陳 晶

(江蘇城鄉(xiāng)建設職業(yè)學院 江蘇常州 213147)

隨著無線通技術的不斷發(fā)展和成熟，無線網(wǎng)絡得到了長足發(fā)展，并在許多領域得到了成功的應用。相對于有線網(wǎng)絡，無線網(wǎng)絡具有一定的優(yōu)點，如可以隨時隨地進行上網(wǎng)，但是無線網(wǎng)絡由于在一個開放的環(huán)境中工作，受多種因素的影響，導致無線網(wǎng)絡流量具有比較強的復雜時變、非線性、強耦合等屬性，為提升無線網(wǎng)絡流量預測精度，需設計合理的無線網(wǎng)絡流量計算方法，因此無線網(wǎng)絡流量預測與建模成為當前一個研究熱點[1-3]。

針對無線網(wǎng)絡流量預測與建模問題，許多學者進行了深入的研究，當前存在許多無線網(wǎng)絡流量預測與建模方法[4-5]，最常見的為線性無線網(wǎng)絡流量預測與建模方法，該方法缺陷比較明顯，無線網(wǎng)絡流量預測誤差比較大；而基于神經(jīng)網(wǎng)絡的無線網(wǎng)絡流量預測與建模方法，無線網(wǎng)絡流量預測與建模效果要優(yōu)于線性方法，但是同樣存在一定的缺陷，如對噪聲敏感等[6]；極限學習算法屬于一種前饋神經(jīng)網(wǎng)絡，可解決經(jīng)典神經(jīng)網(wǎng)絡存在的效率低問題，具備較快的訓練速度以及較優(yōu)的泛化性能，且該方法的預測精度較高。

為了精準預測無線網(wǎng)絡流量，文章設計了基于大數(shù)據(jù)驅(qū)動的無線網(wǎng)絡流量預測方法。采集無線網(wǎng)絡流量，基于混沌理論重構無線網(wǎng)絡流量數(shù)據(jù)，利用粒子群算法對ELM內(nèi)的權值與閾值進行優(yōu)化，建立無線網(wǎng)絡流量預測模型，提升極限學習算法的無線網(wǎng)絡流量預測精度。經(jīng)試驗驗證可知，文章方法預測無線網(wǎng)絡流量時的AIC值呈上升趨勢，MCC值呈下降趨勢，但最高AIC值并未超過設定的閾值，表明無線網(wǎng)絡流量預測精度較高。

1 基于混沌理論的無線網(wǎng)絡流量數(shù)據(jù)重構

采集無線網(wǎng)絡流量數(shù)據(jù)時，因為原始無線網(wǎng)絡流量數(shù)據(jù)受到多種因素影響，具有一定的非線性，直接進行建模與預測，無法獲得高精度無線網(wǎng)絡流量預測結果，所以利用混沌理論對無線網(wǎng)絡流量數(shù)據(jù)進行重構，濾除無線網(wǎng)絡流量數(shù)據(jù)的無線性變化因素，為后續(xù)無線網(wǎng)絡流量預測提供更為精準的學習樣本。設采集無線網(wǎng)絡流量數(shù)據(jù)是x，x的第i個混沌時間序列是{x(i)，i=1，2，…，N}，其中，x的混沌時間序列數(shù)量是N。根據(jù)Takens定理獲取無線網(wǎng)絡流量數(shù)據(jù)的重構公式，即：

[x(t)，x(t+θ)，…x(t+(m-1)θ)]

(1)

(2)

式(2)中，在I(θ)達到首個極小值點情況下，對應θ的便是最佳延遲時間。

若m過小，則混沌吸引子僅會形成部分投影，不能全面展開，此時無線網(wǎng)絡流量數(shù)據(jù)樣本點x和x的投影點間產(chǎn)生的點，叫作偽最鄰近點。通過偽最鄰近點比例，確定無線網(wǎng)絡流量數(shù)據(jù)重構時的嵌入維數(shù)m。具體步驟如下：

(3)

