陳 晶

(江蘇城鄉(xiāng)建設(shè)職業(yè)學(xué)院 江蘇常州 213147)

隨著無(wú)線通技術(shù)的不斷發(fā)展和成熟，無(wú)線網(wǎng)絡(luò)得到了長(zhǎng)足發(fā)展，并在許多領(lǐng)域得到了成功的應(yīng)用。相對(duì)于有線網(wǎng)絡(luò)，無(wú)線網(wǎng)絡(luò)具有一定的優(yōu)點(diǎn)，如可以隨時(shí)隨地進(jìn)行上網(wǎng)，但是無(wú)線網(wǎng)絡(luò)由于在一個(gè)開(kāi)放的環(huán)境中工作，受多種因素的影響，導(dǎo)致無(wú)線網(wǎng)絡(luò)流量具有比較強(qiáng)的復(fù)雜時(shí)變、非線性、強(qiáng)耦合等屬性，為提升無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)精度，需設(shè)計(jì)合理的無(wú)線網(wǎng)絡(luò)流量計(jì)算方法，因此無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)與建模成為當(dāng)前一個(gè)研究熱點(diǎn)[1-3]。

針對(duì)無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)與建模問(wèn)題，許多學(xué)者進(jìn)行了深入的研究，當(dāng)前存在許多無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)與建模方法[4-5]，最常見(jiàn)的為線性無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)與建模方法，該方法缺陷比較明顯，無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)誤差比較大；而基于神經(jīng)網(wǎng)絡(luò)的無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)與建模方法，無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)與建模效果要優(yōu)于線性方法，但是同樣存在一定的缺陷，如對(duì)噪聲敏感等[6]；極限學(xué)習(xí)算法屬于一種前饋神經(jīng)網(wǎng)絡(luò)，可解決經(jīng)典神經(jīng)網(wǎng)絡(luò)存在的效率低問(wèn)題，具備較快的訓(xùn)練速度以及較優(yōu)的泛化性能，且該方法的預(yù)測(cè)精度較高。

為了精準(zhǔn)預(yù)測(cè)無(wú)線網(wǎng)絡(luò)流量，文章設(shè)計(jì)了基于大數(shù)據(jù)驅(qū)動(dòng)的無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)方法。采集無(wú)線網(wǎng)絡(luò)流量，基于混沌理論重構(gòu)無(wú)線網(wǎng)絡(luò)流量數(shù)據(jù)，利用粒子群算法對(duì)ELM內(nèi)的權(quán)值與閾值進(jìn)行優(yōu)化，建立無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)模型，提升極限學(xué)習(xí)算法的無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)精度。經(jīng)試驗(yàn)驗(yàn)證可知，文章方法預(yù)測(cè)無(wú)線網(wǎng)絡(luò)流量時(shí)的AIC值呈上升趨勢(shì)，MCC值呈下降趨勢(shì)，但最高AIC值并未超過(guò)設(shè)定的閾值，表明無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)精度較高。

1 基于混沌理論的無(wú)線網(wǎng)絡(luò)流量數(shù)據(jù)重構(gòu)

采集無(wú)線網(wǎng)絡(luò)流量數(shù)據(jù)時(shí)，因?yàn)樵紵o(wú)線網(wǎng)絡(luò)流量數(shù)據(jù)受到多種因素影響，具有一定的非線性，直接進(jìn)行建模與預(yù)測(cè)，無(wú)法獲得高精度無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)結(jié)果，所以利用混沌理論對(duì)無(wú)線網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行重構(gòu)，濾除無(wú)線網(wǎng)絡(luò)流量數(shù)據(jù)的無(wú)線性變化因素，為后續(xù)無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)提供更為精準(zhǔn)的學(xué)習(xí)樣本。設(shè)采集無(wú)線網(wǎng)絡(luò)流量數(shù)據(jù)是x，x的第i個(gè)混沌時(shí)間序列是{x(i)，i=1，2，…，N}，其中，x的混沌時(shí)間序列數(shù)量是N。根據(jù)Takens定理獲取無(wú)線網(wǎng)絡(luò)流量數(shù)據(jù)的重構(gòu)公式，即：

