳琪，張建華.基于深度學習的超短期光伏精細化預測模型研究[J].電力建設，2017（06）.

[5]馬濤.電力綜合數(shù)據(jù)網(wǎng)模擬仿真系統(tǒng)設計與實現(xiàn)[J].電子科技大學碩士論文，2016（04）.

[6]繆磊磊.基于卷積神經(jīng)網(wǎng)絡的手寫數(shù)字識別算法分析和實現(xiàn)[J].大學生論文聯(lián)合比對庫，2017（06）.

[7]朱喬木，李弘毅，王子琪，陳金富，王博.基于長短期記憶網(wǎng)絡的風電場發(fā)電功率超短期預測[J].電網(wǎng)技術(shù)，2017（12）.

[8]任師濤，史志才，吳飛等.基于改進BP神經(jīng)網(wǎng)絡的路由器流量預測方法[J].傳感器與微系統(tǒng)，2018（08）.