(2)偽最鄰近點的確定規(guī)則，公式如下：

(4)

式(4)中，嵌入維數(shù)是m與m+1時，無線網(wǎng)絡流量數(shù)據(jù)樣本點的偽最鄰近點比例是Hm(i，j)、Hm+1(i，j)；門限值是H′。

(3)不斷提升m，即令m=m+1，當偽最鄰近點比例降至最低情況下，對應m的便是最佳嵌入維數(shù)。

2 基于大數(shù)據(jù)驅(qū)動的無線網(wǎng)絡非線性流量預測方法

2.1 基于極限學習算法的無線網(wǎng)絡流量預測方法

圖1 ELM的結構拓撲圖

(5)

式(5)中，O2內(nèi)第j′個神經(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 無線網(wǎng)絡流量預測模型總體結構

為提升極限學習算法的無線網(wǎng)絡流量預測精度，利用粒子群算法對ELM內(nèi)的w權值與閾值b進行改進及優(yōu)化。大數(shù)據(jù)驅(qū)動無線網(wǎng)絡流量預測模型總體結構如圖3所示。

圖2 大數(shù)據(jù)驅(qū)動無線網(wǎng)絡流量預測模型總體結構

2.3 粒子群算法優(yōu)化極限學習參數(shù)

粒子群算法內(nèi)的每個粒子均代表一組極限學習算法的w與b，第a個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權值與閾值b的具體步驟如下：

(2)依據(jù)訓練樣本確定ELM網(wǎng)絡拓撲結構。

(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訓練的均方根誤差為適應度值F，公式如下：

(12)

(4)在ELM內(nèi)輸入無線網(wǎng)絡流量數(shù)據(jù)訓練樣本，按照ELM輸出的無線網(wǎng)絡流量預測結果，計算各粒子的F值。

(6)利用式(11)修正粒子權重。

(9)判斷是否達到smax，若達到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)，獲取最佳無線網(wǎng)絡流量預測結果。

2.4 無線網(wǎng)絡非線性流量建模與預測步驟

(1)對無線網(wǎng)絡流量數(shù)據(jù)進行采集。

(2)采用如下形式對無線網(wǎng)絡流量數(shù)據(jù)進行處理

(13)

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

(3)采用混沌理論對無線網(wǎng)絡流量數(shù)據(jù)進行重構，得到無線網(wǎng)絡流量預測的訓練和測試樣本集合。

(4)根據(jù)無線網(wǎng)絡流量數(shù)據(jù)設計極限學習機的結構，并確定相關參數(shù)初始值。

(4)根據(jù)無線網(wǎng)絡流量定訓練樣本，極限學習進行自適應學習，并通過粒子算法搜索最優(yōu)閾值和權值。

(5)根據(jù)最優(yōu)閾值和權值構建無線網(wǎng)絡流量預測模型。

(6)通過測試樣本集合驗證構建的無線網(wǎng)絡流量預測模型性能。

由以上可知，大數(shù)據(jù)驅(qū)動的無線網(wǎng)絡非線性流量預測流程如圖3所示。

圖3 大數(shù)據(jù)驅(qū)動的無線網(wǎng)絡流量預測流程

3 仿真實驗

3.1 實驗數(shù)據(jù)

為了測試大數(shù)據(jù)驅(qū)動的無線網(wǎng)絡流量預測模型有性能，從一個無線網(wǎng)絡網(wǎng)絡系統(tǒng)的服務器中采用每小時的無線網(wǎng)絡流量數(shù)據(jù)，其采集到5000個無線網(wǎng)絡流量數(shù)據(jù)，具體如圖4所示。

圖4 采集的無線網(wǎng)絡流量數(shù)據(jù)

從圖4可知，無線網(wǎng)絡流量數(shù)據(jù)存在較為嚴重的隨機性變化情況，為此需要對其進行相應的預處理操作。

3.2 無線網(wǎng)絡流量數(shù)據(jù)的預處理

利用文章方法對采集的無線網(wǎng)絡流量數(shù)據(jù)進行重構，無線網(wǎng)絡流量數(shù)據(jù)重構前，需先確定延遲時間與嵌入維數(shù)，提升無線網(wǎng)絡流量數(shù)據(jù)重構精度，延遲時間與嵌入維數(shù)確定結果如圖5所示。