[x(t)，x(t+θ)，…x(t+(m-1)θ)]

(1)

(2)

式(2)中，在I(θ)達(dá)到首個(gè)極小值點(diǎn)情況下，對(duì)應(yīng)θ的便是最佳延遲時(shí)間。

若m過(guò)小，則混沌吸引子僅會(huì)形成部分投影，不能全面展開(kāi)，此時(shí)無(wú)線網(wǎng)絡(luò)流量數(shù)據(jù)樣本點(diǎn)x和x的投影點(diǎn)間產(chǎn)生的點(diǎn)，叫作偽最鄰近點(diǎn)。通過(guò)偽最鄰近點(diǎn)比例，確定無(wú)線網(wǎng)絡(luò)流量數(shù)據(jù)重構(gòu)時(shí)的嵌入維數(shù)m。具體步驟如下：

(3)

(2)偽最鄰近點(diǎn)的確定規(guī)則，公式如下：

(4)

式(4)中，嵌入維數(shù)是m與m+1時(shí)，無(wú)線網(wǎng)絡(luò)流量數(shù)據(jù)樣本點(diǎn)的偽最鄰近點(diǎn)比例是Hm(i，j)、Hm+1(i，j)；門(mén)限值是H′。

(3)不斷提升m，即令m=m+1，當(dāng)偽最鄰近點(diǎn)比例降至最低情況下，對(duì)應(yīng)m的便是最佳嵌入維數(shù)。

2 基于大數(shù)據(jù)驅(qū)動(dòng)的無(wú)線網(wǎng)絡(luò)非線性流量預(yù)測(cè)方法

2.1 基于極限學(xué)習(xí)算法的無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)方法

圖1 ELM的結(jié)構(gòu)拓?fù)鋱D

(5)

式(5)中，O2內(nèi)第j′個(gè)神經(jīng)元閾值是bj′；激活函數(shù)是φ(·)。

(6)

(7)

(8)

其中，R的Moore-Penrose廣義逆矩陣是R+。

2.2 無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)模型總體結(jié)構(gòu)

為提升極限學(xué)習(xí)算法的無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)精度，利用粒子群算法對(duì)ELM內(nèi)的w權(quán)值與閾值b進(jìn)行改進(jìn)及優(yōu)化。大數(shù)據(jù)驅(qū)動(dòng)無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)模型總體結(jié)構(gòu)如圖3所示。

圖2 大數(shù)據(jù)驅(qū)動(dòng)無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)模型總體結(jié)構(gòu)

2.3 粒子群算法優(yōu)化極限學(xué)習(xí)參數(shù)

粒子群算法內(nèi)的每個(gè)粒子均代表一組極限學(xué)習(xí)算法的w與b，第a個(gè)粒子的初始速度與位置是va、za。va與za的更新公式如下：

(9)

za(s+1)=za(s)+va(s+1)

(10)

(11)

利用粒子群算法優(yōu)化ELM內(nèi)的w權(quán)值與閾值b的具體步驟如下：

(2)依據(jù)訓(xùn)練樣本確定ELM網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。

(3)初始化粒子群算法的參數(shù)，種群內(nèi)各粒子均代表一組w與b，以ELM訓(xùn)練的均方根誤差為適應(yīng)度值F，公式如下：

(12)

(4)在ELM內(nèi)輸入無(wú)線網(wǎng)絡(luò)流量數(shù)據(jù)訓(xùn)練樣本，按照ELM輸出的無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)結(jié)果，計(jì)算各粒子的F值。

(6)利用式(11)修正粒子權(quán)重。

(9)判斷是否達(dá)到smax，若達(dá)到smax，則繼續(xù)步驟(10)，反之，返回步驟(7)。

(10)輸出最佳的w與b，代入式(5)，獲取最佳無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)結(jié)果。

2.4 無(wú)線網(wǎng)絡(luò)非線性流量建模與預(yù)測(cè)步驟

(1)對(duì)無(wú)線網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行采集。

(2)采用如下形式對(duì)無(wú)線網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行處理

(13)

式中，x表示原始無(wú)線網(wǎng)絡(luò)流量數(shù)據(jù)，xmin和xmax分別為無(wú)線網(wǎng)絡(luò)流量數(shù)據(jù)的最小和最大值。

(3)采用混沌理論對(duì)無(wú)線網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行重構(gòu)，得到無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)的訓(xùn)練和測(cè)試樣本集合。

(4)根據(jù)無(wú)線網(wǎng)絡(luò)流量數(shù)據(jù)設(shè)計(jì)極限學(xué)習(xí)機(jī)的結(jié)構(gòu)，并確定相關(guān)參數(shù)初始值。

(4)根據(jù)無(wú)線網(wǎng)絡(luò)流量定訓(xùn)練樣本，極限學(xué)習(xí)進(jìn)行自適應(yīng)學(xué)習(xí)，并通過(guò)粒子算法搜索最優(yōu)閾值和權(quán)值。

(5)根據(jù)最優(yōu)閾值和權(quán)值構(gòu)建無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)模型。

(6)通過(guò)測(cè)試樣本集合驗(yàn)證構(gòu)建的無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)模型性能。

由以上可知，大數(shù)據(jù)驅(qū)動(dòng)的無(wú)線網(wǎng)絡(luò)非線性流量預(yù)測(cè)流程如圖3所示。

圖3 大數(shù)據(jù)驅(qū)動(dòng)的無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)流程

3 仿真實(shí)驗(yàn)

3.1 實(shí)驗(yàn)數(shù)據(jù)

為了測(cè)試大數(shù)據(jù)驅(qū)動(dòng)的無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)模型有性能，從一個(gè)無(wú)線網(wǎng)絡(luò)網(wǎng)絡(luò)系統(tǒng)的服務(wù)器中采用每小時(shí)的無(wú)線網(wǎng)絡(luò)流量數(shù)據(jù)，其采集到5000個(gè)無(wú)線網(wǎng)絡(luò)流量數(shù)據(jù)，具體如圖4所示。

圖4 采集的無(wú)線網(wǎng)絡(luò)流量數(shù)據(jù)

從圖4可知，無(wú)線網(wǎng)絡(luò)流量數(shù)據(jù)存在較為嚴(yán)重的隨機(jī)性變化情況，為此需要對(duì)其進(jìn)行相應(yīng)的預(yù)處理操作。

3.2 無(wú)線網(wǎng)絡(luò)流量數(shù)據(jù)的預(yù)處理

利用文章方法對(duì)采集的無(wú)線網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行重構(gòu)，無(wú)線網(wǎng)絡(luò)流量數(shù)據(jù)重構(gòu)前，需先確定延遲時(shí)間與嵌入維數(shù)，提升無(wú)線網(wǎng)絡(luò)流量數(shù)據(jù)重構(gòu)精度，延遲時(shí)間與嵌入維數(shù)確定結(jié)果如圖5所示。

(a)延遲時(shí)間確定結(jié)果

分析圖5(a)可知，當(dāng)延遲時(shí)間為3時(shí)，互信息值首次出現(xiàn)最小值，即將3作為最佳的延遲時(shí)間；分析圖5(b)可知，隨著嵌入維數(shù)的提升，偽最鄰近點(diǎn)比例隨之下降，當(dāng)嵌入維數(shù)為6維時(shí)，偽最鄰近點(diǎn)比例不再發(fā)生改變，說(shuō)明6維是最佳的嵌入維數(shù)。延遲時(shí)間與嵌入維數(shù)分別選擇3與6維。

3.3 無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)結(jié)果與分析

采用傳統(tǒng)極限學(xué)習(xí)的無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)方法，沒(méi)有重構(gòu)數(shù)據(jù)的粒子群優(yōu)化極限學(xué)習(xí)機(jī)的無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)方法進(jìn)行對(duì)比實(shí)驗(yàn)，進(jìn)行5次實(shí)驗(yàn)，每一次實(shí)驗(yàn)隨機(jī)選擇50%作為訓(xùn)練樣本，其它作為測(cè)試樣本，無(wú)線網(wǎng)絡(luò)流量平均預(yù)測(cè)精度如圖6所示。