(a)延遲時間確定結果

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

3.3 無線網(wǎng)絡流量預測結果與分析

采用傳統(tǒng)極限學習的無線網(wǎng)絡流量預測方法，沒有重構數(shù)據(jù)的粒子群優(yōu)化極限學習機的無線網(wǎng)絡流量預測方法進行對比實驗，進行5次實驗，每一次實驗隨機選擇50%作為訓練樣本，其它作為測試樣本，無線網(wǎng)絡流量平均預測精度如圖6所示。

圖6 三種方法的無線網(wǎng)絡流量預測結果

分析圖6可知，三種方法均可有效預測無線網(wǎng)絡流量值，其中文章方法的無線網(wǎng)絡流量預測結果與實際值非常接近，且變化趨勢基本相同；其余兩種方法的無線網(wǎng)絡流量預測結果與實際值存在較大差距，且變化趨勢也不相同。實驗證明：文章方法可精準預測無線網(wǎng)絡流量，更好地描述無線網(wǎng)絡流量變化情況。

3.4 文章模型的抗干擾能力

利用赤池信息準則(akashi information criterion，AIC)與馬修斯系數(shù)(matthews correlation coefficient，MCC)，衡量文章方法無線網(wǎng)絡流量預測的抗干擾效果，AIC代表無線網(wǎng)絡流量預測結果與實際無線網(wǎng)絡流量間的差距，其值越小，無線網(wǎng)絡流量預測誤差越低，AIC的閾值是65，AIC的取值區(qū)間是[50，100]；MCC代表無線網(wǎng)絡流量預測結果與實際無線網(wǎng)絡流量間的相關系數(shù)，其值越接近1，說明無線網(wǎng)絡流量預測精度越高，MCC的取值區(qū)間是[-1，1]。在不同噪聲比例時，分析文章方法無線網(wǎng)絡流量預測結果的AIC與MCC值，分析結果如表1所示。分析表1可知，隨著噪聲比例提升，文章方法預測無線網(wǎng)絡流量時的AIC值呈上升趨勢，MCC值呈下降趨勢，但最高AIC值并未超過設定的閾值，說明文章方法預測無線網(wǎng)絡流量時的AIC值較低，即無線網(wǎng)絡流量預測誤差較?。辉诓煌肼暠壤龝r，文章方法預測無線網(wǎng)絡流量時的MCC值均與1較為接近，最低MCC值為0.96，說明文章方法預測無線網(wǎng)絡流量時的MCC值較高，即無線網(wǎng)絡流量預測精度較高，表明文章方法的抗干擾能力強。

表1 文章方法的AIC與MCC值分析結果

4 結語

無線網(wǎng)絡系統(tǒng)在工作過程，受到許多因素的干擾和影響，無線網(wǎng)絡流量具有一定的混沌性和隨機性，影響無線網(wǎng)絡流量預測精度。為此，設計基于大數(shù)據(jù)驅(qū)動無線網(wǎng)絡流量預測方法，通過改進極限學習算法，建立無線網(wǎng)絡流量預測模型，引入粒子群算法優(yōu)化極限學習算法的連接權值和閾值，解決極限學習算法參數(shù)優(yōu)化問題，在該模型內(nèi)輸入無線網(wǎng)絡流量數(shù)據(jù)，輸出無線網(wǎng)絡流量預測結果。實驗結果表明：文章方法可精準預測無線網(wǎng)絡流量。經(jīng)實驗驗證，文章方法對無線網(wǎng)絡流量數(shù)據(jù)進行重構后，可有效去除外界因素對無線網(wǎng)絡流量建模影響，無線網(wǎng)絡流量預測結果與實際無線網(wǎng)絡流量非常接近，且變化趨勢基本相同，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線網(wǎng)絡流量預測結果。