圖6 三種方法的無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)結(jié)果

分析圖6可知，三種方法均可有效預(yù)測(cè)無(wú)線網(wǎng)絡(luò)流量值，其中文章方法的無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)結(jié)果與實(shí)際值非常接近，且變化趨勢(shì)基本相同；其余兩種方法的無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)結(jié)果與實(shí)際值存在較大差距，且變化趨勢(shì)也不相同。實(shí)驗(yàn)證明：文章方法可精準(zhǔn)預(yù)測(cè)無(wú)線網(wǎng)絡(luò)流量，更好地描述無(wú)線網(wǎng)絡(luò)流量變化情況。

3.4 文章模型的抗干擾能力

利用赤池信息準(zhǔn)則(akashi information criterion，AIC)與馬修斯系數(shù)(matthews correlation coefficient，MCC)，衡量文章方法無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)的抗干擾效果，AIC代表無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)結(jié)果與實(shí)際無(wú)線網(wǎng)絡(luò)流量間的差距，其值越小，無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)誤差越低，AIC的閾值是65，AIC的取值區(qū)間是[50，100]；MCC代表無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)結(jié)果與實(shí)際無(wú)線網(wǎng)絡(luò)流量間的相關(guān)系數(shù)，其值越接近1，說(shuō)明無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)精度越高，MCC的取值區(qū)間是[-1，1]。在不同噪聲比例時(shí)，分析文章方法無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)結(jié)果的AIC與MCC值，分析結(jié)果如表1所示。分析表1可知，隨著噪聲比例提升，文章方法預(yù)測(cè)無(wú)線網(wǎng)絡(luò)流量時(shí)的AIC值呈上升趨勢(shì)，MCC值呈下降趨勢(shì)，但最高AIC值并未超過(guò)設(shè)定的閾值，說(shuō)明文章方法預(yù)測(cè)無(wú)線網(wǎng)絡(luò)流量時(shí)的AIC值較低，即無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)誤差較??；在不同噪聲比例時(shí)，文章方法預(yù)測(cè)無(wú)線網(wǎng)絡(luò)流量時(shí)的MCC值均與1較為接近，最低MCC值為0.96，說(shuō)明文章方法預(yù)測(cè)無(wú)線網(wǎng)絡(luò)流量時(shí)的MCC值較高，即無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)精度較高，表明文章方法的抗干擾能力強(qiáng)。

表1 文章方法的AIC與MCC值分析結(jié)果

4 結(jié)語(yǔ)

無(wú)線網(wǎng)絡(luò)系統(tǒng)在工作過(guò)程，受到許多因素的干擾和影響，無(wú)線網(wǎng)絡(luò)流量具有一定的混沌性和隨機(jī)性，影響無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)精度。為此，設(shè)計(jì)基于大數(shù)據(jù)驅(qū)動(dòng)無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)方法，通過(guò)改進(jìn)極限學(xué)習(xí)算法，建立無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)模型，引入粒子群算法優(yōu)化極限學(xué)習(xí)算法的連接權(quán)值和閾值，解決極限學(xué)習(xí)算法參數(shù)優(yōu)化問(wèn)題，在該模型內(nèi)輸入無(wú)線網(wǎng)絡(luò)流量數(shù)據(jù)，輸出無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)結(jié)果。實(shí)驗(yàn)結(jié)果表明：文章方法可精準(zhǔn)預(yù)測(cè)無(wú)線網(wǎng)絡(luò)流量。經(jīng)實(shí)驗(yàn)驗(yàn)證，文章方法對(duì)無(wú)線網(wǎng)絡(luò)流量數(shù)據(jù)進(jìn)行重構(gòu)后，可有效去除外界因素對(duì)無(wú)線網(wǎng)絡(luò)流量建模影響，無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)結(jié)果與實(shí)際無(wú)線網(wǎng)絡(luò)流量非常接近，且變化趨勢(shì)基本相同，而且在噪聲干擾環(huán)境下，文章方法仍然可以獲得較高精度的無(wú)線網(wǎng)絡(luò)流量預(yù)測(cè)結(jié)果。